From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift： A Review and Future Directions of GeoAI Research

HE Jie; WANG Chaoqun; PAN Weijiang; XU Xin

doi:10.13203/j.whugis20260025

您当前的位置：

首页 >

文章列表页 >

From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift： A Review and Future Directions of GeoAI Research

Cartography and GIS | 更新时间：2026-11-05

- From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift： A Review and Future Directions of GeoAI Research
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 8, Pages: 1700-1724(2026)
- 作者机构：
  
  1.哈尔滨工业大学（深圳）建筑学院，广东深圳，518055
  2.广东省建筑设计研究院集团股份有限公司，广东广州，510010
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20260025
  CLC： P208
- Received：16 January 2026，
  
  Published：05 August 2026
- 稿件说明：
移动端阅览
何捷,王超群,潘伟江，等.从专用模型到通用模型驱动的范式升级：GeoAI研究综述与展望[J].武汉大学学报（信息科学版）,2026,51(8):1700-1724.

HE Jie,WANG Chaoqun,PAN Weijiang,et al.From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift: A Review and Future Directions of GeoAI Research[J].Geomatics and Information Science of Wuhan University,2026,51(8):1700-1724.
何捷,王超群,潘伟江，等.从专用模型到通用模型驱动的范式升级：GeoAI研究综述与展望[J].武汉大学学报（信息科学版）,2026,51(8):1700-1724. DOI：10.13203/j.whugis20260025

HE Jie,WANG Chaoqun,PAN Weijiang,et al.From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift: A Review and Future Directions of GeoAI Research[J].Geomatics and Information Science of Wuhan University,2026,51(8):1700-1724. DOI：10.13203/j.whugis20260025

摘要

随着地理空间数据的爆炸式增长与人工智能（artificial intelligence，AI）技术的快速发展，地理空间AI（geospatial AI

GeoAI）已逐渐从依赖特定任务专用模型的传统范式，演进至以预训练与大模型等通用模型为核心的新范式。及时系统梳理该领域的研究进展与范式演变，对于把握GeoAI领域前沿动态具有重要意义。已有研究虽从多个细分领域对GeoAI的应用进行了回顾，但未结合技术迭代脉络，全景式梳理从深度学习模型、预训练模型到大模型阶段的完整发展变革历程。因此，亟需构建系统性的综述分析框架，全面阐释AI技术迭代下GeoAI的研究脉络、技术进展与未来挑战。基于对172篇代表性领域文献的分析，首先依据模型是否专为地理任务训练，将GeoAI研究划分为专用模型驱动与通用模型驱动两大类；进而依据建模目标与技术路径进行二次细分，总结各细分方向的核心进展与局限。分析结果表明，专用模型驱动的研究在时空规律挖掘、属性推断、构型优化等任务中已形成成熟的技术体系，但其任务迁移性与泛化能力有限；通用模型驱动的研究正呈现从空间嵌入、多模态对齐到大模型集成应用的演进趋势，展现出更强的多任务适应与知识迁移潜力；以大模型作为“智能中枢”来协同专用模型及人类专家知识、推动大模型实现从表层特征感知到深层空间认知的跨越，是未来的重要方向。综上，通过呈现从深度学习时代到大模型时代的GeoAI研究图景，帮助研究者快速把握该领域的发展全貌，为后续研究提供参考与启示。

Abstract

Objectives

Geospatial artificial intelligence (GeoAI) is an interdisciplinary discipline formed by the in-depth integration of geospatial science and artificial intelligence (AI). Leveraging cutting-edge AI technologies and integrating geospatial big data with high-performance computing methods

it has profoundly revolutionized traditional spatial analysis approaches that rely heavily on GIS platforms and statistical methods. With the continuous iteration of AI technologies

GeoAI is undergoing profound paradigm transformation

shifting from the conventional paradigm driven by task-specific models to an emerging general-purpose model paradigm centered on pre-trained models and large models. Nevertheless

existing review studies fail to cover the complete evolutionary trajectory of the GeoAI domain and lack a unified analytical framework. Therefore

it is imperative to clarify the evolutionary context of this field

summarize the disparities among technical pathways

and systematically consolidate state-of-the-art advances and development trends

so as to provide solid theoretical and methodological support for future research.

Methods

In terms of research methodology

this study first adopts the“model-driven paradigm”as the primary classification criterion and divides existing literature into two major research branches: task-specific model-driven and general-purpose model-driven frameworks. Secondary classification is further conducted based on modeling objectives and model application patterns. A seed literature database is established on the basis of previous reviews

followed by the formulation of retrieval strategies and systematic screening of core literature. Ultimately

a total of 172 representative Chinese and English publications published since 2019 are analyzed. The proposed classification system is adopted to systematically summarize the typical modeling frameworks

application scenarios

and comparative advantages of each research branch.

Results

The research findings reveal the progress of two sub-branches within task-specific model-driven GeoAI research:First

research on spatiotemporal geographic knowledge graphs remains relatively limited

primarily owing to the dominant position of deep learning paradigms in the previous technological revolution. Early studies predominantly focused on the structured representation of geographic knowledge. The emergence of knowledge graph embedding (KGE) techniques and large language models has revitalized this domain. KGE enables the conversion of spatiotemporal geographic knowledge into machine-interpretable and computationally feasible vector representations

which effectively facilitates fine-tuning and knowledge enhancement for pre-trained and large models. It thereby serves as a critical bridge connecting structured geographic knowledge and data-driven models.Second

end-to-end deep learning models have developed into a sophisticated and mature technical system

covering five core tasks: spatiotemporal pattern mining

continuous indicator prediction

discrete label inference

spatial configuration generation

and visual semantics-assisted socioeconomic factor estimation. Although such models have achieved high accuracy and stability in previous development stages

they are still constrained by weak task transferability

insufficient cross-scene generalization capability

and excessive costs of repetitive modeling.General-purpose model-driven GeoAI research demonstrates a distinct evolutionary path alongside the iterative advancement of AI technologies: Prior to the widespread application of large models in GeoAI

spatial embedding research emerged as the earliest research direction

with a current developmental trend toward multi-modal embedded information aggregation. Universal spatiotemporal prediction models share similar paradigms yet achieve integrated spatiotemporal modeling within a unified framework. Supported by cross-city pre-training strategies

these models substantially enhance cross-domain transferability. Different from the static embedding characteristics of spatial embedding models

they focus more on addressing dynamic urban spatial issues. Compared with the previous two types

pre-trained models with geospatial-multimodal semantic alignment are more applicable to a broader range of geospatial tasks. They realize the underlying fusion of geographic

textual and visual information

eliminating intermediate spatial embedding procedures and exhibiting superior adaptability to complex spatial analysis tasks.Current GeoAI research integrated with large models mainly adopts mainstream strategies for geographic task adaptation

including lightweight fine-tuning

prompt learning

tool invocation and agent-based architectures. Meanwhile

unified evaluation frameworks are being constructed to quantify the performance of general large models in geospatial tasks. Despite the remarkable operational convenience and performance potential demonstrated by large model-enabled GeoAI

prominent challenges persist

such as deficient spatial reasoning capability

inherent geographic bias

and limited capacity for complex geographic computation.

Conclusions

In conclusion

GeoAI has accomplished a comprehensive paradigm upgrade from task-specific models to general purpose models

with transferability

generalizability and interactivity emerging as the core development priorities. Future research should further promote the in-depth application of large models

shifting the research focus from conventional feature extraction and pattern recognition to high-level geographic knowledge comprehension

spatial reasoning and intelligent decision-making. It is essential to construct a next-generation GeoAI ecosystem that takes large models as the intelligent hub and achieves deep integration and collaborative collaboration with knowledge graphs

task-specific models and human expertise. Furthermore

the robust logical reasoning and cognitive capabilities of large models should be fully exploited to empower innovative geographic research.

关键词

Keywords

references

SHU H . Big Data Analytics： Six Techniques ［J］. Geo‐spatial Information Science ， 2016 ， 19 （ 2 ）： 119 - 128 .

YANG C W ， CLARKE K ， SHEKHAR S ， et al . Big Spatiotemporal Data Analytics： A Research and Innovation Frontier ［J］. International Journal of Geographical Information Science ， 2020 ， 34 （ 6 ）： 1075 - 1088 .

