气候适应的人工智能：基于强化学习的气候变化抗灾交通
人工智能
2026-03-09 v1
摘要
气候变化预计将加剧降雨，导致城市交通系统在未来几十年将面临增加的积涝灾害性干扰。设计有效的适应性策略具有挑战性，因为基础设施投资具有长期、顺序性，且面临深入的气候不确定性，以及洪涝、基础设施和 mobility 影响之间的复杂相互作用。本文提出了一种基于强化学习（RL）的新型决策支持框架，用于长期洪涝适应规划。该框架被形式化为集成评估模型（IAM），将降雨预测和洪涝建模、交通仿真以及对基础设施和 mobility 影响的直接和间接影响进行量化。我们的RL方法学习适应性策略，在投资和维护成本与避免影响之间进行权衡。我们通过对哥本哈克市内2024-2100年期间的案例研究进行评估，测试了多种适应选项以及不同的信念和实现气候情景。结果表明，该框架通过发现协调的空间和时间适应路径，学习在影响降低和适应投资之间的权衡，寻找更具韧性的策略，优于传统优化方法。总体而言，我们的结果展示了强化学习作为灵活决策支持工具在气候不确定性下进行自适应基础设施规划的潜力。
引用
@article{arxiv.2603.06278,
title = {Artificial Intelligence for Climate Adaptation: Reinforcement Learning for Climate Change-Resilient Transport},
author = {Miguel Costa and Arthur Vandervoort and Carolin Schmidt and João Miranda and Morten W. Petersen and Martin Drews and Karyn Morrisey and Francisco C. Pereira},
journal= {arXiv preprint arXiv:2603.06278},
year = {2026}
}