本研究探讨高密度集体中的拥堵现象，提出通过地方学习提高流动性和减少拥堵的方法。研究表明，机器人通过调整碰撞和噪声的反转概率，能有效改善工作不均和整体性能。

本研究解决了欧盟人工智能法案缺乏高风险领域评估方法的具体问题，提出了一种新颖的框架用于定量评估强化学习代理在拥堵管理中的鲁棒性和韧性。研究结果表明该框架能够有效识别脆弱性，从而提高人工智能在关键应用中的鲁棒性和韧性。

高通在巴塞罗那MWC发布了骁龙X85/X82 5G调制解调器，提供更快的速率和高拥堵区域的可靠性。X85专为Android旗舰手机设计，X82面向PC等设备，均支持千兆速率，预计2025年下半年商用。

本研究提出了一种选择性信息披露机制，以解决拥堵游戏中用户自私行为导致的路由效率低下问题。结果表明，该机制显著降低了效率损失，提升了社会整体福利。

本研究针对电力市场中经济调度和直流最优潮流问题，提出了集成学习与优化（ILO）方法，以改善经济运行。研究结果显示，ILO方法在减少电力市场后的惩罚及线路拥堵方面具有显著优势，从而有效提升了经济效益。

本研究解决了在高维欧氏空间中理解局部边际价格（LMP）变化及其对价格预测和市场策略形成的影响这一问题。通过无监督方法，论文提出了一种新颖的算法，对LMP数据的拥堵部分进行分解，并找到反映所有传输线路瞬时拥堵状态的基向量。研究结果表明，该方法能够有效识别拥堵状态，并在IEEE 30-bus系统、IEEE 118-bus系统、伊利诺伊200-bus系统和西南电力池中的数值实验中展现出良好的性能。

多智能体路径规划旨在将多个智能体从起点移动到目标点，终身智能体路径规划则进一步扩展了这一问题。本文讨论了三个主要挑战：在有限时间内为大量智能体寻找高质量路径、缓解拥堵和短视行为的影响，以及理论模型与实际应用之间的差距。

本文提出了一种名为SURCONFORT的半监督学习方法，旨在解决铁路运输系统中拥堵预测的标签稀疏性问题。研究表明，SURCONFORT的预测性能提高了14.9%。

_Ben Adler chronicles the endless struggle to bring congestion pricing to New York, for Issue 15. Read it on our website here. 本·阿德勒记录了将拥堵收费引入纽约的漫长斗争，您可以在我们的网站上阅读第 15 期的内容。_ It has taken almost 60...

移动用户通过众包平台学习和分享交通观察，但这类平台只迎合自私用户的短视利益，未鼓励用户为他人出行和学习其他路径。研究发现短视路由策略导致随机路径的严重未探索，造成高社会成本。提出了一种信息隐藏和概率推荐机制 CHAR，成功确保了低于5/4的PoA，并在实验中验证了其性能。

通过启发式学习方案，派生出一种调整复制者漂移的新类连续时间学习动态。该动态基于玩家保留回报的指数折扣总和，并使用平滑最佳响应选择行动。该动态满足进化博弈理论的民间定理变体，并以纳什均衡的逼近收敛于潜在游戏。基于交通工程应用的启发，设计了离散时间的基于回报的学习算法，具有收敛性质，仅需要玩家观察游戏中的回报。

该研究介绍了名为Haris的自主移动机器人系统，利用车牌识别技术在拥挤的停车场中跟踪车辆位置。该系统使用自主定位和地图绘制进行导航和停车区域绘制，通过计算机视觉技术进行物体检测和车牌识别。用户可以通过移动应用程序轻松找到车辆位置并减轻停车设施的拥堵。该系统有潜力改善拥挤场所的停车管理。

本文提出了一种可完全扩展和去中心化的多智能体 A2C 算法，用于城市交通网络中的自适应交通信号控制。结果表明其优化性、鲁棒性和样本效率优于其他最先进的去中心化 MARL 算法。

该研究探索了受重尾分析和不平衡分类问题启发的损失函数，以解决交通预测中拥堵预测不准确的问题。实验结果表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。