全局检索与知识浏览

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。

The importance of mobile phone GPS trajectory data is widely recognized across many fields, yet the use of real data is often hindered by privacy concerns, limited accessibility, and high acquisition costs. As a result, generating pseudo-GPS trajectory data has become an active area of research. Recent diffusion-based approaches have achieved strong fidelity but remain limited in spatial scale (small urban areas), transportation-mode diversity, and efficiency (requiring numerous sampling steps). To address these challenges, we introduce TrajFlow, which to the best of our knowledge is the first flow-matching-based generative model for GPS trajectory generation. TrajFlow leverages the flow-matching paradigm to improve robustness and efficiency across multiple geospatial scales, and incorporates a trajectory harmonization and reconstruction strategy to jointly address scalability, diversity, and efficiency. Using a nationwide mobile phone GPS dataset with millions of trajectories across Japan, we show that TrajFlow or its variants consistently outperform diffusion-based and deep generative baselines at urban, metropolitan, and nationwide levels. As the first nationwide, multi-scale GPS trajectory generation model, TrajFlow demonstrates strong potential to support inter-region urban planning, traffic management, and disaster response, thereby advancing the resilience and intelligence of future mobility systems.

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

轨迹计算是一个关键研究领域，涵盖轨迹数据管理与挖掘，在位置服务、城市交通和公共安全等实际应用中具有重要作用，因而受到广泛关注。传统方法主要依赖简单的时空特征，面临计算复杂、可扩展性有限以及难以适应现实世界复杂性等挑战。本文全面综述了轨迹计算从深度学习到近期大语言模型（LLM）阶段的发展脉络与最新进展。首先，我们定义轨迹数据，并简要介绍常用的深度学习模型；继而系统梳理深度学习在轨迹管理（预处理、存储、分析与可视化）与轨迹挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、行程时间估计、异常检测及移动性生成）中的应用。此外，我们探讨了以基础模型（foundation models）和大语言模型为代表的大型模型在轨迹计算中的新兴研究方向与最新进展，这些进展有望重塑下一代轨迹计算范式。文中还总结了典型应用场景、公开数据集及工具包。最后，我们归纳了当前轨迹计算研究面临的主要挑战，并提出未来研究方向。相关论文与开源资源已整理汇总，并持续更新于：https://github.com/yoshall/Awesome-Trajectory-Computing。

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。

Transportation mode detection is an important topic within GeoAI and transportation research. In this study, we introduce SpeedTransformer, a novel Transformer-based model that relies solely on speed inputs to infer transportation modes from dense smartphone GPS trajectories. In benchmark experiments, SpeedTransformer outperformed traditional deep learning models, such as the Long Short-Term Memory (LSTM) network. Moreover, the model demonstrated strong flexibility in transfer learning, achieving high accuracy across geographical regions after fine-tuning with small datasets. Finally, we deployed the model in a real-world experiment, where it consistently outperformed baseline models under complex built environments and high data uncertainty. These findings suggest that Transformer architectures, when combined with dense GPS trajectories, hold substantial potential for advancing transportation mode detection and broader mobility-related research.

在智慧城市交通背景下，实现出租车供给与乘客需求的高效匹配需实时融合城市交通路网数据与移动性模式。传统出租车热点预测模型通常仅依赖历史需求数据，忽视了交通拥堵、道路事件及公共活动等动态影响因素。本文提出一种面向交通感知的、基于图的强化学习（RL）框架，用于大都市环境下的最优出租车布点。该框架将城市道路网络建模为图结构：交叉口为节点，路段为边；节点属性包含历史需求、事件邻近度以及从实时交通API获取的拥堵评分。利用图神经网络（GNN）嵌入对交通网络中的时空依赖关系进行编码，并将其输入Q-learning智能体以推荐最优出租车热点。奖励机制联合优化乘客等待时间、司机行驶距离与拥堵规避目标。在基于德里真实地理边界与历史网约车请求模式生成的模拟出租车数据集上的实验表明，相较于基线随机选择方法，所提模型使乘客等待时间降低约56%，行驶距离减少38%。该方法可适配多模态交通系统，并能集成至智慧城市平台，支持城市出行的实时优化。

