利用机器学习估计公共交通系统的鲁棒性
机器学习
2021-06-17 v1
摘要
规划有吸引力且成本高效的公共交通系统是一个涉及多步骤的高度复杂优化过程。从乘客角度整合鲁棒性使任务更具挑战性。文献中鲁棒性定义众多，对公共交通系统鲁棒性的现实可接受评估是在大量可能场景下模拟其性能。遗憾的是，这在计算上非常昂贵。因此，本文借助机器学习方法探索了一种此类基于场景的鲁棒性近似新途径。我们通过收集公共交通系统及其乘客需求的若干关键特征子集，并训练人工神经网络学习给定鲁棒性测试集的结果，实现了一种高精度的快速方法。该网络随后仅利用关键特征即可高精度预测未训练实例的鲁棒性，为交通规划者提供以常数时间近似鲁棒性的鲁棒性预言机。此类预言机可作为黑箱用于集成公共交通规划局部搜索框架中提升鲁棒性。在不同基准实例的计算实验中，我们展示了预测的优秀质量。
引用
@article{arxiv.2106.08967,
title = {Estimating the Robustness of Public Transport Systems Using Machine Learning},
author = {Matthias Müller-Hannemann and Ralf Rückert and Alexander Schiewe and Anita Schöbel},
journal= {arXiv preprint arXiv:2106.08967},
year = {2021}
}