[論文レビュー] A Deep Generative Model for Feasible and Diverse Population Synthesis

Eui-Jin Kim, Prateek Bansal|arXiv (Cornell University)|Aug 1, 2022

Human Mobility and Location-Based Analysis被引用数 4

ひとこと要約

本稿では、構造的ゼロ（不可能な属性の組み合わせ）を最小限に抑えつつ、サンプリングゼロ（真の母集団では存在するがHTSサンプルにない有効な組み合わせ）を保持するようにカスタマイズされた正則化を施した深層生成モデルを提案する。VAEおよびGANにこの正則化を適用することで、妥当性と多様性の両方が向上し、それぞれ79.2%の精度（20.8%の構造的ゼロ）および89.0%の精度（11.0%の構造的ゼロ）を達成。従来のモデルを上回る性能を発揮した。

ABSTRACT

An ideal synthetic population, a key input to activity-based models, mimics the distribution of the individual- and household-level attributes in the actual population. Since the entire population's attributes are generally unavailable, household travel survey (HTS) samples are used for population synthesis. Synthesizing population by directly sampling from HTS ignores the attribute combinations that are unobserved in the HTS samples but exist in the population, called 'sampling zeros'. A deep generative model (DGM) can potentially synthesize the sampling zeros but at the expense of generating 'structural zeros' (i.e., the infeasible attribute combinations that do not exist in the population). This study proposes a novel method to minimize structural zeros while preserving sampling zeros. Two regularizations are devised to customize the training of the DGM and applied to a generative adversarial network (GAN) and a variational autoencoder (VAE). The adopted metrics for feasibility and diversity of the synthetic population indicate the capability of generating sampling and structural zeros -- lower structural zeros and lower sampling zeros indicate the higher feasibility and the lower diversity, respectively. Results show that the proposed regularizations achieve considerable performance improvement in feasibility and diversity of the synthesized population over traditional models. The proposed VAE additionally generated 23.5% of the population ignored by the sample with 79.2% precision (i.e., 20.8% structural zeros rates), while the proposed GAN generated 18.3% of the ignored population with 89.0% precision. The proposed improvement in DGM generates a more feasible and diverse synthetic population, which is critical for the accuracy of an activity-based model.

研究の動機と目的

• 限られた世帯移動調査（HTS）サンプルに依存する場合に、妥当性と多様性の両方を満たす合成人口を生成する課題に対処すること。
• 深層生成モデルが人口合成の過程で生じる無効または不適切な属性の組み合わせ（構造的ゼロ）を最小限に抑えること。
• HTSサンプルに存在しないが真の母集団では有効な属性の組み合わせ（サンプリングゼロ）を保持することで、合成人口の代表性を高めること。
• より現実的で包括的な合成人口を生成することで、行動ベースモデルの精度を向上させること。

提案手法

• 深層生成モデル（VAEおよびGAN）の学習をガイドするための2つの新規正則化を提案し、構造的ゼロを低減するとともにサンプリングゼロを保持すること。
• GANにおける敵対的学習中およびVAEにおける潜在空間最適化中に正則化を適用し、妥当性制約を強制する。
• 既知の母集団制約に基づき、不適切な属性の組み合わせの生成をペナルティ化する妥当性認識損失関数を用いる。
• HTSサンプルに観察されないが有効な属性の組み合わせの保持を評価する多様性認識メトリクスを導入する。
• 2段階の学習プロセスを採用：まずHTSデータでモデルを事前学習し、次に不適切な組み合わせおよび欠落した組み合わせを是正する正則化を適用する。
• 妥当性（構造的ゼロ率）と多様性（サンプリングゼロの保持）の両方を評価する指標を用い、実世界のHTSデータを用いた定量的評価でモデル性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルに正則化を施すことで、構造的ゼロを低減するとともにサンプリングゼロを保持することができるか？
• RQ2 提案された正則化は、従来の手法と比較して合成人口の妥当性と多様性をどのように向上させるか？
• RQ3 VAEまたはGANは、母集団内で観察されていなかったが有効な属性の組み合わせをどの程度正確に生成できるか？
• RQ4 合成人口生成における妥当性と多様性のトレードオフはどの程度であり、どのように最適化できるか？
• RQ5 提案された正則化は、実世界のHTSデータにおける合成人口生成の精度と再現率にどのように影響を与えるか？

主な発見

• 提案されたVAEは、HTSサンプルで無視された人口の23.5%を生成し、79.2%の精度（20.8%の構造的ゼロ率）を達成した。
• 提案されたGANは、無視された人口の18.3%を生成し、89.0%の精度（11.0%の構造的ゼロ率）を達成した。
• 両モデルとも、妥当性と多様性のバランスを取る点で、従来の人口合成手法を顕著に上回った。
• 正則化により構造的ゼロが有意に低減されるとともに、サンプリングゼロの保持が高く維持されたため、合成人口の現実性が向上した。
• VAEは、観察されなかったが有効な組み合わせの再現率が高く、GANは精度が優れており、相補的な強みを示した。
• 結果から、提案手法により、行動ベースモデリングに不可欠なより正確で包括的な合成人口が生成可能であることが確認された。