HILBERT M . Big Data for Development： A Review of Promises and Challenges ［J］. Development Policy Review ， 2016 ， 34 （ 1 ）： 135 - 174 .

YANG C W ， HUANG Q Y ， LI Z L ， et al . Big Data and Cloud Computing： Innovation Opportunities and Challenges ［J］. International Journal of Digital Earth ， 2017 ， 10 （ 1 ）： 13 - 53 .

CHOI Y . GeoAI： Integration of Artificial Intelligence， Machine Learning， and Deep Learning with GIS ［J］. Applied Sciences ， 2023 ， 13 （ 6 ）： 3895 .

JANOWICZ K ， GAO S ， MCKENZIE G ， et al . GeoAI： Spatially Explicit Artificial Intelligence Techniques for Geographic Knowledge Discovery and Beyond ［J］. International Journal of Geographical Information Science ， 2020 ， 34 （ 4 ）： 625 - 636 .

HOCHMAIR H ， JUHÁSZ L ， LI H . Advancing AI-Driven Geospatial Analysis and Data Generation： Methods， Applications and Future Directions ［J］. ISPRS International Journal of Geo‐Information ， 2025 ， 14 （ 2 ）： 56 .

LIANG Y X ， WEN H M ， XIA Y T ， et al . Foundation Models for Spatiotemporal Data Science： A Tutorial and Survey ［PP/OL］. arXiv （ 2025-03-12 ）［ 2025-11-12 ］. https：//arxiv.org/abs/2503.13502 https://arxiv.org/abs/2503.13502 .

YAN Y B ， WEN H M ， ZHONG S R ， et al . UrbanCLIP： Learning Text-Enhanced Urban Region Profiling with Contrastive Language-Image Pretraining from the Web ［PP/OL］. V1.arXiv （ 2023-10-22 ）［ 2025-11-22 ］. https：//arxiv.org/abs/2310.18340 https://arxiv.org/abs/2310.18340 .

CLARKE K ， HOPPEN S ， GAYDOS L . Methods and Techniques for Rigorous Calibration of a Cellular Automaton Model of Urban Growth ［C］// The 3rd International Conference/Workshop on Integrating GIS and Environmental Modeling ， Santa Fe， New Mexico， USA， 1996 .

BATTY M . Urban Modelling： Algorithms Calibrations， Predictions ［M］. Cambridge， New York ： Cambridge University Press ， 1976 .

CHOI J ， USERY E L . System Integration of GIS and a Rule-Based Expert System for Urban Mapping ［J］. Photogrammetric Engineering & Remote Sensing ， 2004 ， 70 （ 2 ）： 217 - 224 .

LEARY M E . Knowledge and Reasoning in Development Control and Urban Design： An Expert Systems Approach ［J］. Environment and Planning B： Planning and Design ， 1988 ， 15 （ 4 ）： 383 - 398 .

HART P E ， NILSSON N J ， RAPHAEL B . A Formal Basis for the Heuristic Determination of Minimum Cost Paths ［J］. IEEE Transactions on Systems Science and Cybernetics ， 1968 ， 4 （ 2 ）： 100 - 107 .

高松 . 地理空间人工智能的近期研究总结与思考［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1865 - 1874 .

GAO Song . A Review of Recent Researches and Reflections on Geospatial Artificial Intelligence ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1865 - 1874 .

PEREIRA G ， OJO A ， CURRY E ， et al . Data Acquisition and Processing for GeoAI Models to Support Sustainable Agricultural Practices ［C］// The 53rd Hawaii International Conference on System Sciences ， Maui， Hawaii， USA，2020 .

VOPHAM T ， HART J E ， LADEN F ， et al . Emerging Trends in Geospatial Artificial Intelligence （GeoAI）： Potential Applications for Environmental Epidemiology ［J］. Environmental Health ， 2018 ， 17 （ 1 ）： 40 .

ZHOU T Y . Application of Artificial Intelligence in Geography ［J］. Journal of Physics： Conference Series ， 2023 ， 2646 （ 1 ）： 012006 .

OUCHRA H ， BELANGOUR A ， ERRAISSI A . An Overview of GeoSpatial Artificial Intelligence Technologies for City Planning and Development ［C］// The 5th International Conference on Electrical， Computer and Communication Technologies ， Erode， India ， 2023 .

SANCHEZ T W ， SHUMWAY H ， GORDNER T ， et al . The Prospects of Artificial Intelligence in Urban Planning ［J］. International Journal of Urban Sciences ， 2023 ， 27 （ 2 ）： 179 - 194 .

LI W W . GeoAI： Where Machine Learning and Big Data Converge in GIScience ［J］. Journal of Spatial Information Science ， 2020 （ 20 ）： 71 - 77 .

LIU P Y ， BILJECKI F . A Review of Spatially-Explicit GeoAI Applications in Urban Geography ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2022 ， 112 ： 102936 .

GAO S . Artificial Intelligence and Human Geography ［M］// The Encyclopedia of Human Geography . Cham ： Springer International Publishing ， 2024 .

MAI G C ， HU Y J ， GAO S ， et al . Symbolic and Subsymbolic GeoAI： Geospatial Knowledge Graphs and Spatially Explicit Machine Learning ［J］. Transactions in GIS ， 2022 ， 26 （ 8 ）： 3118 - 3124 .

陆锋，诸云强，张雪英 . 时空知识图谱研究进展与展望［J］. 地球信息科学学报， 2023 ， 25 （ 6 ）： 1091 - 1105 .

LU Feng ， ZHU Yunqiang ， ZHANG Xueying . Spatiotemporal Knowledge Graph： Advances and Perspectives ［J］. Journal of Geo⁃Information Science ， 2023 ， 25 （ 6 ）： 1091 - 1105 .

SONG Y Z ， KALACSKA M ， GAŠPAROVIĆ M ， et al . Advances in Geocomputation and Geospatial Artificial Intelligence （GeoAI） for Mapping ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2023 ， 120 ： 103300 .

QIN K ， LIN H ， YUE Y ， et al . Spatial Humanities and Geo-Computation for Social Sciences： Advances and Applications ［J］. Journal of Geodesy and Geoinformation Science ， 2022 ， 5 （ 2 ）： 1 - 6 .

刘瑜，郭浩，李海峰，等 . 从地理规律到地理空间人工智能［J］. 测绘学报， 2022 ， 51 （ 6 ）： 1062 - 1069 .

LIU Yu ， GUO Hao ， LI Haifeng ， et al . A Note on GeoAI from the Perspective of Geographical Laws ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 6 ）： 1062 - 1069 .

程涛，张洋， James HAWORTH . 基于网络和图的时空智能：概念、方法和应用［J］. 测绘学报， 2022 ， 51 （ 7 ）： 1629 - 1639 .

CHENG Tao ， ZHANG Yang ， HAWORTH James . Network and Graph-Based SpaceTimeAI： Conception， Method and Applications ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 7 ）： 1629 - 1639 .

BOGNAR M . Prospects of AI in Architecture： Symbolicism， Connectionism， Actionism ［J/OL］. Journal of Architectural Informatics Society ， 2021 . https：//openreview.net/pdf？id=gvHffM4DlpG https://openreview.net/pdf?id=gvHffM4DlpG .

SUN Q Y ， YANG L X . From Independence to Interconnection—A Review of AI Technology Applied in Energy Systems ［J］. CSEE Journal of Power and Energy Systems ， 2019 ， 5 （ 1 ）： 21 - 34 .

WANG L ， LIU Z C ， LIU A ， et al . Artificial Intelligence in Product Lifecycle Management ［J］. The International Journal of Advanced Manufacturing Technology ， 2021 ， 114 （ 3 ）： 771 - 796 .

ZHONG Y X . Structuralism？ Functionalism？ Behaviorism？or Mechanism？-Looking Backward and Forward on Better Approach to AI ［C］// IEEE International Conference on Granular Computing ， Atlanta， GA， USA， 2006 .

王圣音，高勇，陆锋，等 . 场所模型及大数据支持下的场所感知［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1930 - 1941 .

