RTSKG

RTSKG是首个轨道交通站点知识图谱数据集，由东南大学构建，旨在显式建模城市实体间的空间与语义交互。数据集包含纽约和芝加哥两个城市的子图，整合了轨道交通站点、线路、出入口、行政区划、道路及兴趣点等异构数据，涵盖约数十万实体与关系。其构建过程包括从开放数据平台收集原始数据，设计统一本体，并利用GeoPandas进行事实抽取。该数据集主要应用于站点周边商店推荐和知识增强的客流量预测等城市级任务，以解决传统方法忽略实体间复杂交互的问题。RTSKG is the first knowledge graph dataset for rail transit stations, constructed by Southeast University, which aims to explicitly model the spatial and semantic interactions between urban entities. The dataset includes subgraphs for two cities, New York and Chicago, integrating heterogeneous data such as rail transit stations, lines, entrances and exits, administrative divisions, road networks, and points of interest (POIs), covering approximately hundreds of thousands of entities and relationships. Its construction process involves collecting raw data from open data platforms, designing a unified ontology, and conducting fact extraction using GeoPandas. This dataset is primarily applied to urban-level tasks including nearby store recommendation around transit stations and knowledge-enhanced passenger flow prediction, to address the problem that traditional methods overlook the complex interactions between entities.

原始信息汇总

RTSKG：轨道交通站点知识图谱数据集

数据集概述

RTSKG（Rail Transit Station Knowledge Graph）是一个面向轨道交通站点领域的知识图谱数据集，旨在支持城市分析相关的研究与应用。数据集整合了轨道交通线路、站点、兴趣点（POI）、城市街区、道路和功能区等多类城市数据。

项目结构

模块	说明
ontology/	本体定义文件（ontology.owl）
new_york_city/	纽约市实例数据
chicago/	芝加哥实例数据
code/	RTSKG源码
dataset_metadata.ttl	数据集元数据（VoID、DCAT、Dublin Core）
source/	源数据集描述（DCAT/Dublin Core；PROV-O溯源目标）
docs/	文档（含Widoco生成文件）和图像
queries/	示例SPARQL查询

命名空间标识

• 本体IRI：https://w3id.org/rtskg/ontology
• 类：https://w3id.org/rtskg/ontology/class/
• 属性（数据属性）：https://w3id.org/rtskg/ontology/dataproperty/
• 关系（对象属性）：https://w3id.org/rtskg/ontology/objectproperty/
• 纽约市实例：https://w3id.org/rtskg/new_york_city/instance/
• 芝加哥实例：https://w3id.org/rtskg/chicago/instance/

数据可用性

RDF转储文件已归档于Zenodo，可通过以下链接获取：https://zenodo.org/records/21778005

能力问题覆盖

RTSKG围绕10个核心能力问题（CQ）进行构建，涵盖以下城市分析需求：

1. 线路与站点关系：查询线路服务的站点及站点所属线路
2. 步行可达性：识别站点5分钟或10分钟步行范围内的POI
3. 主导POI类别：确定站点区域内的主导POI类别
4. 街区土地利用混合度：分析城市街区内POI类别的多样性与分布
5. 跨功能区道路：识别穿越多个功能区、连接城市不同区域的道路
6. 功能区道路网络特征：统计功能区内各道路类别的数量
7. 功能区轨道交通服务覆盖：查询覆盖功能区的站点数量及其所属行政区
8. 相邻功能区比较：判断相邻功能区的POI主导类别相似性
9. 线路沿线街区覆盖：获取线路站点区域覆盖的街区集合
10. 线路功能组成模式：分析沿线路各站点的POI类别分布及功能组成变化

对应的示例SPARQL查询见 queries/competency_questions.md。

可持续性与维护

• 采用持久的、可解析的w3id.org标识符
• RDF数据文件归档于Zenodo
• 代码和文档托管于GitHub
• 每个发布版本均标注owl:versionInfo
• 由RTSKG核心开发团队维护，负责数据纠错、质量保障及资源更新
• 欢迎通过GitHub issues和pull requests提供社区反馈

许可协议

• 数据资源：CC BY-SA 4.0许可证（见LICENSE_DATA）
• 源代码：Apache License 2.0（见LICENSE_CODE）

搜集汇总

数据集介绍

构建方式

RTSKG的构建遵循了一套严谨的知识图谱构建流程。首先，针对纽约市和芝加哥两座都市，系统性地收集了四类城市数据：轨道交通数据（含站点、线路及出入口）、行政区划数据（包含行政区和功能区）、道路数据（涵盖路段、道路分类及路基）以及兴趣点数据。随后，基于领域需求设计了一个统一的本体作为图谱模式，定义了十大类和十九种关系，涵盖地理定位、地理邻接、地理相交及非地理关系等类型。利用GeoPandas对异构数据进行处理，通过空间运算提取实体与关系，特别是基于等时线区域构建站点影响区，并定义了城市街区。最终，整合所有事实三元组，形成分别针对纽约市和芝加哥的子知识图谱，并发布为可链接的开放数据。

