迈向公平的低碳出行：扩展共享单车系统的公平性感知需求预测

# 迈向公平的低碳出行：面向扩张中共享单车系统的公平感知需求预测  
来源：https://arxiv.org/html/2608.26451  
Man Luo\*††说明：\*通讯作者。††说明：Y\. Zhao 和 M\. Luo 任职于英国埃克塞特大学计算机科学系（邮箱：\{yz776, m\.luo\}@exeter\.ac\.uk\)。  

###### 摘要  
共享单车系统是低碳城市出行的重要组成部分，但其持续扩张面临两个紧密相关的挑战。新部署的站点缺乏历史骑行数据，导致在应用于网络拓扑动态演化、节点特征存在异构性的图模型时，训练与推理阶段存在分布差异。另一挑战源于历史需求观测中固有的结构偏差——低收入社区系统性的较低骑行量可能反映的是骑行基础设施的不足，而非潜在需求本身较弱。直接基于此类观测训练的模型会复制现有的空间不平等，导致部署策略将绿色交通资源导向本已享有优势的社区，进一步加剧出行公平性问题。为解决这些挑战，我们提出FairGIN，一种面向扩张中共享单车系统的公平感知图神经网络。FairGIN包含三个协同组件：**扩展模拟增量训练**通过图增强机制在训练中随机模拟冷启动扩张场景，缓解新增站点时面临的分布差异；**基于注意力的知识迁移**结合站点自适应温度缩放与正交嵌入对齐，使数据稀缺的新站点能选择性地从数据丰富的现有站点获取表征；**公平感知优化**通过收入分层正则化与公平校准部署评分函数，将公平需求预测转化为更具包容性的站点布局决策。在纽约和西雅图出行系统上的实验表明，FairGIN在各类网络扩张场景中均达到最先进的预测精度，同时显著减少基于收入的差异而不损害整体系统效率。  

###### 索引关键词  
图神经网络、城市计算、需求预测、动态图、公平感知学习。  

## I 引言  
公平性已成为低碳城市出行系统扩展的重要关切。以共享单车系统为例，其通过空间分布的站点网络提供短期自行车租赁服务，为最后一公里通勤提供环保替代方案。通过减少对机动车出行的依赖，这些系统可帮助缓解交通拥堵，并支持追求气候行动的城市实现更广泛的碳减排目标\[1 (https://arxiv.org/html/2608.26451#bib.bib1)\]。如图1 (https://arxiv.org/html/2608.26451#S1.F1)\(1 (https://arxiv.org/html/2608.26451#S1.F1)\)所示，曼哈顿的Citi Bike站点在2018年至2024年间显著扩张\[2 (https://arxiv.org/html/2608.26451#bib.bib19)\]。然而，这种扩张在空间上仍不均衡，新部署站点集中在高收入的市中心与中城区域，而上曼哈顿较低收入的社区仍相对服务不足。这种不均衡扩张引发了关键的公平性问题。如图1 (https://arxiv.org/html/2608.26451#S1.F1)\(1 (https://arxiv.org/html/2608.26451#S1.F1)\)所示，最高收入五分位群体（>\$160k）每万居民拥有22.8个站点，是最低收入五分位群体（<\$55k）的6.3个站点的三倍多，表明近期部署扩大了覆盖差距。这一模式与北美城市的研究证据一致，显示高收入、高教育水平居民在共享单车基础设施的获取上具有不成比例的优势\[3 (https://arxiv.org/html/2608.26451#bib.bib3),4 (https://arxiv.org/html/2608.26451#bib.bib2)\]。关键的是，服务不足社区的低观测骑行量不应被视为潜在需求薄弱，这可能反映可负担性限制、较低的技术采用率以及附近站点的缺乏\[5 (https://arxiv.org/html/2608.26451#bib.bib4)\]。若无针对性干预，这种不平衡可能强化绿色出行绅士化，将低碳交通基础设施的效益集中在已具优势的社区。这一担忧因数据驱动部署中固有的自我强化动态而加剧：服务不足社区的站点产生较低的观测骑行量，导致预测模型低估其真实潜在需求，进而降低它们在需求驱动的扩张规划中被选中的可能性\[6 (https://arxiv.org/html/2608.26451#bib.bib42),7 (https://arxiv.org/html/2608.26451#bib.bib43)\]。结果形成一种反馈循环：算法预测复制并放大其旨在反映的基础设施差距——当模型输出直接影响扩张网络中的资本投资决策时，这一模式尤为重要。  
![图1：曼哈顿共享单车站点覆盖与社区收入关系。(a) 2018年现有站点及2018年后新部署站点的空间分布。(b) 各收入五分位社区的人均站点密度。](https://arxiv.org/html/2608.26451#S1.F1)  

