近期研究重心从单纯的轨迹模式挖掘转向基于深度元模型、平均场理论及世界模型的复杂系统校准与实时控制，强调高保真模拟与决策优化的闭环。方法论上呈现出明显的去中心化多智能体协同、高阶网络交互分析以及适应时变环境的联邦学习趋势，旨在解决大规模城市交通的动态稳定性与隐私安全问题。
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基于深度元模型、平均场理论及世界模型的复杂系统校准与实时控制，强调高保真模拟与决策优化的闭环。方法论上呈现出明显的去中心化多智能体协同、高阶网络交互分析以及适应时变环境的联邦学习趋势，旨在解决大规模城市交通的动态稳定性与隐私安全问题。
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。
随着城市空中交通（UAM）系统向高密度运营扩展，管理自主无人机（UAV）流量需要兼具可处理性与安全关键性的控制框架。本文提出了一种基于最优控制理论的多目的地 UAM 网络路由基础，该网络受垂直起降场容量和流量约束。我们首先将网络建模为条件于目的地的连续时间马尔可夫链（CTMC），以捕捉排队、服务和飞行状态之间的随机转移。为确保可处理性，我们采用平均场流体近似，并将底层系统动力学推导为一组耦合常微分方程。本研究的关键贡献在于对无队列状态空间正不变性的形式化证明。我们表明，在特定的轻载条件下，初始无队列的系统将永久保持无队列状态。这一结果使我们能够将复杂的无限维连续时间最优控制问题转化为可处理的有限维代数优化问题。所得框架在确保全网稳定性的同时，联合优化旅行时间和多跳效率。我们通过表征稳态流平衡并为大规模移动系统中的安全、无拥堵运行提供充分条件来验证该方法。
自动驾驶中的安全运动规划需要预判不断变化的交通风险，并决定何时修正当前规划的轨迹。我们提出了 RiskWorld，一种用于共享占用预测和选择性轨迹替换的风险感知世界建模框架。该框架将空间风险场和时间行为者上下文与视觉鸟瞰图特征进行融合。通过流引导演化传输占用和场景特征，并利用带符号残差在传输后校正占用状态。每个规划步骤生成一次预测结果，并在所有候选方案中复用。通过将每个候选方案与当前状态持久性参考进行比较，得出非负的碰撞评分修正值。由当前世界评估选定的轨迹作为规划锚点，仅当额外预测的风险触发干预且替代方案满足关于预测风险和轨迹误差的分量约束时，才对其进行替换。候选几何形状保持不变。我们在 nuScenes 数据集上利用相机特征、标注衍生的当前和历史行为者状态以及数据集提供的地图上下文，对 RiskWorld 进行了开环规划评估。RiskWorld 在 3 秒的长评估视界下实现了最低的碰撞率，并在多种最先进基线中取得了第二好的平均 L2 误差，同时在单张 NVIDIA RTX 4090 显卡上以 11.5 FPS 运行，参数量为 90.81 M。设置内消融实验表明，RiskWorld 的碰撞率低于当前状态重评分基线，而预测结果的复用使得能够以较低的边际计算成本评估额外的候选方案。
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。
车联网联邦学习（VFL）为智能交通系统提供了隐私保护的协同模型训练能力，现有研究已探索通信资源分配和梯度稀疏化技术以降低通信开销。然而，车辆移动性导致信道条件和传输容量快速变化，使得预设的资源分配和稀疏化决策失效。本文提出 FedPGT，一种针对时变信道下 VFL 的渐进式梯度传输方案，车辆根据瞬时信道条件逐步传输高幅值梯度元素。我们建立了收敛界，刻画了传输梯度元素的影响，并揭示了由幂律衰减支配的收益递减行为。基于此结果，我们将在线决策问题建模为随机优化问题，其主要挑战在于目标函数具有累积耦合且不可分离的特性。为解决这一挑战，我们引入逐时隙代理传输变量以解耦跨时隙的长期依赖关系，并将原始目标转化为可加的逐时隙优化问题，从而支持采用 Lyapunov 漂移加惩罚方法进行在线调度。此外，我们开发了一种低复杂度资源分配算法以实现高效的在线部署。实验结果表明，与最先进基线相比，所提方案在 CIFAR-10 图像分类任务上实现了 3.65% 的准确率提升，在 Argoverse 轨迹预测任务上将平均位移误差降低了 12.66%，证明了其在高度动态车辆环境中适用于多样化学习任务的能力。
基础设施网络是人类出行与交通的基础。提升单一链路的质量可局部改善网络性能。然而，高效的交通需要跨多链路路径的高质量连通走廊，这无法通过独立的单链路升级实现。本文提出一个评估多链路联合升级影响的框架，将其视为固有高阶交互，从而量化复杂交通网络中的链路协同效应。若一条链路的升级能增加另一条链路升级的收益，则二者具有协同性，这促进了同一路径上拓扑互补链路的升级，同时抑制了冗余平行链路的升级。通过将这种协同效应表示为整体网络性能的二阶导数，我们开发了一种高效计算框架，以识别形成连通网络骨干的协同链路。我们将该理论框架应用于德国汉堡市的实证街道网络与骑行需求数据，并结合城市自行车交通的扰动效用路径选择模型。研究结果揭示了源自高阶交互的协同效应，从而支持超越局部链路重要性的战略基础设施规划，适用于复杂的交通与流网络。
