交通场景下基于深度强化学习的感知型路径分配算法

摘要

路径分配问题是交通数字孪生系统的重要研究方向之一,其重点是综合考量行驶需求的动态变化以及路网信息的实时改变,实现高效合理的路径规划。现阶段一些经典的分配算法如粒子群、Dijkstra等算法及其优化模型仅能达到全局静态最优,忽略了现实交通中的复杂变化。而逐渐推出的各种深度学习算法虽能进行全面的时空预测,但受限于海量历史数据的归纳分析以及较高的运算成本,难以大规模应用。鉴于此,提出了一种静态分配算法与深度强化学习算法结合的感知型路径分配算法,在行驶中依据实时路网信息和车辆当前状态,实现全局路径动态再分配及更新,相关算法的精度和效率在仿真实验中得到验证。