方向趋势板
每张卡片代表一个当前值得单独跟踪的研究方向，包含趋势摘要、证据化信号、反复出现的核心观点，以及可以回看的原始条目。
近期研究重心从单一轨迹建模转向以轨迹为驱动的城市交通系统级智能控制与评估，方法上强调边缘智能、不确定性感知与多目标权衡（如通行效率与排放）。
城市交通拥堵在以汽车为主导的城市中仍是长期存在的挑战，带来显著的经济与社会成本。交通信号系统正日益作为网络化信息物理系统组件部署于智慧城市基础设施中，分布式感知与边缘智能支撑了自适应交通管理。本文研究强化学习（RL）作为一种边缘智能方法，用于科威特某信号控制城市交叉口的自适应交通信号运行。本文设计了一种基于近端策略优化（PPO）的控制器，仅依据本地观测到的交通状态动态分配绿灯时长，无需未来交通需求信息或中心化协调。该控制器在基于科威特真实小时级交通流量数据构建的高保真仿真环境中进行评估，并以平均车辆延误、排队长度和排放量为性能指标，与传统定时控制及代表当前工程实践的车辆感应式控制器进行对比。在基准工况下，所提控制器相较定时控制降低平均车辆延误46%，相较感应式控制降低34%，同时使单车CO2排放量减少约23%。上述性能优势在交通需求波动±15%条件下依然保持，可从工作日交通模式泛化至周末模式，并经奖励函数消融实验验证；五组随机种子实验结果方差较低，证实其统计可靠性。本研究结果表明，基于学习的边缘交通信号控制具备实际应用价值，可作为物联网赋能的智慧城市交通系统的构建模块，并为全面互联的车联网（IoV）系统提供可部署的前期技术路径。
配备无线能量传输（WPT）功能的无人机（UAV）可通过按需供能延长无线可充电传感器网络（WRSN）的生命周期。本文提出一种由中心基站协调的、基于集成感知与通信（ISAC）的按需无人机充电框架。该框架采用优先级充电队列，综合节点剩余能量、业务负载、预估无人机飞行时间及飞行方向对齐度，刻画节点紧急程度与服务成本。这种双向耦合机制确保调度决策影响无人机轨迹规划，而ISAC提供的更新后运动状态估计则动态调整队列顺序。ISAC辅助估计无人机的距离、速度与位置，从而在运动不确定性下更新飞行时间预测。时间分配式部分充电策略依据节点关键性，将有限悬停时间分配至队列中的各节点。仿真结果表明，相较于典型基线方法，本方案在能量利用效率、飞行距离及充电延迟方面均有所提升。文中还讨论了部署相关考量因素，包括计算开销、可扩展性及参数选取，以协助实践者评估该框架在物联网（IoT）场景中的适用性。
城市交通拥堵是日益严重的全球性问题，显著延长通勤时间并加剧环境污染。传统交通信号控制系统往往难以适应动态变化的交通状况。自适应交通信号控制可在不改变道路基础设施的前提下改善城市交通。深度强化学习（DRL）在此任务中展现出优异性能，但现有基于延误或排队长度的奖励函数常导致短视或不稳定的策略。本文提出一种基于动量的奖励函数（MBRF），旨在鼓励车辆持续通行，而非仅惩罚拥堵。该方法在SUMO（Simulation of Urban MObility）仿真平台中进行评估，采用标准交通指标，包括等待时间、排队长度、通行量及CO2排放量。结果表明，相较于基于延误或排队长度的奖励函数以及经典控制器（如Max Pressure和LQF），所提出的奖励函数可实现更优的通行量-排放权衡，并表现出更稳定的训练行为。
先进空中交通（Advanced Air Mobility, AAM）代表了城市交通的范式变革；然而，其成功实施高度依赖公众接受度，而低空电动垂直起降（electric vertical takeoff and landing, eVTOL）运行所产生的噪声已成为主要关切。现有研究通常采用A计权声级（LAeq）和昼夜平均声级（Ldn）等声学指标描述eVTOL噪声。本研究构建了一个基于地理信息系统（Geographic Information System, GIS）的框架，将eVTOL声学输出转化为表征高度烦恼人群比例（%HA）的空间分布图，案例为美国阿肯色州西北部一条典型医疗物资配送航线。结果表明，噪声与烦恼度总体随距航线距离增加而递减，其中下降阶段引发的烦恼度最高，其次为爬升阶段和巡航阶段。通过整合美国人口普查（Census）人口数据，估算高度烦恼个体数量并识别空间影响热点区域。进一步将噪声-烦恼度结果与航线距离及空域因素相结合，评估备选航线方案，识别兼顾多方需求的均衡路由策略。该框架将声学评估与人类主观响应相衔接，支持噪声敏感区域识别、航线方案比选以及社会可持续的AAM基础设施规划。
