Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study
作者: Dingyi Zhuang, Hanyong Xu, Xiaotong Guo, Yunhan Zheng, Shenhao Wang, Jinhua Zhao
分类: cs.LG
发布日期: 2025-01-20
💡 一句话要点
提出残差感知时空图神经网络，缓解城市预测中的空间差异性，以芝加哥为例。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 时空图神经网络 城市预测 空间差异性 公平性 残差感知注意力 图注意力网络 城市规划
📋 核心要点
- 现有ST-GNNs在城市预测中忽略空间和人口差异，导致资源分配不均，加剧城市不平等。
- 提出残差感知注意力（RAA）块和公平性损失函数，训练时调整邻接矩阵，结合空间差异性指标。
- 在芝加哥出行需求预测中，公平性指标提升48%，误差指标仅增加9%，验证了方法的有效性。
📝 摘要（中文）
城市预测任务，如预测交通流量、温度和犯罪率，对于高效的城市规划和管理至关重要。然而，现有的时空图神经网络（ST-GNNs）通常只关注准确性，忽略了预测中的空间和人口差异。这种疏忽可能导致资源分配不平衡，并加剧城市地区现有的不平等现象。本研究引入了残差感知注意力（RAA）块和一个增强公平性的损失函数来解决这些差异。通过在训练期间调整邻接矩阵并结合空间差异性指标，我们的方法旨在减少残差和误差的局部隔离。我们将该方法应用于芝加哥的城市预测任务，以出行需求数据集为例。我们的模型在公平性指标上实现了48%的显著提升，而误差指标仅增加了9%。残差分布的空间分析表明，具有RAA块的模型产生了更公平的预测结果，特别是通过减少集中在中心区域的误差。注意力图展示了模型动态调整关注点的能力，从而实现更平衡的预测。对芝加哥各个社区的案例研究进一步说明了我们的方法在解决空间和人口差异方面的有效性，支持更平衡和公平的城市规划和决策。
🔬 方法详解
问题定义：现有城市预测的时空图神经网络（ST-GNNs）主要关注预测精度，忽略了预测结果在空间上的差异性，导致某些区域的预测误差远大于其他区域，加剧了城市资源分配的不公平性。因此，如何减少城市预测中的空间差异性，实现更公平的预测结果，是本文要解决的核心问题。
核心思路：本文的核心思路是通过引入残差感知注意力机制，使模型能够关注预测误差较大的区域，并动态调整节点之间的连接关系，从而减少预测误差在空间上的聚集。同时，设计一个增强公平性的损失函数，引导模型在训练过程中更加关注公平性指标，从而实现更平衡的预测结果。
技术框架：整体框架包括数据预处理、时空图构建、残差感知注意力模块、图神经网络模型和公平性损失函数。首先，对城市数据进行预处理，构建时空图结构。然后，将图数据输入到包含残差感知注意力模块的图神经网络模型中进行训练。最后，利用公平性损失函数来优化模型参数，从而实现更公平的预测结果。
关键创新：最重要的技术创新点是残差感知注意力（RAA）块。RAA块通过计算预测残差，并将其作为注意力权重来调整节点之间的连接关系，使模型能够更加关注预测误差较大的区域。与传统的注意力机制不同，RAA块能够根据预测结果动态调整注意力权重，从而更好地适应城市数据的复杂性和动态性。
关键设计：RAA块的设计包括残差计算、注意力权重生成和邻接矩阵调整三个步骤。残差计算采用预测值与真实值之间的差值。注意力权重生成采用Sigmoid函数将残差映射到0到1之间。邻接矩阵调整采用注意力权重与原始邻接矩阵进行加权融合。公平性损失函数的设计包括空间自相关指标（如Moran's I）和人口统计学指标（如基尼系数），用于衡量预测结果在空间和人口上的公平性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在芝加哥出行需求预测任务中，使用RAA块的模型在公平性指标上实现了48%的显著提升，而误差指标仅增加了9%。空间分析表明，RAA块能够有效减少预测误差在中心区域的聚集，实现更公平的预测结果。案例研究进一步验证了该方法在解决空间和人口差异方面的有效性。
🎯 应用场景
该研究成果可应用于城市交通流量预测、犯罪率预测、环境监测等领域，为城市规划者和政策制定者提供更公平、更合理的决策依据，促进城市可持续发展。通过减少预测中的空间差异，可以更有效地分配资源，改善弱势群体的生活质量，构建更和谐的城市社区。
📄 摘要（原文）
Urban prediction tasks, such as forecasting traffic flow, temperature, and crime rates, are crucial for efficient urban planning and management. However, existing Spatiotemporal Graph Neural Networks (ST-GNNs) often rely solely on accuracy, overlooking spatial and demographic disparities in their predictions. This oversight can lead to imbalanced resource allocation and exacerbate existing inequities in urban areas. This study introduces a Residual-Aware Attention (RAA) Block and an equality-enhancing loss function to address these disparities. By adapting the adjacency matrix during training and incorporating spatial disparity metrics, our approach aims to reduce local segregation of residuals and errors. We applied our methodology to urban prediction tasks in Chicago, utilizing a travel demand dataset as an example. Our model achieved a 48% significant improvement in fairness metrics with only a 9% increase in error metrics. Spatial analysis of residual distributions revealed that models with RAA Blocks produced more equitable prediction results, particularly by reducing errors clustered in central regions. Attention maps demonstrated the model's ability to dynamically adjust focus, leading to more balanced predictions. Case studies of various community areas in Chicago further illustrated the effectiveness of our approach in addressing spatial and demographic disparities, supporting more balanced and equitable urban planning and policy-making.