近期研究重心从单纯的轨迹模式挖掘转向高保真仿真校准、去中心化实时控制及跨城市生成式建模。方法上显著融合了分布式传感（DAS）、可微动力学模型与大语言模型智能体，以解决时空异质性与系统级优化难题。
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。
近期研究重心从单纯的轨迹模式挖掘转向高保真仿真校准、去中心化实时控制及跨城市生成式建模。方法上显著融合了分布式传感（DAS）、可微动力学模型与大语言模型智能体，以解决时空异质性与系统级优化难题。
城市交通网络在实现高保真模拟器校准和实时运行控制方面面临着复杂的优化挑战。本文提出了一种共享潜在空间框架，通过城市交通动力学的共同学习表征，将模拟器校准与强化学习控制联系起来。首先，我们开发了一种组合式 MLP-自编码器架构，该架构学习连接模拟器输入（起讫点需求、网络参数）与输出（旅行时间、拥堵模式）的低维流形，从而支持高效的贝叶斯优化以进行校准。与传统降维方法相比，该方法展现出更优的样本效率，并在固定计算预算内实现了对观测数据的更好拟合。其次，我们实施了一种带有经验回放和目标网络的深度 Q-learning 智能体，通过调度与路径调整来优化动态交通分配。在基准网络上的实证评估显示，与基线运营相比，我们的方法可将系统总旅行时间减少高达 51%。所学习的潜在表征不仅用于降低贝叶斯校准的维度，还被纳入强化学习的状态表征中，使控制策略能够在压缩且经过校准的交通动力学上运行。这种共享潜在空间的公式化为智能交通系统中从模拟器校准到自适应运行控制提供了统一的路径。研究结果凸显了深度学习方法在城市出行规划与管理中的变革潜力，特别是在传统优化方法面临计算瓶颈的大规模网络中。
以高时空分辨率映射交通动态分布是交通运输研究中的基础问题。分布式声学传感（DAS）作为一种创新的 seismic observation 工具，成为在高空间和时间尺度上进行实时城市交通监测的有前景解决方案。DAS 将现有的地下光纤电缆重新用作密集、连续的传感器阵列，从而能够以米级空间分辨率和秒级时间分辨率对道路上的交通活动进行被动且保护隐私的监测。本研究探讨了整合 DAS 与深度学习模型能否作为连续高效的城市交通观测站，以揭示高时空分辨率下的城市交通动态（即交通流量、拥堵及事件驱动的变化）。基于在美国德克萨斯州大学城（College Station）沿路网部署的 DAS 系统，本研究开发了一个由深度学习赋能的分析框架，将原始地面振动波形转换为时空表示，检测车辆轨迹，并从聚合的交通流量和速度中推断交通状态。采用结合合成数据与人工标注 DAS 图像的混合训练策略，以提高噪声和拥堵条件下的车辆检测性能，并将模型输出进一步聚合以表征系统级交通动态。
随着现代城市交通拥堵日益加剧，网联自动驾驶车辆（CAVs）已成为下一代智能交通管理的关键使能技术。然而，当前范式存在若干局限，制约了该潜力的充分实现：现有方法通常仅优化局部交互而非系统级效率，通信开销巨大，或缺乏运动学安全执行所必需的确定性保障；此外，当前多智能体方法常局限于小规模预定义场景，难以扩展至大规模复杂城市路网。为弥合这一差距，本文提出 VeloCity——一种面向任意城市区域中 CAV 运行的去中心化多智能体时空移动轮廓规划框架。为最小化车辆行程时间，VeloCity 将移动轮廓优化任务直接下放至各 CAV 个体：车辆向本地交通协调器查询预约表，独立计算其最快且无冲突的移动轮廓，并将所需时空槽位请求反馈给协调器完成预约。该框架原生适配任意道路拓扑结构，无需针对特定场景调参即可管理高度不规则的城市区域，同时严格保障车辆轨迹无碰撞且物理可执行。在东京、曼哈顿、罗马和博洛尼亚四张大规模真实城市地图上的大量仿真表明，该框架具备良好可扩展性；相较于现有先进模型，VeloCity 显著降低行程时间，严格约束延迟方差，并在极高车流密度下仍可有效避免拥堵死锁。
