Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems
Technical University of Denmark（丹麦技术大学）；Stanford University（斯坦福大学）
自动按需移动（AMoD）系统代表了一种快速发展的交通模式，其中旅行请求由机器人自动驾驶车辆的协调车队动态处理。给定一个图形表示的交通网络-其中，例如，节点代表城市的区域，和边缘之间的连接-我们认为，AMoD控制问题自然是一个节点明智的决策问题。在本文中，我们提出了一个深度强化学习框架，通过图神经网络控制AMoD系统的再平衡。至关重要的是，我们证明了图神经网络使强化学习代理能够恢复比通过其他方法学习的策略更具有可转移性，可推广性和可扩展性的行为策略。经验上，我们展示了如何学习的政策表现出有前途的zero-shot传输能力时，面临着关键的可移植性任务，如城市间的泛化，服务区扩展，并适应潜在的复杂的城市拓扑结构。
2021-08-16 cs.LG cs.RO cs.SY
Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes
Danmarks Tekniske Universitet (DTU)（丹麦技术大学）；Donkey Republic（驴共和公司）
交通运输需求在很大程度上取决于供应，尤其是在共享交通运输服务方面，供应往往有限。由于观察到的需求不可能高于现有的供应，历史运输数据通常代表了真实的潜在需求模式的一个有偏见的或经过审查的版本。如果不明确说明这一内在区别，需求预测模型必然代表真实需求的一个有偏见的版本，从而不能有效地预测服务用户的需求。为了解决这个问题，我们提出了一个一般的方法，审查意识的需求建模，我们设计了一个审查的似然函数。我们将这种方法应用于共享移动需求预测的任务，通过将删失似然的高斯过程模型，它可以灵活地近似任意函数形式。在人工和真实世界数据集上的实验表明，在获得用户需求行为的无偏预测模型的过程中，考虑供应对需求的限制作用是至关重要的。
2020-02-17 cs.LG stat.ML
Extracting Spatiotemporal Demand for Public Transit from Mobility Data
Delft University of Technology（代尔夫特理工大学）；ETH Zürich（苏黎世联邦理工学院）；University of Strathclyde（思克莱德大学）；Universidade de Lisboa（里斯本大学）
随着人们不断迁移到不同的城市地区，我们对工作、服务和休闲的流动性需求正在迅速转变。不断变化的城市人口构成对有效管理过境服务提出了若干挑战。为了预测过境需求，规划者往往诉诸社会学调查或模型，这些调查或模型要么难以获得，要么不准确或过时。那么，我们如何才能估计对流动性的多样化需求呢？我们提出了一个简单的方法来确定在一个城市的公共交通的时空需求。使用高斯混合模型，我们将经验的客流量数据分解成一组时间的需求配置文件，代表在任何给定的一天的客流量。大伦敦地区每天约460万条公交线路的案例显示了不同的需求特征。我们发现，这些配置文件的加权混合物可以产生任何站的交通非常好，揭示空间同心集群的流动性需求。我们的方法分析的时空地理的城市可以扩展到其他城市地区的不同模式的公共交通。
2020-06-05 cs.LG physics.soc-ph stat.OT
MoDE-Boost: Boosting Shared Mobility Demand with Edge-Ready Prediction Models
University of Piraeus（比雷埃克斯大学）
MoDE-Boost通过边缘-ready预测模型提升共享出行需求预测，有效整合时间和上下文特征，提高共享出行服务效率。
2026-02-18 cs.LG
Towards Autonomous Driving of Personal Mobility with Small and Noisy Dataset using Tsallis-statistics-based Behavioral Cloning
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology（信息科学系，科学技术研究生院，奈良科学技术大学）
本研究提出基于Tsallis统计的损失函数，用于在小噪声数据集上实现个人移动的自动驾驶，通过改进可视化技术验证驾驶员与控制器的感兴趣区域一致性，实验表明该方法能稳健应对误差并实现自动驾驶。
