随着社会生产力的发展,城市化的进程也在不断加快。但由于初期规划的局限性,城市化的过程往往会带来一系列的“城市病”问题。为了从源头,有效地解决这些问题,“智慧城市”的概念应运而生。“智慧城市”的首要目标,就是解决交通拥塞、环境污染和城市治理等与民众生活息息相关的问题。而解决这些问题时,往往需要大量的城市环境信息作为数据支持。因此,收集城市环境信息成为了建设“智慧城市”的基础。为了更好地收集城市环境数据,本文对基于城市交通网络的移动群感知技术进行了深入研究。首先,本文对比了移动群感知技术与传统无线传感网技术在感知城市环境数据时的不同,总结出移动群感知的特点以及其在感知城市环境数据方面的优势。其次,为了最大化地收集城市感知数据,本文搭建了基于城市交通网络的移动群感知模型,引入了时空覆盖度的数学定义,并得出本文研究重点,即在满足感知预算的条件下,选择合适的车辆参与感知任务,同时使其车辆轨迹的时空覆盖度最大化。然后,通过分析感知任务发布者与车辆之间的交互关系,将其建模为马尔可夫决策过程,使最优车辆集的选择问题成为一个决策问题,并将问题描述转化为贝尔曼方程。最后,考虑到车辆选择问题中,状态空间过大,无法通过常规的表格化求解方法进行求解,本文采用了深度强化学习算法,克服了状态空间过大的问题,并提出基于深度强化学习的车辆选择算法,对基于移动群感知网络的车辆选择问题进行求解,同时通过仿真验证了其在时空覆盖度上的性能。