交通顶刊TR Part C 2026年6月论文导读（下）

来源：市场资讯

（来源：运筹OR帷幄）

一

期刊简介

Transportation Research Part C (TR-C): Emerging Technologies 是交通领域顶刊，由 Elsevier 出版，中科院与 JCR 均为 1 区，近年影响因子约8–9.6。该期刊以交通系统为核心，聚焦 AI、大数据、运筹学等新兴技术对交通规划、运营、控制与管理的影响。

本期推送Transportation Research Part C「2026 年 6月刊 Vol. 187」中的部分文章。

二

论文目录

1. 多功能无人机的多服务网络设计：城市监测、数据采集与包裹递送服务「Multi-service network design with multi-function drones: Urban monitoring, data collection, and parcel delivery services」

2. 基于颗粒化单元与动态移交时间实现以流为中心的空中交通管理「Operationalizing flow-centric air traffic management with granular cells and dynamic handover times」

3. 不确定性下的路径搜索：同时考虑出行时间分布的可靠性与不可靠性「Path finding under uncertainty: Considering both reliability and unreliability of travel time distributions」

4. 基于极度稀疏进出口观测的交叉口车辆轨迹重构「Reconstructing vehicle trajectories at intersections from extremely sparse entry-exit observations」

5. 双模式交通网络中旅游大巴路侧停车管制「Regulating curbside parking for tourist coaches in Bi-Modal transportation networks」

6. 基于观测器的分布式MPC在马尔可夫切换V2V网络下实现鲁棒串稳定车队控制「Robust string-stable platoon control via observer-based distributed MPC under Markovian switching V2V networks」

7. SWencoder：一种简洁的冲击波图编码与可解释深度学习模型设计，用于提升学习效率与保障性「SWencoder: a succinct shockwave diagram encoding and interpretable deep learning model design to enhance learning efficiency and assurance」

8. 用于船舶燃油消耗预测中可变长度多变量时间序列的时间注意力网络「Temporal attention networks for variable-length multivariate time series in ship fuel consumption prediction」

9. 面向采用动态无线充电的电动共享自动驾驶车辆连续准时运行「Towards continuous and on-time operation of electric shared autonomous vehicles with dynamic wireless charging」

10. 最后一名乘客应在哪里下车？拼车中的预判式步行「Where should the last passenger be dropped off? Anticipatory walking in ridepooling」

三

论文摘要

1.多功能无人机的多服务网络设计：城市监测、数据采集与包裹递送服务

「Multi-service network design with multi-function drones: Urban monitoring, data collection, and parcel delivery services」

作者：Mingzhi Lyu, Lishuai Li, Wei Liu

摘要：

无人机正在城市地区成为一种有前景的工具，可用于监测、数据采集和递送等任务。尽管以往研究已分别独立研究了这些任务中的每一项，但关于多种服务类型的可能组合及其联合优化的研究非常少。由于不同服务可能发生在同一地理区域内，并且无人机可以配备各种工具以同时处理不同任务，因此联合优化有潜力在保持服务质量的同时降低成本。本研究提出并考察了在城市应用中使用多功能无人机实现多服务能力的联合优化。我们的方法包括为无人机配备城市监测、无线通信、数据采集与存储系统，以及包裹安装框架。这些无人机可以承担：（i）实时城市监测，（ii）数据采集，以及（iii）一对一取送包裹服务。我们考虑了电池、载荷容量、服务时间窗、数据存储容量、无线连接性以及同步数据相互传输等约束。该问题被建模为混合整数二次约束规划，以优化无人机路径和数据传输策略，从而实现成本最小化。我们还引入了一种自适应大邻域搜索启发式算法，用于求解大规模问题。数值研究在一个玩具网络上进行，以评估该算法，并在香港的一个区域网络上进行，以展示利用多功能无人机的有效性。

2.基于颗粒化单元与动态移交时间实现以流为中心的空中交通管理

「Operationalizing flow-centric air traffic management with granular cells and dynamic handover times」