智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的规范，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个面向交通研究的统一平台，其架构围绕五个相互关联的层级展开：硬件层（Hardware）、数据层（Data）、模型层（Model）、评估层（Evaluation）与原型层（Prototype），每一层均配备标准化模式（schema）、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为一种规范格式，包含朝向型边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 构建的数字孪生地图与经校准的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间缩短 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开发布。
智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的约定，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个围绕五个相互关联层级（硬件层、数据层、模型层、评估层与原型层）构建的交通研究统一平台，各层级均配备标准化模式、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为规范格式，包含朝向边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 的数字孪生地图与标定后的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间减少 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开。
近期研究聚焦于构建统一、可扩展的多模态联合建模框架，以应对遥感中模态配对稀缺与任务泛化不足的问题；方法重心正从两两模态翻译转向场景中心表征解耦、跨模态语义对齐及异构行为统一训练。
多模态遥感图像对地球观测至关重要，但在实际应用中，完整的配对观测往往稀缺。现有生成方法通常通过孤立的两两模态翻译来应对该问题，但随着模态数量与生成任务种类的增加，其通用性与可扩展性仍显不足。本文提出一种面向多模态遥感影像的生成式基础模型 MetaEarth-MM，支持在统一框架下实现五种模态间的配对联合生成及任意模态到任意模态的翻译。鉴于多模态观测内在的场景一致性，MetaEarth-MM 引入一种场景中心联合建模范式：不同于以往依赖外观层面直接跨模态映射的方法，本模型以底层场景内容为核心组织生成过程。具体而言，MetaEarth-MM 采用解耦式架构，首先从已有观测中推断出潜在场景表征，再以此中间状态为条件生成目标模态图像。为支撑训练，我们进一步构建了 EarthMM 数据集——一个包含 280 万幅多分辨率全球遥感图像、其中 220 万对严格配准样本的大规模数据集。大量实验表明，MetaEarth-MM 不仅在各类生成任务中展现出强大的生成能力与鲁棒泛化性能，还能在数据级与表征级支持下游任务，凸显其作为跨模态地球观测通用基础模型的潜力。代码与数据集将发布于 https://github.com/YZPioneer/MetaEarth-MM。
多模态遥感图像的语义分割在土地利用/土地覆盖（LULC）制图、环境监测及精准地球观测中发挥着关键作用。当前多模态方法主要集中于融合互补的视觉模态，却忽视了非视觉文本数据这一富含知识的信息源——文本可有效弥合视觉模式与现实世界概念之间的语义鸿沟。为解决该局限，我们提出TSMNet：一种文本监督的多模态开放词汇语义分割网络，通过协同整合文本监督与视觉表征实现开放词汇语义分割。不同于传统多模态分割框架，TSMNet引入双分支文本编码器，从多种文本数据中分别提取场景级语义与物体级标签信息，从而支持动态跨模态融合。这些由文本导出的特征通过所提出的文本引导视觉语义融合模块与视觉嵌入动态交互，实现领域感知的特征优化及人类可解释的决策过程。为验证本方法，我们创新性地构建了两个新的多模态数据集，并开展大量实验，将所提方法与其它前沿（SOTA）语义分割模型进行系统性对比。结果表明，TSMNet在分割精度上表现优越，且在多样化的地理区域与传感器特异性场景中展现出强泛化能力。本工作为可解释遥感分析建立了新范式，证实文本知识整合可显著提升模型泛化性。源代码将于https://github.com/yeyuanxin公开。
