[論文レビュー] FairST: Equitable Spatial and Temporal Demand Prediction for New Mobility Systems

An Yan, Bill Howe|arXiv (Cornell University)|Jun 21, 2019

Urban Transport and Accessibility参考文献 40被引用数 8

ひとこと要約

FairST は、空間的・時間的ダイナミクスを 1D、2D、3D の畳み込みを用いて統合することで、新規モビリティシステムにおける需要を予測すると同時に、公平性のギャップを最小限に抑える公平性に配慮したディープラーニングモデルである。地域ベースの（RFG）および個人ベースの（IFG）公平性メトリクスを導入し、公平性のギャップを 80% 以上低減するとともに、最新の最先端モデルを上回る精度を達成している。

ABSTRACT

Emerging transportation modes, including car-sharing, bike-sharing, and ride-hailing, are transforming urban mobility but have been shown to reinforce socioeconomic inequities. Spatiotemporal demand prediction models for these new mobility regimes must therefore consider fairness as a first-class design requirement. We present FairST, a fairness-aware model for predicting demand for new mobility systems. Our approach utilizes 1D, 2D and 3D convolutions to integrate various urban features and learn the spatial-temporal dynamics of a mobility system, but we include fairness metrics as a form of regularization to make the predictions more equitable across demographic groups. We propose two novel spatiotemporal fairness metrics, a region-based fairness gap (RFG) and an individual-based fairness gap (IFG). Both quantify equity in a spatiotemporal context, but vary by whether demographics are labeled at the region level (RFG) or whether population distribution information is available (IFG). Experimental results on real bike share and ride share datasets demonstrate the effectiveness of the proposed model: FairST not only reduces the fairness gap by more than 80%, but can surprisingly achieve better accuracy than state-of-the-art yet fairness-oblivious methods including LSTMs, ConvLSTMs, and 3D CNN.

研究の動機と目的

• カーシェアリングやライドシェアリングなどの新規モビリティシステムにおける、歴史的に疎かにされてきたコミュニティがサービスを十分に受けられないというシステム的不平等を是正すること。
• 公平性を設計要件として明示的に組み込むが、後から追加するのではなく、空間的・時間的需要予測モデルを構築すること。
• 連続的かつ空間的に分散された需要予測に適した、新たな公平性メトリクスとして、地域ベースの公平性ギャップ（RFG）および個人ベースの公平性ギャップ（IFG）を定義すること。
• 予測精度を損なわずに、公平性正則化をディープラーニングフレームワークに統合すること。
• 公平性に配慮したモデリングが、公平性と精度の両方を同時に向上させられることを実証的に検証すること。

提案手法

• FairST は三重ストリームアーキテクチャを採用している：1D CNN は時間的特徴（例：気温）を処理し、2D CNN は空間的特徴（例：自転車レーンの位置）を処理し、3D CNN はグリッド構造の都市における空間的・時間的ダイナミクスをモデル化する。
• 公平性正則化は、主な予測損失に加えて、公平性損失項（RFG または IFG）を追加することで実現され、異なる人口集団間での予測の公平性を促進する。
• RFG は各グリッドセルにおける予測需要と人口構成の割合を比較することで、地域レベルでの公平性を測定する。一方、IFG は個人レベルの人口分布を用いて公平性を評価する。
• 公平性正則化項は微分可能であるため、モデルは予測誤差と公平性ギャップの両方を最小化するように、エンドツーエンドで学習できる。
• モデルは、予測損失と公平性損失の重み付き組み合わせを用いて学習され、ハイパーパrameter λ が精度と公平性のトレードオフを制御する。
• 実験では、実世界の自転車シェアリングおよびライドシェアリングデータセットが使用され、需要は空間グリッドと時間インターバルに離散化され、3D 畳み込み処理が可能になる。

実験結果

リサーチクエスチョン

• RQ1 精度を損なわせることなく、空間的・時間的需要予測のためのディープラーニングモデルに公平性を効果的に統合できるか？
• RQ2 地域ベース（RFG）および個人ベース（IFG）の公平性メトリクスは、モビリティ需要予測における公平性をどの程度的確に捉えられるか？
• RQ3 公平性正則化は、新規モビリティシステムの予測需要における人種的・社会的格差をどの程度低減できるか？
• RQ4 公平性に配慮したモデルは、精度と公平性メトリクスの両面で、公平性を無視したベースラインを上回るか？
• RQ5 モデルは、歴史的に代表されていなかったコミュニティを優遇するために、予測需要をどのように再配分するか？

主な発見

• FairST は、単一の感受性属性を想定した状況で、公平性ギャップを 80% 以上低減し、LSTM や ConvLSTM、3D CNN といった公平性を無視したベースラインを著しく上回った。
• 公平性正則化を組み込んでも、FairST は 3D CNN や ConvLSTM といった最先端モデルを上回る予測精度を達成しており、特に IF 正則化子を用いる場合に顕著である。
• 複数の感受性属性（人種、年齢、教育水準）を想定した設定でも、適切な λ 値を用いた FairST は、3 つの属性すべてで不平等を低減しながらも、競争力のある精度を維持した。
• ConvLSTM と比較して、FairST + RF（λ=0.15）および FairST + IF（λ=0.5）は、同等またはより高い精度を達成するとともに、すべてのメトリクスで顕著に改善された公平性を示した。
• 可視化結果から、FairST は、裕福で教育水準の高い地域（例：シーヅルの西北部）からの予測需要を、劣位な地域（例：シティーサウス）に再配分することで、歴史的な低予測を是正していることがわかった。
• ベースラインの公平性正則化手法よりも、FairST の公平性正則化項は、多様な人口集団における不平等の低減においてより効果的であることが示された。