Planning Strategies for Lane Reversals in Transportation Networks
本文利用规划宏观网络流模型，研究了在给定的起点-终点需求下，交通网络车道配置的优化策略。车道反向问题，在一般情况下，NP-难，因为优化是在整数变量。为了克服这一负担，我们重新制定的问题，使用分段仿射近似的行程延迟函数，使我们能够利用总的单模块性属性的非线性线性规划（ILP）。因此，我们通过放松整数变量将ILP问题转化为线性规划。此外，我们的方法是能够解决所需数量的车道反转，这有助于执行成本效益分析的问题。我们进行了一个案例研究，使用交通网络的马萨诸塞州东部（EMA），我们测试我们的方法对原来的车道配置和预计的下界解决方案。我们的实证结果量化了不同需求强度水平下的出行时间节省。我们观察到，对于网络中的某些链接，旅行时间减少了40%。
2021-07-14 cs.SY eess.SY math.OC
A Two-Stage Stochastic Model for Road-Rail Intermodal Freight Transportation Under Demand and Capacity Uncertainty
针对固定列车时刻表下公铁联运集装箱运输优化问题，考虑需求与列车临时容量不确定性，构建整合条件风险价值（CVaR）的两阶段随机优化模型，经真实数据验证可降低成本、减少排放并辅助风险权衡决策。
2025-08-21 math.OC
Inverse demand tracking in transportation networks
本文研究树状交通网络中基于线性双曲守恒律的目标需求重构问题，将其建模为分层逆最优控制问题，通过弱意义解释保证解存在，并转化为非光滑单层问题求解，数值实验验证了模型特征。
2024-04-23 math.OC
Impact of Electric Vehicle Routing with Stochastic Demand on Grid Operation
随着电动汽车（EV）普及率的提高，政府政策的支持和技术价格的下降，电动交通的建模和运营面临着新的挑战。在本文中，我们提出了一个模型来解决EV路由问题，同时考虑到现实生活中的随机需求行为。我们提出了一个数学公式，最大限度地减少旅行时间和能源成本的电动汽车车队。EV由电池能量消耗模型表示。为了使我们的配方适应现实生活中的场景，客户的皮卡和下车建模为随机参数。提出了一种机会约束最优化模型，用于解决上下车的不确定性问题。计算验证模型的基础上提供了代表性的运输方案。结果表明，我们的模型与可验证的解决方案的快速收敛。最后，电动汽车充电的影响是在曼哈顿市中心，纽约通过评估对配电网的影响进行验证。
2021-04-12 cs.SY eess.SY math.OC
Logistics Hub Capacity Deployment in Hyperconnected Transportation Network Under Uncertainty
针对超连接运输网络中的需求不确定性和地理中断，提出两阶段随机优化模型部署枢纽容量，并通过压力测试和仿真验证，实现交付及时性、高整合度与网络弹性，同时最小化成本。
2024-02-09 math.OC
Assessing How Ride-hailing Rebalancing Strategies Improve the Resilience of Multi-modal Transportation Systems
针对火车线路中断等干扰下多模式交通系统的供需失衡问题，提出基于MADDPG的多智能体强化学习网约车再平衡策略，在900平方公里仿真中显著提升了系统韧性及多项关键性能指标。
2025-01-30 math.OC
The problem of optimal location of production points and distribution points in the vertices of the transportation network as an investment project
本文将运输网络作为一个投资项目，研究运输网络顶点上生产和配送点的最优选址问题。在网络上设置生产原料点和需求点。
2018-06-23 math.OC
