通过引入数据驱动的统计与机器学习模型以及有效的随机化局部搜索算法，我们的研究在公共交通的积极干预和管理方面取得了有希望的结果，为交通管理机构提供了一种实用且易于实施的解决方案，以增强其服务的可靠性，进而促进更具弹性和可获得性的公共交通，使最依赖公共交通的社区受益。

Mar, 2024

开发了一个开源代码基础架构，使用五种常见的方法评估了稳定和高度动态的情况下的短期乘客预测模型（包括计量经济学和深度学习方法），并使用智能卡数据的时间序列来预测哥伦比亚波哥大的 BRT 系统的未来一天的乘客需求，结果表明，在 COVID-19 疫情期间，使用 LSTM 模型的适应性训练和多输出设计优于其他模型，适应比其他模型更快。

Jun, 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

本文采用数据驱动方法，研究交通运输系统中各种形式的干扰对城市移动性的不同影响，并通过对历史性小时出行需求数据进行异常检测和聚类，分类各种干扰情况下的多模式需求动态，为衡量不同干扰情景下的方式转移范围提供了参考。

Jul, 2023

该研究提出深度混合模型（DHM）用于交通出行方式分析，将道路网络和社会人口特征作为输入，利用图嵌入技术增强对城市结构的表达，结果在芝加哥的模式共享预测实验证明，DHM 在城市层面评估不同出行方式比例时具有更高的解释能力、预测准确性和地理洞察力。

May, 2024

本研究使用复杂网络概念分析了城市公共交通网络的统计特性，提出了一个简单的增长动态模型以重现它们的特性。

Mar, 2008

本研究提出了一个机器学习模型框架，用于估计大规模自行车共享系统的小时需求，并利用两个梯度提升模型以及基于 SHapley Additive exPlanations 的模型解释框架进行实证分析，结果表明性别比例和时间段是两个最重要的解释变量。

Nov, 2023

本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

Oct, 2022

本文提出了一种解决动态车辆路径问题（DVRP）的方法，该方法适用于时间窗口和随机旅行请求，并针对局部交通服务应用。此外，该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明，该方法在性能和鲁棒性方面均优于现有最先进的方法。

Mar, 2022

现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

Aug, 2023