Distributed Multiagent Deep Reinforcement Learning for Multiline Dynamic Bus Timetable Optimization

强化学习 计算机科学 马尔可夫决策过程 北京 公共交通 启发式 交通拥挤 马尔可夫过程 对策 运筹学 运输工程 实时计算 工程类 人工智能 统计 数学 法学 政治学 中国 航空航天工程
作者
Haoyang Yan,Zhiyong Cui,Xinqiang Chen,Xiaolei Ma
出处
期刊:IEEE Transactions on Industrial Informatics [Institute of Electrical and Electronics Engineers]
卷期号:19 (1): 469-479 被引量:13
标识
DOI:10.1109/tii.2022.3158651
摘要

As a primary countermeasure to mitigate traffic congestion and air pollution, promoting public transit has become a global census. Designing a robust and reliable bus timetable is a pivotal step to increase ridership and reduce operating cost for transit authorities. However, most previous studies on bus timetabling rely on historical passenger count and travel time data to generate static schedules, which often yield biased results in these uncertain scenarios, such as demand surge or adverse weather. In addition, acquiring real-time passenger origin/destination from a limited number of running buses is not feasible. This article considers the multiline dynamic bus timetable optimization problem as a Markov decision process model to address the aforementioned issues, and proposes a multiagent deep reinforcement learning framework to ensure effective learning from the imperfect-information game, where the passenger demand and traffic condition are not always known in advance. Moreover, a distributed reinforcement learning algorithm is applied to overcome the limitation of high computational cost and low efficiency. A case study of multiple bus lines in Beijing, China, confirms the effectiveness and efficiency of the proposed model. The results demonstrate that our method outperforms heuristic and state-of-the-art reinforcement learning algorithms by reducing 20.30% of operating and passenger costs compared with actual timetables.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
麦可完成签到,获得积分10
刚刚
健壮的思柔完成签到,获得积分10
2秒前
ShuaiZ完成签到,获得积分10
2秒前
耍酷夜阑完成签到,获得积分10
3秒前
4秒前
cm完成签到,获得积分10
5秒前
耍酷夜阑发布了新的文献求助20
7秒前
森林木完成签到,获得积分10
8秒前
刚刚好完成签到 ,获得积分10
8秒前
9秒前
guoran完成签到,获得积分10
14秒前
14秒前
16秒前
王泽皓完成签到,获得积分10
18秒前
20秒前
外向的又蓝完成签到 ,获得积分10
20秒前
ccc完成签到,获得积分10
21秒前
葛力发布了新的文献求助10
22秒前
科研通AI2S应助科研通管家采纳,获得10
23秒前
李爱国应助科研通管家采纳,获得10
23秒前
yolo应助科研通管家采纳,获得10
23秒前
小二郎应助科研通管家采纳,获得10
23秒前
搜集达人应助科研通管家采纳,获得10
23秒前
田様应助科研通管家采纳,获得10
23秒前
Owen应助科研通管家采纳,获得10
23秒前
星辰大海应助科研通管家采纳,获得10
23秒前
充电宝应助科研通管家采纳,获得10
23秒前
Hello应助科研通管家采纳,获得10
23秒前
23秒前
领导范儿应助科研通管家采纳,获得10
23秒前
23秒前
小金的小天使i完成签到,获得积分10
24秒前
谷贝贝发布了新的文献求助10
25秒前
杨尚朋发布了新的文献求助10
26秒前
29秒前
充电宝应助北雨采纳,获得10
29秒前
刘彤完成签到,获得积分10
29秒前
31秒前
齐钰发布了新的文献求助10
33秒前
34秒前
高分求助中
Sustainable Land Management: Strategies to Cope with the Marginalisation of Agriculture 1000
Corrosion and Oxygen Control 600
Python Programming for Linguistics and Digital Humanities: Applications for Text-Focused Fields 500
Heterocyclic Stilbene and Bibenzyl Derivatives in Liverworts: Distribution, Structures, Total Synthesis and Biological Activity 500
重庆市新能源汽车产业大数据招商指南(两链两图两池两库两平台两清单两报告) 400
Division and square root. Digit-recurrence algorithms and implementations 400
行動データの計算論モデリング 強化学習モデルを例として 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2547808
求助须知:如何正确求助?哪些是违规求助? 2176358
关于积分的说明 5603889
捐赠科研通 1897152
什么是DOI,文献DOI怎么找? 946662
版权声明 565412
科研通“疑难数据库(出版商)”最低求助积分说明 503895