کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7375480 1480071 2018 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Dynamic route and departure time choice model based on self-adaptive reference point and reinforcement learning
ترجمه فارسی عنوان
مدل انتخاب پویا و زمان خروج بر اساس نقطه مرجع خود سازگار و یادگیری تقویتی است
کلمات کلیدی
تخصیص ترافیک پویا، خود سازگار، تئوری چشم انداز تجمعی نقطه مرجع، تقویت یادگیری،
ترجمه چکیده
به عنوان مثال، بسیاری از مطالعات قبلی در مورد تخصیص ترافیک پویا بر اساس چارچوب تحلیلی سنتی است، به عنوان مثال، ایده تعادل کاربر پویا به طور گسترده ای در نشان دادن انتخاب مسیر و انتخاب زمان خروج به طور گسترده ای استفاده شده است. با این حال، برخی از مطالعات اخیر نشان داده اند که تخصیص جریان دینامیکی پویا به میزان زیادی به میزان معقول بودن مسافران، ناهمگونی مسافران و اطلاعات ترافیکی مسافران بستگی دارد. در این مقاله، ما یک مدل چند عامل جدید خود سازگار برای نشان دادن رفتار مسافران در تخصیص ترافیک دینامیکی ایجاد می کنیم. ما از نظریه چشم انداز تجمعی با نکات مرجع ناهمگن برای نشان دادن عقلانیت محدود مسافر استفاده می کنیم. ما با استفاده از مدل تقویت یادگیری برای نشان دادن مسیر مسافران و زمان خروج انتخاب رفتار با شرایط اطلاعات ناقص. ما طراحی تکاملی زمان رسیدن به مقصد مسافران و الگوریتم تخصیص جریان ترافیک را طراحی می کنیم. در مقایسه با مدل سنتی، مدل چند عامل سازنده خود که در این مقاله پیشنهاد شده است می تواند به طور موثر به مسافران کمک کند تا از ساعت شلوغی اجتناب کنند. در نهایت، ما گزارش و تجزیه و تحلیل اثر رفت و آمد گروه مسافران در سیستم حمل و نقل، و برخی از بینش در رابطه بین رفتار گروه مسافر و عملکرد سیستم حمل و نقل.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
مدل انتخاب پویا و زمان خروج بر اساس نقطه مرجع خود سازگار و یادگیری تقویتی است
چکیده انگلیسی
Most of the previous studies on dynamic traffic assignment are based on traditional analytical framework, for instance, the idea of Dynamic User Equilibrium has been widely used in depicting both the route choice and the departure time choice. However, some recent studies have demonstrated that the dynamic traffic flow assignment largely depends on travelers' rationality degree, travelers' heterogeneity and what the traffic information the travelers have. In this paper, we develop a new self-adaptive multi agent model to depict travelers' behavior in Dynamic Traffic Assignment. We use Cumulative Prospect Theory with heterogeneous reference points to illustrate travelers' bounded rationality. We use reinforcement-learning model to depict travelers' route and departure time choosing behavior under the condition of imperfect information. We design the evolution rule of travelers' expected arrival time and the algorithm of traffic flow assignment. Compared with the traditional model, the self-adaptive multi agent model we proposed in this paper can effectively help travelers avoid the rush hour. Finally, we report and analyze the effect of travelers' group behavior on the transportation system, and give some insights into the relation between travelers' group behavior and the performance of transportation system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 502, 15 July 2018, Pages 77-92
نویسندگان
, , , ,