論文の概要: Large-scale Urban Facility Location Selection with Knowledge-informed Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2409.01588v2
- Date: Fri, 6 Sep 2024 08:16:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 13:11:14.794042
- Title: Large-scale Urban Facility Location Selection with Knowledge-informed Reinforcement Learning
- Title(参考訳): 知識インフォームド強化学習による大規模都市施設選定
- Authors: Hongyuan Su, Yu Zheng, Jingtao Ding, Depeng Jin, Yong Li,
- Abstract要約: 施設配置問題 (FLP) は、アクセシビリティを最大化する施設を戦略的に配置することを目的とした古典的な最適化課題である。
超高速な推論速度で準最適解を生成できる大規模都市FLPの解法に適した強化学習法を提案する。
- 参考スコア(独自算出の注目度): 29.418145526587313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The facility location problem (FLP) is a classical combinatorial optimization challenge aimed at strategically laying out facilities to maximize their accessibility. In this paper, we propose a reinforcement learning method tailored to solve large-scale urban FLP, capable of producing near-optimal solutions at superfast inference speed. We distill the essential swap operation from local search, and simulate it by intelligently selecting edges on a graph of urban regions, guided by a knowledge-informed graph neural network, thus sidestepping the need for heavy computation of local search. Extensive experiments on four US cities with different geospatial conditions demonstrate that our approach can achieve comparable performance to commercial solvers with less than 5\% accessibility loss, while displaying up to 1000 times speedup. We deploy our model as an online geospatial application at https://huggingface.co/spaces/randommmm/MFLP.
- Abstract(参考訳): 施設配置問題 (FLP) は、施設のアクセシビリティを最大化するために戦略的に施設を配置することを目的とした古典的な組合せ最適化の課題である。
本稿では,超高速な推論速度でほぼ最適解を生成できる大規模都市FLPの解法に適した強化学習手法を提案する。
我々は,局所探索から本態的なスワップ操作を蒸留し,知識インフォームドグラフニューラルネットワークによって誘導された都市域のグラフ上のエッジをインテリジェントに選択することにより,局所探索の重い計算の必要性を補足する。
地理的条件の異なる4つのアメリカの都市での大規模な実験により、我々の手法は、アクセシビリティ損失が5倍未満の商用解決器に匹敵する性能を達成できる一方で、最大1000倍の速度で表示できることが示されている。
当社のモデルは、https://huggingface.co/spaces/randommmm/MFLPで、オンライン地理空間アプリケーションとしてデプロイしています。
関連論文リスト
- LocalEscaper: A Weakly-supervised Framework with Regional Reconstruction for Scalable Neural TSP Solvers [14.238953745477193]
LocalEscaperは、大規模トラベリングセールスマン問題(TSP)のための弱い教師付き学習フレームワークである
SLとRLの両方の利点を効果的に組み合わせ、低品質なラベルを持つデータセットの効果的なトレーニングを可能にします。
最大5万の都市でTSPインスタンスを解決し、スケーラビリティと効率のベンチマークを新たに設定する。
論文 参考訳(メタデータ) (2025-02-18T03:10:27Z) - An AI-driven framework for rapid and localized optimizations of urban open spaces [0.0]
オープンスペースは、サステナビリティ・ウェルビーングの強化における役割について、ますます認識されている。
本研究では,スカイビューファクタ(SVF)と可視性(可視性)を最適化するAI駆動型フレームワークを導入する。
論文 参考訳(メタデータ) (2025-01-14T11:19:52Z) - Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。
画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
論文 参考訳(メタデータ) (2024-12-19T18:58:14Z) - DistrictNet: Decision-aware learning for geographical districting [47.36059095502583]
地区化は地理的地域を小さな地区に分割する複雑な問題である。
実世界の地区問題に対する高品質な解決策を数分で見つけるための構造化学習手法を提案する。
実際の都市ではコストを大幅に削減できるため,既存手法よりも優れている。
論文 参考訳(メタデータ) (2024-12-11T11:02:48Z) - Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。
ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
論文 参考訳(メタデータ) (2024-11-09T16:24:07Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳(メタデータ) (2023-09-30T06:20:21Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳(メタデータ) (2023-09-04T17:30:21Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳(メタデータ) (2022-10-31T09:46:26Z) - Location-routing Optimisation for Urban Logistics Using Mobile Parcel
Locker Based on Hybrid Q-Learning Algorithm [0.0]
パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。
本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
論文 参考訳(メタデータ) (2021-10-29T01:27:12Z) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳(メタデータ) (2021-06-19T18:06:11Z)
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。