Estimating probabilistic dynamic origin-destination demands using multi-day traffic data on computational graphs
系统级交通决策需要了解网络流量的日常变化，这就要求对网络上的概率动态出行需求进行准确的建模和估计。现有的研究大多估计确定性的动态起讫点（OD）的需求，而需求和流量的日常变化被忽视。动态OD需求的概率分布估计是具有挑战性的，由于时空网络的复杂性和高维问题的计算强度。随着海量交通数据的可用性和先进计算方法的出现，本文开发了一个数据驱动的框架，解决了概率动态起讫点需求估计（PDODE）问题，使用多日数据。不同的统计距离（例如，lp-norm、Wasserstein距离、KL散度、Bhattacharyya距离）来衡量交通状况的估计值与观测值之间的差距，发现2-Wasserstein距离在估计均值和标准差时达到了平衡的精度。该框架被铸造成计算图和重新参数化的技巧，同时估计的平均值和标准差的概率动态OD需求。我们证明了所提出的PDODE框架的有效性和效率在小型和真实世界的网络。特别是，它表明，建议的PDODE框架可以通过考虑需求变化来缓解过拟合问题。总体而言，开发的PDODE框架提供了一个实用的工具，公共机构了解需求随机性的来源，评估日常的网络流量的变化，并作出可靠的决策，智能交通系统。
2022-04-20 cs.SY eess.SY math.OC
Optimal Transportation with Capacity Constraints
经典的最优运输问题可以表述为凸区域上的线性最优化问题：在所有具有固定边缘的联合措施中找到最优措施，其中最优性是针对费用函数来衡量的。在这里，我们考虑一个自然的，但在很大程度上未探索的变种，这个问题的联合（绝对连续）措施施加逐点约束：在所有联合密度与固定的边际和占主导地位的一个给定的密度，找到最佳的。对于这种变体，我们表明局部非退化的费用函数意味着每个极小是极值的竞争对手的凸集，因此唯一的。附录开发了这个问题的对偶理论的雏形，这使我们能够计算几个暗示性的例子。
2012-11-28 math.OC
Interval Transportation Problem: Feasibility, Optimality and the Worst Optimal Value
我们考虑一个运输问题的模型，其目标是找到一个最小成本的运输计划，将给定的商品从一组供应中心运送到客户。由于实际问题中的供需和运输成本并不总是精确的，因此我们采用区间规划的方法来表示这种不确定性，从而建立了一个区间运输问题模型。区间模型假设数据的下限和上界是给定的，并且值可以在这些界限内独立地扰动。在本文中，我们提供了一个概述的条件检查的基本性质的区间运输问题通常研究区间规划，如弱和强的可行性或最优性。通过寻找问题的一个合适的场景，我们得到了一个在多项式时间内检验解的弱最优性的条件。此外，我们制定了一个类似的条件，测试强最优性的运输问题的解决方案与区间供应和需求（和确切的成本）。此外，我们还综述了计算最佳和最差最优值的结果。我们建立在一个精确的方法来解决NP-困难的问题，计算最坏的（有限的）最优值的区间运输问题的基础上分解的最优解集的互补松弛。最后，我们进行了计算实验，以表明该方法可以与国家的最先进的启发式算法的竞争。
2023-01-30 math.OC
Stochastic Service Network Design with Different Operational Patterns for Hyperconnected Relay Transportation
针对卡车司机短缺问题，提出两阶段随机规划模型，优化高互联接力运输中的司机一致日程与运输成本，并通过美国东南部案例验证其有效性。
2024-02-09 math.OC
A Lagrangian Decomposition Algorithm for Robust Green Transportation Location Problem
