使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。

Jan, 2024

本研究针对城市空中移动车辆之间的调度问题，提出使用马尔可夫决策过程和蒙特卡罗树搜索等方法来构建一个在线、安全的调度器，以保证硬性期限不会被错过，并最大程度地减少错过软性期限所带来的成本，结果表明与价值迭代和随机蒙特卡罗树搜索调度解决方案相比，本研究所提出的方法具有接近最优的非抢占式调度策略。

Sep, 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

本文提出了一种基于图强化学习的方法，用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明，这种方法在性能和效率方面表现优秀。

Jan, 2024

采用新型时间融合变压器模型，对美国前 30 个机场的 15 分钟级别的到达延误进行数值预测，并分析模型输出的重要输入因素。

May, 2024

基于预测模型的最优调度决策在服务系统中的关键是理解预测误差对其他作业的延迟产生的外部性对拥塞的影响。我们在应用中考虑了预测模型与人类服务器交互的情况（例如内容审查），设计了一个基于指标的策略，以近乎最优的方式结合了预测的类别信息，通过对重负载下拥塞成本的特征化来指导预测模型的设计，并针对基于人工智能的任务划分设计了一种新颖的排队系统。我们以实际在线评论为基础，通过微调大型语言模型构建鉴别有毒性的分类器，展示了我们的框架。

Jun, 2024

该论文研究了地面延误计划（GDP），它是一种在航空交通管理中常用的交通管理计划，用于协调机场的容量和需求差异。通过采用强化学习技术，该论文开发了两个强化学习模型：行为克隆（BC）和保守型 Q 学习（CQL）。这些模型旨在通过利用复杂的奖励函数来提高 GDP 的效率，该函数综合考虑了地面延误、空中延误和航站区域拥堵。该论文使用新瓦克自由国际机场（EWR）2019 年的真实运行数据进行模拟，并旨在提前设定机场计划速率。尽管经过了全面的建模和模拟，但初始结果表明模型在学习方面存在困难，可能是由于过于简化的环境假设。该论文讨论了遇到的挑战，评估了模型在实际运行数据上的表现，并概述了改进 ATM 中强化学习应用的未来方向。

May, 2024

该研究探讨了航空业中提高顾客满意度的方式，这是保留顾客和建立品牌声誉的关键因素，对于收入增长至关重要。通过机器学习和因果推断方法的结合，我们研究了服务改进对顾客满意度的具体影响，重点关注在线登机牌体验。通过详细的数据分析，涉及多个预测和因果模型，我们证明了客户服务的数字方面的改进显著提高了整体顾客满意度。这篇论文强调了航空公司如何战略性地利用这些见解做出数据驱动的决策，以提升顾客体验，从而增强市场竞争力。

May, 2024

借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。

Jan, 2024

本文介绍了机器学习在综合空地海网络中用户调度上的应用，着重探讨了深度神经网络在优化用户调度策略上的优点，并提出了一些未来发展中的挑战和问题。

May, 2022