基于深度强化学习考虑多方利益的城市网约车碳减排研究

20251104

交通运输、仓储和邮政业

可国（境）内外转让

北京市自然科学基金本科生“启研”计划

北京市科学技术委员会;中关村科技园区管理委员会

理论创新：构建 “技术 - 政策 - 利益” 协同的跨学科框架，融合深度强化学习、多目标优化与博弈论，为共享交通碳减排提供新的理论视角。提出的 “动态区域划分 + 冷热分区补贴” 策略，解决了传统调度 “供需失衡” 与 “油电比例不合理” 的难题，丰富了智能交通与环境经济学的交叉研究成果；开发的 “LSTM-PPO + 多目标进化算法” 混合模型，为动态多主体决策问题提供可复用的求解方法，可扩展至共享单车、货运调度等领域。 首次量化 “技术算法 - 政策工具” 的协同效应，通过帕累托前沿分析明确补贴与碳税的最优参数区间（补贴 0.3-0.5 元 /km、碳税 0.2-0.4 元 /km），避免政策 “一刀切”；建立的多源数据融合方法（订单数据 + 问卷数据 + 路测数据），解决了网约车碳排放测算 “数据碎片化、精度低” 的行业痛点，测算误差控制在 5% 以内，为交通碳排放核算提供标准化技术范式。 基于济南 104 万条真实订单数据的实证研究，揭示了网约车碳减排的关键影响因子（如匹配距离、车型结构、消费者偏好），明确区域差异化策略的科学依据 —— 消费者偏好 β 每提升 0.1，碳税减排效果提升 5%，为后续行业标准制定（如绿色订单定义、碳排放核算规范）提供数据支撑。