Wir stellen Mobility-Embedded POIs (ME-POIs) vor, ein dynamisches, mobilitätsinformiertes Framework, das KI-Modellen ermöglicht, die zeitlichen Aktivitätsrhythmen von Orten im Laufe der Zeit zu verstehen und dadurch Vorhersagen über reale Attribute wie Öffnungszeiten, Preisniveaus und Auslastung erheblich verbessert. Während Weltklasse-Sprachmodelle wie Gemini im Umgang mit Text kompetent sind, lassen sich ihre georäumlichen Darstellungen durch die Einbeziehung der realen funktionalen Dynamik der städtischen Umgebung bereichern.

Statt einen Ort als eingefrorene Menge von Wörtern zu behandeln, kombiniert ME-POIs mit einem selbstüberwachten Ansatz Textbeschreibungen mit groß angelegten, anonymisierten Mobilitätsmustern aus öffentlichen Benchmarks. Eine dreistufige Pipeline – Besuchsausrichtung, räumliche multiskalige Besuchspropagation und Text-Mobilitäts-Synergie – verwandelt rohe geografische Punkte in eine mathematische Signatur, die sowohl die Identität eines Ortes als auch seine dynamische Funktionalität kodiert. Das Framework geht zudem das „Long-Tail“-Problem der Datensparsamkeit an, indem aggregierte Besuchsmuster statistisch von belebten, datenreichen Nachbarn auf nahegelegene datenarme Orte über mehrere räumliche Skalen hinweg übertragen werden.

Die Integration von ME-POIs mit fortschrittlichen Textmodellen erzielte bis zu 81,9% relativen Gewinn bei der Vorhersage der Besuchabsicht, eine Verbesserung von 75,1% bei der Klassifizierung von Preisniveaus und eine Steigerung der Genauigkeit der Auslastungsschätzung um 24,7% bei bisher ungesehenen Orten. Umfangreiche Tests in zwei kulturell unterschiedlichen Metropolregionen bestätigten, dass das Hinzufügen realer Mobilitätsdaten einen deutlichen „Kontextvorteil“ bietet.

Wichtige Entitäten: Unternehmen: Google | Standorte: Los Angeles, Houston