遥感视觉-语言模型（Remote Sensing Vision-Language Models, VLMs）日益被期望支持对地球观测（Earth Observation, EO）数据及多种任务的开放式推理。该领域近期的多数进展依赖于面向遥感任务定制的架构设计，常引入新的编码器、对齐模块或任务特定的融合机制。本文质疑此类架构特化的必要性。我们证明，一个通用型视觉-语言模型只要在足够大规模、多样化数据与任务上进行训练，即可在具有挑战性的遥感基准测试中达到具备竞争力甚至当前最优（state-of-the-art）的性能。本模型采用单一语言策略，可直接以文本形式作答，亦可调用定位工具执行分割与空间定位（grounding）。为训练这种异构行为，我们构建了一个多任务强化学习框架，并采用覆盖多项选择型视觉问答（VQA）、自由形式视觉问答、图像描述生成（captioning）、目标检测与分割等任务的自适应任务奖励机制，输入类型涵盖广泛。本方法在一系列基准测试中均取得具备竞争力的结果，包括高分辨率、多时相、多模态与多视角任务。此外，随着训练数据规模扩大，实验显示模型在分布内与分布外的大多数任务上均呈现持续提升趋势，且性能增益与各任务所对应数据的多样性呈正相关。这些发现表明，对于遥感视觉-语言模型而言，数据规模的重要性高于架构创新。
出版日期：2026年10月；来源：《ISPRS摄影测量与遥感杂志》（ISPRS Journal of Photogrammetry and Remote Sensing），第240卷；作者：吴培浩、姚永翔、张文飞、魏东、万毅、郭浩宇、李延升、张永军
数十年来的轨道探测任务已获取大量月球多模态遥感数据，涵盖光学影像、光谱学、热辐射、雷达、重力场及元素成分等类型。然而，这些数据仍分散存档于不同机构，且尚无用于评估机器学习模型在月球数据上性能的基准。本文提出 Moonstone，首个面向月球遥感的多模态基础模型基准。我们的贡献包括：（1）构建一个覆盖五项任务、七类仪器的全球月球预训练数据集，包含28个通道、空间分辨率为每度128像素（约237米）；（2）提出 MG-MAE（Modality-Grouped Masked Autoencoder），一种按模态分组的掩码自编码器，其特点包括：针对各模态组设计的卷积标记器（convolutional tokenizers）、共享的 Vision Transformer 编码器、面向缺失模态的注意力掩码（attention masking）、适配异构空间覆盖范围的覆盖率自适应掩码（coverage-adaptive masking），以及保障物理合理重建的光谱连续性正则化（spectral continuity regularization）；（3）构建涵盖分类、回归与分割任务的六项下游任务基准。MG-MAE 预训练特征在全部下游任务上均显著优于从零训练（scratch）基线，并大幅超越 ImageNet 预训练及标准 MAE 基线。数据与代码发布于 https://huggingface.co/datasets/ayushprd/Moonstone 和 https://github.com/ayushprd/Moonstone。
多模态变化检测（MMCD）旨在从多模态遥感（RS）数据中识别变化区域，在土地利用监测、灾害评估及城市可持续发展等领域具有重要应用价值。然而，现有MMCD方法在跨模态交互与模态特异性特征挖掘方面存在局限，导致对细粒度变化信息建模不足，难以精准检测多模态数据中的语义变化。为解决上述问题，本文提出STSF-Net——一种面向光学与合成孔径雷达（SAR）图像的MMCD框架。STSF-Net联合建模模态特异性特征与时空共性特征，以增强变化表征能力：模态特异性特征用于捕获真实的语义变化信号，而时空共性特征则用于抑制由成像机制差异引发的伪变化。此外，我们引入一种光学与SAR特征融合策略，该策略依据预训练基础模型提取的语义先验，自适应调整各模态特征的重要性，实现语义引导下的多模态信息自适应融合。同时，我们构建了Delta-SN6数据集，这是首个公开可用的多类别MMCD基准数据集，包含甚高分辨率（VHR）全极化SAR与光学图像。在Delta-SN6、BRIGHT和Wuhan-Het数据集上的实验结果表明，本方法在平均交并比（mIoU）指标上分别较当前最优方法（SOTA）提升3.21%、1.08%和1.32%。相关代码与Delta-SN6数据集将发布于：https://github.com/liuxuanguang/STSF-Net。
