When Context Compensates for Sparse Event History: AlphaEarth for Spatio-Temporal Point-Process Forecasting
시공간 포인트 프로세스(STPP) 모델이 지역 이벤트 이력이 희박할 때 공간 전이(spatial transfer) 예측에서 어려움을 겪는 문제를 다루며, AlphaEarth(AE) 임베딩을 외생 공간 컨텍스트로 log-Gaussian Cox 프로세스에 선형 결합하는 방식을 제안한다. 8개 보류 지역에서 응급의료서비스(EMS) 수요 예측 실험 결과, 학습 이력이 1~2주로 극히 짧을 때 AE 증강 모델이 이벤트 전용 모델 대비 약 2~6배의 예측 밀도 향상을 보이며, 이력이 20~104주로 늘어나도 10~20%의 성능 이점이 유지됨을 확인했다.