[논문 리뷰] Enhancing Diversity and Feasibility: Joint Population Synthesis from Multi-source Data Using Generative Models

Farbod Abbasi, Zachary Patterson외 1명|arXiv (Cornell University)|2026. 02. 17.

Traffic Prediction and Management Techniques인용 수 0

한 줄 요약

이 논문은 인구 통계 및 여행 조사 데이터로 에이전트 기반 모델용 일관되고 다양하며 실행 가능한 합성 인구를 합성하기 위해 그래디언트 패널티와 역 그래디언트 패널티가 있는 Wasserstein GAN(WGAN-GP)을 이용한 다원 소스 합성 인구 생성 방법을 제안한다.

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.

연구 동기 및 목표

• 교통 및 도시 계획에서 에이전트 기반 모델(ABM)을 위한 합성 인구 생성의 동기를 제시한다.
• 합성 과정에서 다중 소스 데이터를 통합함으로써 단일 소스 및 순차적 데이터 융합 접근법의 한계를 다룬다.
• 생성 과정에서 샘플링 제로와 구조적 제로를 명시적으로 다루어 다양성과 실행 가능성을 향상시킨다.
• 합성 데이터의 유사성, 다양성 및 실행 가능성을 평가하기 위한 통합 평가 지표를 도입한다.
• 실제 인구조사 및 여행조사 데이터에 대한 실용적인 프레임워크와 평가를 제공한다.

제안 방법

• 공통 속성을 가진 두 데이터셋에서 공동으로 학습하기 위해 그래디언트 패널티(WGAN-GP)가 있는 Wasserstein GAN을 사용한다.
• 생성 샘플의 다양성과 실행 가능성을 촉진하기 위한 정규화 항으로 역 그래디언트 패널티(IGP)를 도입한다.
• 크로스-데이터셋 일관성을 보장하기 위해 한 크리틱이 첫 번째 데이터셋 부분을 평가하고 다른 크리틱이 두 번째 부분을 평가하는 듀얼 크리틱 GAN 설계를 적용한다.
• 유사성, 다양성 및 실행 가능성을 재현율(recall), 정밀도(precision), F1-점수를 통해 결합하는 통합 평가 지표를 정의한다.
• 공통 범주 분포를 정렬하고 원-핫 인코딩을 적용하며 인구조사 데이터를 개인 수준으로 비분해한다.

실험 결과

연구 질문

• RQ1 다원 소스 인구조사 및 여행 설문 데이터를 효과적으로 융합하여 일관된 합성 개체를 합성하는 데 공동 GAN 프레임워크가 효과적인가?
• RQ2 역 그래디언트 패널티를 도입하면 다원 소스 합성 인구의 다양성과 실행 가능성이 향상되는가?
• RQ3 배포적 유사성, 다양성 및 실행 가능성 측면에서 공동 다원 소스 접근법은 순차적 데이터 융합 기준 방법과 어떻게 비교되는가?
• RQ4 이 맥락에서 합성 표형 데이터의 유사성, 다양성 및 실행 가능성을 가장 잘 포착하는 통합 지표는 무엇인가?

주요 결과

• 제안된 공동 다원 소스 접근 방식은 순차적 베이스라인보다 우수하며, 재현율은 7%p, 정밀도는 15%p 증가한다.
• 정규화 항(IGP)이 다양성과 실행 가능성을 추가로 개선하여 재현율이 10% 증가하고 정밀도가 1% 증가한다.
• 통합 유사성 지표(다섯 가지 지표 점수)에서 공동 접근법이 전체 유사성을 더 크게 달성하여(88.1) 순차 방법(84.6)보다 높다.
• 유사성, 다양성 및 실행 가능성 전반에 걸친 평가에서 제안된 방법이 ABM용 합성 인구를 더 다양하고 실행 가능하게 생성함을 보여준다.
• 하나의 GAN 프레임워크 내에서 인구조사 및 여행 조사 데이터를 통합하여 세분화된 합성 인구를 생성하는 가능성을 입증한다.