May, 2023

具有相关信念的最优学习顺序交通网络设计算法

PDF
TL;DR本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。
mobility serviceartificial intelligencetransit network designdemand estimationlearning policies
发现论文，激发创造
  • 自主运输网络设计的神经进化算法

    规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略，然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法，发现它在现实基准实例上比独立学习的策略提高了最多 20％，比普通的进化算法方法提高了最多 53％。

    Feb, 2024

  • 使用深度强化学习学习公共交通网络设计和改进的启发式方法

    利用深度强化学习和图神经网络学习低级启发式算法可有效优化公共交通网络设计，在合成和现实城市场景中均取得最佳结果并降低成本。

    Apr, 2024

  • 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

  • 使用模型增强的强化学习优化出租车车队的随机路由

    本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法，以路线优化策略的形式为车队提供路线规划，研究了面对实时、随机需求的情况下，在小到中型的道路网络中，对街道叫车服务的路线进行优化；使用基于代理的大规模微观仿真平台，评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现，结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色，并且混合算法可以显著加速模型无关学习者的学习过程。

    Oct, 2020

  • 激增路径规划：面向事件的多智能体强化学习自主拼车

    提出一种学习框架来预测和适应需求涌升，在服务于更多请求的合作路由和接送策略方面优于其他路由协议，在处理涌升需求情况时比其他基于模型的强化学习框架和经典算法获得平均每分钟增加 6 个请求（每小时约增加 360 个请求）的路由策略。

    Jul, 2023

  • 交通网络路径规划

    该研究论文调查了交通网络路线规划算法的最新进展，重点介绍了处理道路网络和公共交通网络的不同方法，以及其对查询时间、空间要求和预处理等方面的不同权衡，提出了多模态路径规划问题的近似解决方案。

    Apr, 2015

  • 大规模地图上的按需城市移动问题的近似多智能体强化学习 (扩展版)

    我们提出了一个近似的一次一个滚动法算法，通过将图分割成基于预测需求和用户定义的最大代理数量的区域，以减少计算成本，并在每个区域中并行执行一次一个滚动法算法，从而实现稳定的近似最优策略。

    Nov, 2023

  • 基于多智能体分层强化学习的即时城际拼车服务车辆派遣和路径规划

    本研究提出了一个两层框架来促进在线车队管理，具体而言，上层框架提出了一种新的多主体封建强化学习模型，以协同分配空闲车辆到不同的城际线路，而下层利用自适应大邻域搜索启发式不断更新车辆的路线。

    Jul, 2023

  • 自适应可变需求的自主路由和取货问题的多智能体强化学习

    提出了一个通过自适应路由策略降低等待时间、考虑未来需求以及能够适应不同需求分布的自主汽车调度和接送框架，该框架通过线上游戏算法和线下逼近方案相结合，在美国旧金山的实际出租车需求中得到了验证。

    Nov, 2022

  • 关于高速公路交通分布式决策的迁移学习与多智能体学习比较

    研究在 MIT 深度交通模拟中，针对分布式决策在混合智能交通中的影响，分别采用强化学习和多智能体学习等方法，并根据不同比例的 AI 驱动交通进行评估，分析了影响交通流的模式。

    Oct, 2018