FairST：面向新出行系统的公平时空需求预测
计算机与社会
2019-07-10 v1 人工智能
机器学习
应用统计
摘要
包括汽车共享、自行车共享和网约车在内的新兴交通模式正在改变城市出行，但已被证明会加剧社会经济不平等。因此，针对这些新出行体制的时空需求预测模型必须将公平性作为首要设计需求。我们提出FairST，一种用于预测新出行系统需求的公平性感知模型。我们的方法利用一维、二维和三维卷积来整合各种城市特征并学习出行系统的时空动态，但我们将公平性度量作为一种正则化形式，以使预测在人口统计群体间更公平。我们提出两种新颖的时空公平性度量：基于区域的公平性差距（RFG）和基于个体的公平性差距（IFG）。两者均在时空背景下量化公平性，区别在于人口统计信息是在区域层面标注（RFG）还是可获得人口分布信息（IFG）。在真实自行车共享和网约车数据集上的实验结果表明了所提模型的有效性：FairST不仅将公平性差距降低了80%以上，而且出人意料地取得了比包括LSTM、ConvLSTM和3D CNN在内的先进但忽略公平性的方法更好的精度。
引用
@article{arxiv.1907.03827,
title = {FairST: Equitable Spatial and Temporal Demand Prediction for New Mobility Systems},
author = {An Yan and Bill Howe},
journal= {arXiv preprint arXiv:1907.03827},
year = {2019}
}