一座没有通勤表的城市,引力公式和 GAN 能补出怎样的起讫网?
论文名片|Can Rong、Huandong Wang、Yong Li,Origin-Destination Network Generation via Gravity-Guided GAN,arXiv:2306.03390v1,2023年6月6日提交。arXiv:2306.03390。本文依据这一预印本解读。首页 ACM 模板中的 DOI 仍是占位符 XXXXXXX.XXXXXXX,不能当作正式 DOI。
设想一座城市已经公开了人口、兴趣点和公交地铁,职住通勤表却因为成本或隐私拿不到。老办法是把两地人口相乘,再除以距离。换一座城市训练出来的神经网络,又可能只记住训练城市自己的花样。这篇论文试的是第三条路:把引力公式留在流量计算里,让神经网络去学每个区域的“质量”和抽象位置,并用生成对抗网络(generative adversarial networks,GAN)对照整张网络的样子。
在纽约、西雅图和孟菲斯的报告结果里,这个模型的分布距离、逐对误差和通勤重叠都优于论文列出的基线。相对经典引力模型,纽约的差距很大;相对最强的神经网络基线,差距小得多。模型里的质量与人口只有中等相关,不能把它读成人口本身。
先说结论
- 任务叫起讫网络生成:目标城市不提供通勤表,输入是区域属性和交通拓扑。数据准备了 8 座美国城市,完整结果只报告纽约、西雅图、孟菲斯,空间单位是人口普查区。
- 表 1 里,本文模型在三座城市的三项指标上都最好。纽约的通勤公共部分(CPC)为 0.6476,引力模型为 0.3547,GAT-GAN 为 0.6017;分母都是真实流量总和加预测流量总和。纽约均方根误差(RMSE)为 5.20,引力模型为 12.74,GAT-GAN 为 5.99;分母是起讫对个数,论文没有给出这个个数。
- 西雅图 RMSE 为 14.99,孟菲斯为 14.00,都高于纽约的 5.20。论文把这归因于它们和训练所用大规模城市的结构差异,但没有列出每次训练具体用了哪几座城市。
- 消融中,作者写道:只加入多视图交通图约提升 3%,只换上引力解码器约提升 4%,两部分一起超过 7%;相对普通图注意力网络,GAN 训练单独约提升 3%,全部设计约提升 13%。正文没有给出这些百分数的逐城算式。图 3 有误差线,也没有说明误差线的定义。
- 去掉人口为 0、兴趣点不为 0 的区域后,学到的质量与人口相关 0.47,与兴趣点数量相关 0.20。正文没有写相关系数的种类,也没有写删掉了多少个区域。
要补的是整座城市的职住通勤网
论文区分了两件事。起讫预测通常还看得到这座城市已有的流量,再去估计未知或未来的流量。起讫生成则假定目标城市的流量表不可用,只能用区域属性和城市图把整张有向加权网生成出来。节点是区域,边权是从一个区域到另一个区域的人流量。
实验列出 8 座美国城市:纽约、洛杉矶、芝加哥、休斯敦、旧金山、西雅图、华盛顿特区、孟菲斯。生成结果重点报告三座:论文称为大规模发达城市的纽约、称为二线城市的西雅图、称为发展中城市的孟菲斯。这是作者自己的城市分类,文中没有给出分级标准。
区域用人口普查区(census tract)。人口属性来自美国社区调查(American Community Survey,ACS),先在更小的普查街区汇总,再筛出 24 维,包括性别、年龄、教育和经济水平,具体变量名没有逐项列出。参考文献把这份 ACS 标为 2020 年。兴趣点来自 OpenStreetMap 2020 年数据,按 36 类计数。两类特征拼在一起,作为区域属性。模型的噪声维度也设为 60,与区域属性维度相同;24 加 36 正好等于 60,正文没有另写这句加法。
交通图有三张。两个普查区地理上相邻,就在邻接图里连边;有公交线路直接连通,就在公交图里连边;有地铁直接连通,就在轨道交通图里连边。边只表示“相邻”或“有直达线路”,不表示车程、票价或道路里程。线路来自政府网站或专有数据站点,年份和线路名单没有写明。