解决这一公平性挑战需要对新部署站点进行准确的需求预测，这对指导网络扩张期间公平高效的资源分配至关重要。然而，新站点带来根本性建模挑战：它们缺乏历史骑行记录，且嵌入在持续演变的空间网络中。传统回归模型依赖历史需求观测来捕捉时间规律，但建模站点间空间依赖性的能力有限\[8 (https://arxiv.org/html/2608.26451#bib.bib5),9 (https://arxiv.org/html/2608.26451#bib.bib6)\]。基于功能区的方法整合城市环境（如土地利用和人口密度）以支持局部分析\[10 (https://arxiv.org/html/2608.26451#bib.bib7)\]，而随机森林、支持向量机等机器学习模型通过多源特征集成提高预测精度\[11 (https://arxiv.org/html/2608.26451#bib.bib8)\]。近年来，基于图神经网络的方法（如STGCN\[12 (https://arxiv.org/html/2608.26451#bib.bib14)\]与Graph WaveNet\[13 (https://arxiv.org/html/2608.26451#bib.bib20)\]）通过建模站点间复杂空间依赖性在时空预测中取得优异性能。然而，多数方法在固定训练图的转导设定下开发，限制了其对新部署站点的泛化能力。挑战不仅源于拓扑演变：新部署站点在推理时仅具有基于位置的空间属性，缺乏图模型可靠预测所需的历史需求序列。近期基于Transformer的时空架构\[14 (https://arxiv.org/html/2608.26451#bib.bib16)\]放宽了图卷积的刚性结构假设，但推理时仍依赖历史需求信号。因此，当应用于训练图中缺失的站点时，这些模型仍受限于相同的冷启动瓶颈。  
除预测差距外，现有站点与新部署站点间的这种特征级不对称带来重要公平性影响。当模型在推理时遇到仅有空间上下文的新站点时，其需求估计受从现有站点学习的表征塑造，而这些表征反映了基础设施获取的历史不平等。具有成熟交通连接、密集设施和高周边流动性的区域往往产生强空间信号，因此无论目标区域的社会经济状况如何，更可能获得高预测需求。周边基础设施较稀疏的服务不足社区可能系统性地获得较低估计值，即使其真实潜在需求相当。因此，解决冷启动预测问题而不同时考虑收入差异，可能将历史部署不平等直接转化为新部署站点的需求预测。  

基于突破固定训练图泛化需求，归纳式方法如GraphSAGE\[15 (https://arxiv.org/html/2608.26451#bib.bib21)\]、KITS\[16 (https://arxiv.org/html/2608.26451#bib.bib22)\]和DA-MRGNN\[17 (https://arxiv.org/html/2608.26451#bib.bib17)\]通过邻域聚合、知识迁移和域适应实现对未见节点的预测。尽管这些方法提升了动态网络结构下的泛化能力，但主要仍以精度驱动，并未明确解决需求估计中基于收入的差异。公平感知方法如FairST\[18 (https://arxiv.org/html/2608.26451#bib.bib23)\]引入时空公平指标和正则化，但主要设计用于固定网格表征，不直接适用于训练时缺失的新部署站点。基础模型如UrbanGPT\[19 (https://arxiv.org/html/2608.26451#bib.bib39)\]使用大语言模型从文本站点描述推断时空模式，为新站点提供一定零样本能力。然而，它们缺乏收入分层监督，且无法仅通过基于语言的空间推理可靠校正系统性的群体预测差异。因此，现有研究将归纳式需求预测与公平感知出行建模视为独立问题，在联合建模扩张中共享单车系统的动态站点级图、新站点需求及收入分层公平性方面留下方法论空白。  

