Resumen:La previsión de la movilidad humana es crucial para la ayuda en caso de desastres, la planificación urbana y la salud pública. Sin embargo, los modelos existentes solo modelan secuencias de ubicación o incluyen información temporal simplemente como entrada auxiliar, por lo que no logran aprovechar el rico contexto semántico proporcionado por los puntos de interés (POI). Para abordar esto, enriquecemos un modelo de movilidad basado en BERT con descriptores temporales derivados e incorporaciones de puntos de interés para capturar mejor la semántica subyacente al movimiento humano. Proponemos STaBERT (BERT con reconocimiento semántico-temporal), que integra puntos de interés e información temporal en cada ubicación para construir una representación de movilidad unificada y semánticamente enriquecida. Los resultados experimentales muestran que STaBERT mejora significativamente la precisión de la predicción: para la predicción de una sola ciudad, la puntuación GEO-BLEU mejoró de 0,34 a 0,75; para predicción de varias ciudades, de 0,34 a 0,56.
Publicado originalmente en export.arxiv.org el 23 de octubre de 2025.
Ver fuente original
