机器学习作为人工智能工具的一个子集，是计算机科学的一个广泛领域，为机器和自主系统提供学习和改进以往经验的能力。换句话说，机器学习专注于开发能够自主访问数据并将其用于学习和自我提高的计算机程序。机器学习的这一核心目标可以通过多种类型的学习来实现，包括监督学习、无监督学习、强化学习、自学习、特征学习和关联规则等。实现这些机器学习类型的各种模型已经被用于机器学习系统并进行了研究。已知的最佳模型包括人工神经网络、支持向量机、决策树、进化算法、Petri网和回归算法等架构。机器学习似乎与优化、统计和数据挖掘等信息理论的其他领域相关，也有重叠。

由于经济的日益全球化、人口的增长、工业生产的发展、安全问题和环境恶化，交通问题正成为一个挑战。传统的交通系统被推到了极限，随着交通量的不断增加，城市的发展往往会遇到瓶颈。随着当前计算能力的可用性和人工智能理论的巨大进步，机器学习模型似乎是一个合适的工具来克服前面提到的挑战。在某些情况下，例如物流服务规划、从监控、视频中检测事件和目标，或分析旅行者的行为，基于机器学习的解决方案已经证明，与传统解决方案相比，它们具有更高的性能。其他可能的应用仍是研究和开发的对象。

本期特别报道的重点是机器学习方法在解决交通问题方面的创新应用。特别欢迎提供可靠、可靠和经过验证的方法的意见书。其中，鼓励与工业和运输公司密切合作的研究人员和学者发表他们的贡献。我们欢迎原创研究和评论文章。

潜在的主题包括但不限于以下内容:

• 交通分析与控制，包括监控、公共交通管理等。
• 智能交通系统的决策支持
• 交通系统方面的建模，包括用户行为，旅行需求和基础设施使用
• 交通模型在交通分析、控制和优化中的应用
• 智能城市物流