Vahvistusoppiva tekoäly näyttää lupaavalta työkalulta ruuhkamaksujen säätämiseen

Tutkijat ovat koonneet katsauksen siitä, miten vahvistusoppimista hyödyntävä tekoäly voi auttaa säätämään tie- ja ruuhkamaksuja niin, että liikenteen sujuvuus paranee. Taustalla on kasvava liikkumisen kysyntä: kun liikennemäärät nousevat, tienkäytön “vapaan” hinnoittelun seurauksena liikenne puuroutuu helposti, ja ruuhkat heikentävät liikennevirtaa. Tiehinnoittelun idea on ohjata kuljettajien käyttäytymistä perimällä maksua tien käytöstä. Koska liikennetilanne muuttuu koko ajan, myös maksujen pitäisi tutkimuksen mukaan pystyä elämään tilanteen mukana: dynaaminen hinnoittelu tarkoittaa, että maksuja säädetään ajankohdan ja liikennetilanteen mukaan. Katsaus keskittyy vahvistusoppimiseen, eli menetelmään, jossa järjestelmä oppii tekemään parempia päätöksiä palautteen perusteella. Perusajatus muistuttaa kokeilua ja erehdystä: algoritmi etsii toimintatapoja, jotka parantavat tavoitetta, kuten liikenteen sujuvuutta. Vahvistusoppimista on jo aiemmin hyödynnetty esimerkiksi liikennevalojen ohjauksessa, ja nyt sitä sovelletaan yhä useammin myös dynaamiseen tiehinnoitteluun. Kirjoittajat kävivät läpi viimeaikaisia ratkaisuja ja vertailevat, miten eri tutkimuksissa on pyritty vastaamaan vahvistusoppimisen tyypillisiin haasteisiin. Yhteenveto on myönteinen: esitetyt menetelmät osoittavat vahvistusoppimisen hyödyllisyyttä tiehinnoittelussa ja liikenteen optimoinnissa. Samalla katsaus toteaa, että osa keskeisistä haasteista on edelleen vain vähän käsiteltyjä. Lähde: Reinforcement learning for road pricing: a review and future directions, Artificial Intelligence Review.