ICS 35.240.99 CCS L 73 团体 标准 T/CI 155—2023 基于多模态大模型的智慧交通出行技术规 范 Technical specifications for intelligent transportation based on multimodal large models 2023 - 09 - 28发布 2023 - 09 - 28实施 中国国际科技促进会 发布 全国团体标准信息平台 T/CI 155 —2023 I 目次 前言 ................................ ................................ ................. II 1 范围 ................................ ................................ ............... 1 2 规范性引用文件 ................................ ................................ ..... 1 3 术语和定义 ................................ ................................ ......... 1 4 缩略语 ................................ ................................ ............. 1 5 基于多模态大模型的智慧交通出行技术框架 ................................ ............. 2 6 数据采样与建模融合 ................................ ................................ . 2 7 多模态机器学习大模型 ................................ ............................... 4 8 基于机器学习的智慧出行多模态大模型应用场景 ................................ ........ 11 全国团体标准信息平台 T/CI 155 —2023 II 前言 本文件按照 GB/T 1.1 —2020《标准化工作导则 第1部分：标准化文件的结构和起草规则》的规定 起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。 本文件由南方科技大学提出。 本文件由中国国际科技促进会归口。 本文件起草单位：南方科技大学、长春理工大学、中国第一汽车集团有限公司、北京大学、华为技 术有限公司、 浪潮通用软件有限公司 、同济大学、中国检验认证集团深圳有限公司、 中山大学 、天津大 学、上海理工大学 、北京交通大学、重庆大学、 北京嘀嘀无限科技发展有限公司 、北京高科中创科学技 术中心、 深圳市骏嘉科技发展有限公司、深圳市铠硕达科技有限 公司、深圳浑沌数字化实验室科技有限 公司、深圳树米网络科技有限公司、汕头大学、吉林省卡思特科技有限公司、吉林省中云数讯股份有限 公司、超智研发中心（深圳）有限公司、碳猎研发中心（深圳）有限公司、深圳安视信息技术有限公司、 苏州奇盈半导体科技有限公司、维旭长电科技（深圳）有限公司。 本文件主要起草人：宋 轩、陈纪元、王宏俊、杨华民、王兴山、赵卫东、 朱金波、谢洪彬、张浩 然、张家祺、冯德帆、宋 歌、张嘉晖、李昊洋、吴季泫、陈孙兵、陈天乐、张凌宇、 由林麟、胡清华、 刘振栋、金 一、李浥东、贾云健、 吴国斌、 王潇、梁舰、张 昕、宋小龙、刘 妍、周时莹、李长龙、 孙宗姚、王中一、谢 奕、高 亮、陈 欣、陈 瑶、袁 飞。 全国团体标准信息平台 T/CI 155 —2023 1 基于多模态大模型的智慧交通出行技术规范 1 范围 本文件确立了智慧交通出行技术的数据采样、数据预处理、多模态大模型流程逻辑，描述了智慧交 通出行应用场景，并提出了性能评估指标要求。 本文件适用于基于机器学习的智慧交通出行技术平台建设， 以及多模态信息融合智慧交通大模型应 用。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。 其中， 注日期的引用文件， 仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本 文件。 GB/T 5271.34 -2006 信息技术 词汇 第34部分:人工智能 神经网络 GB/T 34678 -2017 智慧城市 技术参考模型 GB/T 35295 -2017 信息技术 大数据 术语 GB/T 37043 -2018 智慧城市 术语 GB/T 41867 -2022 信息技术 人工智能 术语 3 术语和定义 GB/T 5271.34 -2006、GB/T 34678 -2017、GB/T 35295 -2017、GB/T 37043 -2018、GB/T 41867 -2022 界定的以及下列术语和定义适用于本文件。 3.1 邻接矩阵 adjacent matrix 用以表示交通图数据中不同节点的空间相关性权重的二维正方形矩阵。 3.2 欧式距离 euclidean 符合现实物理世界定义的距离评判标准。 3.3 注意力机制 attention mechanism 通过额外的神经网络参数控制网络关注点的一种手段。 3.4 周期学习率 cyclic learning rate 对神经网络学习率的一种调整手段。 3.5 随机失活 dropout 对神经网络神经元进行随机失活的一种手段。 4 缩略语 下列缩略语适用于本文件 。 GPS: 全球定位系统 (Global Positioning System) RNN：循环神经网络（ Recurrent Neural Network ） LSTM：长短期记忆网络（ Long Short -Term Memory ） CNN：卷积神经网络（ Convolutional Neural Network ） RMSE：均方根误差（ Root Mean Square Error） 全国团体标准信息平台 T/CI 155 —2023 2 MAPE：平均绝对百分比误差（ Mean Absolute Percentage Error ） GCN：图卷积网络（ Graph Convolutional Network ） 5 基于多模态大模型的智慧交通出行技术框架 以多模态大模型为基础的智慧出行技术规范中包含了数据采样层、 数据预处理层和多模态机器学习 层，技术体系具体见图 1。多模态大模型融合了多种数据来源，在知识掌握中有着更加全面的认识。该 规范符合现代技术的要求和常规流程， 可以为与广大人民群众日常生活紧密相连的如规划行程路线 ，选 择交通方式，避开拥堵地段等等应用提供一个完整、统一、规范的标准 ，为智慧城市面临的挑战提供智 能化和科学化的支持 。 图1 基于多模态大模型的智慧交通出行技术体系 6 数据采样与建模融合 数据采样来源 6.1 6.1.1 道路信息数据 包括路网结构，各种交通政策和规则，如道路限速、禁行规定、停车规定、高峰期限行规定等对于 交通模型的构建和优化都很重要的数据。 6.1.2 土地使用模式数据 土地使用模式（比如住宅区、商业区、工业区的分布）可以影响人们的出行需求和路径选择，因此 也需要收集和分析这类数据。 6.1.3 GPS追踪数据 汽车和移动设备的 GPS数据可以用 于实时交通流量监测和预测，路线规划，以及对共享出行服务的 需求预测。 全国团体标准信息平台 T/CI 155 —2023 3 6.1.4 公共交通数据 公共交通数据主要包括公交车、火车、电车等公共交通工具的时刻表和实时运营数据，可以用于优 化公共交通服务， 改善出行体验。 共享单车、 共享汽车、 拼车服务等提供商的数据， 可以用于需求预测、 价格优化和服务改进。 6.1.5 交通传感器数据 道路上的交通传感器可以提供实时的交通流量、车辆速度、交通灯状态等信息，用于交通管理和预 测。 6.1.6 遥感数据 卫星遥感图像可以提供大范围的地表覆盖情况和道路网络信息（如山丘、河流、湖泊、桥梁等，可 能会影响交通路线的选择和交通条件），也可以用于监测交通流量和拥堵情况。 6.1.7 新闻数据 与交通有关的新闻（广播）数据可以提供各路段的拥堵以及事故情况，可以帮助大模型实时修正预 测结果。 6.1.8 社交媒体数据 社交媒体如微博数据可以提供各处民众对于交通情况的实时观测， 可以帮助大模型实时修正预测结 果。 6.1.9 移动应用数据 像高德地图和滴滴打车这样的移动应用生成的数据，如用户的搜索和出行记录，可以提供用户个性 化的丰富的出行行为信息。 6.1.10 物联网数据 如车载传感器、智能信号灯、智能停车场等 IoT设备生成的数据，可以提供实时