谷歌推出ME-POIs：融合人类移动行为的POI嵌入框架

背景：文本描述的局限性

传统基于文本的POI嵌入（如通过地址、类别、周边POI等生成）能准确表达‘一个地方是什么’，却难以刻画‘它如何被使用’。例如，两家同属‘咖啡馆’类别的店铺可能共享相同地址区块与文本向量，但一家主要服务通勤者（高频短停），另一家则以长时停留顾客为主。这种功能差异无法被纯语言模型捕获。

为解决该问题，谷歌研究院与南加州大学团队提出Mobility-Embedded POIs（ME-POIs），一种将大规模人类移动行为结构化融入POI表征的框架。

技术实现：多模态编码+对比学习+稀疏补偿

每个到访记录被建模为三元组：地理坐标、到达时间、离开时间。ME-POIs采用三个因子化编码器分别处理：

• Space2Vec：对多尺度地理位置进行编码；
• 两个独立Time2Vec：分别编码到达与离开时间，确保起始时刻与停留时长信息不混淆。

三者拼接后经正弦位置编码，输入一个4层、8头、隐层维度512的Transformer，生成上下文化访问嵌入。

核心训练目标为对比学习：每个POI拥有一个可学习原型向量，通过InfoNCE损失拉近该POI所有访问嵌入与其原型距离，同时推开批次中其他POI的原型。该原型最终收敛为反映该地点典型使用模式的功能性中心点。

针对现实数据高度稀疏的问题（洛杉矶仅9.07%、休斯顿仅7.04%的POI满足最低访问量阈值），ME-POIs引入高斯核迁移机制：在0.3km、1.0km、3.0km三个带宽下计算邻近锚点POI的访问直方图，并将其迁移至稀疏POI；辅以两重KL散度损失——一者约束稀疏POI嵌入拟合迁移先验，另一者监督锚点自身嵌入匹配其经验分布。此外，还加入第四项损失，最大化ME-POI嵌入与GeoLLM风格文本嵌入（含坐标、类别、地址及10个最近POI的距离与方向）的余弦相似度。

实证效果：显著提升地图理解能力

评估基于两个匿名化真实移动数据集：洛杉矶（39,557个POI，690万次访问，2019全年）与休斯顿（28,419个POI，71.6万次访问，2020年3月20天）。任务涵盖五类地图增强场景，均采用冻结嵌入+线性探针范式。标签来源包括SafeGraph（营业时间/永久关闭）与Google Maps（访问意图、繁忙程度、价格等级）。

结果表明：在洛杉矶，加入ME-POIs后，35组模型-任务组合中有34组性能提升。峰值相对增益包括——OpenAI-large在周营业时间识别上F1提升16.2%，Gemini在访问意图识别上F1提升81.9%，E5在永久关闭预测上F1提升6.5%，Gemini在繁忙程度回归上MAE降低24.7%。休斯顿数据中，GTR-T5在价格等级分类F1提升75.1%。唯一负向结果为Gemini在永久关闭任务上F1微降0.4%。

更值得关注的是‘纯移动’变体（完全不引入文本对齐）：其在洛杉矶价格等级分类准确率达0.600，超越Gemini文本嵌入的0.559，证明集体行为模式本身蕴含强判别信号；且在全部任务上均优于各类轨迹基线方法。

部署现状与门槛

ME-POIs目前仅为研究框架，非即用型模型。谷歌尚未发布公开代码或预训练权重。计算门槛较低：模型约5370万参数，预训练仅需单块NVIDIA Tesla V100（16GB）。真正障碍在于数据——需获得授权的足底流量数据或第一方到访日志，以及精确的POI地理围栏（polygons）。

编者观点

该工作凸显了物理世界行为数据对AI地理智能的关键价值：当文本描述趋于同质化时，真实人类活动成为区分场所功能的‘黄金信号’；对中国LBS平台、本地生活服务商及城市数字孪生建设方而言，构建自有高质量移动行为数据闭环，或将成下一代空间智能竞争的核心壁垒。