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

技術概要：自転車シェアリング需要予測のためのロバストな OT 誘導生成残差ドメイン適応

問題定義
過去の駅・時間データで訓練された自転車シェアリング需要予測モデルは、時間的ドメインシフトにより、その後の年に展開されると性能が低下する傾向がある。駅の人気度、通勤行動、ライダーの構成、運用パターンなどの要因が、基礎となるデータ分布を変化させる（$P_s(X, Y) \neq P_t(X, Y)$）。この課題は、需要データに内在する疎性、偏り、ノイズによってさらに悪化しており、少数の駅とピーク時間帯が予測誤差の大部分を占める。さらに、標的ドメインには、異常な出来事やデータ品質の問題に起因する異常レコードが含まれる可能性があり、これは標準的なドメイン適応手法を不安定化させる。本論文は、2021 年から 2026 年までの Citi Bike 需要を予測する特定のタスクに取り組み、主に 2025 年から 2026 年への転移を評価シナリオとして焦点を当てる。

手法：Gen-ROTDA
本論文は、残差分解、特徴生成、ロバストな輸送アライメントの組み合わせを通じて時間的シフトに対処するフレームワークであるGen-ROTDA（Generative Robust Optimal Transport Domain Adaptation）を提案する。手法は以下の 4 つの主要段階から構成される。

1. アンカー - 残差分解:
   生データを転送するのではなく、対数変換された需要（$z = \log(1+Y)$）を 2 つの成分に分解する。

   • アンカー成分: 安定した空間的およびカレンダー特徴（例：座標、時刻、曜日）を用いてラベル付き標的サンプルで訓練された標的ドメインモデル $a_\phi(A)$。これは安定した駅 - 時間構造を捉える。
   • 残差成分: 差 $r = z - a_\phi(A)$ であり、年固有のダイナミクスを含む。ドメイン適応はこの残差成分にのみ適用される。

2. ラベル保存型残差特徴生成器:
   決定論的生成器 $G_\theta(T) = T + h_\theta(T)$（ここで $h_\theta$ は小さな MLP）は、ソース残差特徴を変換して標的特徴に似せる。確率的 GAN とは異なり、この生成器は分布を整合させつつ、変換された特徴を元の表現に近づけることを目指す。訓練目的関数は以下の組み合わせからなる。

   • 生成されたソース特徴と標的特徴間の分布整合損失（MMD 風）。
   • 過度な特徴移動を防ぐためのアイデンティティ正則化。
   • 需要に関連する情報が保持されることを保証するためのラベル保存および監督損失。

3. ロバスト最適輸送（OT）アライメント:
   特徴生成後、本手法は最適輸送を用いてソース分布と標的分布を整合させる。標準的な OT が外れ値に対して敏感であるという課題に対処するため、Gen-ROTDA はロバストなトリミングステップを採用する。

   • 輸送結合項をコスト順にソートする。
   • 高コストの一致（外れ値）を、保持される質量が指定された閾値（例：0.8）に達するまで削除する。
   • 残りの結合を再正規化して重心射影を計算する。ソース行がすべての質量を失った場合、フォールバックとして元の生成特徴を保持する。

4. 最終予測:
   輸送されたソース残差とラベル付き標的残差（標的残差は重み付けを強化）を用いて残差予測器を訓練する。最終的な需要予測は、予測された残差をアンカー予測に加えた後、逆対数変換を適用することで再構成される。

主な貢献

1. 問題定式化: 本論文は、年を跨ぐ自転車シェアリング予測を、安定した構造的効果と転送可能な残差ダイナミクスを分離する残差時間ドメイン適応問題として定式化する。
2. フレームワークの提案: 決定論的かつラベル保存型の残差特徴生成器とロバストな OT トリミングを独自に組み合わせた Gen-ROTDA を導入する。
3. 包括的な評価: 本手法は、主要タスク、多年度転移、異常レコードに対するロバスト性テスト、およびアブレーション研究を通じて、Citi Bike データ（2021–2026 年）上で評価される。

実験結果

• 主要タスク（2025 $\to$ 2026）: Gen-ROTDA は、ソースのみのベースライン（0.8834）および Sinkhorn OTDA 変種（0.8633）を上回る、最低の平均絶対誤差（MAE）である0.8625を達成した。Gen-OTDA（ロバストなトリミングなし）は最低の RMSE と最高$R^2$を達成したが、疎で偏った需要データにおいて重要となる平均絶対誤差の最小化においては Gen-ROTDA が優れていた。
• 多年度パフォーマンス: 隣接年度および 2 年間の転移タスクにおいて、Gen-ROTDA は OT 系手法の中で最高性能を発揮し、Sinkhorn OTDA、ROTDA、Gen-OTDA をわずかに上回った。ただし、全体の平均 MAE において、ファインチューニングや MMD 適応といった強力なベースラインを上回ることはなかった。
• ロバスト性: 注入された異常な標的レコード（最大 20% の汚染）の下でも、Gen-ROTDA は優れた安定性を示した。その MAE はわずかに増加するのみ（0.8625 から 0.8629）であったのに対し、ロバストではない変種（Sinkhorn OTDA および Gen-OTDA）は著しい劣化を示した。
• アブレーション: 本研究は、ロバストな OT トリミングが MAE 改善の主要な要因であることを確認した。生成器は modest な追加利益を提供したが、単独では支配的な要因ではなかった。

意義と主張
本論文は、都市モビリティ予測におけるノイズの多い時間的転移を処理する上で、ロバストな輸送が決定的な要素であると主張する。高コストの輸送一致をトリミングすることで、この手法は標準的な OT アプローチを不安定化させる通常の異常な標的レコードの影響を効果的に緩和する。

著者らは、Gen-ROTDA をすべてのベースラインにわたって普遍的に優れた予測器として位置づけるのではなく（単純なファインチューニングや MMD 適応が依然として強力であることを認めている）、データ異常の存在下で顕著な安定性を提供するロバストな OT 系手法として位置づけている。アンカー - 残差設計は、安定した構造を分離するための実用的な戦略として強調されており、これにより残差適応問題が低次元化され、より扱いやすくなる。これらの知見は、生成的特徴変換が柔軟性を提供しつつも、その価値は補完的かつタスク依存であるのに対し、ロバストなアライメントはノイズの多い環境における信頼性の高い時間的ドメイン適応に不可欠であることを示唆している。