典型文献
基于深度强化学习的城市公共交通票价优化模型
文献摘要：
本文针对出行需求演化复杂性,首先将票价的优化过程视为智能体在复杂环境中经过不断探索获得最优价格的学习过程;其次引入深度强化学习算法,采用价值函数神经网络拟合出行需求(环境)对票价制定(动作)的反应函数,在不同运输方式间的博弈过程中通过对票价调节动作的奖惩训练其达到决策目标;然后在群体出行决策复杂性刻画方面,基于Logit模型、累积前景理论及Bush Mosteller模型,设计了3种由简单到复杂的出行需求演化场景;最后以现实场景下地铁和公交之间的票价博弈为例,通过数值模拟考察方法的有效性.研究发现:(1)深度强化学习算法在感知出行需求演化复杂性过程中具有良好的票价弹性刻画能力;(2)深度强化学习算法能够针对复杂出行需求给出合理稳定的价格方案,优化地铁(公交)票价后,使不同出行需求模型下地铁(公交)的利润及各出行方式的总体利润均得到显著增长.
文献关键词：
深度强化学习;公共交通;票价制定;群体决策
中图分类号：
作者姓名：
李雪岩;张汉坤;李静;邱荷婷
作者机构：
北京联合大学管理学院, 北京 100101;北京工商大学电商与物流学院, 北京 100048;北京交通大学经济管理学院, 北京 100044;首都经济贸易大学管理工程学院, 北京 100070
文献出处：
引用格式：
[1]李雪岩;张汉坤;李静;邱荷婷-.基于深度强化学习的城市公共交通票价优化模型)[J].管理工程学报,2022(06):144-155
A类：
Mosteller
B类：
城市公共交通,通票,票价优化,出行需求,智能体,复杂环境,优价,学习过程,深度强化学习算法,价值函数,合出,票价制定,运输方式,奖惩,出行决策,Logit,累积前景理论,Bush,现实场景,公交,模拟考,同出,需求模型,出行方式,群体决策
AB值：
0.303285
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
