- 大规模城市道路网络的可微分预测控制
基于物理学知识的机器学习方法，该论文提出了一种新的交通网络控制方法，通过基于宏观基本图 (MFD) 和网络宏观基本图 (NMFD) 的简化表示，实现对交通网络的优化控制，以减少能源相关排放和缓解拥堵问题。该方法通过与现有的模型预测控制 (M - 稀疏域迁移：通过弹性网正则化
本研究提出了 Elastic Net Optimal Transport (ENOT) 框架来解决稀疏分布转移问题，并证明 ENOT 的稀疏梯度可以提供稀疏领域传输映射，通过应用 ENOT 框架进行特征选择和数值结果的演示，表明 ENOT - 稀疏采样在闭路电视视频中快速检测逆行循环的全部所需
本研究论文提出了一种用于检测闭路电视视频中逆行骑行比率的问题的稀疏采样方法 (WWC-Predictor)，通过利用基于检测的信息和基于方向的信息来提高瞬时信息捕获能力，从而在减少直接跟踪方法的效率不足的同时实现了令人瞩目的性能，证明了该方 - 基于卷积神经网络的 GTRSB 交通标志检测和分类优化
在交通运输不断演进的背景下，汽车的普及使道路交通更加复杂，需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法，实现了接近 96% 的准确率，突出了通过高级定位技术可以实现更高的精度，这不仅对交通标志识别技 - 关于过境混淆问题
这篇论文研究了在某些交通和监视场景中对路线上或路线可见的中间点进行隐藏的重要目标。我们提出了中转匿名性的概念，即对特定中转点的匿名性的定量保证，即使面对具有完全了解路径规划算法的强大对手。我们提出并评估了满足这种匿名标准的规划 / 搜索算法 - 交通诊断数字孪生系统的系统性映射研究
数字孪生在交通领域的诊断能力有限，需要进一步研究以实现诊断推理。
- 基于得分的算子牛顿法用于测量传输
通过利用目标分布的得分，我们构造了一个新的输运映射，并将其特征化为一个无限维的得分残差算子的零点，并推导出了一种迭代构造这种零点的牛顿型方法。
- 智慧地铁：深度学习预测 MRT 3 号线的乘客量
该研究提供了一种时间序列预测方法，以预测菲律宾马尼拉地铁 3 号线每个站点在特定日期的未来客流量。（This study presents a time series prediction method to forecast the fu - HumanLight: 交通信号控制中基于人类中心的深度强化学习激励拼车
使用强化学习与交通概念相结合的奖励函数，基于智能技术实现人性化的交通管理，该算法可应用于不同的网络配置下并取得了显著的成果。
- 深度强化学习实现驾驶援助生态驾驶和传动控制
本文提出了针对现代交通运输领域中节约能源消耗和减少温室气体排放的需求，采用深度强化学习控制体方法，模拟实现了可交互的节油驾驶辅助代理，以最小化油耗为目标，并通过与基准控制器性能的比较，验证了该代理策略的有效性。
- KDD基于稀疏数据建模网络级流量转移
本研究提出了 DTIGNN 方法，通过建立动态图模型，利用交通信号灯，学习基础交通流过渡方程，并在流程中进行插补，从而从稀疏数据中预测网络级交通流。经实验证明，该方法优于其他方法，可更好地支持交通决策。
- 故障条件下智能车辆的多准则决策增强公私合作
本研究探讨了车辆在故障条件下的维修计划，将其制定为一个多准则决策问题，并提出了一种新的方法以减少公共时间损失的风险。
- ICMLEVGen：用于学习电动汽车充电负载和隐藏表示的对抗网络
本研究利用生成式对抗网络，学习电动汽车充电过程的分布规律，为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.
- CVPR第五届智慧城市挑战赛
这篇研究论文介绍了人工智能城市挑战赛及其关于交通智能化方面的研究，用于推动智能视频分析在城市交通等领域的发展和提高算法性能以促进其在真实应用中广泛使用。
- CVPR第四届 AI 城市挑战赛
第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。
- OSMnx：获取、构建、分析、可视化复杂街道网络的新方法
该文章介绍了一个名为 OSMnx 的新工具，可以从政治边界和建筑外部下载街道网数据，并以图形和运输，及城市设计的视角为基础进行简单、一致和可自动化的街道网数据收集、创建和分析，从而提供了五种重要的功能：第一，政治边界和建筑物轮廓线的自动下载 - 使用深度强化学习代理控制交通信号
提出了一种交通信号控制系统，利用现代深度强化学习方法构建适应性交通信号控制器，通过对作为输入的交通密集信息进行 Q-learning 训练并使用经验回放，与一种单隐藏层神经网络通讯信号控制器相比，实现了平均累计延迟减少 82％，平均队列长度