利用图神经网络增强列生成以联合优化乘客行程规划与乘务排班
最优化与控制
2025-07-15 v5 机器学习
摘要
优化服务调度对于可靠、高效和包容的按需出行至关重要。人口老龄化的需求增长、现有服务的超额订阅以及缺乏有效的求解方法,进一步加剧了这一紧迫挑战。本研究通过联合优化复杂动态出行服务的乘客行程规划与乘务调度,解决了服务调度的复杂性。对于最先进的方法而言,由此产生的优化问题在计算上极具挑战性。为了弥补这一根本差距,本文引入了联合乘客行程规划与乘务排班问题(JRTPCSSP),并提出了一种名为注意力与门控GNN感知列生成(AGGNNI-CG)的新颖求解方法,该方法混合了列生成与机器学习,以在应用的真实约束下获得JRTPCSSP的近优解。机器学习组件的核心思想是大幅减少定价问题中需要探索的路径数量,从而加速列生成中最耗时的部分。该机器学习组件是一个具有注意力机制和门控架构的图神经网络,特别适合处理来自日常运营的不同输入规模。AGGNNI-CG已应用于佐治亚州查塔姆县辅助客运系统的一个具有挑战性的真实数据集。与基线列生成方法相比,它产生了显著的改进,而基线方法通常无法在大规模复杂实例上在合理时间内产生高质量的可行解。与现有系统相比,AGGNNI-CG在服务质量上也产生了显著提升。
引用
@article{arxiv.2401.03692,
title = {Boosting Column Generation with Graph Neural Networks for Joint Rider Trip Planning and Crew Shift Scheduling},
author = {Jiawei Lu and Tinghan Ye and Wenbo Chen and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2401.03692},
year = {2025}
}