利用强化学习在直接与间接洪水影响下学习长期气候韧性交通适应路径
机器学习
2026-01-27 v1 人工智能
摘要
预计气候变化将加剧降雨及其他灾害，增加城市交通系统的中断。由于基础设施投资的长期性、顺序性、深度不确定性以及复杂的跨部门交互，设计有效的适应策略具有挑战性。我们提出了一个通用的决策支持框架，将综合评估模型（IAM）与强化学习（RL）相结合，以在不确定性下学习自适应的、数十年的投资路径。该框架结合了长期气候预测（例如，IPCC情景路径）与相关模型，这些模型将预测的极端天气驱动因素（例如降雨）映射为灾害可能性（例如洪水），将灾害传导为城市基础设施影响（例如交通中断），并评估服务性能和社会成本的直接与间接后果。嵌入在强化学习循环中，它学习自适应的气候适应政策，在投资和维护支出与避免的影响之间进行权衡。我们与哥本哈根市合作，在内城内涝情景下演示了该方法，时间跨度为2024年至2100年。学习到的策略产生了协调的时空路径，并且相对于常规优化基线（即不作为和随机作为）表现出更好的鲁棒性，说明了该框架对其他灾害和城市的可迁移性。
引用
@article{arxiv.2601.18586,
title = {Learning long term climate-resilient transport adaptation pathways under direct and indirect flood impacts using reinforcement learning},
author = {Miguel Costa and Arthur Vandervoort and Carolin Schmidt and Morten W. Petersen and Martin Drews and Karyn Morrissey and Francisco C. Pereira},
journal= {arXiv preprint arXiv:2601.18586},
year = {2026}
}