論文の概要: Learning to Design City-scale Transit Routes

• arxiv url: http://arxiv.org/abs/2512.19767v1
• Date: Sun, 21 Dec 2025 12:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.628589
• Title: Learning to Design City-scale Transit Routes
• Title（参考訳）: 都市交通路の設計を学ぶ
• Authors: Bibek Poudel, Weizi Li,
• Abstract要約: 連続的なトランジットネットワーク構築のためのグラフアテンションネットワークに基づくエンドツーエンドの強化学習フレームワークを提案する。 我々はインディアナ州ブルーミントンで、地形的に正確な道路網、国勢調査由来の需要、既存の交通経路を持つ新しい実世界のデータセットについて、我々のアプローチを評価した。
• 参考スコア（独自算出の注目度）: 4.0801703556134425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing efficient transit route networks is an NP-hard problem with exponentially large solution spaces that traditionally relies on manual planning processes. We present an end-to-end reinforcement learning (RL) framework based on graph attention networks for sequential transit network construction. To address the long-horizon credit assignment challenge, we introduce a two-level reward structure combining incremental topological feedback with simulation-based terminal rewards. We evaluate our approach on a new real-world dataset from Bloomington, Indiana with topologically accurate road networks, census-derived demand, and existing transit routes. Our learned policies substantially outperform existing designs and traditional heuristics across two initialization schemes and two modal-split scenarios. Under high transit adoption with transit center initialization, our approach achieves 25.6% higher service rates, 30.9\% shorter wait times, and 21.0% better bus utilization compared to the real-world network. Under mixed-mode conditions with random initialization, it delivers 68.8% higher route efficiency than demand coverage heuristics and 5.9% lower travel times than shortest path construction. These results demonstrate that end-to-end RL can design transit networks that substantially outperform both human-designed systems and hand-crafted heuristics on realistic city-scale benchmarks.
• Abstract（参考訳）: 効率的な経路網を設計することは、伝統的に手動の計画プロセスに依存する指数関数的に大きな解空間においてNPハード問題である。 連続的なトランジットネットワーク構築のためのグラフアテンションネットワークに基づくエンドツーエンド強化学習(RL)フレームワークを提案する。 長期クレジット割り当て問題に対処するために, 漸進的なトポロジカルフィードバックとシミュレーションに基づく端末報酬を組み合わせた2段階報酬構造を導入する。 我々はインディアナ州ブルーミントンで、地形的に正確な道路網、国勢調査由来の需要、既存の交通経路を持つ新しい実世界のデータセットについて、我々のアプローチを評価した。 学習方針は、2つの初期化スキームと2つのモード分割シナリオにおいて、既存の設計や従来のヒューリスティックよりも大幅に優れています。 トランジットセンターの初期化による高交通量化の下では,実際のネットワークに比べて25.6%高いサービス率,30.9\%の待ち時間,21.0%のバス利用率を実現している。 ランダムな初期化を伴う混合モード条件下では、需要カバレッジヒューリスティックスよりも68.8%高い経路効率と、最も短い経路建設よりも5.9%低い走行時間を提供する。 これらの結果は,現実的な都市規模ベンチマークにおいて,人間設計のシステムと手作りのヒューリスティックスの両方を大幅に上回る交通網を,エンドツーエンドのRLで設計できることを実証している。

関連論文リスト

• Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning [8.978751108808689]
  我々は強化学習を使ってグラフニューラルネットワークを訓練し、好みとして振る舞う。 新しい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で結果を改善し、最先端の結果を得る。 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改善し、最大19%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2024-04-08T22:40:57Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。