基于不完整信息的人口合成
机器学习
2025-10-02 v1
摘要
本文提出一种人口合成模型，利用 Wasserstein 生成对抗网络（WGAN）对不完整微样本进行训练。通过使用掩码矩阵表示缺失值，该研究提出了一种允许模型从具有部分缺失信息的训练数据集中学习的 WGAN 训练算法。该方法旨在解决因隐私 concerns 或数据收集限制导致的微样本在一个或多个属性上缺失信息的挑战。本文将训练于不完整微样本的 WGAN 模型与训练于完整微样本的 WGAN 模型进行对比，创建合成人口。我们采用瑞典全国旅行调查数据进行一系列评估。通过生成所有模型的合成人口并将其与实际人口数据集进行比较来验证所提方法的有效性。实验结果表明，所提方法成功生成的合成数据与使用完整数据训练的模型以及实际人口高度相似。该论文为人口合成领域提供了一套针对不完整数据的人口合成鲁健解决方案，为未来研究开辟了新方向，并凸显了深度生成模型在推动人口合成能力方面的潜力。
引用
@article{arxiv.2510.00859,
title = {Population Synthesis using Incomplete Information},
author = {Tanay Rastogi and Daniel Jonsson and Anders Karlström},
journal= {arXiv preprint arXiv:2510.00859},
year = {2025}
}
备注
Presented at 25th Euro Working Group on Transportation (EWGT) Meeting