出行需求预测：一种公平的人工智能方法

人工智能(AI)与机器学习已日益被用于出行需求预测。基于 AI 的出行需求预测模型虽能生成准确预测，但可能产生预测偏差并引发公平性问题。将此类有偏模型用于决策可能导致加剧社会不平等的交通运输政策。然而，关注这些模型公平性问题的研究十分有限。因此，本研究提出一种新方法，以开发具有公平性意识且高精度的出行需求预测模型。特别地，所提方法可同时增强 AI 模型对多个受保护属性(如种族与收入)的公平性。具体而言，我们在出行需求预测模型的损失函数中引入一个新的公平性正则化项，其被显式设计用于度量预测精度与多个受保护属性之间的相关性。我们开展了两个案例研究，分别使用伊利诺伊州芝加哥和得克萨斯州奥斯汀的真实网约车行程数据来评估所提方法的性能。结果凸显出，我们的方法在保持预测精度的同时，能有效增强对多个受保护属性的公平性。此外，我们将该方法与三种采用正则化项方法的现有最优方法进行比较，结果表明我们的方法在保持预测精度与增强公平性方面均显著优于它们。本研究可为交通专业人员提供一种实现公平且准确出行需求预测的新工具。