该论文调查了机器学习中的强化学习方法在交通信号控制中的应用，并提出通过综合现有文献促进该重要研究领域的跨学科研究。

Apr, 2019

本文通过经典交通理论的视角重新审视强化学习在交通信号控制中的应用，提出了LIT方法，使用简单的状态和奖励设计达到最优解，实验结果显示该方法明显优于现有交通信号控制方法。

May, 2019

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆/行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

本文提出了一种基于循环离线数据集的数据驱动方法来解决真实交通信号控制中部署的问题。在仿真与真实环境中进行了广泛实验，结果表明，引入循环离线数据集的数据驱动方法在某些情况下可以实现令人满意的性能，COD可以被视为用于交通信号控制问题的可靠离线数据集。

Mar, 2023

本文介绍了如何使用强化学习来解决城市道路网络中交通信号控制的问题。我们提出了两种解决方案：第一种方案使用状态值估计来进行自适应控制，第二种方案同时使用状态值和奖励值估计来训练强化学习模型进行自适应控制。我们在合成和实际道路网络交通方面进行了大量实验，并发现我们的方法在处理缺失数据的情况下表现优异，且具有鲁棒性。

Apr, 2023

通过结合交通流理论和机器学习，我们提出了一种全面的数据驱动和免费模拟器的实现逼真交通信号控制框架(D2TSC)。我们利用历史交通数据构建了一个奖励推断模型，通过粗粒度的交通数据来推断奖励信号，并进一步使用样本高效的离线RL方法，从真实世界交叉口的离线历史数据集中直接学习信号控制策略。通过广泛实验证明，我们的方法在传统方法和离线RL基准上取得了卓越的性能，并且具有更好的实际应用性。

Nov, 2023

多目标跟踪在交通视频中是一个关键的研究领域，通过利用先进的机器学习算法，可以提高交通监控的准确性并促进道路安全措施。然而，现有的交通视频多目标跟踪数据集通常具有有限的实例或专注于单个类别，无法很好地模拟复杂交通场景中遇到的挑战。为了填补这一空白，我们介绍了TrafficMOT，一个广泛的数据集，旨在涵盖具有复杂场景的多种交通情况。通过使用三种不同的设置来验证TrafficMOT所呈现的复杂性和挑战：完全监督、半监督和最近强大的零样本基础模型Tracking Anything Model（TAM）。实验结果突出了该数据集的内在复杂性，强调其在交通监控和多目标跟踪领域推动发展的价值。

Nov, 2023

该研究探讨了基于计算机视觉的交通信号控制方法，通过视觉观测调节道路上的交通流量，引入了名为TrafficDojo的综合交通模拟框架，通过将SUMO提供的微观交通流量集成到驾驶模拟器MetaDrive中进行基线算法的比较和综合评估，为设计和发展基于视觉的交通信号控制方法打开了新的研究机会。

Mar, 2024

通过基于条件扩散的广义、基于点的可控交通场景生成框架Dragtraffic，使用回归模型提供初始解决方案，并通过条件扩散模型的细化过程来确保多样性，引入用户自定义上下文以确保高可控性，实验证明Dragtraffic在真实驾驶数据集上的真实性、多样性和自由度方面优于现有方法。

Apr, 2024

本研究解决了城市交通管理中监控交通状况的效率问题，提出了一种新的多层次交通响应倾斜摄像头监控系统（TTC-X），通过智能化的可调摄像头实现360度动态覆盖。研究表明，TTC-X在网络层面成功捕获超过60%的车辆，并能够快速应对意外事件，实现了最佳的交通状态重建，显示出其在城市交通管理中的良好适应性和可扩展性。

Aug, 2024