全局检索与知识浏览
跨论文、博客、数据集线索、项目和工具统一检索。检索结果可以继续跳转到独立问答页，做语义追问和来源核验。
出版日期：2026年6月；来源：《交通研究A辑：政策与实践》（Transportation Research Part A: Policy and Practice），第208卷；作者：李敏星、范程、闫浩洋、吴鹏凯、苏子成、马万静
城市交通网络因交通拥堵面临严峻挑战，进而引发不利的环境与社会经济影响。车辆准入控制（Vehicular Admission Control, VAC）策略作为一种有前景的缓堵手段应运而生。该策略依托信息与通信技术，通过调控车辆进入网络的时机与方式，在时空维度上优化各类交通性能指标。尽管VAC策略已取得显著进展，但其在存在建模不确定性条件下的稳定性问题仍缺乏深入研究。本文考察一类分布式VAC方案在建模不确定性下的稳定性特性。具体而言，我们考虑具有非线性动力学特征、且宏观基本图（macroscopic fundamental diagram, MFD）呈凹性的大规模异构城市交通网络，并假设流量、密度与速度之间的关系存在有界不确定性。在此框架下，我们分析一类由一般非线性形式描述的分布式VAC动力学。基于无源性理论（passivity theory），我们推导出关于VAC方案设计的可扩展、局部可验证条件，从而在建模不确定性存在时提供稳定性保障。文中给出多个示例以说明所提设计框架的适用性。数值仿真分别在6区域与20区域系统上开展，验证了所提分析结果的有效性与实际相关性。
周界管控（Perimeter control）是一种有效的城市交通管理策略，通过聚合网络动力学调节进入拥堵城区的车流。现有方法主要优化系统级效率指标（如总行程时间或路网吞吐量），却常忽视公平性考量，导致各入口处的延误分布不均。本研究将公平性目标显式融入周界管控设计，提出基于队列均衡的机制。本文以旧金山城市路网中的金融区为对象，开展大规模微观仿真实证研究，评估其性能表现与实施挑战。结果表明，传统周界管控不仅可降低总延误与内部延误，亦能改善多种公平性度量指标（Harsanyian、Rawlsian、Utilitarian、Egalitarian）。在此基础上，队列均衡策略在保持传统性能水平的同时，显著提升公平性，尤其在需求异质性场景（即各入口拥堵程度分布不均）下效果更为突出。所提出的框架有助于推动新兴智能交通系统（ITS）的公平化管控设计，并提升用户接受度。
基于固定闭路电视（CCTV）摄像头的鲁棒车辆检测对智能交通系统（ITS）至关重要。然而，现有基准数据集主要涵盖相对同质化、高度有序的交通场景，且多采集自以车为中心的驾驶视角或受控的航拍视角。这种地域性与传感器视角偏差造成了显著差距：在UA-DETRAC和COCO等数据集上训练的模型难以泛化至新兴经济体中快速发展的城市中心所呈现的高密度、异质化、无序化的交通状况。为弥补这一局限，我们提出BMD-45——一个大规模数据集，包含来自3600余台实际运行的“平安城市”CCTV摄像头采集的45,000张图像，共标注480,000个边界框。BMD-45涵盖14类细粒度车辆类别，包括现有基准未覆盖的区域性交通工具，如三轮自动人力车（auto-rickshaws）和小型客运面包车（tempo travellers）。该数据集真实反映部署挑战，涵盖极端视角变化、遮挡及高车辆密度等情形。我们采用当前最先进的检测器建立了全面基线，并揭示出显著的领域差异：在UA-DETRAC上微调的模型在BMD-45上的[email protected]:0.95仅为33.6%，而直接在BMD-45上训练时达83.8%，性能提升达2.5倍；该差距即使在计入新型车辆类别后依然存在。这一性能落差凸显了构建地理多样性交通基准的迫切需求，并确立BMD-45作为全球代表性不足城市环境中鲁棒感知系统开发的基准数据集。数据集地址：https://huggingface.co/datasets/iisc-aim/BMD-45。
