本发明公开一种基于基于信誉值的动态车辆任务与算力匹配方法,使用深度学习中的Conv‑GRU模型对任务数、工人数、工人信誉值、车流量进行预测,并结合强化学习中的DQN算法,对预测所得任务序列进行动态划分批次,最后在每一个划分好的批次内,通过KM算法结合工人的信誉度以及任务的重要程度进行二部图匹配,最终实现算力和任务的最优匹配。本方案不仅考虑了车辆任务的时空特征以及动态性特征,而且结合了车辆信誉值,车辆任务的重要程度等因素,且预测精度较其他方法更高,预测速度更快,批次划分更加合理,从而使车辆获得更高的收益;此外,其不需要特殊的部署和额外的硬件设备,成本较低,实用性较强,具有很高的实用价值。
声明:
“基于信誉值的动态车辆任务与算力匹配方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)