如今，移动通信在5G通信行业中的快速增长。随着容量需求和经验质量要求的要求，移动性预测已被广泛应用于移动通信，并成为利用历史交通信息预测交通用户的未来位置的关键推动因素之一，因为精确的移动性预测可以帮助实现高效无线电资源管理，协助路线规划，指南运输或减轻交通拥堵。然而，由于业务网络复杂的交通网络，移动性预测是一个具有挑战性的问题。在过去几年中，在这方面已经完成了大量研究，包括非机器学习（非ML）和基于机器学习（ML）的移动预测。在本文中，首先，我们介绍了移动性预测的最先进技术。然后，我们选择了支持向量机（SVM）算法，用于实际交通日期培训的ML算法。最后，我们分析了移动性预测的模拟结果，并引入了将应用移动预测的未来工作计划来改善移动通信。

“轨迹”是指由地理空间中的移动物体产生的迹线，通常由一系列按时间顺序排列的点表示，其中每个点由地理空间坐标集和时间戳组成。位置感应和无线通信技术的快速进步使我们能够收集和存储大量的轨迹数据。因此，许多研究人员使用轨迹数据来分析各种移动物体的移动性。在本文中，我们专注于“城市车辆轨迹”，这是指城市交通网络中车辆的轨迹，我们专注于“城市车辆轨迹分析”。城市车辆轨迹分析提供了前所未有的机会，可以了解城市交通网络中的车辆运动模式，包括以用户为中心的旅行经验和系统范围的时空模式。城市车辆轨迹数据的时空特征在结构上相互关联，因此，许多先前的研究人员使用了各种方法来理解这种结构。特别是，由于其强大的函数近似和特征表示能力，深度学习模型是由于许多研究人员的注意。因此，本文的目的是开发基于深度学习的城市车辆轨迹分析模型，以更好地了解城市交通网络的移动模式。特别是，本文重点介绍了两项研究主题，具有很高的必要性，重要性和适用性：下一个位置预测，以及合成轨迹生成。在这项研究中，我们向城市车辆轨迹分析提供了各种新型模型，使用深度学习。

如今，世界各地的城市推出了电动公共汽车以优化城市交通，减少当地碳排放量。为了减少碳排放并最大化电动公共汽车的效用，重要的是为它们选择合适的路线很重要。传统上，路线选择是在专用调查的基础上，这在时间和劳动力成本高昂。在本文中，我们主要关注智能规划电动公交线路，具体取决于整个城市各地区的独特需求。我们提出了一种铺张山庄，一个路线规划系统，利用深度神经网络和多层的感知者，以预测未来人民的旅行和整个城市的未来运输碳排放。鉴于人们旅行和运输碳排放的未来信息，我们利用了一种贪婪的机制来推荐将以理想状态离开的电动公交车的公交线路。此外，从异构城市数据集中提取两个神经网络的代表特征。我们通过对珠海省珠海真实世界资源的大量实验来评估我们的方法。结果表明，我们设计的基于神经网络的算法始终如一地优于典型的基线。此外，电动公交车的建议路线有助于降低碳排放的峰值，并充分利用城市的电动公共汽车。

近年来，道路安全引起了智能运输系统领域的研究人员和从业者的重大关注。作为最常见的道路用户群体之一，行人由于其不可预测的行为和运动而导致令人震惊，因为车辆行人互动的微妙误解可以很容易地导致风险的情况或碰撞。现有方法使用预定义的基于碰撞的模型或人类标签方法来估计行人的风险。这些方法通常受到他们的概括能力差，缺乏对自我车辆和行人之间的相互作用的限制。这项工作通过提出行人风险级预测系统来解决所列问题。该系统由三个模块组成。首先，收集车辆角度的行人数据。由于数据包含关于自我车辆和行人的运动的信息，因此可以简化以交互感知方式预测时空特征的预测。使用长短短期存储器模型，行人轨迹预测模块预测后续五个框架中的时空特征。随着预测的轨迹遵循某些交互和风险模式，采用混合聚类和分类方法来探讨时空特征中的风险模式，并使用学习模式训练风险等级分类器。在预测行人的时空特征并识别相应的风险水平时，确定自我车辆和行人之间的风险模式。实验结果验证了PRLP系统的能力，以预测行人的风险程度，从而支持智能车辆的碰撞风险评估，并为车辆和行人提供安全警告。

