XiaoMi-AI文件搜索系统
World File Search System适合的
确定最适合的机器学习方法...
摘要 道路基础设施系统一直受到无效维护策略的影响，预算限制更是雪上加霜。通过有效的状况评估、故障检测、未来状况预测等数据驱动的决策，可以显著改善道路资产管理方法，从而显著改善维护计划，延长资产寿命。数字孪生等最新技术创新具有巨大潜力，可以实现道路状况预测和主动资产管理所需的方法。为此，机器学习技术在解决工程问题方面也表现出了令人信服的能力。然而，在数字孪生背景下，它们都没有得到特别考虑。因此，有必要审查和确定在道路数字孪生中使用机器学习技术的适当方法。
适合的街道：重新分配更好的城市的空间
This report was informed by a workshop with members of the ITF Corporate Partnership Board, including Sven Lengsfeld (Bosch), Wolfgang Brückler (Kapsch TrafficCom), Laurent Tridemy (Michelin), Philippe Ventejol (RATP Group), Christian Irmisch (Siemens), Maguelonne Chandesris (KISIO-SNCF), Allison Wylie （Uber Technologies），Santosh Rao Danda（Uber Technologies）和Florence Prybyla（SNCF）。还为研讨会讨论做出了贡献，包括卡洛斯·费利普·帕尔多·韦勒斯（Carlos Felipe Pardo Velez）（Numo），卡伦·范克卢森（Karen Vancluysen）（波利斯网络），维森特·托雷斯·加里贝（Vicente Torres Garibay）（种植），乌尔斯·沃尔特（瑞士联邦环境部），克里斯·布鲁特特（Chris Bruntt） DELFT），Shaleen Srivastava（巨大），Bernike Rijksen（Dat.Mobility）和Hans Huisman（Goudappel Coffeng）。Other CPB members of the project not present in Amsterdam include Laurence Wilse-Samson (Bird), Louis Pappas (Bird), Ashwini Chhabra (Bird), Manon Lee (Bosch), Gilbert Konzett (Kapsch TrafficCom), Felipe Garcia Castello (RATP), Maximilian Eichhorn (Siemens), Anka Schild (Siemens), Pierre Messulam（SNCF）和Paul-Henri de Laboulaye（SNCF）。Philippe Crist，Luis Martinez，Katja Schechtner和Sharon Masterson都参加了ITF。作者还要感谢爱尔兰国家运输局运输建模主管Barry Colarery，以提供都柏林的运输数据进行建模。