用于危机期间城市移动性模拟的自适应强化学习模型
物理与社会
2020-09-04 v1 计算机与社会
摘要
本研究的目标是提出并测试一种自适应强化学习模型,该模型能够学习正常情境下的人类移动模式,并模拟由洪水、野火和飓风等危机引起的扰动期间的移动性。理解和预测人类移动模式(如目的地和轨迹选择)可为紧急情况下由中断引发的突发拥堵和道路封闭提供信息。与人类移动轨迹相关的数据十分稀缺,尤其在紧急情境下,这限制了从经验数据学习的现有城市移动模型的应用。需要具备从正常情境生成的数据中学习移动模式并能适应紧急情况能力的模型,以便为应急响应和城市韧性评估提供信息。为弥补这一空白,本研究创建并测试了一种自适应强化学习模型,可预测移动目的地、估计每个起讫点对之间的轨迹,并考察扰动对人类目的地决策及移动轨迹的影响。所提模型的应用在休斯顿及2017年8月哈维飓风引发的洪水情景中得以展示。结果表明,该模型可达到超过76%的精确率和召回率。结果还显示,该模型能够预测由城市洪水导致的交通模式和拥堵。分析结果表明了该模型在分析危机期间城市移动性方面的能力,可告知公众和决策者有关应对策略及韧性规划,以减轻危机对城市移动性的影响。
引用
@article{arxiv.2009.01359,
title = {Adaptive Reinforcement Learning Model for Simulation of Urban Mobility during Crises},
author = {Chao Fan and Xiangqi Jiang and Ali Mostafavi},
journal= {arXiv preprint arXiv:2009.01359},
year = {2020}
}
备注
20 pages, 7 figures