优化机场安全检查的旅客流程
本研究提出了一种旅客安全检查的在线威胁筛查模型，其中检查策略是当旅客到达时自适应确定的，同时满足不检查威胁的可接受风险硬性约束，解决了传统模型中固定时间窗口的限制，并采用基于线性不等式约束的强化学习算法，有效平衡了较少的安检资源和威胁较高的检查风险。
Nov, 2019
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
本文提出了一种基于图神经网络和注意力机制的乘客OD流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的OD流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。
Jan, 2023
本文研究了铁路重新调度问题，提出了核心问题定义的思想，以应对干扰造成的列车重新调度问题，从时间和空间上限制了问题的范围，并在Flatland模拟环境中进行了实验，基于此提供了可扩展的开源实现。
May, 2023
本研究论文探讨了飞机延误问题，重点关注其对安全和经济损失的影响。为了缓解这些问题，提出了一种创新的机器学习增强的降落调度方法，旨在提高自动化和安全性。通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。一种多阶段条件机器学习预测器增强了基于飞行事件的分离时间预测。机器学习预测结果被整合为安全约束，并在时间约束下使用整数线性规划求解旅行推销员问题。通过历史飞行记录和模型预测来处理连续飞行之间的不确定性，确保可靠性。所提出的方法使用来自亚特兰大空中交通管制中心（ARTCC ZTL）的实际数据进行验证。案例研究表明，与先到先服务（FCFS）规则相比，总降落时间平均减少了17.2％。与FCFS不同，所提出的方法考虑了不确定性，增强了调度的可信度。研究总结并提出了未来的研究方向。
Nov, 2023
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
通过正规化回归模型，本文测量了1210个地面延误计划中产生的过度延误，并研究了影响过度延误的因素。结果显示每个受限航班的平均过度延误为35.4分钟，标准差为20.6分钟。影响过度延误的因素包括航班出港和离港期间的时间变化、计划速率设定和修订以及延误计划的持续时间。
May, 2024
我们利用长短期记忆模型 (LSTM) 预测以实时方式到达JFK机场并在距离着陆跑道阈值10纳米内的航班中，可能执行盘旋操作的概率。我们进一步开发方法来从全局视角和个别飞行视角检查引起盘旋操作的原因。根据我们的结果，紧随其后的间隔和同时运行跑道似乎是导致总体盘旋操作的主要因素。然后，我们将这些预先训练的模型和分析与实时数据流集成，并最终开发了一个演示基于Web的用户界面，将之前设计的不同组件整合成一个可供飞行人员和其他线路人员使用的实时工具，用于识别可能发生盘旋操作的高风险情况。
May, 2024