최근 도시 지역의 효과적인 표현을 학습하는 방법은 도시 역학을 이해하고 더 스마트한 도시를 발전시키는 핵심 접근으로서 상당한 주목을 받고 있다. 기존 접근들은 이동성(mobility) 데이터를 활용해 잠재 표현을 생성할 수 있는 가능성을 보여주었으며, 도시 지역의 내재적 특성에 대한 유의미한 통찰을 제공한다. 그러나 인간의 이동 패턴에 내재된 시간적 역학과 상세한 의미(semantics)를 통합하는 문제는 아직 충분히 탐구되지 않았다. 이러한 공백을 해소하기 위해, 우리는 도시 지역 표현 학습을 위한 새로운 모델인 Mobility Time Series Contrastive Learning for Urban Region Representations (MobiCLR)를 제안하며, 유입(inflow) 및 유출(outflow) 이동 패턴으로부터 의미적으로 타당한 임베딩(embedding)을 포착하도록 설계하였다. MobiCLR는 대조학습(contrastive learning)을 사용하여 표현의 변별력을 향상시키고, 인스턴스 단위의 대조 손실(instance-wise contrastive loss)을 적용함으로써 흐름(flow) 특이적 특징을 구별해 포착한다. 또한, 출력 특징을 이러한 흐름 특이적 표현과 정렬하도록 정규화 항(regularizer)을 개발하여, 이동성 역학에 대한 보다 포괄적인 이해를 가능하게 한다. 모델의 타당성을 검증하기 위해 시카고, 뉴욕, 워싱턴 D.C.에서 대규모 실험을 수행하여 소득(income), 교육 수준(educational attainment), 사회적 취약성(social vulnerability)을 예측한다. 그 결과, 본 모델은 최신(state-of-the-art) 모델들보다 성능이 우수함을 보여주었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.