近期研究重心正从单一模态（如栅格EO）基础模型转向融合物理系统与社会结构、栅格与矢量、观测与行政单元等异构几何与语义结构的统一表征；同时，智能体范式强调工具增强、动态执行与空间输出评估。
人类世的一个核心挑战在于将物理地球系统与人类社会建模为一个耦合系统，然而目前尚无学习所得的表征能够覆盖二者在观测尺度上的全部广度。我们认为其根本障碍在于几何结构差异：物理地球以忽略政治边界的连续场形式被测量，而社会数据则按行政单元（如国家）上报。现有地球系统基础模型适配前一种几何结构；将其与后一种几何结构耦合时，不得不依赖有损的边界平均操作。本文提出 TerraNova——一种在原始几何结构下训练的基础模型，输入包含 1,024 类物理与社会记录：其中 512 类为格网化地球系统场，另 512 类为国家级指标。专用编码器分别表征位置、国家、时间和任务；跨模态 Transformer 将其融合为统一的时空状态；超网络则为每个查询生成专属解码器，其证据性输出头返回预测分布。该表征通过两项对比学习目标实现耦合：一是基于人口加权的国家与其境内地理坐标的对齐；二是与预训练的、承载图像语义的地理空间嵌入对齐。经该解码器读出后，该表征在性能上可媲美专用于地理空间任务的编码器，同时拓展了后者未涵盖的维度（时间、海洋及不确定性），并支持国家级别的建模能力。冻结主干网络可在消费级硬件上数分钟内完成从稀疏观测重建稠密场，并快速适配至未见变量。
《GIS学报》（Transactions in GIS），第30卷，第5期，2026年8月。
本概念性研究将有效重访周期——即可用观测之间的时间间隔，而非仅名义上的轨道重访周期——视为卫星变化检测的一阶组织变量。该研究不以算法性能评测为焦点，而是通过三种时间观测范式、一个有序的信息深度阶梯（I1–I5）以及GeoAI伦理暴露度，对本领域进行重新诠释。合成分析依托于一组有目的选取的综述文献、运行研究报告、政策文件及官方传感器技术规格。该框架区分了事件对比型、周期语义监测型和事件解析型运行范式，同时将空间粒度建模为调节变量，并将数据缺失与端到端延迟建模为衰减机制。I1–I5定义了从二元变化指示至时间约束型运行告警的五级有序能力层级。重访-伦理共振指数（RERI）被重构为一项透明但未经验证的序数量化复合指标，整合重访/可用性、延迟、自动化程度、可扩展性、地理隐私、滥用风险、问责/监管机制以及溯源/质量等维度；其中理论加权值仅保留在敏感性分析中使用。示例分析表明，模型类别、空间细节与时间范式在分析上彼此独立。因此，本研究提出若干可检验命题：更短的有效重访周期仅在空间粒度、数据可用性、延迟及部署情境共同支持的前提下，方可实现更深层次的时间输出；相应地，治理要求取决于系统配置与预期用途，而不仅取决于重访周期本身。
地球观测（Earth Observation, EO）已从根本上改变了对环境过程和人类活动的全球尺度监测。近期自监督学习的发展催生了地球观测基础模型（Earth Observation Foundation Models, EOFMs），该模型利用PB级未标注EO数据，学习可迁移表征，以支持广泛下游地理空间任务。尽管取得进展，当前EOFMs仍主要局限于栅格模态，忽视了OpenStreetMap与Overture等公开可获取矢量数据源中蕴含的丰富结构化信息。矢量数据以显式且紧凑的方式表征地理实体，涵盖几何、拓扑及语义关系，提供了影像本身常难以明确表达或无法获取的关键上下文信号。因此，栅格与矢量数据代表了地理空间的互补视角：栅格数据捕获连续的物理与光谱模式，而矢量数据则编码离散对象及其关系结构，且往往更侧重于人类系统（如社会或人口统计学数据），而非纯物理系统。然而，现有地理空间表征学习范式将这两种模态割裂处理，依赖不完善且常具信息损失的转换方法来弥合二者。本文作为观点论文，呼吁转向一种新范式——联合空间表征学习（Spatial Representation Learning, SRL），即在统一嵌入空间中整合栅格感知与基于矢量的推理。我们基于多模态地理空间学习的新兴进展，阐述其概念基础、技术挑战以及融合异构空间数据源的潜在路径，并主张此类融合对于构建下一代地理空间基础模型至关重要。
