我在关闭处开放：开放街道倡议的深度强化学习评估

开放街道倡议通过禁止汽车和卡车通行，将街道“开放”给行人和自行车骑行者。该倡议已被北美许多城市采纳，增加了城市环境中的社区空间。但开放街道能否也让城市更安全、更少拥堵？我们通过将选择哪些街道开放的问题框架化为一个强化学习问题来研究这一问题。为了模拟开放街道的影响，我们首先比较了基于网络和时间数据预测车辆碰撞的模型。我们发现，利用图结构和数据的短期时间依赖性的循环图神经网络具有最佳的预测性能。然后，在具备模拟碰撞和交通的能力后，我们构建了一个强化学习问题来寻找哪些街道应该开放。我们将纽约市开放街道计划中的街道与Q-learning算法提出的街道进行了比较。我们发现，Q-learning算法提出的街道具有可靠更好的结果，而计划中的街道与随机选择的街道结果相似。我们将我们的工作视为朝着有原则地选择哪些街道开放以实现更安全、更少拥堵的城市迈出的一步。我们所有的代码和数据都在Github上公开。