为应对这些挑战，我们提出**FairGIN**——一种面向扩张中共享单车系统需求预测的公平感知动态图神经网络框架。FairGIN旨在同时解决网络扩张中两个交织的问题：站点级图的动态演变与数据驱动部署决策中固有的公平风险。为提升对新部署站点的泛化能力，FairGIN引入**扩展模拟增量训练**策略，将选定现有站点视为伪新节点参与训练。通过在部署前让模型接触类扩张场景，该策略减少完全观测的训练图与引入新站点时部分观测图之间的分布差异。针对冷启动站点表示，FairGIN进一步开发**基于注意力的知识迁移**机制，通过可学习软注意力自适应地将信息从数据丰富的现有站点迁移至数据稀缺的新站点，避免固定邻域选择的僵化性。除预测精度外，FairGIN整合**公平感知训练目标**，将需求预测与公平导向的规划目标对齐。该目标减少预测中基于收入的差异，尤其关注历史上获取共享单车基础设施有限的社区。  

我们工作的贡献总结如下：  
- 我们提出**扩展模拟增量训练**，通过使模型接触类扩张场景来弥合训练-推理图差距，从而增强对新部署站点的泛化能力。  
- 我们开发**基于注意力的知识迁移**机制，用于自适应冷启动表示学习，使新站点能选择性地利用数据丰富现有站点的信息。  
- 我们将收入分层公平性正则化整合至学习目标，减少系统性预测差异并支持公平的站点部署。  
- 我们使用纽约和西雅图出行系统的数据集验证所提方法。实验结果一致显示其性能优于先进基线方法。  

## II 问题描述  
本节形式化FairGIN所解决的问题：动态网络扩张下新部署共享单车站点的公平感知需求预测。我们首先定义站点图与特征表示，然后介绍预测任务、公平性建模、联合优化目标及部署评分机制。  

### II-A 扩张中共享单车网络形式化  
设 \(\mathcal{V}_A = \{v_1, v_2, \ldots, v_N\}\) 表示 \(N\) 个现有共享单车站点集合，\(\mathcal{V}_B = \{u_1, u_2, \ldots, u_M\}\) 表示 \(M\) 个新部署站点集合。每个站点由两类特征描述：  
- **基于位置的特征** \(\mathbf{x}_i^{sp} \in \mathbb{R}^{d_s}\)：从外部数据源提取的任意地理位置特征，包括POI类别分布、道路网络特征、天气状况及作为周边出行需求代理的出租车流量。该特征对现有和新站点均可用。  
- **基于历史的特征** \(\mathbf{x}_i^{tp} \in \mathbb{R}^{T \times d_t}\)：由 \(T\) 个时间步长的历史每小时需求序列构成，仅适用于现有站点 \(v_i \in \mathcal{V}_A\)。对于新部署站点 \(u_j \in \mathcal{V}_B\)，无骑行历史数据，故 \(\mathbf{x}_j^{tp} = \mathbf{0}\)。  

我们将扩张系统表示为动态图 \(\mathcal{G}^t = (\mathcal{V}^t, \mathcal{E}^t, \mathbf{A}^t)\)，其中 \(\mathcal{V} = \mathcal{V}_A \cup \mathcal{V}_B\)。边权重 \(a_{ij}^t\) 根据站点可用性定义：  
\[
a_{ij}^t = 
\begin{cases} 
\alpha\,\mathrm{sim}_{sp}(i,j) + \beta\,\mathrm{dist}(i,j) + \gamma\,\mathrm{sim}_{tp}(i,j), & i,j \in \mathcal{V}_A \\
\alpha\,\mathrm{sim}_{sp}(i,j) + \beta\,\mathrm{dist}(i,j), & i \in \mathcal{V}_A, j \in \mathcal{V}_B
\end{cases}
\tag{1}
\]  
其中 \(\mathrm{sim}_{sp}\)、\(\mathrm{dist}\) 和 \(\mathrm{sim}_{tp}\) 分别表示空间特征相似度、地理距离衰减及时序需求相关性。涉及新部署站点的边省略时序项，因这些站点无历史需求观测。  

### II-B 共享单车需求预测形式化  
给定现有站点特征 \(\{\mathbf{x}_i\}_{i \in \mathcal{V}_A}\)、新站点空间特征 \(\{\mathbf{x}_j^{sp}\}_{j \in \mathcal{V}_B}\) 及图 \(\mathcal{G}\)，任务是学习映射 \(f_\theta\) 以预测新站点的小时需求：  
\[
\hat{y}_B = f_\theta\left(\mathcal{G}, \{\mathbf{x}_i\}_{i \in \mathcal{V}_A}, \{\mathbf{x}_j^{sp}\}_{j \in \mathcal{V}_B}\right)
\]