WANG Shengyin ， GAO Yong ， LU Feng ， et al . Place Model and Big Geo-data Supported Place Sensing ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1930 - 1941 .

陆锋，余丽，仇培元 . 论地理知识图谱［J］. 地球信息科学学报， 2017 ， 19 （ 6 ）： 723 - 734 .

LU Feng ， YU Li ， QIU Peiyuan . On Geographic Knowledge Graph ［J］. Journal of Geo⁃Information Science ， 2017 ， 19 （ 6 ）： 723 - 734 .

张雪英，张春菊，吴明光，等 . 顾及时空特征的地理知识图谱构建方法［J］. 中国科学：信息科学， 2020 ， 50 （ 7 ）： 1019 - 1032 .

ZHANG Xueying ， ZHANG Chunju ， WU Mingguang ， et al . Spatiotemporal Features Based Geographical Knowledge Graph Construction ［J］. Scientia Sinica （Informationis）， 2020 ， 50 （ 7 ）： 1019 - 1032 .

WANG C B ， MA X G ， CHEN J G ， et al . Information Extraction and Knowledge Graph Construction from Geoscience Literature ［J］. Computers & Geosciences ， 2018 ， 112 ： 112 - 120 .

GUO X ， QIAN H Z ， WU F ， et al . A Method for Constructing Geographical Knowledge Graph from Multisource Data ［J］. Sustainability ， 2021 ， 13 （ 19 ）： 10602 .

LI J ， LIU R ， XIONG R . A Chinese Geographic Knowledge Base for GIR ［C］// IEEE International Conference on Computational Science and Engineering and IEEE International Conference on Embedded and Ubiquitous Computing ， Guangzhou， China ， 2017 .

CHEN J Y ， DENG S M ， CHEN H J . CrowdGeoKG： Crowdsourced Geo-Knowledge Graph ［C］// China Conference on Knowledge Graph and Semantic Computing ， Chengdu， China ， 2017 .

SHEEHAN E ， MENG C ， TAN M ， et al . Predicting Economic Development using Geolocated Wikipedia Articles ［C］// The 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， Anchorage，AK，USA， 2019 .

YE S ， WANG N ， BAI M ， et al . A Knowledge Graph-Driven Method for Geospatial Data Production ［C］// The 30th International Conference on Geoinformatics ， London， United Kingdom ， 2023 .

高嘉良，陆锋，彭澎，等 . 基于网络文本迁移学习的旅游知识图谱构建［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 8 ）： 1191 - 1200 .

GAO Jialiang ， LU Feng ， PENG Peng ， et al . Construction of Tourism Attraction Knowledge Graph Based on Web Text and Transfer Learning ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 8 ）： 1191 - 1200 .

高嘉良，仇培元，余丽，等 . 基于旅游知识图谱的可解释景点推荐［J］. 中国科学：信息科学， 2020 ， 50 （ 7 ）： 1055 - 1068 .

GAO Jialiang ， QIU Peiyuan ， YU Li ， et al . An Interpretable Attraction Recommendation Method Based on Knowledge Graph ［J］. Science in China （Information Sciences）， 2020 ， 50 （ 7 ）： 1055 - 1068 .

ZHU Y Q ， SUN K ， WANG S ， et al . An Adaptive Representation Model for Geoscience Knowledge Graphs Considering Complex Spatiotemporal Features and Relationships ［J］. Science China Earth Sciences ， 2023 ， 66 （ 11 ）： 2563 - 2578 .

NING Y S ， LIU H . UrbanKGent： A Unified Large Language Model Agent Framework for Urban Knowledge Graph Construction ［PP/OL］. V2.arXiv （ 2024-10-06 ）［ 2025-11-26 ］. https：//arxiv.org/abs/2402.06861 https://arxiv.org/abs/2402.06861 .

WANG S ， ZHANG X Y ， YE P ， et al . Geographic Knowledge Graph （GeoKG）： A Formalized Geographic Knowledge Representation ［J］. ISPRS International Journal of Geo⁃Information ， 2019 ， 8 （ 4 ）： 184 .

ZHAO X K ， CAO Y B ， WANG J H ， et al . A Hierarchical Spatiotemporal Object Knowledge Graph Model for Dynamic Scene Representation ［J］. Transactions in GIS ， 2023 ， 27 （ 7 ）： 1992 - 2016 .

CAO Y W ， HUANG Y ， CHEN J ， et al . Geographic Process Modeling Based on Geographic Ontology ［J］. Open Geosciences ， 2018 ， 10 （ 1 ）： 782 - 796 .

XUE C J ， WU C B ， LIU J Y ， et al . A Novel Process-Oriented Graph Storage for Dynamic Geographic Phenomena ［J］. ISPRS International Journal of Geo⁃Information ， 2019 ， 8 （ 2 ）： 100 .

HUANG Y ， YUAN M ， SHENG Y H ， et al . Using Geographic Ontologies and Geo-characterization to Represent Geographic Scenarios ［J］. ISPRS International Journal of Geo⁃Information ， 2019 ， 8 （ 12 ）： 566 .

ZHENG K ， XIE M H ， ZHANG J B ， et al . A Knowledge Representation Model Based on the Geographic Spatiotemporal Process ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 4 ）： 674 - 691 .

BOUYERBOU H ， BECHKOUM K ， LEPAGE R . Geographic Ontology for Major Disasters： Methodology and Implementation ［J］. International Journal of Disaster Risk Reduction ， 2019 ， 34 ： 232 - 242 .

朱军，付林，李维炼，等 . 知识引导的滑坡灾害场景动态表达方法［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 8 ）： 1255 - 1262 .

ZHU Jun ， FU Lin ， LI Weilian ， et al . Knowledge-Guided Dynamic Representation Method of Landslide Disaster Scene ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 8 ）： 1255 - 1262 .

陈晓慧，刘俊楠，徐立，等 . COVID-19病例活动知识图谱构建：以郑州市为例［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 6 ）： 816 - 825 .

CHEN Xiaohui ， LIU Junnan ， XU Li ， et al . Construction of the COVID-19 Epidemic Cases Activity Knowledge Graph： A Case Study of Zhengzhou City ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 6 ）： 816 - 825 .

刘俊楠，刘海砚，陈晓慧，等 . 利用知识图谱的恐怖主义事件模型［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 2 ）： 313 - 322 .

LIU Junnan ， LIU Haiyan ， CHEN Xiaohui ， et al . Terrorism Event Model by Knowledge Graph ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 2 ）： 313 - 322 .

YANG E ， HAO F ， GAO J ， et al . Entity Spatiotemporal Evolution Summarization in Knowledge Graphs ［C］// IEEE International Conference on Knowledge Graph ， Nanjing， China ， 2020 .

KAUPPINEN T ， VÄÄTÄINEN J ， HYVÖNEN E . Creating and Using Geospatial Ontology Time Series in a Semantic Cultural Heritage Portal ［C］// The 5th European Semantic Web Conference ， Tenerife， Canary Islands， Spain， 2008 .

ZHAO T H ， HUANG Z D ， TU W ， et al . Coupling Graph Deep Learning and Spatial-Temporal Influence of Built Environment for Short-Term Bus Travel Demand Prediction ［J］. Computers， Environment and Urban Systems ， 2022 ， 94 ： 101776 .

YAO X ， GAO Y ， ZHU D ， et al . Spatial Origin-Destination Flow Imputation Using Graph Convolutional Networks ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2021 ， 22 （ 12 ）： 7474 - 7484 .

XIA T ， LIN J J ， LI Y ， et al . 3DGCN： 3-Dimensional Dynamic Graph Convolutional Network for Citywide Crowd Flow Prediction ［J］. ACM Transactions on Knowledge Discovery from Data ， 2021 ， 15 （ 6 ）： 1 - 21 .

SHI H Z ， YAO Q M ， GUO Q ， et al . Predicting Origin-Destination Flow via Multi-perspective Graph Convolutional Network ［C］// IEEE 36th International Conference on Data Engineering ， Dallas， TX， USA， 2020 .

ZHUANG D ， WANG S ， KOUTSOPOULOS H ， et al . Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Networks ［C］// The 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining ， New York， NY， USA， 2022 .

