DRL4AOI：一种用于基于位置服务的语义感知目标区域（AOI）分割的深度强化学习（DRL）框架

本文将定位服务中的兴趣区域（AOI）分割问题转化为马尔可夫决策过程（MDP），提出基于深度强化学习的DRL4AOI框架，通过双深度Q学习网络优化轨迹模块化和道路匹配度两个语义目标，实验验证其有效性。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

在基于位置的服务（LBS）中，例如食品配送，一个基本任务是对兴趣区域（AOIs）进行划分，目的是将城市地理空间划分为不重叠的区域。传统的 AOI 划分算法主要依赖于道路网络来划分城市区域。尽管这些算法在模拟地理语义方面表现良好，但基于道路网络的模型忽略了 LBS 服务中的服务语义目标（例如，工作负载均衡）。在本文中，我们指出 AOI 划分问题可以自然地被表述为一个马尔可夫决策过程（MDP），该过程会逐步为当前 AOI 边界内的每个网格选择一个附近的 AOI。基于 MDP，我们首次尝试将深度强化学习（DRL）应用于 AOI 划分，从而提出了一个名为 DRL4AOI 的新型 DRL 基础框架。DRL4AOI 框架通过将不同的服务语义目标视为奖励来灵活地引入这些目标，以指导 AOI 的生成。为了评估 DRL4AOI 的有效性，我们开发并发布了一个 AOI 划分系统。我们还提供了一个代表性的 DRL4AOI 实现——TrajRL4AOI——用于物流服务中的 AOI 划分。该实现引入了双深度 Q 学习网络（DDQN），以逐步优化 AOI 的生成，以实现两个特定的语义目标：i) 轨迹模块化，即最大化 AOI 内部轨迹连接的紧密性和 AOI 之间的连接稀疏性；ii) 与道路网络的匹配度，即最大化 AOI 与道路网络之间的匹配度。在合成数据和真实世界数据上进行的定量和定性实验证明了我们方法的有效性和优越性。代码和系统可在 https://github.com/Kogler7/AoiOpt 公开获取。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。