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

本研究利用伦敦和波士顿的数据，通过众包平台的投票结果及 Flickr 元数据分析，自动为用户提供除最短路径之外、更美丽、安静和快乐的路线建议。

Jul, 2014

本文提出了一种名为 SCAIR 的策略和关注群体的行程建议算法，利用马尔科夫决策过程模型和状态编码机制对线性时间进行实时规划和分配，从而优化了多个用户排队和拥挤问题，处理了自私路由问题，并证明了其在主题公园数据集上超越了其他现有算法。

Apr, 2023

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

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

通过整数规划模型，结合机器学习技术，采用各种方法如泛化线性模型、线性回归和循环神经网络，我们旨在在最短路径和最安全路线之间实现安全和效率的平衡。通过在不同地铁站点上计算均方根误差（RMSE），我们评估最准确的安全系数模型，并进行全面的最短路径算法综述，根据时间复杂度和真实世界数据评估其在安全和时间效率融合中的适用性。

Oct, 2023

研究了一个信息干预方法，使用陪同父母 / 监护人的方式，使学生采用接触污染物最少的最干净的通勤路线。通过实施，大量参与者表示，介绍的替代路线带来了更好的效益，使他们更换了路线。

May, 2020

采用神经网络自动化学习经典启发式算法 A * 算法的成本函数，以解决由于人工设置启发式代价函数和利用有用上下文信息等问题导致的个性化路线推荐任务的低效性和不准确性。

Jul, 2019

由于其收敛性和随机性，自然启发算法（NIAs）在解决组合优化问题中提供了最优结果，而且在机器人学中的路径规划问题中有广泛的应用。

Jul, 2023