Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference

Résumé technique : Réseaux de neurones à graphes hétérogènes avec explications a posteriori pour l'inférence multimodale et explicable de l'occupation des sols

Énoncé du problème
L'inférence de l'occupation des sols urbains est cruciale pour l'urbanisme et la prise de décision politique, mais elle fait face à des défis majeurs en matière de précision, d'intégration des données et d'interprétabilité. Les méthodes traditionnelles reposent souvent sur des hypothèses simplifiées ou des données d'enquête, échouant à capturer la nature complexe et dynamique des environnements urbains. Bien que les approches récentes basées sur les données exploitent des données de mobilité multimodales (par exemple, enregistrements téléphoniques mobiles, trajectoires GPS), les études existantes traitent fréquemment les échantillons de manière indépendante, ignorant les corrélations spatiales entre les objets voisins et l'hétérogénéité parmi les différents services de transport. De plus, la nature de « boîte noire » des modèles d'apprentissage profond entrave leur adoption dans des contextes politiques où la transparence et la capacité d'extrapolation pour les décisions à long terme sont essentielles.

Méthodologie
Les auteurs proposent un cadre explicable qui synergise les Réseaux de Neurones à Graphes Hétérogènes (HGN) avec des techniques d'IA explicable (XAI) a posteriori. La méthodologie est structurée en trois composantes principales :

1. Construction de graphes hétérogènes :
   Le système de mobilité urbaine est modélisé comme un graphe hétérogène où les nœuds représentent différents types d'infrastructures de mobilité (stations de métro, arrêts de bus, stations de vélo en libre-service) et les arêtes représentent les connexions spatiales (réseaux routiers, itinéraires de transport en commun).

   • Nœuds : Les caractéristiques sont dérivées des données quotidiennes d'afflux de passagers (intervalles de 15 minutes de 06h00 à 22h00) pour trois modes : Métro, Bus et Vélo.
   • Arêtes : Deux types de connexions sont modélisés : les arêtes du réseau de transport en commun (par exemple, lignes de métro) et les arêtes du réseau routier (catégorisées par type : principal, secondaire, résidentiel, etc.). Les connexions entre différents types de nœuds (par exemple, la marche entre un arrêt de bus et une station de métro) sont modélisées comme les plus courts chemins sur le réseau routier.
   • Étiquettes : L'intensité d'occupation des sols est définie par six catégories de Points d'Intérêt (POI) (Bureaux, Alimentation, Transport, Commerce de détail, Loisirs, Résidence) dans une zone de captage de 1 km autour de chaque nœud.

2. Modèle de Réseau de Neurones à Graphes Hétérogènes (HGT) :
   Le modèle central est un Transformer de Graphes Hétérogènes conçu pour gérer plusieurs types de nœuds et d'arêtes.

   • Transformation des caractéristiques : Les caractéristiques des nœuds sont projetées dans un espace unifié en fonction de leurs types de nœuds spécifiques.
   • Attention multi-têtes : Un mécanisme d'attention multi-têtes calcule les représentations de messages des nœuds sources vers les nœuds cibles, tenant compte des types spécifiques des nœuds sources, des nœuds cibles et des arêtes connectant.
   • Agrégation : L'information est agrégée à partir des voisins en utilisant les poids d'attention pour mettre à jour les représentations des nœuds, suivie d'une couche entièrement connectée pour prédire les intensités d'occupation des sols.

3. Explicabilité a posteriori :
   Pour résoudre le problème de la boîte noire, le cadre emploie deux méthodes XAI :

   • Attribution des caractéristiques : Utilisation des Intégrales de Gradients (et Gradient · Entrée) pour quantifier l'importance des caractéristiques d'entrée (par exemple, le flux de passagers à des moments spécifiques) sur l'occupation des sols prédite.
   • Explications contrefactuelles (EC) : Une notion nouvelle définie pour les graphes hétérogènes afin d'identifier les changements minimaux requis dans un sous-graphe (caractéristiques de nœud, types de nœuds, types d'arêtes ou structure) pour faire passer une prédiction de son état actuel à un état d'occupation des sols « mixte » souhaitable. Cela implique le calcul d'une métrique de dissimilarité locale de sous-graphe tenant compte des différences de caractéristiques, de types et de structure.

