Privacy-Utility-Fairness: A Balanced Approach to Vehicular-Traffic Management System
Department of Informatics University of Oslo Oslo, Norway（信息学院奥斯陆大学奥斯陆挪威）
本文提出一种基于差分隐私的车辆交通管理新算法，通过结合查询访问、迭代混洗与Laplace机制，在抵御链接攻击的同时平衡隐私、效用与公平性，并在挪威数据上验证了其有效性。
2025-07-09 cs.AI cs.CR cs.MA
Dynamic Demand-Capacity Balancing for Air Traffic Management Using Constraint-Based Local Search: First Results
Uppsala University（乌普萨拉大学）
使用基于约束的局部搜索，我们有效地建模和有效地解决了平衡欧洲空域部分的交通需求的问题，同时确保其容量限制得到满足。一部分空域的交通需求是计划进入该空域的每小时航班数量，其容量是空中交通管制员可以工作的上限。目前，我们允许的需求-容量平衡的唯一形式是地面等待，即改变尚未空中飞行的起飞时间。对2030年欧洲飞行计划的实验表明，这种第一种形式的需求-容量平衡已经是可行的，不会引起太多的总延误，并且可以导致明显更好的需求-容量平衡。
2009-10-07 cs.AI
Intelligent City Traffic Management and Public Transportation System
智能交通系统在城市的情况下，控制交通拥挤和调节交通流量。本文提出了三个模块，这将有助于管理城市交通问题，并最终在交通系统中提供先进的发展。第一个模块，拥堵检测和管理将为用户提供实时的交通拥堵信息，第二个模块，智能公共交通系统将为用户提供实时的公共交通信息，即当地的公共汽车，第三个模块，信号同步将有助于控制信号处的拥堵，根据拥堵情况实时的调整信号计时器。所有的信息，用户正在获得有关交通或公共交通将提供用户的日常设备，是通过Android应用程序或短信移动.此外，通信也可以通过网站为客户提供互联网接入。所有这些模块都将完全自动化，无需服务器端的任何人为干预。
2013-10-22 cs.AI cs.CY
Computational Methods for Probabilistic Inference of Sector Congestion in Air Traffic Management
Thales Air Systems（泰雷兹空中系统公司）；Thales Research & Technology（泰雷兹研究与技术公司）；INRIA-Saclay Ile-de-France（法国国家信息与自动化研究所萨克雷-法兰西岛分部）；Université Paris-Sud（巴黎第十一大学）
本文讨论了从空中交通流量和容量管理的概率模型计算期望成本函数的问题。Clenshaw-Curtis正交相比，蒙特卡罗算法专门为这个问题定义。通过调整算法，这个模型，我们减少了计算负担，以模拟真实的情况。研究表明，蒙特卡罗算法对系统中的不确定性更敏感，但具有返回具有所需相关精度的结果的优势。这两种方法的性能是可比的预期成本的延迟和预期成本的拥塞的计算。最后，本研究显示了一些证据，所提出的概率模型的模拟是易于处理的现实情况。
2013-09-16 cs.AI
Public Sentiment Analysis of Traffic Management Policies in Knoxville: A Social Media Driven Study
Department of Computer Science, Tennessee Tech University, Cookeville, TN, USA（计算机科学系，田纳西技术大学， Cookeville）
本研究利用社交媒体数据分析金斯维尔交通管理政策的公众情绪，发现推特平台负面情绪更显著，建设相关话题情绪最负面，展示了社交媒体在交通政策监测中的应用价值。
2025-12-01 cs.AI cs.SI
Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method
Great Lakes Institute of Management（大湖管理学院）
针对智能交通管理中车辆分割难题，提出基于Faster R-CNN的深度学习框架，结合自适应背景模型与扩展拓扑活动网优化，有效提升分割精度并解决遮挡、光照等问题。
2023-11-03 cs.AI cs.CV eess.IV
Dialogue Possibilities between a Human Supervisor and UAM Air Traffic Management: Route Alteration
SK Telecom（SK电信）；Chodang University（草堂大学）
针对城市空中交通绕飞管理，本文提出基于Answer Set Programming与非单调推理的人机两阶段对话方法，以快速规划安全高效航线，并通过两个仿真场景验证其稳健性与有效性。
2023-08-11 cs.AI cs.RO
LSTM-Based Proactive Congestion Management for Internet of Vehicle Networks
Mississippi State University（密西西比州立大学）；Arab Academy for Science, Technology, and Maritime Transport（阿拉伯科学、技术与海事运输学院）
本文提出一种基于LSTM的IoV网络主动拥塞管理框架，通过构建拥塞场景与数据集预测网络拥塞，并利用SUMO与NS3仿真验证了其在拥塞预测及数据包聚类与优先级排序上的有效性。
2024-10-12 cs.AI cs.NI cs.SY
