近年来机器学习技术(例如,支持向量机(SVM),决策树,随机森林,等等)和深度学习技术(如卷积神经网络(CNN),递归神经网络(RNN),多空词记忆(LSTM)等)已被广泛应用于图像识别和时序推理智能交通系统(同期)。例如,高级驾驶员辅助系统和自动汽车开发了基于机器学习和深度学习技术进行碰撞警告,盲点监控、车道偏离警告系统,交通标志识别、交通安全、基础设施管理和拥塞,等等。自主汽车可以分享他们的发现信息(如交通标志,碰撞事件,等等)通过车辆与其他车辆通信系统(例如,专用短程通信(简称DSRC),车载ad hoc网络(VANETs),长期演进(LTE)和第五代移动网络)合作。然而,这些技术的性能和效率进行实时应用的巨大挑战。

因此,一些优化技术(如梯度下降算法,亚当优化算法,粒子群优化算法等)提出了支持深度学习算法在寻找更快的解决方案。例如,梯度下降法是一个流行的优化技术快速寻求优化权重集和过滤器的CNN图像识别。其基于这些图像识别技术的应用程序(例如,自动汽车,增强现实导航系统,等等)获得了更多的关注,和混合方法的典型工程数学和计算机科学(如机器学习、深度学习和优化技术)可以研究和发展来支持各种各样的应用程序。

这个特殊问题的目的是专注于原始研究和评论文章在不同学科的应用,特别是机器学习,深入学习,其时间序列数据分析和优化技术,其时空数据分析,先进的交通管理系统,先进的旅行者信息系统、商用车辆操作系统、先进车辆控制和安全系统、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,脆弱的个体防护服务和其他应用程序。

潜在的主题包括但不限于以下:

• 机器学习、深度学习和优化技术对其时间序列和时空数据分析
• 机器学习、深度学习和优化技术先进的交通管理和安全、旅客信息,商用车辆操作,先进的车辆控制和安全,先进的公共交通系统
• 机器学习、深入学习,为应急管理优化技术,电子支付,先进的信息管理,和脆弱的个体防护服务
• 机器学习、深入学习,优化图像识别的技术
• 应用程序和基于机器学习的图像识别技术和深度学习的
• 应用程序和技术自主汽车和船只基于机器学习和深入学习
• 机器学习、深度学习和优化技术在VANET的服务质量
• 机器学习、深度学习和优化技术基础设施管理和拥塞