config.yaml

# Bridge Importance Scoring MVP Configuration
# 山口市1316橋の重要度スコアリング設定

# データパス設定
data:
  bridge_list: "data/Bridge_xy_location/YamaguchiPrefBridgeListOpen251122_154891.xlsx"
  river_data: "data/RiverDataKokudo/W05-08_35_GML"
  coastline_data: "data/KaigansenDataKokudo/C23-06_35_GML"
  output_dir: "output/bridge_importance"
  
  # データフィルタリング設定
  filter:
    # 市町村でフィルタリング（Noneで全件、文字列で特定市町村のみ）
    city: "山口市"  # 例: "山口市", None（全件）
    city_column: "所在地"  # 市町村を示す列名
  
  # OSM データ取得設定（山口市の範囲）
  osm:
    # 山口市の概算範囲（EPSG:4326）
    bbox:
      min_lon: 131.3
      min_lat: 34.1
      max_lon: 131.6
      max_lat: 34.3
    # または市境界ポリゴンファイルを指定
    # boundary_file: "data/yamaguchi_boundary.geojson"
    
  # 境界生成設定
  boundary:
    buffer_km: 1.0  # 橋梁範囲からのバッファ距離（km）

# CRS設定
crs:
  geographic: "EPSG:4326"  # WGS84
  projected: "EPSG:6671"   # JGD2011 / 平面直角座標系 第3系 (距離計算用)

# グラフ構築設定
graph:
  # データ取得設定
  fetch:
    buildings: true       # 建物データを取得するか
    bus_stops: true       # バス停データを取得するか
    residences: true      # v1.5: 住居データを取得するか
    medical: true         # v1.5: 医療施設データを取得するか
    shops: true           # v1.5.6: 商店データを取得するか（経済指標用）
    parks: true           # v1.5.7: 公園データを取得するか（環境指標用）
  
  # 道路ネットワーク
  street:
    network_type: "drive"  # 自動車通行可能な道路
    simplify: true
  
  # 近接関係の閾値（メートル）
  proximity:
    bridge_to_street: 30      # 橋梁→道路スナップ距離
    bridge_to_building: 1000  # 橋梁→建物の影響範囲
    bridge_to_bus_stop: 800   # 橋梁→バス停の影響範囲
    bridge_to_public: 1500    # 橋梁→公共施設の影響範囲
    bridge_to_residence: 1000 # 橋梁→住居の影響範囲（v1.5新規）
    bridge_to_medical: 1500   # 橋梁→医療施設の影響範囲（v1.5新規）
    bridge_to_river: 50       # 橋梁→河川の近接判定
    bridge_to_coast: 5000     # 橋梁→海岸線（塩害リスク）
    bridge_to_shop: 1000      # 橋梁→商店 v1.5.6 新規
    bridge_to_park: 1500      # 橋梁→公園 v1.5.7 新規

# 建物分類タグ
building_categories:
  residential:
    - "house"
    - "residential"
    - "apartments"
  hospital:
    - "hospital"
    - "clinic"
  school:
    - "school"
    - "university"
    - "kindergarten"
  public:
    - "townhall"
    - "library"
    - "community_centre"
  emergency:
    - "fire_station"
    - "police"

# POI取得タグ
poi_tags:
  bus_stop:
    highway: "bus_stop"
  residence:  # v1.5新規: 住居建物
    building:
      - "residential"
      - "house"
      - "apartments"
  medical:  # v1.5新規: 医療施設
    amenity:
      - "hospital"
      - "clinic"
      - "doctors"
  shop:  # v1.5.6新規: 商店（経済指標用）  ← 追加
    shop: True  # 全商店タイプを取得        ← 追加
  park:  # v1.5.7新規: 公園・緑地（環境指標用）  ← 追加
    leisure:                                 # ← 追加
      - "park"                               # ← 追加
      - "garden"                             # ← 追加
      - "nature_reserve"                     # ← 追加
      - "playground"                         # 追加

  hospital:
    amenity: "hospital"
  school:
    amenity: 
      - "school"
      - "university"
      - "kindergarten"
  public_facility:
    amenity:
      - "townhall"
      - "library"
      - "community_centre"
  emergency:
    amenity:
      - "fire_station"
      - "police"