Relational Dynamic Bayesian Network Modeling for Uncertainty Quantification and Propagation in Airline Disruption Management
Purdue University（普渡大学）
航空公司调度过程中的中断管理可以分为主动和被动过程，这取决于计划执行的时间。航空公司中断管理决策的最新技术水平涉及一种启发式的以人为中心的方法，该方法没有明确地研究管理航空公司航班中断的主动和被动过程中的不确定性。因此，本文介绍了一个不确定性传递函数模型（UTFM）框架，该框架表征了航班执行前的主动航空中断管理，航班执行期间的被动航空中断管理，以及计划执行后的主动航空中断管理，以实现定量工具的构建，这些工具可以使智能代理合理化复杂的交互和程序，以实现强大的航空中断管理具体来说，我们使用来自美国主要航空公司的历史调度和运营数据来促进UTFM的开发和评估，UTFM由隐马尔可夫模型（一类特殊的概率图形模型）定义，可以有效地对大型数据集的部分进行模式学习和推理。我们采用UTFM评估两个独立的和单独中断的航班从航空公司的航线网络。从达拉斯到休斯顿的一段航班，由于达拉斯的恶劣天气而被空中交通管制中断，评估表明，在计划执行之前对达拉斯转机进行主动中断管理是不切实际的，因为转机和滑行之间的转换概率为零。
2022-03-23 cs.AI
Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
针对 IoT 数据上行的信息年龄与能耗问题，提出基于 Markov 流量预测和 DRL 的多 UAV 轨迹与调度联合优化框架，性能优于 RW 基线。
2024-01-24 cs.AI cs.LG cs.NI
Age of Information-Aware Radio Resource Management in Vehicular Networks: A Proactive Deep Reinforcement Learning Perspective
VTT Technical Research Centre of Finland Ltd（芬兰VTT技术研究中心）；University of Electro-Communications（电气通信大学）；Zhejiang University（浙江大学）；Shizuoka University（静冈大学）；University of Oslo（奥斯陆大学）；University of Oulu（奥卢大学）
在本文中，我们调查的问题，信息时代（AOI）意识到无线电资源管理预期的长期性能优化在曼哈顿网格车对车网络。通过在每个调度时隙观察全局网络状态，路边单元（RSU）为所有车辆用户设备对（VUE对）分配频带并调度分组传输。我们建模的随机决策过程作为一个离散时间单代理马尔可夫决策过程（MDP）。解决最优控制策略的技术挑战源于高空间移动性和随时间变化的交通信息到达的VUE对。为了使问题的解决易于处理，我们首先将原始MDP分解为一系列每个VUE对的MDP。然后提出了一种基于长短期记忆和深度强化学习技术的主动算法来解决每个VUE对所面临的局部网络状态空间的部分可观测性和高维灾难。在该算法中，RSU根据VUE对全局网络状态的部分观测值，以分散的方式在每个调度时隙进行最优频带分配和分组调度决策。数值实验验证了理论分析的正确性，并证明了该算法的有效性.
2019-11-15 cs.AI cs.LG
Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shanghai University of Finance and Economics（上海财经大学）；University of Delaware（特拉华大学）
针对灾害响应中地方机构资源请求量优化问题，提出一种结合深度学习需求预测与随机优化的模型，有效提升了资源管理的性能。
2023-07-31 cs.AI cs.LG
AgentFold: Long-Horizon Web Agents with Proactive Context Management
Tongyi Lab（通义实验室）；Alibaba Group（阿里巴巴集团）
针对长时序Web智能体上下文管理的核心权衡问题，提出受人类认知启发的AgentFold范式，通过多尺度“折叠”操作主动管理上下文，仅用监督微调的小模型便超越大尺寸开源及领先专有智能体的性能。
2025-10-28 cs.AI cs.CL cs.LG
AI-Driven Mobility Management for High-Speed Railway Communications: Compressed Measurements and Proactive Handover
State Key Laboratory of Advanced Rail Autonomous Operation, Beijing Jiaotong University, China（先进轨道交通自主运行国家重点实验室，北京交通大学，中国）；School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing, China（电子与信息工程学院，北京交通大学，北京，中国）；Mediatek (Beijing) Inc, Beijing, China（联发科技（北京）有限公司，北京，中国）；Centre for Wireless Innovation (CWI), Queen’s University Belfast, UK（无线创新中心（CWI），女王大学贝尔法斯特校区，英国）
本文针对高速铁路通信中信道快速时变和信令开销大的问题，提出基于压缩感知的波束测量方案和基于AI的主动切换方案，在降低无线链路失败率的同时节省50%波束测量开销。
2025-07-06 cs.AI eess.SP
