Neue Methode nutzt Mobilitätsdaten, um POIs besser zu verstehen

Forscher haben ein neues Framework namens Mobility-Embedded POIs (ME‑POIs) vorgestellt, das die Art und Nutzung von Orten anhand von Bewegungsdaten erfasst.

Im Gegensatz zu bisherigen Ansätzen, die sich auf statische Textdaten oder Bewegungsmuster beschränken, kombiniert ME‑POIs Sprachmodelle mit groß angelegten Mobilitätsdaten, um ortsspezifische, kontextunabhängige Repräsentationen zu erzeugen.

Die Technik nutzt kontrastives Lernen, um Besuche in zeitlich kontextualisierte Einbettungen zu überführen und sie mit lernbaren POI‑Repräsentationen abzugleichen. Ein innovativer Mechanismus überträgt dabei Besuchsmuster von häufig frequentierten Nachbar‑POIs auf selten besuchte Orte, um das Problem der Langschwankung zu mildern.

In fünf neu entwickelten Aufgaben zur Kartenerweiterung zeigte ME‑POIs konsistent bessere Ergebnisse als reine Text‑ oder Mobilitätsmodelle. Besonders beeindruckend ist, dass Modelle, die ausschließlich Mobilitätsdaten nutzen, in einigen Tests sogar Text‑modelle übertreffen.

Die Ergebnisse unterstreichen die Bedeutung von Nutzungsdaten für die Entwicklung von geospatialen Grundlegungsmodellen und eröffnen neue Perspektiven für präzisere Standortdienste.