张教授，首先祝贺您的团队凭借“数智驱动的车路网云一体化协同管控关键技术及应用”项目荣获江苏数字经济学会科技进步奖。我们了解到，此项目聚焦“多源异构交通数据融合与补偿”和“一体化车路协同与智能调度”两大核心问题。能否请您先跟我们科普一下这两个概念的具体内涵？

（一）概念解析

——“多源异构交通数据融合与补偿”就是将来自不同渠道、不同类型的交通数据整合起来并加以完善。

现实生活中，交通数据来源多样，既有视频、雷达等数据，也有手机信令（手机与无线通信网络交互过程中产生的数据，广泛应用于城市规划、人口统计和通信分析等领域）、浮动车数据（是基于卫星定位技术收集的车辆行驶数据，主要用于城市交通监测和交通状态分析）等。这些数据往往存在格式不统一、时空不同步、数据缺失或噪声较多等问题。我们的项目通过多视图深度学习和自适应特征选择技术，打破原本各自孤立、呈“烟囱式”的数据系统，实现数据的融合互通，并对缺失和不可靠的数据进行智能补偿/检验-修复，实现交通感知从数据碎片化向高可靠、可预测的升级，为后续决策提供可信的数据基础。打个比方，这就像做菜前对食材进行清洗处理，以获得更好的烹饪素材。

——“一体化车路协同与智能调度”可理解为：让车、路、云真正协同起来，进行智能决策与调度。

我们的项目不再依赖单点规则驱动的控制方式，而是借助车路云协同感知、强化学习、分布式优化等技术手段，实现车辆、道路设施和云端之间的信息共享与联合决策。这能使交通从被动响应转变为主动预测，从局部优化走向全域协同，从而显著提升通行效率和运行安全水平。

（二）价值解读

——若前期的感知和数据分析无法达成一致，后续的调度和协同就无从开展。如同人与人交流，若不采用统一的标准或互通的语言体系，那么自然无法实现良好的交流。

在信息化时代和数字化前期时代，建设理念、运营单位、实施供应单位多不相同，所采用的技术路径和手段也存在着较大差异。且当时技术水平相对有限，基础建设到一定程度后，迭代出的产品或系统都有其自身的规则和建设路径依赖。

如今，随着科技水平提升，信息化成果不断迭代，我们正逐步推进数字化、智能化进程。在这个过程中，以往单个独立的系统，如城市中的感知、计算、控制系统等，随着新技术、新理念和新诉求的出现而发生变化。我们亟需开展“利旧”工作，即融合贯通不同阶段、不同标准、不同规则下的建设成果。

数据如今已被视为重要的生产要素，它是整个系统的底层支撑。打个比方，数据如同生物界的基因，人类社会科技发展的诸多成果最终都靠数据来呈现，不同的信息化系统、智能化管控平台或系统软件，最终都依赖数据来展现和驱动。因此，从底层数据层面进行打通，能够整合不同阶段、不同类型、不同建设目标的系统，这也是我们最初开展数字交通建设的初衷。

听完您的科普，我们非常想知道，围绕以上两个核心问题，该项目主要开展了哪些科技攻关与应用创新呢？能否结合一些具体案例，详细分享一下这些技术是如何解决实际问题的？它们相比传统方法有哪些突破？

——围绕这两个核心问题，项目前期聚焦数据端难题攻关，后期则侧重业务需求端实际考量，通过多层次科技攻关和工程化应用创新，构建了从感能融合、算能协同、控能联动到平台赋能的技术体系闭环。

在感知层面，我们重点突破了多模态感知与动态补偿机制的瓶颈，相比传统的统计单元插补方法，创新实现了从事后修补向主动预测和补全的突破。在高速公路和城市道路中，普遍存在数据来源多但质量参差不齐，甚至部分系统数据缺失频繁等问题。针对这一问题，我们提出了基于多视图的深度学习的交通数据融合与补偿方法，实现了多元数据从孤立采集到协同贯通的转变。在实际应用中，该技术在江苏省的高速公路落地。据应用单位反馈，在团雾、暴雨等恶劣天气情况下，传统检测设备的数据容易缺失，部分缺失率甚至超过30%，严重影响运行研判。引入项目的多模态融合和动态补偿模型后，有效解决了单一数据源覆盖不足的问题，为后期调度决策提供了可靠支撑。在数据缺失率达15% - 40%的情况下，利用我们的技术可显著降低以往插补的误差，有效提升突发事件的处置效率，进而提高高速公路运行安全水平。

在决策和控制层面，我们形成了车路云协同控制与决策优化技术，相比于传统的固定配时和感应控制，实现了主动调控。针对混合交通环境下协同难、信号控制响应慢的问题，我们利用人工智能技术，引入多智能体的强化学习和分布式优化方法，实现了控制策略从规则驱动向数据驱动的转变。在城市交通应用中，我们的合作企业在南京落地实施了网联车探测状态感知的交叉口强化学习信号控制方法，在南京市多个交叉口实际应用，效果良好，对交叉口通行效率的提升以及平均延误排队长度治理水平的提升都起到了积极作用。去年春运期间，整个系统自动调整信号配置达千次，高峰期有效提升了通行能力。

