关于过境混淆问题
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
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
本文提出一种基于道路网络的 OD 行程旅行时间估计方法,结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术,提出了多任务弱监督学习框架,该框架同时针对路段和交叉口优化期望对数似然函数,从而解决了 GPS 轨迹缺失的问题,实验验证了该方法对旅行时间估计和路线恢复的有效性。
Jan, 2023
规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略,然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法,发现它在现实基准实例上比独立学习的策略提高了最多 20%,比普通的进化算法方法提高了最多 53%。
Feb, 2024
本研究探讨在具有任意度数分布的随机不相关网络中的有偏随机游走过程,并推导了平稳占据概率和两个节点间的平均传输时间的精确表达式,同时探讨了循环搜索对传输时间的影响,为复杂网络上与运输相关问题的理论处理以及关键的数据包生成率的定量估计提供基础。
Sep, 2007
通过基于集中式 Transformer 神经网络的多智能体路径规划系统,能够以非常快速且准确的方式解决团队定向问题,并在计算速度方面超过大多数现有技术。
Nov, 2023
为了解决公共交通系统中的可达性受限和效率低下的问题,文章提出了一种名为 “opti-mile” 的新型出行规划方法,结合了最后一英里服务和公共交通,从而不需要换乘,并分析了新德里的交通网络。研究表明,opti-mile 的出行可减少 10% 的行驶距离,只需要增加 18% 的票价,而且覆盖面更广,不需要显著增加车费。
Jun, 2023
本文提出了两种方法,从子空间中的最优传输中推断出在整个空间中的近似最优传输, 进而研究了高斯混合模型的领域适应方案并应用于椭圆词嵌入的语义中介。
May, 2019