Layers of a City: Network-Based Insights into San Diego's Transportation Ecosystem
本研究利用网络科学构建圣地亚哥多层交通图,分析可达性与韧性,发现核心-边缘分化及30.3%POI公交可达性差距,提出可步行性指标,为交通公平与韧性提供定量框架。
2025-08-06 cs.SI cs.SY eess.SY
Demand for shared mobility to complement public transportation: Human driven and autonomous vehicles
通信技术和自动驾驶汽车的最新进展为替代移动系统(出租车、拼车、需求响应服务、点对点拼车、汽车共享、共享自动驾驶汽车/班车)打开了大门。这些新的移动服务引起了研究人员、公共和私营部门的兴趣,成为解决最后一英里问题的潜在解决方案,特别是在高频率公交车不可行的低密度地区。在这项研究中,我们调查了乘车共享服务对出行需求和福利的影响,因为它补充了不同场景下的公共交通。考虑了两种类型的管理和车辆类型:众包人类驾驶车辆(HDV)(例如Uber,Lyft)和集中运营的共享自动驾驶车辆(SAV)。研究了票价折扣对交通需求和交通方式转换的影响。以加拿大安大略省奥克维尔市为例,利用实际数据进行了道路网的实例研究.结果显示,在集中运营的共享自动驾驶汽车下,共享乘车有可能将乘客量增加76%,并将等待时间减少47%,共享票价折扣为50%。
2021-03-17 cs.SY eess.SY
Equity-aware Design and Timing of Fare-free Transit Zoning under Demand Uncertainty
Florida State University(佛罗里达州立大学);New York University Tandon School of Engineering(纽约大学坦登工程学院);University of Maryland(马里兰大学)
该研究构建了免费公交优化的静态与动态随机模型,静态模型通过最大化社会福利确定免费专区的最优长度与频率,兼顾公平会延长专区;动态模型基于实物期权法求解政策切换时机,福利导向下免费公交推行更早、持续更久。
2025-10-22 cs.SY eess.SY math.OC
Regional Transportation Modeling for Equitable Electric Vehicle Charging Infrastructure Design
Institute of Transportation Studies UC Berkeley(加州大学伯克利分校交通研究所)
本研究利用区域交通模型分析,旨在设计公平的电动汽车充电网络,以减少低收入社区的交通排放影响。
2026-01-29 cs.SY eess.SY
Electric Vehicle Public Charging Equity Considerations: A Systematic Review
本系统性综述分析了91篇关于电动汽车公共充电公平性的研究,发现现有方法缺乏一致规范框架,且存在地理与方法局限,建议加强规范评估与数据整合以指导包容性规划。
2025-07-13 cs.SY eess.SY
Multi-Agent Reinforcement Learning for Cooperative Air Transportation Services in City-Wide Autonomous Urban Air Mobility
针对城市级多架UAM协同运输难题,提出基于CommNet与CTDE的MADRL管理算法,并利用真实垂直起降机场和UAM参数仿真验证其服务质量优势。
2023-06-07 cs.MA cs.SY eess.SY
Stochastic Optimization of Coupled Power Distribution-Urban Transportation Network Operations with Autonomous Mobility on Demand Systems
本文提出含AMoDS的配电-城市交通网络双层PTF模型与概率分析方法,通过区域敏感性分析量化环境和人为不确定性影响,并在21节点PDN、20节点UTN系统中验证有效性。
2023-08-20 cs.SY eess.SY
Analysis and Control of Autonomous Mobility-on-Demand Systems
受城市化和日益增长的出行需求的影响,现有的交通系统需要新的移动模式。在这篇文章中,我们提出了自主移动按需的新兴概念,即集中编排的自动驾驶汽车车队为客户提供移动服务。我们提供了一个全面的方法和工具来建模和解决问题的自主移动按需系统。具体来说,我们首先确定问题的设置,他们的分析和控制,从运营和规划的角度。然后,我们回顾建模方面,包括交通网络,交通需求,拥堵,运营约束,以及与现有基础设施的相互作用。此后,我们对现有的解决方案方法和性能指标进行了系统的分析,突出了趋势和权衡。最后,我们提出了进一步研究的各种方向。
2021-11-18 cs.MA cs.SY eess.SY
Intermodal Network of Autonomous Mobility-on-Demand and Micromobility Systems
本文研究自主微出行按需服务(AMoD)与微出行系统的跨模式交互,引入网络流模型优化乘客出行时间,并在Sioux Falls网络上量化评估发现两种交通方式相互促进且微出行平衡容量增加可减少AMoD的平衡需求。
2025-04-01 cs.SY eess.SY
On the Interaction between Autonomous Mobility-on-Demand and Public Transportation Systems
Stanford University(斯坦福大学);Technical University of Munich(慕尼黑技术大学)
本文研究了自动驾驶出行即服务与公共交通系统的耦合模型及协调策略,通过网络流模型最大化社会福利,并设计定价与收费方案实现社会最优,以纽约市为例验证了协同效应。
