FlexiReg：灵活的城市区域表示学习

城市数据的日益普及为学习区域表示提供了新的机遇，这些表示可作为机器学习模型的输入，用于签到或犯罪预测等下游任务。尽管现有方案已取得了可喜的成果，但存在一个问题，即其固定的区域形态和固定的输入区域特征，可能无法满足不同下游任务的需求。为了解决这一局限性，我们提出了一种名为 FlexiReg 的城市区域表示学习模型，该模型对城市区域的形态和输入区域特征均具有灵活性。FlexiReg 基于对感兴趣空间区域的空间网格划分。它利用公开可访问的数据（包括 POI、土地利用、卫星影像和街景影像）来学习网格单元的表示。我们提出了自适应聚合方法以融合单元表示，并利用提示学习技术将表示适配至不同任务，从而满足城市区域的不同形态和下游任务的需求。在五个真实世界数据集上的大量实验表明，在使用所生成的城市区域表示完成四个不同下游任务时，FlexiReg 的准确率比 state-of-the-art 模型最高提升了 202%。