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。

本研究提出了一种新的混合深度学习模型——门控图卷积神经网络，旨在提高自行车共享系统的旅行需求预测准确性。该模型整合了轨迹、天气和接入数据，为交通规划者提供有效的管理决策支持。

本研究提出了一种基于图卷积神经网络的模型，用于预测自行车共享系统中车站的小时需求。通过对多种数据的分析，该模型在纽约市的测试中表现最佳，显著提高了需求预测的准确性，为交通规划提供了有效支持。

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。