基于强化学习的气候适应：哥本哈根洪涝与交通实验
机器学习
2024-12-02 v2
摘要
由于气候变化，导致城市洪涝的极端降雨事件的频率和强度预计将在许多地方增加。这些洪水会破坏交通基础设施并扰乱出行，凸显了城市适应不断升级风险的需求。强化学习 (RL) 作为一个强大的工具，用于发现最优适应策略，确定如何以及在何处有效部署适应措施，即使在存在显著不确定性的情况下也是如此。在本研究中，我们利用 RL 来确定实施措施的最有效时机和地点，旨在减少洪涝的直接和间接影响。我们的框架整合了未来降雨事件和洪涝的气候变化预测，对全市机动化出行进行建模，并量化了对基础设施和出行的直接和间接影响。初步结果表明，我们基于 RL 的方法可以通过优先在特定城市区域进行干预并确定其实施的最佳时期，从而显著增强决策能力。我们的框架已公开发布：\url{https://github.com/MLSM-at-DTU/floods_transport_rl}。
引用
@article{arxiv.2409.18574,
title = {Climate Adaptation with Reinforcement Learning: Experiments with Flooding and Transportation in Copenhagen},
author = {Miguel Costa and Morten W. Petersen and Arthur Vandervoort and Martin Drews and Karyn Morrissey and Francisco C. Pereira},
journal= {arXiv preprint arXiv:2409.18574},
year = {2024}
}
备注
Accepted for presentation at Tackling Climate Change with Machine Learning workshop at NeurIPS 2024