BO4Mob: Bayesian Optimization Benchmarks for High-Dimensional Urban Mobility Problem

📄 arXiv: 2510.18824v1 📥 PDF

作者: Seunghee Ryu, Donghoon Kwon, Seongjin Choi, Aryan Deshwal, Seungmo Kang, Carolina Osorio

分类: cs.LG

发布日期: 2025-10-21

🔗 代码/项目: GITHUB

💡 一句话要点

BO4Mob：高维城市交通优化贝叶斯优化基准框架

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 贝叶斯优化 城市交通 交通需求估计 高维优化 基准测试

📋 核心要点

  1. 现有方法难以有效估计大规模城市交通网络中的起讫点出行需求，主要挑战在于高维度、计算成本高和随机性。
  2. BO4Mob通过构建基于真实交通数据的基准测试框架，为高维贝叶斯优化算法提供了一个标准化的评估平台。
  3. 实验结果表明，该基准能够有效评估不同优化算法在城市交通问题上的性能，并为算法改进提供指导。

📝 摘要（中文）

本文提出了BO4Mob，一个全新的高维贝叶斯优化（BO）基准框架，旨在解决大型城市道路网络中的起讫点（OD）出行需求估计难题。从有限的交通传感器数据中估计OD出行需求是一个具有挑战性的逆优化问题，尤其是在真实的、大规模交通网络中。该问题涉及在高维连续空间中进行优化，其中每个目标函数的评估都计算成本高昂、具有随机性且不可微。BO4Mob包含五个基于真实加州圣何塞道路网络的场景，输入维度高达10100。这些场景利用高分辨率的开源交通模拟，其中包含真实的非线性和随机动态。我们通过评估五种优化方法（三种最先进的BO算法和两种非BO基线）来展示该基准的效用。该基准旨在支持可扩展优化算法的开发及其在数据驱动的城市交通模型设计中的应用，包括大都市道路网络的高分辨率数字孪生。

🔬 方法详解

问题定义：论文旨在解决城市交通网络中高维起讫点（OD）出行需求估计问题。现有方法在处理大规模、高维度、计算密集型且具有随机性的真实交通场景时面临挑战，难以在可接受的时间内找到最优解。传统方法往往需要大量的计算资源和时间，并且难以处理交通流的非线性和随机性。

核心思路：论文的核心思路是构建一个标准化的、具有代表性的基准测试框架，用于评估和比较不同的贝叶斯优化（BO）算法在解决高维城市交通问题上的性能。通过提供真实交通数据和高分辨率交通模拟器，BO4Mob允许研究人员在统一的环境下测试和改进他们的算法。

技术框架：BO4Mob框架主要包含以下几个关键组成部分：1) 基于真实城市（圣何塞）道路网络的交通场景；2) 高分辨率的开源交通模拟器，用于模拟真实的交通流动态；3) 一组预定义的优化目标，例如最小化交通拥堵或最大化交通流量；4) 一套评估指标，用于衡量不同优化算法的性能。研究人员可以使用BO4Mob来测试和比较不同的优化算法，例如高斯过程贝叶斯优化、随机森林贝叶斯优化等。

关键创新：BO4Mob的关键创新在于其提供了一个真实、高维、具有挑战性的城市交通优化基准。与现有的基准测试框架相比，BO4Mob更贴近实际应用场景，并且能够更好地反映真实交通系统的复杂性。此外，BO4Mob还提供了一套标准化的评估指标，使得不同算法之间的比较更加公平和客观。

关键设计：BO4Mob的关键设计包括：1) 选择圣何塞作为基准城市，因为其具有丰富的交通数据和复杂的道路网络；2) 使用开源交通模拟器SUMO，允许研究人员自由访问和修改模拟器代码；3) 定义了五个不同规模的交通场景，输入维度从低到高，最高达到10100维；4) 提供了多种优化目标和评估指标，以满足不同研究需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BO4Mob能够有效区分不同优化算法在解决高维城市交通问题上的性能。论文评估了三种最先进的BO算法和两种非BO基线算法，发现某些BO算法在特定场景下表现优于其他算法。例如，在高维场景下，基于高斯过程的BO算法通常优于基于随机森林的BO算法。此外，实验还表明，BO算法在解决城市交通问题上具有潜力，能够显著优于传统的非BO优化方法。

🎯 应用场景

该研究成果可应用于智能交通系统设计、城市规划和交通管理等领域。通过利用BO4Mob基准测试框架，可以开发更高效的优化算法，从而改善城市交通拥堵状况、提高交通效率、降低环境污染，并为构建城市交通数字孪生提供数据和算法支持。

📄 摘要（原文）

We introduce \textbf{BO4Mob}, a new benchmark framework for high-dimensional Bayesian Optimization (BO), driven by the challenge of origin-destination (OD) travel demand estimation in large urban road networks. Estimating OD travel demand from limited traffic sensor data is a difficult inverse optimization problem, particularly in real-world, large-scale transportation networks. This problem involves optimizing over high-dimensional continuous spaces where each objective evaluation is computationally expensive, stochastic, and non-differentiable. BO4Mob comprises five scenarios based on real-world San Jose, CA road networks, with input dimensions scaling up to 10,100. These scenarios utilize high-resolution, open-source traffic simulations that incorporate realistic nonlinear and stochastic dynamics. We demonstrate the benchmark's utility by evaluating five optimization methods: three state-of-the-art BO algorithms and two non-BO baselines. This benchmark is designed to support both the development of scalable optimization algorithms and their application for the design of data-driven urban mobility models, including high-resolution digital twins of metropolitan road networks. Code and documentation are available at https://github.com/UMN-Choi-Lab/BO4Mob.