MoRA：结合人类移动的地理空间表示学习新突破

城市区域的社会经济特征如何被AI精准理解？传统的卫星影像仅能提供建筑、道路等地表信息，却无法区分功能相近的区域——比如两片外观相似的街区，一个服务周边居民，另一个吸引全城消费者。来自学术会议的一项研究尝试突破这一局限，将人类活动联系与多源数据结合，让模型更全面地识别区域的社会经济属性。

这项发表于相关学术会议的研究名为MoRA，核心思路是将人类移动关系作为地理空间表示学习的核心。模型将线下场所映射为H3网格，基于一周内不同网格间共享的交易活动建立关联网络，汇总54周数据后形成包含约20万个节点的图结构。这里的移动关系反映的是可观测的区域关联，而非逐次出行路线，分析对象聚焦于区域尺度的特征，每个主实验网格平均面积约36平方公里。

MoRA的实现分为三个关键步骤：首先用图嵌入方法LINE对移动网络预编码，再通过LightGCN图神经网络汇集关联区域的信息，让区域表示既包含自身特征，也受周边区域影响；其次分别编码多源辅助数据：兴趣点的名称和类别由文本模型处理，卫星影像由视觉模型编码，人口统计信息由多层感知机处理，研究使用了行业公开的超一亿个兴趣点，覆盖各类场所；最后采用受对比学习启发的方法，将各模态数据与移动特征对齐，训练后为每个区域生成128维的数字向量，供后续预测任务使用。

为验证模型性能，研究团队开展了包含人口密度、平均受教育年限等九项社会经济指标的评测。结果显示，在全国范围的对比中，MoRA在八项任务中取得了所比较方法的最高平均R²值，R²用于衡量模型对目标变量变化的解释程度，数值越高表示性能越好。论文报告的平均提升为12.9%，是各任务相对于最强基线的R²相对变化的平均，并非准确率提升12.9个百分点。

为确认移动关系的作用，团队进行了消融实验：将移动网络替换为仅连接地理相邻网格的网络后，模型平均表现下降，这证明了人类活动建立的远距离联系，为模型提供了地理邻近关系之外的有效信息。

研究还探索了预训练范围的影响，对比了江苏、华东和全国三个预训练范围，统一在江苏区域评测。结果显示，扩大预训练范围总体带来性能提升，从江苏扩展到华东时提升尤为明显，但继续扩大到全国后，平均收益减小，部分任务出现回落。这表明区域研究可受益于更广范围的活动联系，但目前的嵌套地域实验不足以建立普适的地理空间标度律，也未验证模型在未见区域的零样本能力。

在实际应用层面，项目提供了公开代码和蒸馏模型，蒸馏模型可从经纬度近似生成MoRA的区域表示，无需提供原始四类数据，方便其他研究者使用。但需注意，蒸馏模型与完整模型在多项任务上表现不同，使用者需根据自身数据和目标重新验证，不能直接套用完整模型的结果。

应用中还需关注数据代表性问题：交易活动数据受平台、场景和人群影响，无法完全覆盖所有居民；人口和消费等评测任务与预训练输入存在来源关联，采用更独立的数据和跨地区测试，有助于进一步检验模型的适用范围。此外，研究提到了匿名化、网格聚合和模型蒸馏等隐私保护措施，但这些措施仍需结合具体流程验证，无法保证应对所有隐私风险。

MoRA为将人类活动关系纳入地理空间表示提供了可行路径，它也提出了值得继续探索的问题：当AI认识一个区域时，该区域与其他区域的联系，能补充多少仅靠本地属性难以获得的信息？