NARA：面向异构地理实体的锚定条件关系感知语境化
人工智能
2026-05-13 v1
摘要
地理基础模型主要聚焦于栅格数据，如卫星影像，后者在自监督学习方面得到广泛研究。相比之下，矢量地理数据将世界表示为具有明确几何、语义和结构化空间关系（包括度量邻近性和拓扑关系）的离散地理实体。这些关系共同决定了实体在空间中的相互作用方式，但现有的表示学习方法仍然碎片化，常仅限于特定几何类型或部分空间关系，限制了其捕捉统一空间语境的能力。我们提出NARA（Neural Anchor-conditioned Relation-Aware representation learning），这是一种面向矢量地理实体的自监督框架。NARA通过统一框架联合建模语义、几何和空间关系，学习情境依赖的表示，并捕捉邻近性之外的关系空间结构，实现跨点、折线和多边形异构地理实体的丰富语境化表示。在建筑功能分类、交通速度预测和下一站地点推荐等任务上的评估表明，NARA consistently 超过先前方法，凸显了统一关系建模对矢量地理数据益处。
引用
@article{arxiv.2605.12276,
title = {NARA: Anchor-Conditioned Relation-Aware Contextualization of Heterogeneous Geoentities},
author = {Jina Kim and Gengchen Mai and Lingyi Zhao and Khurram Shafique and Yao-Yi Chiang},
journal= {arXiv preprint arXiv:2605.12276},
year = {2026}
}