Google Researchは8月21日(現地時間)、AIモデルが場所の機能的なリズムを理解し、営業時間や価格帯、混雑度といった現実世界の属性予測を向上させるための新しいフレームワーク「Mobility-Embedded POIs (ME-POIs)」を発表した。このフレームワークは、従来の静的なテキスト情報に加え、集約・匿名化されたモビリティパターンを組み込むことで、対象となる場所（points of interest: POIs）の動的な機能性を捉えるという。
ME-POIsは、テキストベースの場所表現を改善することを目的としている。従来の言語モデルは、住所、ビジネスカテゴリ、テキスト記述といった静的メタデータに大きく依存してPOIの表現を構築してきた。しかし、Google Researchは、都市環境における現実世界の機能的ダイナミクスを組み込むことで、Geminiのような先進的な言語モデルの地理空間表現を大幅に豊かにすることが可能になるとしている。
ME-POIsは、公開ベンチマークデータセットから得られる到着時刻、滞在時間、周囲の移動パターンなどの集約・匿名化されたモビリティパターンを、テキスト記述と自己教師あり学習アプローチで融合させる。このアプローチにより、モデルは場所のアイデンティティとその動的な機能性の両方をエンコードする数値ベクトル表現を構築する。ME-POIsを先進的なテキストモデルと統合した結果、訪問意図の予測において最大81.9%の相対的向上、価格帯分類において75.1%の改善、未観測の場所における混雑度推定精度において24.7%の増加が確認された。
ME-POIsフレームワークは、「訪問アライメント」「空間マルチスケール訪問伝播」「テキスト・モビリティシナジー」の3ステップのパイプラインで機能する。特に、地理空間データサイエンスにおける課題であるデータスパース性（ロングテール問題）に対処するため、空間マルチスケール訪問伝播メカニズムを導入している。このメカニズムは、データが豊富な隣接地域の集約された訪問パターンを、データが少ない小規模な場所に統計的に転送することで、データ不足の場所についても学習を可能にする。
テキスト・モビリティシナジーの段階では、高レベルの言語埋め込み（Geminiなどのモデルから抽出される標準的なベクトル表現）と新しく生成されたモビリティベクトルを整合させることで、テキスト記述を強化する。このハイブリッドアプローチにより、モデルは構造的セマンティクス（例えば、テキストから場所が食べ物を販売していること）を保持しつつ、その場所の運用コンテキスト（例えば、モビリティシグネチャからランチスポットか深夜のダイナーか）を吸収できるという。ME-POIsフレームワークの有効性は、様々なタスクで示されており、未観測の場所に対する属性予測においてもモデルの一般的なインテリジェンスが示された。
参考: Google Research Blog (アーカイブ) — 2026年8月21日 19:54 (JST)
原文ハイライト"mobility gives language models a deeper understanding of place"