城市交通管制政策被越来越多地用于应对交通拥堵、排放及可达性问题，但由于城市交通系统的社会技术复杂性，其影响难以评估。近年来，数据可得性和计算能力的提升为交通政策设计提供了基于模型的仿真决策支持新途径。本文提出一种新型仿真范式，用于事前评估交通管制政策的直接与间接影响，涵盖交通状况、交通相关效应及经济可达性等方面。该方法整合了多层城市交通模型，包括反映交通流与排放的物理层，以及捕捉行为响应与政策变化适应性的社会层。利用真实世界数据构建现状情景，将政策备选方案与行为假设作为模型参数，生成多种“如果”情景。通过分析政策干预引起的模拟结果变化，该框架支持对不同情景进行系统性比较。案例研究展示了该方法在评估广泛城市交通限制方案引入影响方面的应用。结果表明，该框架能够探索不同的监管设计与用户响应，支持对城市交通政策进行知情且前瞻性的评估。

智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的约定，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个围绕五个相互关联层级（硬件层、数据层、模型层、评估层与原型层）构建的交通研究统一平台，各层级均配备标准化模式、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为规范格式，包含朝向边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 的数字孪生地图与标定后的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间减少 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开。

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。

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

ATDM轨迹验证项目开发了一个验证框架和一个轨迹计算引擎，用于比较与验证仿真车辆轨迹及动力学特性与实测车辆轨迹及动力学特性。现场数据被用于演示如何利用实地布设的仪器化车辆数据，结合该验证框架对仿真车辆动力学特性进行验证。车辆轨迹数据是在主动交通需求管理（ATDM）轨迹级验证项目的另一项任务中独立采集的。本项目的主要目标是建立一种在轨迹层面验证仿真车辆动力学特性的方法。基于轨迹数据计算了微观与宏观性能指标，并将其应用于多项验证测试中，涵盖安全性、车辆运行限值、驾驶员舒适度以及交通流等方面。

自动驾驶车辆、自动驾驶功能及高级驾驶辅助系统（ADAS）在广泛相关场景下的可靠运行，对其研发与部署至关重要。由于涉及大量自由度，且各自由度对驾驶场景结果的影响方式不同，识别一套近乎完备的相关驾驶场景极具挑战性。此外，随着新功能技术复杂性的不断提升，潜在相关场景（尤其是“未知不安全”场景）的数量持续增加。为提升验证效率，亟需预先识别相关场景，策略上应从高速公路等较简单领域入手，再逐步扩展至城市交通等更复杂环境。为此，本文聚焦于高速公路交通中的变道场景分析——此类场景具有多个自由度，并蕴含大量安全相关场景。我们描述了从公开高速公路交通中采集与处理真实世界数据的过程，并在AVEAS项目（www.aveas.org）框架下，基于轨迹数据应用临界性度量方法对场景进行评估。通过将所计算的度量结果与特定变道驾驶场景及对应数据采集条件相关联，我们支持面向多种应用的安全相关驾驶场景识别。进一步地，为应对海量“未知不安全”场景，我们提出一种基于实录场景生成合成场景的方法，以构建相关场景。据此，我们展示并评估了一条处理链路，该链路可实现安全相关场景的识别，以及数据驱动式场景提取方法的开发。

本文详细描述并表征了一个新型开源车辆轨迹数据集 SWIFTraj，该数据集由配备 5.4K 分辨率相机的 16 架无人机组成的机群所拍摄视频构建而成。该数据集在多个方面区别于现有开源轨迹数据集：其一，它提供了长达 4.5 公里的高速公路连续长距离轨迹，支持对交通现象及其时空演化进行深入研究；其二，数据采集地点覆盖一条长距离高速公路走廊及其相连的部分城市路网所构成的集成网络，有利于从网络视角开展交通分析与建模。本文全面探讨了该数据集在交通研究中的潜在应用，包括多尺度下的交通流分析、建模与控制，以及与自动驾驶相关的一系列课题。最后，SWIFTraj 作为完全免费开放的开源数据集发布，以支持并加速交通领域未来的研究进展。该数据集可通过 SWIFTraj 官方网站（https://www.swiftraj.com）公开获取。

