Google Research 提出 ME-POIs：用出行数据增强地点表示

用途与思路

Google Research 于 2026 年 8 月 21 日发布博客，介绍名为 Mobility-Embedded POIs（ME-POIs）的框架。其出发点是：语言模型对地点（POI，如商铺、公园、地标）的表征主要依赖地址、类别、文本描述等静态元数据，能处理语义标签但缺少真实世界的功能动态。ME-POIs 把匿名聚合的出行模式（到达时间、停留时长、周边移动模式）作为输入特征，而不是像以往地理空间研究那样只用于预测用户下一个到访地点。

方法与流程

框架包含三步：访问对齐，用时间编码器把聚合到访的时间序列映射为稠密向量，形成“功能中心点”；空间多尺度访问传播，针对数据稀疏的长尾地点，从街道、街区、邻近区域等尺度把数据丰富邻居的访问模式统计迁移到稀疏地点；文本—移动性协同，通过最大化余弦相似度，把语言嵌入与移动性向量对齐叠加，使表示同时保留语义（如“卖食物”）与运营情境（如“午餐点”还是“深夜餐厅”）。

实验与结果

作者称在两个文化差异明显的大都市区（洛杉矶、休斯顿）上，对开店/关店时间预测、价格水平分类、永久关闭检测、到访意图分类、繁忙度预测五类任务进行测试，并在训练未见过的地点上评估。博客报告：结合 ME-POIs 后，到访意图预测相对提升最高 81.9%，价格水平分类提升 75.1%，繁忙度估计准确率提升 24.7%，且在各任务上优于纯文本嵌入与既有轨迹类模型基线。值得注意的是，在价格水平分类等任务中，仅用移动性数据的模型表现超过了纯文本模型。

限制与待核实

作者强调该框架只面向聚合层面的地点理解，不能用于推断个人用户或做个性化推荐。上述提升幅度为博客自述结论，未在本文中给出完整基准细节；五类任务的绝对准确率、数据来源与可复现性需查阅论文原文确认。来源未提供代码、模型权重或部署方式。