LI M X ， GAO S ， LU F ， et al . Prediction of Human Activity Intensity Using the Interactions in Physical and Social Spaces Through Graph Convolutional Networks ［J］. International Journal of Geographical Information Science ， 2021 ， 35 （ 12 ）： 2489 - 2516 .

ZHANG Y ， CHENG T ， REN Y B . A Graph Deep Learning Method for Short-Term Traffic Forecasting on Large Road Networks ［J］. Computer-Aided Civil and Infrastructure Engineering ， 2019 ， 34 （ 10 ）： 877 - 896 .

ROY A ， ROY K K ， ALI A A ， et al . SST-GNN： Simplified Spatiotemporal Traffic Forecasting Model Using Graph Neural Network ［PP/OL］. arXiv （ 2021-03-31 ）［ 2026-01-10 ］. https：//arxiv.org/abs/2104.00055 https://arxiv.org/abs/2104.00055 .

QI Y X ， WU J ， BASHIR A K ， et al . Privacy-Preserving Cross-Area Traffic Forecasting in ITS： A Transferable Spatial-Temporal Graph Neural Network Approach ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2023 ， 24 （ 12 ）： 15499 - 15512 .

CHEN J H ， YANG L N ， QIN C ， et al . Heterogeneous Graph Traffic Prediction Considering Spatial Information Around Roads ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2024 ， 128 ： 103709 .

BUI K N ， CHO J ， YI H . Spatial-Temporal Graph Neural Network for Traffic Forecasting： An Overview and Open Research Issues ［J］. Applied Intelligence ， 2022 ， 52 （ 3 ）： 2763 - 2774 .

GONG J ， LIU Y ， LI T ， et al . Empowering Spatial Knowledge Graph for Mobile Traffic Prediction ［C］// The 31st ACM International Conference on Advances in Geographic Information Systems ， Hamburg，Germany ， 2023 .

ZHOU Z ， DING J ， LIU Y ， et al . Towards Generative Modeling of Urban Flow through Knowledge-enhanced Denoising Diffusion ［C］// The 31st ACM International Conference on Advances in Geographic Information Systems ， Hamburg，Germany ， 2023 .

CAO D ， ZENG K ， WANG J ， et al . BERT-Based Deep Spatial-Temporal Network for Taxi Demand Prediction ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 7 ）： 9442 - 9454 .

CHEN W Y ， HUANG H M ， LIAO S Y ， et al . Global Urban Road Network Patterns： Unveiling Multiscale Planning Paradigms of 144 Cities with a Novel Deep Learning Approach ［J］. Landscape and Urban Planning ， 2024 ， 241 ： 104901 .

ZHANG F ， ZHOU B L ， RATTI C ， et al . Discovering Place-Informative Scenes and Objects Using Social Media Photos ［J］. Royal Society Open Science ， 2019 ， 6 （ 3 ）： 181375 .

GEBRU T ， KRAUSE J ， WANG Y L ， et al . Using Deep Learning and Google Street View to Estimate the Demographic Makeup of Neighborhoods Across the United States ［J］. Proceedings of the National Academy of Sciences of the United States of America ， 2017 ， 114 （ 50 ）： 13108 - 13113 .

FAN Z Y ， ZHANG F ， LOO B P Y ， et al . Urban Visual Intelligence： Uncovering Hidden City Profiles with Street View Images ［J］. Proceedings of the National Academy of Sciences of the United States of America ， 2023 ， 120 （ 27 ）： e2220417120 .

KANG Y H ， ZHANG F ， PENG W Z ， et al . Understanding House Price Appreciation Using Multi-source Big Geo-data and Machine Learning ［J］. Land Use Policy ， 2021 ， 111 ： 104919 .

YANG J C ， RONG H ， KANG Y H ， et al . The Financial Impact of Street-Level Greenery on New York Commercial Buildings ［J］. Landscape and Urban Planning ， 2021 ， 214 ： 104162 .

ZHANG F ， ZHOU B L ， LIU L ， et al . Measuring Human Perceptions of a Large-Scale Urban Region Using Machine Learning ［J］. Landscape and Urban Planning ， 2018 ， 180 ： 148 - 160 .

ZHANG F ， FAN Z Y ， KANG Y H ， et al . “Perception Bias”： Deciphering a Mismatch Between Urban Crime and Perception of Safety ［J］. Landscape and Urban Planning ， 2021 ， 207 ： 104003 .

KANG Y H ， ABRAHAM J ， CECCATO V ， et al . Assessing Differences in Safety Perceptions Using GeoAI and Survey Across Neighbourhoods in Stockholm， Sweden ［J］. Landscape and Urban Planning ， 2023 ， 236 ： 104768 .

KRUSE J ， KANG Y H ， LIU Y N ， et al . Places for Play： Understanding Human Perception of Playability in Cities Using Street View Images and Deep Learning ［J］. Computers， Environment and Urban Systems ， 2021 ， 90 ： 101693 .

LAW S ， NEIRA M . An Unsupervised Approach to Geographical Knowledge Discovery Using Street Level and Street Network Images ［C］// The 3rd ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery ， Chicago， IL， USA， 2019 .

LIANG X C ， ZHAO T H ， BILJECKI F . Revealing Spatiotemporal Evolution of Urban Visual Environments with Street View Imagery ［J］. Landscape and Urban Planning ， 2023 ， 237 ： 104802 .

ZHOU Z ， LIU Y ， DING J ， et al . Hierarchical Knowledge Graph Learning Enabled Socioeconomic Indicator Prediction in Location-Based Social Network ［C］// The ACM Web Conference ， Austin，TX，USA， 2023 .

KANG Y H ， ZHANG F ， GAO S ， et al . Human Settlement Value Assessment from a Place Perspective： Considering Human Dynamics and Perceptions in House Price Modeling ［J］. Cities ， 2021 ， 118 ： 103333 .

DENG Z R ， HAN L Z ， ZHU T Y ， et al . Urban In-Context Learning： A New Paradigm for Urban Indicator Prediction ［C］// The 34th ACM International Conference on Information and Knowledge Management ， Seoul， Republic of Korea ， 2025 .

IDDIANOZIE C ， MCARDLE G . Towards Robust Representations of Spatial Networks Using Graph Neural Networks ［J］. Applied Sciences ， 2021 ， 11 （ 15 ）： 6918 .

KONG B ， AI T H ， ZOU X Y ， et al . A Graph-Based Neural Network Approach to Integrate Multi-source Data for Urban Building Function Classification ［J］. Computers， Environment and Urban Systems ， 2024 ， 110 ： 102094 .

ZHANG X C ， LIU X P ， CHEN K ， et al . Inferring Building Function： A Novel Geo-aware Neural Network Supporting Building-Level Function Classification ［ J ］. Sustainable Cities and Society ， 2023 ， 89 ： 104349 .

ZHU D ， ZHANG F ， WANG S Y ， et al . Understanding Place Characteristics in Geographic Contexts Through Graph Convolutional Neural Networks ［J］. Annals of the American Association of Geographers ， 2020 ， 110 （ 2 ）： 408 - 420 .

YAO Y ， YAN X Q ， LUO P ， et al . Classifying Land-Use Patterns by Integrating Time-Series Electricity Data and High-Spatial Resolution Remote Sensing Imagery ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2022 ， 106 ： 102664 .

ZHANG Y ， CHENG T . Graph Deep Learning Model for Network-Based Predictive Hotspot Mapping of Sparse Spatiotemporal Events ［J］. Computers， Environment and Urban Systems ， 2020 ， 79 ： 101403 .

GE X T ， YANG Y ， CHEN J H ， et al . Disaster Prediction Knowledge Graph Based on Multi-source Spatiotemporal Information ［J］. Remote Sensing ， 2022 ， 14 （ 5 ）： 1214 .

GE X T ， YANG Y ， PENG L ， et al . Spatiotemporal Knowledge Graph Based Forest Fire Prediction with Multi-source Heterogeneous Data ［J］. Remote Sensing ， 2022 ， 14 （ 14 ）： 3496 .

CHEN J H ， YANG Y ， PENG L ， et al . Knowledge Graph Representation Learning-Based Forest Fire Prediction ［J］. Remote Sensing ， 2022 ， 14 （ 17 ）： 4391 .

