本研究解决了公共交通在通勤流量增加时面临的服务中断管理问题。提出了一种复原力即服务（RaaS）策略的优化模型，旨在有效分配资源并降低运营商和乘客的成本。案例研究表明，该模型在降低成本和提高利益相关者满意度方面表现优越，优化了中断期间的交通管理。

应用层次图和斯塔克伯格博弈探讨警方资源有限时打击犯罪分子的有效策略，结果表明该方法在短时间内能够高效解决复杂问题。

该论文提出了一种新方法，结合条件生成对抗网络和图神经网络，生成逼真的城市交通图像，缩小模拟与实际之间的差距。研究成果可丰富交通图像数据集，提升交通信号控制和拥堵预测模型的性能，实验结果显示该方法在多项任务中优于现有技术。

通过异步多智能体强化学习，我们研究了驾驶导航应用程序中的数据操纵攻击对交通网络和驾驶路线选择的影响。

Braess悖论表明，增加交通网络中的道路可能导致整体效率下降。例如，修建虫洞吸引更多车辆，反而使每辆车的通行时间增加。这说明局部最优解不等于全局最优解，修路可能加剧交通拥堵，形成恶性循环。

Braess悖论表明，增加交通网络中的一条道路可能导致整体效率下降。尽管新路看似能缓解拥堵，实际上却吸引更多车辆，导致每辆车的行驶时间增加。这一现象表明局部最优解并不等于全局最优解，反映了资源投入未必能解决社会问题。