Reinforcement Learning-Based Sequential Route Recommendation for System-Optimal Traffic Assignment

doi:10.1109/ojits.2026.3696779

Reinforcement Learning-Based Sequential Route Recommendation for System-Optimal Traffic Assignment

2026-01-01

1

PRE

AI

DOI：10.1109/ojits.2026.3696779

原文链接

原文求助

摘要

En 中文

现代导航系统和共享出行平台日益依赖个性化路径推荐来提升个体出行体验和运营效率。然而，一个关键问题仍然存在：由集中式平台发布的序列路径推荐能否集体将系统驱动至理论系统最优（SO）？本文通过提出一种基于学习的框架来解答这一问题，该框架将静态SO交通分配问题重新表述为单智能体深度强化学习（RL）任务。中央智能体在OD需求到达时依次向出行者推荐路径，以最小化总系统出行时间。为提升学习效率和求解质量，我们开发了一种MSA引导的深度Q学习算法，该算法将传统交通分配方法的迭代结构整合到RL训练过程中。所提出的方法在Braess和Ortuzar-Willumsen（OW）网络上进行了评估。结果显示，RL智能体在Braess网络上收敛至理论SO解，并在OW网络上仅产生0.35%的偏差。进一步的消融研究证明，路径动作集的设计对收敛速度和最终性能有显著影响，而基于SO信息的路径集能实现更快的收敛和更好的结果。本研究建立了一个具有理论基础的框架，证明了将集中式序列推荐与SO交通分配对齐的可行性，从而将强化学习方法与经典交通优化联系起来。

Keyword:

Modeling

Timing

Transportation

Algorithms

Learning (artificial intelligence)

Reinforcement learning

Licenses

Technology

Routing

Educational institutions

route recommendation

system optimum

traffic assignment

Reinforcement Learning-Based Sequential Route Recommendation for System-Optimal Traffic Assignment

摘要

期刊

机构

引用论文