基于深度强化学习的救护车动态重定位调度研究

救护车是挽救患者生命的重要医疗资源，合理调配有限的救护车资源可以降低呼叫响应时间，提高医疗服务水平.本文面向救护车动态重定位调度问题，提出了一种基于强化学习的调度策略结构.为解决传统强化学习所面临的高维状态空间的挑战，本文基于深度Q值网络(DQN)方法，提出了一种考虑多种调度交互因子的算法RedCon-DQN，以在给定环境状态下得到最优的重定位调度策略.在此基础上，本文还提出了急救网络弹性概念，以评估各站点对全局救护优化目标的影响力.最后，基于南京市2016年~2017年的实际救护车呼叫及响应数据，构造了环境交互模拟器.在模拟器中通过大规模数据实验，验证了模型得到的调度策略相比已有方法的优越性，并分析了不同时段下调度策略的有效性及其特点.

Dynamic ambulance redeployment based on deep reinforcement learning