简介： 本发明公开一种基于基于信誉值的动态车辆任务与算力匹配方法，使用深度学习中的Conv‑GRU模型对任务数、工人数、工人信誉值、车流量进行预测，并结合强化学习中的DQN算法，对预测所得任务序列进行动态划分批次，最后在每一个划分好的批次内，通过KM算法结合工人的信誉度以及任务的重要程度进行二部图匹配，最终实现算力和任务的最优匹配。本方案不仅考虑了车辆任务的时空特征以及动态性特征，而且结合了车辆信誉值，车辆任务的重要程度等因素，且预测精度较其他方法更高，预测速度更快，批次划分更加合理，从而使车辆获得更高的收益；此外，其不需要特殊的部署和额外的硬件设备，成本较低，实用性较强，具有很高的实用价值。