原文传递
基于强化学习的车载网络移动停车激励的研究
| 论文题名： | 基于强化学习的车载网络移动停车激励的研究 |
| 关键词： | 车载自组织网络;车辆停车;激励机制;强化学习;深度Q网络 |
| 摘要： | 伴随着无线设备的快速发展，现如今越来越多的车辆都配备有大量的无线设备，使利用大规模的车载网络成为了可能，因此，工业界和学术界对车载自组织网络（VANETs）产生了极大地兴趣。 车载网络通常会因为车辆的行驶速度快，网络节点间的拓扑结构变化频繁，以及车载无线设备带宽低等问题，导致网络质量不佳。本文采取的解决方案是，利用路侧停放的车辆，将路侧停车加入车辆网络，利用停放的车辆中的无线设备进行网络的数据分发，提高移动车辆间的网络通信质量。虽然路侧停放的车辆具有基数大，分布广泛，停靠时间长的特点，特定位置的停车能形成稳定的集群，但是将停车加入车辆网络，需要车主共享他们车辆上的无线设备，而据调查发现，低于30%的车主愿意共享车辆中的无线设备，并且许多驾驶员比起路侧停车位更加倾向于在停车场停车，而这些停车场往往不能增加车载网络的连通性。解决这些问题的方法通常是设计一种激励机制，鼓励用户将车辆停靠在特定位置。 在本文中，提出了一个定价系统，为了解决传统的激励方法的不足，考虑设计一种基于强化学习的动态定价算法，使所有路段的连通性达到最大并且最小化系统的成本。将强化学习应用到动态定价的决策问题主要有两个优势： （1）强化学习是不依赖模型的，它可以通过代理和环境之间的动态交互来学习最优的动态定价策略。 （2）强化学习有很强的适应能力，由于道路交通环境的快速变化，导致整体环境具有不确定性的特点，强化学习可以不断朝着最优的奖励的方向进行学习，以适应不断更新的环境。 由于强化学习在状态空间过大的情况下，具有较慢的学习速度，因此，在本文采用深度Q网络开发定价策略，通过神经网络压缩所学习的状态空间，并据此计算对应的Q值。基于真实的街道布局和对应的路侧停车位数据，使用VanetMobiSim进行车辆轨迹仿真，并将轨迹文件导入NS-2进行网络仿真，最终得出的结果表明，该方案提高了任务的完成率，并且停车结果有效地提高了车辆间通信质量。 |
| 作者： | 梁榆法 |
| 专业： | 计算机科学与技术 |
| 导师： | 刘念伯 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
