人がいつ訪れ、どれほど滞在するかをAIの場所表現に加えることで、店舗などの属性予測が改善した。場所表現を学習する手法ME-POIsは、匿名化・集計済みの移動データをテキスト情報と統合する。Googleは、学習に使っていない場所でも予測の改善を確認したとしている。
到着・出発・滞在の時系列を場所の特徴にする
Googleが開発した場所表現の学習手法Mobility-Embedded POIs（ME-POIs）は、店舗や公園などの地点を、テキストと移動情報を合わせた数値ベクトルで表す。公開ベンチマークに含まれる匿名化・集計済みの移動パターンを自己教師あり学習に取り込み、名前や業種に加えて、実際の利用のリズムを表現する。
移動情報の処理では、時間エンコーダーが到着する時間帯、出発の傾向、滞在時間の時系列を密なベクトル空間へ写像する。生成するベクトルは、1年間の周期と曜日ごとの訪問パターンを捉える。従来の地理空間AI研究で主に次の訪問先の予測に使われてきた移動情報が、この手法では場所自体の特徴を作る入力になった。
訪問記録の少ない場所へ周辺のパターンを伝える
場所ごとの移動ベクトルを作る際、訪問記録が少ない地点には、周辺にあるデータの豊富な地点の集計済み訪問パターンを統計的に伝播させる。これにより、対象地点に蓄積された記録だけに依存せず、周辺地域の利用状況を場所表現に取り込む。
伝播は、すぐ近くの通り、街区、さらに広い近隣地域という複数の空間スケールで行う。周辺のパターンを取り込んだ移動ベクトルが、次にテキスト由来のベクトルと組み合わせる情報になる。
言葉の意味と利用時間帯を同じ表現へ組み込む
移動情報から生成したベクトルは、言語モデルから得た場所のベクトルと整合させる。学習では両者のコサイン類似度を最大化し、テキストが示す場所の意味と、訪問パターンが示す利用状況を結び付ける。
例えば、テキストに含まれる飲食店という意味に、昼食時に利用されるのか、深夜に利用されるのかという時間帯の情報を加える。統合表現は、場所の説明文を残しながら、その場所がどのように利用されるかも表す。
未学習の場所で価格帯や混雑度の予測を評価
Googleは、ロサンゼルスとヒューストンを対象に、一部の場所で表現を学習し、学習に使っていない場所の属性を予測する実験を行った。評価対象は、開店・閉店時刻、価格帯、恒久的な閉店、訪問意図、混雑度の5課題だった。
訪問意図の分類では、場所に対する集計済みの検索・経路案内への関心を人気の代理指標として扱った。Googleの評価では、テキストモデルに移動情報を統合することで、未学習の場所における訪問意図、価格帯、混雑度の予測が改善した。