研究討論如何在卡車編隊操作中運用適應性PID控制器，尤其關注認知無線電和AI增強的5G及5G以後網路。透過開發深度學習模型來模擬適應性PID控制器，考慮通信延遲、封包丟失、範圍等因素，強調可靠性、穩健性和安全性。同時運用大型語言模型GPT-3.5-turbo即時更新PID系統，展現整合AI驅動無線電和網路的潛力。研究強調在B5G網路中提升車輛編隊系統性能和安全性，並凸顯大型語言模型在先進通信環境的潛力。 PubMed DOI

研究利用深度學習預測城市交通事故，改進駕駛輔助系統。比較了Transformer、ARIMA和Prophet模型，分析特徵重要性，並介紹大型語言模型的即時干預，適用於自動駕駛。探討多模態學習，使用LLaVA和深度概率推理增強自動駕駛系統。總結指出，深度學習中大型多模態模型的優勢，提升時間序列預測和特徵權重重要性，尤其在自動駕駛情境中，透過數據驅動的決策，打造更安全、更智慧的城市。 PubMed DOI

介紹了一個新的研究，提出了「分心駕駛語言模型」（DDLM），利用視覺大型語言模型（LLM）來辨識分心駕駛行為。DDLM整合了人體姿勢估計技術，分析關鍵姿勢特徵，並透過推理鏈框架提供清晰解釋。研究顯示，DDLM在評估駕駛行為和風險水平方面比標準模型表現更佳，可有效增進駕駛安全性。 PubMed DOI

這篇論文提出了一個雙流交叉AGFormer-GPT網路，用於交通流預測，整合了交通佔有率和速度提示以提高準確性。該模型結合了適應性圖神經網路和大型語言模型的優勢，有效捕捉空間和時間相關性。實驗結果顯示，在兩個道路網路數據集上，預測準確性提高了1.2%。 PubMed DOI

這篇評論針對地震區域的交通策略，旨在幫助城市規劃者和政策制定者。文章探討了如何加強規劃和管理緊急需求，評估地震對交通系統的影響，以制定準備、減災、應對和恢復的策略。選擇的方法受到交通系統、城市化程度和建成環境等因素影響。此外，文章介紹了一種名為ALARM的新方法，利用大型語言模型（如OPEN-AI DAVINCI-003）進行全面評論，顯示人工智慧與人類在信息分析上的合作潛力。 PubMed DOI

這篇論文提出一種新方法，利用大型語言模型（LLMs）、AI代理和開放地理數據，提升城市騎乘安全。方法包括分析城市風險和現有騎乘設施的數據，並透過數據預處理和提示工程，創建友好的系統，提供騎乘安全見解。過程分為數據準備、代理協調和決策執行三步，確保開源工具有效整合，促進城市規劃者和騎士的可及性。研究顯示結合LLMs和AI代理的潛力，能改善騎乘實踐和城市交通規劃。 PubMed DOI

這項研究探討了狀態空間模型（SSMs）與脈衝神經網絡（SNNs）在長距離序列建模的整合，分析了SNNs面對現代架構如Transformers的挑戰。結果顯示，基於SSM的SNNs在長距離序列建模中表現優於Transformers，且在序列圖像分類中以較少參數超越現有SNNs。研究還引入了一個新特徵混合層，提升了SNN的準確性，並挑戰了對SNN中二元激活的傳統觀點。這為在神經形態硬體上實施先進的SSM模型開啟了新可能，促進了計算的能源效率。 PubMed DOI

降水即時預報專注於短期、高解析度的降雨預測，隨著時空觀測數據的增加，深度學習技術的應用也越來越普遍。最近的進展中，LLMDiff是一種為降水預報設計的概率性時空模型，包含條件編碼-解碼網絡和去噪網絡。去噪網絡結合了預訓練大型語言模型的凍結變壓器區塊，提升了運動趨勢估計和時間依賴性捕捉的能力。實驗結果顯示，LLMDiff在SEVIR數據集上表現優於現有模型，顯示其在降雨預測中的有效性。 PubMed DOI

SafeMod是一個新框架，旨在提升自動駕駛的安全性，透過改善複雜環境中的決策和情境管理。它克服了傳統方法的局限，採用雙向規劃結構，包括前向和後向規劃。前向規劃利用大型語言模型預測周圍行為，生成行動預測，並由基於變壓器的規劃器處理，結合文本和影像數據創建駕駛軌跡。後向規劃則透過強化學習精煉這些軌跡，選擇最佳行動。實驗結果顯示，SafeMod在安全性和決策能力上優於其他系統，顯示其在自動駕駛中的潛力。 PubMed DOI

近年來，變壓器模型在深度學習中變得非常重要，並催生了許多高效技術，如微調和擴展。不過，這些策略的數學基礎常常不夠扎實。為了解決這個問題，我們提出了一個基於分佈回歸的變壓器學習框架，並將分佈作為輸入。我們引入了一種名為注意力運算子的數學表述，讓變壓器能在不損失信息的情況下壓縮分佈。研究顯示，這種變壓器能學習比傳統模型更複雜的泛函，並建立了與大型語言模型相關技術的理論基礎。 PubMed DOI