On the potential of Optimal Transport in Geospatial Data Science

要約

地理情報科学と交通における予測問題は、多くの場合、業務効率を向上させる可能性によって動機付けられます。
例としては、移転を​​最適化する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、従来の精度メトリックは、操作との関連性にもかかわらず、予測誤差の空間分布を考慮していません。
我々は、空間評価指標および損失関数として最適輸送 (OT) を提唱しました。
提案された OT メトリクスは、予測誤差によって引き起こされる再配置コストの観点から、空間予測モデルの有用性を評価します。
実際のデータと合成データの実験で、1) 予測誤差の空間分布は多くのアプリケーションに関連しており、現実世界のコストに変換できること、2) 他の指標とは対照的に、OT はこれらの空間コストを反映していること、および
3) OT メトリクスは、空間的および時間的スケール全体での比較可能性を向上させます。
最後に、予測の空間的正確性を向上させるために、ニューラル ネットワークの損失関数として OT を活用することを提唱します。
このアプローチは、GeoAI での評価を運用上の考慮事項と整合させるだけでなく、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。
GIS での OT の導入を促進するために、https://github.com/mie-lab/geospatialOT でコードとチュートリアルを提供しています。

要約(オリジナル)

Prediction problems in geographic information science and transportation are frequently motivated by the possibility to enhance operational efficiency. Examples range from predicting car sharing demand for optimizing relocation to forecasting traffic congestion for navigation purposes. However, conventional accuracy metrics do not account for the spatial distribution of predictions errors, despite its relevance for operations. We put forward Optimal Transport (OT) as a spatial evaluation metric and loss function. The proposed OT metric assesses the utility of spatial prediction models in terms of the relocation costs caused by prediction errors. In experiments on real and synthetic data, we demonstrate that 1) the spatial distribution of the prediction errors is relevant in many applications and can be translated to real-world costs, 2) in contrast to other metrics, OT reflects these spatial costs, and 3) OT metrics improve comparability across spatial and temporal scales. Finally, we advocate for leveraging OT as a loss function in neural networks to improve the spatial correctness of predictions. This approach not only aligns evaluation in GeoAI with operational considerations, but also signifies a step forward in refining predictions within geospatial applications. To facilitate the adoption of OT in GIS, we provide code and tutorials at https://github.com/mie-lab/geospatialOT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google