論文の概要: Toward Equitable Low-Carbon Mobility: Fairness-Aware Demand Prediction for Expanding Bike-Sharing Systems

• arxiv url: http://arxiv.org/abs/2608.26451v1
• Date: Wed, 26 Aug 2026 22:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.198811
• Title: Toward Equitable Low-Carbon Mobility: Fairness-Aware Demand Prediction for Expanding Bike-Sharing Systems
• Title（参考訳）: 等価低炭素移動に向けて:自転車シェアリングシステムの公平性を考慮した需要予測
• Abstract要約: 自転車シェアリングシステムの拡張における需要予測のためのフェアネス対応グラフニューラルネットワークであるFairGINを提案する。 ニューヨークとシアトルの実験では、FairGINがさまざまな拡張シナリオで最先端の予測精度を達成している。
• 参考スコア（独自算出の注目度）: 2.877073407903913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bike-sharing systems are an important component of low-carbon urban mobility, but continued expansion creates challenges in both cold-start prediction and equitable resource allocation. Newly deployed stations lack historical ridership records, causing a mismatch between training and inference for graph-based models on evolving networks. Historical demand may also encode structural inequalities, as lower ridership in low-income neighborhoods can reflect limited infrastructure access rather than weak latent demand. Models trained directly on such data may therefore reinforce existing mobility disparities. We propose FairGIN, a fairness-aware graph neural network for demand prediction in expanding bike-sharing systems. FairGIN integrates three components. Expansion-Simulated Increment Training stochastically simulates network expansion during training to reduce the cold-start distribution gap. Attention-Based Knowledge Transfer combines station-adaptive temperature scaling with orthogonal embedding alignment to transfer representations from data-rich existing stations to data-sparse new stations. Fairness-Aware Optimization introduces income-stratified regularization and an equity-calibrated deployment score to support more inclusive station placement. Experiments on NYC and Seattle demonstrate that FairGIN achieves state-of-the-art predictive accuracy across diverse expansion scenarios while substantially reducing income-based disparities without compromising overall system efficiency.
• Abstract（参考訳）: 自転車シェアリングシステムは低炭素都市移動の重要な要素であるが、継続的な拡張は冷戦開始予測と資源配分の両面での課題を生んでいる。 新しく配備されたステーションは、歴史あるライダーの記録を欠き、進化するネットワーク上のグラフベースのモデルに対するトレーニングと推論のミスマッチを引き起こした。 歴史的需要は構造的不平等を符号化する可能性もあり、低所得地区の低い乗客は、弱い潜在需要よりも限られたインフラアクセスを反映することができる。 このようなデータに基づいて直接訓練されたモデルは、既存のモビリティ格差を強化する可能性がある。 自転車シェアリングシステムの拡張における需要予測のためのフェアネス対応グラフニューラルネットワークであるFairGINを提案する。 FairGINは3つのコンポーネントを統合する。 拡張シミュレーションインクリメントトレーニングは、トレーニング中のネットワーク拡張を確率的にシミュレートし、コールドスタート分布ギャップを低減する。 Attention-Based Knowledge Transferは、データリッチな既存のステーションからデータスパースな新しいステーションへの転送表現に、ステーション適応型温度スケーリングと直交埋め込みアライメントを組み合わせる。 フェアネス・アウェア・オプティマイゼーションは、より包括的な駅配置をサポートするために、収入階層化された正規化と株式キャリブレーションの配置スコアを導入している。 ニューヨークとシアトルの実験では、FairGINが様々な拡張シナリオで最先端の予測精度を達成し、システム全体の効率を損なうことなく、収入ベースの格差を大幅に減らすことを示した。

関連論文リスト

• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• Transit for All: Mapping Equitable Bike2Subway Connection using Region Representation Learning [4.403122905236942]
  自転車シェアリングシステム(BSS)は、手頃なファーストマイルとラストマイルの接続を提供することで、株式ギャップを埋めることができる。 本稿では,BSSの等間隔展開を導くための空間コンピューティングフレームワークであるTransit for All(TFA)を紹介する。 ニューヨーク市をケーススタディとして、低所得層や少数民族社会に不均衡に影響を及ぼす交通アクセシビリティのギャップを同定する。
  論文  参考訳（メタデータ） (2025-06-18T03:31:07Z)
• Predicting travel demand of a bike sharing system using graph convolutional neural networks [0.0]
  本研究は,自転車共有システムにおける旅行需要の予測に焦点を当てた。 ゲートグラフ畳み込みニューラルネットワークと呼ばれる新しいハイブリッドディープラーニングモデルが導入された。 軌跡データ、気象データ、アクセスデータを統合し、ゲートグラフ畳み込みネットワークを活用することにより、旅行需要予測の精度を大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-18T00:24:30Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Deep trip generation with graph neural networks for bike sharing system expansion [7.737133861503814]
  マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。 提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
  論文  参考訳（メタデータ） (2023-03-20T16:43:41Z)
• Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
  ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。 本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
  論文  参考訳（メタデータ） (2022-12-18T21:43:27Z)
• A Cluster-Based Trip Prediction Graph Neural Network Model for Bike Sharing Systems [2.1423963702744597]
  自転車シェアリングシステム(BSS)は革新的な交通サービスとして発展しつつある。 これらのシステムが現在のグローバルな懸念の多くを根絶することにコミットしていることを考えると、BSSの適切な機能を確保することが不可欠である。 ユーザの移行パターンに関する優れた知識は、サービスの品質と運用性に対する決定的な貢献である。
  論文  参考訳（メタデータ） (2022-01-03T15:47:40Z)
• Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context [0.0]
  近年の深層学習と距離に基づく予測器の貢献は,自転車のシェアリング需要の予測に限られた成功を収めたことを示している。 本研究は, 駅需要の予測モデルにおいて, 空間的, 気象的, 状況的, カレンディカルな文脈の歴史的および将来的な情報源の両方を組み込むための, 包括的な新原則を提案する。
  論文  参考訳（メタデータ） (2021-05-03T18:53:58Z)
• Center Prediction Loss for Re-identification [65.58923413172886]
  我々は, 中心予測率に基づく新たな損失, すなわち, 試料が特徴空間の位置に位置しなければならず, そこから同一クラス標本の中心の位置を大まかに予測できることを示す。 今回の新たな損失により,クラス間サンプルの分離性が向上しつつ,クラス内分散制約がより柔軟になることを示す。
  論文  参考訳（メタデータ） (2021-04-30T03:57:31Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• Exploiting Interpretable Patterns for Flow Prediction in Dockless Bike Sharing Systems [45.45179250456602]
  本稿では,解釈可能な交通パターンを用いた効率的な自転車フロー予測を実現するための,解釈可能な自転車フロー予測(IBFP)フレームワークを提案する。 都市部をフロー密度に応じて領域に分割することにより、まず、グラフ正規化スパース表現を用いて、各領域間の自転車の流れをモデル化する。 そして,スパース表現を用いたサブスペースクラスタリングを用いて,自転車のフローからトラフィックパターンを抽出し,解釈可能なベース行列を構築する。 最後に、実世界のデータを用いた実験結果から、ドックレス自転車シェアリングシステムにおけるフロー予測におけるIBFP法の利点が示された。
  論文  参考訳（メタデータ） (2020-04-13T05:31:50Z)

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。