公交协同优化的时空Transformer-STGNN混合强化学习方-交通信息与安全

一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。二、投稿方式： 1、请使用电子邮件方式投递稿件。 2、编译的稿件，请注明出处并附带原文。 3、请按稿件内容投递到相关编辑信箱三、稿件著作权： 1、投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

公交协同优化的时空Transformer-STGNN混合强化学习方

作者:

关键词:

摘要：

研究背景与问题

在当前城市公交系统中，动态越站与驻站的多策略协同是一个关键挑战。这种协同策略的优化需要同时考虑多个目标，如乘客等待时间最小化、车辆行驶效率最大化以及运营成本控制等。然而，局部决策的优化往往会导致全局连锁延误和多重目标冲突，影响了整个公交系统的运行效率和服务质量。因此，如何有效地解决公交动态越站与驻站的多策略协同问题，成为了一个亟待解决的问题。

研究方法

为了应对这一挑战，本研究提出了一种融合Transformer和时空图神经网络的动态协同优化模型。该模型的核心是通过构建一个双向交互的感知与预知时空特征提取架构，实现公交站点动态依赖关系的有效提取。具体来说，模型利用时空变换器的空间注意力机制来提取公交站点的动态依赖关系，从而捕捉到公交系统中各站点间的相互作用。此外，模型还运用图神经网络来处理复杂的时空交互关系，增强对多变量数据的理解和预测能力。

核心结果

通过实验验证，所提出的时空Transformer-STGNN混合强化学习方法在动态协同优化方面表现出显著的优越性。该方法能够有效减少乘客等待时间，提高车辆行驶效率，并实现运营成本的控制。具体来说，实验结果表明，与传统的优化方法相比，该模型能够将乘客等待时间减少约20%，同时将车辆行驶效率提升约15%。此外，模型在处理多重目标冲突时，能够实现均衡的优化结果，避免了单一目标的过度追求。

结论与意义

本研究提出的时空Transformer-STGNN混合强化学习方法为公交动态越站与驻站的多策略协同优化提供了一种新的思路。该方法不仅能够有效解决公交系统中存在的局部决策引发的全局连锁延误问题，还能够实现多重目标的均衡优化。这一研究成果对于提高公交系统的运行效率和服务质量，提升乘客出行体验具有重要意义。同时，该模型也为其他动态交通系统优化提供了有益的借鉴和参考，具有广泛的应用前景。

文章来源：《交通信息与安全》网址: http://www.jtxxyaq.cn/qikandaodu/2026/1027/333.html