本研究利用机器学习模型预测交通事故对道路交通的影响，发现天气条件是事故持续时间的重要因素。研究开发了一个分析框架，有效预测事故清除时间，改善交通管理，提升事故预测准确性。同时，结合大型语言模型与机器学习技术，提高了事故严重程度分类的精度，为道路安全政策提供了重要见解。

领域适应旨在减少深度学习模型训练和部署之间的差距。研究者通过合成恶劣天气条件并应用于真实图像数据集，评估了三种领域适应模型。他们发现基于缓冲区的持续领域适应方法存在稳定性问题，并提出梯度归一化作为解决方案。

本文介绍了一种使用神经网络从LDR图像中预测HDR户外照明的方法。通过训练另一个CNN来学习LDR全景图的HDR照明，作者证明了该方法在各种天气条件下的有效性。实验证明，该方法优于现有技术，并且能够处理不同天气状况。