Technologies d'apprentissage avancées pour les systèmes de transport intelligents : perspectives et défis

Les systèmes de transport intelligents (STI) évoluent dans un environnement hautement complexe et dynamique caractérisé par des dynamiques spatiales et temporelles complexes à différentes échelles, aggravées par des conditions fluctuantes influencées par des facteurs externes tels que des événements sociaux, des jours fériés et des conditions météorologiques. Naviguer dans les subtilités de la modélisation de l'interaction complexe entre ces éléments, créer des représentations universelles et les utiliser pour résoudre des problèmes de transport représente un effort significatif. Pourtant, ces subtilités ne sont qu'un aspect des multiples épreuves auxquelles sont confrontés les STI contemporains. Cet article propose une enquête exhaustive explorant l'utilisation de l'apprentissage profond (AP) dans les STI, en mettant principalement l'accent sur les méthodologies des praticiens pour répondre à ces défis multiples. L'accent est mis sur les facteurs architecturaux et spécifiques au problème qui guident la formulation de solutions innovantes. En plus de mettre en lumière les algorithmes d'AP à la pointe de la technologie, nous explorons également les applications potentielles de l'AP et des modèles de langage larges (MLL) dans les STI, y compris la prédiction des flux de circulation, la détection et la classification des véhicules, la surveillance des conditions des routes, la reconnaissance des panneaux de signalisation et les véhicules autonomes. De plus, nous identifions plusieurs défis futurs et orientations de recherche qui pourraient repousser les limites des STI, y compris les aspects critiques de l'explicabilité, de l'apprentissage par transfert, des modèles hybrides, de la confidentialité et de la sécurité, et de la communication ultra-fiable à faible latence. Notre objectif pour cette enquête est de combler le fossé entre les communautés émergentes d'AP et de transport. Ce faisant, nous visons à faciliter une compréhension plus profonde des défis et des possibilités dans ce domaine. Nous espérons que cet effort inspirera une exploration plus poussée de nouvelles perspectives et problèmes, qui, à leur tour, joueront un rôle central dans la définition de l'avenir des systèmes de transport.