The existing methods for trajectory prediction are difficult to describe trajectory of moving objects in complex and uncertain environment accurately. In order to solve this problem, this paper proposes an adaptive trajectory prediction method for moving objects based on variation Gaussian mixture model (VGMM) in dynamic environment (ESATP). Firstly, based on the traditional mixture Gaussian model, we use the approximate variational Bayesian inference method to process the mixture Gaussian distribution in model training procedure. Secondly, variational Bayesian expectation maximization iterative is used to learn the model parameters and prior information is used to get a more precise prediction model. Finally, for the input trajectories, parameter adaptive selection algorithm is used automatically to adjust the combination of parameters. Experiment results perform that the ESATP method in the experiment showed high predictive accuracy, and maintain a high time efficiency. This model can be used in products of mobile vehicle positioning.

使用来自环路检测器传感器的数据，用于高速公路中交通事故的近实时检测对避免主要交通拥堵至关重要。虽然最近的监督机器学习方法通​​过利用人类标记的入射数据提供事件检测的解决方案，但误报率通常太高而无法在实践中使用。具体而言，事故的人类标签的不一致显着影响了监督学习模型的表现。为此，我们专注于一种以数据为中心的方法来提高准确性，降低高速公路上交通事故检测的误报率。我们开发了一个弱监管学习工作流程，为没有地面真理标签的入射数据生成高质量的训练标签，我们在监督学习设置中使用这些生成的标签进行最终检测。这种方法包括三个阶段。首先，我们介绍一个数据预处理和策策流水线，用于处理流量传感器数据，通过利用标签函数来生成高质量的培训数据，这可以是域知识相关或简单的启发式规则。其次，我们使用三个监督学习模型 - 随机森林，k最近邻居和支持向量机集合和长短期内存分类器来评估由弱监管生成的培训数据。结果表明，在使用受弱监管生成的培训数据后，所有模型的准确性都会显着提高。第三，我们开发了一种在线实时事件检测方法，在检测事件时利用模型集合和不确定性量化。总体而言，我们表明，我们提出的弱监管学习工作流程实现了高事件检测率（0.90）和低误报率（0.08）。

车辆到达时间预测已被广泛研究。随着物联网设备和深度学习技术的出现，估计的到达时间（ETA）已成为智能运输系统中的关键组成部分。尽管ETA存在许多工具，但由于特殊车辆的交通数据有限，ETA的特殊车辆（例如救护车，消防车等）仍然具有挑战性。现有作品使用一种模型用于所有类型的车辆，这可能会导致精确度较低。为了解决这个问题，作为该领域的第一个，我们为驾驶时间预测提出了一个深度转移学习框架TLETA。 TLETA构建了细胞时空知识网格，用于提取驾驶模式，并结合道路网络结构嵌入以构建ETA的深神经网络。 Tleta包含可转移的层，以支持不同类别的车辆之间的知识转移。重要的是，我们的转移模型仅训练最后一层以绘制转移的知识，从而大大减少了训练时间。实验研究表明，我们的模型以高精度预测旅行时间，并胜过许多最先进的方法。

