实际业务：公安交管信号控制大模型

编者按：随着城市化进程的加快，城市规模不断扩大，人口和车辆数量急剧增加，交通拥堵、交通事故等问题日益严重。传统的交通信号控制方法，如固定周期的信号灯控制、人工指挥等，已经难以满足现代城市交通的复杂需求，迫切需要更加智能、高效的交通信号控制技术来提高交通效率、减少拥堵和降低事故风险。

在2025年（第九届）交通信号控制发展年会中，中国人民公安大学交通管理学院工学博士、硕士研究生导师王晟由，发表了《大模型驱动的智能交通信号优化思考》主题报告。

王晟由就当前大模型发展现状及优势进行了详细分析，并对大模型驱动下的智能交通信号优化课程应用情况，在交管业务应用中的实际情况，分享了经验与看法。

随着人工智能技术的蓬勃发展，大模型逐渐成为各领域研究和应用的热点。尤其是在今年，DeepSeek大模型的出现，为众多行业带来了新的机遇和变革，也让我们开始深入思考其与道路交通信号控制领域融合的可能性。今天，本文将就这一主题，和大家分享一些近期的探索与思考。

1.1发展现状

大模型的发展历程，要追溯到2017年Transformer架构的诞生。在此之前，大模型的研发主要有两种不同的模式。一种模式是科研人员试图从架构层面挖掘世界的规律，期望构建出一个能够涵盖所有规律的框架模型。另一种模式则是以BERT模型为代表的参数型架构，它利用海量的参数来记忆世界的规律，通过对大量数据的学习，让模型具备强大的知识储备和处理能力。

谷歌推出的Transformer架构，在大模型发展进程中具有里程碑意义。它证明了像BERT这种类型的大模型在性能表现上更为出色。此后，大模型便沿着这个方向不断进化，其中ChatGPT的出现更是引发了全球范围内的广泛关注。从ChatGPT3.5到4，再到近期的一些新模型，它们的不断迭代给各行各业带来了颠覆性的变化，让人们看到了人工智能的巨大潜力。

然而，由于美国的技术封锁，中国的IP无法直接使用ChatGPT等模型，也难以实现本地化部署，这在一定程度上限制了我们对这些先进技术的应用和研究。直到今年，DeepSeek大模型的横空出世，打破了这一局面，给我们带来了新的希望。

1.2模型优势

与ChatGPT等美国大模型相比，DeepSeek具有多方面的显著优势。在准确性方面，DeepSeek表现出色，能够提供更为精准的回答和结果。更为重要的是，在涉及中国专业性知识时，它的表现远超美国同类模型。无论是输出内容的复杂性，还是针对中国特定领域知识的准确性，DeepSeek都展现出了强大的能力。

另外，DeepSeek支持开源本地化部署，这对于一些对数据安全和隐私要求较高的行业，如交通管理领域，具有至关重要的意义。使用ChatGPT4或其他类似模型时，我们需要将信息传输到远端服务器，再获取输出结果，可能存在安全风险。而DeepSeek的本地化部署，则可以有效避免这些问题。同时，DeepSeek的价格相对较为便宜，这也为其大规模应用提供了经济可行性。

目前，公安大学交通管理工程专业开设了《道路交通信号控制》课程，课程时长32课时，采用理论授课与实验仿真相结合的教学方式。学生运用Vissim、Synchro软件模拟不同交通场景，进行信号配时优化。课程内容涵盖信号控制基本参数、指标参数、交叉口运行状况分析、单点定时信号控制配时设计方法、干线绿波信号协调控制配时设计方法以及交通信号控制系统简介等。

为提升教学效果，中国人民公安大学将DeepSeek引入课堂，构建了《道路交通信号控制》课程助教。学校已本地化部署DeepSeek，保障核心数据不出校。

基于这个平台，我们开发了课程助教功能。课程助教在理论教学方面发挥了重要作用。学生可以随时向其提问关于信号控制的各种知识点，课程助教能够给出全面且详细的回答。例如，当学生询问“道路交通信号控制有哪些知识点”时，它不仅会涵盖技术方面、优化方面的内容，还会介绍信号控制的标准规范以及实际应用等方面的知识。而且，如果学生针对某个回答进行细节追问，课程助教也能进一步解答，帮助学生深入理解知识点。