用户在交通系统中处于核心地位，但在交通建模与决策中其角色常被简化。传统方法主要通过出行流、配送请求和充电负荷等与需求相关的输入来表征用户。然而，数字化、电气化及基于平台的服务创造了更直接的用户-系统交互，用户对价格、激励措施、服务可用性和信息的响应方式能够影响运营和规划决策。本综述构建了一种以概念为导向、基于分类学的综合框架，阐述用户相关信息在交通决策中的表征与应用方式。我们未主要按交通领域组织文献，而是区分了三种用户角色：被动需求者、运营代理者和系统共同塑造者。结合交通电气化、城市物流、共享出行、多式联运以及出行即服务（MaaS）等领域的研究，本文考察了用户偏好、灵活性、支付意愿、接受度、参与度和反馈如何被纳入建模与决策框架。综合结果显示，尽管在测量和预测用户行为方面已取得进展，但用户相关变量仍主要用于行为分析，而非作为系统决策的可操作输入。其在运营决策中的整合尚不完整，而从运营用户响应及结果向长期规划的系统性反馈则更为有限。关键挑战包括闭合运营与规划之间的回路、对异质性及策略性用户进行建模、将优化与用户接受度相结合，以及确保隐私、公平性和可部署性。这些发现共同表明……
人类移动性生成旨在合成真实的兴趣点（POI）访问轨迹，已成为出行行为建模、交通管理和城市规划的重要工具。现有的基于扩散模型的方法虽然保真度高，但由于地理空间位置和 POI 类别固有的异质性，需要针对每个城市单独生成；而基于大语言模型的方法虽能实现跨城市泛化，但在大规模场景下成本过高，尤其对于长时域轨迹生成而言。为解决这一问题，我们提出了 SeMoFlow，一种基于潜在流匹配（latent Flow matching）的语义人类移动性生成框架。首先，我们通过分层语义 ID（Semantic IDs）将不同城市的异构 POI 编码到共享的跨城市表示空间中，其中共享前缀捕捉可迁移的语义，后续代码逐步细化表示以指向具体 POI。基于语义 ID，SeMoFlow 遵循“规划-合成”的分层生成范式：自回归规划器生成粗粒度的语义和重复模式，流匹配实现器合成细粒度的后缀潜变量。生成的潜变量随后被解码并映射到具体的 POI。在大规模多城市数据集上的广泛实验表明，SeMoFlow 相比现有基线方法实现了更高的轨迹保真度，保留了特定城市的移动性特征，并支持联合多城市生成及有效的跨城市迁移。
轮椅、滑板车和自行车等自主微型移动车辆（MMV）有望改善出行可达性，并在行人共享空间中支持安全的低速交通。实现 MMV 的自主性需要真实且可预测的运动模型。然而，许多现有的自动驾驶系统栈依赖于简化的运动学模型，未能捕捉轮胎滑移、摩擦和车轮布局等关键 MMV 特性，从而限制了模型的真实性及基于梯度的优化能力。本文探讨了自主微型移动系统中动力学模型的可微分表述。首先，我们构建了 DiffKBM，即运动学自行车模型（KBM）的可微版本。随后，引入 DiffGM3，这是通用微型移动模型（GM3）的可微表述；GM3 是一种统一的基于轮胎的动力学公式，支持多种 MMV 配置。DiffKBM 和 DiffGM3 实现了通过 MMV 动力学的端到端可微优化，使其适合集成到可微自主系统栈中。我们在开环和闭环环境中评估了这些动力学模型：(1) 开环轨迹匹配，将 DiffKBM 和 DiffGM3 作为动力学层集成到 DiffStack 中，并优化以复现真实世界的 MMV 轨迹；(2) 闭环自主导航，在 CrowdNav 行人场景中，将 DiffKBM 和 DiffGM3 与可微 MPC 控制器配对使用。在开环设置中，DiffGM3 在复现轨迹方面优于 DiffKBM，在自行车、滑板车和摩托车模式下的 ADE 和 NLL 指标均有提升，并降低了自行车和摩托车轨迹的规划损失。此外，我们发现，在闭环设置中，DiffGM3 在 CrowdN...
