DRL4AOI：面向语义感知的基于深度强化学习的 AOI 分割框架

在基于位置的服务（LBS）中，如食品配送， fundamental 的任务是对感兴趣区域（AOI）进行分割，以将城市地理空间划分为不重叠的区域。传统的 AOI 分割算法主要依赖道路网络来划分城市区域。虽然在建模地理语义方面具有前景，但道路网络驱动的模型忽略了 LBS 服务中（如工作负载平等性）所需的服务语义目标。本文指出，AOI 分割问题可自然地建模为马尔可夫决策过程（MDP），该过程逐步为当前 AOI 边界上的每个网格选择相邻的 AOI。基于 MDP，我们提出首个泛化深度强化学习（DRL）用于 AOI 分割的方法，形成称为 DRL4AOI 的新型 DRL 框架。DRL4AOI 框架通过将不同的服务语义目标视为引导 AOI 生成的奖励，以灵活方式引入这些目标。为评估 DRL4AOI 的有效性，我们开发并发布了一个 AOI 分割系统。我们还呈现了一个代表性实现——TrajRL4AOI——用于 LBS 中的 AOI 分割。它引入双深 Q 学习网络（DDQN），以优化两个特定语义目标的 AOI 生成：i）轨迹模块性，即最大化轨迹在 AOI 内部紧密连接的性质以及 AOI 之间稀疏连接的性质；ii）与道路网络的匹配性，即最大化 AOI 与道路网络之间的匹配度。在合成数据和真实数据上的定量和定性实验表明，我们的方法有效且优于其他方法。代码和系统可在 https://github.com/Kogler7/AoiOpt 查阅。