【KDD 2019|Tutorial】应用在交通中的强化学习 Deep Reinforcement Learning with Applications in Transportation，滴滴 AI Labs

主题： Deep Reinforcement Learning with Applications in Transportation

简介： 交通运输，特别是移动乘车共享领域，存在许多传统上具有挑战性的动态决策问题，这些问题涉及研究文献，而且很容易从人工智能（AI）中受益匪浅。一些核心示例包括在线乘车指令调度，该系统将可用的驾驶员与乘车共享平台上的出行请求乘客实时匹配；路线规划，用于规划行程起点和终点之间的最佳路线；交通信号控制，可动态自适应地调整区域内的交通信号以实现低延迟。所有这些问题都有一个共同的特征，即在我们关注某个范围内的一些累积目标时，要做出一系列决定。强化学习（RL）是一种机器学习范例，可训练代理通过与之交互并获取反馈信号来学习在环境中采取最佳行动（以所获得的总累积奖励衡量）。因此，它是用于解决顺序决策问题的一类优化方法。得益于深度学习研究和计算能力的飞速发展，深度神经网络和RL的集成为解决复杂的大规模学习问题在RL中产生了爆炸性的进展，近年来引起了巨大的兴趣。深度学习和RL的结合甚至被认为是通往真正AI的道路。它具有巨大的潜力，以前所未有的方式解决运输中的一些难题。

目录简介：

• Part I: 介绍：机器学习与强化学习
• Part II: 强化学习基础
• Part III:基于policy的强化学习
• Part IV:强化学习框架