真实流量来自纵向雇主—家庭动态起讫就业统计(LODES),是职住通勤,不是购物、就医或全部出行。通勤表按普查区对汇总。论文没有给出城市各自有多少普查区、多少起讫对,也没有写 LODES 的年份。因此后面的误差都是通勤计数上的拟合差,分母里的起讫对数量本身没有公布。
引力公式留在解码器里,约束的是形状
ODGN(Origin-Destination Generation Networks)分成编码器和按引力写成的解码器。编码器是多视图图注意力网络(multi-view graph attention networks,MGAT)。每个区域先把自己的属性和一串高斯噪声拼起来,再在邻接、公交、地铁三张图上分别聚合邻居。图注意力层为 3 层,每层 64 个通道、8 个注意力头。三张图的表示拼合后得到 64 维区域表示。
这 64 维被拆成两截。一截叫质量,表示该区域对流量产生或吸引的贡献,不是物理质量,也不是直接放入的人口数。另一截当作抽象坐标,两区之间用坐标的欧氏距离。流量沿用可学习的引力形式:
Tᵢⱼ = G ×(起点质量的 λ₁ 次方)×(终点质量的 λ₂ 次方)÷(这段距离的 λ₃ 次方)。
G 和三个 λ 都按城市学习。牛顿公式把力写成质量乘积除以距离平方,Zipf 在 1946 年把迁居写成人口乘积除以距离。这里的指数不固定成 1 或 2,距离也不是地图上的直线距离。物理知识进入模型的方式,是规定“流量由两个质量的幂除以距离的幂得到”。作者在相关工作里把这归为用物理公式设计网络结构,而不是在损失函数里加一条物理残差。

图 1|区域特征和三张交通图怎样变成流量矩阵?
无字母子图。左栏把区域特征与噪声送进编码器;三张空间关系图分别画了行人、公共汽车和列车,对应邻接、公交和轨道交通,各自得到一排表示。中间把表示拆成质量与坐标。右栏按引力形式计算每一对区域的流量,颜色深浅组成 OD 矩阵。图中的距离画在坐标向量之间,应读成表示空间里的距离。来源:原论文 Fig. 1。
这样设计的含义是:模型不必从零学习“两地流量如何相乘、如何随距离下降”,但仍要用数据决定每个区域的质量和抽象位置。拟合变好,说明这套形式和这些特征在当前通勤数据上更合适。它还不能证明居民真的按牛顿引力决定通勤。
整张网太大,判别器只看按流量抽出的路径
条件 GAN 的生成器就是 ODGN。条件包括全部区域属性和三张交通图,另外还有与属性同维的高斯噪声。判别器不直接接收整张流量矩阵。论文的理由是,有向加权网又大又难比,算力和存储也有限。
具体做法是在网上做随机游走。每条序列的起点在所有区域里等概率抽取。站在区域 i 时,下一步走到 j 的概率等于流量 Tᵢⱼ 除以 i 的总流出。走出长度 L 的节点序列后丢掉起点。L 在正文里没有给数值。为了让抽样还能反向传播,这里用直通 Gumbel 估计。
送进判别器的序列,是路径上每个区域的属性,拼上刚走过那条边的流量。判别器是时间卷积网络加一层全连接,最后输出一个分数。训练框架是带权重裁剪的 Wasserstein GAN。前 300 个轮次里,每更新一次生成器先更新 5 次判别器,之后改为 1 次。损失收敛就停止。正文没有报告学习率、每批序列条数或总游走次数。

图 2|生成的通勤网靠什么和真实网络对照?
无字母子图。生成器接收交通网络和城市特征,输出假 OD 网络。真、假网络都经随机游走变成序列,再进入判别器,损失从判别器的分数算回两边。图例区分原始数据、输入输出、运算模块和数据流。这张图说明对抗训练比较的是抽样路径,不是矩阵的逐格抄写。来源:原论文 Fig. 2。
因此,“模型考虑了网络拓扑”在本文里首先是一条训练设计:游走概率跟着边权走,判别器看见的是属性和流量组成的序列。它还不是一张单独的拓扑检验。后文的分数并不包括度分布、最大流份额或社区结构。
三座城市上,它比谁好、好多少?
