智能交通论文教授推荐10篇之第五篇：人工智能时代的智慧交通问题与解决方式研究
摘要：当今社会，随着我国城市化进程不断加快，城市道路交通复杂度日益增加，社会对高性能的可靠交通网络的需求也随之增强。在人工智能取得巨大发展的今天，智能交通为响应需求而生，是未来的交通系统必然的发展方向。对人工智能时代的智慧交通进行分析与阐述，并对其中存在的问题与解决方式进行探讨。
关键词：人工智能； 深度学习； 智能交通； 神经网络；
1 人工智能及深度学习概述
目前，人工智能仍然处在发展阶段，只有在特定的任务中能超越人类工作者。对其进行分类概述如下。
1.1 弱人工智能
低层次的人工智能，是由算法，规则以及程序所运行产出的结果。弱人工智能往往具有领域局限性，离开其工作领域就失去了作用。
1.2 强人工智能
能通过模拟人类的神经系统的工作模式，因此具有了一定的自我学习能力，其对人类的劳动依赖相比于弱人工智能而言很小。
1.3 深度学习
深度学习主要处理多层次神经网络，是相对于浅层次的学习而言的，浅层机器学习拥有局限，主要体现在依靠人工提取样本的特征。深度学习的优势是模型非线性的描述能力强，复杂度高，也即VC维高。
2 人工智能在交通领域的应用
随着城市交通复杂度日益增长，城市管理难度增高，基于此将人工智能引入，使用交通智能管控，对事故，异常事件进行监测，实时统计路面情况，进行信号灯控制及交通诱导，可很大程度上缓解交通拥堵情况，减少交通事故的发生。
2.1 车载智能应用
ADAS辅助驾驶系统是人工智能在城市交通中的底层技术应用之一。车载智能应用的算法主要基于场景分析和物体监测。ADAS可对车道偏离进行监控，借此判断是否疲劳驾驶并进行适当提醒。检测记录行人，障碍物，并可进行碰撞预警。由于行驶中对安全要求很高，因此可使用雷达提高整体可靠性。
2.2 车牌识别
人工智能分析在车牌识别中的准确度很高，其工作原理是，首先进行车牌定位，算法上与人脸检测十分相似，且由于车牌仅为平面，因此计算复杂度要低于三维的人脸检测。第二步进行车牌分割，即车牌文字区域分割。同时要兼容不同车牌格式的类型。干扰因素包括感光条件如闪光灯，不可控的如日照强度等光线干扰，以及车牌污损或人为的遮挡。车牌分割的另一个难点是拍摄角度对图像造成的扭曲处理。第三步为文字识别（OCR）。与传统OCR相比，车牌识别所需识别的文字集合更小。
2.3 车辆跟踪
为实现车辆的跟踪，除了车牌识别外还需要同时对录像进行车身定位和姿态定位，目的是区分车辆角度，通常对排气口，车灯车顶进行特征点定位，与人脸特征点定位相似。在其之上进行车型分类，基于特征点提取全车特征描述，估计属于每个车型的概率。最后在录像中对车辆进行标记，实现车辆跟踪。以此设置的城市卡口通常建立在高速沿线或重要路口，进行车流监测，特殊车辆检测识别和涉案车辆追踪等任务。
3 人工神经网络在交通中的优势与应用
人工神经网络是一种大规模的并行分布式处理器，其由简单的处理单元所构成。在智能交通中，神经网络是主要的数据挖掘算法之一，主要应用在优化和预测出交通系统的部分参数上。预测方面中，较原始的模型均为线性模型，复杂度低，构成简单，优点为数据可实时更新等，缺点为难以精确描述实际交通环境中的非线性问题及各类不确定因素，预测精度难以满足要求。而利用人工神经网络建立预测模型，可以克服上述弊端。基于神经网络构成的道路交通控制及交通流诱导为智能交通系统中的核心部分，BP神经网络的预测模型所产生的预测精度满足短期交通流的预测需求。遗传神经网络则是通过遗传算法优化BP神经网络，修改其初始权值，是参考生物界遗传进化所改进的神经网络模型。计算机随机选取算子并进行相关操作，使其拥有概率统计分析的能力，最终提升神经网络模型预测运算的精度。
4 结语
在智能交通中，人工智能在城市道路规划及智能监控等领域发挥着举足轻重的作用，尤其是人口密集区域，智能交通提高了城市交通的稳定性和行车效率。而由于深度学习对训练数据和计算复杂度的要求，人工智能在前端的进一步推广应用还需要低功耗芯片，网络带宽以及更轻量级的深度学习模型的发展。随着智能交通的进一步发展，人们的生活出行也将更加便捷。
参考文献
[1] 孙静。人工智能与智能交通的交叉融合[A].大连：辽宁对外经贸学院，2019.
[2]张现伟。大数据环境下交通状态判别算法的研究与应用[D].青岛：青岛科技大学，2018.
[3]赛迪智库。人工智能如何助推智能交通[N].中国计算机报，2018-12-17（012）。