[論文レビュー] Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework

Hongzhao Guan, Beste Basciftci+1 more|arXiv (Cornell University)|Jan 27, 2026

Transportation Planning and Optimization被引用数 0

ひとこと要約

2LRC-TNDを導入。機械学習ベースのライダー選択モデルと文脈的確率最適化を統合し、需要の2つのレベルの不確実性の下で交通網を設計する枠組み。SAAシナリオを伴うCP-SATで解決。予算制約下での利便性向上を示す大規模なアトランタのケーススタディを実証。

ABSTRACT

Transit Network Design is a well-studied problem in the field of transportation, typically addressed by solving optimization models under fixed demand assumptions. Considering the limitations of these assumptions, this paper proposes a new framework, namely the Two-Level Rider Choice Transit Network Design (2LRC-TND), that leverages machine learning and contextual stochastic optimization (CSO) through constraint programming (CP) to incorporate two layers of demand uncertainties into the network design process. The first level identifies travelers who rely on public transit (core demand), while the second level captures the conditional adoption behavior of those who do not (latent demand), based on the availability and quality of transit services. To capture these two types of uncertainties, 2LRC-TND relies on two travel mode choice models, that use multiple machine learning models. To design a network, 2LRC-TND integrates the resulting choice models into a CSO that is solved using a CP-SAT solver. 2LRC-TND is evaluated through a case study involving over 6,600 travel arcs and more than 38,000 trips in the Atlanta metropolitan area. The computational results demonstrate the effectiveness of the 2LRC-TND in designing transit networks that account for demand uncertainties and contextual information, offering a more realistic alternative to fixed-demand models.

研究の動機と目的

• 交通ネットワーク設計における2つの需要不確実性（コア乗客と潜在的採用者）を捉える。
• 機械学習の選択モデルと文脈的確率最適化を統合して不確実性を表現する。
• 得られた問題をSAAシナリオを用いた制約付きプログラミングで解く。
• 実世界の大規模なアトランタ都市圏ケーススタディで実用性と潜在的乗客増を示す。

提案手法

• 2レベルの需要不確実性を定義：コア需要（必ずサービスされるべき）と潜在需要（採用の可能性がある）で、採用は文脈情報に基づく。
• 機械学習モデルを用いて学習した確率分布から採用意思決定を乱数変数としてモデル化。
• 目的を、SAAを用いてCSOを近似し、CP-SATで解けるモデルになるように期待値ベースの交通網提供率の最大化として定式化。
• ネットワーク設計をバイナリのアーク開通変数と、予算、固定アーク、ノード/モードごとのフロー制約で表現。
• PATHの論理関係と動的実現性をCPで扱い、アークを運用系路線へ翻訳する後処理を実施。

実験結果

リサーチクエスチョン

• RQ1 2つの需要不確実性（コアと潜在）を交通ネットワーク設計にどう組み込むか。
• RQ2 機械学習のライダー選択モデルと文脈的確率最適化を組み合わせて、予算制約下の網設計を改善できるか。
• RQ3 2LRC-TNDを大規模な実世界ネットワークに適用した場合の実務的な乗客数とサービス提供の向上はどの程度か。
• RQ4 SAAを用いたCP-SAT解法は、大規模で不確実性を伴う交通設計問題を解くのにどの程度有効か。

主な発見

• 2LRC-TNDは、与えられた予算内でコア旅程需要を完全に満たし、追加の乗客を惹きつけることができ、ケーススタディでは採用率が最大30%向上することが観察された。
• アトランタのケーススタディは、大規模ネットワークの再設計として38,000件を超える旅程と6,004本のアーク（692本の固定鉄道アークを含む）を含む。
• コア/潜在の分類と経路採用意思決定による2レベルの需要不確実性のモデル化は、ライダーの行動の表現を改善する。
• この枠組みはCSOとSAAを用いて行動的不確実性を交通網設計に明示的に組み込み、CP-SATソルバーで解く。
• 実証的結果は、データ主導の計画ソリューションが交通局にとって現実的で潜在的な社会的影響を持つことを示す。