研究方向正从静态的视觉-语言对齐向支持多传感器统一表征、场景一致性生成及自主规划执行的动态智能体演进。方法重心由单纯的跨模态检索与分类，转向解决异构数据物理差异、时空逻辑约束及长时序工作流中的地理空间一致性问题。
遥感场景分类是地球观测和地理空间分析中的基础任务。现有方法主要遵循三种范式：特定任务的视觉分类、视觉-语言相似度匹配以及自回归多模态生成。然而，视觉分类器依赖预定义的标签空间，基于 CLIP 的方法通过静态图文对齐进行识别，而多模态大语言模型（MLLMs）在具有明确候选类别的分类任务中引入了不必要的 token 级生成。为解决这些局限性，我们提出了 RSJEV，一种用于遥感场景分类的单次前向多模态决策框架。与将分类表述为自回归文本生成的传统 MLLMs 不同，RSJEV 将场景分类重构为候选条件化的多模态判别决策过程，其中联合建模了视觉表征、任务指令和候选类别语义。具体而言，我们引入了 OnePass Decider，它提取多模态决策状态并在候选类别空间内直接估计类别概率，从而消除了自回归解码同时保留了视觉-语言交互。在三个广泛使用的遥感场景分类基准数据集（包括 UC Merced、AID 和 NWPU-RESISC45）上的大量实验表明，与代表性的基于 CNN、Transformer、Mamba、CLIP 和 MLLM 的方法相比，RSJEV 实现了更优的分类性能。此外，仅使用一个紧凑的 0.8B 参数模型，RSJEV 显著降低了推理成本，并实现了更好的精度-效率权衡。这些结果证明了状态条件化多模态决策在高效遥感图像理解中的有效性。代码将在 https://github.com/Dongtcs/RSJEV 公开。
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。
遥感多模态大语言模型（RS-MLLMs）支持对地球观测影像的自然语言理解与空间推理。然而，现有模型仅支持有限的传感器类型与任务，导致对地球的观测呈现碎片化，并使跨模态地球科学知识在很大程度上未被利用。本工作提出 Earth-OneVision，一个参数量为20亿的 RS-MLLM，其在单一自回归框架内统一了六类传感器模态（即光学、合成孔径雷达 SAR、红外、多光谱、时序、视频）以及涵盖九类任务的跨传感器融合能力。针对三大瓶颈，本工作设计了三项专用机制：全粒度视觉-语言对齐（FGVLA）将多层次视觉特征与多维语言空间对齐；空间-语言同构序列化（SLIS）将异构空间输出统一为自回归 token；渐进式跨模态适配（PCMA）将复合领域差异分解为若干顺序阶段，依次解决视角差异与成像物理差异。为支持联合训练，构建了 MMRS-OneVision 数据集，包含约3400万组问答对，覆盖全部六类传感器模态及九类任务下的跨传感器融合，规模显著超越现有遥感多模态指令数据集。Earth-OneVision 仅以2B 参数量，在广泛基准测试中取得具有竞争力或当前最优（state-of-the-art）的结果，持续达到或超越参数量为4B–72B 的 RS-MLLMs。其在光学视觉定位基准 OPT-RSVG 测试集上取得 87.52% 的 [email protected] 指标，在 SAR 视觉问答基准 SARLANG-Bench 上取得 80.68% 的准确率，分别超出 7B 模型逾 7%；在多光谱分类基准 BigEarthNet-MS 测试集上召回率达 75.74%，在跨模态推理基准 EarthMind-Bench 上多项选择题（MCQ）准确率达 81.94%。
遥感视觉-语言模型已推动地球观测发展，但现有大规模视觉-语言资源仍以RGB为中心，导致互补的红外信息未被充分挖掘。红外观测可提供独特的强度结构、物体边界及光照不变线索，从而补充传统RGB影像，然而大规模RGB-红外-文本资源依然稀缺。我们提出FusionRS，这是首个面向受控双模态遥感视觉-语言学习的大规模RGB-红外-文本数据集。该数据集包含600,000组空间对齐的图像对，由将多样化的公开RGB遥感影像转换为红外风格图像生成。每组图像对均保留常规场景描述文本，其中精选子集额外提供45,913条红外感知型描述文本，涵盖可观测的强度、对比度、纹理与结构特征，同时保持场景语义一致性。我们训练了类CLIP模型以实现RGB-红外-文本对齐，并采用混合任务条件化字幕监督方式适配生成式视觉-语言模型。评估涵盖跨模态检索、缩放与监督消融实验、传感器实采数据迁移、以及严格留出的图像描述与视觉问答任务。相较于仅使用RGB或非红外感知设置，FusionRS显著提升了RGB-红外风格对齐性能及红外到文本的检索效果。消融实验表明，红外感知型描述文本可提升任务条件化红外描述质量，验证了模态特异性监督的价值。FusionRS为受控的RGB-红外遥感视觉-语言学习提供了可扩展的基础支撑。
