[发明专利]一种基于深度强化学习的共享车位实时分配方法

说明书

本发明公开一种基于深度强化学习的共享车位实时分配方法，包括：首先确定共享车位分配的强化学习目标；收集一个社区共享停车场的静态信息；利用静态信息构建基于马尔可夫决策过程的共享车位实时分配模型；利用深度强化学习算法训练共享车位实时分配模型；利用训练完成的共享车位实时分配模型进行实际车位分配。本发明为异质性共享车位的实时分配问题提供了有效的解决方案，能够有效减少用户停车后的平均行走距离，提高用户的满意度。

技术领域

本发明涉及共享停车技术领域，具体为一种基于深度强化学习的共享车位实时分配方法。

背景技术

根据公安部交通管理局数据显示，截止到2020年，我国机动车保有量达3.72亿辆，其中汽车保有量为2.81亿辆，但是我国停车位个数仅为1.19亿个，面对如此巨大的缺口，不能光靠增加停车位来解决，更要提高对已有停车位的利用效率。所以，为了缓解停车难问题，在物联网、大数据等信息技术的支持下，可将社区内由于居民上班等原因长期闲置的私家车位在空闲时段进行共享，供需求者使用，实现错时停车。但是相对于专业停车场，社区占地面积较大，停车位分布稀疏，且每个共享车位的共享时段不同，因而产生了如车位分配、车位定价等问题。

过去国内外学者们关于共享停车的研究集中在两个方面：1)通过分析停车泊位需求，来预测共享停车场未来状态，这方面主要包括停车者行为分析和停车选择预测。具体实现模型和方法如面向链式结构和环式结构的双层规划模型，向量自回归预测模型以及基于停车者视角，研究和分析了影响单位共享泊位的因素；2)基于不同优化目标，对车位资源构建优化配置模型并求解。如以停车场利润为优化目标的动态定价策略，以用户效益为目标的跨区域分配模型，以泊位资源最大化利用为目标的构建共享车位资源配置模型等，常用的求解方法有蚁群算法、粒子群算法、动态规划等。

虽然上述文献对车位共享平台下的车位分配问题进行了研究，但是共享停车相对于专业停车场，车位分布更加稀疏，同一社区内的共享车位位置差异性较大，用不同的车位位置去满足顾客，将会影响顾客停车后的行走距离，从而极大地影响顾客满意度，最终影响平台的收益。所以车位分配决策应该考虑车位的异质性。而且如今大部分车位分配系统是基于车位预约进行的，而不是实时分配，没有将停车需求分析和预测与泊位资源配置相结合。

近年来，随着人工智能研究的不断深入，机器学习技术已经在很多领域打破了传统方法的壁垒。强化学习作为机器学习中的一个分支，被广泛认定是解决马尔可夫决策问题的有力途径。尤其地，深度Q网络(DeepQ-Network,DQN)将深度神经网络与传统强化学习中的Q学习算法相结合，借助神经网络强大的表征能力去拟合策略，解决了连续状态空间的马尔可夫决策过程，使强化学习能够用在更广泛的领域。

因此本发明以共享停车为背景，借助深度强化学习，提出一种基于强化学习的共享车位实时分配方法，旨在充分提高用户停车满意度，为共享平台的车位分配提供决策支持。

发明内容

为克服上述现有技术的不足，本发明提供一种基于深度强化学习的共享车位实时分配方法，该方法能够通过合理分配社区共享车位，充分降低用户停车后平均行走距离，从而提高用户停车满意度。

本发明是通过以下技术方案予以实现的：

一种基于深度强化学习的共享车位实时分配方法，包括以下步骤，

步骤S1，确定共享车位分配的强化学习目标；

步骤S2，收集一个社区共享停车场的静态信息；

步骤S3，利用静态信息构建基于马尔可夫决策过程的共享车位实时分配模型；

步骤S4，利用深度强化学习算法训练共享车位实时分配模型；

步骤S5，利用训练完成的共享车位实时分配模型进行实际车位分配。