评价有三项。流量分布用 F-JSD,越低越接近。正文把它写成:生成分布相对两者逐元素均值的 KL 散度,加上该均值相对真实分布的 KL 散度,再取平均并开方。第二项是均值到真实分布的 KL,和常见的对称 JS 散度并不逐项相同。它比较的是流量取值的整体分布,不是某一条通勤有没有对上。
RMSE 是起讫对流量差的均方根,分母是矩阵元素个数 |T|,越低越好。论文没有公布 |T|,也没有写单位;它与 LODES 的通勤计数同一量纲。
CPC 是两倍的“逐对取真实值与预测值中的较小者”之和,除以预测流量总和加真实流量总和。范围在 0 到 1,越高表示两张表重叠越多。0.65 是这个重叠指数,不是 65% 的通勤者被逐人判对。
基线包括经典引力模型、梯度提升回归树、随机森林、深度引力模型、图注意力网络 GAT、先做地理上下文嵌入再用树模型预测的 GMEL,以及去掉本文两项特殊设计、只保留 GAT 和 GAN 的 GAT-GAN。树模型的树数量设为 100。深度引力模型的隐层数按原论文设为 15。
| 模型 | 纽约 F-JSD | 纽约 RMSE | 纽约 CPC | 西雅图 F-JSD | 西雅图 RMSE | 西雅图 CPC | 孟菲斯 F-JSD | 孟菲斯 RMSE | 孟菲斯 CPC |
|---|---|---|---|---|---|---|---|---|---|
| 引力模型 | 0.4979 | 12.74 | 0.3547 | 0.5193 | 24.37 | 0.3485 | 0.5582 | 27.05 | 0.3155 |
| 梯度提升树 | 0.2569 | 7.70 | 0.5600 | 0.2846 | 17.41 | 0.6461 | 0.2961 | 19.87 | 0.5854 |
| 随机森林 | 0.2520 | 8.43 | 0.5821 | 0.2594 | 16.59 | 0.6896 | 0.3022 | 14.52 | 0.6024 |
| 深度引力 | 0.2755 | 8.86 | 0.5633 | 0.3099 | 16.58 | 0.6189 | 0.2900 | 16.80 | 0.5640 |
| GAT | 0.2540 | 7.03 | 0.5726 | 0.2642 | 21.63 | 0.6510 | 0.3011 | 16.26 | 0.5466 |
| GMEL | 0.2540 | 6.49 | 0.5810 | 0.2717 | 21.42 | 0.6510 | 0.3013 | 15.97 | 0.5729 |
| GAT-GAN | 0.2512 | 5.99 | 0.6017 | 0.2508 | 16.20 | 0.6996 | 0.2556 | 16.42 | 0.6147 |
| 本文 | 0.2312 | 5.20 | 0.6476 | 0.2400 | 14.99 | 0.7300 | 0.2348 | 14.00 | 0.6282 |
表中 F-JSD 和 RMSE 越低越好,CPC 越高越好。数字与原论文表 1 一致。
纽约上,和引力模型比,CPC 从 0.3547 到 0.6476,增加 0.2929,相当于引力模型 CPC 的 82.6%;RMSE 从 12.74 到 5.20,减少 7.54,相当于该基线的 59.2%;F-JSD 从 0.4979 到 0.2312,减少 0.2667,相当于该基线的 53.6%。引力模型只有很少的人口和距离项,这个大差距说明它确实吃亏,也说明“超过引力模型”本身还不算很强的证据。
