Personalized and Context-aware Route Planning for Edge-assisted Vehicles

传统的路径规划服务通常为所有驾驶员提供相同的路线，主要关注一些标准化因素，如行驶距离或时间，忽视个人驾驶员的偏好。随着预计在未来几年内出现自动驾驶汽车，这些汽车将依赖于由这些规划者决定的路线，因此需要将每个驾驶员的特定偏好纳入考虑，确保个性化的导航体验。在这项工作中，我们提出了一种基于图神经网络（GNN）和深度强化学习（DRL）的新方法，旨在根据个人偏好定制路线。通过分析个体驾驶员的历史轨迹，我们对其驾驶行为进行分类，并将其与相关的道路属性联系起来，作为驾驶员偏好的指标。GNN能够有效地将道路网络表示为图结构化数据，而DRL能够利用奖励机制做出决策，以优化路线选择，考虑行驶成本、拥堵水平和驾驶员满意度等因素。我们使用真实世界的道路网络评估了我们提出的基于GNN的DRL框架，并展示了其适应驾驶员偏好的能力，提供了一系列针对个体驾驶员量身定制的路线选择。结果表明，与通用路线规划器相比，我们的框架可以选择适应驾驶员偏好的路线，改善了17%，并将行驶时间相对于最短距离方法缩短了33%（下午）和46%（晚上）。

如何为自动驾驶汽车提供个性化的路线规划服务？

使用基于图神经网络和深度强化学习的方法，对驾驶员的历史行车轨迹进行分析，将其驾驶行为分类，并将其与相关的道路属性关联，以指示驾驶员的偏好。然后使用深度强化学习来优化路线选择，考虑行车成本、拥堵程度和驾驶员满意度等因素，以提供适合个人驾驶员的路线。

论文使用真实道路网络进行了实验，证明了该方法可以为驾驶员提供个性化的路线规划服务，并可以相对于通用路线规划器提高17%的偏好度，减少33%（下午）和46%（晚上）的行车时间。

最近的相关研究包括基于深度学习的路线规划、基于强化学习的道路交通控制和交通流预测等方面的研究。