基于图边注意力网络的紧急疏散响应方案

紧急情况需要疏散城市地区，可能源于人为原因（如恐怖袭击或工业事故）或自然灾害，后者因气候变化而变得更为频繁。因此，有效且快速的制定疏散计划的方法至关重要。本文我们识别并提出了巴士疏散巡回问题（BEOP），这是一种NP难的组合优化问题，目标是在短时间内从受影响区域疏散尽可能多的人。巴士疏散旨在减少纯汽车导向疏散情景中出现的拥堵和混乱。为解决BEOP，我们提出一种基于深度强化学习的方法，利用图学习技术，该方法训练后能够实现快速推理速度，能够在秒级内创建疏散路线。我们使用线性规划单目标整数规划（MILP）形式来界定我们疏散计划的差距。为验证我们的方法，我们为旧金山创建疏散情景，使用真实的道路网络和旅行时间。我们表明，我们实现了接近最优的解质量，并且进一步能够探讨在给定疏散时间下，多少辆疏散车辆能够实现特定的巴士疏散配额，同时保持可接受的运行时间。