和三项指标上都最接近的 GAT-GAN 比,纽约 CPC 从 0.6017 到 0.6476,增加 0.0459,相当于 GAT-GAN 的 7.6%;RMSE 从 5.99 到 5.20,减少 0.79,相当于该基线的 13.2%;F-JSD 从 0.2512 到 0.2312,减少 0.0200,相当于该基线的 8.0%。西雅图 CPC 从 0.6996 到 0.7300,增加 0.0304,相当于 4.3%;RMSE 从 16.20 到 14.99,减少 1.21,相当于 7.5%。孟菲斯 CPC 从 0.6147 到 0.6282,只增加 0.0135,相当于 2.2%。
孟菲斯的 RMSE 还要换一个对照。随机森林是 14.52,低于 GAT-GAN 的 16.42;本文的 14.00 只比随机森林少 0.52,相当于随机森林 RMSE 的 3.6%。所以“全面最好”在表上成立,但孟菲斯的逐对误差已经和一棵集成树很接近。
论文还说,树模型比 GAT、GMEL、GAT-GAN 更稳。西雅图支持这句话的一部分:GAT 和 GMEL 的 RMSE 为 21.63 和 21.42,随机森林为 16.59。纽约则相反:GAT 和 GMEL 的 RMSE 为 7.03 和 6.49,低于梯度提升树的 7.70。更稳是作者对跨城市表现的概括,不是每一座城市、每一项指标都成立。
表 1 每个格子只有一个点估计,没有置信区间,也没有写重复运行次数。算法输入里同时出现训练城市和目标城市,问题定义又要求目标城市没有可用 OD。正文只说西雅图、孟菲斯与训练中的大规模城市不同,没有列出每次留出的城市名单。这些数字应读成三座被报告城市上的生成误差。它们还不能单独证明某一种固定的留出城市协议已经完成。
拿掉公交地铁,或拿掉引力形式,还剩多少?
图 3 在 GAN 训练框架里比较四种结构:只有 GAT 的 GAT-GAN,换成多视图图的 MGAT-GAN,保留 GAT 但使用引力解码器的 GAT-gravity-GAN,以及两者都用的本文模型。普通 GAT 不在这张图里,它和 GAN 的差别要回到表 1。

图 3|多视图和引力解码器各自改变了多少?
(a)纵轴为 CPC,从 0.4 到 0.8,越高越好。蓝为 GAT-GAN,橙为 MGAT-GAN,绿为 GAT-gravity-GAN,红为本文模型。三座城市都是红柱最高;西雅图蓝柱的误差线上下跨度很大,柱顶高低不宜单独当成稳定差距。(b)纵轴为 RMSE,越低越好,颜色与(a)相同。红柱在纽约、西雅图、孟菲斯都最低。正文没有说明误差线是标准差、置信区间还是重复次数。来源:原论文 Fig. 3。
作者给出的幅度是:多视图约 3%,引力解码器约 4%,两样一起超过 7%,全部设计相对 GAT 约 13%。用表 1 的 CPC 相对 GAT 验算,纽约为 (0.6476−0.5726)/0.5726=13.1%,西雅图为 (0.7300−0.6510)/0.6510=12.1%,孟菲斯为 (0.6282−0.5466)/0.5466=14.9%。13% 和纽约这一格接近,却不是三座城市的同一个数。正文也没有声明这 13% 就是纽约 CPC。图 3 里若干误差线互相重叠,论文没有做显著性检验。方向上,红柱在两张子图里都处于更好的一侧;幅度上,应保留作者的约数,并同时看表 1 的原始值。
两部分一起优于单独使用,说明多视图交通图和引力解码器在这个实验里不是完全重复的信息。交通图提供的是邻接和直达线路,引力解码器提供的是质量和抽象距离的计算形式。谁在因果上导致了通勤,图 3 不能回答。
学到的质量,只部分跟着人口走
最后一个实验看质量是否有可理解的内容。作者把质量分别和区域人口、兴趣点总数做相关。兴趣点总数在这里被当作经济规模的一个代理。剔除人口为 0 但兴趣点不为 0 的区域之后,两个相关是 0.47 和 0.20。

图 4|质量与人口、兴趣点是什么关系?