交通仿真对城市公共交通基础设施干预措施的规划至关重要，其依赖于按车辆类型划分的起讫点（OD）数据。现有数据源均存在局限：稀疏分布的收费站传感器可提供准确的分车型车辆计数，而基于蜂窝网络活动的大规模移动性数据虽能捕捉人群聚合流动，却缺乏出行方式的细分，且存在系统性偏差。本研究构建了一个机器学习框架，利用稀疏的收费站计数作为真实值，对蜂窝网络数据进行校正与细分。该模型通过时间与空间特征，学习聚合移动性数据与车辆数据之间的复杂关系；并基于公交线路推断目的地，结合路径分配逻辑，将校正后的流量在OD对之间进行分配。该方法应用于挪威特隆赫姆市一处公交场站扩建项目，生成了按车辆长度类别划分的逐小时OD矩阵。结果表明，有限但精确的传感器测量值可用于校正大规模但聚合的移动性数据，从而产出具有实证基础的背景车流估计。此类宏观尺度估计可在目标位置进一步细化为微观尺度分析。该框架提供了一种可推广的方法，用以从蜂窝网络数据生成起讫点数据，从而支持下游任务——例如在数据匮乏情境下开展详尽的交通仿真，辅助城市规划者做出科学决策。
城市交通管理需要能够同时预测未来状态、检测异常并采取安全校正措施的系统，且需提供可靠性保证。本文提出 STREAM-RL，一种统一框架，包含三项新算法贡献：（1）PU-GAT+，一种不确定性引导的自适应共形预测器，利用预测不确定性通过置信度单调注意力机制动态重加权图注意力，实现分布无关的覆盖保证；（2）CRFN-BY，一种共形残差流网络，借助归一化流建模不确定性归一化的残差，并在任意依赖结构下采用 Benjamini-Yekutieli 方法控制错误发现率（FDR）；（3）LyCon-WRL+，一种不确定性引导的安全世界模型强化学习智能体，具备李雅普诺夫稳定性证书、经认证的 Lipschitz 界限，以及不确定性传播的想象 rollout。据我们所知，这是首个从预测、经异常检测、至安全策略学习全程传播经校准不确定性并提供端到端理论保证的框架。在多个真实城市交通轨迹数据集上的实验表明，STREAM-RL 实现了 91.4% 的覆盖效率，在已验证依赖结构下将 FDR 控制在 4.1%，安全率提升至 95.2%（标准 PPO 为 69%），同时获得更高奖励，端到端推理延迟为 23 毫秒。
地理空间大数据的发展使得通过浮动车数据（FCD）研究交通拥堵问题成为可能。FCD有助于预测交通拥堵瓶颈，并提供相应的解决方案以应对交通问题。然而，针对超大城市中交通拥堵瓶颈分布与变化的研究仍较为有限。本研究通过整合PageRank算法与聚类算法，结合多源数据（包括降雨数据、FCD及OpenStreetMap数据），提出一种指数计算与聚类（ICC）模型。选取中国华南地区最大发展城市深圳作为研究区域。结果表明，市民出行存在三个高峰时段：8:00-10:00、14:00-16:00和18:00-20:00。降雨后道路速度下降，交通拥堵区域增加。研究还定量分析了工作日与休息日交通拥堵的差异。所提出的ICC模型能够全面揭示城市交通拥堵区域特征，为政策制定者优化缓解策略提供支持。
