本研究提出了一种改进的YOLOv8模型，并创建了公开数据集PothRGBD，以提高坑洼检测的准确性。实验结果表明，该模型在检测精度和召回率上有显著提升，适用于智能交通解决方案。

本研究提出了一种新型多任务学习框架DG-STMTL，用于智能交通系统中的时空交通预测。该框架结合静态和动态邻接矩阵，通过特定门控机制提高预测精度，实验结果表明其优于现有方法，具有良好的效果与稳健性。

京东物流宣布进军外卖业务，骑手实时位置将通过地图轨迹技术展示。地图轨迹广泛应用于导航、物流和运动分享，依赖于WGS84和UTM等地理坐标系统，以及ArcGIS和QGIS等GIS软件进行数据处理。Python编程可用于轨迹数据的清洗与可视化，提升用户体验。未来，地图轨迹技术将与AI和大数据结合，推动智能交通与城市管理的发展。

本研究提出个性化驾驶行为数据集（PDB），解决了现有数据集中驾驶者异质性缺失的问题。PDB通过一致的交通环境和传感器数据，捕捉个体差异，为人机因素分析和智能交通系统的发展提供重要资源。

本研究提出了一种数据驱动的强化学习框架，优化自然灾害中的公交疏散，通过动态调整公交路线，提高了疏散效率和公平性，为应急疏散提供了智能交通系统的解决方案。

本研究提出了一种新颖的多模态、多粒度路径表示学习框架（MM-Path），旨在提升智能交通领域中路径表示的有效性。通过多粒度对齐策略和跨模态残差融合组件，MM-Path有效整合了道路网络与图像数据的特征，实验结果显示该方法在路径表示学习中具有重要潜力。

本研究提出了一种基于卷积神经网络的实时视频目标追踪算法，克服了传统算法在目标遮挡、形态变化和背景干扰中的局限性。该算法通过在线学习机制不断更新目标模型，提高了追踪的成功率和稳定性，适用于视频监控和智能交通等领域。

本研究提出了一种多场景文本检测器，有效解决了智能交通中实时文本检测的速度和准确性问题，尤其在运动模糊情况下表现优异。

该研究提出YOLO11模型，针对智能交通系统中车辆检测准确性不足的问题，通过架构改进提升了检测速度和准确性，尤其在小型和被遮挡车辆的检测上表现突出，为自动驾驶和交通监测提供了新思路。

南京邮电大学丁卉讲师研究大数据挖掘和智能交通，探索人工智能课程的实践教学模式。文章强调实践教学对提升AI课程效果的重要性，建议结合开源AI平台如百度飞桨进行项目式教学。通过“教师指导、项目实践、自主协作学习”模式，学生在理论与实践中提升创新能力。课程设计包括多层次实验题目，利用AI平台支持学生完成项目开发，增强学习积极性和实践能力。

本文介绍了多种图像融合方法的最新进展，包括基于极化信息的融合、感知融合框架、语义结构保持的融合和文本引导的融合。这些方法在提高图像融合质量和计算效率方面表现优异，尤其在对抗环境和智能交通系统中具有广泛应用潜力。

该研究综述了视觉语言模型（VLM）在自动驾驶和智能交通系统中的应用，评估了技术进展与挑战，提出了新数据集Reason2Drive以促进可解释推理研究，并探讨了多模态大型语言模型在复杂驾驶环境中的潜力与不足，呼吁学术界与工业界共同推动该领域发展。

广东智用人工智能应用研究院的研究表明，多智能体AI系统正逐渐成为一个引人注目的研究方向。多智能体AI系统由多个自主的智能实体组成，具有感知、认知、交互和适应性能力。协作机制包括信息共享、任务分解、协调策略、冲突解决、集体决策和反省迭代。多智能体AI系统的应用范围广泛，包括智能交通、智能电网、供应链管理、金融市场模拟、环境监测、智能制造、应急响应和网络安全。技术挑战包括可扩展性、鲁棒性、安全性、学习与适应、协作效率和伦理考量。多智能体AI的潜力在企业/组织应用中是肉眼可见的，有望为人工智能的发展带来革命性的变化。

该研究综述了视觉语言模型（VLM）在自动驾驶和智能交通系统中的应用，评估了其在场景理解和因果推理方面的表现，并指出了方向辨别和交通信号识别等挑战。研究提出了DriveVLM和DriveDreamer-2等新系统，展示了生成视频和数据集在提升自动驾驶性能中的潜力，并强调了改进模型以适应真实动态环境的必要性。