Métodos de aprendizado profundo na área de transporte: uma revisão

Nos últimos anos, coletou-se uma quantidade significativa de dados de transporte de várias fontes, incluindo sensores de estrada, sondas, GPS, CFTV e relatórios de incidentes. Semelhante a muitas outras indústrias, o transporte entrou na era dos grandes dados. Com um rico volume de dados de tráfego, é desafiador construir modelos de previsão confiáveis baseados em métodos tradicionais de aprendizado de máquina rasos. O aprendizado profundo é uma nova abordagem de aprendizado de máquina de ponta que tem despertado grande interesse tanto na pesquisa acadêmica quanto nas aplicações industriais. Este estudo revisa estudos recentes de aprendizado profundo para tópicos populares no processamento de dados de tráfego, incluindo representação de redes de transporte, previsão de fluxo de tráfego, controle de semáforos, detecção automática de veículos, processamento de incidentes de tráfego, previsão de demanda de viagens, direção autônoma e comportamentos de motoristas. Em geral, o uso de sistemas de aprendizado profundo no transporte ainda é limitado e existem potenciais limitações para a utilização dessa abordagem avançada para melhorar modelos de previsão.