在案例实操环节，课程助教的“交通版剧本杀”功能深受学生欢迎。它能够随机生成各种复杂的路况场景，让学生在接近真实的环境中进行实践操作。同时，课程助教还会给出相应的解题步骤、思考过程以及涉及的理论知识，引导学生逐步掌握解决实际问题的方法。

此外，课程助教还具备“开卷式指导”和“辅导哪里不会点哪里”的功能。在学生进行计算等操作时，它会像副驾驶员一样，及时提醒学生可能出现的错误。当学生遇到不懂的地方时，只需点击相应内容，课程助教就能提供解释和帮助。

在信号控制优化方面，我们也设想了将大模型融入其中的方案。一方面，大模型可以根据用户输入的语义指令，自动生成路口模型，并完成信号的配时和优化工作。

另一方面，我们计划开发仿真问答式助手和拟人化操作功能。仿真问答式助手类似于百度地图中接入的智能问答模块，当学生在使用仿真软件过程中遇到问题，无需再翻阅厚厚的操作手册，直接通过以DeepSeek为代表的大模型问答助手就能快速获得解答。拟人化操作则借鉴了香港科技大学的经验，学生输入一段语义指令，大模型可以理解并自动生成仿真操作步骤，直接输出优化方案和效果，帮助学生从单纯的软件操作工转变为策略设计师。

3.1教学试点

将AI赋能于道路交通控制仿真软件教学试点，把大模型引入交通控制仿真软件。借助大模型强大的泛化和零样本推理能力，让学生在短时间内理解交通软件的使用和原理，并能根据自然语言进行数据与参数调整，得出交叉口延误、最佳配时、信号相位顺序、机动车冲突点位等信息，帮助学生理解理论原理。

3.2仿真系统智能化

在交通信号仿真软件中部署大模型，使其具备拟人操作、结果输出和策略反馈的功能。这样可以缩短仿真过程，增强优化效果，实现仿真系统智能化、实际应用精准化的目标。例如香港科技大学基于大语言模型开发的交通信号灯控制智能体，以及百度地图接入DeepSeek，都为大模型在交通领域的应用提供了借鉴。

在公安实战的道路交通管理领域，大模型同样具有广阔的应用前景，能够为解决实际问题提供新的思路和方法。

4.1智能信号方案优化

目前，虽然各地都在推行智能信号优化方案，但在实际应用中，这些方案与现实世界的契合度还不够高，仍然需要工程师与交警紧密配合。在面对路段拥堵时，各地交警大多还是依据经验进行处理，缺乏更为科学和精准的手段。

当接入DeepSeek大模型后，这种情况有望得到改善。交警可以根据指挥平台上显示的拥堵情况，如某个路口出现拥堵（以红点标识），直接向大模型输入语义指令，例如“请针对某某交叉口进行信号配置的优化”，或者提出更为具体的要求，如“优化某某交叉口，优先保障公交和行人”，同时输入该路口的流量等相关数据。大模型根据这些信息，快速生成信号配置优化方案。交警的工作则从手动调整信号灯转变为对优化方案的审核，只需将审核通过的方案应用到指挥平台，就能实现方案审核与输出的一体化联动，提高工作效率，减少人力成本，避免“人海战术”。

4.2智能识别-自动定位-应对策略一体化

在交通管理领域，大模型突破传统固定标签（如车辆颜色、车型、牌照等）的限制。利用大模型，对视频或记忆图片中的所有内容进行自动标签化。这样，在追缉特定车辆或检索交通事件时，我们只需使用语义描述，如“一辆礼车上扎了一个鲜花”，大模型就能快速定位到相关车辆。在交通事故处理方面，借助大模型，我们可以实现更精准的定位。当110报警后，我们只需输入事故发生的时间、大概情况等语义信息，大模型就能快速定位到相关视频，无需人工反复查找。此外，大模型还能够自动识别以前未发生过、未标签过的事故类型，让我们从被动的交通管理模式转变为主动管理，大大提升交通管理的效率和准确性，就如同给民警配备了一个24小时不间断工作的AI侦察兵。

