Asad, M.H., dkk. , 2022. Deteksi jalan berlubang menggunakan pembelajaran mendalam: Perspektif waktu nyata dan perspektif AI. Kemajuan dalam Teknik Sipil, 2022, e9221211.
Basso, R., dkk. , 2022. Perutean kendaraan listrik stokastik dinamis dengan pembelajaran penguatan yang aman. Penelitian Transportasi Bagian E: Tinjauan Logistik dan Transportasi, 157, 102496.
Chen, C. , dkk. , 2020. Skema perencanaan jalur cerdas peleton kendaraan otonom menggunakan pembelajaran penguatan mendalam di tepi jaringan. IEEE Access, 8, 99059-99069.
Cheng, T. , Haworth, J. , dan Wang, J. , 2012. Autokorelasi spatio-temporal data jaringan jalan. Jurnal Sistem Geografis, 14, 389-413.
Cheng, T. , Zhang, Y. , dan Haworth, J. , 2022. Jaringan ruang-waktu ai: Konsep, metode dan aplikasi. Jurnal Sains Geodesi dan Geoinformasi, 5 (3), 78.
Chu, T., dkk., 2019. Pembelajaran penguatan mendalam multi-agen untuk kontrol sinyal lalu lintas skala besar. IEEE Transactions on Intelligent Transportation Systems, 21 (3), 1086-1095.
Edrisi, A. , Bagherzadeh, K. , dan Nadi, A. , 2022. Menerapkan proses keputusan markov untuk model pemilihan rute dinamis adaptif. In: Prosiding Institusi Transportasi Insinyur Sipil . vol. 175, 359-372.
Fayyad, J., dkk., 2020. Fusi sensor pembelajaran mendalam untuk persepsi dan lokalisasi kendaraan otonom: Sebuah tinjauan. Sensor, 20 (15), 4220.
Grunitzki, R. , de Oliveira Ramos, G. , dan Bazzan, A.L.C. , 2014. Imbalan individu versus perbedaan pada pembelajaran penguatan untuk pilihan rute. Dalam: Konferensi Brasil 2014 tentang Sistem Cerdas . IEEE, 253-258.
Hassan, L.A.H. , Mahmassani, H.S. , dan Chen, Y. , 2020. Kerangka kerja pembelajaran penguatan untuk peramalan permintaan angkutan barang untuk mendukung keputusan perencanaan
operasional. Transportasi
Ibrahim, MR , Haworth, J. , dan Cheng, T. , 2019. Jaring cuaca: Mengenali cuaca dan kondisi visual dari citra permukaan jalan menggunakan pembelajaran residual yang mendalam. ISPRS
International Journal of Geo-Information, 8 (12), 549.
Ibrahim, M.R. , Haworth, J. , dan Cheng, T. , 2021a. Urban-i: Dari pemandangan perkotaan hingga pemetaan daerah kumuh, moda transportasi, dan pejalan kaki di perkotaan menggunakan deep learning dan visi komputer. Lingkungan dan Perencanaan B: Analisis Perkotaan dan Ilmu Kota, 48 (1), 76-93.
Ibrahim, M.R. , dkk. , 2021b. Cyclingnet: Mendeteksi kecelakaan nyaris celaka saat bersepeda dari aliran video di lingkungan perkotaan yang kompleks dengan pembelajaran mendalam. Sistem Transportasi Cerdas IET, 15 (10), 1331-1344.
Ibrahim, M.R., dkk., 2020. Kecelakaan nyaris celaka saat bersepeda: tinjauan terhadap metode saat ini, tantangan dan potensi sistem yang tertanam dalam kendaraan. Tinjauan Transportasi, 41 (3), 304-328.
Irannezhad, E. , Prato, C.G. , dan Hickman, M. , 2020. Prototipe sistem pendukung keputusan cerdas untuk logistik pelabuhan pedalaman. Sistem Pendukung Keputusan, 130, 113227.
Jindal, I., dkk., 2018. Mengoptimalkan kebijakan carpool taksi melalui pembelajaran penguatan dan penambangan spatio-temporal. In: 2018 IEEE International Conference on Big Data . 1417-1426.
Kamarianakis, Y. dan Prastacos, P. , 2003. Peramalan kondisi arus lalu-lintas di jaringan jalan perkotaan: Perbandingan pendekatan multivariat dan univariat. Transportation Research Record, 1857 (1), 74-84.
Kang, Y. , Lee, S. , dan Do Chung, B. , 2019. Perencanaan dan penjadwalan logistik berbasis pembelajaran untuk pengiriman paket secara crowdsourced. Komputer & Teknik Industri, 132, 271- 279.
Karlaftis, M.G. dan Vlahogianni, E.I. , 2011. Metode statistik versus jaringan syaraf tiruan dalam penelitian transportasi: Perbedaan, persamaan dan beberapa wawasan. Penelitian Transportasi Bagian C: Teknologi Baru, 19 (3), 387-399.
