面向城市交通的长期联合调度
人工智能
2019-10-29 v1
摘要
近年来，现代城市的交通拥堵已成为居民日益担忧的问题。正如百度交通报告所示，北京高峰时段的通勤压力指数已达到惊人的1.973，导致更长的出行时间和增加的车辆排队。先前的研究表明，通过合理调度，例如重新平衡共享单车系统和优化公交运输，可以以极少的资源消耗显著提升交通效率。然而，仍存在两个限制其性能的缺点：(1)它们仅考虑短时间内的单一调度，而忽略了首次重新布局后的安排；(2)它们仅关注单一运输方式。然而，城市公共交通的多模式特性在很大程度上未被充分挖掘。在本文中，我们提出了一种基于时空预测的高效且经济的多模式交通调度方案JLRLS，其采用强化学习来获得最优的长期联合调度。在JLRLS中，我们结合多种交通方式根据其自身特性进行调度，这潜在地帮助系统达到最优性能。我们基于PaddlePaddle的示例实现可在 https://github.com/bigdata-ustc/Long-term-Joint-Scheduling 获取，说明视频见 https://youtu.be/t5M2wVPhTyk。
引用
@article{arxiv.1910.12283,
title = {Long-term Joint Scheduling for Urban Traffic},
author = {Xianfeng Liang and Likang Wu and Joya Chen and Yang Liu and Runlong Yu and Min Hou and Han Wu and Yuyang Ye and Qi Liu and Enhong Chen},
journal= {arXiv preprint arXiv:1910.12283},
year = {2019}
}
备注
KDD Cup 2019 Special PaddlePaddle Award