[논문 리뷰] FairST: Equitable Spatial and Temporal Demand Prediction for New Mobility Systems

An Yan, Bill Howe|arXiv (Cornell University)|2019. 06. 21.

Urban Transport and Accessibility참고 문헌 40인용 수 8

한 줄 요약

FairST는 공간-시간 역학을 1D, 2D, 3D 컨볼루션을 사용하여 통합하는 정당성 인식 딥러닝 모델로, 신규 모빌리티 시스템의 수요를 예측하면서 형평성 격차를 최소화한다. 지역 기반(RFG) 및 개인 기반(IFG) 정당성 메트릭을 도입하여 정당성 격차를 80% 이상 감소시키며, 정확도에서 최신 기술 모델을 능가한다.

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.

연구 동기 및 목표

• 차량 공유 및 라이드헤일링과 같은 신규 모빌리티 시스템에서 역사적으로 소외된 공동체가 부족하게 서비스되는 체계적 불평등 문제를 해결하기 위해.
• 정당성을 설계 요구사항으로 명시적으로 통합한 공간-시간 수요 예측 모델을 개발하기 위해.
• 연속적이고 공간적으로 분포된 수요 예측에 적합한 새로운 정당성 메트릭—지역 기반 정당성 격차(RFG) 및 개인 기반 정당성 격차(IFG)—를 정의하기 위해.
• 정확도를 희생시키지 않고도 정당성 정규화를 딥러닝 프레임워크에 통합하기 위해.
• 정당성 인식 모델링이 형평성 향상과 함께 정확도 기준 모델을 유지하거나 초월할 수 있음을 경험적으로 검증하기 위해.

제안 방법

• FairST는 세 개의 스트림 아키텍처를 사용한다: 시간적 특징(예: 기온)을 위한 1D CNN, 공간적 특징(예: 자전거 도로 위치)을 위한 2D CNN, 격자 구조의 도시에서 공간-시간 역학을 모델링하기 위한 3D CNN.
• 정당성 정규화는 예측 손실에 정당성 손실 항목(RFG 또는 IFG)을 추가하여 실시되며, 인구 집단 간 정당한 예측을 장려한다.
• RFG는 각 격자 셀 내에서 예측 수요와 인구 비율을 비교하여 지역 수준에서 정당성을 측정하는 반면, IFG는 개인 수준의 인구 분포를 사용하여 정당성을 평가한다.
• 정당성 정규화기는 미분 가능하므로, 예측 오차와 정당성 격차를 동시에 최소화하도록 모델이 끝에서 끝까지 학습할 수 있다.
• 모델는 예측 손실과 정당성 손실의 가중 조합을 사용하여 학습되며, 정확도와 형평성 간의 트레이드오프를 제어하는 하이퍼파rameter λ가 사용된다.
• 실험은 실제 자전거 공유 및 라이드헤일링 데이터셋을 사용하며, 수요는 공간 격자와 시간 간격으로 이산화되어 3D 컨볼루션 처리를 가능하게 한다.

실험 결과

연구 질문

• RQ1 정확도를 훼손시키지 않고도 딥러닝 모델에 정당성을 효과적으로 통합할 수 있는가?
• RQ2 지역 기반(RFG) 및 개인 기반(IFG) 정당성 메트릭은 모빌리티 수요 예측에서 형평성을 얼마나 잘 포착하는가?
• RQ3 정당성 정규화는 신규 모빌리티 시스템의 예측 수요에서 인구 통계적 격차를 어느 정도 줄일 수 있는가?
• RQ4 정당성 인식 모델은 정확도와 형평성 메트릭 모두에서 정당성 무시 기준 모델을 능가하는가?
• RQ5 모델은 역사적으로 소외된 집단을 우선시하기 위해 예측 수요를 어떻게 재분배하는가?

주요 결과

• FairST는 단일 민감 속성 설정에서 정당성 격차를 80% 이상 감소시켰으며, LSTM, ConvLSTM, 3D CNN와 같은 정당성 무시 기준 모델을 크게 능가한다.
• 정당성 정규화를 통합함에도 불구하고 FairST는 3D CNN 및 ConvLSTM와 같은 최신 기술 모델보다 높은 예측 정확도를 달성하였으며, 특히 IF 정규화기를 사용할 경우 더욱 두드러진다.
• 다중 민감 속성 설정(Race, Age, Education)에서는 적절한 λ 값으로 FairST가 모든 세 가지 속성에서 불평등을 줄이며 경쟁 가능한 정확도를 유지한다.
• ConvLSTM에 비해 FairST + RF(λ=0.15) 및 FairST + IF(λ=0.5)는 동일하거나 더 높은 정확도를 달성하면서 모든 메트릭에서 유의미하게 향상된 정당성 성능을 보였다.
• 시각화 결과 FairST는 부유하고 교육 수준이 높은 지역(예: 시애틀 북서부)에서의 예측 수요를 불리한 지역(예: 시애틀 남부)으로 재분배하여 역사적 과소예측을 수정함을 보여준다.
• 다양한 인구 통계 집단에서 불평등을 감소시키는 데 있어, 모델의 정당성 정규화기는 기준 정당성 정규화 기법보다 더 효과적이다.