研究了需求参数不确定的绿色交通定位问题。鲁棒性的增加影响了运送货物和产品的卡车数量，从而使空气污染加剧。本文介绍了两种以需求为主要不确定性参数的绿色方法。这些方法旨在提供使用可用卡车和购买新的混合动力卡车之间的权衡，以评估除空气污染外的总成本。由于日益增长的复杂性，拉格朗日分解算法被应用到找到一个紧密的下界为每种方法。在该算法中，主模型被分解成主问题和子问题，以加快收敛与紧密的差距。最后，建议的算法进行了比较，商业求解器的总成本和计算时间。由于所提出的方法的计算结果，拉格朗日分解算法提供了一个接近的下界在更少的时间比商业求解器。
2019-01-05 math.OC
Toward Efficient Transportation Electrification of Heavy-Duty Trucks: Joint Scheduling of Truck Routing and Charging
针对重型电动卡车运输，提出联合路线与充电调度优化，采用SLBLR方法分解复杂问题，实现快速近优解，并揭示电池容量与充电功率对成本及车队规模的影响。
2023-11-13 cs.CY cs.SY eess.SY
Joint Fleet Sizing and Charging System Planning for Autonomous Electric Vehicles
本文研究了一个公司运营的自动驾驶电动汽车（AEV）的车队规模和充电系统规划问题的客运和货运。相关的已发表论文大多集中在城市内情景，并采用启发式方法，例如，基于代理的模拟，不保证最优性。与此相反，我们提出了一个混合整数线性规划模型的城际场景。该模型综合考虑了以下因素：（1）有限的AEV续驶里程;（2）AEV最优路径选择和搬迁作业;（3）时变的起讫点运输需求;（4）客货运输的差异化作业费用结构。当交通网络规模较大时，所提出的模型可能计算昂贵。然后，我们利用这个程序的结构，以加快其解决方案。数值实验验证了该方法的有效性。我们的实验结果表明，自动驾驶汽车在客运和货运有显着的规划和运营差异。我们还证明了智能路由和重新定位操作，充电系统和车辆参数，例如，充电功率、电池容量、行驶速度等，可以显著影响AEV车队的经济性和规划结果。
2018-11-01 math.OC
On a Cardinality-Constrained Transportation Problem With Market Choice
众所周知，匹配多面体与基数约束的交集是整数[8]。当需求在集合$\{1,2\}$中时，我们证明了[4]中引入的带市场选择的运输问题（TPMC）对应的多面体的类似结果.这个结果推广了关于匹配多面体的结果，也意味着一些特殊类的最小重量完美匹配问题的基数约束的一个子集的边缘可以在多项式时间内解决。
2014-12-30 cs.DS math.OC
A Framework to Integrate Mode Choice in the Design of Mobility-on-Demand Systems
Cornell University（康奈尔大学）
本文提出了一种整合出行方式选择的按需出行系统设计框架，通过多模式交通系统中的出行方式需求函数进行优化和分析，利用贝叶斯优化方法确定最优供应参数，并通过数值实验验证了该方法的优越性。
2018-10-07 cs.SY eess.SY math.OC
Multi-Period Stochastic Logistic Hub Capacity Planning for Relay Transportation
本研究针对接力运输网络中物流枢纽多周期容量规划问题，考虑需求与运输时间不确定性，构建两阶段随机优化模型，结合基于FFS的场景约简算法求解，经美国东南部汽车配送承运商实验验证可降本提效。
2024-06-23 math.OC
Uncertain programming model for multi-item solid transportation problem
Yildiz Technical University（耶尔德兹理工大学）
基于不确定性理论，提出了一种不确定多目标多物品立体运输问题（MMSTP）。在模型中，运输成本、供给、需求和供给量参数均为不确定参数。该模型的某些项目和权限有限制。因此，有些特殊的物品不能由某些特殊的运输工具运输。利用不确定性理论的优点，MMSTP首先转换成一个等效的确定性MMSTP。利用凸组合方法和最小化距离函数方法，将确定性MMSTP问题转化为单目标规划问题。因此，这两个单目标规划问题的解决使用Maple 18.02优化工具箱。最后，通过一个数值例子说明了模型的性能.
