Spatial Fairness in Taxi Demand Prediction: A Hybrid Approach Leveraging District Profiles
تقترح هذه الورقة إطار عمل هجين للتنبؤ بالطلب على سيارات الأجرة يدمج بين تحليل المصفوفات غير السالبة وتحسين القرش الأبيض لمعالجة البيانات المفقودة، وشبكات الذاكرة الطويلة قصيرة المدى (LSTM) للنمذجة الزمنية، وآلية تنظيم مراعية للعدالة قائمة على تقارب المشقة النسبية لتقليل التفاوتات في التنبؤ عبر المناطق الحضرية مع الحفاظ على دقة عالية.
تخيل المدينة ككائن حي عملاق، حيث تنبض عبر عروقها ملايين النبضات الصغيرة — أشخاص يحتاجون إلى وسيلة نقل — في كل ثانية. ولكي تعمل المدينة بسلاسة، يجب أن يعرف "قلب" نظام النقل الخاص بها بدقة أين تكون هذه النبضات في أقوى حالاتها وأين تكون خافتة. هذا هو عالم التنبؤ بالطلب على سيارات الأجرة، وهو فرع من فروع علم البيانات يحاول تخمين عدد الأشخاص الذين سيحتاجون إلى رحلة في حي معين وفي وقت محدد. ولكن الجزء الصعب هنا هو أن المدن فوضوية؛ فالبيانات غالبًا ما تكون مفقودة (مثل طلب رحلة نسي أن يذكر مكان بدايته)، وليست كل الأحياء متشابهة. فبعضها مراكز صاخبة، بينما البعض الآخر هادئ أو يعاني من الفقر. إذا تعلم نموذج حاسوبي فقط من المناطق المزدحمة والغنية، فقد ينسى المناطق الهادئة، مما يترك الناس في تلك الأحياء ينتظرون للأبد سيارة أجرة لن تأتي أبدًا. يسأل هذا البحث سؤالاً جوهرياً: هل يمكننا بناء نظام تنبؤ ليس ذكياً فحسب، بل عادلاً أيضاً، لضمان عدم تخلف أي حي عن الركب؟
قرر الباحثان وراء هذه الدراسة، غزالك إسلامي وفؤاد قادري، بناء متنبئ لسيارات الأجرة "فائق الذكاء" لا ينظر إلى الأرقام فحسب، بل يفهم أيضاً قصة المدينة. لقد تعاملا مع المدينة كأنها أحجية ضخمة ذات قطع مفقودة. أولاً، كان عليهما إصلاح الأجزاء المكسورة من بياناتهما. تخيل محاولة حل أحجية (بازل) حيث نصف قطعها مفقودة؛ لا يمكنك مجرد التخمين عشوائياً. استخدم المؤلفان خدعة ذكية تسمى تحليل المصفوفات غير السالبة (NMF)، وهي تشبه العثور على الأنماط الخفية في الأحجية لتخمين كيف ينبغي أن تبدو القطع المفقودة. ولجعل هذا التخمين أكثر دقة، أضافوا خوارزمية "تحسين القرش الأبيض" (WSO). فكر في هذا كقرش جائع وذكي للغاية يسبح عبر البيانات، ويصطاد أفضل طريقة ممكنة لملء الفجوات، مما يضمن اكتمال الأحجية قبل أن يبدأوا في حلها.
لكن الأحجية المكتملة ليست كافية؛ فالصورة يجب أن تكون عادلة. أدرك الفريق أن الأحياء لا تختلف فقط في عدد الأشخاص الذين يريدون رحلات، بل تختلف في معاناة سكانها. فبعض المناطق تعاني من ارتفاع معدلات البطالة، وأخرى تعاني من الازدحام السكني، وبعضها يعاني من انخفاض الدخل. ابتكر المؤلفون طريقة جديدة لقياس ذلك تسمى القرب النسبي للمشقة (RHP). فبدلاً من القول فقط "هذا الحي فقير"، ينظر RHP إلى نمط المعاناة. الأمر يشبه إدراك أن عائلتين مختلفتين قد يكون لهما دخل مختلف تماماً، ولكن إذا كانتا تعانيان من نفس المزيج من الإيجارات المرتفلة، وطول مسافات التنقل، ونقص الوظائف، فهما "متشابهتان نسبياً" في مشقتهما. يستخدم النموذج هذا لجمع الأحياء معاً. إذا ارتكب النموذج خطأً في أحد الأحياء، فإنه يتحقق من "أصدقائه" (الأحياء المشابهة) ليرى ما إذا كان قد ارتكب الخطأ نفسه هناك. إذا فعل ذلك، يتلقى النموذج "توبيخاً" لطيفاً (عقوبة رياضية) ليحاول جاهداً أن يكون عادلاً مع الجميع، وليس فقط مع المناطق سهلة التنبؤ.
