Presentamos los puntos de interés con movilidad integrada (ME-POIs), un marco dinámico e informado por la movilidad que permite a los modelos de IA comprender los ritmos de actividad temporal de los lugares a lo largo del tiempo, mejorando significativamente las predicciones sobre atributos del mundo real como horarios de apertura, niveles de precios y afluencia. Aunque los modelos lingüísticos de clase mundial como Gemini son competentes en el procesamiento de texto, sus representaciones geoespaciales pueden enriquecerse incorporando la dinámica funcional real del entorno urbano.

En lugar de tratar un lugar como un conjunto fijo de palabras, ME-POIs utiliza un enfoque autosupervisado para combinar descripciones textuales con patrones de movilidad anonimizados a gran escala provenientes de benchmarks públicos. Un pipeline de tres pasos —alineación de visitas, propagación espacial multiescala de visitas y sinergia texto-movilidad— transforma puntos geográficos crudos en una firma matemática que codifica tanto la identidad de un lugar como su funcionalidad dinámica. El marco también aborda el problema de la “cola larga” de la escasez de datos al transferir estadísticamente patrones de visita agregados desde vecinos concurridos y ricos en datos hacia lugares cercanos con datos escasos, a través de múltiples escalas espaciales.

La integración de ME-POIs con modelos de texto avanzados logró hasta una ganancia relativa del 81,9% en la predicción de la intención de visita, una mejora del 75,1% en la clasificación de niveles de precios y un aumento del 24,7% en la precisión de la estimación de afluencia en lugares no vistos. Pruebas extensas en dos áreas metropolitanas culturalmente distintas confirmaron que añadir datos de movilidad del mundo real proporciona una notable “ventaja de contexto”.

Entidades clave: Empresas: Google | Ubicaciones: Los Ángeles, Houston