MobilityMirror：偏差调整后的交通数据集
数据库
2019-01-28 v3
摘要
我们描述了用于发布移动性数据的定制化合成数据集。私营公司正在提供新的交通方式，其数据对于综合交通研究、政策执行和公共问责具有极高价值。然而，这些公司不仅出于保护个人（司机和/或乘客）隐私的考虑，也出于保护自身竞争优势的考虑，缺乏共享数据的动力。此外，若服务交付方式所带来的 demographic biases（人口统计偏差）在发布数据被用于其他情境时被放大，将产生问题。我们描述了一种用于发布起讫点直方图的模型与算法，该算法利用基于因果的方法去除数据中选定的偏差。我们计算原始数据集的起讫点直方图，然后调整计数以去除可能导致歧视或违反与数据所有者合同义务的不良因果关系。我们在西雅图无桩共享单车项目和纽约出租车数据的真实数据上评估了该算法的效用，结果表明这些调整后的交通数据集能够在去除底层数据偏差的同时保留效用。
引用
@article{arxiv.1808.07151,
title = {MobilityMirror: Bias-Adjusted Transportation Datasets},
author = {Luke Rodriguez and Babak Salimi and Haoyue Ping and Julia Stoyanovich and Bill Howe},
journal= {arXiv preprint arXiv:1808.07151},
year = {2019}
}
备注
Presented at BIDU 2018 workshop and published in Springer Communications in Computer and Information Science vol 926