OSMNX转PyTorch Geometric报错：Could not infer dtype of Point及TGCN训练问题

报错原因 #

Could not infer dtype of Point 是因为你的NetworkX图里还保留着节点/边的geometry字段——也就是GeoPandas的Point/LineString类型对象，PyTorch Geometric（PyG）无法将这类非数值的几何类型转换成张量，必须先做清理或转换处理。

一、将OSMNX图转为PyG格式 #

1. 清理地理属性（必做） #

先删除节点和边中的geometry字段，只保留你需要的数值特征：

import networkx as nx

# 批量删除节点的geometry属性
nx.set_node_attributes(new_graph, {n: {} for n in new_graph.nodes()}, 'geometry')
new_graph.remove_node_attributes('geometry')

# 批量删除边的geometry属性（OSMNX生成的是多重图，需带keys=True）
nx.set_edge_attributes(new_graph, {(u, v, k): {} for u, v, k in new_graph.edges(keys=True)}, 'geometry')
new_graph.remove_edge_attributes('geometry')

2. 执行转换 #

清理完成后，再用from_networkx转换并指定要保留的特征：

import torch
from torch_geometric.utils.convert import from_networkx

pyg_graph = from_networkx(new_graph, 
                          group_node_attrs=["street_count"], 
                          group_edge_attrs=["length"])
print(pyg_graph)

可选：保留地理坐标作为节点特征 #

如果需要用到地理位置信息，可以把Point的x、y坐标提取为数值属性：

# 给节点添加坐标属性并删除原geometry
for node in new_graph.nodes(data=True):
    if 'geometry' in node[1]:
        node[1]['x_coord'] = node[1]['geometry'].x
        node[1]['y_coord'] = node[1]['geometry'].y
        del node[1]['geometry']

# 转换时包含坐标特征
pyg_graph = from_networkx(new_graph, 
                          group_node_attrs=["street_count", "x_coord", "y_coord"], 
                          group_edge_attrs=["length"])

二、基于PyG开展TGCN训练 #

转成PyG格式后，可使用TGCNConv层构建模型，以下是一个基础的交通预测训练示例：

import torch.nn.functional as F
from torch_geometric.nn import TGCNConv

class TGCNModel(torch.nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super().__init__()
        self.tgcn1 = TGCNConv(in_channels, hidden_channels)
        self.tgcn2 = TGCNConv(hidden_channels, out_channels)

    def forward(self, x, edge_index):
        x = F.relu(self.tgcn1(x, edge_index))
        x = self.tgcn2(x, edge_index)
        return x

# 初始化模型（假设输入特征维度为1，比如单维度交通流量）
model = TGCNModel(in_channels=1, hidden_channels=64, out_channels=1)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练循环示例
for epoch in range(100):
    model.train()
    optimizer.zero_grad()
    # x为当前时间步的节点特征，shape: [节点数, 输入特征维度]
    out = model(x, pyg_graph.edge_index)
    # 计算MSE损失（根据你的任务调整损失函数）
    loss = F.mse_loss(out, y_true)
    loss.backward()
    optimizer.step()
    print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}')

内容的提问来源于stack exchange，提问作者Wenyao Leo