本文探讨了基于人工智能的适应性行程规划和旅行时间估计，旨在解决传统导航方法对动态用户偏好和实时交通的适应不足。研究采用机器学习和强化学习等技术，推动导航系统的高效与可持续发展。

本研究提出SPTTE框架，解决时变多次旅行时间分布建模问题，利用时空随机过程回归应对稀疏观察挑战，显著提升旅行时间估计的准确性。

本研究提出了一种实时交通信号灯控制方法，使用深度 Q 学习和奖励函数，考虑排队长度、延迟、旅行时间和吞吐量，动态决定相位变化。通过在中国杭州的一个路口验证，结果显示该方法显著改善了车辆等待时间、排队长度和总行程时间。