[論文レビュー] Enhancing Diversity and Feasibility: Joint Population Synthesis from Multi-source Data Using Generative Models

Farbod Abbasi, Zachary Patterson+1 more|arXiv (Cornell University)|Feb 17, 2026

Traffic Prediction and Management Techniques被引用数 0

ひとこと要約

この論文は、Wasserstein GAN with gradient penaltyとinverse gradient penaltyを用いて、国勢調査データと旅行調査データからエージェントベースモデル（ABM）のための一貫性があり多様で実現可能な合成人口を合成する、共同多源人口合成法を提案します。

ABSTRACT

Generating realistic synthetic populations is essential for agent-based models (ABM) in transportation and urban planning. Current methods face two major limitations. First, many rely on a single dataset or follow a sequential data fusion and generation process, which means they fail to capture the complex interplay between features. Second, these approaches struggle with sampling zeros (valid but unobserved attribute combinations) and structural zeros (infeasible combinations due to logical constraints), which reduce the diversity and feasibility of the generated data. This study proposes a novel method to simultaneously integrate and synthesize multi-source datasets using a Wasserstein Generative Adversarial Network (WGAN) with gradient penalty. This joint learning method improves both the diversity and feasibility of synthetic data by defining a regularization term (inverse gradient penalty) for the generator loss function. For the evaluation, we implement a unified evaluation metric for similarity, and place special emphasis on measuring diversity and feasibility through recall, precision, and the F1 score. Results show that the proposed joint approach outperforms the sequential baseline, with recall increasing by 7\% and precision by 15\%. Additionally, the regularization term further improves diversity and feasibility, reflected in a 10\% increase in recall and 1\% in precision. We assess similarity distributions using a five-metric score. The joint approach performs better overall, and reaches a score of 88.1 compared to 84.6 for the sequential method. Since synthetic populations serve as a key input for ABM, this multi-source generative approach has the potential to significantly enhance the accuracy and reliability of ABM.

研究の動機と目的

• 交通と都市計画におけるABMの人工人口生成を動機づける。
• 単一源および逐次データ統合アプローチの限界を、合成時に多源データを統合することで解決する。
• 生成時のサンプリングゼロと構造ゼロを明示的に扱い、多様性と実現可能性を向上させる。
• 合成データの類似性・多様性・実現可能性を評価する統一評価指標を導入する。
• 実データの国勢調査と旅行調査データに対して実用的なフレームワークと評価を提供する。

提案手法

• 共通属性を持つ二つのデータセットから共同学習するためにWasserstein GAN with gradient penalty（WGAN-GP）を使用する。
• 生成サンプルの多様性と実現可能性を促進する正則化項として逆勾配ペナルティ（IGP）を導入する。
• 二重批判者GAN設計を採用し、一方の批判者が最初のデータセットの部分を、もう一方が第二のデータセットを評価し、データ間の一貫性を確保する。
• 類似性・多様性・実現可能性をrecall・precision・F1スコアで統合した統一評価指標を定義する。
• 共通のカテゴリ分布を整列させ、ワンホットエンコーディングを適用し、国勢データを個人レベルへ分解することによる前処理を行う。

実験結果

リサーチクエスチョン

• RQ1 共同GANフレームワークは、複数源の国勢調査データと旅行調査データを効果的に融合して一貫性のある合成個人を生成できるか。
• RQ2 逆勾配ペナルティを導入すると、多源の合成人口の多様性と実現可能性が向上するか。
• RQ3 共同多源アプローチは、分布類似性・多様性・実現可能性の観点で逐次データ融合のベースラインとどのように比較されるか。
• RQ4 この文脈における合成表データの類似性・多様性・実現可能性を最も適切に捉える統一指標は何か。

主な発見

• 提案された共同多源アプローチは逐次ベースラインを上回り、recallは7%、precisionは15%の改善。
• 正則化項（IGP）は多様性と実現可能性をさらに向上させ、recallが10%、precisionが1%の増加。
• 統一類似性指標（五指標スコア）は、共同アプローチが逐次法より全体的な類似性を高く（88.1）示した。
• 類似性・多様性・実現可能性の評価を通じて、提案手法がABM向けにより多様で実現可能な合成人口を生成することを示している。
• 国勢調査データと旅行調査データを単一のGANフレームワーク内で統合し、分解された合成人口を生成することが実現可能であることを示す。