Makna sebuah tempat terbentuk dari manusia
Koordinat geografis menggambarkan di mana suatu objek berada, tetapi tidak menjelaskan apa tempat itu dan untuk apa tempat itu digunakan. Kawasan perumahan, pusat bisnis, atau taman berbeda bukan terutama karena topografinya, melainkan karena cara orang menggunakannya dan bagaimana mereka berpindah di antaranya. Pola aktivitas sehari-hari inilah, serta koneksi antarwilayah yang muncul dari perjalanan dan pergerakan penduduk, yang membentuk konten sebenarnya dari sebuah lokasi.
Prinsip ini menjadi dasar model MoRA, yang dipresentasikan dalam makalah arXiv:2506.01297 oleh kelompok peneliti yang dipimpin Ya Wen. Mereka mengusulkan untuk menjadikan mobilitas sebagai kerangka utama dalam mempelajari representasi geospasial. Alih-alih hanya mengandalkan fitur statis — peta, infrastruktur, kepadatan bangunan — model ini berangkat dari cara orang bergerak, ke mana mereka pergi bekerja, dan di mana mereka menghabiskan akhir pekan.
MoRA: platform yang tokoh utamanya adalah lalu lintas
MoRA adalah platform geospasial yang berpusat pada manusia, yang menghubungkan beberapa jenis data melalui grafik mobilitas. Grafik ini berupa jaringan lokasi, yang tepinya mencerminkan pergerakan nyata orang — volume dan arahnya. Grafik semacam ini berisi sekitar satu miliar koneksi, sehingga mampu menangkap ketergantungan fungsional bahkan di antara kawasan yang sangat berbeda.
Empat modalitas, bukan satu
Data masukan MoRA dibagi menjadi empat blok besar: lebih dari 100 juta titik minat (POI), citra satelit massal, statistik demografis terstruktur, dan grafik mobilitas yang telah disebutkan. Yang terpenting adalah hierarkinya: grafik tidak hanya menjadi salah satu modalitas, tetapi menjadi basis yang digunakan untuk menginterpretasikan semua data lainnya. Citra satelit, kategori toko, atau kepadatan penduduk baru bermakna jika dikaitkan dengan arus orang yang mereka tarik.
Secara teknis, platform ini menggunakan tokenisasi spasial untuk mengubah koordinat geografis menjadi token diskret, kemudian jaringan saraf graf (GNN) mengagregasi informasi dari simpul-simpul tetangga, dan mekanisme pembelajaran kontrastif asimetris khusus menyelaraskan berbagai modalitas dalam ruang vektor bersama. Hasilnya adalah representasi 128 dimensi yang ringkas untuk setiap lokasi, yang mencakup konteks sosial-ekonominya dan peran fungsionalnya.
Belajar melalui dinamika
Pembelajaran kontrastif di sini bekerja sebagai berikut: model belajar mendekatkan representasi lokasi yang terhubung oleh arus mobilitas yang kuat, dan menjauhkan lokasi yang jarang dikunjungi orang. Asimetri penting di sini karena hubungan dari kawasan pemukiman ke pusat bisnis tidak simetris: arus pagi berbeda, arus sore adalah kebalikannya, tetapi tidak setara. Model harus memperhitungkan arah-arah ini, bukan sekadar keberadaan tepi.
Mengapa mobilitas berbicara lebih banyak daripada peta
Tesis para penulis adalah bahwa "makna" menyeluruh sebuah tempat ditentukan oleh pola internal aktivitas manusia dan, yang terpenting, oleh koneksi fungsional dengan tempat lain, dan koneksi ini justru terlihat dalam pergerakan. Dua kawasan bisa memiliki peta POI yang sama, tetapi satu sebenarnya adalah daerah pemukiman, sementara yang lain adalah titik tarik. Perbedaannya akan terlihat dari mana orang datang ke sana di pagi hari dan ke mana mereka pergi di sore hari.
MoRA membalik logika umum analisis geospasial: modalitas pendukung — citra satelit, statistik, demografi — tidak digunakan sebagai sumber kebenaran yang berdiri sendiri, melainkan sebagai proyeksi yang harus selaras dengan dinamika mobilitas. Ini memungkinkan model mengekstrak dari data statis hal-hal yang berhubungan langsung dengan perilaku manusia.
Hasil dan penskalaan
Untuk pengujian, para penulis menyusun tolok ukur dari sembilan tugas prediksi di bidang sosial dan ekonomi — dari memperkirakan popularitas lokasi hingga memprediksi indikator sosial-ekonomi kawasan. MoRA, yang menggunakan keempat modalitas, mengungguli model state-of-the-art sebelumnya rata-rata sebesar 12,9%. Yang terpenting, peningkatan terlihat pada tugas-tugas yang membutuhkan konteks semantik, bukan sekadar kedekatan geometris.
Selain itu, para peneliti menemukan bahwa kualitas representasi MoRA meningkat seiring bertambahnya volume data dan jumlah parameter, mengikuti hukum penskalaan yang serupa dengan yang dikenal dari model bahasa besar. Ini menunjukkan bahwa pembelajaran representasi geospasial dapat mengikuti prinsip empiris yang serupa, dan bidang ini masih memiliki ruang untuk berkembang.
Kode terbuka dan langkah selanjutnya
Kode dan bobot pralatih MoRA tersedia secara terbuka, sehingga peneliti atau pengembang mana pun dapat mengadaptasi model ini untuk kebutuhan mereka sendiri. Untuk bidang terapan — dari perencanaan kota hingga layanan rekomendasi — ini adalah peluang untuk mendapatkan embedding lokasi yang bermakna tanpa perlu membangun infrastruktur sendiri dengan miliaran koneksi.
Makna sebuah tempat memang terletak pada manusianya. Dan jika kita mengajarkan model untuk melihatnya melalui mobilitas, kita akan mendapatkan alat yang memahami kota bukan sebagai kumpulan koordinat, melainkan sebagai jaringan hidup interaksi manusia.
