一个地方的意义，由人构成
地理坐标描述的是一个物体在哪里，却不能解释这是什么地方、它有什么用。住宅区、商业中心或公园之间的区别，与其说在于地形地貌，不如说在于人们如何使用它们、如何在其间流动。正是这些日常活动的模式，以及由出行和居民流动所产生的区域之间的联系，才构成了一个地点的真正内涵。
这一原则构成了MoRA模型的基础，该模型由Ya Wen领导的研究团队在arXiv:2506.01297论文中提出。他们提议将流动性视为学习地理空间表征的主要框架。模型不是仅仅依赖静态特征——地图、基础设施、建筑密度——而是从人们的移动方式、通勤去向、周末消遣之处出发。
MoRA：一个以流量为主角的平台
MoRA是一个以人为本的地理空间平台，通过移动性图连接多种数据类型。该图是一个地点网络，其边反映了人们的真实移动——包括流量和方向。这个图包含约十亿条连接，即使是在差异很大的区域之间，也能捕捉到功能上的依赖关系。
四种模态，而非一种
MoRA的输入数据分为四大块：超过1亿个兴趣点（POI）、大规模卫星影像、结构化的人口统计数据和前面提到的移动性图。最重要的是层级关系：图不仅仅是一种模态，而是解释所有其他数据的基础。卫星图像、商店类别或人口密度，只有与它们所吸引的人流联系起来，才有意义。
在技术上，该平台使用空间分词将地理坐标转换为离散的标记，然后图神经网络（GNN）聚合相邻节点的信息，而一种特殊的非对称对比学习机制则在统一的向量空间中对齐不同模态。其结果是每个地点得到一个紧凑的128维表示，其中包含其社会经济背景和功能角色。
通过动态进行学习
这里的对比学习是这样运作的：模型学习拉近那些由强移动流连接的地点的表征，同时推开那些人们几乎不往来的地点。非对称性之所以重要，是因为从住宅区到商业中心的联系并不是对称的：早上的流量是一种，晚上的流量是反向的，但并不相等。模型必须考虑这些方向，而不仅仅是边的存在。
为什么流动性比地图更能说明问题
作者的核心论点是，一个地方全面的“意义”由其内部的人类活动模式，以及更重要的是与其他地方的功能联系所决定，而这些联系恰恰体现在移动中。两个区域可能有相同的POI地图，但一个实际上是“睡城”，另一个则是吸引点。区别会体现在人们早上从哪里来、晚上又回到哪里去。
MoRA颠覆了地理空间分析的常规逻辑：它不把辅助模态——卫星影像、统计数据、人口数据——当作独立的真理来源，而是作为必须与移动动态相一致的投影。这使得模型能够从静态数据中提取出与人类行为直接相关的信息。
结果与规模化
为了验证效果，作者构建了一个包含九项社会经济预测任务的基准，从地点热度评估到区域社会经济指标预测。使用全部四种模态的MoRA，平均比之前的state-of-the-art模型高出12.9%。尤其重要的是，在那些需要语义上下文而不仅仅是几何邻近性的任务上，改进尤为明显。
此外，研究人员还发现，MoRA的表征质量会随着数据量和参数数量的增加而提升，其规律与大型语言模型所展现的扩展法则大致相似。这表明，地理空间表征学习可以遵循类似的经验原则，而且这个领域还有进一步增长的空间。
开源与后续步骤
MoRA的代码和预训练权重已开放获取，任何研究人员或开发者都可以根据自己的任务调整模型。对于从城市规划到推荐服务等应用领域，这意味着无需构建自己的十亿级连接基础设施，就能获得有意义的地点嵌入。
一个地方的意义，确实在于人。如果我们能让模型通过流动性看到这一点，我们就会拥有一个工具，它不是把城市理解为一组坐标，而是理解为一个由人类互动构成的鲜活网络。
