Robust OT-Guided Generative Residual Domain Adaptation for Bike-Sharing Demand Prediction under Temporal Domain Shift

Riepilogo Tecnico: Adattamento di Dominio Residuo Generativo Robusto Guidato da OT per la Previsione della Domanda di Bike-Sharing

Enunciato del Problema
I modelli di previsione della domanda di bike-sharing addestrati su dati storici per stazione e ora spesso si degradano quando vengono implementati negli anni successivi a causa di spostamenti temporali del dominio. Fattori quali la variazione della popolarità delle stazioni, i comportamenti di pendolarismo, la composizione degli utenti e i modelli operativi alterano la distribuzione sottostante dei dati ($P_s(X, Y) \neq P_t(X, Y)$). Questa sfida è esacerbata dalla sparsità, dall'asimmetria e dal rumore intrinseci ai dati della domanda, dove poche stazioni e ore di punta dominano gli errori di previsione. Inoltre, i domini target possono contenere registrazioni anomale causate da eventi insoliti o problemi di qualità dei dati, che possono destabilizzare i metodi standard di adattamento del dominio. Il documento affronta il compito specifico di prevedere la domanda di Citi Bike di marzo dal 2021 al 2026, concentrandosi sul trasferimento 2025-2026 come scenario principale di valutazione.

Metodologia: Gen-ROTDA
Il documento propone Gen-ROTDA (Generative Robust Optimal Transport Domain Adaptation), un framework progettato per gestire gli spostamenti temporali attraverso una combinazione di decomposizione residua, generazione di caratteristiche e allineamento di trasporto robusto. La metodologia consta di quattro fasi chiave:

1. Decomposizione Ancoraggio-Residuo:
   Invece di trasferire la domanda grezza, il metodo scompone la domanda trasformata in logaritmo ($z = \log(1+Y)$) in due componenti:

   • Componente di Ancoraggio: Un modello del dominio target $a_\phi(A)$ addestrato su campioni target etichettati utilizzando caratteristiche spaziali e calendariali stabili (ad esempio, coordinate, ora, giorno della settimana). Questa cattura la struttura stabile stazione-tempo.
   • Componente Residua: La differenza $r = z - a_\phi(A)$, che contiene le dinamiche specifiche dell'anno. L'adattamento del dominio viene applicato esclusivamente a questa componente residua.

2. Generatore di Caratteristiche Residue che Preserva le Etichette:
   Un generatore deterministico $G_\theta(T) = T + h_\theta(T)$ (dove $h_\theta$ è un piccolo MLP) trasforma le caratteristiche residue sorgente per assomigliare alle caratteristiche target. A differenza delle GAN stocastiche, questo generatore mira a mantenere le caratteristiche trasformate vicine alla rappresentazione originale mentre allinea le distribuzioni. L'obiettivo di addestramento combina:

   • Perdita di allineamento della distribuzione (stile MMD) tra le caratteristiche sorgente generate e quelle target.
   • Regularizzazione di identità per prevenire un eccessivo spostamento delle caratteristiche.
   • Perdite di preservazione delle etichette e di supervisione per garantire che le informazioni rilevanti per la domanda siano mantenute.

3. Allineamento Robusto di Trasporto Ottimale (OT):
   Dopo la generazione delle caratteristiche, il metodo allinea le distribuzioni sorgente e target utilizzando il Trasporto Ottimale. Per affrontare la sensibilità dell'OT standard agli outlier, Gen-ROTDA impiega una fase di potatura robusta:

   • Le voci di accoppiamento di trasporto vengono ordinate per costo.
   • Le corrispondenze ad alto costo (outlier) vengono rimosse fino a quando la massa mantenuta non raggiunge una soglia specificata (ad esempio, 0,8).
   • L'accoppiamento rimanente viene rinormalizzato per calcolare le proiezioni baricentriche. Se una riga sorgente perde tutta la massa, la caratteristica generata originale viene mantenuta come fallback.

4. Previsione Finale:
   Un predittore residuo viene addestrato sui residui sorgente trasportati e sui residui target etichettati (con i residui target pesati di più). La previsione finale della domanda viene ricostruita aggiungendo il residuo previsto alla previsione di ancoraggio e applicando la trasformazione logaritmica inversa.

Contributi Chiave

1. Formulazione del Problema: Il documento formula la previsione cross-year di bike-sharing come un problema di adattamento temporale del dominio residuo, separando gli effetti strutturali stabili dalle dinamiche residue trasferibili.
2. Proposta di Framework: Introduce Gen-ROTDA, che combina in modo unico un generatore deterministico di caratteristiche residue che preserva le etichette con una potatura OT robusta.
3. Valutazione Completa: Il metodo è stato valutato sui dati di Citi Bike (2021–2026) su compiti principali, trasferimenti multi-annuali, test di robustezza contro registrazioni anomale e studi di ablazione.

Risultati Sperimentali

• Compito Principale (2025 $\to$ 2026): Gen-ROTDA ha ottenuto il più basso Errore Assoluto Medio (MAE) di 0,8625, superando la linea di base solo sorgente (0,8834) e la variante Sinkhorn OTDA (0,8633). Sebbene Gen-OTDA (senza potatura robusta) abbia ottenuto il più basso RMSE e il più alto $R^2$, Gen-ROTDA è stato superiore nel minimizzare l'errore assoluto medio, che è critico per dati di domanda sparsi e asimmetrici.
• Prestazioni Multi-Annuali: Attraverso compiti di trasferimento tra anni adiacenti e su due anni, Gen-ROTDA è stato il metodo con le migliori prestazioni all'interno della famiglia OT, superando leggermente Sinkhorn OTDA, ROTDA e Gen-OTDA. Tuttavia, non ha superato linee di base solide come il Fine-tuning e l'adattamento MMD nel MAE medio complessivo.
• Robustezza: Sotto registrazioni target anomale iniettate (fino al 20% di contaminazione), Gen-ROTDA ha dimostrato una stabilità superiore. Il suo MAE è aumentato solo marginalmente (da 0,8625 a 0,8629), mentre le varianti non robuste (Sinkhorn OTDA e Gen-OTDA) hanno mostrato un degrado significativo.
• Ablazione: Lo studio ha confermato che la potatura OT robusta è il principale motore del miglioramento del MAE. Il generatore ha fornito un beneficio aggiuntivo modesto ma non è stato il fattore dominante in isolamento.

Significato e Affermazioni
Il documento afferma che il trasporto robusto è il componente critico per gestire trasferimenti temporali rumorosi nella previsione della mobilità urbana. Tagliando le corrispondenze di trasporto ad alto costo, il metodo mitiga efficacemente l'impatto delle registrazioni target anomale che tipicamente destabilizzano gli approcci OT standard.

Gli autori posizionano Gen-ROTDA non come un predittore universalmente superiore su tutte le linee di base (riconoscendo che il semplice fine-tuning e l'adattamento MMD rimangono forti), ma come un metodo robusto della famiglia OT che offre stabilità significativa in presenza di anomalie nei dati. Il design ancoraggio-residuo è evidenziato come una strategia pratica per isolare strutture stabili, rendendo il problema di adattamento residuo a dimensionalità inferiore e più gestibile. I risultati suggeriscono che, sebbene la trasformazione generativa delle caratteristiche offra flessibilità, il suo valore è complementare e dipendente dal compito, mentre l'allineamento robusto è essenziale per un'affidabile adattamento del dominio temporale in ambienti rumorosi.