2021-11-29 cs.LG cs.RO
FairST: Equitable Spatial and Temporal Demand Prediction for New Mobility Systems
University of Washington（华盛顿大学）
新兴的交通模式，包括汽车共享，自行车共享和乘车，正在改变城市交通，但已被证明会加剧社会经济不平等。因此，这些新的流动性制度的时空需求预测模型必须考虑公平作为一个一流的设计要求。我们提出了FairST，一个公平意识模型，用于预测新的移动系统的需求。我们的方法利用1D，2D和3D卷积来整合各种城市特征并学习移动系统的时空动态，但我们将公平性指标作为一种正则化形式，以使预测在人口群体中更加公平。我们提出了两个新的时空公平性度量，基于区域的公平性差距（RFG）和基于个人的公平性差距（IFG）。两者都量化了时空背景下的公平性，但因人口统计数据是否在区域一级（RFG）或人口分布信息是否可用（IFG）而有所不同。在真实的自行车共享和乘车共享数据集上的实验结果证明了所提出的模型的有效性：FairST不仅将公平性差距减少了80%以上，而且可以令人惊讶地实现比最先进的公平性遗忘方法（包括LSTM，ConvLSTM和3D CNN）更好的准确性。
2019-06-21 cs.AI cs.CY cs.LG
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
Bikelution: Federated Gradient-Boosting for Scalable Shared Micro-Mobility Demand Forecasting
Department of Informatics University of Piraeus（信息学院 希腊比雷埃国际机场）
Bikelution通过联邦学习实现隐私保护的中期共享微出行需求预测，优于现有方法。
2026-02-24 cs.LG
Modeling Censored Mobility Demand through Quantile Regression Neural Networks
Technical University of Denmark（丹麦技术大学）
共享移动服务需要准确的需求模型来进行有效的服务规划。一方面，建模需求的全概率分布是有利的，因为整个不确定性结构保留了决策的有价值的信息。另一方面，需求往往是通过服务本身的使用来观察的，因此观察结果受到审查，因为它们本质上受到可用供应的限制。自20世纪80年代以来，各种关于删失分位数回归模型的工作在这种条件下表现良好。此外，在过去的二十年中，一些论文提出了通过神经网络灵活地实现这些模型。然而，在目前的作品中的模型估计的分位数单独，从而导致计算开销和忽略分位数之间的有价值的关系。我们通过扩展当前的删失分位数回归模型来解决这一差距，以便一次学习多个分位数，并将其应用于合成基线数据集和丹麦哥本哈根大都市区两个共享移动提供商的数据集。结果表明，我们的扩展模型产生更少的分位数交叉和更少的计算开销，而不影响模型的性能。
2022-07-09 cs.LG math.OC
Toward Equitable Low-Carbon Mobility: Fairness-Aware Demand Prediction for Expanding Bike-Sharing Systems
University of Exeter（埃克塞特大学）
针对扩展共享单车系统的冷启动预测与公平资源分配挑战，提出公平感知图神经网络FairGIN，通过三类组件实现高精度需求预测并降低收入差距。
2026-08-28 cs.LG
Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility
Technical University of Denmark（丹麦技术大学）
按需移动（MoD）系统代表了一种快速发展的交通模式，其中，由协调的车队动态地处理旅行请求。至关重要的是，国防部系统的效率高度依赖于供应和需求分布在时空空间中的对齐程度（即，为了满足用户的需求，汽车必须在正确的地点和所需的时间提供）。要做到这一点，我们认为，预测模型的目标应该明确解开时间和空间变化之间的城市交通需求的演变。然而，目前的方法通常忽略了这一区别，要么共同对待这两个来源的变异性，或完全忽略它们的存在摆在首位。在本文中，我们提出了循环流网络（RFN），我们探讨了（i）包含潜在的随机变量在循环神经网络的隐藏状态，以模拟时间的变化，和（ii）规范化的流量，以模拟移动性需求的空间分布。我们展示了预测模型如何明确地解开空间和时间的变化表现出几个理想的属性，并以经验表明，这使得生成的分布匹配潜在的复杂的城市拓扑结构。
