All Issue

2026 Vol.61, Issue 3 Preview Page

Research Article

Graph Transformer-Based Representation Learning and Spatially Constrained Clustering: A Regionalization Study of the Seoul Metropolitan Area

그래프 트랜스포머 기반 표현학습과 연접성 제약 클러스터링 기법을 활용한 수도권 지역화 연구

Hyemin Jeona
,
Sang-Il Leeb*
전 혜민a
,
이 상일b*
aMA, Department of Geography Education, Seoul National University
bProfessor, Department of Geography Education, Seoul National University
a서울대학교 지리교육과 석사
b서울대학교 지리교육과 교수
*Corresponding Author
30 June 2026. pp. 432-451
PDF XML Citation
Abstract

This study proposes an integrated regionalization framework that combines graph transformer-based representation learning with spatially constrained clustering and applies it to 1,125 eup, myeon, and dong units in the Seoul metropolitan area as of 2020. Previous regionalization studies have largely followed two separate approaches: homogeneous regionalization based on socioeconomic attributes and functional regionalization based on spatial interactions such as migration flows. To integrate these approaches, this study constructs a geographical graph in which spatial units are represented as nodes and interregional migration flows as edges. A graph transformer is then used to learn regional representation vectors that integrate socioeconomic attributes, migration relationships, graph structure, and geographical location. The learned vectors are subsequently used as input for the SKATER algorithm to derive spatially contiguous regions. To evaluate cluster validity, this study employed global self-containment and SCSA-based compactness and separation measures. The results identified k=8, k=13 and k=20 as major candidate solutions. The k=8 solution revealed broad subregional structures of the metropolitan area and the independent role of the Gangnam business district. The k=13 solution further distinguished areas such as the northern border region, the central western island region, and the southern new-town region of Seoul. The k=20 solution captured a more detailed structure, including the tripartite division of Seoul, the independence of Dongtan, and the distinctive characteristics of the northwestern island region. These results suggest that the proposed framework can incorporate both homogeneous similarities and functional cohesion while deriving spatially contiguous regions that reveal the multi-layered regional structure of the Seoul metropolitan area. In this respect, this study provides a rare example of applying graph transformer-based representation learning to regionalization and demonstrates its potential for extending GeoAI-based regional structure analysis.

Keywords
Graph Transformer
Regional Representation Learning
Spatially Constrained Clustering
SKATER
Deep Graph Infomax
Regionalization
Seoul Metropolitan Area
GeoAI

본 연구는 그래프 트랜스포머 기반 표현학습과 연접성 제약 클러스터링을 결합한 통합적 지역화 프레임워크를 제안하고, 이를 2020년 수도권 1,125개 읍면동 자료에 적용하였다. 기존 지역화 연구는 사회･경제적 속성에 기초한 등질지역 접근과 인구 이동 등 공간적 상호작용에 기초한 기능지역 접근으로 나뉘어 발전해 왔으나, 두 접근은 입력 데이터의 구조가 달라 통합적으로 활용되기 어려웠다. 본 연구는 공간 단위를 노드로, 지역 간 인구 이동을 엣지로 하는 지리적 그래프를 구성하고, 그래프 트랜스포머를 통해 각 지역의 사회･경제적 속성, 인구 이동 관계, 그래프 구조 및 지리적 위치를 통합한 지역 표현 벡터를 생성하였다. 이후 이 벡터를 SKATER 알고리즘에 투입하여 공간적 연접성을 만족하는 지역화 결과를 도출하였다. 클러스터 유효도 평가를 위해 전역적 자족도와 SCSA 기반 응집도･분리도 평가를 적용한 결과, k=8, k=13, k=20이 주요 후보로 도출되었다. k=8에서는 수도권의 광역적 하위 권역과 강남 업무지구의 독립성이 확인되었고, k=13에서는 북한 연접 지역, 서해 중부 도서 지역, 서울 남부 신도시 지역 등이 분화되었다. k=20에서는 서울 내부의 삼분 구조, 동탄의 독립성, 서해 북단 도서지역의 특수성이 보다 세밀하게 드러났다. 이러한 결과는 제안된 프레임워크가 등질지역적 유사성과 기능지역적 결속성을 함께 고려하면서, 수도권의 다층적 지역 구조를 공간적으로 연속된 권역으로 도출할 수 있음을 보여준다. 또한 본 연구는 그래프 트랜스포머를 지역화 문제에 적용한 국내외적으로 드문 사례로서, GeoAI 기반 지역 구조 분석의 방법론적 확장 가능성을 제시한다.

