論文の概要: Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study

• arxiv url: http://arxiv.org/abs/2501.11214v1
• Date: Mon, 20 Jan 2025 01:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:30.728727
• Title: Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study
• Title（参考訳）: 残差認識時空間グラフニューラルネットワークを用いた都市予測における空間差の緩和:シカゴのケーススタディ
• Authors: Dingyi Zhuang, Hanyong Xu, Xiaotong Guo, Yunhan Zheng, Shenhao Wang, Jinhua Zhao,
• Abstract要約: 交通流、温度、犯罪率などの都市予測タスクは、効率的な都市計画と管理に不可欠である。 既存の時空間グラフニューラルネットワーク(ST-GNN)は、その予測における空間的および人口的格差を見越して、精度にのみ依存することが多い。 本研究では,Residual-Aware Attention (RAA) ブロックと,これらの相違に対処するための等価性向上損失関数を導入する。
• 参考スコア（独自算出の注目度）: 8.027373700091331
• License:
• Abstract: 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.
• Abstract（参考訳）: 交通流、温度、犯罪率などの都市予測タスクは、効率的な都市計画と管理に不可欠である。 しかしながら、既存の時空間グラフニューラルネットワーク(ST-GNN)は、その予測における空間的および人口的格差を見越して、精度にのみ依存することが多い。 この監視は、資源配分の不均衡を招き、都市部における既存の不平等を悪化させる可能性がある。 本研究では,Residual-Aware Attention (RAA) ブロックと,これらの相違に対処するための等価性向上損失関数を導入する。 トレーニング中に隣接行列を適応させ,空間的不均一度指標を取り入れることで,残差や誤差の局所分離を低減することを目的としている。 この手法をシカゴの都市予測タスクに適用し、旅行需要データセットを例として利用した。 本モデルでは, 誤差指標の9%の増加に留まらず, 公平度指標の48%の大幅な改善を実現した。 残留分布の空間的解析により,RAAブロックを用いたモデルの方が,特に中央領域に集束した誤差の低減により,より公平な予測結果が得られた。 注意マップは、モデルがフォーカスを動的に調整する能力を示し、よりバランスの取れた予測につながった。 シカゴの様々な地域社会のケーススタディでは、空間的・人口格差に対処するアプローチの有効性が示され、よりバランスのとれた都市計画と政策立案を支援した。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Geospatial Disparities: A Case Study on Real Estate Prices in Paris [0.3495246564946556]
  地理空間データから生じるバイアスを識別・緩和するためのツールキットを提案する。 空間的属性を持つ順序回帰ケースを2次分類の焦点から逸脱する。 本手法を概説し,本手法の実践的応用を実証し,公正度と校正対策のための地理的集約レベルを選択することの意味を精査する。
  論文  参考訳（メタデータ） (2024-01-29T14:53:14Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Fine-Grained Socioeconomic Prediction from Satellite Images with Distributional Adjustment [14.076490368696508]
  本研究では,より広い領域で観測される分布挙動を捉えることで,各衛星画像に社会経済的スコアを割り当てる手法を提案する。 我々は、順序回帰スコアモデルを訓練し、そのスコアを地域内外の共通パワー則に従うように調整する。 また, この手法は, 不均質な開発地域において, 開発途上国での利用可能性を示す。
  論文  参考訳（メタデータ） (2023-08-30T12:06:04Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• 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)
• 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)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)

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。