行程规划中群体效用的优化：一种策略性与人群感知方法

行程推荐是一个具有众多现实应用的复杂序列预测问题。当考虑优化多个用户的排队时间与人群水平，以及诸多相关参数（如景点热度、排队时间、步行时间和营业时间）时，该任务变得更具挑战性。现有方案通常聚焦于单人视角，未能解决由自然人群行为引发的现实问题，如自私路由（Selfish Routing）问题。本文提出策略性与人群感知行程推荐（SCAIR）算法，在真实场景中优化群体效用。我们将路线推荐策略建模为马尔可夫决策过程（Markov Decision Process），并提出一种状态编码（State Encoding）机制，可在线性时间内实现实时规划与分配。我们使用一个主题公园数据集将所提算法与多种竞争性和现实基线进行比较，结果表明 SCAIR 在四个主题公园中解决自私路由问题上优于这些基线。