[논문 리뷰] Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework

Hongzhao Guan, Beste Basciftci외 1명|arXiv (Cornell University)|2026. 01. 27.

Transportation Planning and Optimization인용 수 0

한 줄 요약

두 수준의 수요 불확실성 하에서 기계 학습 기반 승객 선택 모형을 맥락적 확률적 최적화와 통합하여 대중교통 네트워크를 설계하는 프레임워크인 2LRC-TND를 소개합니다. SAA 시나리오를 갖는 CP-SAT를 통해 해결됩니다. 예산 제약 하에서 승객 탑승률이 개선된 대규모 애틀랜타 사례를 통해 시연합니다.

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.

연구 동기 및 목표

• 두 수준의 수요 불확실성을 대중교통 네트워크 설계에서 포착합니다: 핵심 수요(core riders)와 잠재 채택자(latent adopters).
• 맥락적 확률적 최적화와 머신러닝 선택 모형을 통합하여 불확실성을 표현합니다.
• 결과 문제를 샘플 평균 근사(SAA) 시나리오를 이용한 제약 프로그래밍으로 해결합니다.
• 실용성과 잠재 승차 증가를 보여주기 위해 애틀랜타 대도시권의 대규모 실제 사례 연구에서 평가합니다.

제안 방법

• 두 수준의 수요 불확실성 정의: 반드시 제공되어야 하는 핵심 수요(core demand)와 잠재 채택자(latent demand)로, 채택은 맥락 정보를 기반으로 한다.
• 학습된 확률 분포에서의 랜덤 변수로 채택 결정을 모델링한다.
• CSO를 근사하기 위해 SAA를 사용하여 기대 대중교통 범위를 최대화하는 목적 함수를 형식화하고, CP-SAT로 해결 가능한 모델을 도출한다.
• 네트워크 설계를 이진 아크 개폐 변수와 예산, 고정 아크, 노드/모드당 흐름에 대한 제약을 가진 형태로 표현한다.
• 경로의 논리적 관계와 동적 타당성을 다루기 위해 CP를 사용하고, 운영 노선으로 아크를 변환하기 위한 후처리를 수행한다.

실험 결과

연구 질문

• RQ1 두 수준의 수요 불확실성(core and latent)을 대중교통 네트워크 설계에 어떻게 통합할 수 있는가?
• RQ2 기계 학습 승객 선택 모형과 맥락적 확률적 최적화를 결합하면 예산 제약 하에서 네트워크 설계를 향상시킬 수 있는가?
• RQ3 2LRC-TND를 대규모 실제 네트워크에 적용했을 때 실제 운송량 및 서비스 범위에서의 실질적 이득은 무엇인가?
• RQ4 대규모, 불확실성 인식 설계 문제를 해결하는 CP-SAT 해법 접근 방식은 얼마나 효과적인가?

주요 결과

• 2LRC-TND는 주어진 예산 내에서 핵심 여행 수요를 완전히 충족시키고, 사례 연구에서 최대 30%까지의 채택 증가를 유도할 수 있다.
• 애틀랜타 사례 연구는 대규모 네트워크 재설계 내에서 38,000건이 넘는 여정과 6,004개의 아크(692개 고정 철도 아크)를 포함한다.
• 핵심/잠재 분류와 경로 채택 결정을 통한 두 수준의 수요 불확실성 모델링이 승객 행동의 표현을 향상시킨다.
• 이 프레임워크는 CSO와 SAA를 사용하여 행동적 불확실성을 대중교통 네트워크 설계에 명시적으로 반영하고 CP-SAT 해석기로 해결한다.
• 실증 결과는 데이터 기반 기획 솔루션의 실용성과 교통기관에 대한 사회적 영향 가능성을 시사한다.