比较生成式流动模型的公平性

本工作考察了生成式流动模型的公平性，聚焦于模型性能在不同地理区域之间公平性的常被忽视的维度。基于人流数据构建的预测模型在理解城市结构和运动模式方面发挥着重要作用；然而，这些模型风险会嵌入偏见，尤其是在时空语境中，模型性能可能反映并强化与地理分布相关的既有不平等。在此，我们提出了一种新颖的框架，通过衡量生成迹迹的效用和公平性来评估公平性。效用通过常见通勤者（CPC）衡量，这是一种衡量生成迹迹与真实流动相似性的指标；而公平性则采用人口统计平等性进行评估。通过重新构建人口统计平等性以反映CPC分布在两个群体之间的差异，我们的分析揭示了各种模型在编码数据中所呈现偏见方面的差异。我们利用了四种模型（重力模型、辐射模型、深度重力模型和非线性重力模型），结果表明，传统的重力模型和辐射模型产生更公平的结果，尽管深度重力模型实现了更高的CPC。这种差异凸显了模型准确性与公平性之间的权衡，特征丰富的深度重力模型放大了社区表征中既有偏见。我们的发现强调了在流动建模中集成公平性指标的重要性，以避免延续不平等。