国家的经济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。

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其在交通行业的前景是被证明的地方甚至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。

这个特殊的问题旨在报道新模型和算法有关的使用机器学习领域的交通,此外,分析系统的可靠性和鲁棒性。

潜在的主题包括但不限于以下:

• 机器学习的应用
  • 监视和管理交通系统的性能
  • 自主车辆和汽车连接
  • 货运业务
  • 空中交通管制
  • 智能公共交通的预测分析
  • 异常事件检测从监控录像
  • 移动服务的数据驱动的交通规划、操作和报告
  • 车辆安全监测
  • 乘客安全监测
  • 高效的拼车和分享
  • 对象检测和交通标志识别
  • 旅行者的行为的分析