2016-05-31 cs.AI math.OC
A Second Order Cone Programming Model for Planning PEV Fast-Charging Stations
本文研究了在交通与电网耦合的情况下，插电式电动汽车（PEV）快速充电站的选址和规模。本文建立了一个考虑纯电动汽车续驶里程和充电需求的高速公路纯电动汽车充电站服务能力的封闭式服务率模型，并利用一个改进的容量限制流加油选址模型（CFRLM）来明确地捕捉在续驶里程约束下的时变纯电动汽车充电需求。为了提高模型的精度和计算效率，本文在CFRLM的基础上引入了额外的约束条件，提出了一种随机混合整数二阶锥规划（SOCP）模型来求解PEV快速充电站规划问题。该模型考虑了CFRLM的运输网络约束和具有交流潮流的电力网络约束。数值实验验证了该方法的有效性。
2017-08-17 math.OC
Vehicle Utilization in Hub Network Design: Exploiting Economies of Scale in Transportation
我们研究了一个基于车辆的枢纽网络设计问题（HNDPv）的主要应用在货运配送和包裹递送系统，其中规模经济源于有效利用车辆，移动合并货物。HNDPv是经典的单一分配枢纽定位问题的推广，其中运输成本是移动需求的车辆的数量（和类型）的逐步函数。我们提出了二次混合整数规划制定的问题和它的线性转化。利用线性化模型的特殊结构，我们开发了一个基于Benders分解的分支切割方法，只包含可行性子问题。我们推导出封闭形式的解决方案的极端射线的可行性子问题，提高效率的算法，通过产生更强的可行性切割。我们还解决了HNDPv需求的不确定性，并显示我们的解决方案的方法在处理随机变量的问题的灵活性。为了评估我们的模型和解决方案的效率，我们进行了广泛的计算实验，从经典的澳大利亚邮政数据集的问题的无能力和能力的情况下。结果表明，在车辆利用率和总运输成本方面，使用HNDPv与具有恒定折扣因子的经典HLP相比具有相当大的优势。我们的计算实验也证明了我们提出的解决方案的方法在解决大规模的问题实例的效率。
2023-01-10 math.OC
Vertiport Selection in Hybrid Air-Ground Transportation Networks via Mathematical Programs with Equilibrium Constraints
城市空中交通是一个促进城市地区空中交通方式的概念。在这些地区，旅客上下飞机的垂直起降场的位置和容量不仅影响飞机的航班延误，而且还可能通过创造额外的地面旅行需求而加剧地面车辆的拥堵。本文介绍了一个数学模型，用于选择垂直起降机场的位置和容量，以最大限度地减少空中-地面混合交通网络中的交通拥挤。我们的模型是基于双线性平衡约束的数学规划。此外，我们展示了如何通过求解一个混合整数线性规划来计算这个数学规划的全局最优解。我们通过Anaheim交通网络模型展示了我们的结果，该模型包含400多个节点和900多个链接。
2022-07-01 math.OC
Planning of integrated mobility-on-demand and urban transit networks
我们设想了一个多式联运系统，其中按需移动（MOD）服务用于服务的第一英里和最后一英里的过境旅行。为此，本研究建立了一个最优化模型，用于设计一个综合的国防部和城市交通系统。该模型是一个混合整数非线性规划模型，通过乘客分配模型来捕捉乘客在多模式网络中的策略行为。它决定了运营哪些公交线路，运营线路的频率，每个交通分析区为满足需求所需的车队规模，以及道路和公交网络上的客流量。提出了一种改进的Benders分解方法来求解给定的优化程序。计算实验的苏福尔斯多模态网络。结果表明，在城市中心的拥挤与综合交通系统的引入和优化显着改善。拟议的设计将更多的车辆分配给网络中的郊区（以服务于第一英里和最后一英里的公交出行），并将更多的频率分配给市中心的公交路线。与基础优化的公交系统相比，综合系统显著提高了公交乘客的份额和服务水平。对公交车和车队的灵敏度分析表明，增加公交车数量比增加国防部车辆数量对提高乘客服务水平的影响更大。最后，我们提供了部署这种多式联运服务的管理见解。
2022-06-14 math.OC
A Control Framework for Socially-Optimal Emerging Mobility Systems
本文提出一种控制框架，在交通网络中分配出行需求，以构建兼顾效率、抑制回弹效应并保障公平的社会最优出行系统。
2023-09-21 math.OC
On Solving Fixed Charge Transportation Problems Having Interval Valued Parameters
针对参数为区间数的固定收费运输问题（IFCTP），本文提出将其转化为等价双目标FCTP并利用模糊规划技术求解的新方法，通过LINGO 19.0求解数值算例并与现有方法对比，证明了该方法的有效性。
2023-09-12 math.OC math.ST stat.TH
