本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法,以逐步扩大路线系统并更新当前的操作员使用的知识,验证表明,考虑相关性的探索可以实现比贪婪选择更好的性能,在未来的研究中,该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。
May, 2023
利用深度学习方法构建决策支持系统,通过调整公共交通特定时间段的路线以提高运输效率和可靠性。
Aug, 2023
本文介绍了在道路网络上提供实时拼车服务,并保证等待时间和服务时限的大规模实时拼车问题。作者提出了分支限界算法和整数规划算法,并且提出了一种更适应动态请求的动态调度算法,从而在上海出租车数据集上进行实验,并证明了此算法比其他算法响应时间更快。
Feb, 2013
规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略,然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法,发现它在现实基准实例上比独立学习的策略提高了最多 20%,比普通的进化算法方法提高了最多 53%。
Feb, 2024
基于城市计算的路径推荐研究综述了传统机器学习和现代深度学习方法在智能交通中的方法学应用、与城市计算场景相关的新应用、当前问题和挑战以及未来研究方向。
Mar, 2024
本文提出了一种使用决策图与概率值增强的线性编码路线预测方法,将预测速度提升一倍,并且在真实路网中的性能显著优于现有技术。
Jun, 2023
本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。
Jul, 2022
本文提出了一种新的分层路由优化器,该优化器结合了优化和机器学习,通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题,并使用亚马逊的真实交付数据集证明了这种方法的重要性。
Mar, 2023
通过基于遗传算法的多目标和单目标方法,以及公共交通系统中自动收费数据为基础,设计一种能够动态适应城市交通变化、减少线路数量和改善乘客通勤体验的交通网络设计问题优化方案。
Jan, 2022
本文提出一种基于注意力机制、可同时开展多个路径,并能在路径和客户之间进行艰难的权衡的政策模型 ——JAMPR,通过对三个不同工具路由问题的全面实验,表明该模型对不同问题规模均有效,并且优于现有的基于构造算法方法,对于其中两个问题类型,甚至优于相应比较方法。
Jun, 2020