Learning Heuristics for Transit Network Design and Improvement with Deep Reinforcement Learning

要約

公共交通ルートのネットワークを計画することは、挑戦的な最適化の問題です。
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することにより、可能なトランジットネットワークの空間を検索します。
これらのヒューリスティックの設計は、結果の質に大きな影響を与えます。
この論文では、深い補強学習を使用してグラフニューラルネットをトレーニングして、進化アルゴリズムにヒューリスティックを提供します。
これらのニューラルヒューリスティックは、70個以上のノードを持つベンチマーク合成都市に関するアルゴリズムの結果を改善し、挑戦的なマンフォードベンチマークで新しい最先端の結果を達成します。
また、カナダのラヴァル市の実際の輸送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、市の既存のトランジットネットワークよりも最大19％のコスト削減を提供します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google