自主地球观测（Earth Observation, EO）智能体正从被动感知转向复杂、多步骤任务执行。然而，当前将规划与执行集成于单一模型的架构在动态EO场景中常面临组合爆炸与推理错误等挑战。为应对这些问题，我们提出轻量级多模态元规划框架（Lightweight Multimodal Meta-Planner, LMMP）。LMMP引入双感知机制，使战略规划同时锚定于多模态图像特征与高层任务语义。关键在于，我们构建了元任务库（Meta Task Library），将遥感领域专家知识直接注入工作流，从而标准化领域逻辑并确保规划具备物理可行性。此外，我们设计两阶段训练流程：首先通过专家蒸馏的监督微调（Supervised Fine-Tuning）初始化元规划器，再基于执行反馈采用直接偏好优化（Direct Preference Optimization）进行精调。在源自EarthBench与ThinkGeo的数据集上开展的大量实验表明，LMMP显著提升了工具调用准确率与任务成功率。该框架还展现出优异的“即插即用”通用性，能在先前未见的EO任务中持续提升多种执行器主干网络的性能。
地球观测（Earth Observation, EO）正从静态预测转向需对数据、工具及地理空间状态进行协同推理的多步骤分析工作流。尽管基础模型与视觉-语言模型已拓展了遥感领域的表征学习与语言驱动的交互能力，且智能体人工智能（agentic AI）已在长时序推理与外部工具调用方面展现出优势，但EO并非通用智能体AI的简单延伸。EO工作流处理的是具有地理参考坐标、多模态且时间结构化的数据；重投影、重采样、合成与聚合等操作会主动改变底层状态，并可能制约后续分析。因此，错误可能在各步骤间隐性传播，而结果的正确性不仅取决于内部逻辑一致性，更依赖于地理空间一致性、时间上有效的比较以及物理合理性。本文指出，这些挑战具有结构性而非偶然性。我们识别出通用智能体模型中常见的隐含假设，分析其在地理空间工作流中失效的原因，并刻画多步骤EO流水线中由此引发的各类失败模式。随后，我们提出面向EO原生智能体的设计原则，聚焦于结构化地理空间状态建模、工具感知型推理、验证器引导的执行机制，以及与地理空间与物理合理性相一致的学习目标。最后，我们梳理若干研究方向，涵盖EO专用基准测试集、监督学习与强化学习的混合范式、约束条件下的自主改进机制，以及超越最终答案准确率的轨迹级评估方法。因此，构建可靠的地理空间智能体，亟需围绕支配EO分析的物理规律、地理空间约束与工作流特性，重新思考智能体的设计范式。
研究重心正从单纯构建通用地理空间基础模型（GFM）转向探索其在公共卫生、灾害响应等垂直领域的具体应用效能及物理一致性约束。同时，社区开始反思模型评估标准的缺失，并尝试将LLM推理能力引入GIS工作流以构建自主地理智能体。
借助 Google Earth AI 的人口动态基础模型（PDFM），我们可以解决现有流行病学工作流程中的数据缺口和时间报告滞后问题。在最新工作中，我们展示了五个由合作伙伴驱动的案例研究，说明该模型如何体现面向全球公共卫生的行星地理空间基础模型范式。PDFM 嵌入向量无需研究人员自行收集和预处理原始数据流，即可轻松接入现有的机器学习工作流，提供即用型地理空间上下文信息。
灾后快速滑坡制图对灾害响应至关重要，但由于类别极度不平衡，其自动化仍具挑战性。本研究评估了地理空间基础模型（Geospatial Foundation Model, GFM）Clay v1.5能否提升Landslide4Sense（L4S）基准数据集上的像素级滑坡分割性能。该数据集包含3,799个训练图像块，每个块含14个Sentinel-2与地形波段，正样本像素占比约2%。我们比较了三种策略：以Clay为主编码器并融合多尺度残差地形特征、在U-Net主干瓶颈层注入Clay语义上下文，以及标准U-Net基线模型。采用两阶段低秩自适应（Low-Rank Adaptation, LoRA）的混合U-Net + Clay模型在三次随机种子实验中取得最佳测试F1分数64.5 ± 1.8%，优于仅使用Clay作为编码器的模型（55.2 ± 3.6%）和U-Net基线模型（59.9%）。Clay单独作为编码器时因缺乏多尺度跳跃连接而表现逊于U-Net；但当将其预训练表征作为辅助上下文注入时，性能始终得到提升。结果表明，对于滑坡检测任务，地理空间基础模型（GFM）最有效的应用方式是补充而非替代具有空间细节建模能力的卷积架构。