CHEN L J ， GE X T ， YANG L N ， et al . An Improved Multi-source Data-Driven Landslide Prediction Method Based on Spatiotemporal Knowledge Graph ［J］. Remote Sensing ， 2023 ， 15 （ 8 ）： 2126 .

LI Y ， LONG Y . Inferring Storefront Vacancy Using Mobile Sensing Images and Computer Vision Approaches ［J］. Computers， Environment and Urban Systems ， 2024 ， 108 ： 102071 .

SUN M R ， ZHANG F ， DUARTE F ， et al . Understanding Architecture Age and Style Through Deep Learning ［J］. Cities ， 2022 ， 128 ： 103787 .

YI Y K ， ZHANG Y H ， MYUNG J . House Style Recognition Using Deep Convolutional Neural Network ［J］. Automation in Construction ， 2020 ， 118 ： 103307 .

SHALUNTS G ， HAXHIMUSA Y ， SABLATNIG R . Architectural Style Classification of Building Facade Windows ［C］// International Symposium on Visual Computing ， Las Vegas， NV， USA， 2011 .

KANG Y ， CHO N ， YOON J ， et al . Transfer Learning of a Deep Learning Model for Exploring Tourists’ Urban Image Using Geotagged Photos ［J］. ISPRS International Journal of Geo⁃Information ， 2021 ， 10 （ 3 ）： 137 .

XUE J W ， JIANG N ， LIANG S W ， et al . Quantifying the Spatial Homogeneity of Urban Road Networks via Graph Neural Networks ［J］. Nature Machine Intelligence ， 2022 ， 4 （ 3 ）： 246 - 257 .

LIU Y ， ZHOU Z L ， LI Y ， et al . Urban Knowledge Graph Aided Mobile User Profiling ［J］. ACM Transactions on Knowledge Discovery from Data ， 2023 ， 18 （ 1 ）： 1 - 30 .

唐曾杨，艾廷华，徐海江 . 地理知识图谱下的建筑群空间分布模式推理［J］. 地球信息科学学报， 2023 ， 25 （ 6 ）： 1202 - 1214 .

TANG Zengyang ， AI Tinghua ， XU Haijiang . Reasoning of Spatial Distribution Pattern of Building Cluster Based on Geographic Knowledge Graph ［J］. Journal of Geo⁃Information Science ， 2023 ， 25 （ 6 ）： 1202 - 1214 .

ZHAO R ， AI T H ， YU W H ， et al . Recognition of Building Group Patterns Using Graph Convolutional Network ［J］. Cartography and Geographic Information Science ， 2020 ， 47 （ 5 ）： 400 - 417 .

LIU P Y ， DE SABBATA S . A Graph-Based Semi-Supervised Approach to Classification Learning in Digital Geographies ［J］. Computers， Environment and Urban Systems ， 2021 ， 86 ： 101583 .

LAI Y ， SU Y ， WEI L ， et al . Multi-view Spatial-Temporal Enhanced Hypergraph Network for Next POI Recommendation ［C］// The 28th International Conference on Database Systems for Advanced Applications ， Tianjin， China ， 2023 .

WANG D J ， WANG X L ， XIANG Z Z ， et al . Attentive Sequential Model Based on Graph Neural Network for Next Poi Recommendation ［J］. World Wide Web ， 2021 ， 24 （ 6 ）： 2161 - 2184 .

YU B ， ZHANG R Q ， CHEN W ， et al . Graph Neural Network Based Model for Multi-behavior Session-Based Recommendation ［J］. GeoInformatica ， 2022 ， 26 （ 2 ）： 429 - 447 .

PRAKKI S ， DANESHYARI M . Travel Recommendation System Using Graph Neural Networks ［J］. International Journal of Computing and Artificial Intelligence ， 2023 ， 4 （ 2 ）： 6 - 18 .

WANG H D ， YU Q H ， LIU Y ， et al . Spatiotemporal Urban Knowledge Graph Enabled Mobility Prediction ［PP/OL］. V2.arXiv （ 2021-11-10］）［ 2025-09-27 ］. https：//arxiv.org/abs/2111.03465 https://arxiv.org/abs/2111.03465 .

LIU C ， GAO C ， JIN D P ， et al . Improving Location Recommendation with Urban Knowledge Graph ［PP/OL］. arXiv （ 2021-11-01 ）［ 2025-03-24 ］. https：//arxiv.org/abs/2111.01013 https://arxiv.org/abs/2111.01013 .

LIU Y ， DING J T ， LI Y . Knowledge-Driven Site Selection via Urban Knowledge Graph ［PP/OL］. arXiv （ 2021-11-01 ）［ 2025-03-28 ］. https：//arxiv.org/abs/2111.00787 https://arxiv.org/abs/2111.00787 .

LIU Y Z ， TAN H K ， KANJARIA R ， et al . Classical Feature Embeddings Help in BERT-Based Human Mobility Prediction ［PP/OL］. arXiv （ 2025-10-23 ）［ 2025-12-25 ］. https：//arxiv.org/abs/2510.20275 https://arxiv.org/abs/2510.20275 .

TERASHIMA H ， TAMURA N ， SHOJI K ， et al . Human Mobility Prediction Challenge： Next Location Prediction using Spatiotemporal BERT ［C］// The 1st International Workshop on the Human Mobility Prediction Challenge ， New York， NY， USA， 2023 .

CAO K ， ZHOU C H ， CHURCH R ， et al . Revisiting Spatial Optimization in the Era of Geospatial Big Data and GeoAI ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2024 ， 129 ： 103832 .

WANG D ， FU Y ， WANG P ， et al . Reimagining City Configuration： Automated Urban Planning via Adversarial Learning ［C］// The 28th International Conference on Advances in Geographic Information Systems ， Seattle，WA，USA， 2020 .

ZHENG Y ， LIN Y M ， ZHAO L ， et al . Spatial Planning of Urban Communities via Deep Reinforcement Learning ［J］. Nature Computational Science ， 2023 ， 3 （ 9 ）： 748 - 762 .

MASOUMI Z ， VAN GENDEREN J . Artificial Intelligence for Sustainable Development of Smart Cities and Urban Land-Use Management ［J］. Geo-spatial Information Science ， 2024 ， 27 （ 4 ）： 1212 - 1236 .

SHOER I ， SOHSAH G N ， OZTAYLAN M ， et al . User-Centric Synthetic Road Network Generation Using Graph Neural Networks and Graph Autoencoders ［C］// International Conference on Machine Learning and Applications ， Jacksonville， FL， USA， 2024 .

ZHENG Y ， SU H Y ， DING J T ， et al . Road Planning for Slums via Deep Reinforcement Learning ［C］// The 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining ， Long Beach， CA， USA， 2023 .

MAI G C ， JANOWICZ K ， HU Y J ， et al . A Review of Location Encoding for GeoAI： Methods and Applications ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 4 ）： 639 - 673 .

MAI G C ， XUAN Y ， ZUO W Y ， et al . Sphere2Vec： Multi-scale Representation Learning over a Spherical Surface for Geospatial Predictions ［PP/OL］. arXiv （ 2022-10-25 ）［ 2025-12-23 ］. https：//arxiv.org/abs/2201.10489 https://arxiv.org/abs/2201.10489 .

MAI G C ， JANOWICZ K ， YAN B ， et al . Multi-scale Representation Learning for Spatial Feature Distributions Using Grid Cells ［PP/OL］. arXiv （ 2020-02-16 ）［ 2025-02-16 ］. https：//arxiv.org/abs/2003.00824 https://arxiv.org/abs/2003.00824 .

YAN B ， JANOWICZ K ， MAI G C ， et al . From ITDL to Place2Vec： Reasoning About Place Type Similarity and Relatedness by Learning Embeddings from Augmented Spatial Contexts ［C］// The 25th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems ， Redondo，Beach，CA， USA， 2017 .

ZHANG C ， ZHANG K Y ， YUAN Q ， et al . Regions， Periods， Activities： Uncovering Urban Dynamics via Cross-Modal Representation Learning ［C］// The 26th International Conference on World Wide Web ， Perth， Australia ， 2017 .

