2026年4月2日14：00，中南大学自动化学院智慧交通团队第1次学术研讨会在升华后楼504举行。本次研讨会由调度研究小组的24级博士田君豪、24级硕士李汶霖、24级硕士易佳琪和25级硕士李泽龙4位同学进行学术报告分享，桂瑰老师、邢璐老师与陈显达老师，以及团队全体同学共同参加本次研讨会。

研讨会伊始，邢璐老师和陈显达老师向各位同学强调了恪守学术诚信的重要性，明确要求严禁任何学术不端行为。随后，两位老师系统梳理了从文献调研、明确投稿期刊、制定研究方案、搭建论文框架直至最终撰写、查重投稿的全流程规范，并特别指出学生作为论文的第一责任人必须严谨对待数据、图表和参考文献，投稿前需经导师最终确认并留存所有原始材料。在此基础上，两位老师还详细讲解了摘要、引言、贡献点等关键章节的写作逻辑，鼓励同学们通过精读高水平英文文献进行模仿学习，并善用AI工具进行语言润色而非直接生成内容，从而在严守学术规范的前提下，高效提升论文质量与科研素养。

                邢璐老师讲解学术规范中                  

陈显达老师介绍写作技巧中

然后，田君豪同学以《需求响应式公交站点选址与路径规划研究》为主题进行学术分享。在研究背景方面，田君豪同学指出，传统公交长期采用站点固定与线路固定的运行模式，导致乘客出行需求与公交服务供给之间难以精准匹配，加之轨道交通、网约车等的分流，公交客运量持续下滑。然而在低密度区域如城乡结合部、远郊乡镇和大学城，以及大型赛事、演唱会或早晚高峰产业园区等潮汐性大客流接驳场景中，需求响应式公交依然具有重要的发展价值。针对现有站点选址研究存在的传统聚类算法缺陷、深度聚类导致空间割裂以及跨域迁移能力不足等问题，他提出了一种基于地理自编码器的分层聚类框架，利用不同城市的公交出行数据，采用迁移学习策略，实现了需求导向的站点规划。在路径规划方面，面对已有方法预先划定上下车区域和预设车队规模等局限性，田君豪同学先结合图论改进了Q-learning算法以应对复杂网络下的维度爆炸和局部最优收敛问题，进而引入软时间窗约束并设计多智能体近端策略优化算法求解多车协同路径规划。针对自由接驳场景下任意点上下车所带来的问题复杂度显著提升的挑战，他进一步提出了分层强化学习框架，通过上下层协同优化有效平衡了服务率、乘客等待时间与运营成本。未来他计划结合实际路网结构、站点间距与换乘衔接等现实约束继续优化站点选址，并进一步探索服务率与运营成本之间的动态平衡，推动需求响应式公交从理论模型走向实际应用。

田君豪同学分享结束后，现场老师和同学围绕研究内容展开了深入交流与讨论。大家站点选址方法的原理和效果，以及路径规划方法后续可以纳入考虑的约束条件等提出了建设性意见。

田君豪同学分享中                      

桂瑰老师提问中

随后李汶霖同学以《基于语义增强的交通路网研究》为主题进行学术分享。在研究背景方面，李汶霖同学指出，城市化进程使交通系统日益复杂，传统智能交通系统主要依赖几何路网模型，缺乏对道路功能、周边环境等语义信息的深度理解，难以满足复杂场景下的实际需求。与此同时，开放路网数据虽包含丰富的几何、拓扑和属性信息，但多为非结构化或半结构化，缺乏统一的语义表示，给数据感知、语义重构和知识应用三个层面带来了挑战。针对上述问题，李汶霖同学首先完成了基于动态注意力的路网冗余节点识别与删除方法研究，提出了一种多模态特征融合的自编码器模型。该模型整合路网的拓扑结构、几何特征与语义信息，通过三个独立分支编码器分别挖掘不同维度的特征，再引入门控融合机制进行自适应融合，最终依据融合后的特征对路网节点进行重要性排序，从而在保证关键结构完整的前提下有效剔除冗余节点。在此基础上，李汶霖同学正在开展第二阶段的语义增强研究，目标是进一步将简化后的路网骨架转化为语义丰富、结构规范的数据。她借鉴多粒度语义分层思想，从宏观、中观、微观三个层次提取路网实体的特征，同时创新性地采用兴趣点数据替代传统轨迹数据以降低获取难度，并引入时空一致性约束机制来解决语义融合过程中的时空冲突问题，为后续构建轻量化、高质量的路网知识图谱奠定基础。未来她计划继续推进语义增强实验的验证工作，通过消融实验和对照实验系统评估多粒度特征融合、兴趣点数据替代以及时空一致性约束的有效性，最终实现路网数据从结构简化到语义增强的完整演化。

