分享
收藏
点赞
把AI嵌入公交营运完整工作流
从事公交信息化行业这么多年，我亲历行业从GPS监控、智能调度，一路走到今天大模型、AI智能体遍地开花的阶段。但近几年走访各地公交企业，我有一个很深的感受：不少AI项目热闹过后回归沉寂，大屏炫酷，实际营运却依旧依靠调度员的经验拍板。大模型不是万能解药，通用大模型不懂公交复杂的业务约束，只有扎根营运业务的公交垂域智能体，才能真正把海量数据转化成看得见的运营效益。
国内公交积攒了体量惊人的多源业务数据，单一个大型城市，每天就会产生数百万条IC卡刷卡记录、数千万条GPS轨迹，还有海量调度日志、车载监控视频。数据资源非常丰厚，但过去我们并没有把这些数据充分用起来。
传统调度排班模式的短板，这么多年一直没有得到根本性解决。
第一，排班高度依赖老调度员个人经验。编制时刻表、人车分配、处理车辆故障、节假日赶场日运力调整，大多依靠人的经验判断。客流是动态潮汐变化的，路况时好时坏，约束条件复杂耦合，人工很难做到全局最优。经常出现高峰运力不足、平峰“运椅子”空驶，车辆回到场站长时间待班，资源白白浪费。
第二，计划与现实持续偏离，偏差不断累积。车辆故障、道路拥堵、突发大客流，都会打乱原始排班计划。一旦出现扰动，人工只能做局部应急补救，很难兼顾多条线路全局人车资源，计划准点率下降，乘客候车体验随之受损。
第三，线网调整“重经验、轻量化”。面对轨道虹吸、居民出行结构变化，线网需要持续迭代优化。以往线网诊断、新开或者撤销线路，大多依靠调研座谈，缺少分钟级、细空间粒度的全域量化评估，很难精准评估线路调整对周边客流、既有线路带来的连锁影响。
第四，需求响应公交叫好不叫座。现在国内三十多个城市上线了网约式需求响应公交，但普遍遇到痛点：人车匹配耗时长、乘客等待久、车辆空载率高、订单取消率居高不下，服务效率和运营成本很难两全。
通用大模型看似能力强大，但它没有吃透公交行业里司机班制、跨线支援、场站充电、工时合规这一大堆现实硬约束，直接拿来做调度，很容易输出业务上完全不可落地的方案，这也是很多AI项目沦为演示Demo的根源。
看完不少前沿研究与原型实践，我越发认同：公交数智化转型，不能直接套用通用大模型，要构建面向业务的垂域智能体体系，把大模型的推理能力，和公交领域规则、仿真工具、多源数据底座深度结合。
整套架构不是一个大包大揽的单一AI，而是拆解成多个各司其职的专业子智能体，分工协作完成完整营运闭环。
1、数据融合预测子智能体：把杂乱原始数据变成可靠输入
万事始于数据。IC卡、GPS、监控、路况属于多模态异构数据，存在漂移、缺失、时间不同步问题。这个智能体负责多源数据统一编码，融合图卷积GCN、LSTM时间序列模型，完成客流、行程时间的预测，为上层排班调度输出可信的基础状态。没有这一步，后续所有AI输出都是空中楼阁。
2、排班计划生成子智能体：人机协同完成时刻表与人车编排
过去编制全套排班，需要业务人员耗费数天时间。垂域智能体支持调度员自然语言交互，读取保养计划、司机班制、场站约束，自动生成发车时刻、人车分配方案。它不是直接替代调度员，而是把繁重的初版方案生成交给AI，调度员做审核、修正、确认，实现分钟级生成多套备选排班方案，兼顾“二休一”等各类现实班制约束。
3、动态调度子智能体：面对突发扰动实现全局快速应变
车辆故障、道路拥堵、临时大客流，是调度工作的常态。动态调度智能体采用“实时感知+离线推演兜底”双策略。一旦出现计划外事件，一方面基于业务Skill知识库，调用跨线支援、区间车、大站快车等处置策略；另一方面启动离线仿真推演，校验多套调整方案，输出可供调度员选用的调整建议，解决传统模式下扰动之后偏差持续累积的顽疾。
4、SUMO仿真推演工具：方案上线前先做数字沙盘验证
