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

Resumo Técnico: Redes Neurais em Grafos Heterogêneos com Explicações Pós-hoc para Inferência de Uso do Solo Multimodal e Explicável

Declaração do Problema
A inferência de uso do solo urbano é crítica para o planejamento urbano e a formulação de políticas, mas enfrenta desafios significativos em precisão, integração de dados e interpretabilidade. Métodos tradicionais frequentemente dependem de suposições simplificadas ou dados de pesquisa, falhando em capturar a natureza complexa e dinâmica dos ambientes urbanos. Embora abordagens baseadas em dados recentes utilizem dados de mobilidade multimodal (por exemplo, registros de telefones celulares, trajetórias de GPS), estudos existentes processam frequentemente amostras de forma independente, ignorando correlações espaciais entre objetos vizinhos e a heterogeneidade entre diferentes serviços de transporte. Além disso, a natureza de "caixa preta" dos modelos de aprendizado profundo dificulta sua adoção em contextos de políticas onde a transparência e a capacidade de extrapolação para decisões de longo prazo são essenciais.

Metodologia
Os autores propõem um framework explicável que sinergiza Redes Neurais em Grafos Heterogêneos (HGNs) com técnicas de IA Explicável (XAI) pós-hoc. A metodologia é estruturada em três componentes principais:

1. Construção de Grafo Heterogêneo:
   O sistema de mobilidade urbana é modelado como um grafo heterogêneo onde os nós representam diferentes tipos de instalações de mobilidade (estações de metrô, paradas de ônibus, estações de compartilhamento de bicicletas) e as arestas representam conexões espaciais (redes viárias, rotas de trânsito).

   • Nós: As características são derivadas de dados diários de entrada de passageiros (intervalos de 15 minutos das 06:00 às 22:00) para três modos: Metrô, Ônibus e Bicicleta.
   • Arestas: Dois tipos de conexões são modelados: arestas de rede de trânsito (por exemplo, linhas de metrô) e arestas de rede viária (categorizadas por tipo: primária, secundária, residencial, etc.). Conexões entre diferentes tipos de nós (por exemplo, caminhada entre uma parada de ônibus e uma estação de metrô) são modeladas como caminhos mais curtos na rede viária.
   • Rótulos: A intensidade de uso do solo é definida por seis categorias de Pontos de Interesse (POI) (Escritório, Alimentação, Transporte, Varejo, Lazer, Residência) dentro de uma área de captação de 1 km ao redor de cada nó.

2. Modelo de Rede Neural em Grafo Heterogêneo (HGT):
   O modelo central é um Transformador de Grafo Heterogêneo projetado para lidar com múltiplos tipos de nós e arestas.

   • Transformação de Características: As características dos nós são projetadas em um espaço unificado com base em seus tipos específicos de nós.
   • Atenção Multi-cabeça: Um mecanismo de atenção multi-cabeça computa representações de mensagens de nós de origem para nós de destino, levando em conta os tipos específicos de nós de origem, nós de destino e arestas conectantes.
   • Agregação: A informação é agregada a partir de vizinhos usando pesos de atenção para atualizar as representações dos nós, seguida por uma camada totalmente conectada para prever as intensidades de uso do solo.

3. Explicabilidade Pós-hoc:
   Para abordar a questão da caixa preta, o framework emprega dois métodos de XAI:

   • Atribuição de Características: Usando Gradientes Integrados (e Gradiente · Entrada) para quantificar a importância das características de entrada (por exemplo, fluxo de passageiros em horários específicos) na previsão de uso do solo.
   • Explicações Contrafactuais (ECs): Uma noção nova definida para grafos heterogêneos para identificar as mudanças mínimas necessárias em um subgrafo (características de nó, tipos de nó, tipos de aresta ou estrutura) para alterar uma previsão de seu estado atual para um estado desejável de uso do solo "misto". Isso envolve calcular uma métrica de dissimilaridade de subgrafo local que leva em conta diferenças de características, tipo e estrutura.

Principais Contribuições

• Integração de Dados: Os autores constroem um grafo heterogêneo integrando dados de mobilidade multimodal (Ônibus, Metrô, Bicicleta) e dados de rede topológica, permitindo a aprendizagem de representações espaciais que capturam a heterogeneidade dos sistemas de transporte urbanos.
• Aplicação Inovadora de HGNs: Este trabalho pioneira a aplicação de Redes em Grafos Heterogêneos para inferência de uso do solo, abordando especificamente dependências espaciais e a heterogeneidade de nós e arestas. O estudo demonstra que os HGNs superam significativamente os modelos de base (NN, GCN, GAT, GraphSage, RGCN).
• Framework de Explicabilidade: O artigo introduz uma análise de atribuição de características para verificar o comportamento do modelo contra as expectativas das partes interessadas (por exemplo, padrões de deslocamento) e define um novo método de explicação contrafactual adaptado para grafos heterogêneos. Isso permite que os planejadores entendam não apenas o que o modelo prevê, mas como modificações específicas de entrada poderiam levar a resultados diferentes e ideais.

Resultados
Experimentos empíricos foram conduzidos em um conjunto de dados cobrindo o centro e o interior de Londres, utilizando dados da Transport for London (TfL) e do OpenStreetMap.

• Desempenho: O modelo HGT proposto superou consistentemente todos os modelos de base em todos os seis indicadores de uso do solo. As melhorias mais significativas foram observadas em 'Alimentação' (68,35% de melhoria no MAE sobre NN) e 'Escritório' (63,95% de melhoria).
• Análise Espacial: A análise da distribuição de resíduos mostrou que o HGT reduziu significativamente a superestimação ou subestimação sistemática de áreas específicas em comparação com modelos homogêneos (GCN), indicando um melhor manejo da heterogeneidade espacial.
• Estudo de Ablação: Experimentos removendo modos de transporte específicos confirmaram que o aumento da conectividade e informações heterogêneas (combinando dados de ônibus, metrô e bicicleta) são complementares e cruciais para a precisão da previsão, particularmente para categorias desafiadoras como 'Lazer'.
• Descobertas de Explicabilidade:
  • Atribuição de Características: A importância das características de horário do dia alinhou-se com padrões conhecidos de atividade humana (por exemplo, alta entrada matinal para áreas residenciais, alta entrada noturna para áreas de escritório/alimentação).
  • Contrafactuais: A análise revelou que alcançar um estado de uso do solo "misto" requer graus variados de mudança dependendo da localização. Para alguns nós, alterar características de nó (fluxo de tráfego) foi o principal fator, enquanto para outros, alterar tipos de aresta (hierarquia viária) ou tipos de nós foi mais crítico.

Significância e Alegações
O artigo alega que o framework proposto fornece uma ferramenta robusta, precisa e transparente para as partes interessadas urbanas. Ao avançar além do processamento independente de amostras para uma abordagem de grafo heterogêneo, o modelo captura dependências espaciais complexas e heterogeneidade de serviços. Crucialmente, a integração de explicações pós-hoc preenche a lacuna entre aprendizado profundo de alta precisão e a transparência necessária para a formulação de políticas. Os autores postulam que esses insights — especificamente a capacidade de verificar a lógica do modelo contra conhecimento especializado e simular cenários "e se" para o planejamento de uso do solo — constroem confiança em ferramentas de planejamento urbano impulsionadas por IA. O trabalho é modesto em seu escopo, reconhecendo limitações como o uso de relações de 1-hop e a dependência de dados de saída, sugerindo que trabalhos futuros devem explorar transferências multi-etapa e entradas de dados mais abrangentes.