制定公平公交疏散策略：一种数据驱动的强化学习方法

随着自然灾害日益频繁，高效且公平的疏散规划需求变得愈发紧迫。本文提出了一种数据驱动的基于强化学习的框架，用于优化基于公交的疏散，重点关注同时提升效率和公平性。我们将疏散问题建模为由强化学习求解的马尔可夫决策过程，使用来自通用公交数据规范（GTFS）的实时公交数据和从OpenStreetMap提取的交通网络。强化学习智能体动态地重新规划公交路线，从预定位置出发以最小化全体乘客的疏散时间，同时优先保障优先社区。旧金山湾区交通网络的模拟结果表明，与传统的基于规则和随机策略相比，所提出的框架在疏散效率和公平性服务分配方面均有显著提升。这些结果凸显了强化学习在提升系统性能和城市应急韧性方面的潜力，为智能交通系统的实际应用提供了可扩展的解决方案。