面向实时 Affordable Housing 选址的自主 AI 代理：受监管约束下的多目标强化学习
机器学习
2026-02-05 v1
摘要
Affordable housing 短缺影响数十亿人口，而土地稀缺和监管因素使得选址过程缓慢。我们提出 AURA（Autonomous Urban Resource Allocator），一个用于受严格监管约束（QCT、DDA、LIHTC）下的实时 affordable housing 选址的分层多智能体强化学习系统。我们将该任务建模为受约束的多目标马尔可夫决策过程，在优化可达性、环境影响、建设成本和社会公平性的同时确保可行性。AURA 使用监管感知状态编码 127 项联邦和地方约束、帕累托约束策略梯度并确保可行性，以及奖励分解将即时成本与长期社会结果分离。在来自 8 个美国大都会区（47,392 个候选地块）的数据集上，AURA 实现 94.3% 的监管合规性，并在强基准方法上实现 37.2% 的帕累托超极大值提升。在纽约市 2026 年案例研究中，它将选址时间从 18 个月缩短至 72 小时，识别的可行选址点增加 23%；所选选址点在交通可达性提升 31%，环境影响降低 19%。
引用
@article{arxiv.2602.03940,
title = {Autonomous AI Agents for Real-Time Affordable Housing Site Selection: Multi-Objective Reinforcement Learning Under Regulatory Constraints},
author = {Olaf Yunus Laitinen Imanov and Duygu Erisken and Derya Umut Kulali and Taner Yilmaz and Rana Irem Turhan},
journal= {arXiv preprint arXiv:2602.03940},
year = {2026}
}
备注
12 pages, 6 figures, 5 tables