Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

想象一下，城市就像一个巨大的、活生生的拼图，每一条道路都是一块拼图，而每一位驾驶员都是试图解开它的玩家。当一条道路因维修而关闭时，就像从拼图中抽走了一块；突然之间，每个人都必须争先恐后地寻找新的位置，整个画面也随之发生了偏移。这就是交通工程学的世界，一个致力于理解人们如何在这些复杂网络中移动的领域。在这个拼图的核心，有一个被称为“均衡”（equilibrium）的概念，这只是一个高级说法，意指每个人都找到了这样一条路线：通过更换路径，他们无法更快地到达目的地。如果你曾经历过在堵车时，GPS 重新为你规划了路线，却发现新路径同样拥堵，那么你便亲身体验到了这种平衡现象。对于城市规划师来说，大问题在于：我们该如何安排道路维修计划，才不会让一个小小的修补坑洼变成一场全市范围的交通噩梦？传统上，弄清楚这个问题就像是每当考虑一个新的维修方案时，都要尝试解一个庞大的数学方程，这个过程如此缓慢且沉重，以至于往往阻碍了规划师做出最佳决策。

这篇发表于 2026 年 IISE 年会上的论文，通过教计算机去“猜测”答案，而不是每次都从头开始进行计算，解决了这个沉重的数学难题。作者 Charitha Nandepu 及其团队研究了一个真实的交通网络——新泽西州纽瓦克市，特别关注了被称为花园州帕克威（Garden State Parkway）的一条繁忙走廊。他们首先运行了一个超级精确但非常缓慢的计算机模拟，以确定如果道路关闭，交通将如何流动。可以将这视为“金标准”或“地面真值”——即完美的标准答案。他们利用这些数据来训练四种不同类型的人工智能（AI）模型，本质上是教会它们如何观察人们的出行需求（起讫点需求），并瞬间预测交通行为，而无需进行繁重的数学计算。

团队测试了四种不同的 AI “大脑”：一个标准的层级网络（MLP）、一个模式识别专家（CNN）、一个网络结构专家（GNN），以及一个关注系统各部分之间关系的模型（基于注意力的神经网络）。结果显而易见：那个关注全局的模型胜出了。“基于注意力机制”的神经网络是全场的明星，它正确预测交通模式的准确率约为 98%（R² 分数为 0.9835），并且在最繁忙的路段上犯错最少。相比之下，其他模型（尤其是标准模型）在交通繁忙时表现得相当糟糕，在关键路段上的误差跳升至每小时近 1,000 辆车。基于图的模型（GNN）表现尚可，但基于注意力的模型最为准确，其整体误差率仅为每小时 35.87 辆车。

这篇论文并不声称已经永久解决了整个道路维修调度问题。相反，它表明使用这些快速、数据驱动的 AI 模型是加速规划过程的一种极具前景的方法。通过用快速的 AI 预测取代缓慢、沉重的计算，城市管理者可能会在以前测试一个维修计划的时间内，测试更多的维修方案。研究表明，对于纽瓦克地区，这种方法效果很好，足以成为一个有用的工具，为即使在道路施工期间也能保持交通顺畅提供了一种途径。这是朝着让我们的城市不再陷入交通瘫痪迈出的一步，通过每一次智能预测来实现。