利用残差感知时空图神经网络缓解城市预测中的空间差异：以芝加哥为例
机器学习
2025-01-22 v1
摘要
城市预测任务（如预测交通流量、温度和犯罪率）对于高效的城市规划和管理至关重要。然而，现有的时空图神经网络（ST-GNN）往往仅关注准确率，忽视其在预测中的空间和人口统计差异。这种忽视可能导致资源分配不均，加剧城市地区的既有不平等。本研究引入残差感知注意力（RAA）模块和平等增强损失函数，以解决上述问题。通过在训练期间调整邻接矩阵并纳入空间差异指标，我们的方法旨在减少局部残差和误差的聚集。我们将方法应用于芝加哥的城市预测任务，选用交通需求数据集进行示例。我们的模型在公平性指标上实现了48%的显著提升，仅增加了9%的误差指标。残差分布的空间分析表明，采用RAA模块的模型产生更均衡的预测结果，尤其是在中心地区减少了误差。注意力图显示，模型能够动态调整关注重点，实现更均衡的预测。对芝加哥各社区地区的案例研究进一步说明了我们方法在解决空间和人口统计差异方面的有效性，为更公平的城市规划和政策制定提供支持。
引用
@article{arxiv.2501.11214,
title = {Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study},
author = {Dingyi Zhuang and Hanyong Xu and Xiaotong Guo and Yunhan Zheng and Shenhao Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:2501.11214},
year = {2025}
}