无需移动数据也能预测位置！LE4Mob嵌入框架让未见地点预测更准
LE4Mob: Towards Inductive, Distance-Aware and General-Purpose Location Embedding for Human Mobility Modelling
📖 AI 总结
该研究针对现有位置嵌入依赖移动观测数据、无法表示未见过地点、且难以保留地理距离关系等局限，提出了LE4Mob框架。该方法在对比式语言—位置预训练基础上引入距离感知正则化目标，使嵌入空间能够保留空间关系，并可从地理上下文预训练中归纳生成未见过位置的嵌入。由于不依赖下游移动任务的监督信号，LE4Mob具备跨任务迁移能力。作者在个体级下一位置预测和群体级通勤流生成两类任务上，跨多个数据集与研究区域进行实验，结果显示LE4Mob优于强基线，尤其在归纳场景及下游模型直接依赖位置嵌入交互时优势明显。这表明距离感知、地理派生的位置表示可作为人类移动建模的可复用基础。
🔑 关键词速览
| LE4Mob | 本文提出的归纳式、距离感知且源自地理位置的位置嵌入框架，用于人类移动性建模。 |
| 位置嵌入 (Location Embedding) | 将地点映射为低维向量的表示，用于编码空间位置、功能特征及地点间关系。 |
| 归纳式 (Inductive) | 指模型能够为训练中未见过的新位置生成嵌入，而无需重新训练。 |
| 距离感知正则化 (Distance-Aware Regularisation) | 一种训练目标，约束嵌入空间保留地点之间的地理距离关系。 |
| 对比式语言-位置预训练 (Contrastive Language-Location Pre-training) | 通过对比学习对齐语言描述与地理位置表示的预训练方法，使嵌入蕴含空间-语义信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