本文为可以提取车辆间交互的自治车辆提供特定于自主车辆的驾驶员风险识别框架。在驾驶员认知方式下对城市驾驶场景进行了这种提取，以提高风险场景的识别准确性。首先，将群集分析应用于驱动程序的操作数据，以学习不同驱动程序风险场景的主观评估，并为每个场景生成相应的风险标签。其次，采用图形表示模型（GRM）统一和构建动态车辆，车间交互和静态交通标记的实际驾驶场景中的特征。驾驶员特定的风险标签提供了实践，以捕获不同司机的风险评估标准。此外，图形模型表示驾驶场景的多个功能。因此，所提出的框架可以了解不同驱动程序的驾驶场景的风险评估模式，并建立特定于驱动程序的风险标识符。最后，通过使用由多个驱动程序收集的现实世界城市驾驶数据集进行的实验评估所提出的框架的性能。结果表明，建议的框架可以准确地识别实际驾驶环境中的风险及其水平。

在医疗保健系统中，需要患者使用可穿戴设备进行远程数据收集和对健康数据的实时监控以及健康状况的状态。可穿戴设备的这种采用导致收集和传输的数据量显着增加。由于设备由较小的电池电源运行，因此由于设备的高处理要求以进行数据收集和传输，因此可以快速减少它们。鉴于医疗数据的重要性，必须所有传输数据遵守严格的完整性和可用性要求。减少医疗保健数据的量和传输频率将通过使用推理算法改善设备电池寿命。有一个以准确性和效率改善传输指标的问题，彼此之间的权衡，例如提高准确性会降低效率。本文表明，机器学习可用于分析复杂的健康数据指标，例如数据传输的准确性和效率，以使用Levenberg-Marquardt算法来克服权衡问题，从而增强这两个指标，从而通过少较少的样本来传输，同时保持维护准确性。使用标准心率数据集测试该算法以比较指标。结果表明，LMA最好以3.33倍的效率进行样本数据尺寸和79.17％的精度，在7种不同的采样案例中具有相似的准确性，用于测试，但表明效率提高。与具有高效率的现有方法相比，这些提出的方法使用机器学习可以显着改善两个指标，而无需牺牲其他指标。

基于机器学习（ML）的系统的制作需要在其生命周期中进行统计控制。仔细量化业务需求和识别影响业务需求的关键因素降低了项目故障的风险。业务需求的量化导致随机变量的定义，表示通过统计实验需要分析的系统关键性能指标。此外，可提供的培训和实验结果产生影响系统的设计。开发系统后，测试并不断监控，以确保其符合其业务需求。这是通过持续应用统计实验来分析和控制关键绩效指标来完成的。本书教授制作和开发基于ML的系统的艺术。它倡导“首先”方法，强调从项目生命周期开始定义统计实验的需要。它还详细讨论了如何在整个生命周期中对基于ML的系统进行统计控制。

计算机架构和系统已优化了很长时间，以便高效执行机器学习（ML）模型。现在，是时候重新考虑ML和系统之间的关系，并让ML转换计算机架构和系统的设计方式。这有一个双重含义：改善设计师的生产力，以及完成良性周期。在这篇论文中，我们对应用ML进行计算机架构和系统设计的工作进行了全面的审查。首先，我们考虑ML技术在架构/系统设计中的典型作用，即快速预测建模或设计方法，我们执行高级分类学。然后，我们总结了通过ML技术解决的计算机架构/系统设计中的常见问题，并且所用典型的ML技术来解决它们中的每一个。除了在狭义中强调计算机架构外，我们采用数据中心可被认为是仓库规模计算机的概念;粗略的计算机系统中提供粗略讨论，例如代码生成和编译器;我们还注意ML技术如何帮助和改造设计自动化。我们进一步提供了对机会和潜在方向的未来愿景，并设想应用ML的计算机架构和系统将在社区中蓬勃发展。

规划自行车共享站的布局是一个复杂的过程，特别是在刚刚实施自行车共享系统的城市。城市规划者通常必须根据公开可用的数据并私下提供来自管理的数据，然后使用现场流行的位置分配模型。较小城市的许多城市可能难以招聘专家进行此类规划。本文提出了一种新的解决方案来简化和促进通过使用空间嵌入方法来实现这种规划的过程。仅基于来自OpenStreetMap的公开数据，以及来自欧洲34个城市的站布局，已经开发了一种使用优步H3离散全球电网系统将城市分成微区域的方法，并指示其值得放置站的区域在不同城市使用转移学习的现有系统。工作的结果是在规划驻地布局的决策中支持规划者的机制，以选择参考城市。

