基于大规模点兴趣图数据的无训练地理空间场所表示学习
机器学习
2026-01-23 v3 人工智能
摘要
有效学习城市环境的表示需要捕捉固定行政边界之外的空间结构。现有的地理空间表示学习方法通常将点兴趣（POI）聚合到预定义的行政区域（如人口普查单位或邮政编码区域），为每个区域分配单个嵌入。然而，POI常常形成跨越、包含或超出这些边界的语义上有意义的群组，定义更能反映人类活动与城市功能的场所。为克服这一局限，我们提出PlaceRep—a一种无训练地理空间表示学习方法，通过聚类空间和语义上相关的POI来构建场所级别的表示。PlaceRep汇总美国Foursquare数据的大规模POI图，产生通用城市区域嵌入，同时自动识别多个空间尺度上的场所。通过消除模型预训练，PlaceRep提供了一个可扩展且高效的多粒度地理空间分析解决方案。使用人口密度估计和房价预测等下游任务实验表明，PlaceRep在大多数最先进的基于图的地理空间表示学习方法中均表现优异，并在大规模POI图上实现了为区域级表示生成最高可达100倍的加速。PlaceRep的实现已公开于https://github.com/mohammadhashemii/PlaceRep。
引用
@article{arxiv.2507.02921,
title = {Training-Free Geospatial Place Representation Learning from Large-Scale Point-of-Interest Graph Data},
author = {Mohammad Hashemi and Hossein Amiri and Andreas Zufle},
journal= {arXiv preprint arXiv:2507.02921},
year = {2026}
}