# 媒介中心性計算設定
centrality:
  normalized: true
  endpoints: false
  # サンプリング設定（大規模グラフの場合）
  k: 500  # サンプルノード数（Noneで全ノード）
  
  # 並列計算設定（パフォーマンス最適化）
  # ⚠️ 注意: 小～中規模グラフではオーバーヘッドが大きく、並列版の方が遅い可能性あり
  # 実グラフ（117,582ノード）での効果は要検証（benchmark_real_graph_centrality.py で測定）
  use_parallel: false  # true: 並列版を使用, false: 標準版（NetworkX）を使用
  n_jobs: -1  # 並列ワーカー数（-1で全CPU使用）

# スコアリング設定
scoring:
  # スコア範囲
  min_score: 0
  max_score: 100
  
  # 重みづけ（将来的な拡張用）
  weights:
    betweenness: 0.6      # 媒介中心性
    public_access: 0.2    # 公共施設アクセス
    traffic_volume: 0.2   # 交通量（代理変数）

# 説明文生成設定
narrative:
  # スコア閾値による分類
  thresholds:
    critical: 90    # 最上位クラス
    high: 70        # 高重要度
    medium: 50      # 中程度

# v1.5 社会的影響指標設定
social_impact:
  # 社会的影響スコアリングの有効化（true/false）
  enable: true  # v1.5機能を有効化（住居・医療データ取得済み）
  
  # 並列処理設定
  n_jobs: -1  # 並列ワーカー数（-1で全CPU使用）
  
  # サンプリング設定（パフォーマンス最適化）
  residence_sample_size: 300  # 交通砂漠計算時の住居サンプル数（全3,276件から300件に削減→11倍高速化）
  
  # 🚀 空間限定パラメータ（v1.5.1: 99.5%計算量削減）
  bridge_impact_radius_km: 5.0  # 橋梁影響範囲の半径（km）各橋から半径内の住居のみ計算
  k_nearest_bus_stops: 5  # 各住居から確認する最近傍バス停数（k-NN）
  
  # 🚀 v1.5.2: 医療アクセス空間最適化パラメータ（93%計算量削減）
  k_nearest_hospitals: 3  # 各住居から確認する最近傍病院数（空間距離で事前選定）
  
  # 🚀 v1.5.3: 孤立リスク空間最適化パラメータ（99.3%計算削減）
  # 🚀 v1.5.5: 影響範囲を3kmに縮小（サブグラフサイズ60%削減、4-6倍高速化）
  isolation_check_radius_km: 3.0  # 孤立リスク評価の影響範囲（橋梁から半径3km）
  
  # 🆕 v1.5.6: 経済指標（物流サプライチェーン）パラメータ
  supply_chain_radius_km: 3.0  # 国道→商店のサプライチェーン影響範囲（km）
  k_nearest_highways: 3        # 各商店から確認する最近傍国道ノード数
  
  # 🆕 v1.5.7: 環境指標（緑地アクセス）パラメータ
  green_space_radius_km: 3.0   # 住居→公園のアクセス影響範囲（km）
  k_nearest_parks: 3           # 各住居から確認する最近傍公園数
  
