[发明专利]一种强化学习训练方法及基于强化学习的决策方法

权利要求书

1.一种基于强化学习的航空开舱决策方法，其特征在于，包括如下步骤：

获取当前状态数据，所述当前状态数据包括多个平行航班的销售量、剩余座位量、多个平行航班距离起飞的时间以及多个舱价位数据；

将所述当前状态数据输入至目标强化学习训练方法训练得到的强化学习模型，得到决策数据，所述决策数据包括多个平行航班的开舱情况数据；

所述目标强化学习训练方法，包括如下步骤：

获取多组历史状态数据；

将每一组历史状态数据输入至强化学习模型，得到初步决策数据；

将所述每一组历史状态数据和所述初步决策数据输入至预先建立的贝叶斯神经网络模型，得到状态变化量以及奖励值，所述状态变化量为当前状态数据与下一状态数据的差值；

根据所述每一组历史状态数据以及对应的初步决策数据、状态变化量以及奖励值更新所述强化学习模型的模型参数。

2.根据权利要求1所述的方法，其特征在于，根据所述每一组历史状态数据以及对应的初步决策数据、状态变化量以及奖励值更新所述强化学习模型的模型参数，包括：

将所述每一组历史状态数据以及对应的初步决策数据、状态变化量以及奖励值组成数据集，得到多个数据集；

根据预设比例，将所述多个数据集以及多组历史数据输入至强化学习模型，更新所述强化学习模型参数，所述历史数据包括相邻状态数据以及对应的决策数据。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将通过所述强化学习模型得到的决策数据以及当前状态数据输入至所述预先建立的贝叶斯神经网络模型，得到状态变化量以及奖励值；

根据每一组当前状态数据以及对应的决策数据、状态变化量以及奖励值更新所述强化学习模型的模型参数。

4.一种基于强化学习的航空开舱决策装置，其特征在于，包括：

航空状态获取模块，用于获取当前状态数据，所述当前状态数据包括多个平行航班的销售量、剩余座位量、多个平行航班距离起飞的时间以及多个舱价位数据；

舱位决策模块，用于将所述当前状态数据输入至目标强化学习训练方法训练得到的强化学习模型，得到决策数据，所述决策数据包括多个平行航班的开舱情况数据；

所述舱位决策模块包括：

历史数据获取模块，用于获取多组历史状态数据；

初步决策确定模块，用于将每一组历史状态数据输入至强化学习模型，得到初步决策数据；

贝叶斯神经网络模块，用于将所述每一组历史状态数据和所述初步决策数据输入至预先建立的贝叶斯神经网络模型，得到状态变化量以及奖励值，所述状态变化量为当前状态数据与下一状态数据的差值；

参数更新模块，用于根据所述每一组历史状态数据以及对应的初步决策数据、状态变化量以及奖励值更新所述强化学习模型的模型参数。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1－3任一所述的基于强化学习的航空开舱决策方法的步骤。

6.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1－3任一所述的基于强化学习的航空开舱决策方法的步骤。