本發明公開一種基于基于信譽值的動態車輛任務與算力匹配方法,使用深度學習中的Conv?GRU模型對任務數、工人數、工人信譽值、車流量進行預測,并結合強化學習中的DQN算法,對預測所得任務序列進行動態劃分批次,最后在每一個劃分好的批次內,通過KM算法結合工人的信譽度以及任務的重要程度進行二部圖匹配,最終實現算力和任務的最優匹配。本方案不僅考慮了車輛任務的時空特征以及動態性特征,而且結合了車輛信譽值,車輛任務的重要程度等因素,且預測精度較其他方法更高,預測速度更快,批次劃分更加合理,從而使車輛獲得更高的收益;此外,其不需要特殊的部署和額外的硬件設備,成本較低,實用性較強,具有很高的實用價值。
聲明:
“基于信譽值的動態車輛任務與算力匹配方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)