基于深度逆向强化学习的城市车辆路径链重构

作     者：王福建 程慧玲 马东方 王殿海 WANG Fujian;CHENG Huiling;MA Dongfang;WANG Dianhai

作者机构：浙江大学建筑与工程学院浙江杭州310058 浙江大学工程师学院浙江杭州310058 浙江大学海洋学院浙江杭州310058 

出 版 物：《华南理工大学学报（自然科学版）》 (Journal of South China University of Technology(Natural Science Edition))

年 卷 期：2023年第51卷第7期

页      面：120-128页

核心收录：

学科分类：0710[理学-生物学] 08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金重点资助项目(52131202)。 

主　　题：城市道路网络 车牌识别 深度逆向强化学习 数据处理 路径链重构 

摘      要：随着城市交通监测系统的完善,大量车牌识别数据被存储下来,该类数据具有时间连续性强、空间范围广、样本类型多的优点,为研究城市交通提供了信息基础。但受制于成本和技术,信息采集过程中采集的车牌数据在时空上并不连续,导致车牌识别数据的应用受限。有鉴于此,文中提出一套路径链提取方案,对单次出行的完整路径链和缺失路径链加以区分,并提出了一种基于深度逆向强化学习的城市车辆出行路径链重构算法。该算法对完整路径链进行采样获得专家示例,利用深度逆向强化学习挖掘专家示例,以非线性回报函数的形式拟合出潜藏的路径选择特性,指导智能体自主补全缺失的路径链,实现车辆出行缺失路径链的重构。将该算法在杭州市萧山区的局部路网中进行实验验证,结果表明,所提出的重构算法具有良好的稳定性能,其平均准确度可达95%,且在缺失程度较大的情况下准确度仍能保持在92%以上,相比传统算法具有较大优势。文中还分析了专家示例的位置分布和数量对算法性能的影响,验证了所提出的重构算法的泛化能力。