Смысл места складывается из людей
Географические координаты описывают, где находится объект, но не объясняют, что это за место и зачем оно нужно. Жилой квартал, деловой центр или парк различаются не столько рельефом, сколько тем, как люди их используют и как перемещаются между ними. Именно эти паттерны повседневной активности, а также связи между районами, которые возникают из поездок и перетоков жителей, формируют настоящее содержание локации.
Этот принцип лёг в основу модели MoRA, представленной в статье arXiv:2506.01297 группой исследователей под руководством Ya Wen. Они предлагают рассматривать мобильность как главный каркас для обучения геопространственных представлений. Вместо того чтобы опираться только на статические признаки — карту, инфраструктуру, плотность застройки, — модель отталкивается от того, как люди движутся, куда едут на работу, где проводят выходные.
MoRA: платформа, где главный герой — трафик
MoRA — это человекоцентричная геопространственная платформа, которая соединяет несколько типов данных через граф мобильности. Граф представляет собой сеть локаций, рёбра которой отражают реальные перемещения людей — их объём и направление. Такой граф содержит порядка миллиарда связей, что позволяет уловить функциональные зависимости даже между очень разными районами.
Четыре модальности вместо одной
Входные данные MoRA разбиты на четыре крупных блока: более 100 миллионов точек интереса (POI), массовые спутниковые снимки, структурированная демографическая статистика и уже упомянутый граф мобильности. Самое важное — иерархия: граф выступает не просто одной из модальностей, а базой, через которую интерпретируются все остальные данные. Спутниковое изображение, категория магазина или плотность населения обретают смысл только в связке с тем, какие потоки людей они притягивают.
Технически платформа использует пространственную токенизацию, чтобы превратить географические координаты в дискретные токены, затем графовая нейронная сеть (GNN) агрегирует информацию по соседним узлам, а специальный механизм асимметричного контрастивного обучения выравнивает разные модальности в общем векторном пространстве. Результат — компактное 128-мерное представление каждой локации, которое включает её социально-экономический контекст и функциональную роль.
Обучение через динамику
Контрастивное обучение здесь работает так: модель учится сближать представления локаций, которые связаны сильными мобильными потоками, и разводить те, между которыми люди почти не ездят. При этом асимметрия важна, потому что связь из спального района в деловой центр несимметрична: утренний поток один, вечерний — обратный, но не равный. Модель должна учитывать эти направления, а не просто наличие ребра.
Почему мобильность говорит больше карты
Тезис авторов в том, что всесторонний «смысл» места определяется внутренними паттернами человеческой активности и, главное, функциональными связями с другими местами, а эти связи видны именно в перемещениях. Два района могут иметь одинаковые карты POI, но один фактически является спальней, а другой — точкой притяжения. Разница проявится в том, откуда люди приезжают туда утром и куда уезжают вечером.
MoRA переворачивает обычную логику геопространственного анализа: вспомогательные модальности — спутниковые снимки, статистику, демографию — она использует не как самостоятельные источники истины, а как проекции, которые должны быть согласованы с мобильной динамикой. Это позволяет модели извлекать из статичных данных то, что напрямую связано с поведением людей.
Результаты и масштабирование
Для проверки авторы собрали бенчмарк из девяти задач прогнозирования в социальной и экономической сферах — от оценки популярности локаций до предсказания социально-экономических показателей районов. MoRA, использующая все четыре модальности, превосходит предыдущие state-of-the-art модели в среднем на 12,9%. Особенно важно, что улучшения наблюдаются на задачах, где требуется именно смысловой контекст, а не просто геометрическая близость.
Дополнительно исследователи обнаружили, что качество представлений MoRA улучшается с ростом объёма данных и числа параметров примерно по тем же законам масштабирования, которые известны по большим языковым моделям. Это свидетельствует о том, что обучение геопространственных представлений может следовать аналогичным эмпирическим принципам, и в этой области ещё есть запас для роста.
Открытый код и дальнейшие шаги
Код и предобученные веса MoRA выложены в открытый доступ, поэтому любой исследователь или разработчик может адаптировать модель под свои задачи. Для прикладных областей — от городского планирования до рекомендательных сервисов — это возможность получать осмысленные эмбеддинги локаций без необходимости строить собственную инфраструктуру с миллиардами связей.
Смысл места действительно в людях. И если мы научим модели видеть это через мобильность, то получим инструмент, который понимает города не как набор координат, а как живую сеть человеческих взаимодействий.