4.3智能终端管理

随着移动互联网技术的发展，手机在人们生活中的使用场景越来越多，电脑的使用频率逐渐降低。在道路交通信号优化工作中，传统的工作流程存在明显的弊端。例如，当在路上遇到事故或突发交通事件时，交警需要急匆匆地赶回指挥大厅，打开电脑进行信号配置优化，经过审核后再将优化方案输入到信号机或指挥系统中。这一系列繁琐的流程往往会导致延误最佳的信号配时和优化时机，使拥堵情况进一步加剧。

为了解决这一问题，我们设想引入智能终端。巡逻交警在遇到突发情况时，只需用手机拍一张照片，并输入相关指令，如“货车占道请优先清通这个通道”，智能终端就能借助大模型快速生成3-5个信号配时方案。民警只需从中审核并选择最佳的优化配时方案，点击审核通过，与之对应的信号灯、电子提醒、围栏等相关设备就能立即完成优化，整个过程几分钟内即可完成。

未来，我们希望信号控制、优化指挥不再局限于指挥大屏，而是能够部署在每一辆巡逻车上、每一部警务通上，让民警随时随地都能通过手机操作实现信号的配时和策略优化。例如，民警在食堂吃饭时，看到群众在微博上吐槽某个路口拥堵，或者自己发现某个地方亮红灯时间过长，只需在手机上进行简单操作，就能完成信号优化工作。

5.1算力

算力是制约大模型发展和应用的关键因素之一。目前，算力资源存在分配不均的情况，有些地方算力不足，而有些地方则出现过剩现象。如何实现算力的智能共享，确保资源既不浪费又不过热，是我们需要解决的重要课题。

5.2数据

数据方面存在数据方言过多、设备陈旧、数据覆盖度不足以及部门壁垒等问题。设备陈旧导致视频识别像素低，影响识别准确性；数据覆盖度不够制约智能化水平的实现；部门之间的数据打通和对齐困难，阻碍技术落地。

5.3模型

模型尚处于发展阶段，存在想象力过于丰富但严谨性不足的问题，输出内容可能出现看似专业但实际与事实不符的情况。信号配时优化是未来大模型垂直应用的重点发展方向，但目前模型训练和应用还需进一步探索。

5.4工具

各地受算力限制，多以32B模型为主，与满血的671B大模型存在差距。如何进行更有效的模型部署，构建个人化和当地单位的知识库，并进行本地部署和训练，是未来需要探索的方向。

5.5应用

在道路交通控制中，大模型对于传统早高峰、晚高峰的信号优化方案输出较为稳定，但在应对大型活动、暴雨等特殊情况导致的道路障碍时，准确性不足，输出结果过于泛化，应用落地的“最后一公里”问题有待突破。

6.1“警+校+企”三方合作

大模型驱动“警+校+企”三方齐力合作。警方负责提供需求和交通数据；学校承担大模型理论研究、技术创新的任务；企业将技术转化为实际产品和服务。通过建立三方会议制度，讨论项目进展、解决合作中遇到的问题；搭建三方共享数据平台，确保数据安全和共享高效性；成立项目组专注大模型驱动智能交通信号优化研究。

6.2人才培养与交流

警校企共同制定人才培养方案，开展联合培养项目。学校教师到警企挂职锻炼，了解实际技术需求和工程实践情况；警企专业人员到学校担任兼职教师，将实际项目经验带入课堂；警方人员到学校和企业学习大模型技术和智能交通系统知识；同时，警方为学校和企业提供交通管理的实际案例和需求，促进人才培养和技术交流。

6.3强化评估与持续改进

定期对信号优化方案进行评估，根据评估结果及时调整优化方案。不断探索新技术和方法，对大模型进行优化和升级。密切关注行业最新发展动态，及时引入新理念和技术，推动智慧公安交管建设。

DeepSeek大模型的出现，为智慧公安建设带来了新的机遇，但同时也伴随着诸多挑战。衷心期待能够与警方、企业方、校方等各方携手合作，共同推动这项技术在道路交通信号控制领域的落地应用，让每一盏信号灯都能拥有“思考”的能力，让每一条道路都能流淌着效率与安全。