作者：Simon Bruno Göppel, Michael Schultz

摘要：

动态的、需求导向的空域管理必须降低特定扇区的交通复杂性，以支持空中交通管制员的运行。以流为中心的概念通过航空器轨迹同质化作出贡献，而我们通过将航空器作为颗粒化流的元素进行分组，并引入相邻扇区之间的动态移交时间，对其进行了扩展。颗粒化流的思想反映了一种观点，即航空器是集体流中的局部密集粒子，其相互作用并非纯粹是个体性的，而是由密度、耦合强度和可用容量共同塑造的。这一视角能够捕捉扇区内局部拥堵、延误波以及容量瓶颈传播等现象。

我们创建颗粒化单元，将具有相似特征的航班分组。在每个单元内，航空器遵循相似模式，因此从管制员那里接收相似指令，从而降低其任务负荷。与颗粒化流一样，单元大小可能不同，管制员管理多个单元，甚至包括仅包含单架航空器的单元。动态移交时间源自空域边界参数化和移交位置的直接优化，使相邻扇区之间能够根据工作负荷进行提前或延后移交，同时保留法律规定的管制员责任。为评估将空中交通建模为颗粒化流的影响，本文开发了一个运行概念，并将其应用于新加坡高空空域高峰时段的航路交通。交通复杂性通过 25 个参数进行评估，这些参数涵盖航空器、冲突和空域相关方面。

颗粒化单元显著降低了扇区内部复杂性，平均降低 17%，最高可达 50%，同时也向相邻扇区传播了适度收益。动态移交时间使扇区间复杂性平均降低 2%，最大降低 6%。当与颗粒化单元结合时，两种概念在所有评估案例中均持续降低复杂性，平均降低 3%，最大降低 7%。尽管两种概念的效果并不严格相加，但它们可以相互重叠。

3.不确定性下的路径搜索：同时考虑出行时间分布的可靠性与不可靠性

「Path finding under uncertainty: Considering both reliability and unreliability of travel time distributions」

作者：Zhengyang Li, Zhong Zhou, Anthony Chen

摘要：

在交通网络中，出行时间具有随机性，并且通常呈现带有长右尾的偏态分布，这可能导致显著延误。本文提出了一种 α-可靠均值超额最短路径模型，其中均值超额出行时间被解释为出行时间分布的条件风险价值（CVaR），用于在随机网络中识别最优路径。该模型同时处理可靠性方面——最小化能够确保一定准时到达水平的出行时间预算——以及不可靠性方面——管理超过该预算之外潜在的最坏情形出行时间。该模型被表述为一个混合整数非线性规划（MINLP）问题，其中随机路段出行时间分布之间存在复杂耦合；为提高可处理性，本文基于路段出行时间样本将其重构为混合整数线性规划（MILP）问题。我们开发了一种定制化 Benders 分解（BD）方法，该方法选择性地使用最坏情形样本生成最优性割，从而降低由大样本规模造成的计算负担。一个加速变体，即带多重割的 BD，进一步提高了收敛性。基于小型、中型和大型网络的数值实验表明，该路径搜索模型具有有效性，求解过程具有效率，并且其可扩展性能够支持车载路径引导系统等真实世界应用。

4.基于极度稀疏进出口观测的交叉口车辆轨迹重构

「Reconstructing vehicle trajectories at intersections from extremely sparse entry-exit observations」

作者：Tao Guo, Kevin Yu, Panagiotis Angeloudis, Constantinos Antoniou

摘要：

交叉口内部准确的车辆轨迹对于离线交通分析任务至关重要，包括交互评估、延误和排队估计以及环境评估。然而，收集高保真、全覆盖的轨迹数据仍然成本高昂且在运行上具有挑战性。虽然航空或密集感知解决方案能够提供精确的内部轨迹，但它们难以大规模部署；相比之下，部署在入口和出口处的基础设施型检测器（例如监测和执法系统）大多是现成可用的，但通常只能为每辆已识别车辆提供稀疏的边界观测。本文研究从极度稀疏、成对的进出口片段中重构完整交叉口内部轨迹的问题，并假设车辆身份及其边界轨迹片段由上游感知或数据处理模块提供。

