Aρχιμήδης ΙΙΙ Υποέργο 29 Σχεδίαση Συγκοινωνιακών Συστημάτων με Χρήση Μηχανικής Μάθησης Δημήτρης Κοσμόπουλος, Mιχάλης Καλοχριστιανάκης, Γεώργιος Παπαδουράκης dkosmo@upatras.gr, kalohr@staff.teicrete.gr, papadour@cs.teicrete.gr
Στόχος Βέλτιστος σχεδιασμός δημοσίων συγκοινωνιών 1. Σταθερές διαδρομές 2. Διαδρομές βασισμένες στη ζήτηση
Συστήματα FRT και DRT Τα δημόσια συγκοινωνικά συστήματα εμπίπτουν γενικά στις παρακάτω κατηγορίες: Καθορισμένης διαδρομής Fixed Route Transport (FRT): Αποδοτικού κόστους (προκαθορισμένα δρομολόγια, μοίρασμα). Μη βολικά (θέση στάσεων, δρομολόγια). Δυναμικά καθοριζόμενης διαδρομής Dynamic Route Transport (DRT): Πολύ εξυπηρετικά (πόρτα-πόρτα, ώρες που εξυπηρετούν πελάτη) Ακριβά και ως εκ τούτου περιορισμένα (shuttle, dial-a-ride services)
Υβριδικά Συστήματα Συγκοινωνιών Συνδυάζουν DRT και FRT Τα οχήματα μπορεί να κάνουν παράκαμψη μιας βασικής διαδρομής για να εξυπηρετήσουν κλήσεις που φτάνουν δυναμικά Ο καθορισμός της διαδρομής είναι δύσκολο πρόβλημα λόγω της αβεβαιότητας για τις μελλοντικές κλήσεις
Συστήματα Καθορισμένης διαδρομής
Ορισμός θέση στάσεων διαδρομές τύποι οχημάτων συχνότητα
Περιορισμοί Οικονομικοί πόροι Διαθέσιμος στόλος Ικανοποίηση επιβατών Δομή δικτύου Μόλυνση
Αντικειμενική συνάρτηση Ανικανοποίητη ζήτηση #σταθμών φόρτισης Μέσος χρόνος ταξιδιού #ηλ. οχήματα ρύπανση #συμβ. οχήματα
Δυαδική αναπαράσταση Αναπαριστούμε τη λύση ως εξής: (a) Ορίζουμε αριθμό στάσεων S και γραμμών L. (b) Μέγιστος αριθμός στάσεων ανά γραμμή s. Λύση: δυαδικός 2D πίνακας L γραμμών και s στηλών. 1 στη θέση (γ,σ) σημαίνει ότι η γραμμή γ περνά από τη στάση σ. Διάνυσμα L s στοιχείων.
Δυαδική αναπαράσταση Προσθέτουμε bits για να αναπαραστήσουμε την επιπλέον πληροφορία: - Συχνότητα δρομολογίων (ο αριθμός εξαρτάται από τη μέγιστη συχνότητα δρομολογίων) - Η γραμμή λειτουργεί με ηλεκτρικά ή συμβατικά λεωφορεία
Δυαδική αναπαράσταση Ακολουθία στάσεων: εκθετικός αριθμός λύσεων Λύση: Σπάμε το πρόβλημα σε υποπροβλήματα - Το δυαδικό διάνυσμα λύσεων δεν κωδικοποιεί την ακολουθία των στάσεων, αλλά μόνο την παρουσία τους σε κάθε γραμμή Η ακολουθία προκύπτει από το δυαδικό διάνυσμα αν λύσουμε το πρόβλημα περιπλανώμενου πωλητή για κάθε λεωφορειακή γραμμή χωριστά δεδομένων των στάσεων της γραμμής
Eπίλυση Πρόβλημα: NP-complete Γενετικοί αλγόριθμοι Καινοτομία: Particle swarm optimization binary version
Particle Swarm Optimization O συνεχής PSO Υποθέτουμε πλήθος διανυσμάτων λύσεως xi (particles) ) O δυαδικός PSO Γίνεται εφικτός μέσω σιγμοειδούς συνάρτησης
Τυπικές λύσεις
Συστήματα μη προκαθορισμένης διαδρομής
POMDP Partially observable Markov Decision Process Δημοφιλής μέθοδος reinforcement learning Ορισμός καταστάσεων Aν ταμοιβή για συγκεκριμένες ενέργειες λαμβάνοντας υπόψη - τρέχουσα κατάσταση - μετάβαση μεταξύ καταστάσεων
Πως σχετίζεται το POMDP? Κατάσταση S: Το όχημα στη θέση X Μετάβαση T: μετάβαση μεταξύ θέσεων Ενέργεια a: πήγαινε σε συγκεκριμένη θέση Παρατήρηση Ω: Η ζήτηση μέσω τηλεματικού συστήματος Ανταμοιβή R: αντικειμενική συνάρτηση προς βελτιστοποίηση (ανικανοποίητη ζήτηση, οικονομικό κόστος, ρύπανση κλπ) Καινοτομία: POMDP με δυναμικά καθοριζόμενο αριθμό καταστάσεων
Καινοτομίες POMDP με δυναμικά καθοριζόμενο αριθμό καταστάσεων Υλοποίηση για ένα μικρό ιδεατό συγκοινωνιακό δίκτυο
