FairMobi-Net：一种面向城市移动流生成的可公平性深度学习模型
机器学习
2023-07-24 v1 应用统计
摘要
生成跨区域的真实人类流动对于理解城市结构与人口活动模式至关重要，可支撑城市规划与管理领域的重要应用。然而，大多数现有移动生成方法的一个显著缺陷是忽视预测公平性，这可能导致对弱势人群区域间移动流的低估，进而造成资源分配与基础设施发展的不平等。为克服该局限，本研究提出一种新颖的、公平性感知的深度学习模型FairMobi-Net，用于区域间人类流动预测。FairMobi-Net模型独特地将公平性损失纳入损失函数，并采用混合方法，融合二分类与数值回归技术进行人类流动预测。我们使用来自美国四个城市的综合人类移动数据集，在人口普查 tract 级别预测人类流动，对FairMobi-Net模型进行验证。我们的结果表明，无论区域收入差异如何，FairMobi-Net模型在生成更准确且更公平的多种区域对间人类流动预测方面，优于最先进模型（如DeepGravity模型）。该模型在不同区域中始终保持高准确度，解决了此前的公平性担忧。进一步的特征重要性分析阐明了物理距离与道路网络结构对区域间人类流动的影响。以公平性为基石，该模型与结果为城市科学、交通工程与计算领域的科研人员及从业者提供了用于准确生成区域间人类移动流的有效工具。
引用
@article{arxiv.2307.11214,
title = {FairMobi-Net: A Fairness-aware Deep Learning Model for Urban Mobility Flow Generation},
author = {Zhewei Liu and Lipai Huang and Chao Fan and Ali Mostafavi},
journal= {arXiv preprint arXiv:2307.11214},
year = {2023}
}