2018-09-05 cs.RO cs.SY eess.SY
Can Urban Air Mobility become reality? Opportunities, challenges and selected research results
本文综述UAM的发展机遇、挑战及关键研究议题,并介绍DLR在HorizonUAM项目中支持其安全、经济、环保落地的研究成果。
2023-09-22 cs.SY eess.SY
Socioeconomic Impact of Emerging Mobility Markets and Implementation Strategies
互联和自动驾驶汽车(CAV)等新兴移动系统为更方便、安全和高效的交通提供了最有趣的机会。CAV有望通过消除人为因素来显著提高安全性,并通过允许用户监控运输网络状况并做出更好的运营决策来确保运输效率。然而,CAV可能改变用户的出行倾向,导致比预期更高的交通需求,从而引起反弹效应(例如,增加车辆行驶里程)。在本章中,我们将重点关注可能导致新兴交通系统陷入不可持续拥堵水平的社会因素。我们提出了一个移动市场,该市场模拟了智能城市网络中旅行者与道路和公共交通基础设施的经济本质互动。使用机制设计的技术,我们引入适当的货币激励(例如,通行费,车费,费用),并显示如何移动系统组成的自私的旅行者,寻求旅行要么与CAV或使用公共交通工具可以是社会有效的。此外,拟议的移动市场确保旅行者始终报告他们真正的旅行偏好,并始终从参与市场中受益;最后,我们还表明,市场产生足够的收入来支付其运营成本。
2021-10-19 cs.GT cs.SY eess.SY
Infrastructural Requirements and Regulatory Challenges of a Sustainable Urban Air Mobility Ecosystem
本文围绕可持续城市空中交通生态系统,概述客运垂直起降飞行器的安全、许可与监管常见问题,明确需考量的基础设施规划、设计及运营要点,为该新型交通方式的可持续发展提供参考。
2023-05-02 cs.SY eess.SY
Using Mobility Patterns for the Planning of Vehicle-to-Grid Infrastructures that Support Photovoltaics in Cities
车辆到电网(V2 G)概念利用电动汽车作为分布式能源存储,因此可能有助于平衡可再生能源(如光伏)的间歇性可用性。因此,V2 G被认为在实现城市低碳能源和交通系统方面发挥着重要作用。然而,城市范围内V2 G基础设施的充分规划需要详细了解个人的总体移动模式,还需要跟踪城市交通模式的持续发展。在这里,我们介绍了一个初始框架,推断人口范围内的移动模式,从匿名的移动电话位置数据,随后叠加的车辆充电和放电计划。该框架允许在给定的电动汽车使用场景下,在细粒度的空间和时间尺度上估计总的V2 G能源供应和需求。这些信息为评估V2 G在最大限度地部署光电子技术方面的作用以及所需车辆(放电)充电基础设施的大小和位置提供了充分的基础。建议的框架适用于新加坡作为案例研究。
2021-12-30 cs.SY eess.SY
Towards Fair and Efficient allocation of Mobility-on-Demand resources through a Karma Economy
University of Padova(帕多瓦大学);ETH Zurich(苏黎世联邦理工学院)
本文提出一种非货币化的 Karma 机制,通过建模内生紧迫性,使用户时间敏感性随系统状态和外部因素变化,从而提升出行按需系统的效率和公平性。
2026-03-23 cs.SY eess.SY
Electrified Autonomous Freight Benefit analysis on Fleet, Infrastructure and Grid Leveraging Grid-Electrified Mobility (GEM) Model
本文分析了重型车辆(HDV)电气化和自动化对车队成本、基础设施成本、电网和环境影响的潜在效益。在这项工作中,我们扩展了车辆电气化效益分析工具:电网电气化移动(GEM)模型,这主要是用来研究轻型乘用车(LDV),分析重型汽车电气化。扩展模型推导出货运和关键结果和货运电气化和自动化的影响调查结果进行了介绍和讨论。
2022-04-27 cs.SY eess.SY
Multi-agent Optimization of Non-cooperative Multimodal Mobility Systems
University of Central Florida(中佛罗里达大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种多智能体优化框架,用于分析非合作多模式移动系统中旅行者和司机的市场互动,通过均衡定价平衡供需并优化系统效率。
2026-01-07 cs.SY eess.SY stat.ME
Fostering Data Collaboration in Digital Transportation Marketplaces: The Role of Privacy-Preserving Mechanisms
National University of Singapore(新加坡国立大学)
本文提出博弈论框架,探讨隐私保护机制如何促进交通领域数据协作,通过降低数据质量期望激励自愿共享,提升运输福利。
2026-02-02 cs.GT cs.SY eess.SY
From Demand to System Co-Shaping: A Review of User Roles in Transportation Systems
Chalmers University of Technology(查尔姆斯理工大学)
本综述提出用户角色分类(被动需求、运营代理、系统共同塑造者),分析用户信息在交通决策中的使用,指出整合不足,倡导向用户驱动的系统设计转变。
2026-09-30 cs.SY eess.SY
Smart Mobility Digital Twin for Automated Driving: Design and Proof-of-Concept