النتائج التي توصلت إليها هذه التجربة، والتي اختُبرت على مجموعة بيانات ضخمة من مدينة شيكاغو، واعدة للغاية. وجد الفريق أن نهجهم الهجين، الذي يمزج بين إصلاح البيانات بأسلوب القرش وبين التحقق من العدالة، حقق درجة دقة عالية جداً. وتحديداً، وصلوا إلى جذر متوسط مربع الخطأ (RMSE) قدره 5.1 ومتوسط الخطأ المطلق (MAE) قدره 3.8. ولوضع ذلك في سياقه، فعندما قارنوا طريقتهم بالنماذج الشائعة الأخرى مثل ARIMA أو الشبكات العصبية القياسية، كان نموذجهم "القرش والعدالة" هو الفائز الواضح، متفوقاً عليهم جميعاً.
ولعل الاكتشاف الأكثر إثارة هو تكلفة كون المرء عادلاً. عادةً، عندما تجبر حاسوباً على أن يكون عادلاً، فإنه يصبح أقل دقة بشكل عام. لقد قاس المؤلفون "ثمن العدالة" هذا ووجدوا أنه منخفض للغاية، حوالي 2% فقط. وهذا يعني أنهم حصلوا على نظام أكثر إنصافاً، حيث حصل الناس في الأحياء المتعثرة على تنبؤات خدمة أفضل، دون التضحية بالكثير من الدقة للمدينة ككل. في الواقع، قام النموذج بتحسين التنبؤات في أكثر المناطق حرمانًا بشكل أكبر، حيث قلل أخطاءها بشكل كبير مع زيادة طفيفة فقط في أخطاء المناطق التي تخدم جيداً بالفعل. إنه يشبه إلى حد كبير معلماً يقرر قضاء وقت إضافي في مساعدة الطلاب الذين يعانون أكثر من غيرهم؛ قد ينخفض متوسط الفصل قليلاً، لكن لا يُترك أي طالب خلف الركب.
في النهاية، يشير هذا البحث إلى أنه ليس علينا الاختيار بين مدينة ذكية ومدينة عادلة. فمن خلال استخدام ملفات تعريف المناطق لفهم الاحتياجات المحلية واستخدام "عقوبة عدالة" خاصة للحفاظ على نزاهة النموذج، يمكننا إنشاء أنظمة نقل تعمل للجميع. تُظهر الدراسة أنه باستخدام الأدوات الصحيحة، يمكننا ملء البيانات المفقودة، وربط النقاط بين الأحياء المتشابهة، وضمان أنه عندما تطلب سيارة أجرة، يكون النظام مستعداً لك، بغض النظر عن مكان سكنك.
ملخص تقني: العدالة المكانية في التنبؤ بالطلب على سيارات الأجرة
بيان المشكلة يعد التنبؤ الدقيق بالطلب على سيارات الأجرة أمراً بالغ الأهمية للإدارة الفعالة للنقل الحضري، ومع ذلك، غالباً ما تغفل النماذج الحالية التوزيع العادل لجودة الخدمة عبر المناطق ذات المستويات الاجتماعية والاقتصادية المختلفة. في مدن مثل شيكاغو، يمكن أن تؤدي التفاوتات في توافر وسائل النقل إلى تفاقم عدم المساواة القائمة، مما يؤدي إلى مواجهة المجتمعات المهمشة لفترات انتظار أطول ووصول محدود إلى الخدمات الأساسية. علاوة على ذلك، تعاني مجموعات البيانات في العالم الحقيقي غالباً من نقص كبير في البيانات (مثل فقدان مناطق المجتمع المسؤولة عن عمليات الركوب)، مما يعيق تدريب نماذج تنبؤية قوية. يعالج هذا البحث التحدي المزدوج المتمثل في تحسين دقة التنبؤ في ظل وجود بيانات مفقودة مع التخفيف الصريح للتحيز الخوارزمي لضمان تخصيص عادل للخدمة عبر المناطق الحضرية المتنوعة ديموغرافياً.
