Reinforcement Learning-Based Transit Network Design: Using RAPTOR-Based Travel Cost Evaluation

대중교통 노선 설계 문제(transit network design problem, TNDP)는 노선 구성에 따라 승객의 통행 시간, 대기 시간, 환승 구조가 복합적으로 영향을 받는 조합 최적화 문제이다. 최근 강화학습 기반 TNDP 연구들이 보고되고 있으나, 통행 비용 계산에서 대기 시간과 환승 구조를 경로 수준에서 반영하는 연구는 상대적으로 제한적이다. 본 연구는 심층 강화학습 기반 TNDP에서 round-based public transit optimized router (RAPTOR) 알고리즘을 통합한 통행 비용 계산 방법론을 제안한다. RAPTOR는 시간표 기반 경로 탐색을 통해 통행 비용 계산 시 승객 대기 시간을 경로 수준에서 반영할 수 있으며, 본 연구에서는 환승 저항이 고려된 확장 알고리즘을 적용하여 환승 저항이 반영된 통행 비용을 산정한다. 5×5 격자 환경에서 고정 통행 시간 모델 및 평균 대기 시간 근사 모델과 비교 실험을 수행한 결과, 제안 모델은 평균 통행 시간과 평균 대기 시간 측면에서 가장 우수한 성능을 보였다. 그리고 심층 강화학습 기반 TNDP에서 통행 비용을 설계하는 방식이 노선 생성 결과에 영향을 미치는 것을 확인하였다.