MARCUS: Missing-Aware Region Representation with Contextual Urban Signals for Rent Prediction

📄 arXiv: 2608.18546v1 📥 PDF

作者: Chenya Huang, Bin Liang, Zhidong Li, Yuxi Lu, Kunqi Li, Justin Wang, Fang Chen

分类: cs.LG

发布日期: 2026-08-19

备注: 10 pages, 7 figures, 4 tables. Accepted at the 2026 IEEE International Conference on Data Mining (ICDM 2026)

💡 一句话要点

提出MARCUS以解决城市区域租金预测中的缺失数据问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 城市区域表示 租金预测 缺失数据处理 多模态学习 上下文信号

📋 核心要点

  1. 现有方法通常将缺失数据视为噪声，未能充分利用缺失性所蕴含的语义信息，导致模型性能受限。
  2. MARCUS模型将缺失性视为上下文信号，通过三个阶段的学习来有效处理缺失数据，提升区域表示能力。
  3. 实验结果显示，MARCUS在租金预测任务中表现优异，显著降低了预测误差，超越了现有最佳基线。

📝 摘要（中文）

多模态城市数据扩展了城市区域表示学习的应用，如功能区识别和房地产评估，但也带来了数据不完整性的问题。现有研究通常通过插补处理缺失数据，将缺失视为噪声，而忽视其潜在的语义价值。为了解决这一问题，本文提出了MARCUS模型，该模型将缺失性视为上下文城市信号。MARCUS通过三个阶段建模缺失性：内部学习联合编码观察特征和缺失模式，外部学习估计模态可靠性以指导跨模态交互，融合阶段使用缺失感知和时间感知的门控生成最终的区域嵌入。我们将MARCUS应用于租金预测任务，使用来自悉尼和纽约的真实数据集，实验结果表明MARCUS在悉尼和纽约的MAE分别减少了51.35%和12.62%。

🔬 方法详解

问题定义：本文旨在解决城市区域租金预测中的缺失数据问题。现有方法往往将缺失数据视为噪声，未能挖掘其潜在的语义价值，导致模型效果不佳。

核心思路：MARCUS模型将缺失性视为上下文城市信号，通过内部学习、外部学习和融合三个阶段来处理缺失数据，从而提升区域表示的准确性和可靠性。

技术框架：MARCUS的整体架构包括三个主要模块：内部学习模块负责联合编码观察特征和缺失模式，外部学习模块估计模态可靠性以指导跨模态交互，融合模块则使用缺失感知和时间感知的门控生成最终的区域嵌入。

关键创新：MARCUS的创新在于将缺失性视为有价值的上下文信号，而非简单的噪声处理。这一思路使得模型能够更好地利用缺失数据的信息，提升了区域表示的效果。

关键设计：在模型设计中，采用了缺失感知和时间感知的门控机制，以动态调整不同模态的影响力。此外，损失函数的设计也考虑了缺失数据的特性，以优化模型的学习过程。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MARCUS在悉尼和纽约的租金预测任务中表现优异，MAE分别降低了51.35%和12.62%，显著超越了现有最佳基线。这一成果验证了缺失性作为上下文信号的有效性，为城市区域表示学习提供了新的视角。

🎯 应用场景

该研究的潜在应用领域包括城市规划、房地产评估和智能交通等。通过更准确的租金预测，城市管理者和投资者可以做出更明智的决策，优化资源配置，提升城市发展效率。未来，该模型还可以扩展到其他领域，如环境监测和公共服务优化等。

📄 摘要（原文）

Multimodal urban data has expanded the applications of urban region representation learning, such as functional zone identification and real estate appraisal, but also introduces challenges caused by data incompleteness. Existing studies usually handle missing data through imputation, treating missingness as noise while ignoring its potential semantic value. To address this issue, we propose MARCUS, a missing-aware region representation model that treats missingness as a contextual urban signal. MARCUS models missingness in three stages: Intra Learning jointly encodes observed features and missing patterns, Inter Learning estimates modality reliability to guide cross-modal interaction, and Fusion uses missing-aware and time-aware gating to generate the final region embedding. We apply MARCUS to rent prediction, a task with long-term trends and seasonal fluctuations, using real-world datasets from Sydney and New York. Experimental results show that MARCUS achieves state-of-the-art performance, reducing MAE by 51.35% on Sydney and 12.62% on New York compared with the best baselines. Additional experiments, including an imputation-based ablation study and randomized additional-missingness analysis, further demonstrate the effectiveness of the proposed method.