키워드
그래프 트랜스포머
지역 표현학습
연접성 제약 클러스터링
SKATER
딥 그래프 인포맥스
지역화
수도권
GeoAI
References
1

강영옥, 2023, “GeoAI 활용 분야와 연구 동향,” 대한지리학회지, 58(4), 395-418.

10.22776/kgs.2023.58.4.395
2

구형모, 2010, Delineating Spatially Constrained Commuting Zones with an Improved Measurement for Functional Regionalization, 서울대학교 석사학위논문.

3

김을식･최석현･조무상, 2015, “기능지역(functional area) 개념을 활용한 지역고용 정책권역 설정에 관한 연구-수도권 지역을 중심으로,” 한국거버넌스학회보, 22(3), 189-215.

10.17089/kgr.2015.22.3.009
4

남영우, 2015, 도시공간구조론, 제2판, 법문사, 서울.

5

손승호, 2004a, 사회･경제적 속성과 공간상호작용으로 본 서울시의 지역구조, 고려대학교 박사학위논문.

6

손승호, 2004b, “서울시 등질지역과 기능지역의 구조 분석,” 대한지리학회지, 39(4), 562-584.

10.22776/kgs.2004.39.4.562
7

손승호, 2014, “서울대도시권 인구이동장의 사회, 경제적 속성,” 한국도시지리학회지, 17(1), 125-138.

8

손승호, 2018, “신도시 개발에 따른 화성시의 사회･경제적 공간재구조화,” 대한지리학회지, 53(6), 847-862.

10.22776/kgs.2018.53.6.847
9

송민경･장훈, 2010, “군집분석을 이용한 수도권 도시의 유형화에 관한 연구,” 대한공간정보학회지, 18(1), 83-88.

10

신정엽, 2007, “도시내부구조의 생태적 접근방법과 도시지역선정 연구의 재조명,” 지리교육논집, 51, 27-41.

11

윤택림, 2017, “신도시의 지역성을 찾아서: 동탄 신도시 사례 연구,” 구술사연구, 8(1), 11-57.

12

이몽현, 2012, Multivariate Spatial Cluster Analysis Using Mahalanobis Distance, 서울대학교 석사학위논문.

13

이상일, 2012, “공간적 상호작용론의 본질과 연구 영역: 인문지리학에 대한 통섭적 접근,” 한국지리학회지, 1(1), 137-151.

10.25202/JAKG.1.1.11
14

이상일･김감영･제갈영, 2012, “지오컴퓨테이션 접근에 의한 주택시장지역의 설정: 우리나라 수도권에의 적용,” 한국도시지리학회지, 15(3), 59-75.

15

이상일･김현미, 2021, “인구이동 플로의 연령-특수적 패턴 분석을 위한 방법론 연구-우리나라 시군구 단위 인구이동에의 적용,” 대한지리학회지, 56(5), 537-550.

10.22776/kgs.2021.56.5.537
16

이상일･이몽현, 2020, “무작위합역 절차의 다양성에 대한 시뮬레이션 연구,” 한국지도학회지, 20(3), 93-107.

10.16879/jkca.2020.20.3.093
17

이상일･이소영, 2021, “인구이동 플로의 지리적 시각화를 위한 개념적 명료화: 우리나라 2020년 인구이동에 대한 주제도 제작,” 한국지도학회지, 21(3), 23-42.

10.16879/jkca.2021.21.3.023
18

이상일･이소영, 2023, “인구이동이 인구재분포에 미치는 영향력의 시공간적 역동성 탐색: 우리나라 국내 인구이동에의 적용,” 한국지도학회지, 23(1), 1-19.

10.16879/jkca.2023.23.1.001
19

이상일･조대헌, 2024, “우리나라 인구이동 데이터의 다양성과 상호보완성에 관한 연구-주민등록과 등록센서스 데이터의 비교를 중심으로,” 대한지리학회지, 59(4), 487-504.

20

이소영･배민철･주희선, 2023, “모바일 생활 통행데이터를 활용한 일간 인구이동 패턴 및 영향요인 분석: 경상남도의 직장인구와 방문인구 비교를 중심으로,” Journal of Korea Planning Association, 58(2), 5-21.

10.17208/jkpa.2023.04.58.2.5
21

이재건･이건학, 2022, “코로나 19에 따른 도시 내 인구 이동 변화 탐색-서울시 생활이동 데이터에 기반한 통근 패턴을 중심으로,” 한국도시지리학회지, 25(2), 15-32.

10.21189/JKUGS.25.2.2
22

전혜민, 2025, 그래프 트랜스포머 기반 표현학습과 연접성 제약 클러스터링을 활용한 수도권 지역화 연구, 서울대학교 석사학위논문.

