深度强化学习在城市公交网络设计中的应用
机器学习
2025-02-26 v1
摘要
本论文涉及使用强化学习训练神经网络以辅助公共交通网络设计的问题。公交网络设计问题（Transit Network Design Problem, TNDP）是一个具有重要实际意义的优化问题。给定一座现有道路网络和出行需求的城市，目标是在满足所有需求的同时，通过寻找一组公交线路——每条线路都是图中的一条路径——来实现这一目标，同时最小化可能依赖乘客满意度和运营成本的成本函数。现有文献主要考虑基于元启发式优化算法的方法，如遗传算法和蚁群优化。与此不同，我们首先采用强化学习方法，将构建一组公交线路的过程形式化为马尔可夫决策过程（Markov Decision Process, MDP），并训练神经网络策略作为该MDP的代理人。我们随后表明，除了使用该策略直接规划公交网络外，还可将其与现有元启发式算法结合，用于初始化解决方案或在解的搜索过程中提供有前景的移动建议。我们发现，使用在强化学习训练的神经策略作为经典元启发式框架中核心组件的混合算法，能够规划出优于单独使用神经策略或元启发式算法所规划的公交网络的方案。我们通过为魁北克省拉斯维加斯的一座城市重新设计其公交网络来展示我们方法的实用性，并表明在仿真中，该设计后的公交网络在服务质量和成本方面均优于现有公交网络。
引用
@article{arxiv.2502.17758,
title = {Applications of deep reinforcement learning to urban transit network design},
author = {Andrew Holliday},
journal= {arXiv preprint arXiv:2502.17758},
year = {2025}
}
备注
This is a copy of my PhD thesis, which was successfully defended at McGill University in December of 2024. arXiv admin note: text overlap with arXiv:2404.05894