为应对这一挑战，本文提出了一种融合车道级拓扑先验与残差数据驱动精修的混合物理—数据方法。所提出的混合框架将基于 Dijkstra 的插值用于拓扑一致性，并结合双轴 Mamba—注意力（DAMA）数据驱动模型。DAMA 模型利用双分支时间编码（Bi-Mamba2 和 Bi-LSTM）以及交互感知注意力来推断真实的内部轨迹。基于 INTERACTION 基准中的五个场景开展的大量实验，包括无信号交叉口、环形交叉口和汇入场景，表明 DAMA 始终优于基于物理的方法和最先进的深度学习基线方法，使位置 MAE 降低了 4%—37%。在极端边界稀疏性（单样本入口/出口）下的鲁棒性测试以及留一场景评估进一步证实了 DAMA 平稳退化并泛化至未见布局的能力。应用研究展示了该重构框架在下游微观交通排放分析任务中的潜力。

5.双模式交通网络中旅游大巴路侧停车管制

「Regulating curbside parking for tourist coaches in Bi-Modal transportation networks」

作者：Xingzhao Yang, Tingting Dong, Jing Gao, Sen Li

摘要：

拥堵城市地区的旅游大巴运营可能会显著扰乱常规交通流，尤其是在路侧乘客上下客活动期间，这凸显了有效路侧停车管制的必要性。本文研究交通网络中禁停管制（No-Stop Regulations, NSRs）的最优布设问题，该管制禁止旅游大巴在指定道路路段停车，以缓解此类扰动。我们将该问题表述为一个双层离散网络设计模型，该模型显式刻画旅游大巴与私人车辆之间的多模式相互作用，以及因 NSR 政策直接影响换乘地点而使游客需要进行的跨模式换乘。上层问题为每条网络路段确定二元 NSR 决策，以最小化系统总出行时间；下层问题则在用户均衡条件下建模私人车辆和旅游大巴的路径选择。为应对具有跨模式换乘的多模式网络复杂性，我们引入了一种增强型三层网络结构，将车辆流和行人流整合起来，从而能够精确表示步行绕行、模式转换以及由此产生的上下客点迁移。为高效求解最优 NSR 布设问题，该问题被表述为双层混合整数非线性规划，我们开发了一种加速外近似算法，该算法具有下界支配筛选程序和提前终止策略，能够以显著提高的计算效率获得全局最优解。所提出的框架在香港油尖旺区的案例研究中得到验证。数值实验表明，与最先进方法相比，我们的算法最高可实现 54.1% 的计算加速，并且最优 NSR 配置可使系统总出行时间最多减少 12.1%，显著优于基于规则的启发式方法。

6.基于观测器的分布式 MPC 在马尔可夫切换 V2V 网络下实现鲁棒串稳定车队控制

「Robust string-stable platoon control via observer-based distributed MPC under Markovian switching V2V networks」

作者：Wenwei Que, Yang Li, Lu Wang, Manjiang Hu, Hongmao Qin, Xin Huang, Yougang Bian, Jianqiang Wang

摘要：

切换通信拓扑可能导致车辆编队不稳定，因为车辆信息可能在动态切换过程中丢失。这凸显了设计一种能够在动态变化拓扑下维持车辆编队稳定性的控制器的必要性。然而，在确保稳定性的同时，捕捉切换拓扑的动态特性并获得足够的车辆信息用于控制器设计，仍然是一项重大挑战。本文针对有向马尔可夫切换通信拓扑下的车辆编队，开发了一种基于观测器的分布式模型预测控制（DMPC）框架。本文使用连续时间马尔可夫链对有向切换通信拓扑进行建模，以刻画其随机切换行为。为估计控制所需的领航车辆信息，本文设计了一种全分布式自适应观测器，其估计性能对随机切换拓扑具有鲁棒性。进一步推导了一个充分条件，以保证观测器误差动态的均方稳定性。基于估计信息，本文构造了一种终端更新律以确保均方一致性，并制定了一种串稳定性约束，以在 DMPC 框架内显式强制执行前车—跟随车串稳定性。本文建立了所得控制方案的递归可行性和闭环稳定性性质。数值仿真结果表明，所提出的方法在保持前车—跟随车串稳定性的同时，增强了跟踪性能，加快了收敛速度，并降低了控制工作量。在存在加速度波动和丢包的情况下，所提出的方法将最大位置误差降低了 45%，并将稳定性提高了 39%，表明其在跟踪性能和系统稳定性方面取得了显著改进。此外，本文还使用真实世界驾驶数据验证了所提出框架的有效性。

