論文の概要: Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2404.05894v5
• Date: Wed, 21 May 2025 15:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:56.613959
• Title: Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning
• Title（参考訳）: 交通ネットワーク設計のための学習ヒューリスティックスと深層強化学習による改善
• Authors: Andrew Holliday, Ahmed El-Geneidy, Gregory Dudek,
• Abstract要約: 深層強化学習を用いてグラフネットをトレーニングし、進化的アルゴリズムにニューラルネットワークを提供する。 これらのニューラルネットワークは、70ノード以上のベンチマーク合成都市におけるアルゴリズムの結果を改善し、挑戦的なMumfordベンチマークの最先端の結果を達成する。 また、カナダのラヴァル市における実際の交通ネットワークのシミュレーションを、2つの主要な指標で52%と25%改善し、既存の交通ネットワークの最大19%のコスト削減を提供する。
• 参考スコア（独自算出の注目度）: 7.660968783738993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning a network of public transit routes is a challenging optimization problem. Metaheuristic algorithms search through the space of possible transit networks by applying heuristics that randomly alter routes in a network. The design of these heuristics has a major impact on the quality of the result. In this paper, we use deep reinforcement learning to train a graph neural net to provide heuristics for an evolutionary algorithm. These neural heuristics improve the algorithm's results on benchmark synthetic cities with 70 nodes or more, and achieve new state-of-the-art results on the challenging Mumford benchmark. They also improve upon a simulation of the real transit network in the city of Laval, Canada, by 52% and 25% on two key metrics, and offer cost savings of up to 19% over the city's existing transit network.
• Abstract（参考訳）: 公共交通機関のネットワークを計画することは、困難な最適化問題である。 メタヒューリスティックアルゴリズムは、ネットワーク内のルートをランダムに変更するヒューリスティックを適用して、可能なトランジットネットワークの空間を探索する。 これらのヒューリスティックスの設計は結果の質に大きな影響を与えている。 本稿では、深層強化学習を用いてグラフニューラルネットワークを訓練し、進化的アルゴリズムのヒューリスティックスを提供する。 これらのニューラルネットワークヒューリスティックは、70ノード以上のベンチマーク合成都市におけるアルゴリズムの結果を改善し、挑戦的なMumfordベンチマークにおける新しい最先端の結果を達成する。 また、カナダのラヴァル市における実際の交通ネットワークのシミュレーションを、2つの主要な指標で52%と25%改善し、既存の交通ネットワークの最大19%のコスト削減を提供する。

関連論文リスト

• Applications of deep reinforcement learning to urban transit network design [0.0]
  この論文は、ニューラルネットワークをトレーニングして公共交通ネットワークの設計を支援するための強化学習の使用に関するものである。 トランジットネットワーク設計問題(TNDP)は,実用上重要な最適化問題である。
  論文  参考訳（メタデータ） (2025-02-25T01:24:20Z)
• Advanced Artificial Intelligence Strategy for Optimizing Urban Rail Network Design using Nature-Inspired Algorithms [0.0]
  本研究では,インド・タミル・ナドゥ州チェンナイの都市環境におけるメトロネットワークルート計画の革新的方法論を紹介する。 改良型Ant Colony Optimization (ACO)法の比較分析により, 改良型Ant Colony Optimization (ACO)法と, 改良型Ant Colony Optimization (ACO)法との比較を行った。
  論文  参考訳（メタデータ） (2024-07-04T17:57:39Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• A Neural-Evolutionary Algorithm for Autonomous Transit Network Design [8.610161169928796]
  経路ネットワーク構築のポリシーとしてグラフニューラルネットモデルを使用し、進化的アルゴリズムにおいていくつかの突然変異演算子の1つとしてこのポリシーを使用する。 我々はこのアルゴリズムをトランジットネットワーク設計のための標準的なベンチマークセットで評価し、学習ポリシーを最大20%向上させ、リアルなベンチマークインスタンス上では最大53%の進化的アルゴリズムアプローチを立案した。
  論文  参考訳（メタデータ） (2024-02-27T15:59:15Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• A sequential transit network design algorithm with optimal learning under correlated beliefs [4.8951183832371]
  本研究では, 逐次的トランジットネットワーク設計と最適学習を組み合わせた人工知能駆動型アルゴリズムを提案する。 オペレータは、設計されたルートと実際の旅行需要との整合性からリスクを回避するために、徐々に経路システムを拡大する。 バリデーションのために、ニューヨーク市の公共利用マイクロデータエリアに基づく人工ネットワーク上に、新しいルートシステムを設計する。
  論文  参考訳（メタデータ） (2023-05-16T14:14:51Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• HARL: Hierarchical Adaptive Reinforcement Learning Based Auto Scheduler for Neural Networks [51.71682428015139]
  効率的なテンソルプログラム探索のための強化学習に基づく自動スケジューリングシステムであるHARLを提案する。 HarLは、最先端のオートスケジューラと比較して、テンソル演算子の性能を22%改善し、探索速度を4.3倍改善する。 また、エンドツーエンドのニューラルネットワークでは、推論性能と探索速度も大幅に向上する。
  論文  参考訳（メタデータ） (2022-11-21T04:15:27Z)
• Optimal service station design for traffic mitigation via genetic algorithm and neural network [3.7597202216941783]
  交通渋滞とピークトラフィック減少の両面から,サービスステーションを最適に設計し,良好な効果を得られるか,という課題に着目する。 本稿では,最近提案されたCTMに基づく遺伝的アルゴリズムを提案する。 我々はアルゴリズムを利用して、同じ問題を解決することができるニューラルネットワークを訓練し、CTMの実装を避けます。
  論文  参考訳（メタデータ） (2022-11-18T11:11:07Z)
• Accelerating Deep Reinforcement Learning for Digital Twin Network Optimization with Evolutionary Strategies [0.0]
  コミュニティは効率的なネットワーク管理の鍵となる手段としてDigital Twin Networks (DTN)を提案した。 Deep Reinforcement Learning (DRL) は,ネットワーク最適化問題の解法として高い性能を示した。 本稿では,経路最適化問題の解法として,進化的戦略(ES)を用いてDRLエージェントの訓練を行う。
  論文  参考訳（メタデータ） (2022-02-01T11:56:55Z)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Cream of the Crop: Distilling Prioritized Paths For One-Shot Neural Architecture Search [60.965024145243596]
  ワンショット重み共有手法は、高効率と競争性能のため、最近、ニューラルアーキテクチャ探索において大きな注目を集めている。 この問題を軽減するため, 単純で効果的な蒸留法を提案する。 本稿では、訓練中に優れた性能を示すアーキテクチャ候補を指す優先順位付けパスの概念を紹介する。 優先順位付けされた経路は、その性能や複雑さに応じて、ハエで変化するため、最終的な経路は作物のクリームである。
  論文  参考訳（メタデータ） (2020-10-29T17:55:05Z)
• Decentralized Optimization of Vehicle Route Planning -- A Cross-City Comparative Study [7.74034002629298]
  エージェントの利他主義の異なるレベルを比較し,ネットワークレベルのトラフィック性能に与える影響について検討する。 主な発見は、車両の利他性の増加に伴い、ネットワーク間のトラフィックフローのバランスをとることができることである。
  論文  参考訳（メタデータ） (2020-01-10T11:02:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。