基于深度强化学习的电动出租车运营优化

• 作者: 叶浩宇 叶贺辉 李清泉 涂伟 赵天鸿 麦可
• 来源期刊: 测绘学报
• 学科: 地球科学
• 关键词: 深度强化学习 电动出租车 DDQN 出租车运营
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 地图学与地理信息
• 页码范围: 1630-1639
• 页数: 10页
• 分类号: P208
• 语种: 中文

摘要

作为公共交通的重要组成部分,电动出租车对电动车推广具有重要的示范意义.相较于燃油出租车,电动出租车需要耗费更多充电时间,降低了出租车司机的使用意愿,全面推广面临较大阻力.强化学习方法方兴未艾,适用于出租车运营的顺序决策过程.基于强化学习,本文构建双深度Q学习网络(double deep Q-learning network,DDQN)模型模拟电动出租车的运行.根据出租车的实时状态选择并执行最优载客、充电、空驶和等待等动作,通过训练得到全局最优的电动出租车运营策略,实现电动出租车运营智能优化.利用美国纽约市曼哈顿岛的出租车出行数据进行试验.结果表明:相较于简单的电动出租车运营模式,DDQN优化策略最高将充电等待时长降低70％,拒载率降低53％,司机的载客收入提高7％.相对于电池容量,充电速率和车辆总数对出租车运营收入影响更大,当充电速率达到120 kW时,电动出租车达到最佳的运营表现,政府在推广电动出租车的过程中应当建设更多高速率的充电站以提升电动出租车的运营表现.