Urban region representation learning aims to extract valuable insights for understanding urban dynamics from diverse and intricate urban data. Since human mobility is greatly related to the socioeconomic status in a city, existing studies have comprehended urban regions through human mobility. However, it is difficult to analyze temporal variation through the previous region representations, and intrinsic evaluation is also required. Therefore, this study aims to detect temporal socioeconomic changes in urban regions via region representation learning. We modify the HUGAT model to represent region embedding for all years in one latent space. Our model outperforms baselines in predicting socioeconomic levels compared to state-of-the-art models. Furthermore, we propose a temporal similarity measure to analyze the temporal variation between 2013 and 2020 and discover regions where socioeconomic changes happen due to the inflow or outflow of a social class. This result enables efficient urban planning by monitoring each region that undergoes different changes due to social phenomena such as racial segregation or gentrification in Chicago.
도시의 인구가 빠르게 성장하면서, 도시 지역에 대한 모니터링을 기반으로 한 효율적인 도시 계획 및 관리가 점차 중요한 이슈가 되고 있다. 최근에는, 택시 데이터나 위성 사진 등의 다양한 도시 데이터를 기반으로 도시 지역을 모니터링 하려는 시도가 이루어지고 있다. 그 중에서도, 도심 지역 표현 학습은 이러한 다양하고 복잡한 도시 데이터로부터 도시의 역동성을 이해하기 위한 정보를 추출하는 것을 목표로 하고 있다. 즉, 이는 도시 지역의 포괄적이고 양적인 특징을 압축해 표현한 벡터를 학습하는 것을 목표로 한다. 관련 연구에 사용하는 다양한 도시 데이터 중에서, 인간의 이동과 관련된 데이터는 해당 지역의 사회 경제적 상황과 밀접한 관련이 있다. 이에 따라, 기존의 도심 지역 표현 학습 연구에서는 인간의 이동을 통해 도시 지역을 이해하려는 시도가 많았고 이는 좋은 성능을 보여왔다. 하지만, 이전 연구에서는 학습된 도심 지역 표현을 통해 도시의 변화를 분석하려는 시도가 없었고, 이를 측정하려는 내재적 평가에도 집중하지 않았다. 따라서, 이 연구에서는 도심 지역 표현 학습을 통해 시카고의 지역별 사회경제적 변화를 측정을 목표로 기존의 학습 모델을 변형시키려고 한다. 또한, 발전된 모델이 시카고의 사회경제적 특성을 얼마나 잘 반영하는지 그 성능을 측정하고, 각 지역별 변화정도를 측정할 수 있는 내재적 평가 방법을 제안하려고 한다. 이 결과는 시카고에서 인종차별이나 젠트리피케이션과 같은 사회적 현상으로 인해 다양한 변화를 겪는 각 지역의 상황을 모니터링하여 효율적인 도시계획을 가능하게 할 것으로 기대된다.
