传统的空间分析方法未能捕捉到塑造大都市地区移民定居模式的复杂互动。本研究引入了一种新颖的深度学习框架，将空间高斯-伯努利 DBN 与 GraphSAGE 相结合，以分析多民族定居模式。所提出的两阶段方法通过首先通过空间约束的无监督学习提取潜在特征，然后沿街道网络应用基于图的预测，解决了 GNN 对高维数据的局限性。使用多伦多数据（2001-2021年，3,741 区域，401 个普查特征），该框架对伊朗（R² = 0.953）、中国（R² = 0.989）和印度（R² = 0.987）社区的准确性极高——显著优于传统方法（R² = 0.382）和标准深度学习（R² = 0.885）。该框架揭示了三种不同的定居机制：以商业为中心的飞地、教育-交通走廊和分布式多核模式。本研究表明，街道网络拓扑而非欧几里得距离支配着定居扩散，验证了基于可达性的城市理论。特征重要性演变展示了普遍需求如何专业化为民族偏好——伊朗人的商业（0.15→0.30）、中国人的教育（0.16→0.30）和印度人的增长动态（0.17→0.27）。这一可解释、可转移的框架建立了一种新范式，其中领域知识增强了机器学习在城市人口模型中的应用。
Moghaddam 等（周二）研究了这个问题。