The Price of Anarchy in Transportation Networks: Data-Driven Evaluation and Reduction Strategies
在智慧城市必须支持的众多功能中，交通在资源消耗、环境压力和市民挫折感方面占主导地位。我们研究了两种不同的路由策略下的交通网络，通常假设自私的用户为中心的路由策略和社会最优的系统为中心的。我们认为一个性能指标的效率-无政府状态的价格（PoA）-定义为自私的路由下的总旅行延迟成本的比率在社会最优路由下的相应数量。我们开发了一种数据驱动的方法来估计PoA，我们随后使用大量的实际交通数据从马萨诸塞州东部的道路网络进行案例研究。为了估计PoA，我们的方法从数据中学习交通网络的完整模型，包括起点-目的地需求和用户偏好。我们利用这个模型，提出可能的策略，以减少PoA和提高效率。
2018-01-04 cs.GT math.OC
Multi-period railway line planning for integrated passenger-freight transportation
本文针对客货一体化铁路多周期线路规划问题，构建周期扩展网络与路径基混合整数规划模型，结合列生成与两种启发式算法求解，实验验证了方法及客货整合、多周期规划的有效性。
2024-09-12 math.OC
Learning-based Online Optimization for Autonomous Mobility-on-Demand Fleet Control
TUM School of Management（慕尼黑工业大学管理学院）；Technical University of Munich（慕尼黑工业大学）；CERMICS（法国桥路学校计算数学与科学工程中心）；École des Ponts（法国桥路学校）；Munich Data Science Institute（慕尼黑数据科学研究所）；CIRRELT（蒙特利尔物流、运输与计算机工程研究中心）；École Polytechnique de Montréal（蒙特利尔理工学院）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）
本文针对自主按需出行车队控制问题，提出一种结合组合优化与机器学习的混合在线调度与再平衡方法，并在大规模真实场景中验证其利润较现有方法平均提升6.3%、最高提升17.1%。
2024-02-21 cs.LG math.OC
Optimal Subgraph on Disturbed Network
于COVID-19疫情期间，运输系统的需求在质和量上均发生急剧变化，而网络已变得陈旧。在这篇文章中，我们研究了寻找一个最优子网络的问题，该子网络保证：（i）从城市网络的任何节点到新网络的最小访问时间与原始交通网络相比不{ \em太大};（ii）对于任何行程，由于删除交通网络的节点而引起的延迟不{ \em太大};以及（iii）所述运输网络的节点的数量已经减少了至少一个已知因子。一个解是最优的，如果它导致一个最小的全局延迟。我们将这个问题建模为一个混合线性规划模型，然后将该模型应用于里昂的公共汽车交通网络上的实际应用。
2021-05-06 cs.DM math.OC
Regulating Transportation Network Companies with a Mixture of Autonomous Vehicles and For-Hire Human Drivers
本文研究网约车市场中自动驾驶汽车对人类驾驶员和乘客公平性的影响，提出市场均衡模型与求解算法，发现自动驾驶汽车优先部署于高需求区域并挤压人类驾驶员，进而分析最低工资和限制性接客政策两类监管措施的效果。
2023-12-18 econ.GN math.OC q-fin.EC
Joint Facility and Demand Location Problem
在设施定位问题的典型应用中，需求的位置被假定为问题的输入。需求可以是固定的或动态的，但最终在优化器控制之外。相比之下，有一些设置，特别是在人道主义环境中，优化器决定在哪里定位需求节点。在这项工作中，我们介绍了一个优化框架，联合设施和需求的位置。作为我们的一般框架的例子，我们扩展到联合设施和需求定位问题（JFDLP）的著名的k-中位数和k-中心的问题，并制定它们作为整数规划。提出了一种基于网络流的局部搜索启发式算法。我们将我们的启发式飓风疏散响应案例研究。我们的研究结果表明，这些同时最优化问题的挑战性，特别是当有许多潜在的位置。局部搜索启发式是最有前途的潜在位置的数量是大的，而要定位的设施和需求节点的数量是小的。
2022-11-22 math.OC
The Impact of Congestion and Dedicated Lanes on On-Demand Multimodal Transit Systems
本文通过构建现实拥堵场景并求解双层优化问题，研究了拥堵和专用公交车道（DBL）对按需多模式交通系统（ODMTS）的影响，案例证明DBL能显著缩短出行时间并提升系统采用率。
2024-02-21 math.OC
Dynamic multi-agent deep reinforcement learning-based pricing and incentivization approach in multimodal transportation networks
