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

• arxiv url: http://arxiv.org/abs/2605.28730v1
• Date: Wed, 27 May 2026 16:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.228305
• Title: AlphaTransit: Learning to Design City-scale Transit Routes
• Title（参考訳）: AlphaTransit: 都市交通路の設計を学ぶ
• Authors: Bibek Poudel, Sai Swaminathan, Weizi Li,
• Abstract要約: 都市バスネットワーク設計のための検索ベース計画フレームワークであるAlphaTransitを紹介する。 AlphaTransitは、MCTS(Monte Carlo Tree Search)とニューラルポリシー値ネットワークを結合する。 我々は,AlphaTransitを,現実的な道路トポロジと国勢調査による需要を考慮した新しいBloomington TRNDPベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 3.630368480889924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing a transit network requires many sequential route extension decisions, but their quality is often visible only after the full network is assembled. This delayed-feedback challenge lies at the heart of the Transit Route Network Design Problem (TRNDP), where route interactions can be deceptive: an extension that appears useful locally can create transfer bottlenecks, produce redundant overlap, or reduce overall throughput. To guide route construction under delayed simulator feedback, we introduce AlphaTransit, a search-based planning framework for cityscale bus network design. AlphaTransit couples Monte Carlo Tree Search (MCTS) with a neural policy-value network: the policy proposes route extensions, the value estimates downstream design quality, and search uses these predictions to refine each decision. This provides decision-time lookahead during route construction without running simulator rollouts inside the search tree. We evaluate AlphaTransit on a new Bloomington TRNDP benchmark with realistic road topology and censusderived demand, under mixed and full transit demand settings. In the Bloomington network, AlphaTransit attains the highest service rate in both demand settings, reaching 54.6% and 82.1%, respectively. Relative to reinforcement learning without search, these correspond to 9.9% and 11.4% service rate gains; relative to MCTS without learned guidance, they correspond to 2.5% and 11.2% gains. These results suggest that coupling learned guidance with MCTS is more effective than using either approach alone for transit network design. Our code and data are publicly available in https://github.com/poudel-bibek/AlphaTransit.
• Abstract（参考訳）: トランジットネットワークの設計には多くのシーケンシャルなルート拡張決定が必要ですが、その品質は完全なネットワークが組み立てられた後にのみ表示されます。 この遅延フィードバックの課題は、トランジットルートネットワーク設計問題(TRNDP)の核心にある。そこでは、ルート間の相互作用を欺くことができる。 遅延シミュレータフィードバック下での経路構築の指針として,都市バスネットワーク設計のための検索ベース計画フレームワークであるAlphaTransitを導入する。 AlphaTransitは、MCTS(Monte Carlo Tree Search)とニューラルポリシー-バリューネットワーク(Neural Policy-value Network)を結合している。 これにより、探索ツリー内でシミュレータのロールアウトを実行することなく、ルート構築中の決定時間のルックアヘッドが提供される。 我々は,Bloomington TRNDPベンチマークによるAlphaTransitの評価を行った。 ブルーミントンネットワークでは、AlphaTransitは両方の需要設定で最高率に達し、それぞれ54.6%と82.1%に達した。 検索なしの強化学習とは対照的に、これらは9.9%と11.4%のサービス利得に対応している。 これらの結果から,MCTSと学習指導の結合は,トランジットネットワーク設計に単独で使用するよりも効果的であることが示唆された。 私たちのコードとデータはhttps://github.com/poudel-bibek/AlphaTransit.comで公開されています。

関連論文リスト

• Scalable Transit Delay Prediction at City Scale: A Systematic Approach with Multi-Resolution Feature Engineering and Deep Learning [1.065661841579261]
  既存の遅延予測システムは、手作りの機能に依存し、再利用可能なアーキテクチャを設計する方法についてはほとんどガイダンスを提供していない。 本稿では,マルチレゾリューション機能工学,次元減少,深層学習を組み合わせた都市規模の予測パイプラインを提案する。 クラスタ認識機能を備えたグローバルLSTMは、精度と効率の最良のトレードオフを実現し、トランスフォーマーモデルを1852%から52%向上させる。
  論文  参考訳（メタデータ） (2026-01-26T14:30:50Z)
• Learning to Design City-scale Transit Routes [4.0801703556134425]
  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。
  論文  参考訳（メタデータ） (2025-12-21T12:48:53Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
  探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。 大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
  論文  参考訳（メタデータ） (2022-07-10T11:18:26Z)
• Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc Networks Formed by Passenger Planes [99.54065757867554]
  エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。 最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。 フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:56Z)
• 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)

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。