本论文提出了一种基于历史预订数据的数据驱动式收益管理方法，使用神经网络算法来预测投标价格估计值，以应对需求波动性和数据限制等挑战。经过模拟研究发现，相比于动态编程方法，该方法在应对需求规模变动方面表现更优秀，并在广泛的设置下保持近理论最优方法（小于 1% 的收入差距）。

Apr, 2023

该研究提出了一种基于预测的优化框架，通过调整航班频率，在美国国内航空客运市场上最大化市场影响力。通过神经网络预测市场影响力，进而定义一个预算约束下的航班频率优化问题，并提出了一种新型的自适应梯度上升（AGA）方法进行优化。该方法在清空采用实验中，效果显著优于传统方法。

May, 2021

本研究讨论了收益管理问题，通过定价商品或服务最大化收益。研究挑战之一是在真实应用中（如航空和零售行业）需求分布未知且随时间变化。为解决此问题，我们首先引入了一种基于典型应用场景的分段泛化收益管理问题，并提出了一种基于后验抽样的计算高效算法。我们推导了这种算法在需求参数可以在时间段之间相关的一般模型中的贝叶斯遗憾上界，同时推导了一种通用算法的遗憾下界。我们的实证研究表明，所提算法优于其他基准算法，并与事后最优策略具有可比性。我们还提出了所提算法的一种启发式修改，该修改在实验中进一步高效地学习定价策略。

May, 2024

模型基于大样本历史数据，采用上下文感知并综合多个模块进行协同工作，旨在预测和控制货车到达终端大门的时间，以提高物流效率和交通流畅。

Nov, 2023

从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。

Nov, 2023

该研究提出一种将需求能力平衡与强化学习相结合的新框架，用于解决城市空中移动上的战略冲突管理和战术安全分离问题，结果表明，这种预调整方法可以使得目标安全水平得到满足，同时在实现更高操作效率的同时提高空中交通的安全性。

May, 2023

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

本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

Feb, 2022

本文提供了一种应用图强化学习来解决城市空中移动（UAM）- 垂直港口调度管理（UAM-VSM）问题的新方法，通过使用图卷积网络（GCN）进行功能提取，并通过感知器层来决定不同动作，从而优于基本的强化学习或随机选择基准。

Aug, 2023