灾后快速滑坡制图对灾害响应至关重要，但由于类别极度不平衡，其自动化仍具挑战性。本研究评估了地理空间基础模型（Geospatial Foundation Model, GFM）Clay v1.5能否提升Landslide4Sense（L4S）基准数据集上的像素级滑坡分割性能；该数据集包含3,799个训练图像块，每个图像块含14个Sentinel-2与地形波段，且正样本像素占比约2%。我们对比了三种策略：以Clay为主编码器并融合多尺度残差地形特征、在U-Net主干网络瓶颈层注入Clay语义上下文，以及标准U-Net基线模型。采用两阶段低秩自适应（Low-Rank Adaptation, LoRA）的混合U-Net + Clay模型在三次随机种子实验中取得最佳测试F1分数64.5 ± 1.8%，优于仅使用Clay作为编码器的模型（55.2 ± 3.6%）和U-Net基线模型（59.9%）。Clay作为独立编码器因缺乏多尺度跳跃连接而表现逊于U-Net，但其预训练表征在作为辅助上下文注入时始终提升模型性能。结果表明，对于滑坡检测任务，地理空间基础模型（GFMs）最有效的应用方式是补充而非替代具有空间细节建模能力的卷积架构。
地空间基础模型（Geospatial Foundation Models, GFMs）被提出作为适用于灾害响应、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骨干模型。然而，现有已发表的相关研究未能为评审者或用户提供足够信息，以判断何种模型适配特定任务。我们认为，目前尚无人能明确界定地空间基础模型的技术前沿。尽管相关方法可能具备实用价值，但GFM领域文献在评估标准、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，致使模型间无法有效比较或排序。在对152篇论文开展的系统性审计中，我们发现：同一模型、基准与协议下，跨论文报告结果存在至少10分差异的情形达46例；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论文未公开模型权重。此类社区标准缺失问题具备可解性。我们提出六项具体建议：以命名许可证方式发布模型权重；建立共享的核心评估集；明确标注基线结果为“直接复用”或“独立重跑”；强制报告结果方差；构建统一的评估框架（evaluation harness）；分离并独立控制数据、架构与算法三类变量。这些缺口源于协作机制失灵，而非任何单一实验室之过；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。我们不仅旨在指出问题，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。
新兴的地理空间基础模型引入了新的模型架构与预训练数据集，其数据采样常基于不同的数据多样性定义。当前性能差异主要归因于模型架构或输入模态，而预训练数据集的作用却鲜有研究。为填补这一研究空白，我们系统性地探究了预训练数据的地理构成如何影响模型在下游任务中的性能。我们构建了全球尺度及各洲尺度的预训练数据集，并在全球及各洲尺度的下游数据集上对其进行评估。结果表明，源自欧洲的预训练数据集在全局及局部下游评估中均优于全球尺度及各洲专用的预训练数据集。为进一步探究影响预训练数据集下游性能的因素，我们分析了10个预训练数据集在大陆、生物群系、土地覆被及光谱值四个维度上的多样性。结果发现，仅光谱多样性与模型性能呈强相关性，其余维度相关性均较弱。该发现确立了一个新的多样性维度，应在构建高性能预训练数据集时予以考量。我们在 https://github.com/kerner-lab/pretrain-where 开源了7个新预训练数据集、对应预训练模型及实验框架。
Autonomous GIS uses large language models as its reasoning core to automate spatial data collection, analysis, modeling, and visualization for solving spatial problems with minimal human intervention. Often implemented through autonomous geospatial agents that work independently or collaboratively, it represents a shift from GIS as a passive software environment requiring expert operation towards systems capable of task-oriented interaction, workflow generation and increasingly autonomous spatial analysis and decision support. However, current GIS agents are often isolated and tightly coupled with specific platforms, tools, or