[控场AI]
· 5 分钟阅读· 2,528 字

EASTAR:事件锚定与任务自适应的城市区域表示学习

EASTAR:事件锚定与任务自适应的城市区域表示学习

EASTAR用活动事件锚定移动语义,按任务动态路由通道,MAE最高降39.15%。

EASTAR是一个事件锚定且任务自适应的城市区域表示学习框架,旨在解决聚合OD矩阵中不同目的出行被混合、导致语义纠缠的问题。它将线下活动事件作为稀疏语义锚点,把移动表示分解为多个目的相关的语义通道,并辅以自由通道捕捉未覆盖模式、全局通道保留空间结构。框架还设计任务自适应提示路由器,从LLM先验初始化任务-通道相关性,再经下游监督细化权重,使不同任务动态选择相关语义。在两个真实城市数据集的四个预测任务上,EASTAR一致优于代表性基线,MAE最高降低39.15%,消融与可解释性分析验证了各模块的有效性。

城市区域表示学习是城市计算的核心任务之一,旨在将区域的功能与交互编码为低维向量,以支持各类城市分析。人类移动数据因其直接反映区域间交互而成为关键信号。然而,现有方法大多基于聚合的起讫(OD)矩阵学习表示,不同活动目的的出行被混合成“目的无关”的交互模式。尽管POI、土地利用等静态属性可以丰富区域语义,却无法将移动交互显式地锚定到活动目的上。这导致下游任务只能在纠缠的嵌入上进行适配,难以选择与任务相关的功能语义。

EASTAR论文标题截图

针对上述问题,研究者提出EASTAR——一个事件锚定且任务自适应的城市区域表示学习框架。其核心思路是将线下活动事件作为稀疏语义锚点,把聚合移动表示分解为多个与目的相关的语义通道;同时引入自由通道捕捉事件数据未覆盖的潜在移动模式,并设置全局通道保留整体空间结构。为了适配不同下游目标,EASTAR设计了任务自适应提示路由器,从LLM衍生的先验初始化任务-通道相关性,并通过下游监督细化路由权重。在两个真实城市数据集上的四个预测任务中,EASTAR一致优于代表性基线,MAE最高降低39.15%。消融与可解释性分析进一步验证了事件锚定、语义通道构建和任务自适应路由的有效性。

问题背景:目的无关的移动模式难以支撑下游任务

人类移动数据是区域表示学习中最直接的交互信号,但聚合OD矩阵将通勤、购物、休闲等不同目的的出行混在一起,形成目的无关的交互模式。这种混合使得学到的嵌入难以区分功能语义,下游任务(如区域功能预测、人流预测)只能在一个纠缠的表示空间中进行适配,无法针对具体任务选择相关语义。静态城市属性(POI、土地利用)虽然能补充区域级语义,但它们与移动交互之间缺乏显式的目的锚定,无法解决语义纠缠问题。

OD矩阵(Origin-Destination Matrix)是城市移动分析的基础数据结构,其行和列分别对应出行起点与终点区域,单元格数值表示两区域间的出行流量。基于出租车轨迹、手机信令或刷卡记录聚合得到的OD矩阵,能够刻画城市空间交互的整体格局,是交通预测、区域功能识别等任务的常用输入。然而,OD矩阵在聚合过程中丢弃了出行目的、时间上下文与个体属性,仅保留流量计数。因此,通勤、购物、就医等异质出行被压缩为同一数值信号,学到的区域嵌入难以区分功能差异。要恢复目的语义,通常需要引入外部活动事件数据(如演唱会、展览、体育赛事)作为锚点,将特定时空的出行流量与明确的活动类型关联,从而为解耦移动模式提供监督信号。

EASTAR框架:用事件锚定分解语义通道

EASTAR将线下活动事件视为稀疏语义锚点,利用这些事件将聚合移动表示分解为多个目的相关的语义通道。每个通道对应一类活动目的(如工作、消费、娱乐),使移动交互被显式地锚定到目的信号上。此外,框架引入自由通道来捕捉事件数据未覆盖的潜在移动模式,避免因事件稀疏而丢失信息;同时设置全局通道保留整体空间结构,确保区域表示的完整性。这种多通道设计在保持空间结构的同时,实现了功能语义的解耦。

EASTAR框架示意图

语义通道(semantic channel)借鉴了多任务学习与解耦表示学习中的“通道”思想:将原本纠缠在单一嵌入空间中的多种语义因素,拆分到若干相互独立的子空间中分别建模。在EASTAR中,每个通道对应一类活动目的,通道内的表示只编码与该目的相关的移动交互模式,通道间的信息冗余被尽量抑制。这种分解使得下游任务可以按需选取通道,而非在混合表示上做被动适配。与之配套的自由通道用于吸收事件锚点未覆盖的残差移动模式,起到“兜底”作用,防止稀疏事件导致信息遗漏;全局通道则保留不区分目的的整体空间结构,维持区域间基础可达性与邻接关系。三类通道互补,共同构成既解耦又完整的区域表示。

任务自适应路由:从LLM先验到下游监督

为了将学习到的通道空间适配到不同下游目标,EASTAR设计了任务自适应提示路由器。该路由器首先利用LLM衍生的先验初始化任务与通道之间的相关性,然后通过下游任务的监督信号细化路由权重。这意味着不同任务可以动态地选择与其最相关的语义通道,而不是在固定嵌入上做统一适配。这种设计将语义选择与任务目标对齐,提升了表示的可迁移性和任务针对性。

提示路由器(prompt router)中的“提示”借用了大语言模型领域的prompt概念:将任务描述(如“预测区域人流”“推断区域功能”)转化为文本提示,再由LLM输出该任务与各语义通道的初始相关性分数。这一先验的作用在于,当下游标注数据稀少时,路由权重不至于随机初始化,而是从语义合理的起点开始微调。随后,下游任务的监督信号通过梯度回传对路由权重进行细化,使任务与通道的对应关系逐步贴合真实预测目标。这种“LLM先验+监督微调”的两阶段设计,本质上是将参数高效迁移学习中的adapter或prompt tuning思路迁移到城市表示学习场景,让同一套通道表示能够以低成本适配多个异构任务。

实验验证:MAE最高降低39.15%

在两个真实城市数据集上,EASTAR在四个预测任务中一致优于代表性基线,MAE最高降低39.15%。消融实验和可解释性分析进一步表明:事件锚定有效提升了语义通道的目的区分度;语义通道构建(包括自由通道和全局通道)对性能有显著贡献;任务自适应路由能够根据任务目标调整通道权重,且路由结果具有可解释性。这些结果验证了将移动交互锚定到活动目的、并按任务动态选择语义通道的有效性。

意义与展望

EASTAR的核心贡献在于将“事件锚定”与“任务自适应”引入城市区域表示学习,解决了聚合移动数据中目的语义丢失的问题。通过语义通道分解和LLM先验引导的路由,框架能够为不同下游任务提供可解释的、任务相关的区域表示。未来,该方法有望扩展到更多城市分析场景,并进一步探索事件数据的稀疏性处理与跨城市迁移能力。

#EASTAR#城市区域表示学习#事件锚定#任务自适应#语义通道#人类移动数据#LLM先验
分享:

相关推荐