Najnowsze publikacje
- Michał Bujak, Rafał Kucharski, Balancing profit and traveller acceptance in ride-pooling personalised fares, vol. Volume 333, Issue 1 (2026), 101-116
- Olha Shulika, Hanna Vasiutina, Michał Bujak, Farnoud Ghasemi, Rafał Kucharski, Shifting Car Users To Public Transport: A Utility-Based Approach For Selecting Areas For Feeder Services, Transportation Research Procedia Volume 95 (2026), 744-751
- Rafał Kucharski, Farnoud Ghasemi, Cats Oded, Regulating ride-sourcing markets: Can minimum wage regulation protect drivers without disrupting the market?, vol. 21(3) (2026),
- Magdalena Proszewska, Michał Bujak, Rafał Kucharski, Jacek Tabor, Marek Śmieja, Optimising network efficiency in an epidemic scenario, Social Network Analysis and Mining 2/16 (2026),
- Ahmet Akman, Anastasia Psarou, Michał Hoffmann, Łukasz Gorczyca, Gora Pawel, Grzegorz Jamróz, Rafał Kucharski, Kowalski Łukasz, URB - Urban Routing Benchmark for RL-equipped Connected Autonomous Vehicles, Advances in Neural Information Processing Systems [NeurIPS](MAIN), (2025),
Zainteresowania
Prowadzę interdyscyplinarne badania nad miejskimi systemami transportowymi. W ramach działalności naukowo-badawczej zajmuję się modelowaniem miejskich systemów transportowych. To badania nad złożonymi systemami w których infrastruktura tworząca gęstą sieć drogową, czy transportu zbiorowego wchodzi w interakcje z użytkownikami, niezależnymi agentami podejmującymi racjonalne decyzje. Opis tych złożonych zjawisk wymaga warsztatu matematycznego, fizycznego, obliczeniowego i optymalizacyjnego z jednej strony, a z drugiej opisu zachowania użytkowników, z wykorzystaniem teorii wyboru dyskretnego i modeli psychologiczno-ekonometrycznych. W połączeniu z dużymi zbiorami danych o ruchu drogowym, podróżach, przemieszczeniach i geolokalizacjach tworzy to wymagającą, ale i fascynującą dziedzinę badań nad mobilnością.
Rafał Kucharski
stopień/tytuł doktor habilitowany stanowisko- Katedra Uczenia Maszynowego
- Instytut Informatyki i Matematyki Komputerowej
- Group of Machine Learning Research (GMUM)