地理空间大数据的发展使得交通拥堵问题的研究成为可能。特别是浮动车数据（FCD）非常适用于此类研究，因为FCD有助于预测交通拥堵瓶颈，并提供相应的解决方案以应对交通问题。以往研究探讨了降雨对道路速度的影响，但很少有研究关注降雨对超大城市中交通拥堵瓶颈的空间分布及变化的影响。本文通过整合多源数据（包括降雨数据、FCD和OpenStreetMap数据），结合PageRank算法与聚类算法，提出了一种指数计算与聚类（ICC）模型。研究区域选取中国华南地区最大的发达城市深圳。结果表明，市民出行存在三个高峰时段，分别为8:00-10:00、14:00-16:00和18:00-20:00。降雨后工作日道路速度下降6.20%，周末下降2.37%；交通拥堵区域分别增加23.53%和20.65%。此外，在深圳，降雨对工作日交通状况的影响显著大于周末。相较于传统的核密度分析方法，所提出的ICC模型能够更全面地揭示城市交通拥堵区域特征，有助于政策制定者优化缓解策略。
城市交通控制是一个涵盖异构子系统（包括交通信号灯、高速公路、公共交通及出租车服务）的系统级协同问题。现有基于优化、强化学习（RL）以及新兴的基于大语言模型（LLM）的方法，大多针对孤立任务设计，因而既限制了跨任务泛化能力，也难以刻画子系统间耦合的物理动力学。我们认为，有效的系统级控制需依托一个统一的物理环境，在该环境中，各子系统共享基础设施、出行需求及时空约束，从而使局部干预得以在网络中传播。为此，我们提出 TrafficClaw——一种构建于统一运行时环境之上的通用城市交通控制框架。TrafficClaw 将异构子系统整合为一个共享的动力学系统，支持对子系统间交互的显式建模以及智能体与环境之间的闭环反馈。在此环境中，我们开发了一个具备可执行时空推理能力与可复用程序化记忆的 LLM 智能体，实现跨子系统的统一诊断与策略的持续优化。此外，我们引入一种多阶段训练流程，包含监督初始化与面向系统级优化的智能体式强化学习（agentic RL），进一步提升协调性与系统感知能力。实验表明，TrafficClaw 在未见过的交通场景、动态特性及任务配置下，均展现出鲁棒、可迁移且具备系统感知能力的性能。本项目代码开源地址为：https://github.com/usail-hkust/TrafficClaw。
本文提出了面向城市交通管理的数字孪生（DT）构建方法与应用。当前多数关于数字孪生的研究聚焦于其“眼睛”，即新兴的感知与传感技术，如目标检测与跟踪；而真正使数字孪生区别于传统仿真器的，是其“大脑”——即从所见所感中提取模式并作出明智决策的预测与决策能力。为提升城市交通管理价值，数字孪生需由人工智能驱动，并融合低时延、高带宽的传感与网络技术，即网络物理系统（CPS）。本文可为研究人员与实践者识别数字孪生开发中的挑战与机遇提供指引；成为跨学科对话的桥梁；并为挖掘数字孪生在多样化城市交通应用场景中的潜力提供路线图。
网联与自动驾驶车辆（CAVs）在城市驾驶中具有节能潜力，但现有大多数生态驾驶策略仅关注单车道内的纵向速度控制，忽视了横向决策（如换道）对整体能效的重要影响，尤其在存在交通信号灯和异构交通流的环境中。为弥补这一空白，我们提出一种新型能量感知运动规划框架，利用车路协同（V2I）通信联合优化纵向速度与横向换道决策。该方法采用基于图的近似方法估计长期能量成本，并在交通约束下求解短时域最优控制问题。我们基于实测电池电动汽车标定的数据驱动能量模型，通过车辆在环实验验证表明，相较于人类驾驶员，本方法可降低运动能耗最高达24%，凸显了网联赋能规划在可持续城市自动驾驶中的潜力。
