本研究提出了一种新的多图卷积神经网络模型，通过构建多个站点之间的关系图，从图的角度提高了单个站点自行车流量的预测准确性，可帮助单车共享系统管理者做出决策

Jul, 2018

该研究提出了一种基于IrConv+LSTM的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

本研究提出了一种基于深度倒置强化学习的路线选择建模方法，该方法可捕捉复杂关系和不同特征，并能够在交通规划和需求预测领域中应用。通过使用上海的出租车GPS数据来验证该模型，实验结果表明，该方法表现出较高的预测性能，甚至能够处理训练数据中未出现的目的地。

Jun, 2022

通过借鉴城市感知的专家评估政策，我们提出了一种新颖的基于IRL的框架来预测城市安全，并恢复相应的奖励函数，使用强化学习(MDP)来解决问题，并建立了一个基于众包的数据集SmallCity进行了研究。我们的结果表明，IRL在这个领域有着广阔的前景。

Nov, 2022

本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

Mar, 2023

本文研究行人的路径选择行为，提出了一种基于奖励分解的全局和局部路径选择模型，并将其应用于城市街道网络中。研究结果表明，行人在路径选择时更注重局部特征，例如道路视觉质量，而非全局特征。此外，本文的模拟结果认为，在政策相关属性只局部被旅行者感知时，位置选择干预措施非常重要。

Jul, 2023

我们提出了一个基于深度学习框架的快速高效的大规模骑行压力评估方法，通过街景图像对城市道路网络进行评估，结果表明在缺乏高质量道路几何和交通数据的情况下，使用图像数据进行骑行压力评估是有效的。

Aug, 2023

通过将开放街道的选择问题视为强化学习问题，使用回路图神经网络预测车辆碰撞并模拟交通情况，研究表明，基于Q学习算法选择开放街道能够使城市更安全和减少交通拥堵。

Dec, 2023

本研究解决了自行车共享系统的旅行需求预测这一关键问题，提出了一种新的混合深度学习模型——门控图卷积神经网络。该模型通过整合轨迹数据、天气数据及接入数据，显著提高了站点级旅行需求预测的准确性，能够为交通规划者提供有效的管理决策支持。

Aug, 2024