研究重心正从单一模态的视觉理解转向基于统一基础模型（Foundation Models）的多传感器联合建模与生成，强调解决跨模态数据稀缺与异构对齐难题。方法论上，通过引入场景中心表征、语义-几何解耦及元规划机制，旨在提升模型在超高清影像处理、垂直维度推理及复杂任务执行中的鲁棒性与效率。
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。
当前地球观测领域的大规模多模态模型（LMMs）主要在平面光学任务上进行评估，往往忽略垂直维度；然而，垂直几何结构在灾害响应与城市形态分析等应用中至关重要。高程感知推理的研究进展亦受限于系统性评测手段的缺失：现有基准极少在像素级、目标级和场景级推理任务中同步提供光学影像与高程产品。为填补这一空白，我们提出 GeoHeight-Bench——一个面向高程感知遥感理解的大规模基准，并进一步构建更具挑战性的地形导向扩展版本 GeoHeight-Bench+。该基准通过可扩展的视觉语言模型（VLM）驱动生成流程构建，融合元数据提取与提示工程，并采用人工参与的验证协议评估其质量。为探究是否能仅从光学影像中学习高程感知推理能力，我们还提供了 GeoHeightChat——一种高程感知基线方法，将隐式高程相关几何表征迁移至光学 LMM 中。对一系列闭源与开源 LMM 的评估表明，当前模型在高程信息推理方面仍存在明显局限，而对齐隐式高程先验则可显著提升多数依赖高程的任务性能。然而，若干任务（尤其是坡度推理与基于地形的洪涝易感性制图）仍未得到有效解决，凸显了高程感知地理人工智能（GeoAI）领域亟待突破的具体开放问题。数据集与代码将于 \href{https://teriri1999.github.io/GeoHeight/}{此处} 发布。
视觉-语言模型的快速进展推动了指代遥感图像分割（RRSIS）在地球观测领域的前沿发展。然而，在实际部署中，受耦合双重漂移范式的影响，模型性能出现严重退化：一方面是由跨空间分辨率失配和光谱变化引起的视觉域漂移，另一方面是由不受约束且粒度多变的用户输入导致的文本逻辑漂移。为缓解这些瓶颈，本文建立了首个跨域 RRSIS 基准数据集，命名为 Vaihingen-Potsdam Referring (VPRef) 数据集，包含 46,972 个语言-图像-标注三元组，并按三级语言层次结构组织。基于该基准，我们开发了一种以 Segment Anything Model (SAM3) 为核心、采用低秩适应（LoRA）技术的定制化参数高效域自适应基线。我们的框架通过伪标签驱动的自训练来抵消视觉分布差异，并通过随机多粒度文本提示混合来解决文本逻辑漂移问题。重要的是，消融变体中经验指标的分布表明，跨模态语义鲁棒性增强与视觉域对齐之间存在潜在的解耦关系，证明了语言方差驱动细粒度语义不变性，而伪标签传播主导宏观尺度的空间网格对齐。广泛的基准测试显示，所提出的框架仅修改了基础参数足迹的 1.08%，却实现了优越的跨域分割边界，为未来的多模态遥感域自适应研究确立了稳健的基线。数据集和代码将在 https://github.com/quanweiliu/VPRef 提供。
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。
研究重心正从单一遥感影像的基础模型表征，转向融合人类行为、语义文本及稠密嵌入的多模态对齐与直接推理。同时，评估范式开始突破静态图像分析，向具身导航等动态交互场景延伸，但领域内仍面临基准缺失与预训练数据多样性定义不清的严峻挑战。
诸如AlphaEarth Foundation等地理空间基础模型可生成紧凑且全球一致的地球表面表征，能有效迁移到多种下游任务。然而，由于这些模型主要基于地球观测影像进行训练，其嵌入主要捕获物理与光谱特征，而对人类活动与城市功能的编码则较弱。为弥补这一局限，我们提出BEACON——一种三模态对比学习框架，旨在对齐城市空间的三种互补视角：来自AlphaEarth（AE）嵌入的物理表征、来自兴趣点（POI）文本的语义表征，以及来自小时级POI访问量的人类行为表征；同时保持部署后的表征仍为纯图像形式。以休斯顿大都市区为案例研究区域，我们在九项下游任务（包括七项回归任务与两项分类任务）上评估了BEACON框架的性能，并以六种基线方法（原始坐标、Space2Vec、SatCLIP、TESSERA、Clay与AlphaEarth）为对照，在五组随机种子下采用冻结的线性探针与MLP探针进行评估。在线性探针设置下，BEACON在肥胖患病率、不良心理健康状况与家庭中位收入三项指标上的相对R²较AlphaEarth分别提升最高达43%、34%与22%，同时在物理与环境变量预测方面仍保持竞争力。上述结果凸显了将语义与行为信号融入地理空间基础模型的价值，从而将其适用范围从物理地球观测拓展至以人为中心的城市分析。
