KDDJul, 2019

基于数据的火车编组问题可行性确定政策

PDF
TL;DR本文使用深度图卷积神经网络模型对荷兰铁路公司列车单元调遣问题进行了研究，为了提高本问题的计算效率，将神经网络模型和局部搜索启发算法相结合，提高了解决方案的预测准确率和决策速度。
发现论文，激发创造
  • 蒙特卡洛树搜索和监督学习相结合的综合框架用于列车时刻表问题

    这篇文章提出了一种综合的蒙特卡洛树搜索（MCTS）计算框架，通过结合启发式方法、无监督学习方法和监督学习方法来解决离散动作空间中的单轨铁路列车时刻表问题（TTP）。

    Nov, 2023

  • 港口火车卸货调度的约束规划模型：扩展

    我们提出了一个有效的约束编程模型以解决在散装货物港口中的排程问题，涉及到分割长列车、通过传送机构将散装物料传输到库堆，并能处理异构数据和有效地找到 24 小时排程。

    Dec, 2023

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

    Aug, 2023

  • 时空深度学习辅助降低安全约束单位组合问题

    该研究使用高级机器学习模型通过考虑基于图神经网络 (GNN) 的空间相关性和基于长短期记忆 (LSTM) 网络的时间序列研究模式，来挖掘电力系统历史数据中的地理和时间相关性，以有效预测发电机等级计划，应用于 SCUC 模型简化，提高计算效率而不影响解决方案的质量

    Jun, 2023

  • 解决旅行推销员问题的无监督学习

    我们提出了 UTSP，这是一个用于解决旅行推销员问题（TSP）的无监督学习框架，使用基于图神经网络（GNN）的代理损失。该方法在参数效率和数据效率方面优于目前的数据驱动 TSP 启发式方法。

    Mar, 2023

  • 提前预计以避免迟到：解决困难约束旅行推销员问题

    使用前瞻信息作为特征，提出一种利用学习方法改善具有时间窗口的 TSP 解决方案合法性的新方法，并构建了具有硬约束条件的 TSPTW 数据集进行准确评估和基准测试。通过对多种数据集进行综合实验，MUSLA 优于现有基线算法且具有一定的泛化能力。

    Mar, 2024

  • 使用分解图神经网络进行卡车停车使用预测

    通过区域时间图神经网络对整个州进行车辆停车位置使用预测，提高了预测准确性和性能，解决了卡车停车位不足、违规停车和安全问题。

    Jan, 2024

  • 可扩展实时铁路重新调度的范围限制：探索性研究

    本文研究了铁路重新调度问题，提出了核心问题定义的思想，以应对干扰造成的列车重新调度问题，从时间和空间上限制了问题的范围，并在 Flatland 模拟环境中进行了实验，基于此提供了可扩展的开源实现。

    May, 2023

  • 机场地面处理车辆路径问题中的大邻域搜索学习

    该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法，以优化机场地勤中的车队调度，实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀，并在不同情况下表现出了很好的鲁棒性和广泛适用性。

    Feb, 2023

  • 使用树搜索和图神经网络求解带有不确定性的时间限制离散网络的受限时控性问题

    该研究使用树搜索和图机器学习，提出了一种新的适用于在不确定性下的规划方法，并且有效解决了包含不可控行动持续时间的动态可控性问题。

    Mar, 2022