kraina-ai/srai

무엇을 해결하는가

SRAI는 머신러닝을 위한 공간 표현 생성 프로세스를 표준화하기 위해 설계된 Python 라이브러리입니다. 지리 공간 벡터 데이터를 획득하고, 지리적 영역을 관리 가능한 마이크로 지역으로 나누고, 해당 지역을 다운스트림 AI 작업에 사용할 수 있는 벡터 임베딩으로 변환하는 복잡한 워크플로우를 단순화합니다.

작동 방식

이 라이브러리는 네 가지 주요 단계로 구성된 파이프라인을 구현합니다:

1. 데이터 획득: OpenStreetMap (OSM) 및 Overture Maps를 위한 로더를 제공하며, General Transit Feed Specification (GTFS) 대중교통 데이터에서 특징을 추출하는 도구도 제공합니다.
2. 지역화: Uber의 H3 (육각형), Google의 S2 (사분면 셀), Voronoi 다이어그램 또는 행정 경계와 같은 다양한 알고리즘을 사용하여 대상 영역을 더 작은 단위로 나눕니다.
3. 결합: 획득한 공간적 특징을 지역화 과정에서 생성된 특정 마이크로 지역에 매핑합니다.
4. 임베딩: Hex2Vec, GTFS2Vec, Highway2Vec 및 카운트 기반 임베딩을 포함한 다양한 방법을 사용하여 결합된 데이터를 벡터 공간으로 변환합니다. 이러한 방법 중 일부는 PyTorch 모델을 활용하며 학습시키거나 사전 학습된 모델로 로드할 수 있습니다.

대상 사용자

지리 공간 머신러닝, 도시 계획 및 원시 지리 벡터 데이터를 머신러닝 가능한 벡터 표현으로 변환해야 하는 모든 애플리케이션에 집중하는 데이터 과학자 및 AI 연구원입니다.

주요 특징

• 다중 소스 데이터 로딩: OSM, Overture Maps 및 GTFS에 대한 통합 지원.
• 유연한 지역화: 여러 그리드 시스템 (H3, S2) 및 사용자 정의 경계 지원.
• 다양한 임베딩 알고리즘: 공간적 맥락을 포착하기 위해 Hex2Vec 및 Highway2Vec와 같은 여러 연구 기반 방법을 구현합니다.
• PyTorch 통합: torch 기반 임베더를 사용하여 데이터를 fit 및 transform할 수 있는 기능.
• 내장 데이터셋: 다운스트림 작업을 테스트하기 위한 준비된 데이터셋과 벤치마크를 포함합니다.