国家的经济、安全和生活质量受到性能良好的交通系统的影响。然而,交通需求不断增加是由于人口增长趋势,新兴技术,增加全球化的经济一直推动系统其局限性。的速度增加车辆的数量分甚至超过整体人口增长速度,从而导致更多的拥挤和危险的道路。这个问题不会得到解决,只是增加了道路的数量了。施工成本是非常高的和返回结果的时间太长,赶上车辆增长率。
改进的车队管理的一种方法是通过查看道路作为信息高速公路与高速公路的车辆。摄入的规模运输系统中的数据,甚至系统的各个组件之间的相互作用产生的数据已经成为一个瓶颈传统数据分析解决方案。另一方面,机器学习是一种人工智能(AI)和数据驱动的解决方案,它可以应付新系统的需求。机器学习学习的潜在模式历史数据模型系统,并据此做出反应的行为以自动化分析模型构建。
增加计算能力的可用性和收集大量的数据已经重新定义了基于机器学习的价值方法解决新兴交通系统需求和需求。
机器学习解决方案已经开始他们的承诺是在交通行业,甚至是被证明有更高的投资回报率相比,传统的解决方案。然而,交通问题仍然是丰富的和利用机器学习技术的应用和需要更多的考虑。底层的这些解决方案的目标是减少拥堵,提高安全性,减少人为错误,减轻不利环境影响,优化能源性能,改善地面交通的生产力和效率。
原来在这个特殊的问题,我们目前的研究工作旨在报道新模型,算法,以及相关案例研究使用机器学习领域的运输和进一步分析的整个运输系统的可靠性和鲁棒性。特别是特刊关注预测方法在交通、运输网络流量和信号,公共交通包括机群,驾驶风格,电动汽车,汽车共享。
近年来,机器学习技术已经成为实现智能交通的重要组成部分。在这种情况下,使用一种改进的深度学习模型、道路之间的复杂的相互作用,交通流量、环境元素,和交通事故一直在探索。该模型包括两个模块,一个无监督特征学习模块识别功能解释变量之间的关系和特征表示和监督微调模块执行交通事故预测。另一项研究利用层次交通信号控制算法基于强化学习,解决问题的“绿色浪潮瓶颈点”动脉和信号干扰。
没有有效的旅游指导可以提供没有好的旅行时间估计的策略。旅行时间可以直接或间接地实现。直接测量方法使用探测车辆旅行时间,记录在收费站,跟踪手机,和许多其他技术。间接方法推断旅行时间使用实测交通量、速度、和入住率的传感器(如循环检测器、摄像机)沿着车辆轨迹。近年来,数据挖掘和机器学习已经逐渐出现在眼前。交通信息采集技术的发展(如GPS轨迹数据)为我们提供了大量的交通数据,进而为发展之路更准确的基于数据挖掘的旅行时间估计。与传统的参数化模型相比,数据挖掘算法可以探索隐式变量之间的关系。为此,在特殊的问题,介绍了一种新的数据挖掘技术利用随机森林旅行时间估计。结果表明,变量的影响在旅游时间可以通过随机森林深入挖掘。
在智能交通网络(它的)背景下,准确的预测未来的交通状况是至关重要的减少交通拥堵和交通事件做出回应。的特殊问题,提出了一种混合交通流预测方法基础上再(资讯)算法和长期短期记忆网络(LSTM)。说明了改进后的交通流预测的准确性通过交通流预测两个车站使用探测器数据主要高速公路/高速公路在明尼苏达州。
同时,无人机(uav)有很大的潜力在日常交通管理和控制以及收集交通数据以较低的成本。然而,无人机带来了一系列的挑战,主要是有关汽车大小的图片和可能被阴影遮挡或其他道路对象,特别是在拥挤的交通状况。在这种背景下,基于两种学习框架提出了检测车辆和轨道车辆轨迹在拥挤的交通状况。
统计机器学习算法也发现他们在支持智能交通方式。在一个研究报道的特殊问题,使用社区组件分析和贝叶斯优化算法,随机森林模型训练与高精度估计交通事件持续时间。在另一项研究中统计机器学习交通、朴素贝叶斯分类器是用来确定公共交通乘客的旅行模式基于智能卡和调查数据采样通勤者。
