本研究提出了一种新算法DynLS，用于解决智能交通系统中的最大加权独立集问题。该算法通过自适应顶点扰动和区域位置机制，提高了求解效率和准确性。实验结果表明，DynLS在360个测试实例中表现优越，促进了AI在智能交通系统中的应用。

本研究提出了一种监控视频辅助的联邦数字双胞胎框架（SV-FDT），旨在改善传统智能交通系统中行人与车辆的互动。该框架利用多源交通监控视频，构建全面的互动模型，显著提升交通管理效果，并在延迟和识别准确性方面优于传统框架。

本研究评估了大型语言模型在智能交通系统中的潜力，重点分析其在交通流预测和车辆检测方面的优势，以及面临的数据可用性和伦理挑战。

本研究利用智能手机传感器提供综合数据集，以提升道路安全和监测效果，捕获驾驶行为和道路条件，促进智能交通系统的发展。

本研究提出了一种优化的钉控方法，旨在解决异质多网络车载自组网中的计算负担和通信带宽问题。通过自适应遗传算法选择最佳控制节点，显著提升控制效率，减少控制节点数量，加快网络共识，为智能交通系统的部署提供参考。

本研究提出了一种端到端的计算机视觉和深度学习框架，用于从无人机影像中提取地理参考车辆轨迹。该框架在密集城市环境中显著提高了车辆检测与跟踪的精度和一致性，为智能交通系统的发展提供了重要资源。

该研究提出了一种基于单目RGB图像的三维车辆检测方法，并创建了Cityscapes 3D数据集，提升了自动驾驶技术的效率和准确性。同时，开发了LiSV-3DLane和CurbNet模型，优化了LiDAR数据处理，改善了路缘和车道检测性能，强调了激光雷达在智能交通系统中的重要性。

本文探讨瑞典的路面安全和智能交通系统（ITS）技术，提出多模式传感器框架和去中心化方法，以优化自动驾驶数据流和能源效率。研究还涉及基于图的机器学习在ITS中的应用，以及德国智能研究基础设施的建设，强调高质量数据集的重要性和未来发展方向。

本文提出了一种基于图神经网络的混合方法，旨在解决旅行商问题（TSP）及城市交通系统中的新站点规划和需求预测。研究表明，该方法在大规模TSP实例中显著提高了求解效率和准确性。比较不同图神经网络架构的交通预测表现，发现门控图神经网络（GGNNs）在预测精度上最佳。最后，文章总结了图神经网络在智能交通系统中的应用及未来研究方向。

本文提出了多种交通事故预测和检测方法，包括基于深度学习的模型、图卷积和循环神经网络的应用，以及结合视觉和语言模态的多阶段流水线。这些方法旨在提高交通事故的预测准确性和响应效率，推动智能交通系统的发展。

本文探讨了车路一体化（V2X）通信在自动驾驶车辆感知中的应用，提出了一种基于V2X的协作感知框架，利用视觉Transformer提升3D物体检测性能。研究表明，V2X通信能够有效整合多辆车的信息，提高感知精度，克服遮挡和远程感知的局限。实验结果显示，该框架在复杂环境中表现优异，为智能交通系统的发展提供了新方向。

本文介绍了LemgoRL基准工具，旨在提升强化学习在交通信号控制中的应用。研究提出在真实模拟环境中训练强化学习算法，以解决现有控制器的不足。实验结果表明，结合交通流理论和机器学习的方法具有优越性能，推动智能交通系统的发展。

本文研究了语言模型（LVLMs）在印刷攻击中的脆弱性，提出了新的基准测试和自动生成攻击的方法。研究发现，LVLMs在视觉和语言任务中存在安全漏洞，并提出了增强提示信息的方法以减轻印刷字体的影响。此外，探讨了视觉语言模型在自动驾驶和智能交通系统中的应用及其面临的挑战，呼吁学术界与工业界共同推动该领域的发展。

该研究探讨了多智能体强化学习在图形环境中的挑战，提出了一种循环传递信息模型，通过节点间的信息交换创建全局图表示。研究还涉及分布式估计、隐私保护信号设计及去中心化控制，验证了算法在智能交通系统中的高效性和数据效率。

研究人员提出了多尺度交通模式库(MTPB)解决方案，通过利用数据丰富的源城市，MTPB可以获取综合的交通知识并生成多尺度交通模式库。实证评估结果表明，MTPB在真实世界交通数据集上具有出色性能，并展现了对跨城少样本预测方法推进的优点。

研究者提出了一种简洁时空模型ST-MLP，用于优化智能交通系统中的交通流管理。该模型结合了时间信息、空间信息和预定义的图结构，并采用通道独立策略，提高了交通预测的准确性和计算效率。实证结果表明，ST-MLP优于其他模型，鼓励进一步探索更简洁和有效的神经网络架构。

事件相机在智能交通系统中具有潜力，提供高时空分辨率和动态范围，消除运动模糊，更易于夜间识别物体。本研究通过聚类方法扩展了无标定的校准方法以处理多个移动物体，并提出了融合策略。实验证明了校准方法的有效性，并通过事件相机数据融合方法在白天和夜间中提高了物体检测性能。

车联网自动驾驶是智能交通系统的有前途方向，合作感知是必要组成部分，能克服个体感知的局限。综述了车联网场景下的合作感知方法，提供了深入理解。