SHIMIZU T ， YABE T ， TSUBOUCHI K . Enabling Finer Grained Place Embeddings Using Spatial Hierarchy from Human Mobility Trajectories ［C］// The 28th International Conference on Advances in Geographic Information Systems ， Seattle， WA， USA， 2020 .

LIN Y ， WAN H Y ， GUO S N ， et al . Pre-training Context and Time Aware Location Embeddings from Spatial-Temporal Trajectories for User Next Location Prediction ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2021 ， 35 （ 5 ）： 4241 - 4248 .

WU N ， CAO Q ， WANG Z Y ， et al . TorchSpatial： A Location Encoding Framework and Benchmark for Spatial Representation Learning ［PP/OL］. V3.arXiv （ 2025-01-19 ）［ 2026-01-11 ］. https：//arxiv.org/abs/2406.15658 https://arxiv.org/abs/2406.15658 .

LI Z K ， KIM J ， CHIANG Y Y ， et al . SpaBERT： A Pretrained Language Model from Geographic Data for Geo-Entity Representation ［PP/OL］. arXiv ［ 2022-01-28 ］. https：//arxiv.org/abs/2210.12213 https://arxiv.org/abs/2210.12213 .

SUN Z H ， JIAO H Z ， WU H ， et al . Block2vVec： An Approach for Identifying Urban Functional Regions by Integrating Sentence Embedding Model and Points of Interest ［J］. ISPRS International Journal of Geo⁃Information ， 2021 ， 10 （ 5 ）： 339 .

YAO Y ， LI X ， LIU X P ， et al . Sensing Spatial Distribution of Urban Land Use by Integrating Points-of-Interest and Google Word2Vec Model ［J］. International Journal of Geographical Information Science ， 2017 ， 31 （ 4 ）： 825 - 848 .

ZHANG C K ， XU L C ， YAN Z ， et al . A GloVe-Based POI Type Embedding Model for Extracting and Identifying Urban Functional Regions ［J］. ISPRS International Journal of Geo⁃Information ， 2021 ， 10 （ 6 ）： 372 .

HUANG W M ， CUI L Z ， CHEN M ， et al . Estimating Urban Functional Distributions with Semantics Preserved POI Embedding ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 10 ）： 1905 - 1930 .

ZHANG J B ， LI X ， YAO Y ， et al . The Traj2Vec Model to Quantify Residents’ Spatial Trajectories and Estimate the Proportions of Urban Land-Use Types ［J］. International Journal of Geographical Information Science ， 2021 ， 35 （ 1 ）： 193 - 211 .

ZHOU Y ， HUANG Y . DeepMove： Learning Place Representations Through Large Scale Movement Data ［C］// IEEE International Conference on Big Data （Big Data）， Seattle， WA， USA， 2019 .

LI Y Z ， FEI T ， ZHANG F . A Regionalization Method for Clustering and Partitioning Based on Trajectories from NLP Perspective ［J］. International Journal of Geographical Information Science ， 2019 ， 33 （ 12 ）： 2385 - 2405 .

CRIVELLARI A ， RESCH B . Investigating Functional Consistency of Mobility-Related Urban Zones via Motion-Driven Embedding Vectors and Local POI-Type Distributions ［J］. Computational Urban Science ， 2022 ， 2 （ 1 ）： 19 .

HU S ， GAO S ， WU L ， et al . Urban Function Classification at Road Segment Level Using Taxi Trajectory Data： A Graph Convolutional Neural Network Approach ［J］. Computers， Environment and Urban Systems ， 2021 ， 87 ： 101619 .

LUO Y ， LEONG C T ， JIAO S H ， et al . Geo-Tile2Vec： A Multi-modal and Multi-stage Embedding Framework for Urban Analytics ［J］. ACM Transactions on Spatial Algorithms and Systems ， 2023 ， 9 （ 2 ）： 1 - 25 .

HUANG Y J ， ZHANG F ， GAO Y ， et al . Comprehensive Urban Space Representation with Varying Numbers of Street-Level Images ［J ］. Computers， Environment and Urban Systems ， 2023 ， 106 ： 102043 .

HAO X X ， CHEN W ， YAN Y B ， et al . UrbanVLP： Multi-granularity Vision-Language Pretraining for Urban Socioeconomic Indicator Prediction ［PP/OL］. V3.arXiv （ 2025-01-22 ）［ 2026-01-11 ］. https：//arxiv.org/abs/2403.16831 https://arxiv.org/abs/2403.16831 .

JIN J ， SONG Y ， KAN D ， et al . Urban Region Pre-Training and Prompting： A Graph-Based Approach ［C］// The 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining ， Toronto， ON， Canada， 2025 .

XIAO C ， ZHOU J ， XIAO Y ， et al . ReFound： Crafting a Foundation Model for Urban Region Understanding upon Language and Visual Foundations ［C］// The 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining ， Barcelona，Spain ， 2024 .

YIN Y ， LIU Z ， ZHANG Y ， et al . GPS2Vec： Towards Generating Worldwide GPS Embeddings ［C］// The 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems ， Chicago， IL，USA， 2019 .

VALSESIA D ， FRACASTORO G ， MAGLI E . Learning Localized Generative Models for 3D Point Clouds via Graph Convolution ［C］// International Conference on Learning Representations ， Vancouver， BC， Canada， 2018 .

JEAN N ， WANG S ， SAMAR A ， et al . Tile2Vec： Unsupervised Representation Learning for Spatially Distributed Data ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2019 ， 33 （ 1 ）： 3967 - 3974 .

BALSEBRE P ， HUANG W M ， CONG G ， et al . City Foundation Models for Learning General Purpose Representations from OpenStreetMap ［C］// The 33rd ACM International Conference on Information and Knowledge Management ， Boise， ID， USA， 2024 .

JI C H ， LI Q M . TrajSceneLLM： A Multi-modal Perspective on Semantic GPS Trajectory Analysis ［PP/OL］. arXiv （ 2025-06-19 ）［ 2025-11-24 ］. https：//arxiv.org/abs/2506.16401 https://arxiv.org/abs/2506.16401 .

PATEL H ， PARASKEVOPOULOS P ， RENZ M . GeoTeGra： A System for the Creation of Knowledge Graph Based on Social Network Data with Geographical and Temporal Information ［C］// IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining ， Barcelona， Spain ， 2018 .

LIU Y ， DING J T ， FU Y J ， et al . UrbanKG： An Urban Knowledge Graph System ［J］. ACM Transactions on Intelligent Systems and Technology ， 2023 ， 14 （ 4 ）： 1 - 25 .

LIU Y ， ZHANG X ， DING J T ， et al . Knowledge-Infused Contrastive Learning for Urban Imagery-Based Socioeconomic Prediction ［C］// The ACM Web Conference ， Austin， TX， USA， 2023 .

MAI G C ， YAN B ， JANOWICZ K ， et al . Relaxing Unanswerable Geographic Questions Using a Spatially Explicit Knowledge Graph Embedding Model ［C］// The 11th International Conference on Geographic Information Science ， Portland， Ore ， 2020 .

MAI G C ， JANOWICZ K ， CAI L ， et al . SE-KGE： A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting ［J］. Transactions in GIS ， 2020 ， 24 （ 3 ）： 623 - 655 .

SHI H C ， DU S D ， YANG Y ， et al . A Knowledge-Guided Pre-Training Temporal Data Analysis Foundation Model for Urban Computing ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2025 ， 37 （ 11 ）： 6259 - 6271 .

YUAN Y ， DING J ， FENG J ， et al . A Universal Pre-training and Prompting Framework for General Urban Spatiotemporal Prediction ［EB/OL］. ［ 2025-12-09 ］. https：//ieeexplore.ieee.org/abstract/document/10904327 https://ieeexplore.ieee.org/abstract/document/10904327 .

HAN J D ， WANG H ， XIONG H ， et al . Scalable Pre-training of Compact Urban Spatiotemporal Predictive Models on Large-Scale Multi-domain Data ［J］. Proceedings of the VLDB Endowment ， 2025 ， 18 （ 7 ）： 2149 - 2158 .

ZHANG Y Q ， LI C ， HE S B ， et al . Toward Generalized Urban Computing： Pretraining a Spatial-Temporal Model for Diverse Urban Tasks ［J］. IEEE Transactions on Mobile Computing ， 2025 ， 24 （ 10 ）： 10840 - 10852 .

