考虑到只观察到节点级别的交通流量并学习边缘转换概率，我们将其描述为偏好学习问题，并研究选择遵循卢斯公理的模型。我们表明如何使推断问题具有很好的形式，无论网络结构如何，并提出了ChoiceRank算法，可扩展到包含数十亿节点和边缘的网络。该模型应用于两个点击流数据集，成功地恢复了转换概率，仅使用网络结构和节点级别的流量数据。最后，我们还考虑了对移动网络的应用，并将该模型应用于纽约市的共享单车系统一年的骑行数据。

Oct, 2016

本研究结合全局与局部解释方法，通过用户研究评估其共同和单独的贡献，其中将模拟代理程序中的重要状态转换提取为策略概述，并为用户提供注重的信息，结果表明，如果概要包括重要状态的话，人们理解代理程序的能力显著提高。尽管加入显著性地图在大多数情况下并没有显著提高性能，但确实有一些证据表明显著性地图可以帮助用户更好地理解代理程序在决策过程中依赖的信息，为未来的工作提供了建议。

May, 2020

本研究提出了一种基于深度倒置强化学习的路线选择建模方法，该方法可捕捉复杂关系和不同特征，并能够在交通规划和需求预测领域中应用。通过使用上海的出租车GPS数据来验证该模型，实验结果表明，该方法表现出较高的预测性能，甚至能够处理训练数据中未出现的目的地。

Jun, 2022

该论文通过模拟行为，探讨了行人的感知限制如何影响其决策，重点关注了视野、工作记忆和扫描策略这三个因素。实验结果表明，感知限制对于行人安全决策具有显著影响。

Feb, 2023

本文提出使用扩散模型和奖励函数相结合的方式，在序列化决策任务中实现高效决策，使用神经网络参数化奖励函数，能够提高机器人的运动性能，并且可以推广到图像生成领域。

Jun, 2023

本研究提出了一种“计算机视觉增强的离散选择模型”，可通过集成计算机视觉和传统的离散选择模型，处理包含数值属性和图像的选择任务，从而填补当前离散选择模型与实际行为之间的鸿沟，并应用于一项涉及居住地选择的新型选择实验数据，将离散选择建模与机器学习相结合，为旅游行为领域的文献积累做出贡献。

Aug, 2023

为了解决人类移动中的空间和时间因素对决策过程的影响，本研究引入了“空间-时间诱导层次强化学习”(STI-HRL)框架，以捕捉人类移动决策中空间和时间因素的相互作用。通过两个层次的决策过程，STI-HRL通过专用的个体代理来解开空间和时间偏好，然后在高级层次集成这些考虑最终做出决策。在利用超图组织历史数据的基础上，我们提出了一个跨通道超图嵌入模块，用于学习表示状态以促进决策过程。我们在两个实际数据集上进行了广泛的实验，在各种性能指标上证实了STI-HRL方法在预测用户下次访问方面的优越性。

Dec, 2023

该研究采用计算合理性的理论提出了一个横穿行人决策模型，结合机械式建模与强化学习，模型还可以适应视觉感知的限制和行为的个体差异，为研究行人行为提供了新的见解和更准确可扩展的模型基础。

Feb, 2024

移动用户通过众包平台学习和分享交通观察，然而这类平台仅迎合自私用户的短视利益以推荐最短路径，未鼓励足够多的用户为他人出行和学习其他路径。我们的研究通过人机交互式地分析用户如何学习和改变随机路径上的交通情况，证明了短视路由策略导致随机路径的严重未探索，造成高于2的社会成本。我们提出了一种信息隐藏和概率推荐机制，名为CHAR，成功确保了低于5/4的PoA，并证明了在更一般的线性路径图中PoA结果保持不变。我们的实验验证了CHAR在真实数据集上接近最优的性能。

Apr, 2024

本研究针对骑行者偏好与环境因素之间的关系，提出了一种新框架，利用最大熵深度逆强化学习（MEDIRL）和可解释人工智能（XAI）来量化和解释骑行者的复杂街道视觉偏好。研究显示，街道视觉元素对骑行者偏好的非线性和交互效应，为城市规划者设计友好的骑行环境提供了重要见解。

Sep, 2024