7.SWencoder：一种简洁的冲击波图编码与可解释深度学习模型设计，用于提升学习效率与保障性

「SWencoder: a succinct shockwave diagram encoding and interpretable deep learning model design to enhance learning efficiency and assurance」

作者：Chenlu Pu, Lili Du

摘要：

冲击波图是交通状态随时间和空间演化的图形表示。它包含对交通监测与控制至关重要的关键交通动态信息。近期研究已表明，将冲击波图输入深度学习（DL）模型并增强交通模式学习性能具有令人信服的价值。然而，现有研究通常将冲击波图视为热力图或图像，并通过基于像素的网格系统对其进行编码，因而存在特征损失和冗余等关键问题，从而降低学习效率和保障性。受此观点启发，本文开发了一种利用领域知识的新型基于拼图的编码方法。具体而言，受交通流理论启发，即冲击波将时空平面划分为类似拼图块的互不相交多边形，每个多边形包含唯一的交通流特征，本文方法通过拼图块及其邻接关系对冲击波图进行编码，并进一步将其存储在一个精心设计的模块化结构中，以捕捉全面的交通状态信息，包括流量、密度、空间位置以及这些状态之间的邻接关系。基于拼图式编码的模块化结构，本文进一步设计了一种可解释的 RNN 模型（标记为 Sparse-LSTM），该模型具有定制化可训练矩阵，以在递归学习操作过程中保留每个模块特征的物理意义。此外，本文从数据准确性、完整性、一致性和唯一性维度设计了四个新指标，用于量化编码冲击波图的数据质量，并探索其与深度学习性能之间的相关性。利用 2011 年西雅图高速公路环形检测器和棒球比赛日程数据集，以及 2023 年纳什维尔雷达传感器和事故数据集，本文通过将编码后的冲击波图输入基于普通 LSTM 或稀疏 LSTM 的 DL 模型，分别用于公共事件预测和交通事故检测，从而验证了基于拼图的编码方法的性能。结果证实，基于拼图的编码能够提升 AI 预测效率和可解释性。

8.用于船舶燃油消耗预测中可变长度多变量时间序列的时间注意力网络

「Temporal attention networks for variable-length multivariate time series in ship fuel consumption prediction」

作者：Ruihan Wang, Shaohan Wang, Feiyang Ren, Min Chen, Ran Yan

摘要：

准确预测船舶燃油消耗（SFC）对于优化海事运营、评估和减少温室气体（GHG）排放以及确保法规合规至关重要。然而，由于海事数据来源的异质性，真实世界的 SFC 数据呈现为具有不规则间隔、可变长度和部分缺失特性的时间序列。为解决这些限制，本文提出了TempFuelNet，这是一种用于预测日度 SFC 的时间注意力网络框架，该框架整合了船舶运营状态、由自动识别系统衍生的航行记录以及高分辨率气象条件。所提出的 TempFuelNet 框架由两个阶段构成：（1）第一阶段执行数据预处理，通过序列对齐和基于卷积神经网络的特征补全，将可变长度输入转换为具有完整特征表示的固定长度序列；（2）第二阶段应用一种基于 Transformer 的时间感知注意力网络（TANet）模型，该模型通过多头时间感知注意力捕捉不规则日度序列之间的依赖关系，以准确预测 SFC。基于来自集装箱船、散货船和油轮的真实世界 SFC 数据开展的数值实验表明，所提出的 TempFuelNet 框架始终优于基线方法，在测试集的日度 SFC 预测中实现了平均绝对误差 4.75、均方根误差 6.98 和平均绝对百分比误差 14.48%。本文提出的预测框架为现实海事条件下的船舶级能源估计提供了一种可靠的数据驱动解决方案，并显示出提高排放清单准确性和支持温室气体减排策略的潜力。

