Even though the STO algorithms are

Even though the STO algorithms are shown to be effective in this paper, there are still some issues to be addressed in our future research. For example, although the STO algorithms are adopted to some general lines in real-world cases, the lines with steeper slope or complex limited speed are needed to be studied. Moreover, more advanced machine learning algorithms (deep learning, transfer learning [31]) are worth further research for real-world scenarios.

ผลลัพธ์ (ไทย) 1:

แม้ว่าอัลกอริทึม STO แสดงจะมีประสิทธิภาพในกระดาษนี้ ยังมีปัญหาบางอย่างในการวิจัยของเราในอนาคต ตัวอย่างเช่น แม้ว่าอัลกอริทึม STO นำบางลายทั่วไปในโลกแห่งความจริงกรณี บรรทัดที่ มีเนินสูงชันหรือความเร็วจำกัดที่ซับซ้อนมีความจำเป็นการศึกษา นอกจากนี้ ขั้นสูงเครื่องเรียนรู้อัลกอริทึม (ลึกการเรียนรู้ การถ่ายโอนการเรียนรู้ [31]) มีมูลค่าการวิจัยต่อไปสำหรับสถานการณ์จริง

ผลลัพธ์ (ไทย) 2:

แม้ว่าขั้นตอนวิธีการ STO จะแสดงให้เห็นว่ามีประสิทธิภาพในการวิจัยนี้ยังมีบางประเด็นที่จะแก้ไขในการวิจัยในอนาคตของเรา ตัวอย่างเช่นแม้ว่าขั้นตอนวิธีการ STO จะถูกนำมาใช้บางเส้นทั่วไปในกรณีที่แท้จริงของโลกเส้นที่มีความลาดชันสูงชันหรือความเร็วที่ จำกัด ที่ซับซ้อนที่มีความจำเป็นต้องมีการศึกษา นอกจากนี้สูงกว่าขั้นตอนวิธีการเรียนรู้ของเครื่อง (การเรียนรู้ลึกการถ่ายโอนการเรียนรู้ [31]) มีการวิจัยต่อไปคุ้มค่าสำหรับสถานการณ์โลกแห่งความจริง

ผลลัพธ์ (ไทย) 3:

ถึงแม้ sto ชุดแสดงผลในกระดาษนี้ ยังคงมีประเด็นที่จะ addressed ในการวิจัยในอนาคตของเรา ตัวอย่างเช่นแม้ว่าผู้ใช้อัลกอริทึมบางเส้นทั่วไปในกรณีจริง เส้นกับชันความลาดชันที่ซับซ้อนหรือความเร็ว จำกัด จะต้องได้รับการศึกษา นอกจากนี้ ขั้นสูงอัลกอริทึมการเรียนรู้ของเครื่องจักร ( เรียนรู้ลึก การถ่ายโอนการเรียนรู้ [ 31 ] ) มีการวิจัยเพิ่มเติมสำหรับสถานการณ์จริงมูลค่า