本研究提出了一个综合框架，旨在指导生成性人工智能在交通规划中的应用，以应对数据稀缺、可解释性和偏见等挑战，推动交通规划的现代化与创新。

本文提出了一种基于洛伦兹支配的多目标强化学习新算法，旨在解决公平性与可扩展性之间的矛盾。研究表明，该方法在西安和阿姆斯特丹的交通规划中显著提升了政策的公平性和可扩展性。

决策行为在交通规划中很重要。本研究使用低收入家庭数据，采用多项式逻辑模型和机器学习分类器，解释决策行为。结果显示随机森林模型准确性最佳，旅行成本增加会降低公交出行概率，旅行时间减少则增加对地铁的偏好。这项研究扩展了机器学习技术在模式选择分析中的应用，并提高了对这些模型在真实数据方面的理解。