applications, which limits their reuse and interoperability across systems and domains. In this paper, we introduce Geospatial Agentic Services, or GAS, as a service-oriented framework for publishing, discovering, invoking, and composing GIS agents as interoperable geospatial services. GAS extends traditional geospatial interoperability beyond access to data and predefined operations towards geospatial intelligence interoperability, where GIS agents function as discoverable, reusable, and collaborative service entities that encapsulate spatial knowledge and reasoning. Building on service-oriented architecture, GAS supports structured geospatial skill declarations, agentic service registry and discovery, and distributed agent orchestration. It also integrates validation, provenance, reproducibility, and governance to support transparent and trustworthy geospatial analyses. To demonstrate the framework, we present a GAS implementation and illustrate its use through common invocation modes and representative AI-orchestrated workflows. By connecting traditional geospatial service architecture with emerging agentic interoperability, GAS provides a conceptual and architectural foundation for interoperable, reusable, and scalable agentic geospatial services and workflows in the era of autonomous GIS.
近期研究重心从静态的韧性评估转向动态过程的物理一致性模拟与可编辑干预推演，强调模型对几何约束和局部规则的显式遵循。方法论上，通用图结构框架与神经代理模型正逐步取代传统单一范式，以解决多源数据融合及大规模计算效率问题。
基础设施干预措施的地理空间模拟需要能够直接响应编辑后地图的移动性生成器，然而许多数据驱动的生成器并未将地图作为可编辑的条件暴露出来。我们将此任务形式化为基于地图条件的人类移动性自回归生成：道路栅格图作为条件输入解码器，以一分钟为间隔输出标称 31.25 m 网格单元 token。这种网格局部词汇表支持在无需重新训练或更改词汇表的情况下处理留出集和局部编辑后的地图。我们实例化了 ResNet-50 视觉前缀配置和 Vision Transformer (ViT) 交叉注意力配置，并使用来自日本石川县 874 个网格的 87,400 条智能手机衍生轨迹从头开始训练；其中 219 个网格被保留用于测试。通过比较正确地图与组内打乱地图生成的轨迹与留出集真实轨迹来评估地图敏感性。在包含 110 个网格的测试集上，对于 ResNet-50 配置，基于 Hausdorff 距离的能量距离显示，60% 的网格中正确地图生成的轨迹比打乱地图生成的轨迹更接近真实轨迹（p = 0.021），而 DTW 指标虽具方向性但结论不明确（57%，p = 0.074）；正确地图下的密度相关系数为 0.38，而打乱地图下仅为 0.01。ViT 配置表现出较弱的轨迹级敏感性和较小的密度增益。一个说明性的桥梁移除编辑示例表明，该模型能够在无需重新训练的情况下改变生成的后续轨迹。综上所述，这些结果支持了可编辑地图人类移动性模拟的可行性。
