Исследователи представили модель AlphaEarth, которая повышает точность прогнозирования пространственно-временных точечных процессов в условиях нехватки исторических данных. Интеграция внешних пространственных контекстных эмбеддингов в архитектуру log-Gaussian Cox process позволяет эффективно компенсировать дефицит локальных событий, обеспечивая более надежное предсказание в регионах с низкой плотностью данных, что критически важно для оперативного планирования экстренных служб.

Традиционные модели часто сталкиваются с проблемой обобщения, когда данных о прошлых событиях на конкретной территории недостаточно для построения точного прогноза. Авторы работы доказывают, что использование дополнительных пространственных признаков (AlphaEarth embeddings) позволяет модели «переносить» знания между регионами, сохраняя высокую предсказательную способность даже при разреженной истории наблюдений.

Метод был протестирован на данных экстренных медицинских служб, где точность прогнозирования времени и места возникновения инцидентов напрямую влияет на скорость реагирования. Результаты показывают, что добавление контекстуальных эмбеддингов в качестве линейного пространственного контекста значительно улучшает метрики качества по сравнению с моделями, опирающимися исключительно на историю событий.

Ключевые факты

  • AlphaEarth использует внешние пространственные эмбеддинги для усиления базовых моделей log-Gaussian Cox process.
  • Метод решает проблему «холодного старта» и разреженных данных при прогнозировании пространственно-временных точечных процессов.
  • Эффективность подхода подтверждена на реальных сценариях работы экстренных медицинских служб.
  • Модель демонстрирует улучшенные возможности пространственного переноса знаний между различными географическими зонами.