Khadilkar, H. , 2018. Algoritma pembelajaran penguatan yang dapat diskalakan untuk penjadwalan jalur kereta api. IEEE Transactions on Intelligent Transportation Systems, 20 (2), 727-736.
Kiela, K., dkk., 2020. Tinjauan standar dan kerangka kerja v2x-iot untuk aplikasinya. Ilmu Pengetahuan Terapan, 10 (12), 4314.
Li, X. dan Chen, D. , 2022. Sebuah survei tentang segmentasi panoptik berbasis deep learning.
Digital Signal Processing, 120, 103283.
Liu, Q. dan Xu, J. , 2012. Optimasi waktu sinyal lalu lintas untuk persimpangan terisolasi berdasarkan algoritma pencarian makan bakteri evolusi diferensial. Procedia-Social and Behavioral Sciences, 43, 210-215.
Matos, G.P. , dkk. , 2021. Memecahkan masalah penjadwalan waktu berkala dengan pembelajaran duduk dan mesin. Angkutan Umum, 13 (3), 625-648.
Miletic, M. , dkk. , 2022. Tinjauan aplikasi pembelajaran penguatan dalam kontrol sinyal lalu lintas adaptif. IET Intelligent Transport Systems, 16 (10), 1269-1285.
Mo, Y., dkk., 2022. Meninjau teknologi mutakhir segmentasi semantik berdasarkan pembelajaran mendalam. Neurocomputing, 493, 626-646.
Mostafa, T.S. dan Talaat, H. , 2010. Sistem informasi geografis cerdas untuk perutean kendaraan (igis-vr): Sebuah kerangka kerja pemodelan. Dalam: Konferensi Internasional IEEE ke-13 tentang Sistem Transportasi Cerdas . IEEE, 801-805.
Pal, S.K. , dkk. , 2021. Pembelajaran mendalam dalam deteksi dan pelacakan multi-objek: keadaan mutakhir. Intelijen Terapan, 51, 6400-6429.
Ren, Y., dkk., 2020. Model pembelajaran mendalam terintegrasi hibrida untuk prediksi volume aliran spasial-temporal di seluruh kota. Jurnal Internasional Sains Informasi Geografis, 34 (4), 802-823.
Ren, Y. , Cheng, T. , dan Zhang, Y. , 2019. Jaringan saraf residual spatio-temporal dalam untuk pemodelan data berbasis jaringan jalan. Jurnal Internasional Ilmu Informasi Geografis, 33 (9), 1894- 1912.
Rosenfeld, A. , 1988. Visi komputer: prinsip-prinsip dasar. Prosiding IEEE, 76 (8), 863-868.
Shi, D., dkk., 2019. Pengiriman kendaraan perusahaan jaringan transportasi yang optimal melalui gradien kebijakan deterministik dalam. In: Algoritma, Sistem, dan Aplikasi Nirkabel: Konferensi Internasional ke-14, WASA 2019, Honolulu, HI, AS, 24-26 Juni 2019. Springer, 297-309.
Silver, D., dkk. , 2016. Menguasai permainan go dengan jaringan syaraf tiruan dan pencarian pohon.
Nature, 529 (7587), 484-489.
pemodelan. Jurnal Teknik Transportasi, 123 (4), 261-266.
Smith, B.L. , Williams, B.M. , dan Oswald, R.K. , 2002. Perbandingan model parametrik dan
nonparametrik untuk peramalan arus lalu lintas. Penelitian Transportasi Bagian C: Teknologi Baru, 10 (4), 303-321.
Sutton, R.S. dan Barto, A.G. , 2018. Pembelajaran Penguatan: Sebuah Pengantar. MIT Press.
Tamagawa, D. , Taniguchi, E. , dan Yamada, T. , 2010. Mengevaluasi langkah-langkah logistik kota menggunakan model multi-agen. Procedia - Ilmu Sosial dan Perilaku, 2 (3), 6002-6012.
Tang, J. , Li, S. , dan Liu, P. , 2021. Tinjauan metode deteksi jalur berdasarkan pembelajaran mendalam. Pengenalan Pola, 111, 107623.
Van Lint, J. , Hoogendoorn, S. , dan van Zuylen, H.J. , 2005. Prediksi waktu tempuh jalan bebas hambatan yang akurat dengan jaringan syaraf tiruan state-space di bawah data yang hilang.
Penelitian Transportasi Bagian C: Teknologi Baru, 13 (5-6), 347-369.
Veres, M. dan Moussa, M. , 2019. Pembelajaran mendalam untuk sistem transportasi cerdas:
Sebuah survei tentang tren yang muncul. Transaksi IEEE tentang Sistem Transportasi Cerdas, 21 (8), 3152-3168.