المنهجية الإطار المقترح هو نهج هجين يتكون من ثلاث مراحل أساسية: استكمال البيانات، ونمذجة التبعية المكانية الواعية بالعدالة، وتحسين التنبؤ متعدد الدقة.
استكمال البيانات عبر NMF-WSO الهجين: لمعالجة بيانات الطلب المفقودة، يقوم المؤلفون بإعادة بناء مصفوفة الطلب باستخدام مزيج من تحليل المصفوفات غير السالبة (NMF) وتحسين القرش الأبيض (WSO).
ملفات تعريف المناطق: بدلاً من الاعتماد على التهيئة العشوائية، يستخدم النموذج ملفات تعريف خاصة بكل منطقة (متوسط مسافة الرحلة، والمدة، والسعر). يتم توحيد هذه الميزات ووزنها بناءً على ارتباط بيرسون الخاص بها مع الطلب المرصود لتوليد قيم أولية مستنيرة لمصفوفات NMF.
التحسين: يتم استخدام خوارزمية WSO، وهي خوارزمية ميتاهيورستية مستوحاة من الطبيعة، لتحسين تحليل المصفوفات W و H، مما يحسن إعادة بناء الهياكل المكانية-الزمانية الكامنة التي حجبتها البيانات المفقودة.
نمذجة التبعية المكانية ومحاكاة العدالة: يعمل الإطار على نمذجة التبعيات المكانية من خلال تحديد المناطق المتشابهة لإثراء التنبؤات للمنطقة المستهدفة.
القرب النسبي للمشقة (RHP): تم تقديم مقياس مبتكر لتقييم التشابه بين المناطق المجتمعية بناءً على تحدياتها الاجتماعية والاقتصادية النسبية بدلاً من مستويات المشقة المطلقة. يتم حساب RHP كتشابه جيب التمام (cosine similarity) بين ناقلات الانحراف للسمات الديموغرافية (مثل معدل الفقر، والبطالة، ومستوى التعليم) عن المركز العام للمدينة. وهذا يسمح بتجميع المناطق التي تواجه تحديات هيكلية متشابهة.
التشابه المشترك: يتم حساب درجة التشابه عن طريق وزن كل من قرب حاويات الطلب والتشابه الديموغرافي (عبر RHP). يتم اختيار أفضل k من المناطق الأكثر تشابهاً لتعزيز السلاسل الزمنية التاريخية للمنطقة المستهدفة.
بنية LSTM: تقوم شبكة الذاكرة الطويلة قصيرة المدى (LSTM) بمعالجة السلسلة الزمنية المشتركة للمنطقة المستهدفة وجيرانها الأكثر تشابهاً للتنبؤ بالطلب المستقبلي.
التنظيم الواعي بالعدالة: لفرض العدالة، يتم دمج حد تنظيم مدرك مكانياً في دالة الخسارة (Ltotal=Lbase+λ⋅Lfairness).
العدالة المحلية: يعمل هذا الحد على معاقبة التفاوتات في أخطاء التنبؤ بين المناطق المتشابهة ديموغرافياً (كما هو محدد بواسطة RHP). فهو يقلل الفرق بين مقياس العدالة المحلية F(d) لمنطقتين، حيث يتم تعريف F(d) بأنه الفرق بين مؤشر المشقة الموحد وجذر متوسط مربع الخطأ (RMSE) الموحد لتلك المنطقة المحددة.
العدالة العالمية: يضمن حد ثانوي بقاء متوسط الخطأ عبر المجموعات الديموغرافية المحددة مسبقاً متسقاً.
الهدف: يوجه التنظيم النموذج لتقليل عدم اتساق التنبؤ في المناطق ذات المشقة العالية، حتى لو أدى ذلك إلى زيادة طفيفة في الخطأ الإجمالي.
تحسين التنبؤ متعدد الدقة: لتعزيز الدقة، يستخدم النظام نهجاً ذا مستويين. يتم تدريب نموذج LSTM لكل ساعة ونموذج LSTM لكل 15 دقيقة. يتم جمع تنبؤات الـ 15 دقيقة الأربعة المتتالية، ويتم دمج هذا المجموع مع تنبؤ الساعة الأصلية كسمات مدخلة لنموذج انحدار تعزيز التدرج (GBR)، والذي يقوم بتحسين التنبؤ النهائي بالطلب.
