A Generative Framework for the Creation of Multi-Attribute Geographically-Explicit Synthetic Population

Technische Samenvatting: Een Generatief Raamwerk voor de Creatie van een Multi-Attribuut Geografisch-Expliciete Synthetische Populatie

Probleemstelling
De creatie van multi-attribuut synthetische populaties is fundamenteel voor geo-simulatietechnieken, waaronder micro-simulatie en agent-gebaseerde modellering. Bestaande methoden worden echter geconfronteerd met aanzienlijke uitdagingen bij het reconstrueren van regio-specifieke gezamenlijke verdelingen van individuele attributen met behulp van enkel geaggregeerde gegevens (bijv. statistieken op niveau van census tracts). Geaggregeerde gegevens registreren marginale verdelingen, maar missen informatie over hoe attributen op individueel niveau samen voorkomen. Bijgevolg vertrouwen traditionele methoden zoals Iterative Proportional Fitting (IPF) of hiërarchische bemonstering vaak op vaste heuristieken of probabilistische structuren die er niet in slagen ruimtelijke niet-stationariteit te vangen. Dit leidt tot interne demografische biases (bijv. onrealistische combinaties van leeftijd-inkomen-opleiding) en een verlies van populatieheterogeniteit, met name in regio's met onderscheidende demografische profielen. Bovendien zijn combinatorische optimalisatiemethoden (CO) weliswaar in staat om regio-specifieke verdelingen te behouden met behulp van gegevens op individueel niveau, maar ze zijn computationeel duur, regio-specifiek en missen generaliseerbaarheid over verschillende geografische gebieden.

Methodologie
De auteurs stellen een hiërarchisch diffusie-gebaseerd generatief raamwerk voor, ontworpen voor het creëren van een landelijke, geografisch-expliciete synthetische populatie voor de Verenigde Staten (50 staten en Washington, D.C.). Het raamwerk werkt in drie primaire stappen:

1. Data-voorbereiding en Vectorconstructie:

   • Trainingsdoelen ($p$): Individuele gegevens van de 2023 American Community Survey (ACS) Public Use Microdata Sample (PUMS), die 2.462 Public Use Microdata Areas (PUMAs) beslaan, worden gebruikt om het trainingsdoel te construeren. Dit omvat het mappen van PUMS-variabelen naar categorische bins gedefinieerd in geaggregeerde ACS-tabellen om een 3.000-dimensionale vector te creëren die de werkelijke regio-specifieke gezamenlijke verdeling van vijf attributen vertegenwoordigt: leeftijd, geslacht, opleiding, werkgelegenheid en inkomen.
   • Conditievectoren ($c$ en $h$): Geaggregeerde censusgegevens (ACS Detailed Tables) worden omgezet in waarschijnlijkheidsverdelingen om de conditievector $c$ te vormen, die marginale verdelingen vertegenwoordigt. Daarnaast worden ruimtelijke gegevens (POI en LODES pendelstromen) geaggregeerd en gecodeerd in een ruimtelijke representatievector $h$ om functionele kenmerken te vangen en ruimtelijke niet-stationariteit te behouden.

2. Hiërarchisch Generatief Proces (Diffusiemodel):
   Om de complexiteit van het voorspellen van een 3.000-dimensionale gezamenlijke verdeling in één enkele fase aan te pakken, maakt het raamwerk gebruik van een tweestaps diffusieproces:

   • Fase 1 (Grove Generatie): Een diffusiemodel voorspelt een grove gezamenlijke verdeling ($\hat{p}_{coarse}$) met behruik van de conditievectoren $c$ en $h$. De doelruimte wordt gereduceerd van 3.000 fijnmazige combinaties naar 960 grove combinaties door aangrenzende of substantieel gelijkaardige categorieën te groeperen (bijv. het comprimeren van leeftijdsgroepen). Deze fase leert de brede demografische structuur terwijl ruimtelijke variaties behouden blijven.
   • Fase 2 (Fijnmazige Verfijning): Een tweede diffusiemodel verfijnt de grove voorspellingen naar de volledige 3.000-dimensionale gezamenlijke verdeling ($\hat{p}$). Het neemt de grove groep $g$ en de voorspelde waarschijnlijkheid ervan als input, en voorspelt vervolgens de conditionele waarschijnlijkheidsverdeling ($\hat{p}^{inner}_{k|g}$) voor de fijnmazige combinaties binnen die groep. De uiteindelijke waarschijnlijkheid voor een specifieke combinatie $k$ wordt berekend als het product van de grove waarschijnlijkheid en de innerlijke grove verfijningswaarschijnlijkheid.