  # 徒歩移動設定
  walking_speed_kmh: 3.0  # 高齢者を考慮した徒歩速度（km/h）
  transit_desert_threshold_km: 1.0  # 交通砂漠判定閾値（徒歩20分相当）
  
  # 郊外・山間部の定義
  rural_population_density: 200  # 人口密度閾値（人/km²）
  rural_elevation_threshold: 100  # 標高閾値（m）
  
  # 人口推定設定
  household_size: 2.5  # 平均世帯人数（人/世帯）
  
  # 医療アクセス設定
  hospital_metapath_num_targets: 3  # 各住居から最寄りN病院を対象
  
  # スコア重み（5指標の合算）v1.5.6/v1.5.7で拡張
  weights:
    transit_desert: 0.20       # 生活指標（交通砂漠）
    hospital_access: 0.20      # 医療指標（病院アクセス）
    isolation_risk: 0.20       # 防災指標（孤立集落リスク）
    supply_chain_impact: 0.20  # 経済指標（物流サプライチェーン）v1.5.6
    green_space_access: 0.20   # 環境指標（緑地アクセス）v1.5.7
  
  # 標高データ設定
  elevation_dir: "data/Topographical_Altitude_YamaguchiCity"
  elevation_max_distance_m: 50.0  # 標高付与時の最大検索距離（m）

# HGNN設定（v1.1+）
hgnn:
  # v1.6 実験名（output/<experiment_name>/ に保存）
  experiment_name: "hgnn_v1_6_exp13_metapath_attention"

  # モデルタイプ: 'standard' or 'simple'
  model_type: "standard"
  
  # v1.6 ターゲット変数（間接被害スコア）
  target_column: "indirect_damage_score"

  # v1.3 k-NN特徴量設定
  knn_k: 64
  knn_max_distance_m: 1000

  # v1.4 Exp-2: bridge-streetエッジ再定義
  bridge_edge_mode: "knn"   # "graph"(既存) or "knn"
  bridge_edge_knn_k: 3
  use_edge_attr: false
  edge_distance_scale_m: 500.0
  
  # v1.6 メタパス特徴量
  use_metapath_features: true  # グラフトポロジーに基づくメタパス特徴量を使用
  
  # 特徴量処理
  normalize_features: true  # 特徴量を正規化（StandardScaler）
  remove_zero_variance: true  # 分散ゼロの特徴を除去
  
  # モデルハイパーパラメータ
  hidden_channels: 128  # BEST: 精度とメモリ効率の最適バランス
  num_layers: 3  # BEST: 3層が最適（4層は過学習、5層は回復だがコスト高）
  conv_type: "SAGE"  # 'GAT' or 'SAGE' (SAGEが圧倒的優位)
  sage_aggr: "max"  # BEST★: max aggregationが最重要（R²=0.8939達成）
  dropout: 0.3  # BEST: 過学習防止と性能のバランス
  heads: 4  # GAT attention heads
  
  # v1.6 exp11-13: SAGE + Attention実験
  attention_type: "metapath"  # 'none', 'simple' (exp11), 'gatv2' (exp12), 'metapath' (exp13)
  
  # トレーニング設定
  num_epochs: 300
  learning_rate: 0.001
  weight_decay: 0.0005
  patience: 50  # Early stopping patience
  use_log1p_target: false  # v1.6: indirect_damage_scoreは生スケールで学習（0-89範囲）
  loss_function: "huber"  # 損失関数: "mse" or "huber"
  use_weighted_loss: true   # Exp-4再調整で有効
  weight_alpha: 3.0         # 重みの強度: weight = 1 + alpha * y_normalized
  weight_scheme: "quantile"   # linear or quantile
  quantile_edges: [0.5, 0.8, 0.9]
  quantile_weights: [1.0, 1.2, 1.6, 2.2]
  
  # データ分割
  train_ratio: 0.7
  val_ratio: 0.15
  test_ratio: 0.15
  random_seed: 42

# 公共施設の閾値
public_facility_threshold: 3  # この数以上で「集中」と判定

# リスク判定
risk:
  salt_damage_distance: 3000  # 海岸線からこの距離以内で塩害リスク
  flood_risk: true            # 河川近接で洪水リスク

# ログ設定
logging:
  level: "INFO"
  format: "%(asctime)s - %(name)s - %(levelname)s - %(message)s"
  
# 処理設定
processing:
  parallel: true
  n_jobs: -1  # -1で全コア使用