面向网约车需求预测的公平性增强深度学习
机器学习
2023-03-13 v1 计算机与社会
摘要
按需网约车服务的短期需求预测是智能交通系统的基本问题之一。然而，以往的出行需求预测研究主要聚焦于提升预测精度，忽视了公平性议题，例如弱势社区出行需求被系统性低估。本研究探讨如何在网约车服务的时空需求预测中测量、评估并增强弱势与优势社区间的预测公平性。我们采取双管齐下的方法来减少需求预测偏差。首先，我们开发了名为社会感知神经网络（SA-Net）的新型深度学习模型架构，通过创新的社会感知卷积操作整合社会人口统计与乘车信息以实现公平需求预测。其次，我们提出偏差缓解正则化方法，以缩小不同群体间的平均百分比预测误差差距。基于真实世界芝加哥交通网络公司（TNC）数据验证的实验结果表明，去偏SA-Net在预测精度与公平性上均取得更优性能。具体而言，相较最先进模型，SA-Net提升了弱势与优势群体的预测精度。当与偏差缓解正则化方法结合时，去偏SA-Net有效弥合了弱势与优势群体间的平均百分比预测误差差距，并保护弱势区域免受TNC需求系统性低估的影响。我们提出的去偏方法可被许多现有短期出行需求估计模型采用，并可用于犯罪事件预测等多种其他时空预测任务。
引用
@article{arxiv.2303.05698,
title = {Fairness-enhancing deep learning for ride-hailing demand prediction},
author = {Yunhan Zheng and Qingyi Wang and Dingyi Zhuang and Shenhao Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:2303.05698},
year = {2023}
}