PlacePulse: Learning Transferable Place Representations from Structural Geographic Data
作者: Lucía García-Duarte, Miguel Álvarez, Diego Vicente, Javier Pérez Trufero, Javier de la Torre
分类: cs.LG
发布日期: 2026-10-09
备注: 42 pages, 11 figures, 12 tables
💡 一句话要点
提出PlacePulse以解决地理数据特征工程不足问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 地理空间模型 特征工程 结构性数据 可转移嵌入 机器学习 城市规划 公共卫生 社会经济分析
📋 核心要点
- 现有地理空间机器学习方法在特征工程上依赖大量动态信号，缺乏对静态结构组成的有效表示。
- 本文提出PlacePulse模型，通过压缩572个属性为256维嵌入，提供可转移的地点表示，适用于多种下游任务。
- 实验结果显示，PlacePulse在74个目标上超越了特征选择基线，并在多个领域表现出色，验证了其有效性。
📝 摘要（中文）
地理空间机器学习通常依赖于对大量社会经济、商业和环境变量的特征工程。尽管地理基础模型提供可重用的地点表示，但现有方法主要编码动态信号或视觉信号，鲜有模型能以可转移的嵌入形式表示地点的静态结构组成。本文提出PlacePulse，一个结构性地理基础模型，将572个属性压缩为256维单位范数嵌入，覆盖美国1,055,537个H3分辨率7的单元。我们还引入了一个可重用的双轴基准，区分内在表示质量与下游预测效用。实验结果表明，PlacePulse在多个目标和空间支持上表现优异，尤其在健康、经济和社会脆弱性等领域超越了现有基线。
🔬 方法详解
问题定义：本文旨在解决现有地理空间模型在静态结构组成表示上的不足，现有方法多依赖动态信号或图像数据，缺乏对地点静态特征的有效编码。
核心思路：PlacePulse通过压缩大量结构性地理数据，生成可转移的256维嵌入，旨在提高模型的泛化能力和下游任务的预测性能。
技术框架：模型首先收集572个属性数据，并通过H3邻域聚合扩展至2,288个输入，随后生成256维的单位范数嵌入，最后通过双轴基准评估内在表示质量与外在预测效用。
关键创新：PlacePulse的主要创新在于其将静态结构组成作为独立的表示方式，与现有方法形成互补，而非仅在缺乏动态数据时的替代方案。
关键设计：模型使用251个近似去相关的维度，损失函数设计为重构标准化输入，确保嵌入的空间组织性，Moran's I值达到0.93，显示出强的空间自相关性。
🖼️ 关键图片
📊 实验亮点
在实验中，PlacePulse在74个外部目标上超越了特征选择基线，尤其在健康、经济、选举和社会脆弱性等领域表现突出。其内在表示质量的平均R²值为0.853，且在多个领域中与Google的人口动态基础模型竞争，显示出显著的性能提升。
🎯 应用场景
PlacePulse模型的潜在应用领域包括城市规划、社会经济分析和公共卫生研究等。通过提供精确的地点表示，决策者可以更好地理解和应对城市环境中的复杂问题，提升政策制定的科学性和有效性。未来，该模型有望在更多领域中推广应用，推动地理空间数据分析的发展。
📄 摘要（原文）
Geospatial machine learning often depends on task-specific feature engineering over large collections of sociodemographic, business, and environmental variables. Geospatial foundation models offer reusable representations of place, but leading approaches typically encode dynamic signals, such as mobility and search activity, or visual signals from satellite imagery. Few models represent the static structural composition of places (who lives and works there, which businesses operate there, and which risks they face) as transferable embeddings at fine spatial resolution. We introduce PlacePulse, a structural geospatial foundation model that compresses 572 attributes, expanded to 2,288 inputs through H3 neighborhood aggregates, into 256-dimensional unit-norm embeddings for 1,055,537 H3 resolution-7 cells in the United States. We also introduce a reusable two-axis benchmark that separates intrinsic representation quality from downstream predictive utility across multiple targets and spatial supports. Intrinsically, the embeddings reconstruct standardized inputs with mean $R^2 = 0.853$, use 251 of 256 approximately decorrelated dimensions, and show strong spatial organization, with Moran's $I = 0.93$ on the leading principal component and autocorrelation persisting beyond the input radius. Extrinsically, across 74 held-out targets from 12 external sources and four spatial supports, PlacePulse outperforms a dimensionality-matched feature-selection baseline on targets unrelated to the training inputs and is competitive with Google's Population Dynamics Foundation Model, leading on health, economic, election, economic-mobility and social-vulnerability outcomes, with relative strengths that vary by domain. These findings position structural composition as a distinct and complementary modality for geospatial foundation models, not simply a fallback where behavioral or imagery data are unavailable.