WU X H ， HE H Y ， WANG Y C ， et al . Pretrained Mobility Transformer： A Foundation Model for Human Mobility ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2026 ， 27 （ 6 ）： 6775 - 6786 .

MA K ， ZHENG S ， TIAN M ， et al . CnGeoPLM： Contextual Knowledge Selection and Embedding with Pretrained Language Representation Model for the Geoscience Domain ［J］. Earth Science Informatics ， 2023 ， 16 （ 4 ）： 3629 - 3646 .

HUANG J ， WANG H ， SUN Y ， et al . ERNIE-GeoL： A Geography-and-Language Pre-trained Model and its Applications in Baidu Maps ［C］// The 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining ， Boise， Idaho， USA， 2024 .

WU L X ， LIU J L ， LOU J H ， et al . G2PTL：A Geography-Graph Pre-trained Model ［C］// The 33rd ACM International Conference on Information and Knowledge Management ， Boise， Idaho， USA， 2024 .

LIU X ， HU J ， SHEN Q ， et al . Geo-BERT Pre-training Model for Query Rewriting in POI Search ［C］// The 2021 Conference on Empirical Methods in Natural Language Processing ， Association for Computational Linguistics， Online ， 2021 .

DING R ， CHEN B ， XIE P ， et al . MGeo： Multi-modal Geographic Language Model Pre-training ［C］// The 46th International ACM SIGIR Conference on Research and Development in Information Retrieval ， Taipei，Taiwan，China， 2023 .

HOFMANN V ， GLAVAŠ G ， LJUBEŠIĆ N ， et al . Geographic Adaptation of Pretrained Language Models ［J］. Transactions of the Association for Computational Linguistics ， 2024 ， 12 ： 411 - 431 .

RAMRAKHIYANI N ， VARMA V ， PALSHIKAR G ， et al . Zero-Shot Probing of Pretrained Language Models for Geography Knowledge ［C］// The 4th Workshop on Evaluation and Comparison of NLP Systems ， Bali， Indonesia ， 2023 .

HE P G ， CHEN S T ， SHI G ， et al . HP-BERT： Social Media–Based Insights into Differential Impacts of Urban Environmental Factors on Objective and Subjective Heat Exposure ［J］. Building and Environment ， 2026 ， 289 ： 114027 .

ZHANG Y ， ZHANG F ， CHEN N C . Migratable Urban Street Scene Sensing Method Based on Vision Language Pre-trained Model ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2022 ， 113 ： 102989 .

CAO S ， ZHAO X S ， DU S H . Multi-type and Fine-Grained Urban Green Space Function Mapping Based on BERT Model and Multi-source Data Fusion ［J］. International Journal of Digital Earth ， 2024 ， 17 （ 1 ）： 2308723 .

YANG R Y ， ZHONGY F ， SUY ， et al . Self-Supervised Joint Representation Learning for Urban Land-Use Classification with Multisource Geographic Data ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2025 ， 63 ： 5608021 .

WEI W T ， CHEN H ， JIANG Y ， et al . An Improved MAE-Based Pretraining Method for Urban Public Space Monitoring with Optical Remote Sensing Imagery ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2025 ， 18 ： 16929 - 16941 .

王少华，谢幸，李勇，等 . 2024年中国空间数据智能战略发展白皮书［EB/OL］. ［ 2024-07-25 ］. https：//higisx.github.io/zh/news/20240524.html https://higisx.github.io/zh/news/20240524.html .

WANG Shaohua ， XIE Xing ， LI Yong ， et al . White Paper on Strategic Development of Spatial Data Intelligence in China （ 2024 ）［EB/OL］. ［ 2024-07-25 ］. https：//higisx.github.io/zh/news/20240524.html https://higisx.github.io/zh/news/20240524.html .

ZHANG W J ， HAN J D ， XU Z ， et al . Towards Urban General Intelligence： A Review and Outlook of Urban Foundation Models ［PP/OL］. V2.arXiv （ 2025-01-05 ）［ 2025-12-28 ］. https：//arxiv.org/abs/2402.01749 https://arxiv.org/abs/2402.01749 .

FENG J ， ZENG J W ， LONG Q Y ， et al . A Survey of Large Language Model-Powered Spatial Intelligence Across Scales： Advances in Embodied Agents， Smart Cities， and Earth Science ［PP /OL］. arXiv （ 2025-04-14 ）［ 2025-11-22 ］. https：//arxiv.org/abs/2504.09848 https://arxiv.org/abs/2504.09848 .

LIANG Y B ， LIU Y C ， WANG X H ， et al . Exploring Large Language Models for Human Mobility Prediction Under Public Events ［J］. Computers， Environment and Urban Systems ， 2024 ， 112 ： 102153 .

JIANG R H ， KOSHIZUKA N ， ONIZUKA M ， et al . Large Language Models as Urban Residents： An LLM Agent Framework for Personal Mobility Generation ［C］// Advances in Neural Information Processing Systems 37 ， Vancouver， Canada ， 2024 .

DU Y W ， FENG J ， YUAN J ， et al . CAMS： A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation ［PP/OL］. arXiv （ 2025-06-16 ）［ 2025-12-28 ］. https：//arxiv.org/abs/2506.13599 https://arxiv.org/abs/2506.13599 .

FENG J ， DU Y W ， ZHAO J ， et al . AgentMove： A Large Language Model Based Agentic Framework for Zero-Shot Next Location Prediction ［PP/OL］. V2.arXiv （ 2025-02-09 ）［ 2025-12-28 ］. https：//arxiv.org/abs/2408.13986 https://arxiv.org/abs/2408.13986 .

SHAO C ， XU F ， FAN B ， et al . Beyond Imitation： Generating Human Mobility from Context-Aware Reasoning with Large Language Models ［PP/OL］. V2.arXiv （ 2024-06-05 ）［ 2025-06-28 ］. http：//arxiv.org/abs/2402.09836 http://arxiv.org/abs/2402.09836 .

MANSOURIAN A ， OUCHEIKH R . ChatGeoAI： Enabling Geospatial Analysis for Public Through Natural Language， with Large Language Models ［J］. ISPRS International Journal of Geo-Information ， 2024 ， 13 （ 10 ）： 348 .

LI Z H ， XIA L H ， TANG J B ， et al . UrbanGPT： Spatiotemporal Large Language Models ［PP/OL］. V3.arXiv （ 2024-03-19 ）［ 2025-06-28 ］. https：//arxiv.org/abs/2403.00813 https://arxiv.org/abs/2403.00813

LI Z H ， XIA L ， SHI L ， et al . OpenCity： Open Spatiotemporal Foundation Models for Traffic Prediction ［PP/OL］. V1.arXiv （ 2024-08-16 ）［ 2025-12-25 ］. https：//doi.org/10.1145/3773912 https://doi.org/10.1145/3773912 .

FENG J ， LIU T H ， DU Y W ， et al . CityGPT： Empowering Urban Spatial Cognition of Large Language Models ［C］// The 31st ACM SIGKDD Conference on Knowledge Discovery and Data Minin ， Toronto， Canada ， 2025 .

HUANG W M ， WANG J ， CONG G . Zero-Shot Urban Function Inference with Street View Images Through Prompting a Pretrained Vision-Language Model ［J］. International Journal of Geographical Information Science ， 2024 ， 38 （ 7 ）： 1414 - 1442 .

MANVI R ， KHANNA S ， MAI G C ， et al . GeoLLM： Extracting Geospatial Knowledge from Large Language Models ［PP/OL］. V2.arXiv （ 2024-02-24 ）［ 2026-09-25 ］. https：//arxiv.org/abs/2310.06213 https://arxiv.org/abs/2310.06213 .

ZHANG Y F ， WANG Z Y ， HE Z T ， et al . BB-GeoGPT： A Framework for Learning a Large Language Model for Geographic Information Science ［J］. Information Processing & Management ， 2024 ， 61 （ 5 ）： 103808 .

KUCKREJA K ， DANISH M S ， NASEER M ， et al . GeoChat： Grounded Large Vision-Language Model for Remote Sensing ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Seattle， WA， USA， 2024 .