在系统层面，我们构建了一个一体化的协同管控和智能调度平台，将上述核心技术集成到感算控一体化平台中，打通了多部门和多系统的壁垒，实现云边端的协同调度。该平台已在南京、苏州等十余个城市和高速公路运行使用，有效支撑了交通事件的智能处理，提升了通行效率，压缩了应急响应时间。根据应用单位真实反馈：该平台应用后，城市交通大脑实现了跨部门事件的研判、调度、处置、反馈闭环管理。

总的来说，该项目突破之处，不仅在于提出了新的方法和技术，更在于通过真实路段和应用单位的实际需求，有效缓解了以前数据不准、决策不快、协同不畅等行业痛楚，展示了数字交通技术从理论创新走向实际工程落地的实际价值，为江苏高速公路和城市道路综合治理能力的提升贡献了一份力量。

您在交通工程领域深耕多年，据您观察，当前智慧交通发展方面存在哪些瓶颈？对此，您及团队是否已开展相关研究或规划下一步技术突破方向？

随着数字经济的不断发展，您认为，AI等数字技术与交通工程的结合会催生哪些新的业态或应用场景？在跨学科人才培养方面，我们可以做哪些努力呢？对于有志于投身该领域的青年，您有哪些建议可以分享吗？

——从业态和应用层面来看，我认为，目前正呈现出以下三大趋势。

1.从运输角度而言，交通即服务（MaaS）正朝着智能化方向跃迁。AI技术能够将出行规划、预约、支付以及个性化推荐等功能整合，实现从一站式服务向主动式智能化伴侣的转变。

2.从交通基础设施角度来讲，基础设施的数字孪生运营成为趋势。借助高精地图、高精度建模和实时仿真技术，可对交通基础设施的规划、建设、管理、养护、运营、服务乃至投资（建-管-养-运-服-投）等环节提供一体化服务，实现从被动响应到主动运营与干预的革命性变革。

3.智能驾驶生态正协同进化。从过去的单车智能和车路协同，到当前的车云协同和车路网云一体化，整个智能驾驶的生态本质上在进行系统变革，体系化、系统化更强，但是复杂度、韧性、鲁棒性要求也愈高，将催生一些新业态，如智能货运编队、无人配送网络（包括无人机和无人车协同）、传统道路交通资源动态使用、碳交易市场以及绿色革命相关的新兴市场等。

——要实现以上技术愿景和场景应用，关键在于人才。目前，急需打破学科壁垒，从以下三方面进行人才培养。

第一，更新人才培养理念，优化培养方案与课程大纲。要着力培养学生的思辨力、学习力、创造力、领导力“四力”核心素养，系统强化数智思维、计算思维、设计思维、交叉思维“四种思维”。以往的专业设置过细，存在一定局限性，例如传统交通工程专业要实现生命力提升，就应融合应用数学、数据科学、机器学习和伦理法规等课程，丰富教学内容。

第二，推动项目式学习。与高科技企业共建实验室，与运营生产企业共建工程中心，通过项目式学习，让学生直面真实场景下的复杂系统问题，提升解决实际问题的能力。

第三，实行双导师制度。东南大学在这方面开展得较为成功，无论是研究生培养计划还是本科生校外实习，都采用高校教授与产业专家共同指导的双导师制，培养既具备理论深度又拥有工程实践能力的复合型人才。

——对于有志于投身该领域的青年，我结合自身经验与思考，给出以下三点建议。

第一，夯实综合性知识结构体系，打造自身成为厚基础、宽口径、重交叉的复合型人才。不必拘泥于自己是理科生、工科生还是文科生，“世事洞明皆学问”。纵向看，要深入钻研交通运输工程的核心专业知识，这是由其行业专业属性决定的；横向而言，要广泛涉猎AI、通信、伦理、社会科学等人文社科、计算机知识。青年人思想活跃，树立成为复合型人才的观念，重构自己“厚基础、宽口径、重交叉、强创新”的知识结构，解放思想，深入实践。

第二，秉持实事求是的态度，主动投身实际场景与现场。真正的创新源于对实际问题的深刻理解与洞察。无论是教授、青年教师，还是硕士、博士研究生，都应深入一线施工现场、工地或运营管理场景，与一线工作人员交流，从中寻找研究灵感与课题发现点，做到从实际中来、到实际中去。

第三，培养系统思维与伦理意识。交通运输是一个关乎公共安全与社会整体的复杂系统。在构建模型、设计算法、乃至技术决策时，须充分考虑其对社会的影响以及长期价值。