在公共交通相关工作,系统架构提出了基于加速度传感器数据来确定公交司机的身份。该系统由三个主要模块:数据采集、数据预处理和驱动程序识别模块。活跃校园班车的收集数据,预处理模块一个过滤器适用于去除时间静止的数据,和提取的独特行为驱动(结果确定司机),提出了加速度传感器数据的柱状图。
对航空旅行的需求继续快速增长;因此,空中交通控制变得更加复杂。航空旅行的主要挑战仍然避碰,鉴于需求的增长,自动决策支持技术,主要冲突检测分辨率(CDR),需要启用持续提供安全、高效的服务越来越拥挤的天空。特殊情况的自由飞行,飞行员可以自由选择自己的轨迹和速度优化的飞行时间和性能,同时保持安全分离从周边交通。为此,重要的是要找到一个快速冲突检测方法在自由飞行,这是适用于终端以及航路。试图解决这一问题提出了飞机的冲突检测被认为是二元分类问题和模式识别方法用于解决这个问题。飞行数据特征提取并送入分类器训练的一个大型飞行数据集。支持向量机(SVM)方法检测multi-aircraft自由飞行空域和冲突检测冲突的概率。误警率是空中交通管制员最重要的问题,该方法使用合成少数过采样技术处理不平衡数据集(杀)。
分类技术已经在更一般意义上的交通网络。学习历史数据的潜在模式在一个有效的方式来建模一个运输系统是一个主要的需要做出正确的决定。然而,许多分类算法在文献中认为最大的值的数据集是无序的,所以他们之间失去固有秩序类值。为了解决这个问题,提出了一种研究利用Ensemble-Based顺序分类(EBOC)方法,这表明装袋和提高,学习演算法,方法作为解决顺序运输的分类问题。该方法与更传统的基于树的分类算法,如决策树和随机树。
分心驾驶已被广泛报道交通碰撞的主要因素。基于新出现的学习方法,解决司机的注意力问题是成为工业和学术界的兴趣的一个话题。特刊,我们调查的方法来检测和减轻驾驶风格使用深度学习和利用RGB图像获得相机安装在仪表板之上。在流行的追尾事故的情况下,提出了一项研究,专注于开发一个驾驶风格识别方法基于车辆轨迹数据提取监控摄像头。研究使用参考kpi等使倒转时间碰撞(ITTC)和车头时距(失业)评估车辆的碰撞风险水平轨迹对于每个司机和我们利用支持向量机(SVM)承认驾驶风格。此外,支持向量机方法相比,不同的学习方法包括随机森林(RF), K-Nearest-Neighbors(资讯)和多层感知器(MLP)驾驶风格识别的精度。
汽车共享正成为一个在全球范围内越来越受欢迎的交通方式。布局问题是一个最具挑战性和有趣的问题需要解决的背景下,汽车共享。大多数汽车车站的地方是通过经验或随机选出的地方可用的空间。这导致低效率,因此在许多汽车电台资本损失。特刊中包含一项研究旨在使用不同的数据源统计模型和机器学习算法来帮助汽车运营商选择新车站的最佳位置和调整现有的位置。在这项研究中,感兴趣的区域被假定为一个网格,和关注给找到一个模型来评估一个潜在的旅游需求值为每个小网格和体积的需求建议最好的地方用于汽车共享。研究比较不同的学习方法和得出的结论是,逻辑回归和套索(至少绝对萎缩和选择操作符)是最好的方法来估计在所有网格的概率存在的需求。除了要求每个网格,研究集中在竞争日益激烈的市场中,发现订单号上的影响因素。给出建议的最佳位置站在考虑竞争对手。
总而言之,我们相信内容发表在这个特殊的问题贡献在智能交通领域前进,开辟新的途径为进一步研究如何利用机器学习建立更加可持续和安全的智能城市。
的利益冲突
编辑们宣布没有利益冲突的出版这篇社论。
阿里Tizghadam
Hamzeh Khazaei
默罕默德·h·y穆贾达姆
哈桑亚