23

제갈영, 2012, Delineating Housing Market Areas in the Seoul Metropolitan Area Using a Geo-computational Approach, 서울대학교 석사학위논문.

24

제갈영, 2013, “지오컴퓨테이션 접근에 기반한 수도권의 주택시장지역 설정,” 한국지리학회지, 2(1), 7-20.

10.25202/JAKG.2.1.2
25

한국도시지리학회, 2020, 도시지리학개론, 법문사, 서울.

26

Alastal, A. I. and Shaqfa, A. H., 2022, GeoAI technologies and their application areas in urban planning and development: Concepts, opportunities and challenges in smart city (Kuwait, study case), Journal of Data Analysis and Information Processing, 10(2), 110-126.

10.4236/jdaip.2022.102007
27

Aydin, O., Janikas, M. V., Assunçao, R. and Lee, T.-H., 2018, SKATER-CON: Unsupervised regionalization via stochastic tree partitioning within a consensus framework using random spanning trees, Proceedings of the 2nd ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery, Seattle, November 6, 33-42.

10.1145/3281548.3281554
28

Aydin, O., Janikas, M. V., Assunção, R. M. and Lee, T.-H., 2021, A quantitative comparison of regionalization methods, International Journal of Geographical Information Science, 35(11), 2287-2315.

10.1080/13658816.2021.1905819
29

Assunção, R. M., Neves, M. C., Câmara, G. and da Costa Freitas, C., 2006, Efficient regionalization techniques for socio‐economic geographical units using minimum spanning trees, International Journal of Geographical Information Science, 20(7), 797-811.

10.1080/13658810600665111
30

Bahdanau, D., Cho, K. and Bengio, Y., 2014, Neural machine translation by jointly learning to align and translate, arXiv Preprint, arXiv:1409.0473.

31

Bengio, Y., Courville, A. and Vincent, P., 2013, Representation learning: A review and new perspectives, IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798-1828.

10.1109/TPAMI.2013.50
32

Chen, F., Wang, Y.-C., Wang, B. and Kuo, C.-C. J., 2020, Graph representation learning: A survey, APSIPA Transactions on Signal and Information Processing, 9, e15.

10.1017/ATSIP.2020.13
33

Chen, Y., Liu, Q., Yang, J., Cheng, X. and Deng, M., 2024, Spatially constrained statistical approach for determining the optimal number of regions in regionalization, International Journal of Geographical Information Science, 38(10), 2108-2147.

10.1080/13658816.2024.2372779
34

Duque, J. C., Anselin, L. and Rey, S. J., 2012, The max‐p‐regions problem, Journal of Regional Science, 52(3), 397-419.

10.1111/j.1467-9787.2011.00743.x
35

Duque, J. C., Ramos, R. and Suriñach, J., 2007, Supervised regionalization methods: A survey, International Regional Science Review, 30(3), 195-220.

10.1177/0160017607301605
36

Dwivedi, V. P. and Bresson, X., 2020, A generalization of transformer networks to graphs, arXiv Preprint, arXiv:2012.09699.

37

Grekousis, G., 2019, Artificial neural networks and deep learning in urban geography: A systematic review and meta-analysis, Computers, Environment and Urban Systems, 74, 244-256.

10.1016/j.compenvurbsys.2018.10.008
38

Guo, D., 2008, Regionalization with dynamically constrained agglomerative clustering and partitioning (REDCAP), International Journal of Geographical Information Science, 22(7), 801-823.

10.1080/13658810701674970
39

Guo, D., 2009, Flow mapping and multivariate visualization of large spatial interaction data, IEEE Transactions on Visualization and Computer Graphics, 15(6), 1041-1048.

10.1109/TVCG.2009.143
40

Halkidi, M., Batistakis, Y. and Vazirgiannis, M., 2001, On clustering validation techniques, Journal of Intelligent Information Systems, 17, 107-145.

10.1023/A:1012801612483
41

Huang, X., Wang, S., Wilson, J. and Kedron, P. (eds.), 2025, GeoAI and Human Geography: The Dawn of a New Spatial Intelligence Era, Springer, Cham.

10.1007/978-3-031-87421-5
42

Kim, S. and Lee, S.-I., 2025, An extension of migration effectiveness indices: Accounting for the impact of migration on population structure, Population, Space and Place, 31(5), e70049.

10.1002/psp.70049
43

Kipf, T. N. and Welling, M., 2016, Semi-supervised classification with graph convolutional networks, arXiv Preprint, arXiv:1609.02907.

44

Kreuzer, D., Beaini, D., Hamilton, W., Létourneau, V. and Tossou, P., 2021, Rethinking graph transformers with spectral attention, Advances in Neural Information Processing Systems, 34, 21618-21629.

