On the potential of Optimal Transport in Geospatial Data Science

要約

地理情報科学および交通における予測問題は、多くの場合、運用効率を向上させ、それによって排出量を削減する可能性によって動機づけられます。
例としては、移転計画のためのカーシェアリング需要の予測から、ナビゲーションを目的とした交通渋滞の予測まで多岐にわたります。
ただし、従来の精度メトリクスは、操作との関連性にもかかわらず、誤差の空間分布を無視しています。
ここでは、最適輸送 (OT) に基づいた、空間を意識した評価指標と損失関数を提案します。
私たちのフレームワークは部分的な OT を活用しており、あらゆる空間予測問題において再配置コストを最小限に抑えることができます。
従来の指標に対する OT ベースの評価の利点を示し、自転車シェアリングの需要と充電ステーションの占有率の予測を改善するための OT 損失関数の適用をさらに実証します。
したがって、私たちのフレームワークは運用上の考慮事項と一致しているだけでなく、地理空間アプリケーション内での予測を洗練する上での一歩前進を意味します。
すべてのコードは https://github.com/mie-lab/geospatialOT で入手できます。

要約(オリジナル)

Prediction problems in geographic information science and transportation are often motivated by the possibility to enhance operational efficiency and thereby reduce emissions. Examples range from predicting car sharing demand for relocation planning to forecasting traffic congestion for navigation purposes. However, conventional accuracy metrics ignore the spatial distribution of the errors, despite its relevance for operations. Here, we put forward a spatially aware evaluation metric and loss function based on Optimal Transport (OT). Our framework leverages partial OT and can minimize relocation costs in any spatial prediction problem. We showcase the advantages of OT-based evaluation over conventional metrics and further demonstrate the application of an OT loss function for improving forecasts of bike sharing demand and charging station occupancy. Thus, our framework not only aligns with operational considerations, but also signifies a step forward in refining predictions within geospatial applications. All code is available at https://github.com/mie-lab/geospatialOT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google