基于深度逆向强化学习的城市车辆路径链重构

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.

关键词：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

所属期刊栏目：51

分类号：U491(交通工程与公路运输技术管理)

在线出版日期：2023-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：120-128