Παραδοτέα έργου Καθορισμένη διαδρομή: επίλυση μέσω γενετικών αλγορίθμων ή PSO Μη καθορισμένη διαδρομή: φορμαλισμός επίλυσης μέσω POMDP Aνάπτυξη συστήματος αποφάσεων
Σύστημα αποφάσεων Εξολοκλήρου υλοποιημένο δικτυκά Java Octave GIS με χρήση google maps
Μελλοντικές δράσεις Βελτιστοποίηση συστήματος αποφάσεων για γρηγορότερη εκτέλεση - Δομές δεδομένων για αποθήκευση λύσεων για το πρόβλημα traveling salesman Ορισμός υβριδικού συστήματος συγκοινωνιών με POMDP για πραγματικά προβλήματα
Δημοσιεύσεις 1. Sotirios Chatzis and Dimitrios Kosmopoulos, A Partially-Observable Markov Decision Process for Dealing with Dynamically Changing Environments, Αrtificial Intelligence Applications and Innovations, Volume 436, 2014, pp 111-120, 2014 2. Sotirios Chatzis and Dimitrios Kosmopoulos, A Non-Stationary Infinite Partially-Observable Markov Decision Process, International Conference on Artificial Neural Networks, Volume 8681, pp 355-362, 2014 3. Sotirios Chatzis and Dimitrios Kosmopoulos, A Non-Stationary Partially-Observable Markov Decision Process for Planning in Volatile Environments, International Conference on Engineering and Applied Sciences Optimization, Kos, 2014 4. Moschoula PterneaKonstantinos Kepaptsoglou, Matthew G. Karlaftis, Sustainable Urban Network Design, Transportation Research Part A, 2015 5. D. I. Kosmopoulos, M. Kalohristianakis, A. Malamos, Sotirios Chatzis, M. Pternea, K. Kepaptsoglou, and M. Karlaftis. 2014. Developing Public Transport Network systems: The DIANA approach. In Proceedings of the 18th Panhellenic Conference on Informatics (PCI '14). ACM, New York, NY, USA,, Article 27, 6 pages. DOI=10.1145/2645791.2645845 http://doi.acm.org/10.1145/2645791.2645845 6. Ανάπτυξη καινοτόμων αλγόριθμων και συστήματος υποστήριξης αποφάσεων για το σχεδιασμό συστημάτων αστικών συγκοινωνιών Hμερίδα Αρχιμήδη στο ΤΕΙ Κρήτης, 30 Απριλιου 2014 7. Yiannis Tyrinopoulos, Moschoula Pternea, Konstantinos Kepaptsoglou and Dimitrios Kosmopoulos, Assisting Transit Operators in Designing Sustainable Bus Route Networks, 7th International Congress on Transportation Research, 2015 8. K. Kepaptsoglou, M. Kalohristianakis, D. Kosmopoulos, G. Papadourakis, Re - designing the Bus Route Network for the City of Heraklion using an Evolutionary approach, 12ο Ειδικό Συνέδριο Ελληνικής Εταιρίας Επιχειρησιακών Ερευνών, 9η Συνάντηση Πολυκριτήριας Ανάλυσης Αποφάσεων, Αγρίνιο 2015 9. Michael Kalochristianakis, D. Kosmopoulos, G. Papadourakis, Integrating GIS, Middleware Technologies and Genetic Algorithm Frameworks for Automated, Online Public Transport Decision Support Systems, NHIBE 2014 10. D. Kosmopoulos, M. Kalochristianakis, G. Papadourakis, Formulating the Bus Routing Problem as a Particle Swarm Optimization Task, NHIBE 2014 11. Sotirios Chatzis, Dimitrios Kosmopoulos, Automated Feeder-Driven Public Transit Services: Striking a Balance between Fixed and Demand-Responsive Policies in Real- Time
Ευχαριστίες Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος "Εκπαίδευση και Δια Βίου Μάθηση", Πράξη Αρχιμήδης ΙΙΙ, και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους (Εθνικό Στρατηγικό Πλαίσιο Αναφοράς 2007-2013)".
Σας ευχαριστώ