很多系统方案做完直接上线，风险全部转移到真实线路。现在可以把LLM大模型和SUMO交通仿真结合，虚拟生成不同画像的乘客智能体，模拟在这套排班、线网方案之下乘客的出行选择，提前评估准点率、满载率、换乘时长等指标，在数字世界完成方案比选，减少直接上线带来的试错代价。
这套垂域智能体的核心逻辑是：大模型做推理，业务规则守底线，仿真工具做验证，人掌握最终决策权，AI是参谋助手，而不是直接接管生产。
垂域智能体的能力，不局限于排班调度，已经延伸到线网优化、需求响应、跨线排班三大现实业务场景。
第一，多源数据驱动的线网诊断与优化。基于IC卡、GPS、轨道刷卡、城市用地人口多源数据，做到50×50米细粒度的供需评估，识别公轨重复走廊、服务薄弱片区，区分干线、支线、微循环线路，输出线路改道、长线拆分、新增储备线路清单，同时测算线路调整会影响多少乘客，给线网改造提供量化依据，告别“拍脑袋调线”。
第二，需求响应公交预动态联合调度系统。针对网约公交空载率高的行业痛点，采用预调度+动态调度结合模式：基于历史订单做需求预测，提前规划接送顺序与时刻表；收到实时订单再动态修正路径，搭配路径引导、车速引导辅助驾驶，在乘客等待时长和车辆利用率之间寻找平衡点，破解DRT“叫好不叫座”的困局。
第三，跨线排班系统，盘活闲置车辆资源。传统“车线绑定”模式下，部分线路高峰运力吃紧，另一些线路车辆闲置空等。跨线排班技术，挖掘同廊道、多场站之间的调度潜力，允许车辆跨线路支援，同时兼顾路况波动、司机工时、充电计划多重约束，用两阶段鲁棒优化、分支定价算法求解复杂问题，在不新增车辆的前提下，提升整体运能利用率，直接降低运营成本。
结合多年信息化建设经验，我想提醒同行，垂域智能体不是拿来就能即插即用，有三道坎绕不开。
第一道坎：夯实数据底座，拒绝“算法先行，数据后置”。 智能体效果上限由数据质量决定。GPS漂移、刷卡数据缺失、线路站点主数据混乱，再先进的模型也输出错误结论。企业在引入AI智能体项目的时候，不能只盯着算法炫酷，必须同步把数据治理纳入建设范围，统一数据口径，做数据清洗校验。
第二道坎：守住业务约束，业务规则优先级高于模型输出。 公交调度有大量刚性红线：司机工时法规、场站收发车时间、充电计划、保养维修计划。通用大模型经常忽略这些约束。垂域智能体必须把行业业务规则、规章制度固化进Skill知识库。AI输出永远是参考方案，所有排班、调度改动，必须保留人工审核确认环节，绝对不能AI直接下发生产指令。
第三道坎：业务人员深度参与，拒绝IT部门单打独斗。 很多数字化项目失败，根源是技术团队闭门开发，一线调度、线网、机务人员没有深度参与需求与测试。垂域智能体建设，一定要让懂营运的业务专家深度介入：梳理业务规则、参与案例测试、反馈方案问题，持续迭代调优智能体参数。项目交付不是终点，持续迭代才是常态。
回望公交信息化发展历程，从早期单机电子化，到一体化信息化平台，再到如今大模型垂域智能体，技术一直在迭代，但不变的目标始终是：降成本、提效率、改善乘客出行体验。
当下行业充斥着不少AI概念炒作，不少方案把通用大模型包装成智慧公交的终极答案。但在一线干过就明白，公交营运是一堆细碎、复杂、充满现实约束的实务工作。真正有生命力的AI，不是聊天问答的花架子，而是深度吃透排班、线网、DRT、跨线运营这些真实痛点的垂域智能体。
未来的公交数智化，不是追求技术名词的堆砌。我们需要把实验室成熟算法，经过标准化封装，落到各地公交企业真实业务环境，把调度员从海量重复计算、手工制表里解放出来，把数据与AI真正转化为企业实实在在的运营收益，这才是公交AI该走的务实道路。
未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明等材料，与我们联系，我们将及时沟通与处理。
好文章，需要你的鼓励
孙文涛
特邀作者