地理空间基础模型（Geospatial Foundation Models, GFMs）被提出作为灾害响应、土地覆被制图、粮食安全监测及其他高风险地球观测任务的通用化骨干模型。然而，现有已发表的相关研究未能向评审者或用户提供足够信息，以判断何种模型适用于特定任务。我们认为，目前尚无人确切知晓GFMs的技术前沿究竟为何。尽管相关方法可能具备实用价值，但GFM领域的文献在评估标准、训练与测试协议、公开模型权重以及预训练控制等方面缺乏统一规范，致使模型之间无法有效比较或排序。我们在一项涵盖152篇论文的审计中发现：针对同一模型、基准与协议，跨论文报告结果存在至少10分差异的情况达46处；在126篇可提取预训练数据的论文中，94篇所采用的配置未被其他任何论文复用；39%的GFM论文未公开其模型权重。此类社区标准缺失问题可通过协作解决。我们提出六项具体期望：以明确许可证名称发布模型权重、建立共享的核心评估集、标注基线结果为“复现”或“直接引用”、报告结果方差、采用统一的评估框架、分离数据、架构与算法三类控制变量。这些缺口源于协调失灵，而非任一实验室之过；本文作者亦如GFM领域诸多研究者一样，曾无意中促成此类问题。我们不仅旨在批评现状，更致力于提供切实可行的步骤，推动社区就GFM创新路径达成共识。
大型语言模型（LLM）与地理信息系统（GIS）的融合标志着自主空间分析范式的转变。然而，由于地理空间工作流具有复杂、多步骤的特性，对这类基于LLM的智能体进行评估仍具挑战性。现有基准主要依赖静态文本或代码匹配，忽视了动态运行时反馈以及空间输出的多模态特性。为弥补这一空白，我们提出GeoAgentBench（GABench），一个专为工具增强型GIS智能体设计的动态交互式评估基准。GABench提供了一个真实的执行沙箱，集成了117个原子级GIS工具，覆盖6个核心GIS领域中的53类典型空间分析任务。鉴于精确的参数配置是动态GIS环境中执行成功的主要决定因素，我们设计了参数执行准确率（Parameter Execution Accuracy, PEA）指标，采用“最终尝试对齐”（Last-Attempt Alignment）策略，量化隐式参数推断的保真度。作为补充，我们提出一种基于视觉-语言模型（Vision-Language Model, VLM）的验证方法，用于评估数据-空间准确性及制图风格符合度。此外，为应对因参数错配和运行时异常导致的频繁任务失败，我们开发了一种新型智能体架构——Plan-and-React，该架构通过解耦全局编排与逐步响应式执行，模拟专家级认知工作流。针对七种代表性LLM开展的大量实验表明，Plan-and-React范式显著优于传统框架，在多步推理与错误恢复方面尤其突出，实现了逻辑严谨性与执行鲁棒性的最优平衡。我们的研究揭示了当前能力边界，并确立了一个稳健的
近期研究聚焦于将复杂网络理论与地理模拟方法（如元胞自动机、基于智能体建模）耦合，以解析城市系统在多重扰动下的结构韧性与动态演化机制；问题重心正从静态拓扑表征转向时空显式、机制可解释的动态过程建模。
本研究考察基于经济复杂性（Economic Complexity）与复杂网络理论（Complex Network Theory）构建的模型对巴西市镇人类发展指数（IDHM）的预测能力。为此，将经济复杂性指数（Economic Complexity Index, ECI）适配至巴西语境。主要目标是评估区域发展分析的不同路径——例如本地生产专业化程度及在国家交通网络中的结构整合度——对社会经济发展的影响程度。方法上，比较了线性回归模型（岭回归、LASSO 和弹性网络）与非线性模型（决策树与可解释提升机，Explainable Boosting Machine），所有模型均通过五折交叉验证结合网格搜索进行评估。分析在两个空间聚合尺度上开展：市镇（municipalities）与近域地理区（Immediate Geographic Regions）。结果表明，区域聚合层面的模型统计噪声更小、稳定性更高，在解释IDHM时展现出显著更高的决定系数（R²）与更强的解释力。尤其值得注意的是，在近域地理区层面，经济复杂性指数（ICE）单独即成为IDHM的主要结构性决定因素，表明该尺度下区域生产专业化程度本身即可解释人类发展水平变异的很大一部分。此外，纳入道路基础设施网络的拓扑指标普遍提升了模型性能。其中，可解释提升机（Explainable Boosting Machine）表现最优：当纳入网络指标时，在近域地理区层面达到R² = 0.8196。
