Jun, 2023

面向智慧城市交通系统的基于图形的机器学习的近期进展

PDF
TL;DR本文介绍了智能交通系统（ITS）的关键技术挑战及其现代化的应对之道，涵盖了从经典统计方法到现代机器学习和深度学习方法。特别介绍了基于图的机器学习方法以及其与 ITS 应用的关系，并详细阐述了两个最新颖的基于图的 ITS 应用示例。
intelligent transportation systemgraph-based machine learningits-related challengesgraph neural networkits applications
发现论文，激发创造
  • 智能交通系统中的图神经网络综述

    本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 ITS 所面临的挑战，并提出了潜在的未来研究方向。

    Jan, 2024

  • 提高城市机动性：利用人工智能和新技术连接供需

    本研究综述了作者团队的研究成果，讨论了城市流动性、智能交通系统、需求管理、人工智能和计算视觉等方面的综合性研究。

    Mar, 2022

  • 智能交通系统中可靠的移动边缘分析的深度学习

    本文介绍了一种适用于智能运输系统的边缘分析架构，其中数据在车辆或路边的智能传感器水平上处理，以克服联网通信延迟和数据可靠性问题，并提出了针对异构数据、自主控制、车队控制和网络安全等挑战的不同深度学习解决方案，能够为 ITS 提供可靠、安全和真正的智能交通环境。

    Dec, 2017

  • 智能交通系统中的联邦学习：最近的应用和待解决问题

    综合调查了智能交通系统中联邦学习的最新发展，研究了 ITS 中普遍的挑战，阐明了应用联邦学习的动机，并讨论了在物体识别、交通管理和服务提供等场景中的潜在问题。还分析了联邦学习部署引入的新挑战和其潜在的局限性，包括不均匀的数据分布、有限的存储和计算能力，以及潜在的隐私和安全问题。最后，讨论了应用联邦学习在 ITS 中仍需解决的挑战，并提出了几个未来的研究方向。

    Sep, 2023

  • 智能交通系统中生成式人工智能综述

    智能交通系统中的生成人工智能技术在处理不同类型任务的关键问题方面发挥了至关重要的作用，包括交通感知、交通预测、交通仿真和交通决策，并总结了在将生成人工智能应用于智能交通系统时面临的挑战和基于不同应用场景的未来研究方向。

    Dec, 2023

  • 车辆分类的智能交通监测系统：一项调查

    本文综述了目前基于 MEMS、机器学习和无线通讯技术的交通监控系统，重点关注交通工具分类，并讨论了硬件 / 软件设计、部署经验和系统性能，以及未来的研究方向和关键问题。

    Oct, 2019

  • 通过分布式学习在非地面网络 6G 视觉中实现智能车辆网络

    本论文介绍了在资源受限的交通场景中，通过联合空地网络的方法，引入联邦分离迁移学习（FSTL）的概念，以加强对即时性要求的智能解决方案，仿真实验验证了在非地面网络中使用 HAPs 的 FSTL 的有效性，展示了对智能交通系统应用需求的显著改进。

    Sep, 2023

  • 智能车联网：一种机器学习框架

    本文探讨了无线网络设计所面临的新挑战以及应对高动态车联网环境的方法，提出了机器学习作为应对挑战的有效方法，并探讨了强化学习在管理网络资源方面的应用。

    Apr, 2018

  • 智能交通的人工智能

    AI-driven smart transportation systems can improve efficiency and increase utilization by addressing primary requirements, data sources, decision-making, and computational problems in the transportation domain.

    Aug, 2023

  • 城市道路交通网络中十字路口管理的市场化方法

    该论文提出了一种使用智能交通管理基础设施来管理未来城市道路网络的分布式机制，其中智能自主车辆通过软件代理操作以安全高效地穿过道路网络，并结合竞争性市场所得到的交通分配策略，构建了一个自上而下的管理机制。

    Jan, 2014