Comparing Fairness of Generative Mobility Models

📄 arXiv: 2411.04453v1 📥 PDF

作者: Daniel Wang, Jack McFarland, Afra Mashhadi, Ekin Ugurel

分类: cs.LG

发布日期: 2024-11-07

备注: 2 pages, Accepted at the Network Mobility (NetMob) 2024 conference

💡 一句话要点

提出评估生成式出行模型公平性的框架，揭示模型精度与公平性的权衡。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 生成式模型 出行模型 公平性 人口统计均等性 通勤者共同部分

📋 核心要点

  1. 现有出行模型忽略了在不同地理区域的公平性问题，可能加剧社会不平等。
  2. 提出新框架，通过评估生成轨迹的效用（CPC）和公平性（人口统计均等性）来衡量模型公平性。
  3. 实验表明，传统引力模型更公平，但Deep Gravity精度更高，揭示了精度与公平性的权衡。

📝 摘要（中文）

本研究探讨了生成式出行模型的公平性问题，关注模型在不同地理区域表现的公平性这一常被忽视的维度。基于人群流动数据构建的预测模型有助于理解城市结构和出行模式，但也可能嵌入偏差，尤其是在时空背景下，模型性能可能反映并强化与地理分布相关的现有不平等。我们提出了一个新颖的框架，通过测量生成轨迹的效用和公平性来评估公平性。效用通过通勤者共同部分（CPC）评估，这是一种比较生成和真实出行流的相似性指标，而公平性则使用人口统计均等性进行评估。通过重新定义人口统计均等性以反映两组之间CPC分布的差异，我们的分析揭示了各种模型如何编码底层数据中存在的偏差。我们使用了四种模型（Gravity, Radiation, Deep Gravity, and Non-linear Gravity），结果表明，传统的引力模型和辐射模型产生更公平的结果，尽管Deep Gravity实现了更高的CPC。这种差异突出了模型精度和公平性之间的权衡，其中特征丰富的Deep Gravity模型放大了社区表示中预先存在的偏差。我们的研究结果强调了在出行建模中整合公平性指标的重要性，以避免永久化不平等。

🔬 方法详解

问题定义：论文旨在解决生成式出行模型中存在的公平性问题。现有模型在预测出行模式时，可能会无意中放大底层数据中存在的偏差，导致模型在不同地理区域或人群的表现存在显著差异，从而加剧社会不平等。现有方法缺乏对模型公平性的有效评估和量化手段。

核心思路：论文的核心思路是通过量化生成式出行模型的效用和公平性，来评估模型在不同人群或区域的表现差异。通过定义新的公平性指标，并将其与效用指标相结合，可以更全面地了解模型的性能，并识别潜在的偏差。这种方法旨在促进更公平、更具包容性的出行模型设计。

技术框架：该框架包含以下主要步骤：1) 使用不同的生成式出行模型（如Gravity, Radiation, Deep Gravity, Non-linear Gravity）生成出行轨迹；2) 使用通勤者共同部分（CPC）指标评估生成轨迹的效用，即生成轨迹与真实出行轨迹的相似程度；3) 使用人口统计均等性指标评估生成轨迹的公平性，该指标被重新定义为反映两组之间CPC分布的差异；4) 分析不同模型在效用和公平性方面的表现，并识别模型中存在的偏差。

关键创新：论文的关键创新在于提出了一个评估生成式出行模型公平性的新框架，该框架结合了效用和公平性指标，并重新定义了人口统计均等性指标，使其能够反映不同人群之间出行模式的差异。此外，该研究还揭示了模型精度与公平性之间的权衡，表明提高模型精度可能会导致公平性下降。

关键设计：论文的关键设计包括：1) 使用通勤者共同部分（CPC）作为效用指标，CPC衡量了生成轨迹与真实轨迹的相似程度；2) 重新定义人口统计均等性指标，使其能够反映不同人群之间CPC分布的差异，从而更准确地评估模型的公平性；3) 使用四种不同的生成式出行模型进行实验，包括传统的引力模型和辐射模型，以及基于深度学习的Deep Gravity模型和Non-linear Gravity模型。

📊 实验亮点

实验结果表明，传统的引力模型和辐射模型在公平性方面表现更好，但Deep Gravity模型在CPC（效用）方面表现更优。Deep Gravity模型虽然精度更高，但会放大底层数据中存在的偏差，导致公平性下降。这表明模型精度和公平性之间存在权衡，需要在模型设计中加以考虑。

🎯 应用场景

该研究成果可应用于城市规划、交通管理和公共政策制定等领域。通过评估和优化出行模型的公平性，可以更好地服务于所有人群，减少出行不平等，并促进更公平、可持续的城市发展。该研究还有助于开发更具包容性的出行服务，例如为弱势群体提供更便捷的出行选择。

📄 摘要（原文）

This work examines the fairness of generative mobility models, addressing the often overlooked dimension of equity in model performance across geographic regions. Predictive models built on crowd flow data are instrumental in understanding urban structures and movement patterns; however, they risk embedding biases, particularly in spatiotemporal contexts where model performance may reflect and reinforce existing inequities tied to geographic distribution. We propose a novel framework for assessing fairness by measuring the utility and equity of generated traces. Utility is assessed via the Common Part of Commuters (CPC), a similarity metric comparing generated and real mobility flows, while fairness is evaluated using demographic parity. By reformulating demographic parity to reflect the difference in CPC distribution between two groups, our analysis reveals disparities in how various models encode biases present in the underlying data. We utilized four models (Gravity, Radiation, Deep Gravity, and Non-linear Gravity) and our results indicate that traditional gravity and radiation models produce fairer outcomes, although Deep Gravity achieves higher CPC. This disparity underscores a trade-off between model accuracy and equity, with the feature-rich Deep Gravity model amplifying pre-existing biases in community representations. Our findings emphasize the importance of integrating fairness metrics in mobility modeling to avoid perpetuating inequities.