进入未知：应用归纳性空间-语义位置嵌入预测个体在未访问地点的移动性

预测个体的下一个位置是人类移动性建模的核心任务，对城市规划、交通、公共政策和个性化移动服务具有广泛影响。传统方法主要依赖于从历史移动模式中学习的位置嵌入，这限制了它们编码显式空间信息、整合丰富城市语义上下文以及适应未见过的位置的能力。为应对这些挑战，我们探索了CaLLiPer——一种通过对比学习融合空间坐标和兴趣点语义特征的多模态表示学习框架——在个体移动性预测中用于位置嵌入的应用。CaLLiPer的嵌入具有空间显式、语义丰富和归纳性设计的特点，即使在涉及新兴位置的场景中也能实现稳健的预测性能。通过在四个公开移动性数据集上进行的传统和归纳设置下的广泛实验，我们证明CaLLiPer持续优于强基线，尤其在归纳场景中表现突出。我们的发现凸显了多模态、归纳性位置嵌入在提升人类移动性预测系统能力方面的潜力。我们还发布了代码和数据（https://github.com/xlwang233/Into-the-Unknown），以促进可复现性和未来研究。