基于POI数据的城市空间表征的多模态对比学习
人工智能
2024-11-12 v1
摘要
现有从兴趣点(POI)数据学习城市空间表征的方法存在若干局限性，包括地理划分问题、空间信息建模不足、POI语义属性利用不充分以及计算效率低下。为解决这些问题，我们提出CaLLiPer（Contrastive Language-Location Pre-training），一种新颖的表征学习模型，可直接将连续的城市空间嵌入能够捕捉城市环境空间与语义分布的向量表示中。该模型利用多模态对比学习目标，将位置嵌入与文本POI描述对齐，从而绕过复杂的训练语料构建和负采样的需求。我们在英国伦敦的城市空间表征学习上验证了CaLLiPer的有效性，在土地利用分类和社会经济制图任务上相比最先进方法实现了5-15%的预测性能提升。学习表征的可视化进一步展示了我们模型在以高精度和高分辨率捕捉城市语义空间变化方面的优势。此外，CaLLiPer实现了更短的训练时间，展现了其效率和可扩展性。这项工作为可扩展、语义丰富的城市空间表征学习提供了有前景的路径，可支持地理空间基础模型的发展。实现代码可在https://github.com/xlwang233/CaLLiPer获取。
引用
@article{arxiv.2411.06229,
title = {Multimodal Contrastive Learning of Urban Space Representations from POI Data},
author = {Xinglei Wang and Tao Cheng and Stephen Law and Zichao Zeng and Lu Yin and Junyuan Liu},
journal= {arXiv preprint arXiv:2411.06229},
year = {2024}
}
备注
19 pages, 5 figures, 7 tables