本文详细描述并表征了一个新型开源车辆轨迹数据集 SWIFTraj，该数据集由配备 5.4K 分辨率相机的 16 架无人机组成的机群所拍摄视频构建而成。该数据集在多个方面区别于现有开源轨迹数据集：其一，它提供了长达 4.5 公里的高速公路连续长距离轨迹，支持对交通现象及其时空演化进行深入研究；其二，数据采集地点覆盖一条长距离高速公路走廊及其相连的部分城市路网所构成的集成网络，有利于从网络视角开展交通分析与建模。本文全面探讨了该数据集在交通研究中的潜在应用，包括多尺度下的交通流分析、建模与控制，以及与自动驾驶相关的一系列课题。最后，SWIFTraj 作为完全免费开放的开源数据集发布，以支持并加速交通领域未来的研究进展。该数据集可通过 SWIFTraj 官方网站（https://www.swiftraj.com）公开获取。

Effective urban traffic monitoring is essential for improving mobility, enhancing safety, and supporting sustainable cities. Distributed Acoustic Sensing (DAS) enables large-scale traffic observation by transforming existing fiber-optic infrastructure into dense arrays of vibration sensors. However, modeling the high-resolution spatio-temporal structure of DAS data for reliable traffic event recognition remains challenging. This study presents a real-world DAS-based traffic monitoring experiment conducted in Granada, Spain, where vehicles cross a fiber deployed perpendicular to the roadway. Recurrent neural networks (RNNs) are employed to model intra- and inter-event temporal dependencies. Spatial and temporal attention mechanisms are systematically integrated within the RNN architecture to analyze their impact on recognition performance, parameter efficiency, and interpretability. Results show that an appropriate and complementary placement of attention modules improves the balance between accuracy and model complexity. Attention heatmaps provide physically meaningful interpretations of classification decisions by highlighting informative spatial locations and temporal segments. Furthermore, the proposed SA-bi-TA configuration demonstrates spatial transferability, successfully recognizing traffic events at sensing locations different from those used during training, with only moderate performance degradation. These findings support the development of scalable and interpretable DAS-based traffic monitoring systems capable of operating under heterogeneous urban sensing conditions.

城市交通异常（如碰撞与中断）威胁着交通系统的安全性、效率与可持续性。本文提出一种基于仿真的框架，用于建模、检测与预测城市路网中的此类异常。我们利用城市交通仿真平台 Simulation of Urban MObility (SUMO)，生成可复现的追尾与交叉口碰撞场景，并配以匹配的基线场景，从而支持受控实验与对比评估。我们记录车辆级的行程时间、速度与排放数据，以支持边缘层级与网络层级的分析。基于该数据集，我们构建了一种混合预测架构，将双向长短期记忆网络（BiLSTM）与扩散卷积循环神经网络（DCRNN）相结合，以同时捕捉时间动态与空间依赖关系。我们在纽约市百老汇走廊开展的仿真实验表明，该框架能够稳定复现事故条件、量化其影响，并提供准确的多步长交通预测。结果凸显了将受控异常生成与深度预测模型相结合的价值，可支撑可复现的评估及可持续交通管理。

出版日期：2026年7月；来源：《Cities》，第174卷；作者：前田修太、加藤春香

准确预测交通动态对城市出行与基础设施规划至关重要。尽管近期研究已借助深度学习模型实现了优异性能，但这些方法通常需针对特定数据集进行训练、架构设计及超参数调优。本文评估了通用时序基础模型能否直接用于交通预测任务，通过在涵盖高速公路交通量与流量、城市道路车速、共享单车需求以及电动汽车充电站数据的十个真实世界数据集上，对当前最先进的模型 Chronos-2 进行零样本（zero-shot）性能基准测试。在统一评估协议下，我们发现：即使不进行任何任务特定微调，Chronos-2 在大多数数据集上仍达到或接近最优精度，且常优于经典统计基线模型与专用深度学习架构，尤其在较长预测步长下表现更佳。除点预测外，我们还利用预测区间覆盖率（prediction-interval coverage）与尖锐度（sharpness）评估其原生概率输出，结果表明 Chronos-2 在无需数据集特定训练的情况下亦能提供有效的不确定性量化。总体而言，本研究支持将时序基础模型作为交通预测研究的关键基线方法。

