KDD（The ACM SIGKDD Conference on Knowledge Discovery and Data Mining）是數(shù)據(jù)挖掘與數(shù)據(jù)科學領(lǐng)域公認的頂級國際學術(shù)會議之一，為中國計算機學會（CCF）推薦的A類會議。KDD 2026將于2026年8月9日至8月13日在韓國濟州島舉辦。本屆大會Research Track二輪有效投稿3252篇，接收率約為18.5%。

        交通調(diào)度、物流配送、應(yīng)急響應(yīng)，這些城市公共資源的高效分配，直接關(guān)乎數(shù)百萬市民的日常生活。然而在現(xiàn)實部署中，每個移動單元不僅受制于有限的服務(wù)容量、能量預(yù)算與移動速度，更面臨嚴苛的信息壁壘：感知成本與隱私法規(guī)使得智能體只能“看見”周邊鄰居，卻無從得知全局態(tài)勢。如何在“看不全、算不清”的條件下，讓多個智能體自發(fā)走向全局最優(yōu)？這是現(xiàn)有方法面臨的核心難題。

        本文提出PG-DyRA框架，將動態(tài)資源分配問題建模為勢博弈。通過以邊際貢獻為核心設(shè)計個體效用函數(shù)，從理論上嚴格證明每個智能體獨立最大化自身效用，即可驅(qū)動系統(tǒng)收斂至與全局最優(yōu)等價的納什均衡，解決了去中心化方法缺乏收斂保證的問題。

        為在局部可視條件下實現(xiàn)這一理論保證，PG-DyRA設(shè)計了雙分支意圖推理網(wǎng)絡(luò)，可見智能體分支借助軌跡注意力機制建模同伴行為，不可見智能體分支則通過時空需求殘差推斷全局容量分布。結(jié)合兩階段訓練策略，系統(tǒng)無需任何智能體間通信即可完成高效協(xié)調(diào)。

        為驗證PG-DyRA的有效性，在三個真實城市數(shù)據(jù)集（Happy Valley、NYCTaxi、DHRD-SE）及一個合成數(shù)據(jù)集SYN上開展了系統(tǒng)性實驗，涵蓋主題公園人流量、城市交通與外賣物流等多類典型城市資源調(diào)度場景。實驗采用任務(wù)覆蓋率（TCR）與能量消耗率（ECR）作為核心評價指標。實驗結(jié)果表明，PG-DyRA在所有數(shù)據(jù)集上均取得最優(yōu)表現(xiàn)。此外還進行了消融實驗、超參數(shù)實驗等。PG-DyRA始終保持穩(wěn)定優(yōu)勢，且在資源受限場景下領(lǐng)先幅度進一步擴大，體現(xiàn)出邊際貢獻優(yōu)化機制對資源約束的天然適應(yīng)性。

        本研究提出了PG-DyRA框架，通過將動態(tài)城市資源分配建模為勢博弈，以邊際貢獻為核心實現(xiàn)了個體效用與全局目標的精確對齊。借助雙分支意圖推理網(wǎng)絡(luò)與兩階段訓練策略，PG-DyRA在局部可視與無通信的嚴苛約束下，有效解決了可見與不可見智能體的意圖建模難題，在保證去中心化收斂性的同時顯著提升了任務(wù)覆蓋效率與能量利用水平，為物理約束與信息約束并存的城市公共資源智能調(diào)度提供了兼具理論保證與可行性的解決方案。