2026年5月7日14：00，中南大学自动化学院智慧交通团队第2次学术研讨会在升华后楼504举行。本次研讨会由交通预测研究小组的24级博士李坤鹏、25级博士蔡燚、24级硕士薛建强和多车协同研究小组的25级博士李紫宜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。

首先，李坤鹏同学以《面向城市交通出行需求的OD流量预测方法研究》为主题进行学术分享。他指出，随着城镇化推进、出行方式日益多样以及通勤需求持续增长，城市交通系统的动态性、耦合性与不确定性显著增强，传统依赖事后响应的交通管理方式已难以满足精细化治理需求。在此背景下，交通预测正由单纯的状态估计逐步走向需求感知与主动管控，其中OD流量预测能够进一步回答“出行从哪里来、到哪里去”的关键问题，在客流组织、运力调度和出行引导中具有重要意义。针对现有研究中方向性刻画不足、固定图结构难以表征高阶关联、语义信息融合不充分等问题，他构建了面向OD预测的多视角超图学习框架，从语义、空间和行为三个层面刻画OD对之间的复杂关系；同时结合POI明细信息，提出原型—互补感知的语义增强方法，将离散站点功能特征转化为稳定的语义关系表示。在此基础上，他进一步设计了OD-DO非对称双流预测结构，引入反向流辅助建模，并采用Transformer增强时序依赖学习能力。实验结果表明，POI语义增强、多超图关系建模以及DO互补机制均能有效提升预测精度，最终模型相较于LSTM和普通Transformer取得了更优表现。未来，他将继续完善模型结构与实验体系，深化各模块机理分析，并推动研究从轨道交通场景向更广义的城市多方式交通拓展，为后续跨区域、跨场景的OD预测研究奠定基础。

李坤鹏同学分享结束后，现场老师和同学围绕研究内容展开了深入交流与讨论。大家对超图构建与空白数据掩码等提出了建设性意见。

                                       李坤鹏同学分享中                                                               老师提问中

随后蔡燚同学围绕《大型活动下异常客流预测》和《基于大模型的交通量预测》两个方面展开了系统汇报。她指出，演唱会、体育赛事、展览艺术节等大型公共活动往往会在短时间内引发地铁客流的突发性增长，给周边交通基础设施带来显著压力，而传统依赖历史规律的客流预测方法由于事件样本稀缺、波动模式复杂、异常与常规客流相互干扰，难以适用于此类场景。针对现有研究依赖外部标签、异常识别自动化不足以及小样本条件下模型易过拟合等问题，她提出了“异常识别—样本增强—预测建模”一体化技术框架，先通过STL-孤立森林结合散度阈值的方法自动识别异常客流，再利用线性插值与TimeGAN增强异常样本，最后基于改进KNN算法实现异常客流预测，有效提升了重大活动场景下的预测精度与稳健性。与此同时，在交通量预测部分，她进一步关注深度学习模型可解释性不足、少样本泛化能力有限以及多模态信息融合困难等问题，构建了结合静态语义、时序流量与图结构关系的大模型预测框架。通过地图匹配获取传感器静态属性，并将其转化为文本语义向量，再与LSTM提取的时序特征进行交叉注意力和门控融合，结合GraphRAG混合检索以及LLM+LoRA方法开展交通量预测，在提升预测性能的同时增强了模型的推理解释能力。未来，她计划继续围绕复杂交通场景下的异常模式建模与大模型可解释预测开展深入研究，进一步提升模型在真实交通系统中的泛化能力、稳定性与应用价值。

