[论文解读] 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 8

一句话总结

FairST 是一种公平意识的深度学习模型，通过使用一维、二维和三维卷积整合时空动态，以预测新型出行系统中的需求，同时最小化公平性差距。它引入了基于区域的（RFG）和基于个体的（IFG）公平性度量，并将公平性差距减少了80%以上，同时在准确性方面优于最先进模型。

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.

研究动机与目标

• 为解决新型出行系统（如汽车共享和叫车服务）中的系统性不公问题，这些系统往往未能充分服务历史上被边缘化的社区。
• 开发一种时空需求预测模型，将公平性明确作为设计要求，而非事后补充。
• 定义新颖的公平性度量——基于区域的公平差距（RFG）和基于个体的公平差距（IFG），适用于连续、空间分布的需求预测。
• 在不牺牲预测准确性的前提下，将公平性正则化整合到深度学习框架中。
• 通过实证验证，公平意识建模可同时提升公平性，并保持或超过忽视公平性的基线模型的准确性。

提出的方法

• FairST 采用三流架构：一维卷积神经网络（1D CNN）用于处理时间特征（如温度），二维卷积神经网络（2D CNN）用于处理空间特征（如自行车道位置），三维卷积神经网络（3D CNN）用于在网格化城市结构上建模时空动态。
• 通过在主预测损失中添加公平性损失项（RFG 或 IFG），将公平性正则化整合到模型中，以鼓励在不同人口群体之间实现更公平的预测。
• RFG 通过比较每个网格单元中预测需求与该区域人口比例，衡量区域层面的公平性；而 IFG 则利用个体层面的人口分布来评估公平性。
• 公平性正则化项是可微分的，支持端到端训练，使模型能够同时学习最小化预测误差和公平性差距。
• 模型通过加权组合预测损失与公平性损失进行训练，其中超参数 λ 控制准确率与公平性之间的权衡。
• 实验使用真实世界的共享单车和叫车服务数据集，将需求离散化为时空网格，以支持三维卷积处理。

实验结果

研究问题

• RQ1 能否在不损害准确性的前提下，有效将公平性整合到用于时空需求预测的深度学习模型中？
• RQ2 基于区域的（RFG）和基于个体的（IFG）公平性度量在捕捉出行需求预测中的公平性方面表现如何？
• RQ3 公平性正则化在多大程度上可以减少新型出行系统中预测需求的种族差异？
• RQ4 公平意识模型是否在准确性和公平性度量上均优于忽视公平性的基线模型？
• RQ5 该模型如何重新分配预测需求以优先支持历史上代表性不足的群体？

主要发现

• 在单一敏感属性场景下，FairST 将公平性差距减少了80%以上，显著优于忽视公平性的基线模型（如 LSTM、ConvLSTM 和 3D CNN）。
• 尽管引入了公平性正则化，FairST 的预测准确性仍高于最先进模型（如 3D CNN 和 ConvLSTM），尤其是在使用 IF 正则化时表现更优。
• 在多敏感属性设置（种族、年龄、教育程度）下，FairST 在适当 λ 值下可同时减少所有三项属性的不公平性，同时保持具有竞争力的准确性。
• 与 ConvLSTM 相比，FairST + RF（λ=0.15）和 FairST + IF（λ=0.5）在准确性上达到相当或更优水平，且在所有公平性度量上显著提升。
• 可视化结果表明，FairST 将预测需求从富裕、受教育程度高的社区（如西雅图西北部）重新分配至弱势地区（如城市南部），纠正了历史上的低估现象。
• 与基线公平性正则化技术相比，该模型的公平性正则化器在减少多样化人口群体中的不公平性方面更为有效。