基于消息传递神经网络和强化学习的公共交通网络设计以实现可达性平等
人工智能
2024-10-14 v1
摘要
能够满足人们 mobility 需求的公共交通(PT)网络设计对于减少个人车辆数量、从而减少污染和拥堵至关重要。城市可持续性因此与高效PT紧密相关。当前的PT网络设计(TND)方法通常致力于优化综合成本，即包括运营商和用户成本的唯一数值。鉴于我们关注的是PT的可达性，即通过PT到达周边兴趣点便利程度，故本文转而关注PT可达性。PT可达性在城市区域内通常分配不均:郊区普遍面临较差的PT可达性，这导致居民必须依赖私家车。因此，我们致力于设计公交线路，以最小化地理上可达性分布的不平等。我们结合最先进的消息传递神经网络(MNPP)和强化学习。我们在代表蒙特利尔市的案例中展示了该方法的有效性，与传统用于TND的元启发式方法相比较。
引用
@article{arxiv.2410.08841,
title = {Public Transport Network Design for Equality of Accessibility via Message Passing Neural Networks and Reinforcement Learning},
author = {Duo Wang and Maximilien Chau and Andrea Araldo},
journal= {arXiv preprint arXiv:2410.08841},
year = {2024}
}
备注
14 pages