不靠轨迹也不靠卫星图：只用人口与商业结构，把全美105万个网格压成256维向量

地理机器学习此前多依赖行为轨迹或卫星影像来刻画一个地方，而人口、商业、通勤、健康与环境这类相对稳定的结构属性通常只作为辅助变量出现。 已有的地理基础模型主要分两支：一支从出行、访问和搜索等动态行为信号学习表示，另一支从卫星或街景影像学习表示，结构属性很少被当作唯一的预训练信号。 该模型完全不用行为轨迹和影像，只用 572 个结构属性及其邻域聚合，覆盖美国 1,055,537 个 H3 分辨率 7 网格。

这些向量在重建输入时保留了绝大部分结构信息，并且在地图上平滑变化，邻近网格的向量高度相似。 此前没有公开的嵌入产品原生提供 H3 分辨率 7 的表示，因此原生分辨率上的对照只能是一个从原始输入中按目标无关方式挑出的 256 维特征选择基线。 重建的标准化输入平均 R² 为 0.853，256 维中 251 维近似互不相关，相邻网格与其邻域均值的平均余弦相似度为 0.980，而随机置换邻域基线为 0.867。

在 74 个外部目标上，这些向量可以直接当作特征使用，覆盖 H3 分辨率 7、ZCTA、普查区和投票选区四种空间单元。 在 ZCTA 分辨率上，对照对象是原生发布在该分辨率的 Google 人口动态基础模型，而 PlacePulse 需要先从 H3 网格按面积加权聚合上去。 在 ZCTA 上公共卫生 0.610 对 0.573、经济状况 0.633 对 0.605，兴趣点 0.784 对 0.906、物理地理 0.628 对 0.744；在选区和普查区上，选举 0.737 对 0.709、经济流动性 0.546 对 0.508、社会脆弱性与恢复力 0.435 对 0.302。

这项工作面向在美国境内做空间分析的研究人员和工程师，输入是 H3 分辨率 7 网格上的结构属性，输出是每个网格一个 256 维单位范数向量，可直接作为下游回归任务的特征。向量位于单位球面上，余弦相似度等于点积，因此全国范围的最近邻检索可以写成一次矩阵乘法。作者提出下一步应直接测试结构表示与动态或影像表示的拼接，并把评估扩展到县等更粗的空间单元。

输入是商业提供的 2025 年建模估计值而非直接观测，其自身误差会传入嵌入和每一个下游结果，且许可限制使完整复现受限。覆盖范围限于美国单一网格，向其他国家与数据制度的可迁移性未经验证。评估是直推式的：嵌入在固定且完整观测的网格上生成并评估，作者不对未见网格、年份或地区作归纳性泛化声明。结果来自一次探索性扫描中选定的单一配置，对架构与超参数的敏感性只得到部分刻画。部分下游目标与输入共享协变量，跨模型差异可能部分反映输入与目标的重叠而非表示质量本身。