融合时空特征与公平性感知正则化的出租车需求预测混合框架研究

《Scientific Reports》：Spatial fairness in taxi demand prediction: a hybrid approach leveraging district profiles

　　

摘要

准确的出租车需求预测对于高效、公平的城市交通管理至关重要。本研究提出了一种用于时空出租车需求预测的混合框架，并在来自芝加哥的大规模数据集上进行了评估。所提出的方法包含三个主要组成部分。首先，采用非负矩阵分解（NMF）与白鲨优化算法（WSO）的组合来重建缺失的需求数据，从而实现潜在时空结构的恢复。其次，利用长短期记忆（LSTM）网络来捕获需求模式中的时间依赖性。第三，引入了一种基于相对困境邻近度（RHP）的公平性感知正则化机制，以控制人口统计学相似区域之间的预测误差差异。该机制明确惩罚不均衡的误差分布，引导模型在各城市区域实现更加均衡的性能表现。实验结果表明，所提出的框架有效地平衡了预测精度与空间公平性，实现了均方根误差（RMSE）为2.8，平均绝对误差（MAE）为1.4。尤为关键的是，该模型在空间公平性（公平性增益）方面实现了高达\(50\%\)的提升，同时仅承受最小的精度代价，这一代价通过公平性价格（PoF）约为\(7\%\)来反映。这些研究结果表明，将结构化公平性约束纳入需求预测模型中，可以在保持高预测性能的同时显著提升公平性，为公平的城市交通规划提供了一种实用且具有可扩展性的解决方案。