特点

RTSKG作为首个轨道交通站点知识图谱数据集，其核心特点在于显式建模了城市实体间的空间与语义交互。该图谱不仅整合了轨道交通站点、线路、行政区、功能区、路段、街区、兴趣点及其类别等多元实体，而且通过自定义本体精心设计了四类关系，尤其突出了地理定位、邻接与相交等空间关系，有效捕捉了站点之间、站点与周边区域之间的相互影响。此外，RTSKG在纽约市和芝加哥分别构建了大规模子图，包含数十万实例与上百万关系三元组，为城市级轨道交通分析提供了丰富的数据基础。其开放性与可扩展性也使之成为城市计算研究的重要资源。

使用方法

RTSKG可广泛应用于多项城市级轨道交通站点相关任务。在站域商店推荐中，可将其视为链路预测任务，利用知识图谱嵌入（如GIE模型）学习实体与关系表示，预测兴趣点类别，助力站点周边商业发展评估。在知识增强的客流预测中，可将RTSKG嵌入作为外部知识特征，与传统时空预测模型（如STGCN、ASTGCN）结合，提升预测精度；亦可与大型语言模型协同，通过将图谱三元组语义化并检索相关事实，增强提示信息，实现更精准的知识增强预测。该数据集为城市交通分析、智慧城市应用及跨学科研究提供了强有力的数据支撑。

背景与挑战

背景概述

轨道交通系统作为城市公共交通的支柱，对缓解交通拥堵和促进经济发展具有举足轻重的作用。然而，传统研究多依赖人工收集的小规模数据，难以捕捉城市范围内站点间的复杂关联。东南大学的研究团队于2026年构建了RTSKG，即首个轨道交通站点知识图谱数据集，旨在显式建模站点、道路、兴趣点等异构城市实体间的空间与语义交互。该数据集覆盖纽约与芝加哥两座都市，整合多源异构数据，并设计了统一本体，为站点周边商业推荐及客流预测等城市级任务提供了高效的数据支撑，推动了知识图谱在轨道交通分析领域的应用与拓展。

当前挑战

RTSKG面临的挑战颇具深度。在领域层面，城市级轨道交通站点任务需应对大规模异构数据带来的整合难题，传统研究常忽略站点间客流相互影响等复杂交互关系，而RTSKG需精准刻画这些空间与语义联系，以支持如客流预测等任务。在构建层面，需从多源数据中提取实体与关系，设计统一schema，并处理数据格式差异、空间关系计算复杂等问题，确保知识图谱的质量与可扩展性，同时还要在知识增强的客流预测中，与现有城市知识图谱相比展现更优效果，这无疑对数据精度和模型适配性提出了更高要求。

常用场景

经典使用场景

RTSKG作为首个轨道交通站点知识图谱数据集，其经典使用场景集中在城市级轨道交通站点分析与相关预测任务。该数据集通过统一的模式整合了轨道交通站点、线路、道路、街区、兴趣点等异构城市实体，并显式建模了它们之间的空间与语义交互，为站点客流预测、站点周边商业推荐、城市规划与交通管理提供了结构化的数据基础。研究者可利用此数据集进行知识图谱嵌入学习，或将其作为外部知识增强时空预测模型，从而提升对站点动态与城市功能的理解。

实际应用

在实际应用中，RTSKG可直接服务于城市交通管理部门与商业规划机构。例如，在站点周边商业布局中，利用该数据集进行站域商店推荐，可辅助商家识别最佳选址，优化资源配置；在公共交通运营中，基于知识增强的客流预测能帮助运营方提前调整运力，缓解高峰拥堵。此外，该数据集还可用于智能问答系统，为乘客提供站点信息与出行建议，促进城市交通的智能化与精细化治理。

衍生相关工作

RTSKG的发布催生了一系列后续研究。在知识图谱嵌入方面，研究者采用如GIE等模型对其结构进行学习，验证了混合空间嵌入的有效性；在时空预测方面，UUKG、HUSK等城市知识图谱被扩展用于对比实验，推动了知识增强型预测模型的发展。同时，该数据集还启发了将大语言模型与知识图谱结合的新范式，例如通过检索增强生成进行客流预测，为城市计算领域提供了新的研究思路与基准资源。