研究

面向自适应交通系统的模型与算法。

清华大学出行科学（MoS）实验室研究人、基础设施与政策如何在交通系统中相互作用，尤其关注不确定性、突发中断与快速城市化下的系统行为。

代表性研究

Schematic of the individual path recommendation problem on a disrupted rail and bus network (Figure 1, Transportation Science)
公共交通韧性

公共交通中断下的个性化路径推荐

建模乘客行为的不确定性，在服务中断时为乘客推荐更具韧性的出行路径。

Commuting patterns in Beijing, Munich, and Singapore before and after housing exchange (Figure 2, Nature Sustainability)
可持续城市系统

以住房置换降低通勤碳排放

通过住户层面的住房置换策略，降低过量通勤带来的碳排放。

Pair-wise attention-based pointer neural network architecture (Figure 2, Transportation Research Part E)
交通智能

末端配送路径轨迹预测

基于成对注意力的指针神经网络，预测司机在末端配送中的行驶轨迹。

Physical network and time-space hypernetwork representation (Figure 1, Transportation Science)
公共交通韧性

城市轨道交通事后路径选择估计

基于刷卡数据与聚合时空超网络，估计城市轨道乘客的路径选择。

研究方向

01

公共交通韧性

研究交通系统与乘客如何应对计划内与计划外的中断，包括事故感知的乘客行为推断、鲁棒路径推荐、网络性能建模，以及降低拥堵、提升服务可靠性的控制策略。

02

出行行为与需求建模

利用刷卡数据、车牌识别数据、问卷与运营数据，构建可解释、可预测的出行行为模型；研究路径选择、方式选择、个体出行预测，以及公共交通与新兴出行方式之间的相互作用。

03

交通智能（AI for Transportation）

将机器学习、深度学习、鲁棒优化与决策模型应用于交通问题，如到达时间估计、末端配送路径预测、时序预测大模型，以及数据不确定性下的分类问题。

04

可持续城市系统

将交通置于更广义的城市信息物理社会系统中研究，应用包括通勤碳排放、极端天气韧性、通勤中的公共健康风险、住房流动性与政策评估。