المساهمات الرئيسية
دمج ملفات تعريف المستوى الإقليمي: تدمج الدراسة الميزات الخاصة بالمنطقة (مسافة الرحلة، المدة، السعر) مع الانحدار الخطي وتوحيد البيانات لتهيئة NMF، مما يوفر تمثيلاً أكثر دقة لديناميكيات الطلب مقارنة بالتهيئة العشوائية التقليدية.
استخراج العوامل الكامنة المعزز: يحسن تطبيق تحسين القرش الأبيض (WSO) على NMF قدرة النموذج على التقاط أنماط وارتباطات الطلب المعقدة، مما يؤدي إلى استكمال أفضل للبيانات.
القرب النسبي للمشقة (RHP): يسمح إدخال RHP بمحاكاة علاقات الطلب بناءً على التحديات الاجتماعية والاقتصادية النسبية، مما يتيح تجميع المناطق الواعي بالعدالة والذي يتجاوز مجرد مقاييس المشقة المطلقة البسيطة.
التنظيم الواعي بالعدالة: يدمج الإطار صراحةً آلية تنظيم تعاقب توزيعات الخطأ غير المتساوية عبر الوحدات المكانية المتشابهة، مما يعزز الأداء المتوازن دون التضحية بقدرة تنبؤية كبيرة.
النتائج تم تقييم الإطار المقترح على مجموعة بيانات ضخمة لسيارات الأجرة في شيكاغو (من مايو إلى نوفمبر 2013)، وحقق جذر متوسط مربع الخطأ (RMSE) قدره 5.1 ومتوسط الخطأ المطلق (MAE) قدره 3.8، متفوقاً على النماذج المرجعية بما في ذلك ARIMA وMLP وGRU وT-GCN وST-GAT.
الاستكمال: نجح نهج NMF-WSO الهجين في إعادة بناء البيانات المفقودة، حيث حقق النموذج الساعي RMSE قدره 6.9 على بيانات الاختبار المحجوزة المستخدمة للتحقق من الاستكمال.
تأثير العدالة: أدى إدخال تنظيم العدالة (λ=0.48) إلى تقليل فجوة العدالة بشكل كبير. على وجه التحديد، انخفض RMSE للمناطق ذات المشقة العالية (RHP مرتفع) من 6.2 إلى 5.4، بينما شهدت المناطق ذات المشقة المنخفضة زيادة طفيفة من 4.6 إلى 4.9. كما انخفضت أقصى فجوة عدالة عبر المجموعات من 1.2 (بدون تنظيم) إلى 0.5.
ثمن العدالة (PoF): جاء التحسن في الإنصاف بتكلفة طفيفة على الدقة الإجمالية. تم حساب PoF بنحو 2% (زيادة الخطأ الإجمالي من 4.9 إلى 5.0)، مما يثبت إمكانية تحقيق مكاسب كبيرة في العدالة مع حد أدنى من المقايضة في الأداء التنبئي.
الأهمية الإحصائية: أكدت اختبارات t أن تنبؤات النموذج لم تظهر انحرافات ذات دلالة إحصائية عن الحقيقة الأرضية عبر مجموعات RHP المختلفة، مما يشير إلى أداء متسق.
الأهمية تجادل الورقة بأن دمج قيود العدالة المهيكلة في نماذج التنبؤ بالطلب هو أمر ضروري تقنياً وأخلاقياً في آن واحد. من خلال إعطاء الأولوية للعدالة، يمنع النموذج التحيز الخوارزمي الذي قد يفضل الأحياء الثرية، مما يعزز العدالة الاجتماعية في التنقل الحضري. تشير النتائج إلى أن أنظمة الذكاء الاصطناعي "الواعية بالعدالة" يمكن أن تعزز التوزيع العادل لموارد النقل — مما يقلل من أوقات الانتظار وفجوات الخدمة في المجتمعات الضعيفة — مع الحفاظ على مستويات عالية من الدقة التنبؤية. يقدم هذا النهج حلاً قابلاً للتوسع للمخططين الحضريين لمعالجة عدم المساواة المنهجية في توفير خدمات النقل.