Apresentamos os pontos de interesse com mobilidade incorporada (ME-POIs), um framework dinâmico e informado por dados de mobilidade que permite aos modelos de IA compreender os ritmos de atividade temporal dos lugares ao longo do tempo, melhorando significativamente as previsões sobre atributos do mundo real, como horários de funcionamento, níveis de preços e movimento. Embora modelos de linguagem de classe mundial como o Gemini sejam proficientes no processamento de texto, suas representações geoespaciais podem ser enriquecidas ao incorporar a dinâmica funcional real do ambiente urbano.

Em vez de tratar um lugar como um conjunto fixo de palavras, o ME-POIs usa uma abordagem auto-supervisionada para combinar descrições textuais com padrões de mobilidade anonimizados em larga escala de benchmarks públicos. Um pipeline de três etapas — alinhamento de visitas, propagação espacial multiescalar de visitas e sinergia texto-mobilidade — transforma pontos geográficos brutos em uma assinatura matemática que codifica tanto a identidade de um lugar quanto sua funcionalidade dinâmica. O framework também aborda o problema da “cauda longa” da escassez de dados, transferindo estatisticamente padrões de visita agregados de vizinhos movimentados e ricos em dados para lugares próximos com poucos dados, em múltiplas escalas espaciais.

A integração do ME-POIs com modelos de texto avançados entregou até 81,9% de ganho relativo na previsão da intenção de visita, uma melhoria de 75,1% na classificação de níveis de preços e um aumento de 24,7% na precisão da estimativa de movimento em lugares nunca antes vistos. Testes extensivos em duas áreas metropolitanas culturalmente distintas confirmaram que adicionar dados de mobilidade do mundo real proporciona uma notável “vantagem de contexto”.

Entidades-chave: Empresas: Google | Locais: Los Angeles, Houston