本研究探讨了在最后一英里交付的背景下，学习司机和规划者偏好的问题，然后提出了概率估计和机器学习相结合的方法，以最大限度地平衡多个目标，并提出了一种两阶段方法来解决 TSP 问题。

Jan, 2022

城市交通正在发生转变，通过共享、连接和协作的自动驾驶车辆的出现。然而，为了被顾客接受，对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统，利用分别针对停留时间和行驶时间的模型，并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外，我们还探索了使用图神经网络（GNN）集成空间数据的好处。为了准确处理穿梭车跳过站点的情况，我们提出了一个分层模型，组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的，在预测多站点时也显示出较低的错误率。然而，并无一种单一模型在各方面都表现出优势，我们提供了影响模型选择过程的试点站点特征的见解。最后，我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解，并为领域的进一步发展铺平了道路。

Jan, 2024

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

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

目前对 Pick-up and Delivery Route Prediction 的研究主要集中在利用深度神经网络、强化学习等方法来预测工人的服务路线，并提出了一种名为 DRL4Route 的基于强化学习的框架用于改善现有的深度学习模型，其中 DRL4Route-GAE 模型在物流服务中更进一步实现了平衡偏差和方差的策略优化，通过离线与在线实验表明相对于现有方法能够分别提高 Location Square Deviation（LSD）0.9%-2.7% 和 Accuracy@3（ACC@3）2.4%-3.2%。

Jul, 2023

该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

Jun, 2022

该研究论文调查了交通网络路线规划算法的最新进展，重点介绍了处理道路网络和公共交通网络的不同方法，以及其对查询时间、空间要求和预处理等方面的不同权衡，提出了多模态路径规划问题的近似解决方案。

Apr, 2015

我们设计和开发了一个新颖的数据分析和机器学习系统，通过主动支持路由决策，以减少延误。该系统使用历史路由数据和天气数据进行预测，并采用一系列竞争算法来生成最终结果，在实验中获得了高于 90% 的平均准确性。

Oct, 2023

该文研究了在服务时间不确定且使用机器学习算法进行预测时的作业调度，提出了几个策略的性能公式，并引入了 “错误预测的代价” 框架来度量使用预测信息的成本。

Feb, 2019

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