Abstract Urban rail transit (URT) plays a pivotal role in mitigating urban congestion and emissions, positioning it as a sustainable transportation alternative. Nevertheless, URT’s function in transporting substantial numbers of passengers within confined public spaces renders it vulnerable to the proliferation of infectious diseases during public health crises. This study proposes a decision support model that integrates operational control strategies pertaining to passenger flow and train capacity utilization, with an emphasis on energy efficiency within URT networks during such crises. The model anticipates a URT system where passengers adhere to prescribed routes, adhering to enhanced path flow regulations. Simultaneously, train capacity utilization is intentionally limited to support social distancing measures. The model’s efficacy was assessed using data from the COVID-19 outbreak in Xi’an, China, at the end of 2021. Findings indicate that focused management of passenger flows and specific risk areas is superior in promoting energy efficiency and enhancing passenger convenience, compared to broader management approaches.

Abstract The study of social behaviors in animals is essential for understanding their survival and reproductive strategies. However, accurately tracking and analyzing the social interactions of free-moving animals has remained a challenge. Existing multi-animal pose estimation techniques suffer from drawbacks such as the need for extensive manual annotation and difficulty in discriminating between similar-looking animals in close social interactions. In this paper, we present the Social Behavior Atlas (SBeA), a novel computational framework that solves these challenges by employing a deep learning-based video instance segmentation model, 3D pose reconstruction, and unsupervised dynamic behavioral clustering. SBeA framework also involves a multi-camera setup to prevent occlusion, and a novel approach to identify individual animals in close social interactions. We demonstrate the effectiveness of SBeA in tracking and mapping the 3D close interactions of free-moving animals using the example of genetic mutant mice, birds, and dogs. Our results show that SBeA is capable of identifying subtle social interaction abnormalities, and the models and frameworks developed can be applied to a wide range of animal species. SBeA is a powerful tool for researchers in the fields of neuroscience and ecology to study animal social behaviors with a high degree of accuracy and reliability.

Abstract Animal behavior usually has a hierarchical structure and dynamics. Therefore, to understand how the neural system coordinates with behaviors, neuroscientists need a quantitative description of the hierarchical dynamics of different behaviors. However, the recent end-to-end machine-learning-based methods for behavior analysis mostly focus on recognizing behavioral identities on a static timescale or based on limited observations. These approaches usually lose rich dynamic information on cross-scale behaviors. Inspired by the natural structure of animal behaviors, we addressed this challenge by proposing a novel parallel and multi-layered framework to learn the hierarchical dynamics and generate an objective metric to map the behavior into the feature space. In addition, we characterized the animal 3D kinematics with our low-cost and efficient multi-view 3D animal motion-capture system. Finally, we demonstrated that this framework could monitor spontaneous behavior and automatically identify the behavioral phenotypes of the transgenic animal disease model. The extensive experiment results suggest that our framework has a wide range of applications, including animal disease model phenotyping and the relationships modeling between the neural circuits and behavior.

The Ventral Tegmental Area (VTA) is a midbrain structure known to integrate aversive and rewarding stimuli, a function involving VTA Dopaminergic and GABAergic neurons. VTA also contains a less known population: glutamatergic (VGluT2) neurons. Direct activation of VGluT2 soma evokes rewarding behaviors, while stimulation of their axonal projections to the Nucleus Accumbens (NAc) and the Lateral Habenula (LHb) evokes aversive behaviors. Here, a systematic investigation of the VTAVGluT2+ population response to aversive or rewarding conditioning facilitated our understanding these conflicting properties. We recorded calcium signals from VTA glutamatergic population neurons using fiber photometry in VGluT2-cre mice to investigate how the VTA glutamatergic neuronal population was recruited by aversive and rewarding stimulation, both during unconditioned and conditioned protocols. Our results revealed that, as a population, VTA-VGluT2+ neurons responded similarly to unconditioned-aversive and unconditioned-rewarding stimulation. During aversive and rewarding conditioning, the CS-evoked responses gradually increased across trials whilst the US-evoked response remained stable. Retrieval 24 h after conditioning, during which mice received only CS presentation, resulted in VTA-VGluT2+ neurons strongly responding to CS presentation and to the expected-US but only for aversive conditioning. The inputs and outputs of VTA-VGluT2+ neurons were then investigated using Cholera Toxin B (CTB) and rabies virus, and we propose based on all results that VTA-VGluT2+ neurons specialized function may be partially due to their connectivity.

Abstract It is though that only a subset of brain structures can encode emotional states. This can be investigated though a set of properties, including the ability of neurons to respond to a conditioned stimulus (CS) preceding an aversive unconditioned stimulus (US). The dorsolateral periacqueductal gray (dPAG) is a midbrain structure though to have an essential role in coordinating defensive behaviors in response to aversive stimulation. But its ability of dPAG neurons to encode a CS following fear conditioning as not been sufficiently studied. Here we used calcium imaging by fiber photometry to record the activity of dPAG VGluT2+ and dPAG GAD2+ neuronal populations during unconditioned and conditioned aversive stimulation. Then, following an unconditioned stimulation we performed a retrieval experiment to quantify memory-like responses of dPAG neurons. This shown that whilst both dPAG VGluT2+ and dPAG GAD2+ neuronal populations respond to direct US stimulation, and to CS stimulation during conditioning, only the dPAG VGluT2+ population persisted in responding to the CS stimulation during retrieval. Finally, to better understand dPAG VGluT2+ and dPAG GAD2+ connectivity patterns, we performed a cell specific monosynaptic retrograde rabies virus tracing experiment. This revealed that different patterns of fibers projects to dPAG VGluT2+ and dPAG GAD2+ , further complementing our recording showing divergences between PAG VGluT2+ and dPAG GAD2+ populations.

As travel demands in metro systems continue to grow rapidly, the mismatch between passenger demand and metro capacity has become a critical challenge in metro operations. To address this issue, this paper investigates the collaborative optimization of train timetables and station-based passenger flow control under stochastic demand, which aims to minimize the total system cost while ensuring an adequate service level to each station. We formulate the research problem as a stochastic mixed-integer programming model with expected travel time cost constraints for each station and translate it into a multi-objective attainability problem by imposing a target on the objective value. We develop an efficient operation policy that determines the timetable and flow control decisions in response to each demand scenario, satisfying the objective and service level targets in the long term when feasible. We conduct extensive numerical experiments on both synthetic and real-world transit data to evaluate the performance of our approach. The results demonstrate that our approach outperforms the benchmark first-come-first-served policy in terms of efficiency and service fairness under both exogenous and endogenous demand distributions. The improvement achieved by our approach is attributed to the prioritization of short trips over long ones, effectively exploiting the reusable nature of train capacity.