ToPT：面向任务的城市区域表示学习提示调优
人工智能
2026-02-03 v1 机器学习
摘要
从异构城市数据中学习有效区域嵌入是支撑关键城市计算任务（如犯罪预测、资源分配）的核心。然而，现有两阶段方法产生任务不可知的表示，使其与下游目标脱钩。近期基于提示的方法尝试修复此问题，但引入两个挑战：它们往往缺乏显式空间先验，导致空间不一致的区域建模；且缺乏显式任务语义对齐的稳健机制。我们提出ToPT，一个两阶段框架，实现空间一致性融合和显式任务对齐。ToPT由两个模块组成：空间感知区域嵌入学习（SREL）和针对区域嵌入的任务感知提示（Prompt4RE）。SREL采用Graphormer-based融合模块，注入空间先验——距离和区域中心性——作为可学习的注意力偏置，以捕获连贯、可解释的区域间相互作用。Prompt4RE执行任务导向式提示：冻结的多模态大语言模型（MLLM）处理任务特定模板以获取语义向量，通过多头交叉注意力与区域嵌入对齐，以实现稳定的任务条件。跨多个任务和城市的实验显示，ToPT实现了最先进的性能，提升幅度可达64.2%，验证了空间先验和提示-区域对齐的必要性与互补性。代码已公开于https://github.com/townSeven/Prompt4RE.git。
引用
@article{arxiv.2602.01610,
title = {ToPT: Task-Oriented Prompt Tuning for Urban Region Representation Learning},
author = {Zitao Guo and Changyang Jiang and Tianhong Zhao and Jinzhou Cao and Genan Dai and Bowen Zhang},
journal= {arXiv preprint arXiv:2602.01610},
year = {2026}
}
备注
The paper has been accepted by ICASSP 2026