全城街道路段级交通量数据对城市规划与可持续交通管理至关重要。然而，由于传感器部署与维护成本高昂，此类数据仅覆盖有限数量的街道；其余路段的交通量则需基于现有传感器测量值进行插值估算。当前传感器位置往往由行政优先事项决定，而非数据驱动的优化方法，导致覆盖偏差与估计性能下降。本研究利用柏林（Strava自行车计数）和曼哈顿（出租车计数）的路段级真实数据，对若干易于实施的数据驱动策略进行了大规模、现实场景下的基准评估，以优化永久性与临时性交通传感器的布设。研究比较了基于网络中心性、空间覆盖、特征覆盖及主动学习（active learning）的空间布设策略，并考察了临时传感器的时间部署方案。结果表明，强调均匀空间覆盖并结合主动学习的空间布设策略可实现最低预测误差：仅使用10个传感器时，其在柏林和曼哈顿的平均绝对误差分别较其他方案降低逾60%和70%。时间部署选择可进一步提升性能：在工作日均匀分布测量时段，可使柏林和曼哈顿的误差分别额外降低7%和21%。上述空间与时间原则相结合，可使临时布设方案的性能接近最优布设的永久性方案。从政策角度看，研究结果表明，城市可通过采纳数据驱动的传感器布设策略显著提升数据效用，同时保持
出版日期：2026年7月；来源：《交通运输研究D辑：运输与环境》，第156卷；作者：张岩、秦泉、聂海如、关美宝、何思佳、柯恩彤
本文提供了一组公开可用的微观车辆轨迹（MVT）数据集，该数据集通过无人机（UAV）在异质性、区域化的城市交通条件下采集。传统路边视频采集方法在高密度混合交通场景中常因遮挡、视场角受限及车辆运动不规则等问题而失效。基于无人机的录制方式提供了俯视视角，可有效缓解上述问题，并更充分地捕捉空间与时间动态特征。本文所述数据集利用Data from Sky（DFS）平台提取，并在前期研究中通过人工计数、区间平均速度及浮动车轨迹进行了验证。每个数据集包含以每秒30帧分辨率记录的时间戳车辆位置、速度、纵向与横向加速度以及车辆分类信息。数据采集于印度国家首都辖区六个路段中部位置，覆盖多样化的交通组成与密度水平。探索性分析揭示了若干关键行为模式，包括车道保持偏好、速度分布特征以及异质性与区域化交通环境中典型的横向机动行为。本数据集旨在为全球研究界提供资源，以支持仿真建模、安全评估及区域化交通条件下的行为研究。通过公开发布这些实证数据集，本工作为研究人员提供了独特机会，以开发、测试并验证更能准确表征复杂城市交通环境的模型。
交通预测旨在利用历史交通数据预测未来交通状况，在城市计算与交通管理中发挥关键作用。尽管迁移学习与联邦学习已被用于通过将交通知识从数据丰富城市迁移到数据匮乏城市（无需交换交通数据）来缓解交通数据稀缺问题，但现有联邦交通知识迁移（FTT）方法仍面临若干关键挑战，包括潜在的隐私泄露、跨城市数据分布差异以及低数据质量，从而制约其在真实场景中的实际应用。为此，我们提出 FedTT——一种新颖的、注重隐私保护且高效的跨城市联邦学习交通知识迁移框架。具体而言，该框架包含三项关键技术贡献：（i）一种交通视图插补方法，用于填补缺失的交通数据以提升数据质量；（ii）一种交通域适配器，实现交通数据的统一转换以应对数据分布差异；（iii）一种交通密文聚合协议，支持安全的交通数据聚合以保障数据隐私。在4个真实世界数据集上的大量实验表明，所提出的 FedTT 框架性能优于14种当前最先进的基线方法。
奖励函数设计一直是现实世界强化学习（RL）部署的核心挑战之一，尤其在涉及多重目标的场景中。基于偏好的强化学习通过从人类对行为结果成对比较的偏好中学习，提供了一种有吸引力的替代方案。近期，基于AI反馈的强化学习（RLAIF）表明，大语言模型（LLMs）可大规模生成偏好标签，从而减轻对人工标注者的依赖。然而，现有RLAIF研究通常仅聚焦于单目标任务，尚未解决RLAIF如何处理多目标系统这一开放问题。在多目标系统中，相互冲突的目标之间难以明确权衡关系，策略易退化为仅优化某一主导目标。本文探讨将RLAIF范式扩展至多目标自适应系统。我们证明，多目标RLAIF能够生成反映不同用户优先级的均衡权衡策略，无需繁琐的奖励工程。我们认为，将RLAIF融入多目标强化学习，为在固有目标冲突的领域中实现可扩展、用户对齐的策略学习提供了一条可行路径。
