MobiCLR：面向城市区域表征的移动性时间序列对比学习

近年来，学习有效的城市区域表征作为理解城市动态和推进智慧城市建设的关键方法，已获得广泛关注。现有方法已证明利用移动性数据生成潜在表征的潜力，为城市区域的固有特征提供了有价值的洞见。然而，如何融入人类移动模式中固有的时间动态和细粒度语义，仍有待探索。为弥补这一不足，我们提出了一种新颖的城市区域表征学习模型——面向城市区域表征的移动性时间序列对比学习（MobiCLR），旨在从流入和流出移动模式中捕获具有语义意义的嵌入。MobiCLR 使用对比学习来增强其表征的判别能力，应用实例级对比损失来捕获独特的流量特定特征。此外，我们开发了一个正则化器，将输出特征与这些流量特定表征对齐，从而更全面地理解移动动态。为验证模型，我们在芝加哥、纽约和华盛顿特区进行了广泛实验，用于预测收入、教育程度和社会脆弱性。结果表明，我们的模型优于当前最先进的模型。