[논문 리뷰] A Deep Generative Model for Feasible and Diverse Population Synthesis

Eui-Jin Kim, Prateek Bansal|arXiv (Cornell University)|2022. 08. 01.

Human Mobility and Location-Based Analysis인용 수 4

한 줄 요약

이 논문은 인구 합성에 맞춤형 정규화를 적용한 딥 생성 모델을 제안하며, 구조적 영수(비가능한 속성 조합)를 최소화하면서도 샘플링 영수(진정한 인구에서 존재하지만 HTS 샘플에 나타나지 않는 유효한 조합)를 유지한다. 이 정규화를 VAE와 GAN에 적용함으로써 타당성과 다양성을 모두 향상시켜, 각각 79.2% 정밀도(20.8% 구조적 영수)와 89.0% 정밀도(11.0% 구조적 영수)를 달성하며 전통적 모델을 능가한다.

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.

연구 동기 및 목표

• 제한된 가정 이동 조사(HTS) 샘플에 의존할 때, 타당성과 다양성을 모두 확보하는 인공 인구를 생성하는 데 도전하는 데 목적을 두며.
• 딥 생성 모델이 인구 합성 과정에서 생성하는 비가능한 속성 조합(구조적 영수)을 최소화하는 데 목적을 두며.
• HTS 샘플에 존재하지 않지만 진정한 인구에서는 유효한 속성 조합(샘플링 영수)을 유지함으로써 인공 인구의 대표성을 향상시키는 데 목적을 두며.
• 더 현실적이고 포괄적인 인공 인구를 생성함으로써 활동 기반 모델의 정확도를 향상시키는 데 목적을 두며.

제안 방법

• 딥 생성 모델(VAE 및 GAN)의 훈련을 유도하기 위해 구조적 영수를 줄이고 샘플링 영수를 유지하는 데 목적이 있는 두 가지 새로운 정규화를 제안한다.
• 구조적 영수를 줄이기 위해 GAN의 적대적 훈련 중과 VAE의 잠재 공간 최적화 중에 정규화를 적용하여 타당성 제약 조건을 강제한다.
• 기존 인구 제약 조건에 기반해 비가능한 속성 조합의 생성을 방지하기 위해 타당성 인식 손실 함수를 사용한다.
• HTS 샘플에 나타나지 않은 희귀하지만 유효한 속성 조합의 유지 여부를 평가하기 위해 다각도 인식 메트릭을 도입한다.
• 두 단계 훈련 과정을 활용한다: 첫 번째로 HTS 데이터로 모델을 사전 훈련하고, 두 번째로 구조적 영수 및 누락된 조합을 수정하기 위해 정규화를 적용한다.
• 실제 HTS 데이터 기반의 정량적 평가를 통해 타당성(구조적 영수 비율)과 다양성(샘플링 영수 유지)을 평가하는 메트릭을 사용하여 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델은 어떻게 정규화를 통해 인구 합성에서 구조적 영수를 줄이고 샘플링 영수를 유지할 수 있는가?
• RQ2 제안된 정규화는 전통적 방법과 비교해 인공 인구의 타당성과 다양성에 어떻게 기여하는가?
• RQ3 VAE나 GAN은 얼마나 많은 이전에 관측되지 않은 유효한 속성 조합을 생성할 수 있는가?
• RQ4 인공 인구 생성에서 타당성과 다양성 간의 상호 보완적 관계는 어떤가? 이를 어떻게 최적화할 수 있는가?
• RQ5 제안된 정규화는 실세계 HTS 데이터에서 인공 인구 생성의 정밀도와 재현율에 어떤 영향을 미치는가?

주요 결과

• 제안된 VAE는 HTS 샘플에서 간과된 23.5%의 인구를 생성했으며, 정밀도는 79.2%로, 이는 20.8%의 구조적 영수 비율에 해당한다.
• 제안된 GAN은 간과된 인구의 18.3%를 생성했으며, 정밀도는 89.0%로, 이는 11.0%의 구조적 영수 비율에 해당한다.
• 두 모델 모두 전통적 인구 합성 방법에 비해 타당성과 다양성의 균형을 크게 향상시켰다.
• 정규화가 효과적으로 구조적 영수를 줄였고, 높은 수준의 샘플링 영수 유지율을 유지함으로써 인공 인구의 현실성 향상을 이뤘다.
• VAE는 관측되지 않은 유효한 조합의 재현율이 더 높았고, GAN은 정밀도가 더 높아 상호 보완적인 강점을 보였다.
• 결과적으로 제안된 방법이 활동 기반 모델에 필수적인 더 정확하고 포괄적인 인공 인구를 생성함을 확인했다.