面向高维城市交通问题的贝叶斯优化基准：BO4Mob
机器学习
2025-10-22 v1
摘要
我们提出了 BO4Mob，这是一个新的高维贝叶斯优化 (BO) 基准框架，由原-目的地 (OD) 旅行需求估计大型城市道路网络的挑战驱动。从有限的交通传感器数据估计 OD 旅行需求是一个困难的逆优化问题，尤其是在现实的大规模交通网络中。这一问题涉及对高维连续空间的优化，其中每个目标评估都计算昂贵、随机且不可微。BO4Mob 包含基于现实世界 San Jose, CA 道路网络的五个场景，输入维度可达 10,100。这些场景利用高分辨率、开源交通仿真，包含真实的非线性和随机动力学。我们通过评估五个优化方法：三个最新 BO 算法和两个非 BO 基线来展示基准的实用性。该基准旨在支持可扩展优化算法的开发，并应用于数据驱动的城市交通模型设计，包括大都市道路网络的高分辨率数字孪生体。代码和文档可在 https://github.com/UMN-Choi-Lab/BO4Mob 获取。
引用
@article{arxiv.2510.18824,
title = {BO4Mob: Bayesian Optimization Benchmarks for High-Dimensional Urban Mobility Problem},
author = {Seunghee Ryu and Donghoon Kwon and Seongjin Choi and Aryan Deshwal and Seungmo Kang and Carolina Osorio},
journal= {arXiv preprint arXiv:2510.18824},
year = {2025}
}