AlphaTransit：学习设计城市规模公交线路
人工智能
2026-05-28 v1
摘要
设计公交网络需要做出许多顺序的线路扩展决策，但其质量往往只能在完整网络构建后才能显现。这一延迟反馈挑战正是 Transit Route Network Design Problem (TRNDP) 的核心所在，线路之间的相互作用可能令人误导：看似在局部有用的扩展可能导致换乘瓶颈、产生冗余重叠或降低整体吞吐量。为了在延迟的模拟器反馈下引导线路构建，我们引入 AlphaTransit，这是一个用于城市规模公交网络设计的基于搜索的规划框架。AlphaTransit 将蒙特卡洛树搜索 (MCTS) 与神经策略-价值网络相结合：策略提议线路扩展，价值估计下游设计质量，搜索利用这些预测来细化每个决策。这在构建过程中提供了决策时的前瞻分析，而无需在搜索树中运行模拟器滚动。我们在一个新的 Bloomington TRNDP 基准测试上评估了 AlphaTransit，该基准测试包含真实的道路拓扑结构和基于人口普查数据推导的需求，在混合需求和完全需求两种设置下进行测试。在 Bloomington 网络中，AlphaTransit 在两种需求设置下均实现了最高的服务率，分别达到 54.6% 和 82.1%。相对于没有搜索的强化学习，这分别对应 9.9% 和 11.4% 的服务率提升；相对于没有学习指导的 MCTS，这分别对应 2.5% 和 11.2% 的提升。这些结果表明，将学习指导与 MCTS 结合比单独使用其中任何一种方法更有效适用于公交网络设计。我们的代码和数据已公开于 https://github.com/poudel-bibek/AlphaTransit。
引用
@article{arxiv.2605.28730,
title = {AlphaTransit: Learning to Design City-scale Transit Routes},
author = {Bibek Poudel and Sai Swaminathan and Weizi Li},
journal= {arXiv preprint arXiv:2605.28730},
year = {2026}
}