Integrating Anomaly Detection into Agentic AI for Proactive Risk Management in Human Activity
Department of Computer Science（计算机科学系）；Nottingham Trent University（诺丁汉特伦特大学）；Nottingham, UK（英国诺丁汉）
本文提出将跌倒检测与预测作为异常检测问题，通过代理AI系统提升对复杂环境的适应能力，以实现更有效的风险管理工作。
2026-04-21 cs.AI cs.HC cs.MA
Proactive Distributed Emergency Response with Heterogeneous Tasks Allocation
Old Dominion University（奥多明尼昂大学）；Rockwell Automation（罗克韦尔自动化公司）
针对传统交通事故管理未考虑事故演化依赖、部署策略短视的问题，提出基于DCOP的主动式分布式应急响应框架，纳入无人机辅助感知，可显著降低总事故延误。
2025-01-13 cs.AI cs.MA cs.SY
A Hybrid Proactive And Predictive Framework For Edge Cloud Resource Management
Department of IT（信息科技系）；IIIT Vadodara（瓦尔多拉理工学院）；Gandhinagar, India（印度加尔各答）
本文提出了一种混合主动与预测框架，结合CNN LSTM和多智能体深度强化学习，用于改进边缘云资源管理，通过预测未来需求优化资源分配，提升系统性能和效率。
2025-11-20 cs.AI
Machine Learning for Proactive Groundwater Management: Early Warning and Resource Allocation
LIPADE, Université Paris Cité（巴黎大学LIPADE）；Sorbonne Université（索邦大学）；SAMOVAR, Telecom SudParis, Institut Polytechnique de Paris（Telecom SudParis 高等理工大学）；Telecom Paris, Institut Polytechnique de Paris（Telecom Paris 高等理工大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出一个基于AutoGluon自动化集成框架的地下水机器学习流程，融合地理空间预处理与领域特征工程，在法国大规模数据集上实现地下水位类别预测，验证了其在早期预警和水资源分配中的实用价值。
2025-06-18 cs.AI eess.SP
Artificial Intelligence in Traffic Systems
University of Minnesota（明尼苏达大学）
本文综述了人工智能在交通管理中的应用，涵盖信号控制、自动驾驶、智能停车及执法监控等领域，并总结了其优化交通、提升安全与效率的多种益处。
2024-12-16 cs.AI
Proactive Resource Management for LTE in Unlicensed Spectrum: A Deep Learning Perspective
The University of Edinburgh（爱丁堡大学）；Virginia Tech（弗吉尼亚理工大学）
使用授权辅助接入LTE（LTE-LAA）的未授权频谱中的LTE是克服无线频谱稀缺的有前途的方法。然而，为了获得LTE-LAA的益处，需要与其他现有WiFi部署的公平共存机制。本文提出了一种新的深度学习方法来建模LTE-LAA小型基站（SBS）的资源分配问题。所提出的方法使多个SBS能够主动执行动态信道选择、载波聚合和部分频谱接入，同时保证与现有WiFi网络和其他LTE-LAA运营商的公平性。采用主动共存机制使得未来的延迟容忍LTE-LAA数据需求能够在它们的实际到达时间之前在给定的预测窗口内被服务，从而避免在非高峰时段期间未授权频谱的未充分利用，同时最大化总的被服务的LTE-LAA业务负载。为此，制定了一个非合作博弈模型，其中SBS被建模为Homo Egualis代理，其目的是预测未来的行动序列，从而在给定的时间范围内实现与WLAN和其他LTE-LAA运营商的长期平等加权公平性。所提出的深度学习算法，然后显示达到混合策略纳什均衡（NE），当它收敛。使用真实数据跟踪的仿真结果表明，所提出的方案可以产生高达28%和11%的增益比传统的反应式方法和比例公平共存机制，分别。结果还表明，所提出的框架可以防止密集部署的LTE-LAA网络的WiFi性能下降。
2018-12-15 cs.AI cs.GT cs.IT
An Offline Meta Black-box Optimization Framework for Adaptive Design of Urban Traffic Light Management Systems
KAIST（韩国科学技术院）；Korea Telecom（韩国电信）
针对现有交通信号灯管控策略难适配多样交通模式、仅适用于小路网的问题，提出基于离线元黑盒优化的框架，结合ANP与贝叶斯优化实现自适应设计，在仿真和真实场景中均取得更优效果。
2024-08-14 cs.AI cs.LG
Automating the loop in traffic incident management on highway
Politecnico di Milano（米兰理工大学）；MOVYON SpA（MOVYON股份公司）
本文针对高速公路事件管理中操作员高压决策问题，提出LLM+优化混合与全LLM两种决策支持方法，并基于意大利Autostrade历史事件数据验证，发现混合方案更可靠。
2025-03-15 cs.AI cs.HC cs.LG
Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing
Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院）；Carleton University（卡尔顿大学）
深度强化学习（DRL）使用多样化的非结构化数据，使RL能够在高维环境中学习复杂的策略。基于自主车辆的智能交通系统（ITS）为基于策略的日间行车提供了一个很好的平台。深度学习架构解决了传统算法的计算挑战，同时有助于AV的实际采用和部署。自动驾驶汽车实施的主要挑战之一是，如果不可靠和有效地管理，它可能会加剧道路上的交通拥堵。考虑每辆车的整体影响，使用高效可靠的技术，可以真正帮助优化交通流量管理和减少拥堵。为此，我们提出了一个智能交通控制系统，处理复杂的交通拥堵的情况下，在交叉口和交叉口后面。提出了一种基于日间行车灯的信号控制系统，该系统能够根据交叉口当前的拥堵状况动态调整交通信号。针对交叉口后道路的拥堵问题，采用重路由技术对路网中的车辆进行负载均衡。为了实现所提出的方法的实际好处，我们打破了数据孤岛，并结合使用来自传感器、探测器、车辆和道路的所有数据，以实现可持续的结果。我们使用SUMO微模拟器进行模拟。我们所提出的方法的意义体现在结果。
2022-06-28 cs.AI cs.LG
Proactive DDoS Detection and Mitigation in Decentralized Software-Defined Networking via Port-Level Monitoring and Zero-Training Large Language Models
College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）
针对去中心化软件定义网络（dSDN）的DDoS攻击漏洞，提出一种结合端口级监控与零训练DeepSeek-v3 LLM的检测与缓解框架，实现近乎完美的检测精度并在源头阻断恶意流量。
2025-11-01 cs.AI cs.CR
VitalDiagnosis: AI-Driven Ecosystem for 24/7 Vital Monitoring and Chronic Disease Management
VitalDiagnosis利用AI技术，通过整合可穿戴设备数据与大语言模型，实现24/7生命体征监测和慢性病管理的主动参与，提升患者自我管理能力并减少临床工作量。
2026-01-22 cs.AI
A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection
University of Notre Dame（圣母大学）
本文提出一个统一框架，将上下文驱动的大语言模型与微调异常检测模块相结合，用于物联网设备管理和流量异常检测，并通过评估验证其在真实部署中的准确性、可扩展性和适用性。
2024-12-19 cs.AI cs.NI
GraphTrafficGPT: Enhancing Traffic Management Through Graph-Based AI Agent Coordination
Department of Computer Science, Texas A\&M University, Corpus Christi, TX 78412 USA（计算机科学系，德克萨斯大学A&M分校）
GraphTrafficGPT提出基于有向图的LLM智能体协调架构，通过Brain Agent分解查询并并行执行依赖任务，相比TrafficGPT降低50.2%令牌消耗和19.0%延迟，并支持多查询并发处理。
2025-07-17 cs.AI
Multiobjective Tactical Planning under Uncertainty for Air Traffic Flow and Capacity Management
Thales Air Systems（泰雷兹空中系统公司）；Thales Research & Technology（泰雷兹研究与技术公司）；INRIA Saclay Ile-de-France（法国国家信息与自动化研究所萨克雷-法兰西岛分部）；Université Paris Sud（巴黎第十一大学）
我们研究的方法来处理拥挤的部门和延误的战术阶段的空中交通流量和容量管理。它依赖于为飞行计划的每个点给定的时间目标，并在控制器之间共享，以创建一个协作环境。这将促进从流量管理的网络视图到空中交通管制的本地视图的过渡。不确定性是在轨迹级建模的时间信息的边界点的交叉部门，然后，我们推断的概率占用计数。因此，我们可以在优化过程中对轨迹预测的准确性进行建模，以确定一些安全裕度。一方面，我们的预测更准确;由于更严格的安全裕度，所提出的解决方案将更有效。另一方面，当不确定性不可忽略时，所提出的解决方案将对中断更具鲁棒性。此外，采用多目标优化算法对高流量空域中的时延和拥塞这两个矛盾进行了权衡。流量管理的位置可以手动选择，也可以用基于偏好的算法自动选择，得到合适的解决方案。该方法针对两个实例进行了测试，一个实例具有10个航班和5个扇区，另一个实例具有300个航班和16个扇区。
2013-09-16 cs.AI
Automated Intersection Management with MiniZinc
Islamic University of Technology（伊斯兰科技大学）
交叉口管理不善是城市地区交通问题日益严重的主要原因，导致交通流量不优化和不必要的僵局。在本文中，我们提出了一个自动化的交叉口管理系统，从一个定义明确的传感器网格中提取数据，并通过控制交通信号优化交通流量。数据抽取机制与优化算法无关，本文主要研究优化算法。我们使用MiniZinc建模语言将我们的系统定义为一个约束满足问题，可以使用任何现成的求解器来解决。所提出的系统比目前使用的系统性能好得多。我们的系统减少了车辆的平均等待时间和标准差的等待时间，并避免死锁。
2020-11-15 cs.AI