2022-05-04 cs.LG stat.ML
Improving Urban Mobility: using artificial intelligence and new technologies to connect supply and demand
Instituto de Informática, UFRGS（南里奥格兰德联邦大学信息学院）
随着我们社会对流动性的需求似乎在增加，以城市流动性为中心的各种问题是这个星球上大多数城市居民所担心的问题之一。例如，如何以一种高效（但压力较小）的方式从A到B？即使在新冠肺炎疫情期间，这些问题和担忧也没有改变;相反，按照目前的立场，人们避免乘坐公共交通工具只会导致车辆交通量增加。智能交通系统（ITS）的研究目的是研究如何利用信息和通信技术来解决与交通有关的问题。这可能意味着监控和管理基础设施（例如，交通道路、交通信号等）。然而，目前，ITS也瞄准了需求管理。在这一全景中，人工智能发挥着重要作用，特别是随着机器学习的进步，它转化为计算视觉、联网和自动驾驶汽车、基于代理的模拟等的使用。在目前的工作中，我们小组开发的几个作品的调查进行了讨论，在一个整体的角度来看，即，它们不仅涵盖供应方（如ITS作品中常见的那样），而且涵盖需求方，并且从一个新颖的角度来看，两者的结合。
2022-03-18 cs.AI cs.CY cs.LG
T-STAR: A Context-Aware Transformer Framework for Short-Term Probabilistic Demand Forecasting in Dock-Based Shared Micro-Mobility
Transport and Planning, Delft University of Technology（代尔夫特理工大学交通与规划）
本文提出T-STAR框架，通过两级结构分离一致需求模式和短期波动，提升短期概率需求预测的准确性，实验表明其在确定性和概率性准确性上均优于现有方法，且具备良好的时空鲁棒性。
2026-05-18 cs.LG
Learning to Transfer Across Modes: Towards Unified Urban Mobility Forecasting
University of Exeter（埃克塞特大学）
针对城市多模式交通需求联合预测的挑战，提出统一框架TransMod，通过共享空间表示对齐不同粒度交通系统，实现跨模式知识迁移，在真实数据集上表现优于现有方法。
2026-09-04 cs.LG
Modeling Heterogeneity in Mode-Switching Behavior Under a Mobility-on-Demand Transit System: An Interpretable Machine Learning Approach
Georgia Institute of Technology（佐治亚理工学院）；University of Michigan（密歇根大学）
近年来，人们越来越关注可解释性和使用机器学习为政策分析和决策提供信息。本文应用机器学习来研究出行行为，特别是当个人面临一种新的（按需）移动性选择时，对出行模式的变化进行建模。它解决了以下问题：机器学习可以应用于模型的个人品味异质性（偏好异质性的旅行模式和响应异质性的旅行属性）在旅行模式选择？本文首先开发了一个高精度分类器来预测假设的按需移动交通系统（即，陈述偏好数据），这代表了本研究的案例研究。我们表明，这种分类器自然地捕捉个人的异质性数据。此外，本文通过当前出行模式、部分依赖图和个人条件期望图产生的边际效应和弹性，得出了对异质切换行为的见解。本文还提出了两个新的模型无关的解释工具，机器学习，即，条件部分依赖图和条件个体部分依赖图，专门用于检查响应异质性。案例研究的结果表明，机器学习分类器与模型无关的解释工具一起，为不同的个人和人群段的出行模式切换行为提供了有价值的见解。例如，现有的司机比使用其他出行方式的人对额外的接送更敏感，而现有的公交用户通常愿意共享乘车，但不愿意采取任何额外的换乘。
2019-02-08 cs.AI cs.LG stat.ML