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。
出版日期：2026年7月；来源：《交通运输研究D辑：运输与环境》，第156卷；作者：张岩、秦泉、聂海如、关美宝、何思佳、柯恩彤
研究重心正从宏观政策评估向微观机理模拟深化，强调通过多尺度建模捕捉异质性主体行为与系统韧性的交互。方法论上，传统元胞自动机正向可编程化演进，且开始融合多模态大语言模型以增强对特定风险（如火灾）的精准治理能力。
气候韧性城市建设试点政策是提升城市韧性的关键举措，也可能对……产生显著影响。
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。
建筑部门脱碳对于实现气候目标至关重要，但现有模型极少能刻画系统层面的转型动态与异质性个体投资决策之间的交互作用。本研究提出AgentHomeID，一种针对建筑存量演化的基于智能体的模型，该模型在单体建筑及其业主层面显式表征业主行为、技术经济约束及监管框架。模型区分自住业主、私人房东和机构业主三类主体，其支付意愿（WTP）参数源自实证决策者研究；模型既可运行于代表性建筑原型之上，亦可接入源自地理信息系统（GIS）的真实建筑数据。我们通过三项应用展示该模型的灵活性：在国家尺度上，针对德国至2045年的情景分析表明，取消具有约束力的可再生能源供暖要求将显著推高终端能源需求，即使建筑围护结构改造水平保持不变；同时，补贴分配与投资活动在不同业主类型及收入四分位组间呈现显著分化，最低收入四分位组持续存在投资不足现象；在区域尺度上，针对德国某配电网规划区域的自下而上模拟显示，NUTS-3层级的热泵采纳呈现空间集聚特征，其数量级与空间分布均明显区别于自上而下的聚合预测结果；在城市街区尺度上，相同模拟可解析至变电站层级的负荷异质性，并揭示由热泵、电动汽车及光伏共同驱动的综合系统峰值，并不与各单项技术的峰值时刻重合。在全部三个尺度上，业主异质性与本地结构均实质性地塑造了转型路径，表明
局部相似性指标因计算开销低而被广泛应用于复杂网络链路预测；然而，在稀疏网络中，它们对所有缺乏共同邻居的节点对赋予零分，严重限制了其预测能力。一种自然的改进方案是将节点中心性指标与局部相似性指标相融合：前者刻画节点对的全局重要性，后者捕捉细粒度的局部拓扑结构，二者可在统一框架下生成互补的评分。本文选取PageRank和DomiRank作为两类代表性中心性度量，构建了中心性–局部相似性融合框架。首先，将Charikhi提出的基于PageRank的融合方法推广至七种经典局部相似性指标，并在九个真实世界网络数据集上系统验证了该改进的普适性。进一步，引入DomiRank中心性，在统一权重系数下构建DR-MD系列融合指标，克服了基于PageRank的融合需对每个指标单独调权的缺陷。五折交叉验证及Wilcoxon符号秩检验结果表明，在统一实验协议下，所有DR-MD指标在全部九个数据集上均持续优于对应局部基线方法及其PR-MD counterparts（p=0.002）；且该提升在近临界参数平台内对σ及权重系数的扰动具有鲁棒性；其中DR-RA平均AUC达0.7084，超越Katz、RWR等全局方法及若干先进相似性指标。该框架具有天然可扩展性，其融合范式可直接推广至
车联网联邦学习（VFL）为智能交通系统提供了隐私保护的协同模型训练能力，现有研究已探索通信资源分配和梯度稀疏化技术以降低通信开销。然而，车辆移动性导致信道条件和传输容量快速变化，使得预设的资源分配和稀疏化决策失效。本文提出 FedPGT，一种针对时变信道下 VFL 的渐进式梯度传输方案，车辆根据瞬时信道条件逐步传输高幅值梯度元素。我们建立了收敛界，刻画了传输梯度元素的影响，并揭示了由幂律衰减支配的收益递减行为。基于此结果，我们将在线决策问题建模为随机优化问题，其主要挑战在于目标函数具有累积耦合且不可分离的特性。为解决这一挑战，我们引入逐时隙代理传输变量以解耦跨时隙的长期依赖关系，并将原始目标转化为可加的逐时隙优化问题，从而支持采用 Lyapunov 漂移加惩罚方法进行在线调度。此外，我们开发了一种低复杂度资源分配算法以实现高效的在线部署。实验结果表明，与最先进基线相比，所提方案在 CIFAR-10 图像分类任务上实现了 3.65% 的准确率提升，在 Argoverse 轨迹预测任务上将平均位移误差降低了 12.66%，证明了其在高度动态车辆环境中适用于多样化学习任务的能力。
出版日期：2026年12月；来源：《Cities》，第179卷；作者：谢东、蔡森宏、王珂、侯策、戴少青、黄景南
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。