論文の概要: Fairness-enhancing deep learning for ride-hailing demand prediction
- arxiv url: http://arxiv.org/abs/2303.05698v1
- Date: Fri, 10 Mar 2023 04:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 16:07:52.893484
- Title: Fairness-enhancing deep learning for ride-hailing demand prediction
- Title（参考訳）: 配車需要予測のためのフェアネス向上型ディープラーニング
- Authors: Yunhan Zheng, Qingyi Wang, Dingyi Zhuang, Shenhao Wang, Jinhua Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.911105164672852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term demand forecasting for on-demand ride-hailing services is one of
the fundamental issues in intelligent transportation systems. However, previous
travel demand forecasting research predominantly focused on improving
prediction accuracy, ignoring fairness issues such as systematic
underestimations of travel demand in disadvantaged neighborhoods. This study
investigates how to measure, evaluate, and enhance prediction fairness between
disadvantaged and privileged communities in spatial-temporal demand forecasting
of ride-hailing services. A two-pronged approach is taken to reduce the demand
prediction bias. First, we develop a novel deep learning model architecture,
named socially aware neural network (SA-Net), to integrate the
socio-demographics and ridership information for fair demand prediction through
an innovative socially-aware convolution operation. Second, we propose a
bias-mitigation regularization method to mitigate the mean percentage
prediction error gap between different groups. The experimental results,
validated on the real-world Chicago Transportation Network Company (TNC) data,
show that the de-biasing SA-Net can achieve better predictive performance in
both prediction accuracy and fairness. Specifically, the SA-Net improves
prediction accuracy for both the disadvantaged and privileged groups compared
with the state-of-the-art models. When coupled with the bias mitigation
regularization method, the de-biasing SA-Net effectively bridges the mean
percentage prediction error gap between the disadvantaged and privileged
groups, and also protects the disadvantaged regions against systematic
underestimation of TNC demand. Our proposed de-biasing method can be adopted in
many existing short-term travel demand estimation models, and can be utilized
for various other spatial-temporal prediction tasks such as crime incidents
predictions.
- Abstract（参考訳）: 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。
しかし、従来の旅行需要予測研究は主に予測精度の向上に重点を置いており、不利地区における旅行需要の体系的過小評価などの公正性の問題を無視している。
本研究では,配車サービスの時空間需要予測において,不利コミュニティと特権コミュニティの間の予測公正性を計測,評価,向上する方法を検討する。
需要予測バイアスを低減するために2段階のアプローチを採用する。
まず,新しい深層学習モデルアーキテクチャであるsocially aware neural network (sa-net) を開発し,社会的に認識された畳み込み操作を通じて,公平な需要予測のための社会デモグラフィ情報とライダーシップ情報を統合した。
第2に,異なるグループ間の平均パーセンテージ予測誤差ギャップを軽減するため,バイアス緩和正規化手法を提案する。
実世界のシカゴ交通ネットワーク(TNC)データで実証された実験結果から,非バイアスSA-Netは予測精度と公正性の両方において予測性能が向上することが示された。
特に、sa-netは最先端モデルと比較して不利群と特権群の両方の予測精度を向上させる。
バイアス緩和正則化法と組み合わせると、非バイアスSA-Netは、不利益群と特権群の間の平均パーセンテージ予測誤差ギャップを効果的に橋渡しし、不利益領域をTNC需要の体系的過小評価から保護する。
提案手法は,多くの既存短期旅行需要推定モデルに適用可能であり,犯罪事故予測などの時空間予測タスクにも有効である。
関連論文リスト
- Microfoundation Inference for Strategic Prediction [26.277259491014163]
本稿では,人口に対する予測モデルの長期的影響をカプセル化した分布図の学習手法を提案する。
具体的には,エージェントの応答をコストユーティリティ問題としてモデル化し,そのコストを見積もる。
本稿では,この推定値の収束率と,クレジット・スコアリング・データセットの実証実験による品質評価について述べる。
論文 参考訳（メタデータ） (2024-11-13T19:37:49Z) - 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) - Improving the Fairness of Deep-Learning, Short-term Crime Prediction with Under-reporting-aware Models [1.1062397685574308]
本稿では,予測公正性を高めるために2つのアプローチのパワーを組み合わせた新しいディープラーニングアーキテクチャを提案する。
提案手法は, 内処理脱バイアスモデルと比較して, 犯罪予測の公平性を向上することを示す。
論文 参考訳（メタデータ） (2024-06-06T04:05:23Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Travel Demand Forecasting: A Fair AI Approach [0.9383397937755517]
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。
論文 参考訳（メタデータ） (2023-03-03T03:16:54Z) - 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) - STG-GAN: A spatiotemporal graph generative adversarial networks for
short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。
本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。
本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
論文 参考訳（メタデータ） (2022-02-10T13:18:11Z) - Equality of opportunity in travel behavior prediction with deep neural
networks and discrete choice models [3.4806267677524896]
本研究では,旅行行動分析に重要な欠落次元である計算公正性を導入する。
まず、機会の平等によって計算公正性を運用し、次に、データ固有のバイアスと、モデリングによって導入されたバイアスを区別する。
論文 参考訳（メタデータ） (2021-09-25T19:02:23Z) - Predicting Deep Neural Network Generalization with Perturbation Response
Curves [58.8755389068888]
トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。
具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。
PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
論文 参考訳（メタデータ） (2021-06-09T01:37:36Z) - Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration [107.15813002403905]
意思決定者は、しばしば不完全な確率予測に頼る必要がある。
本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
論文 参考訳（メタデータ） (2020-11-15T08:22:39Z)
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。