Starlink 和 Kuiper 等近地轨道（LEO）卫星星座正迅速成为低延迟全球连接的关键骨干网。随着这些系统的扩展，它们作为攻击目标的吸引力增加，从而对韧性和安全性提出了更高要求。威胁行为者试图利用星座特有的属性，如可预测的运动、时变拓扑结构以及对星间链路和星地链路的依赖。近期研究表明，链路泛洪攻击（LFA）可以利用这些属性来拥塞关键的网络瓶颈。然而，现有工作并未量化 LEO 网络抵御定向中断的能力。我们提出 HYDRA，这是一个将 LFA 变体建模为僵尸网络最小化问题的建模与优化框架。HYDRA 通过测量破坏目标地理区域间通信所需的最小活跃 Bot 子集及相应的流量分配，来量化网络对 LFA 的韧性。在匹配的隐蔽性约束下，HYDRA 使用比 ICARUS 少 34% 的 Bot 和减少 23% 的总攻击流量，实现了相同的定向中断效果。随着网络拓扑结构的演变，HYDRA 在维持持续攻击方面取得了超过 97% 的成功率。最后，HYDRA 评估了五种缓解策略，展示了路由多样化、入口监管、基于距离的流量限制、源端节流以及僵尸网络损耗如何降低攻击成功率并提高网络抵御定向中断的韧性。
预测瞬态城市风对于理解城市微气候和设计气候韧性城市至关重要。建筑解析大涡模拟（Building-resolving large-eddy simulation）能够生成详细的不可压缩城市风场，但针对每种布局的计算成本高昂。神经代理模型通过学习速度场的演化提供了一种更快的替代方案。然而，最小化速度预测误差并不能保证局部质量守恒和壁面不可渗透性，而这两者共同定义了运动学可容许性。这一局限性源于无约束的输出表示：几何条件引导了预测，但未将预测限制在可容许的速度场内。纠正这些输出中的边界违反会改变相邻流体单元的通量平衡，从而可能损害局部质量守恒。为解决这一挑战，我们提出了 Sculpt，一种嵌套势函数框架，它将耦合的、依赖于几何的约束直接构建在其参数化中。这种嵌套参数化通过在原生三维交错网格上对体积矢量势进行离散旋度运算，生成无散度的速度更新。一个共享标量势约束矢量势的边界值，使得同一算子也能强制不可渗透性，而无需逐步压力投影。由于通过该旋度进行反向传播会衰减大尺度梯度信号，我们在多个分辨率下参数化体积势，以更好地捕捉大尺度流动结构。我们引入了 UrbanWindFlow，这是一个涵盖多种城市形态和入流条件的大涡模拟数据集，用于同时评估准确性和运动学可容许性。
高速公路上的车辆移动与互联网中的数据分组传输是复杂系统中集体动力学行为的典型范例。尽管增强复杂网络中的交通流已被广泛研究，但现有大多数研究集中于单队列模型。本文提出了一种简单而有效的带有门控机制的双队列方案，该方案调控车辆进入并与路由协议相结合。当车辆到达匝道入口时，首先加入等待队列，并在主流动队列清空后被允许进入。这种双队列策略在公路流入量呈现大幅波动的周期性变化时尤为有利，这在真实交通中十分常见。此外，它改变了系统的失效特性，将突然、不连续的拥堵相变转变为渐进、连续的相变。该方法基于仅利用局部队列信息的简单规则，易于实现且具有广泛的适用性。除了本文研究的具体场景外，该方法还可应用于不同条件下的其他交通网络，或扩展至其他排队系统，如互联网数据分组路由。
元胞自动机（Cellular Automata）是一种局部计算范式，其复杂行为源于简单函数之间的局部交互。该范式已被用于解释诸多系统，例如生物过程、交通仿真、计算机网络等。在游戏领域，元胞自动机曾应用于《模拟城市》（SimCity）等游戏，并用于生成洞穴或地牢等空间内容。然而，设计有效的局部规则困难且缺乏直观性；尽管元胞自动机可通过演化方法有效构造，但其结果仍可能难以解释。本文提出可编程元胞自动机（Programmable Cellular Automata）的概念，将系统表示为 Python 代码，并将其模块化为局部函数（local functions）与决策函数（decision function）：局部函数接收局部邻域并返回一个值，决策函数则接收所有局部函数的输出并决定下一状态的取值。将元胞自动机拆分为以 Python 编写的模块，有助于理解系统运行机制。我们还探索引入全局函数（global functions），即以整个系统状态为输入并从中计算出某函数值。我们在 PCG Benchmark 中三个不同游戏的关卡生成任务上进行了测试。结果表明，引入全局函数可减少元胞自动机求解问题所需的迭代次数；而仅使用局部函数时，某些问题无法找到可行解。进一步分析所生成的函数，我们发现若干在不同实验中反复出现的通用函数，这不仅有助于理解生成器本身，亦有助于深入理解这些游戏及其关键要素。
出版日期：2026年10月1日；来源：《可持续城市与社会》（Sustainable Cities and Society），第149卷；作者：刘欣、陈颖昕、Russell Thompson、杨雪婷、葛然
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。