LI L ， YE Y ， ZHOU Y ， et al . GeoReasoner： Geo-Localization with Reasoning in Street Views Using a Large Vision-Language Model ［PP/OL］. V4.arXiv （ 2025-11-22 ）［ 2025-12-23 ］. https：//arxiv.org/abs/2406.18572 https://arxiv.org/abs/2406.18572 .

ROBERTS J ， LÜDDECKE T ， DAS S ， et al . GPT4GEO： How a Language Model Sees the World’s Geography ［PP/OL］. arXiv （ 2023-03-30 ）［ 2025-10-20 ］. https：//arxiv.org/abs/2306.00020 https://arxiv.org/abs/2306.00020 .

TAN C J ， CAO Q ， LI Y W ， et al . On the Promises and Challenges of Multimodal Foundation Models for Geographical， Environmental， Agricultural， and Urban Planning Applications ［PP/OL］. arXiv （ 2023-11-23 ）［ 2025-07-21 ］. https：//arxiv.org/abs/2312.17016 https://arxiv.org/abs/2312.17016 .

XU L C ， ZHAO S ， LIN Q M ， et al . Evaluating Large Language Models on Spatial Tasks： A Multi-task Benchmarking Study ［PP/OL］. V4.arXiv （ 2025-01-03 ）［ 2025-07-21 ］. https：//arxiv.org/abs/2408.14438 https://arxiv.org/abs/2408.14438 .

JI Y H ， GAO S ， NIE Y ， et al . Foundation Models for Geospatial Reasoning： Assessing the Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations ［J］. International Journal of Geographical Information Science ， 2025 ， 39 （ 9 ）： 1866 - 1903 .

ROBERTS J ， LÜDDECKE T ， SHEIKH R ， et al . Charting New Territories： Exploring the Geographic and Geospatial Capabilities of Multi-modal LLMS ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops ， Seattle， WA， USA， 2024 .

MAI G C ， HUANG W M ， SUN J ， et al . On the Opportunities and Challenges of Foundation Models for Geospatial Artificial Intelligence ［PP/OL］. arXiv （ 2023-04-13 ）［ 2025-12-24 ］. https：//arxiv.org/abs/2304.06798 https://arxiv.org/abs/2304.06798 .

FENG J ， ZHANG J ， LIU T H ， et al . CityBench： Evaluating the Capabilities of Large Language Models for Urban Tasks ［PP/OL］. V3.arXiv （ 2025-03-31 ）［ 2025-11-21 ］. https：//arxiv.org/abs/2406.13945 https://arxiv.org/abs/2406.13945 .

KRECHETOVA V ， KOCHEDYKOV D . GeoBenchX： Benchmarking LLMS in Agent Solving Multistep Geospatial Tasks ［PP/OL］. V2.arXiv （ 2025-10-22 ）［ 2025-12-25 ］. https：//arxiv.org/abs/2503.18129 https://arxiv.org/abs/2503.18129

MOONEY P ， CUI W C ， GUAN B Y ， et al . Towards Understanding the Geospatial Skills of ChatGPT： Taking a Geographic Information Systems （GIS） Exam ［C］// The 6th ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery ， Hamburg，Germany ， 2023 .

MANVI R ， KHANNA S ， BURKE M ， et al . Large Language Models Are Geographically Biased ［C］// The 41st International Conference on Machine Learning ， Vienna， Austria ， 2024 .

ZHANG Q H ， GAO S ， WEI C ， et al . GeoAnalystBench： A GeoAI Benchmark for Assessing Large Language Models for Spatial Analysis Workflow and Code Generation ［PP/OL］. arXiv （ 2025-09-07 ）［ 2025-11-21 ］. https：//arxiv.org/abs/2509.05881 https://arxiv.org/abs/2509.05881 .

ZHANG Y F ， WEI C ， WU S Y ， et al . GeoGPT： Understanding and Processing Geospatial Tasks Through an Autonomous GPT ［PP/OL］. arXiv （ 2023-07-16 ）［ 2025-07-26 ］. https：//arxiv.org/abs/2307.07930 https://arxiv.org/abs/2307.07930 .

CHEN Y X ， WANG W J ， LOBRY S ， et al . An LLM Agent for Automatic Geospatial Data Analysis ［PP/OL］. V2.arXiv （ 2024-10-25 ）［ 2025-12-25 ］. https：//doi.org/10.48550/arXiv.2410.18792 https://doi.org/10.48550/arXiv.2410.18792 .

DU Y W ， FENG J ， ZHAO J ， et al . TrajAgent： An LLM-Agent Framework for Trajectory Modeling via Large-and-Small Model Collaboration ［PP/OL］. V5.arXiv （ 2025-10-28 ）［ 2025-12-25 ］. https：//doi.org/10.48550/arXiv.2410.20445 https://doi.org/10.48550/arXiv.2410.20445 .

ZHANG Y F ， HE Z T ， LI J X ， et al . MapGPT： An Autonomous Framework for Mapping by Integrating Large Language Model and Cartographic Tools ［J］. Cartography and Geographic Information Science ， 2024 ， 51 （ 6 ）： 717 - 743 .

GUO T C ， CHEN X Y ， WANG Y Q ， et al . Large Language Model Based Multi-agents： A Survey of Progress and Challenges ［PP/OL］. V2.arXiv （ 2024-04-19 ）［ 2025-12-23 ］. https：//doi.org/10.48550/arXiv.2402.01680 https://doi.org/10.48550/arXiv.2402.01680 .

DESHPANDE R ， VIJAY PATEL S ， WEIJENBERG C ， et al . Generative Pre-trained Transformers for 15-Minute City Design ［C］// The 28th Conference on Computer Aided Architectural Design Research in Asia ， Hong Kong，China ， 2023 .

ZHU H ， ZHANG W J ， HUANG N X ， et al . PlanGPT： Enhancing Urban Planning with Tailored Language Model and Efficient Retrieval ［PP/OL］. arXiv （ 2024-02-29 ）［ 2025-11-20 ］. https：//arxiv.org/abs/2402.19273 https://arxiv.org/abs/2402.19273 .

ZHOU Z L ， LIN Y M ， JIN D P ， et al . Large Language Model for Participatory Urban Planning ［PP/OL］. arXiv （ 2024-02-27 ）［ 2025-06-15 ］. https：//arxiv.org/abs/2402.17161 https://arxiv.org/abs/2402.17161 .

QIAN K J ， MAO L J ， LIANG X ， et al . AI Agent as Urban Planner： Steering Stakeholder Dynamics in Urban Planning via Consensus-Based Multi-agent Reinforcement Learning ［PP/OL］. V2.arXiv （ 2023-11-09 ）［ 2025-11-20 ］. https：//arxiv.org/abs/2310.16772 https://arxiv.org/abs/2310.16772 .

KALYUZHNAYA A ， MITYAGIN S ， LUTSENKO E ， et al . LLM Agents for Smart City Management： Enhancing Decision Support Through Multi-agent AI Systems ［J］. Smart Cities ， 2025 ， 8 （ 1 ）： 19 .

WANG S Q ， HU T ， XIAO H ， et al . GPT， Large Language Models （LLMS） and Generative Artificial Intelligence （GAI） Models in Geospatial Science： A Systematic Review ［J］. International Journal of Digital Earth ， 2024 ， 17 （ 1 ）： 2353122 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Advances in Artificial Intelligence-Driven Modeling， Prediction， and Applications of GNSS Atmospheric Effects

Thoughts on Smart Nautical Charts

Current Status and Trends of Artificial Intelligence Geodesy

Construction Method of Knowledge Graph for Summer Navigability Assessment of Arctic Passage

A Brushstroke Style Transfer Method from Painting to Map

Related Author

LOU Yidong

BI Haohang

LIU Mengjie

ZHANG Weixing

LUO Xiaomin

REN Xiaodong

ZHANG Zhenyi

ZHOU Yaozong

Related Institution

Institute of Geodesy and Photogrammetry, Eidgenössische Technische Hochschule Zürich, Zürich

School of Geography and Information Engineering, China University of Geosciences

School of Surveying and Mapping, Wuhan University

Hubei Luojia Laboratory

GNSS Research Center, Wuhan University

AI问答

⁰