Dans cet article, nous proposons un nouveau cadre d'apprentissage des représentations de régions urbaines, GURPP (Graph-based Urban Region Pre-training and Prompting), important pour diverses sous-tâches urbaines. Soulignant que les études précédentes ne tenaient pas suffisamment compte de la sémantique fine de la disposition fonctionnelle des régions urbaines et de la faible adaptabilité des tâches, GURPP construit un graphe de régions urbaines et capture des modèles hétérogènes et transférables d'interactions d'entités grâce à un modèle de pré-apprentissage centré sur les sous-graphes. Nous pré-entraînons les intégrations de régions avec des connaissances riches en utilisant l'apprentissage contrastif et l'apprentissage multi-vues, et améliorons l'adaptabilité des intégrations grâce à des invites définies manuellement et des invites apprenables. Nous démontrons les performances supérieures de GURPP par des expériences sur diverses tâches de prédiction de régions urbaines et de villes.
