Spatial Fairness in Taxi Demand Prediction: A Hybrid Approach Leveraging District Profiles
本文提出了一种混合出租车需求预测框架，该框架集成了用于数据填补的非负矩阵分解与白鲨优化算法、用于时间建模的长短期记忆网络（LSTM），以及一种基于相对困难度邻近性的公平感知正则化机制，旨在最小化不同城市区域间的预测差异，同时保持高精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将城市想象成一个巨大的、活生生的有机体，数百万个微小的脉动——即需要用车的人们——每秒钟都在其血管中跳动。为了让城市顺畅运行，其交通系统的“心脏”需要准确知道这些脉动在何处最强，在何处最弱。这就是出租车需求预测的世界，它是数据科学的一个分支，试图预测在特定时间、特定社区会有多少人需要乘车。但棘手之处在于：城市是混乱的。数据经常缺失（比如一次乘车请求忘记说明起点在哪里），而且并非所有社区都是一样的。有些是繁华的枢纽，而有些则是安静的或正处于贫困之中。如果计算机模型只向繁忙、富裕的地区学习，它可能会遗忘那些安静的地区，导致这些地区的居民永远在等待一辆永远不会到来的出租车。这篇论文提出了一个至关重要的问题：我们能否建立一个不仅聪明，而且公平的预测系统，确保没有任何社区被遗忘？
这项研究背后的研究人员 Ghazalak Eslami 和 Foad Ghaderi 决定构建一个“超智能”的出租车预测器，它不仅观察数字，还理解城市的叙事。他们将城市视为一个有着缺失碎片的巨大拼图。首先，他们必须修复损坏的数据部分。想象一下，你正在尝试解决一个缺少了一半碎片拼图，你不能只是随机猜测。作者使用了一种被称为非负矩阵分解 (NMF) 的巧妙技巧，这就像是在寻找拼图中隐藏的模式，以猜测缺失的碎片应该是什么样子。为了让这种猜测更加精准，他们加入了一个“白鲨优化”（WSO）算法。把这想象成一只饥饿且极其聪明的鲨鱼，在数据中游弋，搜寻填补空白的最佳方式，确保在他们开始解决问题之前，拼图就已经完整了。
但仅仅有一个完整的拼图是不够的；画面还需要是公平的。团队意识到，社区之间的不同不仅在于有多少人需要乘车，还在于他们的挣扎。有些地区失业率高，有些住房拥挤，有些收入较低。作者发明了一种衡量这种差异的新方法，称为相对困境邻近度 (RHP)。RHP 不仅仅是简单地说“这个社区很穷”，它观察的是挣扎的模式。这就像是意识到两个不同的家庭可能有非常不同的收入，但如果他们都面临着高房租、长通勤和缺乏工作机会的共同困境，那么他们在困境方面就是“相对相似”的。该模型利用这一点将社区归类。如果模型在一个社区犯了错，它会检查它的“朋友”（相似的社区）看看是否在那里也犯了同样的错误。如果它确实犯了错，模型会受到一个“责备”（数学惩罚），以努力做到对每个人都公平，而不仅仅是对那些易于预测的地区。
他们在芝加哥大规模数据集上进行的实验结果是非常令人振奋的。团队发现，他们这种结合了“鲨鱼式数据修复”与“公平性检查”的混合方法实现了非常准确的预测得分。具体而言，他们达到了 5.1 的均方根误差 (RMSE) 和 3.8 的平均绝对误差 (MAE)。为了让你理解，当他们将这种方法与 ARIMA 或标准神经网络等其他流行模型进行比较时，他们的“鲨鱼与公平”模型成为了明显的赢家，击败了所有对手。
或许最令人兴奋的发现是公平的代价。通常，当你强迫计算机变得公平时，它的整体准确性会略微下降。作者测量了这种“公平代价”，发现它极低——仅为 2% 左右。这意味着他们获得了一个更加公平的系统，其中处于困境中的社区得到了更好的服务预测，而没有牺牲整个城市的太多准确性。事实上，该模型对最贫困地区的预测改善最为显著，大幅降低了这些地区的误差，而仅略微增加了已得到良好服务的地区的误差。这有点像一位决定花额外时间帮助那些最困难学生的老师；班级的平均分可能会下降一点点，但没有一个学生会被遗忘。
最后，这篇论文表明，我们不必在智能城市和公平城市之间做出选择。通过使用区域概况来理解局部需求，并使用特殊的“公平性惩罚”来保持模型的诚实，我们可以创造出为每个人服务的交通系统。研究表明，借助正确的工具，我们可以填补缺失的数据，连接起相似社区之间的纽带，并确保无论你住在哪里，当你呼叫出租车时，系统都能为你做好准备。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。