基于图注意力网络的城市规模公交线路设计
机器学习
2025-12-24 v1 多智能体系统
摘要
设计高效公交线路网络是一类 NP 难题，解决方案空间呈指数级增长，传统方法依赖人工规划过程。我们基于图注意力网络提出了一个用于顺序公交网络构建的端到端强化学习（RL）框架。为解决长期信任分配问题，本文引入两种层级奖励结构，结合增量拓扑反馈与仿真基准终端奖励。我们在一个包含拓扑精确道路网络、统计学推导需求及现有公交线路的来自印第安纳州布鲁明顿的真实数据集上进行评估。我们的学习策略在两种初始化方案和两种模式分割情景下均显著优于现有设计和传统启发式方法。在高公交采纳率且以公交中心为初始化的情境下，我们的方法实现了服务率提高 25.6%、等待时间缩短 30.9%，以及公交利用率提升 21.0%。在随机初始化的混合模式条件下，本方法比需求覆盖启发式实现了 68.8% 的线路效率提升，并比最短路径构建方案将旅行时间缩短 5.9%。这些结果表明，端到端 RL 能够在真实城市规模基准上设计出显著优于人类设计系统和手工启发式方法的公交网络。
引用
@article{arxiv.2512.19767,
title = {Learning to Design City-scale Transit Routes},
author = {Bibek Poudel and Weizi Li},
journal= {arXiv preprint arXiv:2512.19767},
year = {2025}
}