論文の概要: Travel Demand Forecasting: A Fair AI Approach
- arxiv url: http://arxiv.org/abs/2303.01692v2
- Date: Mon, 25 Sep 2023 15:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 03:41:19.687156
- Title: Travel Demand Forecasting: A Fair AI Approach
- Title（参考訳）: 旅行需要予測:公正なAIアプローチ
- Authors: Xiaojian Zhang, Qian Ke, Xilei Zhao
- Abstract要約: 本研究では,公正で高精度な旅行需要予測モデルを開発するための新しい手法を提案する。
具体的には、予測精度と保護属性の相関を明示的に測定する、新しい公正規則化項を導入する。
その結果,提案手法は,予測精度を維持しつつ,複数の保護属性の公平性を効果的に向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 0.9383397937755517
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Artificial Intelligence (AI) and machine learning have been increasingly
adopted for travel demand forecasting. The AI-based travel demand forecasting
models, though generate accurate predictions, may produce prediction biases and
raise fairness issues. Using such biased models for decision-making may lead to
transportation policies that exacerbate social inequalities. However, limited
studies have been focused on addressing the fairness issues of these models.
Therefore, in this study, we propose a novel methodology to develop
fairness-aware, highly-accurate travel demand forecasting models. Particularly,
the proposed methodology can enhance the fairness of AI models for multiple
protected attributes (such as race and income) simultaneously. Specifically, we
introduce a new fairness regularization term, which is explicitly designed to
measure the correlation between prediction accuracy and multiple protected
attributes, into the loss function of the travel demand forecasting model. We
conduct two case studies to evaluate the performance of the proposed
methodology using real-world ridesourcing-trip data in Chicago, IL and Austin,
TX, respectively. Results highlight that our proposed methodology can
effectively enhance fairness for multiple protected attributes while preserving
prediction accuracy. Additionally, we have compared our methodology with three
state-of-the-art methods that adopt the regularization term approach, and the
results demonstrate that our approach significantly outperforms them in both
preserving prediction accuracy and enhancing fairness. This study can provide
transportation professionals with a new tool to achieve fair and accurate
travel demand forecasting.
- Abstract（参考訳）: 人工知能(AI)と機械学習は、旅行需要予測にますます採用されている。
aiベースの旅行需要予測モデルは正確な予測を生成するが、予測バイアスを生成し、公平性の問題を引き起こす可能性がある。
このような偏ったモデルによる意思決定は、社会的不平等を悪化させる輸送政策につながる可能性がある。
しかし、これらのモデルの公平性問題に対処する研究は限られている。
そこで本研究では,公正で高精度な旅行需要予測モデルを開発するための新しい手法を提案する。
特に、提案手法は、複数の保護属性(人種や収入など)に対するAIモデルの公平性を同時に向上することができる。
具体的には、旅行需要予測モデルの損失関数に、予測精度と複数の保護属性の相関性を測定するために明示的に設計された新しいフェアネス正規化項を導入する。
本研究は,シカゴ, IL, オースチン, TXにおける実世界のライドソーシングトリップデータを用いて, 提案手法の性能を評価するためのケーススタディである。
その結果,提案手法は予測精度を維持しつつ,複数の保護属性の公平性を効果的に向上できることがわかった。
さらに,本手法を正規化項アプローチを応用した3つの最先端手法と比較し,予測精度と公平性の向上の両面で,本手法がこれらを著しく上回っていることを示す。
本研究は,交通機関の専門家に対して,公正かつ正確な旅行需要予測を実現するための新しいツールを提供する。
関連論文リスト
- Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。
予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。
よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文 参考訳（メタデータ） (2024-08-09T16:03:44Z) - Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - Building Socially-Equitable Public Models [32.35090986784889]
パブリックモデルは、さまざまなダウンストリームタスクを予測し、さまざまなAIアプリケーションにおいて重要な役割を果たす。
我々は、下流エージェントの目的を最適化プロセスに統合することを提唱する。
本研究では,不均一なエージェント間の公平性を育成し,パフォーマンスの相違に対処する新しいエクイタブル・オブジェクトを提案する。
論文 参考訳（メタデータ） (2024-06-04T21:27:43Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳（メタデータ） (2023-07-17T04:08:29Z) - Fairness-enhancing deep learning for ride-hailing demand prediction [3.911105164672852]
オンデマンド配車サービスの短期需要予測は、インテリジェント交通システムにおける基本的な問題の一つである。
これまでの旅行需要予測研究は、予測精度の改善、公平性の問題の無視に重点を置いていた。
本研究では,不利コミュニティと特権コミュニティの間の予測公平性を評価・評価・向上する方法について検討する。
論文 参考訳（メタデータ） (2023-03-10T04:37:14Z) - Counterfactual Fair Opportunity: Measuring Decision Model Fairness with
Counterfactual Reasoning [5.626570248105078]
本研究は,不注意条件下での公正な場合において,反実的推論を用いて不公平なモデル行動を明らかにすることを目的とする。
対物フェアという対物機会の対物バージョンを定義し、対物サンプルのセンシティブな情報を分析する2つの新しい指標を紹介した。
論文 参考訳（メタデータ） (2023-02-16T09:13:53Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in
Chicago [0.0]
本研究では,配車サービスにおけるゾーン間移動需要を予測するためのクラスタリング支援型アンサンブル手法(CEM)を提案する。
シカゴのライドソーシングトリップデータを用いて提案手法の実装と試験を行った。
論文 参考訳（メタデータ） (2021-09-08T04:58:29Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Forecasting COVID-19 daily cases using phone call data [0.0]
本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。
提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
論文 参考訳（メタデータ） (2020-10-05T18:07:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。