出版日期：2026年9月15日；来源：《可持续城市与社会》（Sustainable Cities and Society），第148卷；作者：池慧、郑立勤、邱启贤、卢楠
过去三十年间，一种被称为超离散化（ultradiscretisation）的特殊极限过程，已成为无穷维可积系统领域中构造具有孤子行为的元胞自动机（如Korteweg-de Vries方程所描述的情形）的首选工具。一个较少为人知的事实是，在许多情况下，超离散化亦可用于构造保留常微分方程（ODE）所描述的动力系统之核心动力学特征（例如极限环的存在性等）的元胞自动机。在标准应用中，超离散化过程依赖于预先构造一个‘良好’的离散化模型——该模型须与原ODE共享核心动力学特征，且符号恒定（sign-free），从而可施行超离散极限。本文以一个简单但具代表性的模型为例表明：即使起始的离散系统与其连续极限（即对应ODE）具有不同的动力学特征，仍可通过调整超离散极限过程，使所得元胞自动机的动力学行为更接近其连续极限，而非原始离散模型本身。
下一代无线网络必须在突发且严重的干扰下维持可靠运行，尤其在超可靠低时延通信（URLLC）场景中，严格的时延约束主导系统设计。本文从时间中心视角出发，通过显式引入有限码长（FBL）通信，将传输时长建模为一种可控资源，以支持系统恢复，从而应对网络韧性问题。为此，我们提出一种统一的跨层框架，联合耦合队列动态、速率自适应与码长优化，使系统能够主动吸收、适应并恢复各类韧性事件。为系统性评估上述机制，我们引入一种可解释的韧性度量，将干扰影响分解为吸收损失、适应效率与恢复行为三部分，从而实现对系统韧性直接且直观的评估。基于该框架，我们设计了一种三阶段交替优化方法，联合优化物理层参数（包括波束赋形、可重构智能表面（RIS）相位偏移及码长），揭示了FBL体制下时延感知资源分配的重要性。数值结果表明，所提方法在重复信道中断与AI驱动的业务激增场景下均展现出优异的韧性性能，验证了跨层资源自适应的有效性。最后，所提出的韧性度量支持在不同方法与干扰类型间进行直观、一致的韧性性能比较，并揭示各自的优势与局限。
识别复杂网络中的关键节点是一项基础性挑战，在社交网络分析、通信基础设施、交通系统和信息网络等领域具有广泛应用。现有排序方法通常依赖于度数、k-壳指数及邻域连通性等结构特征的组合来估计节点的重要性。然而，许多此类方法存在若干关键局限性，包括准确性不足、对影响力相近节点的区分能力（分辨率）较低、依赖可调参数，以及计算复杂度高，从而限制了其在大规模或真实网络中的实用性。本研究提出一种新的排序框架，将拟拉普拉斯结构度量与受引力启发的聚合过程相结合。其核心思想是仅利用度数和k-壳指数这两种简单但信息丰富的属性，构建每个节点结构角色的增强表征，并通过短程相互作用机制评估其局部影响力。所提方法无需可调参数、具备可解释性且计算高效，仅需一个固定的小引力半径（R=3），因而适用于大规模且异构的网络。在九个真实网络上开展的实验表明，相较于八种前沿方法，该框架在准确性、分辨率和计算简洁性方面均持续优于现有技术。结果凸显了引力-拟拉普拉斯范式作为识别复杂网络关键节点的一种可靠且可扩展工具的有效性。
有向网络广泛存在于生物、社会、信息及工程系统中，但多数分析将有向性视为二元属性：一个网络要么是有向无环图（DAG），要么不是。这种二元分类掩盖了真实系统中所蕴含的丰富层次性、循环性与模块化结构。本文实证评估了DAG性框架——一种包含四个分量的度量方法，用于量化107个来自十二个结构多样性领域的网络在无环性、流向一致性、循环局部性及路径复杂性四个维度上的特征。我们的结果并未沿袭传统学科边界，而是揭示出跨领域意外收敛现象：不同系统普遍归为四种普适性结构原型。我们发现，宏观尺度上的无环性即使在富含反馈的系统中亦普遍存在；而神经连接组与抽象信息网络等迥异领域，也常受制于相同的拓扑约束。这些发现表明，DAG性为理解复杂系统中有向结构的潜在规律提供了一种统一、可解释且领域无关的分析视角。
围绕实验室五个研究方向整理的研究日报 PDF，包含头版综述、方向趋势与当日延伸阅读。