본 논문은 다양한 데이터 소스에서 얻어지는 지리 공간 데이터의 급증과 지속적인 업데이트에 따라, 데이터 기반 도시 계획 발전을 위한 도시 표현 학습을 위한 지리 공간 기반 모델 사전 학습의 중요성을 강조한다. 특히, 기존 모델이 여러 공간적 세분성을 아우르는 장소와 문맥이 풍부한 지역에 대한 추론 능력의 부족을 해결하기 위해, 훈련이 필요 없는 클러스터링 기반 접근 방식을 통해 장소 표현을 캡처하는 PlaceFM을 제안한다. PlaceFM은 미국 Foursquare 데이터를 기반으로 구축된 전체 관심 지점(POI) 그래프를 요약하여, 일반적인 목적의 지역 임베딩을 생성하고 관심 장소를 자동으로 식별한다. 이 임베딩은 다양한 도시 관련 후속 작업을 지원하기 위해 지리 위치 데이터 파이프라인에 직접 통합될 수 있다. PlaceFM은 고비용의 사전 학습 없이, 대규모 POI 그래프에서 다중 세분성 지리 공간 분석을 위한 확장 가능하고 효율적인 솔루션을 제공한다. ZIP 코드 수준의 인구 밀도 및 주택 가격 예측과 같은 두 가지 실제 예측 작업에 대한 실험 결과, PlaceFM이 대부분의 최첨단 그래프 기반 지리 공간 기반 모델보다 성능이 우수하며, 대규모 POI 그래프에서 지역 수준 표현을 생성하는 속도가 최대 100배 빠르다는 것을 입증한다.