理解极端降雨事件中人类移动的韧性对于提升灾害应对能力与城市韧性至关重要。然而，现有研究大多忽视了韧性模式在不同尺度上的复杂性，未能揭示空间异常现象及其潜在成因。为弥补这一空白，本文提出一种基于大规模个体轨迹数据的框架，以解析多尺度下人类移动的韧性模式。通过动态网络模型量化人类移动流量，并利用韧性曲线分析都市圈与区域尺度下的韧性特征。本研究聚焦于台风玛娃引发的极端降雨事件，覆盖日本的大阪与名古屋地区。研究发现，尽管人类活动显著减少，但移动网络结构保持相对稳定。基于流入与流出量的象限分布分析，人类移动中异常与正常韧性模式的比例约为3:2，且该比例在两个尺度上均保持一致。有趣的是，异常韧性模式与建成环境的局部地理特征密切相关，呈现出收入、性别与年龄层面的差异。这些发现对政策制定者优化灾后恢复策略及指导未来城市基础设施建设以增强韧性具有重要价值。

学生接送出行是导致交通拥堵的重要因素。现有研究主要比较学生上下学时段与非高峰时段的道路交通状况，往往忽视了学校通勤交通拥堵在不同建成环境特征区域之间分布不均的问题。本文以中国北京为例，探讨建成环境与学校通勤交通拥堵之间的关系。首先，利用多源地理空间数据，从空间集聚、交通基础设施、街道拓扑、空间丰富度和景观风貌五个维度评估学校周边的建成环境特征；其次，采用广义有序对数模型分析学校日高峰时段、普通非学校日及全国高考期间学校周边交通拥堵的变化情况；最后，通过多元线性回归与Shapley值解释方法识别影响学校通勤交通拥堵的建成环境因素。研究发现：（1）学校通勤显著加剧学校周边交通拥堵，在上学时段使畅通可能性降低8.34%；（2）拥有多个学校、公交站点以及与商业金融功能相关的景观风貌区域，学校通勤交通拥堵更为严重。这些发现可为新学校选址规划及城市更新策略提供科学依据，以缓解交通拥堵问题。

点击右侧的“导出”以下载车辆轨迹数据。相关元数据及其他数据可于下方“附件”中下载。下一代仿真（NGSIM）项目的研究人员在加利福尼亚州洛杉矶市的南行US 101公路与兰卡斯特大道、加利福尼亚州埃默里维尔市的东行I-80公路以及佐治亚州亚特兰大市的皮奇树街采集了详细的车辆轨迹数据。数据通过同步数字摄像机网络获取。NGVIDEO是为NGSIM项目开发的定制化软件应用，用于从视频中提取车辆轨迹数据。该车辆轨迹数据每十分之一秒记录一次研究区域内每辆车辆的精确位置，从而获得详细的车道位置信息及与其他车辆的相对位置关系。点击下方“显示更多”按钮，可获取本数据集的额外上下文数据和元数据。如需特定站点的NGSIM视频文件数据集，请参见以下链接：- NGSIM I-80视频：https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Program-I-80-Vide/2577-gpny - NGSIM US-101视频：https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Program-US-101-Vi/4qzi-thur - NGSIM 兰卡斯特大道视频：https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Program-Lankershi/uv3e-y54k - NGSIM 皮奇树街视频：https://data.transportation.gov/Automobiles/Next-Generation-Simulation-NGSIM-Program-Peachtree/mupt-aksf

交通运输的逐步自动化有望通过共享出行提升安全性和可持续性。与其他车辆及道路使用者一样，尤其是对于这一新兴技术，需要进行监控以理解其在交通中的交互行为并评估其安全性。这可通过固定摄像头和视频目标检测实现。然而，新增检测目标通常需要对常规检测方法进行微调，而这种实施策略可能导致灾难性遗忘现象，造成场景理解能力下降。在道路安全应用中，保持上下文场景知识至关重要，以保障道路使用者的安全。为此，本文提出自适应残差上下文（Adaptive Residual Context, ARC）架构。ARC通过上下文引导桥（Context-Guided Bridge）将冻结的上下文分支与可训练的任务特定分支相连接，利用注意力机制传递空间特征，同时保留预训练表示。在自定义数据集上的实验表明，ARC在性能上达到微调基线水平，同时显著提升了知识保留能力，为复杂城市环境中新车辆类别的添加提供了一种数据高效解决方案。