近年来，机器学习技术(如支持向量机(SVM)、决策树、随机森林等)和深度学习技术(如卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)等，等)已广泛应用于智能交通系统的图像识别和时间序列推断。例如，基于机器学习和深度学习技术开发了先进的驾驶员辅助系统和自动驾驶汽车，可以执行前向碰撞预警、盲点监测、车道偏离预警系统、交通标志识别、交通安全、基础设施管理和拥堵等。自动驾驶汽车可以通过车载通信系统(如专用短程通信(DSRC)、车载自组织网络(VANETs)、长期演进(LTE)和第五代移动网络)与其他汽车共享其检测到的信息(如交通标志、碰撞事件等)进行合作。然而，这些技术的性能和效率对于执行实时应用程序是一个巨大的挑战。

因此，人们提出了几种优化技术(如梯度下降算法、Adam优化算法、粒子群优化算法等)来支持深度学习算法快速求解。例如，梯度下降法是一种流行的快速寻找CNN优化权值集和滤波器用于图像识别的优化技术。基于这些图像识别技术(如自动驾驶汽车、增强现实导航系统等)的智能交通系统的应用得到了更多的关注，而典型的工程数学和计算机科学的混合方法(如机器学习、深度学习、和优化技术)可以研究和开发，以支持各种智能交通系统的应用。

本期特刊的目的是聚焦于ITS应用的各个学科的原始研究和综述文章，特别是机器学习，深度学习和ITS时间序列数据分析的优化技术，ITS时空数据分析，先进的交通管理系统，先进的出行信息系统、商用车操作系统、先进的车辆控制与安全系统、先进的公共交通服务、应急管理服务、电子支付服务、先进的信息管理服务、信息管理服务、弱势个人防护服务、及其他智能交通系统应用。

可能的主题包括但不限于以下内容:

• 用于ITS时间序列和时空数据分析的机器学习、深度学习和优化技术
• 机器学习、深度学习和优化技术用于先进的交通管理和安全、旅行者信息、商用车运行、先进的车辆控制和安全，以及先进的公共交通系统
• 用于应急管理、电子支付、先进信息管理和脆弱的个人保护服务的机器学习、深度学习和优化技术
• 图像识别的机器学习、深度学习和优化技术
• 基于机器学习和深度学习的智能交通系统图像识别的应用和技术
• 基于机器学习和深度学习的自动驾驶汽车和船舶的应用和技术
• 机器学习，深度学习和优化技术的服务质量在VANET
• 机器学习、深度学习和基础设施管理和拥塞的优化技术