地点的两个身份

同一个招牌背后有两套事实:纸面上的名字和类别,以及它每天真实被使用的节奏。

AI 认识一个地方,靠的基本是文字。地址、类别、简介,这些写在纸面上的信息,像 Gemini 这样的语言模型处理得相当好。兴趣点(地图上每一个被标出来的位置,商铺、公园、地标都算,行业里叫 POI)在模型眼里就是一段描述。

问题是描述不会动。一家店叫「某某餐厅」,类别写着「中餐」,这两条信息在中午十二点和凌晨两点完全一样,但这家店不一样。 十二点挤满写字楼白领的中餐厅,和凌晨两点还在卖夜宵的中餐厅,从文字上分不出来。

谷歌研究院(Google Research)的研究科学家 Maria Despoina Siampou 和 Shushman Choudhury 要补的就是缺掉的这半边:人什么时候来,待多久,来了之后往哪走。

把人流当成输入

ME-POIs 不去预测你下一站去哪,它把人流数据反过来用,当成描述这个地点本身的原料。

过去的地理 AI 研究里,人流数据几乎只干一件事:猜一个人下一个会去哪。ME-POIs 调了个头。人流不再是要预测的答案,而是定义这个地点的输入。

具体做法是三步。先把一个地点全年、分星期几的到访时间、停留时长、离开趋势收拢成一串数字,谷歌把它叫作这个地点的「功能重心」。再用邻居的数据补自己的空白。最后把这串人流数字和 Gemini 这类模型生成的文字表示对齐,叠成一份。

叠完的结果是:模型既知道这里卖吃的(来自文字),也知道它是午餐店还是深夜食堂(来自人流)。

第一步 · 访问对齐 把全年到访时间、停留时长压成一串数字 第二步 · 多尺度扩散 向街道、街区、社区的邻居借节奏,补稀疏地点的空白 第三步 · 文字人流合流 把人流数字叠到 Gemini 这类模型的文字表示上 走完三步,一个地点拿到一份同时含身份和节奏的数字签名
ME-POIs 把地理位置变成数字签名的三步。步骤名称与内容均出自谷歌研究院原文对 visit alignment、spatial multiscale visit propagation、text-mobility synergy 三阶段的描述。

没人打卡的小店

街角新开的咖啡馆没几条访问记录,老模型会当它「零人光顾」,ME-POIs 让它跟邻居借节奏。

地理数据有个老毛病叫 长尾:少数地标、大商场、市中心连锁店贡献了绝大部分访问记录,剩下的绝大多数小店几乎没有数据,社区精品店、修理铺、刚开张的咖啡馆都算。

以前模型遇到这种地方,会把「没有记录」当成「没有人来」,预测直接崩掉。 ME-POIs 的处理是往外看三层:这条街、这个街区、更大的社区。高档购物街上的一家小精品店,作息跟它的邻居们差不多,早上十点才开门,周末人最多。模型把数据充足的邻居的节奏,按比例挪给数据稀薄的它。

这不是编数据,是给模型一个地理上的先验判断:一个地方在什么位置,本身就透露了它大概怎么被使用。

之前 之后 参照范围 只看这一个点 街道、街区、社区 没有访问记录时 当成零人光顾 继承邻居的节奏 预测结果 预测崩掉 给得出合理推断
同一家没什么访问记录的小店,在旧做法和 ME-POIs 下的待遇差别。三行内容均出自原文对 long tail 问题和 spatial multiscale visit propagation 机制的描述。

两座城市的成绩单

在洛杉矶和休斯敦、模型训练时从没见过的地点上,三项预测分别提升了 81.9%、75.1% 和 24.7%。

测试选了两座文化差别很大的都会区:洛杉矶和休斯敦,一共五项任务。对照组有三类:只读文字的嵌入模型(比如 Gemini 的文字表示)、只看移动轨迹的地理模型(比如 TrajGPT),以及各种混合版本。这样才能把人流数据到底加了多少分单独摘出来。

结果是加上 ME-POIs 的版本在所有预测任务上都赢过两类对照组。提升幅度最大的是「到访意图」预测,相对提升 81.9%;价位判断提升 75.1%;繁忙程度估计的准确率提升 24.7%。

这篇论文的合作者还包括谷歌研究院的 Neha Arora,以及南加州大学教授 Cyrus Shahabi 和博士生 Shang Ling Hsu。

81.9% 到访意图预测,相对提升 75.1% 价位判断,相对提升 24.7% 繁忙度估计,准确率提升
在洛杉矶和休斯敦、模型训练时未见过的地点上,加入 ME-POIs 后三项任务的提升幅度。数字出自谷歌研究院原文。

人流比文字诚实

判断一家店的价位时,一个完全不读文字、只看人流的模型,赢过了只读文字的语言模型。

这是整篇里最出人意料的一条。谷歌把只喂人流数据的模型和只喂文字信息的模型单独拉出来比,在价位分类这类任务上,前者在若干情况下超过了后者。

研究团队的说法是:

我们在一个实体地点的集体行为,往往比用来给它贴标签的正式文字更有描述力。

这话落到具体场景上很好懂。一家餐厅的简介可以写得很体面,类别栏填「餐厅」,但人均两百的地方和人均二十的地方,人来的时间、待的时长、密度完全不同。文字是店家自己写的,人流不是。

它认识地方,不认识你

这套东西真正的用处是替下游系统省算力,而它的边界被划得很死:只谈人群总体,不碰任何个人。

谷歌在文中反复强调:ME-POIs 处理的全是聚合、匿名的数据,它给不出关于任何一个人的结论,也不能用来做个性化推荐。它描述的是一个地方怎样被一群人使用,不是某个人去了哪。

价值在另一头。现在每个需要判断「这家店几点开门」「现在忙不忙」「大概什么价位」的系统,都得自己从头算一遍。有了这份预先做好的数字签名,下游系统直接拿来用就行,省下的是重复计算。谷歌把这项工作归进了它的 Google Earth AI 计划,目标是把地球尺度的数据变成能直接用的信号。

两点值得记住:这是谷歌发布的、关于自家方法的研究,实验设计和结论都出自同一方;而「不做个人画像」是谷歌自己写下的边界声明,不是第三方审计的结论。真正约束一项技术的,从来不是它这次用来做什么,而是这套聚合签名将来会接到什么系统上。

ME-POIs 在做什么 把一个地点被人群 整体访问的节奏, 压成一串可复用的数字 它不做什么 不针对个人, 给不出任何一个人的行踪、 画像或个性化推荐
这套框架描述的是地方,不是人。两栏内容出自谷歌研究院原文中关于聚合数据与个性化边界的声明。