Naukowcy zaproponowali LE4Mob - framework do tworzenia reprezentacji lokalizacji dla modeli mobilności człowieka, który potrafi indukcyjnie generować embeddingi dla dotąd nieznanych miejsc. Tradycyjne embeddingi lokalizacji są uzależnione od obserwacji mobilności użytkowników, co uniemożliwia ich zastosowanie do nowych lokalizacji i ogranicza przenoszalność między różnymi zbiorami danych.
LE4Mob rozwiązuje te problemy poprzez pre-trening oparty na kontekście geograficznym - informacjach takich jak opis tekstowy miejsca czy dane kartograficzne. Kluczową innowacją jest wprowadzenie celu regularyzacji uwzględniającego dystans, który zmusza przestrzeń embeddingów do zachowania rzeczywistych relacji przestrzennych między lokalizacjami. W praktyce oznacza to, że miejsca leżące blisko siebie na mapie będą mieć zbliżone reprezentacje numeryczne.
W testach na zadaniach predykcji następnej lokalizacji oraz generowania przepływów dojazdu do pracy, LE4Mob wykazał lepsze wyniki niż konkurencyjne metody bazowe, zwłaszcza w scenariuszach obsługi nowych, niewidzianych wcześniej lokalizacji. Wyzwanie polega na tym, że istnieje spore prawdopodobieństwo, iż podczas testów pojawią się miejsca, których model nigdy nie widział - w tym właśnie wypadku LE4Mob wykazał wyraźną przewagę. Niezależność od danych treningowych dotyczących konkretnych zadań mobilności czyni ten framework praktycznym do ponownego użycia w różnych aplikacjach, od analizy transportu publicznego po modelowanie epidemiologiczne.