9.面向采用动态无线充电的电动共享自动驾驶车辆连续准时运行

「Towards continuous and on-time operation of electric shared autonomous vehicles with dynamic wireless charging」

作者：Yunlong Wang, Minh Kieu, Prakash Ranjitkar, Ying-En Ge

摘要：

动态无线充电（DWC）技术正迅速成为缓解电动共享自动驾驶车辆（SAV）续航焦虑的一种有前景的解决方案。然而，SAV 的服务质量不仅取决于高效充电，还取决于对服务时间窗的遵守。现有针对静态充电的路径策略通常将充电与时间窗调度视为相互独立的过程，未能捕捉动态充电场景下二者的时空相互依赖关系。为解决带时间窗的 SAV 接送与动态充电问题（SPDCP-TW），本文提出了一种时空异构深度强化学习（STH-DRL）策略，该策略在确保准时服务的同时，最小化路径成本并稳定电池荷电状态水平。具体而言，本文引入了一种时空异构注意力机制，以显式编码时间窗特征，并提出一种自适应多约束掩蔽机制，以区分提前、准时和迟到到达场景。本文开发了一个综合仿真平台，融合真实世界道路网络、交通流和出租车出行数据，用于评估多个与时间窗相关的指标。跨三个城市和多种规模的实验结果表明，与启发式方法和最先进的 DRL 方法相比，本文提出的策略在总成本、准时率和电池荷电状态稳定性方面始终取得更优表现。跨三个城市和多种运营规模的实验表明，本文方法在总成本、准时率和电池充电状态稳定性方面始终优于启发式方法和最先进的 DRL 方法。在 24 小时连续运行测试中，所提出的策略在优化充电调度的同时，将准时率维持在 90%—99%。此外，基于真实出租车数据的分析显示，9—29 辆连续运行的 SAV 可以替代 115 辆传统出租车。最后，敏感性分析为 DWC 部署和电池容量优化提供了实践洞见，结果表明，在 5.5% 的 DWC 道路覆盖率下，25—50 kW 的功率范围能够实现平衡的权衡，使电池容量减半，并显著降低路径成本。

10.最后一名乘客应在哪里下车？拼车中的预判式步行

「Where should the last passenger be dropped off? Anticipatory walking in ridepooling」

作者：Xinyu Wang, Andres Fielbaum

摘要：

拼车可以通过超越门到门范式，即纳入一些短距离乘客步行，获得显著效率提升。当前方法通常依赖静态步行，即在分配时固定下车点。这常常导致步行仅发生在上车阶段，因为下车可能发生在车辆当前部分行程安排的末端，此时车辆的下一站仍然未知。相比之下，动态步行，即乘客出行过程中下车点可以被更新，通常被认为用户难以接受，因为它会导致预计到达时间和实际下车位置均存在不确定性。因此，我们提出了一种预判式步行方法，该方法在保持与静态步行同样实用的同时，捕捉动态步行所带来的大部分改进。首先，我们从两种不同需求来源中采样生成一个人工站点，并将其放置在待决定下车点之后的行程安排中。随后，我们将其与一种计算节点层级的方法相结合，以优化确切下车位置。为防止在实际下一站揭示后预测结果反而有害的情况，我们保留一个替代行程安排，其中乘客在其确切目的地下车，并在两种选项之间进行最优选择。基于三个真实世界实例（曼哈顿、乌得勒支和堪培拉）的大规模仿真显示，与静态步行基线相比，该方法实现了持续改进，并且性能接近动态步行基准。就曼哈顿的拒绝率而言，我们的方法实现了动态步行改进幅度的 29%；在乌得勒支实现了 70%；在堪培拉实现了 73%，同时没有为用户引入不可接受的不确定性和不可靠性。这些模式与网络结构和共享水平相一致：在网络层级更强、需求—供给共享程度较低的城市，如乌得勒支和堪培拉，收益更大。总体而言，我们的预判式步行在不对用户施加额外不确定性、且无需大量预测或持续重新优化的情况下，捕捉了动态步行的大部分收益。