Boosting Column Generation with Graph Neural Networks for Joint Rider Trip Planning and Crew Shift Scheduling

要約

サービス スケジュールの最適化は、信頼性が高く、効率的で包括的なオンデマンド モビリティにとって極めて重要です。
この差し迫った課題は、人口高齢化によるニーズの増大、既存サービスの過剰加入、効果的な解決方法の欠如によってさらに悪化しています。
この研究では、複雑な動的なモビリティ サービスに対する乗客の旅行計画と乗務員のスケジュールを共同で最適化することで、サービス スケジュールの複雑さに対処します。
結果として生じる最適化問題は、最先端の手法にとって計算上非常に困難です。
この根本的なギャップに対処するために、この文書では、共同乗客旅行計画および乗務員シフト スケジューリング問題 (JRTPCSSP) と、列生成と機械学習をハイブリッド化した、アテンションおよびゲート付き GNN 情報による列生成 (AGGNNI-CG) と呼ばれる新しい解決方法を紹介します。
アプリケーションの実際の制約を伴う JRTPCSSP に対する最適に近いソリューションを取得します。
機械学習コンポーネントの重要なアイデアは、価格設定の問題で探索するパスの数を大幅に減らし、列生成の最も時間のかかるコンポーネントを高速化することです。
機械学習コンポーネントは、アテンション メカニズムとゲート アーキテクチャを備えたグラフ ニューラル ネットワークであり、日常業務からのさまざまな入力サイズに対応するのに特に適しています。
AGGNNI-CG は、ジョージア州チャタム郡のパラトランジット システムからの困難な現実世界のデータセットに適用されました。
これにより、通常、大規模で複雑なインスタンスでは適切な時間内に高品質の実行可能なソリューションを生成できないベースライン列生成アプローチと比較して、大幅な改善がもたらされます。
AGGNNI-CG は、既存のシステムと比較してサービス品質も大幅に向上します。

要約(オリジナル)

Optimizing service schedules is pivotal to the reliable, efficient, and inclusive on-demand mobility. This pressing challenge is further exacerbated by the increasing needs of an aging population, the oversubscription of existing services, and the lack of effective solution methods. This study addresses the intricacies of service scheduling, by jointly optimizing rider trip planning and crew scheduling for a complex dynamic mobility service. The resulting optimization problems are extremely challenging computationally for state-of-the-art methods. To address this fundamental gap, this paper introduces the Joint Rider Trip Planning and Crew Shift Scheduling Problem (JRTPCSSP) and a novel solution method, called Attention and Gated GNN-Informed Column Generation (AGGNNI-CG), that hybridizes column generation and machine learning to obtain near-optimal solutions to the JRTPCSSP with real-life constraints of the application. The key idea of the machine-learning component is to dramatically reduce the number of paths to explore in the pricing problem, accelerating the most time-consuming component of the column generation. The machine learning component is a graph neural network with an attention mechanism and a gated architecture, which is particularly suited to cater for the different input sizes coming from daily operations. AGGNNI-CG has been applied to a challenging, real-world dataset from the Paratransit system of Chatham County in Georgia. It produces substantial improvements compared to the baseline column generation approach, which typically cannot produce high-quality feasible solutions in reasonable time on large-scale complex instances. AGGNNI-CG also produces significant improvements in service quality compared to the existing system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google