Contributions clés

• Intégration des données : Les auteurs construisent un graphe hétérogène intégrant des données de mobilité multimodales (Bus, Métro, Vélo) et des données de réseau topologique, permettant l'apprentissage de représentations spatiales qui capturent l'hétérogénéité des systèmes de transport urbains.
• Nouvelle application des HGN : Ce travail est pionnier dans l'application des Réseaux de Graphes Hétérogènes pour l'inférence de l'occupation des sols, abordant spécifiquement les dépendances spatiales et l'hétérogénéité des nœuds et des arêtes. L'étude démontre que les HGN surpassent significativement les modèles de référence (NN, GCN, GAT, GraphSage, RGCN).
• Cadre d'explicabilité : L'article introduit une analyse d'attribution des caractéristiques pour vérifier le comportement du modèle par rapport aux attentes des parties prenantes (par exemple, les schémas de navetteurs) et définit une nouvelle méthode d'explication contrefactuelle adaptée aux graphes hétérogènes. Cela permet aux urbanistes de comprendre non seulement ce que le modèle prédit, mais comment des modifications spécifiques des entrées pourraient conduire à des résultats différents et idéaux.

Résultats
Des expériences empiriques ont été menées sur un ensemble de données couvrant le centre et l'intérieur de Londres, utilisant des données de Transport for London (TfL) et d'OpenStreetMap.

• Performance : Le modèle HGT proposé a constamment surpassé tous les modèles de référence sur les six indicateurs d'occupation des sols. Les améliorations les plus significatives ont été observées pour « Alimentation » (68,35 % d'amélioration de l'erreur absolue moyenne par rapport au NN) et « Bureaux » (63,95 % d'amélioration).
• Analyse spatiale : L'analyse de la distribution des résidus a montré que le HGT a considérablement réduit la surestimation ou la sous-estimation systématique de zones spécifiques par rapport aux modèles homogènes (GCN), indiquant une meilleure prise en charge de l'hétérogénéité spatiale.
• Étude d'ablation : Des expériences supprimant des modes de transport spécifiques ont confirmé que l'augmentation de la connectivité et des informations hétérogènes (combinaison de données bus, métro et vélo) sont complémentaires et cruciales pour la précision des prédictions, en particulier pour des catégories difficiles comme « Loisirs ».
• Résultats d'explicabilité :
  • Attribution des caractéristiques : L'importance des caractéristiques liées à l'heure de la journée correspondait aux schémas d'activité humaine connus (par exemple, fort afflux matinal pour les zones résidentielles, fort afflux du soir pour les zones de bureaux/alimentation).
  • Contrefactuels : L'analyse a révélé que l'atteinte d'un état d'occupation des sols « mixte » nécessite des degrés de changement variables selon l'emplacement. Pour certains nœuds, la modification des caractéristiques du nœud (flux de trafic) était le principal moteur, tandis que pour d'autres, la modification des types d'arêtes (hiérarchie routière) ou des types de nœuds était plus critique.

Signification et affirmations
L'article affirme que le cadre proposé fournit un outil robuste, précis et transparent pour les parties prenantes urbaines. En passant du traitement indépendant des échantillons à une approche de graphe hétérogène, le modèle capture les dépendances spatiales complexes et l'hétérogénéité des services. Crucialement, l'intégration d'explications a posteriori comble le fossé entre l'apprentissage profond de haute précision et la transparence requise pour la prise de décision politique. Les auteurs posent que ces insights — spécifiquement la capacité de vérifier la logique du modèle par rapport aux connaissances expertes et de simuler des scénarios « et si » pour la planification de l'occupation des sols — renforcent la confiance dans les outils d'urbanisme pilotés par l'IA. Le travail est modeste dans son ampleur, reconnaissant des limitations telles que l'utilisation de relations à 1 saut et la dépendance aux données de flux sortant, suggérant que les travaux futurs devraient explorer les transferts multi-étapes et des entrées de données plus complètes.