Quick taxi route assignment via real-time intersection state prediction with a spatial-temporal graph neural network（通过时空图神经网络实时交叉口状态预测快速分配出租车路线）
PAPER LINK
简单说一下：
本文采用了一种新的方法，通过使用空间-时间图神经网络（STGNN）来预测机场出租车道网络中的交叉口状态，从而减少问题规模。然后，基于预测结果得到的子图，建立了一个混合整数线性规划（MILP）模型来分配出租车路线。同时，本文将时间视为连续变量，允许飞机在任何节点停下等待，以避免冲突。最后，我们通过在北京首都国际机场（PEK）的实际运营数据上进行测试，证明了我们的方法的有效性。
MILP模型包括了对出租车路线分配的混合整数线性规划问题的描述。具体来说，它考虑了如何最小化总出租车行驶和偏离时间的目标函数，并允许飞机在任何交叉口停下等待，以避免冲突。同时，该模型将时间视为连续变量，而不是进行离散化处理