通常根据历史崩溃数据来实践道路的风险评估。有时缺少有关驾驶员行为和实时交通情况的信息。在本文中，安全的路线映射（SRM）模型是一种开发道路动态风险热图的方法，可扩展在做出预测时考虑驾驶员行为。 Android应用程序旨在收集驱动程序的信息并将其上传到服务器。在服务器上，面部识别提取了驱动程序的数据，例如面部地标，凝视方向和情绪。检测到驾驶员的嗜睡和分心，并评估驾驶性能。同时，动态的流量信息由路边摄像头捕获并上传到同一服务器。采用基于纵向扫描的动脉交通视频分析来识别视频中的车辆以建立速度和轨迹概况。基于这些数据，引入了LightGBM模型，以预测接下来一两秒钟的驾驶员的冲突指数。然后，使用模糊逻辑模型合并了多个数据源，包括历史崩溃计数和预测的交通冲突指标，以计算道路细分的风险评分。使用从实际的交通交叉点和驾驶模拟平台收集的数据来说明所提出的SRM模型。预测结果表明该模型是准确的，并且增加的驱动程序行为功能将改善模型的性能。最后，为可视化目的而生成风险热图。当局可以使用动态热图来指定安全的走廊，并调度执法部门以及驱动程序，以预警和行程计划。

Computer vision applications in intelligent transportation systems (ITS) and autonomous driving (AD) have gravitated towards deep neural network architectures in recent years. While performance seems to be improving on benchmark datasets, many real-world challenges are yet to be adequately considered in research. This paper conducted an extensive literature review on the applications of computer vision in ITS and AD, and discusses challenges related to data, models, and complex urban environments. The data challenges are associated with the collection and labeling of training data and its relevance to real world conditions, bias inherent in datasets, the high volume of data needed to be processed, and privacy concerns. Deep learning (DL) models are commonly too complex for real-time processing on embedded hardware, lack explainability and generalizability, and are hard to test in real-world settings. Complex urban traffic environments have irregular lighting and occlusions, and surveillance cameras can be mounted at a variety of angles, gather dirt, shake in the wind, while the traffic conditions are highly heterogeneous, with violation of rules and complex interactions in crowded scenarios. Some representative applications that suffer from these problems are traffic flow estimation, congestion detection, autonomous driving perception, vehicle interaction, and edge computing for practical deployment. The possible ways of dealing with the challenges are also explored while prioritizing practical deployment.

人工智能的繁荣引起了智能/自主导航的密集利益，其中路径预测是决策支持的关键功能，例如，路线规划，碰撞警告和交通规例。对于海上情报，自动识别系统（AIS）起着重要作用，因为它最近已经为大型国际商业船只制作了强制性，并且能够提供船只的几乎实时信息。因此，基于AIS数据的船舶路径预测是未来海洋智能的有希望的方式。然而，在线收集的现实世界AIS数据只是来自不同类型的船只和地理区域的高度不规则的轨迹段（AIS消息序列），数据质量可能非常低。所以即使有一些作品研究如何使用历史AIS数据建立路径预测模型，但仍然是一个非常具有挑战性的问题。在本文中，我们提出了一个全面的框架来模拟大规模历史AIS轨迹段，以获得精确的血管路径预测。通过现有流行方法进行实验比较验证所提出的方法，结果表明，我们的方法可以通过广泛的边缘来优异地呈现基线方法。

