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

技术摘要：一种用于创建多属性地理显式合成人口的生成式框架

问题陈述
多属性合成人口的创建是地理模拟技术（包括微观模拟和基于智能体建模）的基础。然而，现有方法在仅利用聚合级数据（例如人口普查区级统计数据）重建区域特定个体属性的联合分布方面面临重大挑战。聚合数据记录了边缘分布，但缺乏关于属性在个体层面如何共现的信息。因此，传统的迭代比例拟合（IPF）或层次采样方法通常依赖于固定的启发式规则或概率结构，无法捕捉空间非平稳性。这会导致内部人口偏差（例如，不切实际的年龄-收入-教育组合）以及人口异质性的丧失，尤其是在具有独特人口特征的地区。此外，虽然组合优化（CO）方法可以通过个体级数据来保留区域特定的分布，但其计算成本高昂、具有地域局限性，且缺乏跨不同地理区域的泛化能力。

方法论
作者提出了一种分层扩散生成框架，旨在创建一个全国性的、地理显式的美国合成人口（涵盖 50 个州和华盛顿特区）。该框架通过三个主要步骤运行：

1. 数据准备与向量构建：

   • 训练目标 ($p$)： 利用 2023 年美国社区调查（ACS）公共使用微数据样本（PUMS）中涵盖 2,462 个公共使用微数据区（PUMA）的个体级数据来构建训练目标。这涉及将 PUMS 变量映射到由聚合 ACS 表定义的分类箱中，以创建一个 3,000 维的向量，代表五个属性（年龄、性别、教育、就业和收入）真实的区域特定联合分布。
   • 条件向量 ($c$ 和 $h$)： 将聚合级人口普查数据（ACS 详细表）转换为概率分布，形成代表边缘分布的条件向量 $c$。此外，空间数据（兴趣点 POI 和 LODES 通勤流）被聚合并编码为空间表示向量 $h$，以捕捉功能特征并保持空间非平稳性。

2. 分层生成过程（扩散模型）：
   为了解决单阶段预测 3,000 维联合分布的复杂性，该框架采用了两阶段扩散过程：

   • 第一阶段（粗粒度生成）： 扩散模型利用条件向量 $c$ 和 $h$ 预测一个粗粒度的联合分布 ($\hat{p}_{coarse}$)。目标空间从 3,000 个细粒度组合缩减为 960 个粗粒度组合，方法是通过对相邻或实质相似的类别进行分组（例如，压缩年龄组）。此阶段学习宏观的人口结构，同时保留空间变化。
   • 第二阶段（细粒度精炼）： 第二个扩散模型将粗粒度预测精炼为完整的 3,000 维联合分布 ($\hat{p}$)。它以粗粒度组 $g$ 及其预测概率作为输入，然后预测该组内细粒度组合的条件概率分布 ($\hat{p}^{inner}_{k|g}$)。任何特定组合 $k$ 的最终概率通过粗粒度概率与内部粗粒度精炼概率的乘积计算得出。

3. 合成个体生成与位置分配：

   • 采样： 从每个 PUMA 预测的完整联合分布 $\hat{p}$ 中抽取合成个体。
   • 居住地位置： 个体被分配到 PUMA 内特定的普查区，该过程通过迭代比例拟合进行约束，受限于预测的联合分布以及来自 ACS 普查区级数据的年龄和性别边缘分布。显式的居住坐标（经纬度）沿居住道路网分配，间距约为 50 米。
   • 工作地位置： 就业个体根据其居住地普查区的 LODES 通勤流概率被分配到工作普查区。显式的办公坐标沿次级道路和交叉口分配。

核心贡献

• 分层扩散框架： 本文引入了一种新型的两阶段扩散架构，成功重建了五个属性的高维复杂联合分布，同时保留了空间非平稳性，克服了单阶段模型和固定启发式方法的局限性。
• 地理显式人口： 该框架在 2,462 个 PUMA 区域内生成了包含 332,387,543 个个体的合成人口，并配备了显式的居住地和工作地点，而非仅仅是属性分布。
• 可扩展性与泛化性： 与具有地域局限性的组合优化方法不同，该框架利用训练好的模型为排除在训练集之外的区域生成人口，展示了在全国范围内的可迁移性。

结果与验证
该框架通过内部一致性检查和一项留出区域实验（排除密歇根州）进行了验证：

• 联合分布重建： 生成的人口相对于目标 PUMS 联合分布的平均全变差距离（TVD）为 0.116，代表了 88.4% 的重叠。
• 边缘一致性： 合成人口保留了边缘分布，与聚合的人口普查数据相比，平均绝对差值（AAD）极低（例如，年龄为 0.0012，性别为 0.0009）。
• 基准对比： 在留出实验中，所提出的框架优于迭代比例拟合（IPF）、组合优化（CO）和单阶段扩散概率模型（DDPM）。该方法实现的平均 TVD 为 0.119，比 IPF 和 CO 提高了 6.3%，比单阶段 DDPM 基准提高了 19.1%。
• 属性共现： 成对分解分析表明，该框架显著改善了对聚合数据中未明确记录的属性组合（如教育-收入、年龄-收入）的重建，表明其具有推断潜在社会经济依赖关系的能力。

意义与主张
作者声称，该框架提供了一种可扩展且通用的方法，用于在区域和国家层面创建多属性、地理显式的合成人口。通过高保真度地重建区域特定联合分布，生成的合成人口能为地理模拟（如基于智能体的建模）引入更真实的行为。这种能力使得进一步探索由人类交互驱动的复杂城市现象的涌现成为可能。这项工作填补了聚合人口普查数据与需要符合空间异质性的现实个体级合成数据之间的关键空白。

局限性与未来工作
作者承认存在若干局限性：

• 年龄粒度： 由于使用了 PUMA 级的约束，结果呈现的是年龄组而非精确年龄，特别是在宽泛的 5–17 岁年龄段内。
• 日间位置： 当前框架未为 18 岁以下的个体分配日间位置（例如学校），因为 LODES 数据仅涵盖就业成年人。
• 空间分配： 居住地和工作地位置分配的精度受限于可用空间数据（道路网、POI、通勤流）。未来的工作旨在引入更细粒度的信号以强化空间分配。

数据与代码获取
生成的数据库（按州组织，CSV 格式）可在 OSF 上获取，所有处理、训练和验证脚本均可在 GitHub 上获取。