(a)横轴为总人口,可见刻度为 50、100、150,纵轴为质量,刻度到 2,并有点高于 2。低人口处点很密,向右迅速变稀。(b)横轴为兴趣点数量,刻度标有 200 和 400,点云继续延伸到 400 右侧;纵轴质量刻度到 2.0。大多数点堆在低质量,兴趣点较多时质量的上沿略抬高。靠近纵轴有一个兴趣点很少、质量超过 2 的点。0.47 和 0.20 写在正文,没有标在图上。来源:原论文 Fig. 4。
人口轴标到 150,对美国普查区的原始居民人数来说低得异常,正文却没有说明单位或缩放。因此不能把横轴读成“每个普查区只有几十到一百多人”。相关也没有说明是 Pearson 还是 Spearman,没有给出区域个数。图 4 属于哪一座城市,正文同样没有写。
0.47 表示人口较高的区域,质量有偏高的趋势,离散仍然很大。0.20 更弱。作者还指出兴趣点与质量之间有某种非线性约束,这与(b)里上沿缓慢抬升的形状相符。质量可以同时带上人口和经济活动的一点信息。它仍然是解码器里的可学习向量,不是普查人口,也不是已经解释了通勤的机制变量。
这些结果能说到哪里
本文最稳的结论是:在所报告的三座城市、三种指标上,MGAT 加引力形式解码器,再用按流量抽样的 GAN 训练,点估计优于表 1 的七个基线。相对经典引力模型,纽约的改善很大;相对 GAT-GAN 或孟菲斯的随机森林,改善小,而且图 3 的不确定性没有被定义。
流量是模型输出的职住通勤计数,不是观测到的全目的出行,也不是某个人的一天。LODES 年份没有写,ACS 与地图引用在 2020 年附近,时间是否对齐无法从正文核对。训练城市名单、普查区数量、起讫对数量、序列长度和重复实验次数都没有给出。相关 0.47 和 0.20 是剔除部分区域后的描述,不是质量等于人口的证明。判别器的设计意图是拓扑,评分表里却没有拓扑统计量,所以“抓住了网络整体结构”仍是训练过程的说明,不是一条独立结果。
一句话总结
没有目标城市通勤表时,用交通图和引力形状生成整张职住起讫网,可以在纽约、西雅图和孟菲斯上超过论文中的基线;超过最强基线的幅度有限,学到的质量也只是与人口中等相关的表示,而不是人口或真实出行本身。
核心来源
- arXiv:2306.03390v1,2023年6月6日提交,cs.LG,目前只有这一版。正文 10 页,图 1–4 与表 1 都出自该版。
- PDF 首页的 ACM 参考文献块把会议、年份和 DOI 留成模板:Conference acronym ’XX、2018、Woodstock, NY,DOI 为 XXXXXXX.XXXXXXX。这不是可解析的正式出版信息。
作者介绍
三位作者在论文中均署名清华大学,北京。论文没有写职称、分工或更细的院系,下面只保留署名机构。
- Can Rong:论文第一作者,署名清华大学。
- Huandong Wang:署名清华大学。
- Yong Li:署名清华大学。
延伸思考
以下是 AI 基于论文结果所作的延伸,不属于原论文结论。
如果判别器的价值在于拓扑,评分却只用分布距离、逐对误差和重叠指数,那么 GAN 可能做了表格没有展示的事,也可能只是把 CPC 从纽约的 0.6017 推到 0.6476。一个直接的核对是:在一张确定没有进入训练的通勤网上,比较真实与生成的出度、入度,以及流量最高的 1% 起讫对占了总通勤的多少。若这些量接近,而 CPC 只移动几个点,拓扑目标就值得单独报告;若这些量差得很远,现有三项指标的领先还说明不了网络结构已经被学会。
另一个核对针对“质量”。人口相关只有 0.47,图 4 的人口轴又没有单位。把普查人口和道路时间直接代进经典引力公式,并不等于在使用 ODGN 的输入。可以把 λ 冻结,只把抽象坐标距离换成高峰行程时间,看 CPC 和最高流量走廊是否一起变化。若几乎不变,引力形式主要是在约束乘除形状;若长距离通勤明显改写,现在的抽象距离就还不是规划里可用的阻抗。