双层需求不确定性下的Transit网络设计：基于机器学习和情境随机优化的框架
机器学习
2026-03-18 v2 最优化与控制
摘要
Transit网络设计是交通领域的一个已研究问题，通常在固定需求假设下通过求解优化模型来解决。鉴于这些假设的局限性，本文提出了一种新框架，即两级骑行者选择Transit网络设计（2LRC-TND），该框架通过约束编程（CP）结合机器学习和情境随机优化（CSO）来纳入网络设计过程中的两层需求不确定性。第一级识别依赖公共交通的旅客（核心需求），而第二级则基于交通服务的可用性和质量，捕捉那些不依赖公共交通旅客的条件采纳行为（潜在需求）。为捕捉这两种类型的不确定性，2LRC-TND依赖两个交通方式选择模型，这些模型使用多个机器学习模型。为设计网络，2LRC-TND将所需的选择模型集成到通过CP-SAT求解器求解的CSO中。通过涉及超过6,600条旅行弧和38,000多次旅行的亚特兰大大都市区案例研究来评估2LRC-TND。计算结果表明，2LRC-TND在设计考虑需求不确定性和情境信息的交通网络方面有效地替代了固定需求模型。
引用
@article{arxiv.2603.00010,
title = {Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework},
author = {Hongzhao Guan and Beste Basciftci and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2603.00010},
year = {2026}
}