本文解决了通过新颖的数据驱动方法优化电动汽车充电站选址的关键挑战。研究通过因果发现技术分析了大量充电数据，揭示了充电需求与便利设施接近度、EV注册密度及交通繁忙路线的关系，为充电站布局提供了实用建议，旨在提升充电站的利用率和用户便利性。

本研究探讨了面包师与磨坊主在选址博弈中的战略选择，提出的复杂算法显示在选址限制下仍可实现均衡，并能接近最优社会福利，对商业和产品设计具有重要意义。

该研究比较了三种图神经网络在智能交通系统中的应用，发现门控图神经网络（GGNNs）是最有效的选择，具有较低的均方根误差和平均绝对误差。

Retrieval-Augmented Generation (RAG)是一种合并检索方法和深度学习技术的方法，旨在通过动态整合最新的外部信息解决大型语言模型（LLMs）的静态限制，并改进LLMs输出的准确性和可靠性。该研究将RAG范式分为四个类别，并提供了详细的视角，介绍了RAG的演进和领域的进展。同时，该论文还提出了针对RAG的评估方法，并提出了面临的挑战和未来的研究方向，旨在巩固现有的RAG研究，明确其技术基础，并突出其扩展LLMs的适应性和应用潜力。

本文介绍了一种基于GPT的光网络框架，通过智能代理实现对物理层和应用层的智能控制和交互。该框架从光网络资源库中提取领域知识，实现光网络的自主运行和维护。研究验证了该框架在网络告警分析和性能优化方面的准确率和语义相似性，展示了GPT在光网络中的潜力。

这篇文章研究了竞争性设施位置问题，考虑了两种类型的客户和两阶段多智能体系统。通过图中加权客户的主机图，设施代理机构选择设施的顶点，客户选择要光顾的已开设设施之一。结果表明，如果所有客户的权重相同，纯子博弈均衡总是存在。对于非相同的客户，近似稳定状态的存在计算上难以处理，但给出了一个2的上界。

我们研究了设施位置问题的变体，考虑了代理人的成本和距离因素，并探讨了最优解计算和近似机制设计。

该研究探讨了非合作的两侧设施定位博弈，提供了一个简单有效的算法来计算3-近似的子博弈完美均衡。