3. Synthetische Individuele Generatie en Locatie-toewijzing:

   • Bemonstering: Synthetische individuen worden gesampled uit de voorspelde volledige gezamenlijke verdeling $\hat{p}$ voor elke PUMA.
   • Thuislocatie: Individuen worden toegewezen aan specifieke census tracts binnen een PUMA met behulp van een iteratief proportioneel aanpassingsproces, beperkt door de voorspelde gezamenlijke verdeling en de marginale verdelingen van leeftijd en geslacht uit ACS tract-niveau gegevens. Expliciete thuiscoördinaten (breedtegraad/lengtegraad) worden toegewezen langs het residentiële wegennetwerk, met tussenpozen van ongeveer 50 meter.
   • Werklocatie: Werkende individuen worden toegewezen aan werk-tracts op basis van LODES pendelstroom-waarschijnlijkheden vanuit hun thuis-tract. Expliciete werkplekcoördinaten worden toegewezen langs secundaire wegen en kruispunten.

Belangrijkste Bijdragen

• Hiërarchisch Diffusie-raamwerk: Het artikel introduceert een nieuw tweestaps diffusie-architectuur die er succesvol in slaagt complexe, hoog-dimensionale gezamenlijke verdelingen van vijf attributen te reconstrueren terwijl ruimtelijke niet-stationariteit behouden blijft, waarmee de beperkingen van single-stage modellen en vaste heuristiek-methoden worden overwonnen.
• Geografisch-Expliciete Populatie: Het raamwerk genereert een synthetische populatie van 332.387.543 individuen verspreid over 2.462 PUMAs, compleet met expliciete thuis- en werklocaties, in plaats van enkel attribuutverdelingen.
• Schaalbaarheid en Generaliseerbaarheid: In tegenstelling tot combinatorische optimalisatiemethoden die regio-specifiek zijn, maakt dit raamwerk gebruik van een getraind model om populaties te genereren voor regio's die buiten de trainingsset vallen, wat de overdraagbaarheid naar het hele land aantoont.

Resultaten en Validatie
Het raamwerk werd gevalideerd via interne consistentiecontroles en een experiment met een uitgesloten regio (Michigan uitgesloten):

• Reconstructie van de Gezamenlijke Verdeling: De gegenereerde populaties bereikten een gemiddelde Total Variation Distance (TVD) van 0,116 ten opzichte van de doel-PUMS gezamenlijke verdelingen, wat een overlap van 88,4% vertegenwoordigt.
• Marginale Consistentie: De synthetische populatie behield marginale verdelingen met lage gemiddelde absolute verschillen (AAD) vergeleken met geaggregeerde censusgegevens (bijv. 0,0012 voor leeftijd, 0,0009 voor geslacht).
• Vergelijking met Baselines: In het experiment met de uitgesloten regio presteerde het voorgestelde raamwerk beter dan Iterative Proportional Fitting (IPF), Combinatorial Optimization (CO) en een single-stage Diffusion Probabilistic Model (DDPM). De voorgestelde methode behaalde een gemiddelde TVD van 0,119, wat een verbetering van 6,3% is ten opzichte van IPF en CO, en een verbetering van 19,1% ten opzichte van de single-stage DDPM-baseline.
• Attribuut-co-occurrence: Pairwise decompositieanalyse toonde aan dat het raamwerk de reconstructie van attribuutcombinaties die niet expliciet in geaggregeerde gegevens zijn opgenomen (bijv. opleiding–inkomen, leeftijd–inkomen) aanzienlijk verbeterde, wat wijst op een vermogen om latente sociaaleconomische afhankelijkheden af te leiden.

Betekenis en Claims
De auteurs beweren dat dit raamwerk een schaalbare en generaliseerbare aanpak biedt voor het creëren van multi-attribuut, geografisch-expliciete synthetische populaties op zowel regionale als nationale niveaus. Door de regio-specifieke gezamenlijke verdelingen met hoge getrouwheid te reconstrueren, introduceert de resulterende synthetische populatie meer realistische gedragingen in geo-simulaties, zoals agent-gebaseerde modellering. Deze capaciteit maakt verdere exploratie mogelijk van de opkomst van complexe stedelijke fenomenen gedreven door menselijke interacties. Het werk adresseert de kritieke kloof tussen geaggregeerde censusgegevens en de behoefte aan realistische, individuele synthetische gegevens die rekening houden met ruimtelijke heterogeniteit.

Beperkingen en Toekomstig Werk
De auteurs erkennen enkele beperkingen:

• Leeftijnsgranulariteit: Het gebruik van PUMA-niveau beperkingen resulteert in leeftijdsgroepen in plaats van exacte leeftijden, met name voor de brede 5–17 leeftijdscategorie.
• Daglocaties: Het huidige raamwerk wijst geen daglocaties (bijv. scholen) toe aan individuen onder de 18 jaar, aangezien LODES-gegevens alleen werkende volwassenen dekken.
• Ruimtelijke Toewijzing: De precisie van de toewijzing van thuis- en werklocaties wordt beperkt door de beschikbare ruimtelijke gegevens (wegennetwerken, POI's, pendelstromen). Toekomstig werk beoogt fijnere signalen te integreren om de ruimtelijke toewijzing te versterken.

Data en Code Beschikbaarheid
De resulterende datasets (georganiseerd per staat in .csv formaat) zijn beschikbaar op OSF, en alle verwerkings-, trainings- en validatiescripts zijn beschikbaar op GitHub.