李汶霖同学分享结束后，现场老师和同学围绕研究内容展开了积极交流与讨论。大家就兴趣点数据替代轨迹数据的适用场景以及时空一致性约束的具体实现方式等问题提出了建设性意见。

               李汶霖同学分享中                                                                                        桂瑰老师提问中

紧接着，易佳琪同学以《STGCTF: A Dual-Branch Graph Convolution Transformer For Traffic Forecasting》为主题进行学术分享。在研究背景方面，易佳琪同学指出，交通数据具有复杂的空间依赖关系和显著的时空异质性特征，不同地点在不同时段会呈现出差异化的交通模式，这给精准预测带来了巨大挑战。针对现有方法难以同时捕捉复杂空间依赖和异质时空特性的问题，易佳琪同学提出了一种双分支图卷积变换器模型，命名为STGCTF。该模型在空间维度上构建了静态与动态双图卷积模块，在时间维度上引入了时空变换器分支，通过双分支并行提取时空特征，并设计了一种门控自适应机制对两个分支的输出进行节点级的自适应融合。具体而言，模型首先利用历史嵌入、周期嵌入和自适应嵌入构造输入表示，再通过时空变换器中的时间注意力与空间注意力层捕获异质时空依赖，同时图卷积分支负责建模复杂的空间拓扑关系，最后门控模块根据每个节点的特征动态调整两个分支的贡献权重，从而实现对不同位置、不同时段交通模式的自适应建模。在多个公开交通数据集上的实验结果表明，STGCTF在预测精度和稳定性方面均优于多种主流基线方法。易佳琪同学还分析了模型层数、隐藏维度和批量大小等超参数对预测性能的影响，为模型的实用化配置提供了参考依据。

易佳琪同学分享结束后，现场老师和同学围绕研究内容展开了深入讨论。大家就双分支融合中门控自适应机制的具体实现原理、静态与动态图卷积的构建方式以及实验参数的选取等问题提出了修改建议。

最后，李泽龙同学以《电动汽车充电站分配与充放电功率的双层博弈调度策略研究》为主题进行学术分享。在研究背景方面，李泽龙同学指出，电动汽车规模化接入后，充电行为的不确定性与集中性容易引发局部过载和电价波动，而用户基于个体理性如距离或即时费用选择充电站，往往忽略系统整体运行效率。现有研究通常将站点分配与功率调度两类问题分开处理，但两者在实际运行中强耦合。为此，他提出了一种双层协同优化框架。上层问题负责电动汽车在多充电站环境下的站点选择与排队分配，通过多目标优化最小化用户的时间成本与经济成本，采用精英引导的人工蜂群算法求解，并引入离散事件仿真模拟车辆到达、排队、充电和离开的全过程。下层问题在给定车辆接入结构下构建非合作博弈的充放电功率调度模型，每辆电动汽车在满足自身充电需求、电池容量和功率约束的前提下，通过充放电策略最小化电费与电池退化成本。该下层问题被证明存在唯一纳什均衡，李泽龙同学进一步提出了快速自适应交替方向乘子法，引入自适应正则参数调整和Nesterov加速策略，显著提升了收敛速度。在多个仿真场景中，所提双层框架在时间成本、充电成本和均衡解质量方面均优于多种主流多目标优化算法和最近距离启发式策略，且下层求解效率较传统方法大幅提高。未来李泽龙同学计划结合深度强化学习优化两层调度，引入可再生能源与储能系统构建光储充一体化模型，并在真实数据集上进一步验证模型效果。

李泽龙同学分享结束后，现场老师和同学围绕研究内容展开了热烈讨论。大家就电价负载闭环反馈机制、精英引导人工蜂群算法的多目标平衡策等问题提出了建设性意见。

                                                                            易佳琪同学分享中                                                                                   

                                                                                李泽龙同学分享中                                                                                      

所有同学汇报结束后，桂瑰老师进行了总结，桂老师鼓励大家在日常学习生活中多交流、多碰撞，主动打破研究方向之间的“壁垒”，通过跨课题的讨论与协作激发创新灵感。她特别强调，科研从来不是单打独斗，团队内部的知识传承与经验分享至关重要，希望高年级同学继续发挥“传帮带”作用，低年级同学也要勇于提问、敢于尝试。整场研讨在积极而浓厚的学术氛围中顺利结束。