University of California, Berkeley（加州大学伯克利分校）；Technical University of Denmark（丹麦技术大学）
提出多智能体深度强化学习框架，通过动态定价和激励策略协调公共交通与共享出行服务，平衡效率、公平与收益，实验表明可降低通勤成本20%、排放10%并提升公平性。
2026-06-23 cs.AI cs.LG math.OC
A chance-constrained dial-a-ride problem with utility-maximizing demand and multiple pricing structures
经典的拨号乘车问题（DARP）的目的是设计最小成本的路由，以适应一组用户的请求下的约束条件下，在运营规划水平，用户的偏好和收益管理往往被忽视。在本文中，我们提出了一种机制，接受/拒绝用户请求的需求响应运输（DRT）的背景下，替代交通方式的代表效用的基础上。我们考虑效用最大化的用户，并提出了一个混合整数规划制定的机会约束的DARP（CC-DARP），捕捉用户的偏好，从长远来看，通过Logit模型。我们进一步引入基于类的用户组，并考虑各种DRT服务的定价结构。一个定制的本地搜索为基础的启发式解决建议CC-DARP。我们报告的数字结果DARP基准的实例和一个现实的案例研究的基础上，纽约市黄色出租车行程数据。在105个基准测试实例上进行的计算实验，最多有96个节点，使用建议的局部搜索启发式算法，平均最优性差距为2.69%。现实的案例研究结果表明，分区票价结构是优化收入和乘客量方面的最佳策略。拟议的CC-DARP制定提供了一个新的决策支持工具，在战略规划层面为DRT系统的收入和车队管理提供信息。
2020-11-17 math.OC
Heuristics for the Worst Optimal Value of Interval Transportation Problems
Prague University of Economics and Business（布拉格经济商业大学）
本文提出了一种膜算法，结合遗传算法和局部搜索，用于高效近似区间运输问题的最劣最优值，并通过实验验证其有效性。
2026-02-01 math.OC
Flow-Through Tensors: A Unified Computational Graph Architecture for Multi-Layer Transportation Network Optimization
提出流张量（FTT）统一计算图架构，连接起讫点流量、路径概率和路段行程时间，实现梯度优化、多维分析和张量分解，支持实时控制与多模式协调。
2026-07-02 cs.AI cs.CE math.OC
Easy Capacitated Facility Location Problems, with Connections to Lot-Sizing
本文研究了运输费用满足Monge性质的有容量限制的设施选址问题。我们表明，一个简单的动态规划找到最优解时的需求多项式有界。当需求不是多项式有界的，我们给出了一个完全多项式时间的近似计划，通过调整算法和分析的Van Hoclane和Wagelmans。
2020-01-08 cs.DS math.OC
Information Geometry Connecting Wasserstein Distance and Kullback-Leibler Divergence via the Entropy-Relaxed Transportation Problem
概率分布流形的两种几何结构已被广泛研究。一种是基于Fisher信息度量，它在随机变量的可逆变换下是不变的;另一种是基于最优运输的Wasserstein距离，它反映了随机变量之间距离的结构。在这里，我们提出了一个新的信息几何理论，这是一个统一的框架连接Wasserstein距离和Kullback-Leibler（KL）分歧。我们主要考虑了由$n$元素组成的离散情况，并研究了概率单形$S_{n-1}$的几何，它是$n$元素上所有概率分布的集合。在$S_{n-1}$中引入了Wasserstein距离，通过商品从配送中心${\mathbf{p}}$到配送中心${\mathbf{q}}$的最优运输，其中${\mathbf{p}}$，${\mathbf{q}} \in S_{n-1}$ .我们放宽了最优运输的熵，这是由Cuturi。最优解被称为熵松弛随机运输计划。熵松弛的最优成本$C({\mathbf{p}}, {\mathbf{q}})$在计算上比原始Wasserstein距离要求低得多，但没有定义距离，因为它在${\mathbf{p}}={\mathbf{q}}$处没有最小化。为了在保持计算优势的同时定义适当的发散，我们首先在最优运输计划的流形$S_{n-1} \times S_{n-1}$中引入了发散函数。我们充分探讨了最优运输方案流形的信息几何，并在$S_{n-1}$中构造了一个新的单…
2017-09-29 cs.IT math.IT math.OC
