Nous présentons les points d'intérêt à mobilité intégrée (ME-POIs), un cadre dynamique et informé par la mobilité qui permet aux modèles d'IA de comprendre les rythmes d'activité temporels des lieux au fil du temps, améliorant considérablement les prédictions sur des attributs du monde réel tels que les heures d'ouverture, les niveaux de prix et l'affluence. Bien que des modèles linguistiques de classe mondiale comme Gemini soient compétents dans le traitement du texte, leurs représentations géospatiales peuvent être enrichies en intégrant la dynamique fonctionnelle réelle de l'environnement urbain.

Plutôt que de traiter un lieu comme un ensemble figé de mots, ME-POIs utilise une approche auto-supervisée pour combiner les descriptions textuelles avec des schémas de mobilité anonymisés à grande échelle issus de référentiels publics. Un pipeline en trois étapes — alignement des visites, propagation spatiale multi-échelle des visites et synergie texte-mobilité — transforme des points géographiques bruts en une signature mathématique encodant à la fois l'identité d'un lieu et sa fonctionnalité dynamique. Le cadre aborde également le problème de la « longue traîne » lié à la rareté des données en transférant statistiquement des schémas de visite agrégés depuis des voisins animés et riches en données vers des lieux proches plus pauvres en données, à travers plusieurs échelles spatiales.

L'intégration de ME-POIs avec des modèles de texte avancés a permis jusqu'à un gain relatif de 81,9% dans la prédiction de l'intention de visite, une amélioration de 75,1% dans la classification des niveaux de prix et une augmentation de 24,7% de la précision de l'estimation de l'affluence sur des lieux inédits. Des tests approfondis dans deux zones métropolitaines culturellement distinctes ont confirmé que l'ajout de données de mobilité réelles procure un « avantage de contexte » notable.

Entités clés : Entreprises : Google | Lieux : Los Angeles, Houston