ハイブリッド深層学習-メタヒーリスティックフレームワークによる二重階層ネットワーク設計問題の解決

本研究では、道路ネットワーク設計問題（NDPs）向けに二段階構造を持つハイブリッド深層学習-メタヒーリスティックフレームワークを提案します。グラフニューラルネットワーク（GNN）を訓練して、ユーザーアクセプタンス（UE）交通配分問題の解を近似し、訓練されたモデルによる推論結果を使用して、遺伝的アルゴリズム（GA）の適応度関数評価を行い、NDPsの解を近似します。3つのテストネットワーク、2つのNDPバリエント、および正確なソルバーをベンチマークとして使用し、提案したフレームワークが平均して正確な解法手順の0.5%未満の時間で最良の結果と1.5%未満の誤差範囲内での解を提供できることを示しました。当該フレームワークはインフラストラクチャ計画の専門システム内で利用可能であり、異なるシナリオにおける最適なインフラストラクチャ計画および管理決定を導き出すことができます。また、フレームワークの柔軟性から、多くの他の意思決定問題にも容易に適用できることが期待されます。これらの問題はグラフ上の二段階問題としてモデル化できます。さらに、興味深い将来的研究方向性を見据え、このトピックに関する簡潔な研究アジェンダも提示します。我々の研究から得られた重要な観察点は、GNNモデルによる推論結果を使用した適応度関数評価時間がミリ秒オーダーであったことです。これは、1) 深層学習モデルによって提供されるノイジーな適応度関数値に対処できる新しいヒューリスティック手法と 2) 評価ステップの大幅に向上した効率性を利用して探索空間を効果的に（効率的にではなく）探索できる新たなヒューリスティック手法が必要であることを示唆しています。これにより、AI駆動型予測器と共に使用するために設計された現代的なメタヒューリスティック手法の新しい分野が開けます。