Vikharev, S. dan Liapustin, M. , 2019. Kasus pembelajaran penguatan untuk pemodelan perilaku penumpang. Dalam: Prosiding Konferensi AIP . AIP Publishing, vol. 2142, 170020.
Vlahogianni, E.I. , Karlaftis, M.G. , dan Golias, J.C. , 2014. Prakiraan lalu lintas jangka pendek: Di mana kita berada dan ke mana kita akan pergi. Penelitian Transportasi Bagian C: Teknologi Baru, 43, 3-19.
Wali, S.B. , dkk. , 2019. Sistem deteksi dan pengenalan rambu lalu lintas berbasis visi: Tren dan tantangan saat ini. Sensor, 19 (9), 2093.
Walraven, E. , Spaan, M.T. , dan Bakker, B. , 2016. Optimalisasi arus lalu lintas: Sebuah pendekatan pembelajaran penguatan. Aplikasi Teknik Kecerdasan Buatan, 52, 203-212.
Wang, J., dkk., 2019. Sebuah survei pengujian kendaraan untuk semua (v2x). Sensor, 19 (2), 334.
Wang, J. dan Sun, L. , 2020. Kontrol penahanan dinamis untuk menghindari bus berkelompok:
Kerangka kerja pembelajaran penguatan mendalam multi-agen. Penelitian Transportasi Bagian C:
Teknologi yang sedang berkembang, 116, 102661.
Wei, H., dkk., 2021. Kemajuan terbaru dalam pembelajaran penguatan untuk pengendalian sinyal lalu lintas: Sebuah survei model dan evaluasi. ACM SIGKDD Explorations Newsletter, 22 (2), 12-18.
Welch, T.F. dan Widita, A. , 2019. Data besar dalam transportasi umum: tinjauan sumber dan metode.
Transport Reviews, 39 (6), 795-818.
Williams, B.M. dan Hoel, L.A. , 2003. Pemodelan dan peramalan arus lalu lintas kendaraan sebagai proses arima musiman: Dasar teori dan hasil empiris. Jurnal Teknik Transportasi, 129 (6), 664-672.
Wu, Y. dan Tan, H. , 2016. Peramalan arus lalu lintas jangka pendek dengan korelasi spasial- temporal dalam kerangka kerja pembelajaran dalam hibrida. arXiv preprint arXiv:1612.01022.
Xiao, Y., dkk., 2020. Tinjauan tentang deteksi objek berdasarkan pembelajaran mendalam.
Multimedia Tools and Applications, 79, 23729-23791.
Yang, M., dkk., 2020. Menyimpulkan pilihan interaktif penumpang pada angkutan umum melalui MA- AL: Pembelajaran magang multi-agen. Dalam: Prosiding Konferensi Web 2020 . 1637-1647. Yang, Z.
dan Pun-Cheng, L.S. , 2018. Deteksi kendaraan dalam sistem transportasi cerdas dan aplikasinya dalam berbagai lingkungan: Sebuah tinjauan. Komputasi Citra dan Visi, 69, 143-154.
Yao, G. , Lei, T. , dan Zhong, J. , 2019. Sebuah tinjauan tentang pengenalan tindakan berbasis jaringan syaraf tiruan. Surat Pengenalan Pola, 118, 14-22.
Yu, B. , Yin, H. , dan Zhu, Z. , 2018. Jaringan konvolusi graf spatio-temporal: kerangka kerja pembelajaran mendalam untuk peramalan lalu lintas. In: Prosiding Konferensi Gabungan Internasional ke-27 tentang Kecerdasan Buatan . 3634-3640.
Yu, X. dan Marinov, M. , 2020. Sebuah studi tentang perkembangan terkini dan masalah dengan sistem deteksi hambatan untuk kendaraan otomatis. Keberlanjutan, 12 (8), 3281.
Zhang, H., dkk., 2019a. Survei komprehensif tentang metode pengenalan tindakan manusia berbasis penglihatan. Sensor, 19 (5), 1005.
Zhang, S., dkk., 2019b. Jaringan konvolusi graf: Sebuah tinjauan komprehensif. Jaringan Sosial Komputasi, 6 (1), 11.
Zhang, Y. , Cheng, T. , dan Ren, Y. , 2019c. Metode pembelajaran mendalam grafik untuk prakiraan lalu lintas jangka pendek pada jaringan jalan besar. Teknik Sipil dan Infrastruktur Berbantuan Komputer, 34
Zhao, Z., dkk. , 2017. Jaringan LSTM: Pendekatan pembelajaran mendalam untuk prakiraan lalu lintas jangka pendek. Sistem Transportasi Cerdas IET, 11 (2), 68-75.
Zhou, Y. , Fu, R. , dan Wang, C. , 2020. Mempelajari perilaku mengikuti mobil dari pengemudi menggunakan pembelajaran penguatan terbalik dengan entropi maksimum. Jurnal Transportasi Lanjutan, 2020 (4752651), 1-13.