Tokyo Institute of Technology(东京工业大学)
本文提出基于数字孪生的智能出行平台,利用云/边缘计算和协同环境感知实现实时交通监控与大规模路径规划,并通过真实车辆概念验证其功能与低时延性能。
2023-12-25 cs.RO cs.SY eess.SY
A United Framework for Planning Electric Vehicle Charging Accessibility
本文提出一个整合交通模拟、能耗建模和出行公平性度量的优化框架,用于在密集城市环境中优化充电站布局,以纽约市为例实现了出行时间变异性15%-20%的降低,为电动汽车基础设施规划提供了可扩展的公平性考量方法。
2025-08-07 cs.SY eess.SY
DRIVE: A Digital Network Oracle for Cooperative Intelligent Transportation Systems
在一个人工智能彻底改变推理、预测和决策任务的世界里,数字孪生成为改变游戏规则的工具。一个恰当的例子是合作智能交通系统(C-ITS)的开发和优化:网络物理数字基础设施和(半)自动移动性的融合。本文介绍了用于自驱动智能车辆(DRIVE)的数字孪生。开发的框架解决了传统的车辆和网络模拟器的缺点。它提供了一个灵活的,模块化的,可扩展的实现,以确保大规模的,全市范围的实验与适度的计算成本。我们的数字孪生的定义特征是一个独特的架构,允许提交顺序查询,数字孪生提供即时响应与“世界的状态”,因此是一个甲骨文。通过与外部智能代理和真实移动轨迹的双向交互,DRIVE为基于机器学习的C-ITS解决方案的开发、训练和优化提供了环境。
2020-07-07 cs.NI cs.SY eess.SY
Strategizing Equitable Transit Evacuations: A Data-Driven Reinforcement Learning Approach
School of Sustainable Engineering and the Built Environment, Arizona State University(亚利桑那州立大学可持续工程与建筑环境学院);University of California, Berkeley(加州大学伯克利分校)
针对灾害疏散中效率与公平兼顾的需求,提出基于强化学习的公交疏散优化框架,利用实时公交与路网数据动态调线,仿真验证其较传统策略在效率和公平性上均有显著提升,可用于智能交通应急场景。
2024-12-08 cs.AI cs.CY cs.LG
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
Transportation Internet: Concepts, Models, and Architectures
自动化、互联、电气化和共享移动性引发了车辆和交通的颠覆性变化。自动驾驶汽车与互联网数据包一样,通过道路网络从一个地址传输到另一个地址。互联网已经成为一种通用的网络传输范式,能源互联网就是这种范式在能源领域的成功应用。本文将互联网范式引入交通领域,首次提出交通互联网。基于交通互联网的概念,建立了交通互联网的交换模型、路由模型、层次模型等基础模型,形成了交通互联网的基本理论;提出了交通路由器、软件定义交通等新的体系结构,实现了交通互联网的开放性;通过原型和仿真等系统验证,证明了交通互联网的可行性和先进性。在科学和产业上具有深远意义的交通互联网,带来了理论、架构、技术等方面的系统性突破,探索了创新性的研究方向,为新一代交通提供了类互联网的解决方案。
2021-09-29 cs.NI cs.SI cs.SY
A Review on AI Algorithms for Energy Management in E-Mobility Services
Dublin City University(都柏林城市大学);School of Electronic Engineering(电子工程学院);SFI Insight Centre for Data Analytics(SFI洞察数据分析中心);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);University of Birmingham(伯明翰大学)
本文综述了AI算法在电动出行系统能源管理中的应用,涵盖里程焦虑、充电优化与电池寿命等挑战,并展望未来研究方向。
2023-09-26 cs.AI cs.LG cs.SY
FlexPool: A Distributed Model-Free Deep Reinforcement Learning Algorithm for Joint Passengers & Goods Transportation
School of Industrial Engineering, Purdue University(普渡大学工业工程学院)
在线商品交付的增长导致最后一英里交付的城市车辆流量急剧增加。另一方面,随着乘车共享平台的成功以及对使用自动驾驶汽车技术进行路由和匹配的研究增加,乘车共享一直在上升。未来的城市客运和货运交通依赖于利用新方法,最大限度地减少运输系统的运营成本和环境足迹。本文考虑将客运与货运相结合,以改善汽车运输。即使这个问题已经研究了一个定义的动力学模型的运输系统环境,本文认为一个无模型的方法,已被证明是适应新的或不稳定的环境动态。我们提出了FlexPool,这是一种分布式无模型深度强化学习算法,通过从与环境的交互中学习最佳调度策略,共同为乘客和货物工作负载提供服务。所提出的算法池乘客的乘车共享服务,并提供货物使用多跳过境方法。这些灵活性降低了车队的运营成本和环境足迹,同时保持了乘客和货物的服务水平。通过在一个现实的多智能体城市移动平台上的模拟,我们证明了FlexPool在满足乘客和货物需求方面优于其他无模型设置。与(i)无模型方法相比,FlexPool实现了30%的车队利用率和35%的燃油效率,其中车辆运输乘客和货物的组合而不使用多跳运输,以及(ii)无模型方法,车辆只运输乘客或货物。
2020-09-20 cs.AI cs.LG cs.MA