论文页面 - AlphaTransit：学习设计城市级公交线路

来源：https://huggingface.co/papers/2605.28730

摘要

AlphaTransit 将蒙特卡洛树搜索与神经策略值网络相结合，通过预测下游设计质量并实现决策时的前瞻性判断（无需模拟器展开），以优化公交线路设计。

设计公交网络需要大量顺序的线路扩展决策，但这些决策的质量往往只有在完整网络搭建完成后才能显现。这种延迟反馈的挑战构成了公交线路网络设计问题（TRNDP）的核心，其中线路间的相互作用具有欺骗性：一个看似局部有用的扩展可能造成换乘瓶颈、产生冗余重叠，或降低整体运输能力。为了在延迟模拟器反馈下引导线路构建，我们引入了 AlphaTransit，一个用于城市规模公交网络设计的、基于搜索的规划框架。AlphaTransit 将蒙特卡洛树搜索（MCTS）与神经策略值网络相结合：策略网络提出线路扩展，值网络估计下游设计质量，而搜索利用这些预测来优化每一步决策。这在线路构建过程中提供了决策时的前瞻性，而无需在搜索树内运行模拟器展开。我们在一个新的 Bloomington TRNDP 基准上评估了 AlphaTransit，该基准具有真实道路拓扑和基于人口普查的出行需求，并在混合和全公交出行需求设置下进行了测试。在 Bloomington 网络中，AlphaTransit 在两种需求设置下均达到了最高的服务率，分别为 54.6% 和 82.1%。相对于不使用搜索的强化学习，这分别对应 9.9% 和 11.4% 的服务率提升；相对于没有学习指导的 MCTS，则分别对应 2.5% 和 11.2% 的提升。这些结果表明，将学习指导与 MCTS 相结合比单独使用其中任何一种方法都更有效。我们的代码和数据已在 https://github.com/poudel-bibek/AlphaTransit 公开。

查看 arXiv 页面 (https://arxiv.org/abs/2605.28730) 查看 PDF (https://arxiv.org/pdf/2605.28730) 项目页面 (https://alphatransit.app/) GitHub4 (https://github.com/poudel-bibek/AlphaTransit) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.28730)

在您的代理中获取此论文：

hf papers read 2605.28730

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型1

matrix-multiply/alphatransit-checkpoints 强化学习• 更新于约 5 小时前 (https://huggingface.co/matrix-multiply/alphatransit-checkpoints)

引用此论文的数据集1

matrix-multiply/bloomington-tndp 查看器• 更新于约 5 小时前 • 6.12k (https://huggingface.co/datasets/matrix-multiply/bloomington-tndp)

引用此论文的 Space0

没有链接此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2605.28730 即可从此页面链接。

包含此论文的收藏0

没有包含此论文的收藏

添加到收藏 (https://huggingface.co/new-collection) 即可从此页面链接。