本研究基于自组织微级控制与强化学习及基于规则的行动选择，利用代理模型和模拟来研究城市交通流的紧密关联和效率提升，通过环境传感器的本地感知进行个体决策和改变路线，以增加行程的效率，缩短道路长度和旅行时间。

Feb, 2022

城市规划中，土地利用调整在将土地配置与可持续城市发展的当前需求相一致方面起着至关重要的作用。然而，现今城市规划实践面临两个主要问题，即土地利用决策过于依赖人类专家，并且难以协调利益多样化的利益相关者。为了解决这些挑战，我们引入了基于共识的多智能体强化学习框架来进行现实世界的土地利用调整。该框架用于参与型城市规划，允许多样化的智能体作为利益相关者的代表为首选土地利用类型投票。在此框架中，我们提出了一种新的共识机制在奖励设计中，通过集体决策来优化土地利用。为了抽象复杂城市系统的结构，城市的地理信息被转化为空间图结构，然后通过图神经网络进行处理。对来自现实社区的传统自上而下规划和参与型规划方法的全面实验表明，我们的计算框架增强了全局效益并适应了多样化的利益，提高了不同人群的满意度。通过整合多智能体强化学习，我们的框架确保参与型城市规划决策更加动态和适应不断变化的社区需求，并提供了一个强大的平台来自动化处理复杂的现实世界城市规划过程。

Oct, 2023

该论文提出了一种使用智能交通管理基础设施来管理未来城市道路网络的分布式机制，其中智能自主车辆通过软件代理操作以安全高效地穿过道路网络，并结合竞争性市场所得到的交通分配策略，构建了一个自上而下的管理机制。

Jan, 2014

城市环境面临快速城市化带来的交通拥堵、污染和社会不平等等挑战，通过整合大型语言模型进入城市系统，提出了一种新的城市智能范式，以解决这些挑战，并模拟复杂的城市系统，达到理解和管理城市复杂性的目的。

Dec, 2023

本文提出了一种基于深度生成学习和人类指导的深层次生成模型来解决传统城市规划中的一些局限性，通过标记实现从目标区域到分区再到网格的三级生成过程，包括感知规划需求、功能投影和多关注模型等来生成网格水平的土地利用配置。

Dec, 2022

本文提出了一种基于机器学习的方法，以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明，我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈，包括总量和时间分布，这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点（POI）数据和在线车辆数据获取城市功能分布信息和车辆行驶时间（VHT）信息。选择了预测性能最好的人工神经网络（ANNs）。通过使用不同地区收集的数据集进行相互预测，并将预测结果重新映射到地图上进行可视化，我们评估了计算模型在不同地区的使用程度，以减轻未来城市研究人员的工作负担。最后，我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用，并与遗传算法相结合来优化当前城市环境的状态，为设计师提供建议。

Nov, 2023

本文介绍了城市规划和人工智能两个领域的重要性和联系，探讨了人工智能如何促进现代城市规划，主要思路是通过机器学习研究实现从社会媒体、环境、经济活动等方面对目标区域的土地利用配置自动生成，为两个领域的交叉研究提供了关键的研究方向。

Apr, 2023

基于大型语言模型的多智能体协作框架可用于模拟参与式城市规划，使居民的需求得到充分考虑，并在满足居民满意度和包容性指标方面取得了领先的表现，同时在服务可及性和生态指标方面超越人类专家。

Feb, 2024

本研究开发了一个多成生成智能体系统模拟 Kendall Square Volpe 大楼重建的社区决策过程。通过与当地利益相关者的访谈，我们的模拟中包括了不同程度的通信、人口统计数据和生活价值触发的智能体。结果显示智能体之间的通信改善了集体推理，而人口统计数据和生活价值的包含导致了更明显的意见分歧。这些发现凸显了人工智能在理解复杂社会互动和决策过程方面的潜在应用，为 Kendall Square 等多样环境中的城市规划和社区参与提供了宝贵的见解。

Feb, 2024

我们提出了一个近似的一次一个滚动法算法，通过将图分割成基于预测需求和用户定义的最大代理数量的区域，以减少计算成本，并在每个区域中并行执行一次一个滚动法算法，从而实现稳定的近似最优策略。

Nov, 2023