[论文解读] 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 0

一句话总结

简述：引入 2LRC-TND，将基于机器学习的乘客选择模型与情境随机优化相结合，在需求不确定性的两个层面上设计 Transit Network，采用带有 SAA 场景的 CP-SAT 求解。通过大规模的亚特兰大案例研究，在预算约束下显示出更高的乘客量。

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.

研究动机与目标

• 在 Transit Network Design 中捕捉需求不确定性的两个层面：核心乘客与潜在搭乘者。
• 将机器学习选择模型与情境随机优化相结合以表征不确定性。
• 使用带有 Sample Average Approximation (SAA) 场景的约束规划求解得到的 CSO 可解模型（CP-SAT）。
• 在大规模真实世界的亚特兰大都会区进行实证评估，以展示实用性和潜在的乘客量提升。

提出的方法

• 定义两层需求不确定性：核心需求（必须服务）与潜在需求（潜在采用者），其采用基于情境信息。
• 将采用决策建模为来自学习到的概率分布的随机变量，使用机器学习模型进行建模。
• 将目标函数形式化为最大化期望覆盖的问题，使用 SAA 近似 CSO，从而得到可被 CP-SAT 求解的模型。
• 用二进制弧开启变量表示网络设计，并对预算、固定弧、以及每节点/模式的流量等设约束。
• 用 CP 处理路径的逻辑关系与动态可行性，并在后处理阶段将弧转换为运营线路。

实验结果

研究问题

• RQ1 如何将两层需求不确定性（核心与潜在）纳入 Transit Network Design？
• RQ2 将机器学习乘客选择模型与情境随机优化结合，是否能在预算约束下改进网络设计？
• RQ3 将 2LRC-TND 应用于大型真实网络时，在乘客量与服务覆盖方面有哪些实际提升？
• RQ4 在解决大规模、考虑不确定性的运输设计问题时，CP-SAT 结合 SAA 的求解方法有多高效？

主要发现

• 2LRC-TND 能在给定预算内完全覆盖核心出行需求，并吸引额外乘客，在案例研究中观测到采用率最高可提升至 30%。
• 亚特兰大案例研究涉及超过 38,000 次出行与 6,004 条弧（其中 692 条固定轨道弧）的大规模网络重新设计。
• 通过将核心/潜在分类与路径采用决策建模，两层需求不确定性的建模提升了对乘客行为的表征。
• 该框架使用 CSO+SAA 将行为不确定性显式纳入 transit network design，并由 CP-SAT 求解器求解。
• 经验结果表明数据驱动规划解决方案对运输机构具有实用性与潜在社会影响。