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

Resumo Técnico: Adaptação de Domínio Residual Generativa Robusta Guiada por OT para Previsão de Demanda de Bicicletas Compartilhadas

Declaração do Problema
Modelos de previsão de demanda de bicicletas compartilhadas treinados em dados históricos de estação-hora frequentemente degradam-se ao serem implantados em anos subsequentes devido a deslocamentos temporais de domínio. Fatores como mudanças na popularidade das estações, comportamentos de deslocamento, composição dos ciclistas e padrões operacionais alteram a distribuição subjacente dos dados ($P_s(X, Y) \neq P_t(X, Y)$). Esse desafio é exacerbado pela esparsidade, assimetria e ruído inerentes aos dados de demanda, onde poucas estações e horários de pico dominam os erros de previsão. Além disso, os domínios de destino podem conter registros anormais causados por eventos incomuns ou problemas de qualidade de dados, o que pode desestabilizar métodos padrão de adaptação de domínio. O artigo aborda a tarefa específica de prever a demanda da Citi Bike em março de 2021 a 2026, focando na transferência de 2025 para 2026 como o cenário principal de avaliação.

Metodologia: Gen-ROTDA
O artigo propõe o Gen-ROTDA (Adaptação de Domínio por Transporte Ótimo Robusto Generativo), um framework projetado para lidar com deslocamentos temporais através de uma combinação de decomposição residual, geração de características e alinhamento de transporte robusto. A metodologia consiste em quatro etapas principais:

1. Decomposição Âncora-Resíduo:
   Em vez de transferir a demanda bruta, o método decompõe a demanda transformada por log ($z = \log(1+Y)$) em dois componentes:

   • Componente Âncora: Um modelo de domínio alvo $a_\phi(A)$ treinado em amostras de destino rotuladas usando características espaciais e de calendário estáveis (por exemplo, coordenadas, hora, dia da semana). Isso captura a estrutura estável de estação-tempo.
   • Componente Residual: A diferença $r = z - a_\phi(A)$, que contém as dinâmicas específicas do ano. A adaptação de domínio é aplicada exclusivamente a este componente residual.

2. Gerador de Características Residuais Preservador de Rótulos:
   Um gerador determinístico $G_\theta(T) = T + h_\theta(T)$ (onde $h_\theta$ é uma pequena MLP) transforma características residuais de origem para se assemelharem às características de destino. Ao contrário de GANs estocásticas, este gerador visa manter as características transformadas próximas à representação original enquanto alinha as distribuições. O objetivo de treinamento combina:

   • Perda de alinhamento de distribuição (estilo MMD) entre características de origem geradas e de destino.
   • Regularização de identidade para evitar movimento excessivo de características.
   • Perdas de preservação de rótulos e supervisão para garantir que informações relevantes para a demanda sejam retidas.

3. Alinhamento por Transporte Ótimo (OT) Robusto:
   Após a geração de características, o método alinha as distribuições de origem e destino usando Transporte Ótimo. Para abordar a sensibilidade do OT padrão a valores atípicos, o Gen-ROTDA emprega uma etapa de poda robusta:

   • As entradas de acoplamento de transporte são classificadas por custo.
   • Combinações de alto custo (outliers) são removidas até que a massa retida atinja um limiar especificado (por exemplo, 0,8).
   • O acoplamento restante é renormalizado para calcular projeções bari cêntricas. Se uma linha de origem perder toda a massa, a característica gerada original é mantida como fallback.

4. Previsão Final:
   Um preditor residual é treinado nos resíduos de origem transportados e nos resíduos de destino rotulados (com resíduos de destino ponderados para cima). A previsão final de demanda é reconstruída adicionando o residual previsto à previsão da âncora e aplicando a transformação logarítmica inversa.

Principais Contribuições

1. Formulação do Problema: O artigo formula a previsão de bicicletas compartilhadas entre anos como um problema de adaptação de domínio temporal residual, separando efeitos estruturais estáveis de dinâmicas residuais transferíveis.
2. Proposta de Framework: Introduz o Gen-ROTDA, que combina de forma única um gerador de características residuais determinístico e preservador de rótulos com poda de OT robusta.
3. Avaliação Abrangente: O método é avaliado em dados da Citi Bike (2021–2026) em tarefas principais, transferências de múltiplos anos, testes de robustez contra registros anormais e estudos de ablação.

Resultados Experimentais

• Tarefa Principal (2025 $\to$ 2026): O Gen-ROTDA alcançou o menor Erro Absoluto Médio (MAE) de 0,8625, superando a linha de base apenas de origem (0,8834) e a variante Sinkhorn OTDA (0,8633). Embora o Gen-OTDA (sem poda robusta) tenha alcançado o menor RMSE e o maior $R^2$, o Gen-ROTDA foi superior na minimização do erro absoluto médio, o que é crítico para dados de demanda esparsos e assimétricos.
• Desempenho Multianual: Em tarefas de transferência entre anos adjacentes e de dois anos, o Gen-ROTDA foi o método de melhor desempenho dentro da família OT, superando ligeiramente o Sinkhorn OTDA, o ROTDA e o Gen-OTDA. No entanto, não superou linhas de base fortes como Ajuste Fino e adaptação MMD no MAE médio geral.
• Robustez: Sob registros de destino anormais injetados (até 20% de contaminação), o Gen-ROTDA demonstrou estabilidade superior. Seu MAE aumentou apenas marginalmente (de 0,8625 para 0,8629), enquanto variantes não robustas (Sinkhorn OTDA e Gen-OTDA) mostraram degradação significativa.
• Ablação: O estudo confirmou que a poda de OT robusta é o principal motor da melhoria do MAE. O gerador forneceu um benefício adicional modesto, mas não foi o fator dominante isoladamente.

Significado e Alegações
O artigo afirma que o transporte robusto é o componente crítico para lidar com transferências temporais ruidosas em previsões de mobilidade urbana. Ao podar combinações de transporte de alto custo, o método mitiga efetivamente o impacto de registros de destino anormais que normalmente desestabilizam abordagens OT padrão.

Os autores posicionam o Gen-ROTDA não como um preditor universalmente superior em todas as linhas de base (reconhecendo que o ajuste fino simples e a adaptação MMD permanecem fortes), mas como um método robusto da família OT que oferece estabilidade significativa na presença de anomalias de dados. O design âncora-resíduo é destacado como uma estratégia prática para isolar estruturas estáveis, tornando o problema de adaptação residual de dimensão inferior e mais tratável. As descobertas sugerem que, embora a transformação generativa de características ofereça flexibilidade, seu valor é complementar e dependente da tarefa, enquanto o alinhamento robusto é essencial para uma adaptação de domínio temporal confiável em ambientes ruidosos.