VecCity开源工具库：统一地图实体表征学习框架与性能基准

来自北京航空航天大学与澳门大学的研究团队联合发布了一款名为VecCity的开源工具库。该工具库旨在解决地图实体表征学习（Map Entity Representation Learning，MapRL）领域的碎片化问题，首次为点（POI）、线（道路）、面（地块）等不同类型的地图要素提供了统一的建模、预训练与评测框架。

通过集成9个城市的标准化数据集、复现21种主流模型，VecCity为研究人员和开发者提供了一站式工具集，支持从数据处理、模型训练到性能评估的全流程开发。

基于VecCity这一标准化平台，研究团队对不同技术路线进行了系统性对比，揭示了各自的优势与适用场景。例如，结合了“Token-Graph-Sequence”三阶段建模的模型在道路表征任务中表现最佳；引入序列增强与对比学习的技术在POI任务上优势显著；而图神经网络则在处理复杂空间关系时展现出更强的鲁棒性。

VecCity算法库基于团队此前开发的LibCity时空数据处理统一基座平台，旨在为MapRL领域构建重要的基础设施。相关研究成果已被VLDB 2025接收，代码已完全开源。

论文标题：
VecCity: A Taxonomy-guided Library for Map Entity Representation Learning

论文链接：
https://arxiv.org/abs/2411.00874

代码链接：
https://github.com/Beihang-BIGSCity/VecCity

研究背景

电子地图由兴趣点（POI）、路段（Road Segment）和地块（Land Parcel）等多种类型的实体构成，分别对应几何学中的点、线、面要素。这些实体承载着丰富的时空信息，是智能交通系统（ITS）和基于位置的服务（LBS）等应用的核心基础。

地图实体表征学习（MapRL）通过预训练技术生成通用、可复用的数据向量表示，是高效管理与利用地图数据的关键。然而，该领域目前面临两大挑战：

1. 研究碎片化：现有工作大多按“点、线、面”等实体类型划分，技术难以跨实体复用，阻碍了领域融通。
2. 缺乏统一基准：不同模型在不同数据集和实验设置下评估，缺乏标准化的Benchmark，导致横向对比困难，难以总结通用设计原则。

为此，本文提出了一种全新的、基于方法（Method-based）的MapRL模型分类体系，并构建了开源算法库VecCity。主要贡献包括：

• 全新的分类体系：从编码器、预训练任务与下游任务等核心功能模块对模型进行统一解构与归类，打破实体类型壁垒。
• 统一的开源算法库：实现数据处理、模型实现、训练与评估的深度解耦，支持高效复用与灵活组合。
• 标准化评测基准：整合9城数据，复现21个主流模型，建立了领域内首个标准化Benchmark。

基于方法的统一分类体系

为打破碎片化僵局，本文不再以实体类型为核心，而是围绕模型的功能模块进行解构，提出了一种Method-based的分类体系。

该体系将MapRL模型解构为四个核心要素：

1. 地图数据（Map Data）：抽象为地图实体（含ID、类型、几何形状及属性）和辅助数据（轨迹与关系网络），为模型提供上下文。
2. 编码器模型（Encoder Models）：将原始数据映射到向量空间的核心引擎，分为三大范式：
   • Token-based编码器：处理实体静态属性特征，构建基础语义嵌入。
   • Graph-based编码器：利用图神经网络（GNN）建模实体间拓扑关联，捕捉空间结构信息。
   • Sequence-based编码器：利用Transformer、RNN等序列模型处理轨迹数据，捕捉时序动态。
3. 预训练任务（Pre-training Tasks）：提炼出一套跨实体类型的通用自监督学习目标，如Token级的属性推理、Graph级的图结构重构、Sequence级的掩码轨迹恢复等。
4. 下游任务（Downstream Tasks）：将预训练表征适配于具体应用场景的接口，如POI分类、路段速度推断、地块人流预测等。

