文献类型：期刊文章

作　　者：叶浩宇[1] 涂伟[2,3,4,5] 叶贺辉[6] 麦可[2,3,4] 赵天鸿[2,4] 李清泉[1,2,3,4]

YE Haoyu;TU Wei;YE Hehui;MAI Ke;ZHAO Tianhong;LI Qingquan(State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan University, Wuhan 430079, China;Department of Urban Informatics, School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China;Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), Shenzhen University, Shenzhen 518060, China;Guangdong Key Laboratory of Urban Informatics, Shenzhen University, Shenzhen 518060, China;Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, MNR, Shenzhen 518060, China;Software College, Minjiang University, Fuzhou 350108, China)

机构地区：[1]武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079 [2]深圳大学建筑与城市规划学院城市空间信息工程系,广东深圳518060 [3]人工智能与数字经济广东省实验室(深圳),广东深圳518060 [4]广东省城市空间信息工程重点实验室,广东深圳518060 [5]自然资源部大湾区地理环境监测重点实验室,广东深圳518060 [6]闽江学院软件学院,福建福州350108

出　　处：《测绘学报》

基　　金：国家重点研发计划(2019YFB2103104);广东省自然科学基金(2019A1515011049);深圳市科技创新委员会基础研究(JCYJ20170412105839839)。

年　　份：2020

卷　　号：49

期　　号：12

起止页码：1630-1639

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、DOAJ、EI、GEOBASE、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

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。

关 键 词：深度强化学习  电动出租车 DDQN  出租车运营  

分 类 号：P208]