A causal intervention framework for synthesizing mobility data and evaluating predictive neural networks

要約

ディープ ニューラル ネットワークはモビリティ予測タスクでますます利用されていますが、その複雑な内部動作により、特にモビリティ動作のさまざまな側面が予測にどのように影響するかを理解する際に、解釈可能性が課題となっています。
この研究では、次の位置予測のために設計されたニューラル ネットワークに対する移動関連要因の影響を評価するための因果的介入フレームワークを導入しています。このタスクは、個人のすぐ次の位置を予測することに焦点を当てたタスクです。
これを達成するために、私たちは個々のモビリティ モデルを採用して、データ生成プロセスに介入して場所訪問シーケンスを合成し、行動ダイナミクスを制御します。
モビリティメトリクスを使用して介入位置シーケンスを評価し、それらを十分に訓練されたネットワークに入力してパフォーマンスの変動を分析します。
この結果は、明確な移動挙動を備えた位置シーケンスを生成する有効性を実証し、それによって多様でありながら現実的な空間的および時間的変化のシミュレーションを容易にします。
これらの変化は、次の位置予測ネットワークのパフォーマンス変動をもたらし、位置遷移における連続パターン、新しい位置を探索する傾向、人口および個人レベルでの位置選択の好みなど、重要なモビリティ行動要因の影響を明らかにします。
得られた洞察は、モビリティ予測ネットワークの実世界アプリケーションにとって価値があり、このフレームワークは、モビリティ アプリケーションにおけるニューラル ネットワークの解釈可能性と堅牢性を高めるための因果推論の使用を促進すると期待されています。

要約(オリジナル)

Deep neural networks are increasingly utilized in mobility prediction tasks, yet their intricate internal workings pose challenges for interpretability, especially in comprehending how various aspects of mobility behavior affect predictions. This study introduces a causal intervention framework to assess the impact of mobility-related factors on neural networks designed for next location prediction — a task focusing on predicting the immediate next location of an individual. To achieve this, we employ individual mobility models to synthesize location visit sequences and control behavior dynamics by intervening in their data generation process. We evaluate the interventional location sequences using mobility metrics and input them into well-trained networks to analyze performance variations. The results demonstrate the effectiveness in producing location sequences with distinct mobility behaviors, thereby facilitating the simulation of diverse yet realistic spatial and temporal changes. These changes result in performance fluctuations in next location prediction networks, revealing impacts of critical mobility behavior factors, including sequential patterns in location transitions, proclivity for exploring new locations, and preferences in location choices at population and individual levels. The gained insights hold value for the real-world application of mobility prediction networks, and the framework is expected to promote the use of causal inference to enhance the interpretability and robustness of neural networks in mobility applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google