基于此分类体系对主流模型梳理后发现，先进模型普遍遵循“Token → Graph → Sequence”的渐进式建模流水线。

VecCity：分类学指导的开源算法库

基于上述分类体系开发的VecCity算法库，是一个标准化的开发平台，其核心架构包含：

1. 数据模块（Data Module）：
   • 定义了geo（地图实体）、traj（轨迹）、rel（关系网络）三种原子文件格式，统一数据加载。
   • 预置了纽约、北京、东京等9个城市的标准化数据集，并提供数据转换脚本支持私有数据导入。
2. 上游模块（Upstream Module）：
   • 通过encode()和pretraining_loss()接口将编码器与预训练任务解耦。
   • 集成了21个主流MapRL模型（POI、路段、地块各7个），作为易用的Baseline。
3. 下游模块（Downstream Module）：
   • 提供downstream_model()和finetuning_loss()接口支持灵活微调。
   • 内置POI分类、旅行时间估计、地块人流预测等9类下游任务，用于全方位评估表征质量。
4. 配置与评估（Configuration & Evaluation）：通过统一配置文件控制实验全生命周期，简化流程。

实验分析

利用VecCity建立的标准化Benchmark，研究团队对21个模型进行了全面评测与分析。

4.1 总体性能对比

• POI表征学习：CTLE、CACSR等引入序列编码器的模型表现显著更优。分析发现，相比传统的下一跳预测（TrajP），掩码轨迹恢复（MTR）和增强轨迹对比学习（ATCL）等能迫使模型捕捉长距离时序依赖的任务，能生成判别力更强的POI表征。
  • 核心发现：轨迹序列建模与长程依赖捕捉是关键。

• 路段表征学习：JCLRNT、START等采用“Token + Graph + Sequence”全流程建模的模型性能最佳。这表明精准刻画路段需同时融合静态路网结构（Graph）与动态交通流序列（Sequence）。多视角预训练（如图对比+轨迹对比）作用显著。
  • 核心发现：全流程建模与多视角预训练是制胜法宝。

• 地块表征学习：ReMVC、HREP等显式融合POI语义特征的模型，显著优于仅利用人流数据的模型。POI分布提供了关键的上下文信息。目前主流仍是Token+Graph架构，序列信息利用尚有空间。
  • 核心发现：POI语义特征的显式融合是理解地块功能属性的核心。

4.2 深入探究：预训练任务的组合效应

通过消融实验探究了不同预训练任务组合的效果，并针对不同实体揭示了最优配置：

• POI：TokRI（关系推理）+ MTR（掩码轨迹恢复）组合最优，兼顾语义与长程时序依赖。数据稀疏时，TrajP（轨迹预测）鲁棒性更强。
• 路段：AGCL（增强图对比学习）为基础，捕捉空间依赖。数据密度高时可引入MTR增强时序表达；稀疏时辅助以TrajP。
• 地块：AToCL（增强Token对比学习）最优，能过滤噪声提炼核心功能属性。涉及社交网络时，GAu（图重建）任务可提供补充。

4.3 效率与可扩展性分析

从参数量、训练及推理时间三个维度评估了模型效率，为实际应用选型提供参考：

• Token-based模型：结构简单，扩展性极佳，训练耗时和参数量低，适合大规模实时场景。
• Graph-based模型：效率依赖任务复杂度。采用图自编码器（GAu）的任务可能随节点数超线性增长，而采用高效采样策略的模型更具鲁棒性。
• Sequence-based模型：精度提升显著，但普遍面临参数量激增和推理延迟问题，更适合对延时容忍度高的离线分析场景。

实践启示：不存在“完美模型”，需在模型复杂度（精度）与推理时延（效率）间寻求平衡。全流程模型追求极致精度，轻量级模型适用于大规模实时服务。

总结

VecCity通过原创的“方法学驱动”分类体系，突破了地图实体表征学习领域的碎片化困境，首次实现了跨POI、道路、地块的通用化建模框架。它集成了多城市数据与主流模型，构建了该领域首个系统化、可复现的标准基准。

系统的评测揭示了不同技术路线的特性：全流程三阶段模型擅长道路场景，序列增强与对比学习在POI任务中优势显著，而图神经网络在复杂关系建模中更具鲁棒性。这些结论为算法选型与设计优化提供了清晰的实证依据。

凭借其模块化、标准化与全面评测能力，VecCity不仅提升了研发效率，更为MapRL领域的理论创新与应用落地提供了坚实的基础设施。

相关信息

引用：

@article{10.14778/3742728.3742749,
  author = {Zhang, Wentao and Wang, Jingyuan and Yang, Yifan and U, Leong Hou},
  title = {VecCity: A Taxonomy-Guided Library for Map Entity Representation Learning},
  year = {2025},
  volume = {18},
  number = {8},
  doi = {10.14778/3742728.3742749},
  journal = {Proceedings of the VLDB Endowment.},
  pages = {2575–2588},
}