👀 写在最前，从来没想过会有什么时候自己会需要写前端，大一的时候采访一个15年就毕业的做前端的学长，从他的博客里感受到前端好像是个不那么受待见、在大众眼里没什么技术性、薪资不是很高但其实又很重要的岗位，后来上的课也是没有一门与前端相关的，于是对前端的了解大概也就止步于此了。之前倒是经常看着同专业的人秉持着兴趣在做网页，佩服别人的同时却没有一点儿自己要动手尝试的想法，但是现在，为了完成第四讲开源

连锁品牌咖啡 以下排名不分先后，想到谁就写谁。 M Stand 最开始火起来大概是因为杯子可以吃的燕麦曲奇拿铁🍪，但是我绝对不会推荐任何人去喝这款，很小很小一杯而且吃着吃着就腻了，就算会配一杯水也没有用。不过我还是我愿称M Stand为奶咖的神，ta家奶咖都很好喝，包括香烤坚果拿铁、黑糖奶咖，虽然是加了糖的咖啡，但是不会觉得齁，而且这两款都是冷热皆宜。鲜椰冰咖🥥也是ta家的一款招牌

Spatial-Temporal Synchronous Graph Convolutional Networks:A New Framework for Spatial-Temporal Network Data Forecasting STGCN采用两个分离的模块来捕捉时许和空间的依赖性，只能捕捉节点在同一时间步对邻居节点的影响和对下一时间步的自身的影响，不能直接捕捉节点对下一时间步的邻

Spatio-Temporal Graph Convolutional Networks:A Deep Learning Framework for Traffic Forecasting 在文中提出的图时空网络STGCN中，定义\(v^t\in\R^n\)为\(n\)个观测点在时间戳\(t\)时的观测向量，\(\mathcal {G}_t=(\mathcal {V}_t,\mathcal

Fed-LTD:Towards Cross-Platform Ride Hailing via Federated Learning to Dispatch 派单效率受到数据隔离问题(data isolation problem)的影响，本文提出Fed-LTD框架，实现多平台在不共享本地数据的前提下协作派单，提供隐私保护的同时共享派单模型和决策。 挑战： 如何最大化跨平台派单的总使用

Learning to Assign:Towards Fair Task Assignment in Large-Scale Ride Hailing 采用强化学习全面地分配任务，并提出一些加速技巧实现对大规模数据的快速公平的分配。 从司机视角考虑，不公平的分配策略影响司机的感受(the fairness of earnings among drivers) 挑战： 在线设置onl

Large-Scale Order Dispatch in On-Demand Ride-Hailing Platforms A Learning and Planning Approach 将强化学习算法应用于分单，使得系统可以更加关注整个全局的最优化，并且克服现有分单算法中存在的“短视”现象，寻求更大时间尺度上的最优。 将订单调度建模为一个大规模序列决策问题，每个独立的匹配决策基于两个