Jan, 2024

利用图神经网络增强列生成算法，实现乘客行程规划和机组班次安排的联合优化

PDF
TL;DR通过使用 AGGNNI-CG 方法（基于注意力机制和门控循环神经网络的混合方法）解决服务调度的基本问题，本研究在复杂的动态移动服务中联合优化乘客行程规划和人员排班，取得了接近最优解决方案，对现有系统进行了显著改进。
service schedulesoptimization problemsrider trip planningcrew schedulingmachine learning
发现论文，激发创造
  • 基于强化学习的超启发式方法增强列生成在车辆路径规划与调度问题中的应用

    基于强化学习的超启发式框架，在列生成中提供更好的整数解和加速收敛，通过减少含潜在最优解边的网络规模，在解决车辆路径和巴士司机调度问题中比传统方法降低至多 27.9% 和 15.4% 的总成本。

    Oct, 2023

  • 基于深度强化学习的列生成算法框架

    本文提出了 RLCG—— 一种用于解决大规模整数线性规划的迭代算法，它是第一个采用强化学习方法的列生成算法，并使用图神经网络表示感兴趣的 LP 的变量约束结构，成功应用于切割库存问题和带时间窗口的车辆路由问题中，相对于常用的贪心策略，该算法平均缩短 22.4％CSP 和 40.9％VRPTW 的 CG 迭代次数。

    Jun, 2022

  • 基于机器学习的定价启发式算法增强列生成法在图着色中的应用

    本文提出使用基于机器学习的定价启发式方法（MLPH）解决大规模优化问题中的瓶颈，经过在图着色问题中的实验表明 MLPH 相比于六种最先进的方法可以显着提高 Column Generation 方法的效率，使其与分支定界法得到更好的表现。

    Dec, 2021

  • 基于周期性偏移的打车需求预测的时空注意力多图卷积网络

    本文介绍了一种新的交通工具需求预测方法，采用 STA-MGCN 网络和考虑周期特征的数据集，取得了骑行需求预测的最佳性能，结合纽约、芝加哥和成都三个实际数据集的测试分析。

    Mar, 2022

  • 基于图卷积神经网络的大规模共享单车网络站点级小时需求预测

    本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模型，并在 New York City 的一个 Citi Bike 数据集上进行了测试，结果表明 GCNNrec-DDGF 的表现最佳，其次是 GCNNreg-DDGF。此外，通过 DDGF 获得更详细的图网络分析，发现它捕捉了一些嵌入在 SD，DE 和 DC 矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

    Dec, 2017

  • 机器学习增强的蚁群算法在列生成中的应用

    机器学习增强蚁群算法（MLACO）是一种用于列生成（CG）的有效方法，通过训练机器学习模型来预测子问题的最优解，并将该预测融入蚁群算法的概率模型中，以生成多个高质量的列。在解决冲突的装箱问题上，实验证明 MLACO 方法显著改善了 CG 的性能，并且当将该方法与分支定价法相结合时，能大幅缩短求解时间。

    Apr, 2024

  • 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

  • 利用图神经网络进行深度单车共享行程推荐

    本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

    Mar, 2023

  • 一种基于强化学习的多列选择策略对于列生成

    利用基于强化学习的多列选择策略，通过选择最有前途的列以提高目标值和加快收敛速度，比较传统单列和多列选择策略，在切割库存问题和图着色问题中取得了显著的收敛速度和迭代次数的减少。

    Dec, 2023

  • 交通需求预测的耦合逐层图卷积

    本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。

    Dec, 2020