中国新技术新产品2024NO.2（上）-137-技术经济与管理随着城市化的快速发展，公共交通成为减少城市交通拥堵、减少污染、提高居民生活质量的关键组成部分[1]。而公共交通票价策略是管理城市公共交通系统的关键因素之一，合理的票价策略不仅可以吸引更多乘客乘坐公共交通，还可以提高运营效益，减少拥堵，降低碳排放。基于此背景，深度强化学习（DeepReinforcementLearning，DRL）应运而生。DRL结合深度学习和强化学习的技术，能够使系统在与环境的互动中学习并适应最佳策略。本文的目标是开发一种基于DRL的城市公共交通票价优化模型，该文将详细介绍基于深度强化学习的城市公共交通票价优化模型的构建和训练过程，通过模拟和学习，使模型能够自主决策最佳票价策略，有望为城市交通管理者提供一个灵活、自适应的工具，以优化票价策略，提高乘客体验，降低交通拥堵，并最大化运营收益。1城市公共交通票价优化模型1.1基本假设模型假设城市公共交通市场存在一定数量的潜在乘客，那么这些乘客具有出行需求，前往不同的目的地、出行时间和距离各不相同[2]。这个需求可以根据不同地点和时间段而变化，形成一个动态的需求曲线。而市场中存在一定数量的公交车、地铁列车等交通资源，用于满足潜在乘客的出行需求，这些资源在不同线路和时段提供不同的服务。根据乘客的出行需求选择使用公共交通，而交通资源会根据需求提供相应的服务。因此，需求与供给之间存在一定的匹配关系，交通资源的利用率会受到乘客需求的影响。在模型中，假设市场存在私人汽车、出租车以及共享单车等多种出行方式，这些方式会构成城市公共交通的竞争或替代。当乘客出行时，会考虑这些替代方式，根据其特点和成本来选择最适合自己的方式。同时，票价是乘客出行选择的一个重要因素，当其他出行方式提供相似的服务时，公共交通的票价策略可能会影响乘客的选择。因此，模型需要考虑在竞争环境下的票价策略，以吸引乘客选择公共交通方式。当乘客选择出行方式时会综合考虑票价、出行时间以及便捷性等方面，而模型需要考虑这些因素来制定具有竞争力的票价策略。1.2模型建立在模型建立的过程中，对状态空间的定义、动作空间的设定以及奖励函数的设计等要素都是构成深度强化学习模型的核心[3]。模型的状态空间包括城市的不同交通线路、不同时段、天气情况以及乘客需求等多个因素。状态空间可以表示为S={s1，s2，...，sn}，其中每个sn表示一个状态因子，例如，s1表示线路，s2表示时段，s3表示天气...