蔡燚同学分享结束后，现场老师和同学围绕研究内容展开了积极交流与讨论。大家就大语言模型在交通预测任务中的应用以及模型只是注入等问题提出了建设性意见。

                                         蔡燚同学分享中                                                              全体讨论中

紧接着，李紫宜同学以《Driving manipulation analysis and control reconfiguration of heavy-haul trains》为主题进行学术分享。她指出，重载列车作为国家能源运输的重要载体，具有载重大、惯性强、操纵复杂等特点，当前运行过程仍较多依赖人工驾驶，司机操纵方式的差异不仅会影响列车能耗、运行平稳性与运输效率，还可能诱发脱钩、断钩甚至脱轨等安全风险，因此从人因视角研究驾驶操纵行为及其与列车运行控制之间的耦合关系，具有突出的理论意义与工程价值。针对现有研究更多关注系统故障与设备故障、而对人为因素关注不足的问题，她从多模态融合、异常驾驶行为识别、预警规避以及运行优化控制等层面展开研究，提出将操纵数据、生理状态、面部识别与疲劳特征等多源信息协同建模，构建面向“人—车—路”协同的重载列车驾驶行为分析框架；在故障辨识方面，通过聚类分析、操纵逻辑与时序关系建模，实现对异常驾驶行为和典型故障的精准识别，并进一步引入马尔可夫链实现由事后分析向事前预警的转变；在控制优化方面，她又构建了重载列车辅助智能驾驶系统，并提出“遗传算法离线优化+DNN在线快速生成”的运行曲线优化方法，通过对能耗、效率和平稳性等目标的协同权衡，形成更加适合辅助驾驶参考的综合优化速度曲线。汇报结果表明，该研究已初步形成从异常辨识、风险预警到辅助控制与安全防护的一体化研究链条，为提升重载列车安全性、平稳性与智能化水平提供了新思路。未来，她计划进一步融合司机操纵习惯、生理状态、注意力水平等更多人因安全信息，并面向雨雪天气、长大坡道等复杂场景，持续推进人机协同控制与自适应优化研究，推动相关成果更好服务于重载列车实际运行。

李紫宜同学分享结束后，现场老师和同学就GA+DNN相结合的学习框架展开了深入讨论，并对于模型的输入约束和输出约束给出参考建议。

                                            李紫宜同学分享中                                                 大家讨论中

最后，薛建强同学以《面向交通异常检测的显式周期解耦记忆增强时空图网络》为主题进行学术分享。他指出，真实交通流数据规模庞大、周期波动显著，但同时又普遍伴随事故、拥堵、施工、恶劣天气以及传感器故障等多种异常因素，这使得异常检测既是交通事件预警的重要支撑，也是提升交通预测、状态评估与控制模型数据质量的关键前提。然而，当前交通异常检测研究仍面临异常标签稀缺、异常类型复杂、噪声干扰强以及正常周期波动与真实异常容易混淆等突出问题，尤其在真实场景下，现有方法对事故标签依赖较强，难以兼顾传感器故障、突发拥堵和群体异常等更广义的异常模式。针对这些不足，他从无监督学习角度出发，提出了显式周期解耦记忆增强时空图网络STGTAD，首先通过工作日/周末双模板以及节点自适应缩放与偏置构建正常周期基准，将交通流显式分解为周期成分与残差成分，从而降低高峰时段的误报风险；随后在周期残差空间中融合GCN与时间自注意力机制，联合建模道路节点间的空间传播关系与时间演化依赖，以增强对上下文异常和持续性序列异常的识别能力；进一步地，他又引入VQ原型记忆、两阶段异常聚焦重构以及多变量高斯概率损失，强化弱异常、局部异常和多指标耦合异常的放大与识别效果。初步实验结果表明，该方法在PEMS08数据集上取得了较好的Precision、Recall、F1和ROC-AUC表现，验证了模型的有效性。未来，他计划继续结合真实事故数据开展人工标注验证，并探索将异常检测结果与交通流预测任务联动，同时融合天气、POI等外部信息，进一步提升模型在真实复杂交通场景中的鲁棒性、解释性与应用价值。

薛建强同学分享结束后，现场老师和同学围绕交通流量数据的异常检测与交通预测如何结合展开了讨论，并对研究如何应用与落地提出了建设性意见。

                                          薛建强同学分享中                                                        老师们提问中

在全体同学完成汇报后，老师对本次学术交流活动进行了总结。老师充分肯定了大家近期在各自研究方向上的思考与探索，同时鼓励同学们在今后的科研过程中进一步加强沟通交流，主动拓展视野，在不同课题之间寻找交叉点与结合点，通过思想碰撞不断激发新的研究思路。最终，本次研讨活动在热烈、融洽的学术氛围中圆满结束。