基于最大熵逆强化学习面向双分支特征的车辆路径选择模型
黄明玥
夏大文
张瀚
何文琳
贵州民族大学数据科学与信息工程学院 贵州贵阳 550025
摘要：针对交通系统的路径选择行为建模面临可行路径多、轨迹数据稀疏和个体偏好不确定等问题,文章提出了一种基于最大熵逆强化学习面向双分支特征的车辆路径选择模型,实现路径选择行为的高效精准建模.该模型面向环境特征分支与上下文特征分支,分别对路网拓扑序列信息和驾驶员偏好进行建模,采用最大熵逆强化学习方法将双分支特征融合至奖励函数,以增强驾驶员个性化决策的表征能力.同时,构建图注意力网络(GAT)与插入式Transformer协同的特征增强模块,GAT增强链路表征以解决轨迹稀疏问题,插入式Transformer有效捕捉轨迹上下文的依赖关系.基于上海市GPS轨迹数据集的实验结果表明,所提模型在路径选择的准确性与轨迹拟合度方面均优于可比较方法,可以有效解决因忽略驾驶员个性化偏好与实际轨迹数据稀疏问题,能为个性化路径选择建模提供理论方法和技术支持.
关键词：路径选择模型最大熵逆强化学习插入式Transformer图注意力网络
资助基金：高维数据统计分析与智能计算重点实验室项目(GZMUSYS(2021)04)
论文发表日期：2025-12-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 148-151 )