可靠地预测围绕自动赛车的参赛者车辆的动议对于有效和表现计划至关重要。尽管高度表现力，但深度神经网络是黑盒模型，使其在安全至关重要的应用（例如自动驾驶）中具有挑战性。在本文中，我们介绍了一种结构化的方式，以预测具有深神网络的对立赛车的运动。最终可能的输出轨迹集受到限制。因此，可以给出有关预测的质量保证。我们通过将模型与基于LSTM的编码器架构一起评估模型来报告该模型的性能，这些架构是从高保真硬件中获取的数据中获得的。拟议的方法的表现优于预测准确性的基线，但仍能履行质量保证。因此，该模型的强大现实应用已被证明。介绍的模型被部署在慕尼黑技术大学的Indy Automous Challenge 2021中。本研究中使用的代码可作为开放源软件提供，网址为www.github.com/tumftm/mixnet。

入侵检测是提供计算机网络安全性的重要机制之一。由于攻击的增加以及对医学，商业和工程等其他领域的依赖不断增加，因此通过网络提供服务并维持网络安全已成为一个重大问题。入侵检测系统（IDS）的目的是开发能够将常规通信与异常沟通区分开的模型，并采取必要的动作。在该领域的不同方法中，人工神经网络（ANN）已被广泛使用。但是，基于ANN的ID遇到了两个主要问题：低检测精度和弱检测稳定性。为了克服这些问题，本文提出了一种基于深神经网络ANS支持向量机分类器的新方法，该方法受到“分裂和征服”哲学的启发。提出的模型以更好的准确性来预测攻击，以进行入侵检测而不是相似的方法。对于我们的实证研究，我们利用了KDD99数据集。我们的实验结果表明，新方法提高了95.4％的分类精度。

最近，已经努力将信号阶段和时机（SPAT）消息标准化。这些消息包含所有信号交叉方法的信号相时机。因此，这些信息可用于有效的运动计划，从而导致更多均匀的交通流量和均匀的速度轮廓。尽管努力为半活化的信号控制系统提供了可靠的预测，但预测完全驱动控制的信号相时仍具有挑战性。本文提出了使用聚合的流量信号和循环检测器数据的时间序列预测框架。我们利用最先进的机器学习模型来预测未来信号阶段的持续时间。线性回归（LR），随机森林（RF）和长期内存（LSTM）神经网络的性能是针对天真基线模型进行评估的。结果基于瑞士苏黎世的全面信号控制系统的经验数据集表明，机器学习模型的表现优于常规预测方法。此外，基于树木的决策模型（例如RF）的表现最佳，其准确性满足实用应用要求。

The last decade witnessed increasingly rapid progress in self-driving vehicle technology, mainly backed up by advances in the area of deep learning and artificial intelligence. The objective of this paper is to survey the current state-of-the-art on deep learning technologies used in autonomous driving. We start by presenting AI-based self-driving architectures, convolutional and recurrent neural networks, as well as the deep reinforcement learning paradigm. These methodologies form a base for the surveyed driving scene perception, path planning, behavior arbitration and motion control algorithms. We investigate both the modular perception-planning-action pipeline, where each module is built using deep learning methods, as well as End2End systems, which directly map sensory information to steering commands. Additionally, we tackle current challenges encountered in designing AI architectures for autonomous driving, such as their safety, training data sources and computational hardware. The comparison presented in this survey helps to gain insight into the strengths and limitations of deep learning and AI approaches for autonomous driving and assist with design choices. 1

原始目的地估计在智能运输系统（其）时代的交通管理和流量模拟中起着重要作用。然而，以前的基于模型的模型面临不确定的挑战，因此存在对额外假设和额外数据的绝望需求。深度学习提供了基于基于数据的理想方法，用于通过概率分布转换连接输入和结果。虽然将深入学习的相关研究由于跨代表空间的数据转换挑战而受到限制，但特别是在该问题中的动态空间空间到异构图。为了解决它，我们提出了基于具有双层注意机制的新型图形匹配器的循环图本心匹配编码器（C-Game）。它实现了基础特征空间中的有效信息交换，并建立了空间的耦合关系。拟议的模型实现了最先进的实验结果，并在潜在就业中的空间中提供了一种新颖的推理任务框架。