45

Lee, E. S., 1966, A theory of migration, Demography, 3, 47-57.

10.2307/2060063
46

Lattimer, B. and Lattimer, A., 2022, Creating compact regions of social determinants of health, arXiv Preprint, arXiv:2209.11836.

47

Li, Y. and Moura, J. M., 2020, Forecaster: A graph transformer for forecasting spatial and time-dependent data, ECAI 2000: 24th European Conference on Artificial Intelligence, Santiago de Compostela, 29 August-8 September, 1293-1300.

48

Liang, Y., Zhu, J., Ye, W. and Gao, S., 2022, Region2Vec: Community detection on spatial networks using graph embedding with node attributes and spatial interactions, Proceedings of the 30th International Conference on Advances in Geographic Information Systems, Seattle, November 1-4, 1-4.

10.1145/3557915.3560974
49

Liang, Y., Zhu, J., Ye, W. and Gao, S., 2025, GeoAI-enhanced community detection on spatial networks with graph deep learning, Computers, Environment and Urban Systems, 117, 102228.

10.1016/j.compenvurbsys.2024.102228
50

Mai, G., Janowicz, K., Hu, Y., Gao, S., Yan, B., Zhu, R., Cai, L. and Lao, N., 2022, A review of location encoding for GeoAI: methods and applications, International Journal of Geographical Information Science, 36(4), 639-673.

10.1080/13658816.2021.2004602
51

Openshaw, S., 1977, A geographical solution to scale and aggregation problems in region-building, partitioning and spatial modelling, Transactions of the Institute of British Geographers, 2(4), 459-472.

10.2307/622300
52

Plane, D. A., 1984, A systemic demographic efficiency analysis of US interstate population exchange, 1935-1980, Economic Geography, 60(4), 294-312.

10.2307/143435
53

Rampášek, L., Galkin, M., Dwivedi, V. P., Luu, A. T., Wolf, G. and Beaini, D., 2022, Recipe for a general, powerful, scalable graph transformer, Advances in Neural Information Processing Systems, 35, 14501-14515.

10.52202/068431-1054
54

Roy, J. R. and Thill, J., 2004, Spatial interaction modelling, Papers in Regional Science, 83(1), 339-361.

10.1007/s10110-003-0189-4
55

Smith, T. R., 1984, Artificial intelligence and its applicability to geographical problem solving, The Professional Geographer, 36(2), 147-158.

10.1111/j.0033-0124.1984.00147.x
56

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł. and Polosukhin, I., 2017, Attention is all you need, Advances in Neural Information Processing Systems, 30, 5998-6008.

57

Veličković, P., Cucurull, G., Casanova, A., Romero, A., Lio, P. and Bengio, Y., 2017, Graph attention networks, arXiv Preprint, arXiv:1710.10903.

58

Veličković, P., Fedus, W., Hamilton, W. L., Liò, P., Bengio, Y. and Hjelm, R. D., 2018, Deep graph infomax, arXiv Preprint, arXiv:1809.10341.

59

Yang, X., Bo, S. and Wang, J., 2024, Classifying urban functional zones by integrating the homogeneity and structural similarity of POIs, Journal of Urban Planning and Development, 150(4), 04024052.

10.1061/JUPDDM.UPENG-5033
60

Ye, X., Fang, S., Sun, F., Zhang, C. and Xiang, S., 2022, Meta graph transformer: A novel framework for spatial-temporal traffic prediction, Neurocomputing, 491, 544-563.

10.1016/j.neucom.2021.12.033
61

Zhang, Y., Zheng, X., Helbich, M., Chen, N. and Chen, Z., 2022, City2vec: Urban knowledge discovery based on population mobile network, Sustainable Cities and Society, 85, 104000.

10.1016/j.scs.2022.104000
62

Zipf, G. K., 1946, The P1P2/D hypothesis: On the intercity movement of persons, American Sociological Review, 11(6), 677-686.

10.2307/2087063
Information
  • Publisher :The Korean Geographical Society
  • Publisher(Ko) :대한지리학회
  • Journal Title :Journal of the Korean Geographical Society
  • Journal Title(Ko) :대한지리학회지
  • Volume : 61
  • No :3
  • Pages :432-451
  • Received Date : 2026-06-02
  • Revised Date : 2026-06-28
  • Accepted Date : 2026-06-29
  • DOI :https://doi.org/10.22776/kgs.2026.61.3.432
Journal Informaiton Journal of the Korean Geographical Society Journal of the Korean Geographical Society
online submission
  • NRF
  • KISTI Current Status
  • KISTI Cited-by
  • KCI 문헌 유사도 검사
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close