自动驾驶车辆必须以既安全又符合社会规范的方式与行人进行协商。本文提出一种交互感知模型预测决策（IAMPDM）框架，将受间隙接受理论启发的意图模型与模型预测控制（MPC）相融合，以实时联合推理人类意图与车辆控制。行人模块生成连续的过街倾向信号——该信号由到达碰撞时间（TTC）驱动，并引入意图衰减机制——用于动态调节MPC中的安全性约束项及最小距离约束。我们在基于投影法的运动追踪仿真器中实现了IAMPDM，并将其与基于规则的意图感知控制器（RBDM）及保守的非交互式基线方法（NIA）进行对比。在一项包含25名参与者的“人在决策环路中”实验中，意图感知类方法相较于NIA显著缩短了协商时间与任务完成时间，但以更小的TTC/行驶距离（DST）余量为代价；除某一场景中TTC存在显著差异外，IAMPDM与RBDM之间无统计学显著差异。结果表明，意图感知决策算法相较于非协作式决策算法可减少行人过街时间，并提升受试者对舒适性、安全性与信任度的主观评分。我们进一步探讨了交互感知自动驾驶车辆在真实世界部署中的意义，详细说明了决策算法的校准方法与实时实现方案（基于CasADi/IPOPT），并提出了部署保障措施——包括最小代理安全性余量与死锁预防机制——以在效率与安全性之间取得平衡。
出版日期：2026年4月14日在线发布；来源：《Transport Policy》；作者：赵亮、何正刚
《计算机、环境与城市系统》；第70卷；第163-174页；2018年发表；出版商：Elsevier
出版日期：2026年4月1日在线发布；来源：《Transport Policy》；作者：Javed Aslam、Abroon Qazi、Kee-hung Lai、Aqeela Saleem
出版日期：2026年5月；来源：《Journal of Transport Geography》，第133卷；作者：韩倩倩、徐淼、白东轩、冯睿
城市交通模型是理解与预测城市内部人员与货物流动的重要工具，对交通规划至关重要。城市交通分析所采用的空间尺度是决定模型洞察力的关键因素，因为它会影响模型的性能表现。因此，为反映内在动态，有必要在适当的空间尺度下评估城市交通模型。本研究系统评估了三种流行的都市交通模型——引力模型、辐射模型和访问量模型——在不同空间尺度下的表现。结果表明，尽管访问量模型始终优于引力模型和辐射模型，但在某些三者共用的适宜空间尺度下，各模型的表现差异不大。有趣的是，在所有模型表现均较差的空间尺度上，访问量模型的性能下降最为显著。此外，基于传统行政边界的结果表现不如基于距离的聚类方法。跨空间尺度对城市交通模型的交叉检验还揭示了城市结构的空间组织特征。
现有的车道级仿真道路网络生成依赖大规模数据采集和人工后期编辑，存在劳动密集、资源消耗大及成本高等问题。为克服上述局限，本文提出一种在交通场景中自动生成高精度模拟道路网络的高效全自动化解决方案。首先，通过开源街景地图平台获取真实道路街景数据，并构建大规模街景车道线数据集，为后续分析提供坚实基础。其次，设计基于深度学习的端到端车道线检测方法，训练神经网络模型以准确识别街景图像中的车道线数量及其空间分布，实现车道信息的自动化提取。随后，结合坐标变换与地图匹配算法，将街景中提取的车道信息与开源地图服务平台获取的基础道路拓扑结构进行融合，生成高精度的车道级仿真道路网络。该方法显著降低了数据采集与人工编辑的成本，提升了仿真道路网络生成的效率与准确性。为城市交通仿真、自动驾驶导航以及智能交通系统的发展提供了可靠的数据支撑，为大规模城市道路网络的自动化建模提供了新的技术路径。
了解如何在 Snowflake 中集成 MovingPandas 与 CARTO，以提升城市交通分析能力，识别交通热点并优化城市交通运输。