2026年10月8日晚，MAGIC课题组举办线上学术交流活动，邀请北京交通大学张金雷副教授作题为“通用可扩展城市交通预测大模型”的学术报告。讲座由苏子诚老师主持，课题组师生参加。张金雷副教授结合团队发表于《Nature Communications》的研究成果，介绍了城市交通预测从特定场景建模走向通用、可扩展框架的研究思路，并与师生围绕模型方法、实验设计及交通人工智能的未来发展展开深入交流。
学术分享海报（节选）
报告开始前，苏子诚老师对张金雷副教授的研究经历与学术成果作了简要介绍。张金雷副教授长期从事人工智能与城市交通大数据挖掘、短时客流预测及交通智能优化等研究。此次分享聚焦其团队最新的城市交通预测工作，既介绍论文中的技术框架，也结合实际研究过程，梳理课题的提出背景与科研探索中的关键问题。
张金雷副教授首先从交通预测领域的长期研究实践谈起。他指出，现有交通预测工作往往围绕单一交通方式、某类运行场景或固定时间粒度展开。地铁、公交、共享单车、出租车和高速公路等系统的运行规律各有特点，即使面向同一种交通方式，工作日、周末、节假日及大型活动期间的客流变化也存在明显差异。不同研究任务通常需要分别设计和训练模型，形成了较为分散的建模体系，难以支持城市交通系统不断增长的跨场景预测需求。一方面，多种交通方式分别由不同部门运营和管理，在真实应用中获取时间同步、结构一致的多模式数据并不容易；另一方面，不同城市、交通网络的节点规模、数据维度和时空分布存在显著差异，传统模型常常需要调整输入输出结构才能适应新的对象。如何在保持预测效果的同时提高模型复用能力，成为团队提出“通用性（Generic）”与“可扩展性（Scalable）”两个核心目标的重要出发点。
研究背景梳理
围绕上述问题，研究团队提出基于大语言模型的城市交通预测统一框架LLM-UTP。该框架面向多种交通方式、不同运行场景和多种时间粒度，以历史交通流量序列为输入，对未来时段的节点客流或交通流进行预测。其主要思路是从异构交通数据中学习能够共享的演化规律，在此基础上实现面向具体交通方式的适配，使统一的模型结构能够服务于多样化的城市交通预测任务。
在核心方法设计上，张金雷副教授重点介绍了趋势增强、时空特征编码和大语言模型预测三个模块。趋势增强模块融合原始交通流数据与小波去噪后的数据，兼顾局部变化和整体趋势，增强对不同交通方式中共性演化特征的表达；时空特征编码模块结合膨胀卷积、门控循环单元（GRU）等结构提取多尺度特征，将复杂的交通时序信息映射为适合语言模型处理的表示；大语言模型预测模块进一步学习不同数据集中的共享模式，并通过输出层得到未来交通流预测结果。
为了兼顾共性规律学习与目标场景预测，团队设计了三阶段训练和测试策略。首先，汇集多种交通方式的历史数据进行联合训练，让模型学习跨场景的交通流演化特征；随后，针对特定交通方式利用少量数据开展微调，并在语言模型中冻结部分注意力模块参数，以保留前一阶段学习到的共享信息；最后，在目标数据集上进行测试与评估。报告还介绍了GPT-2作为模型核心组件的选择，以及在现有数据规模与计算资源条件下平衡模型容量和预测性能的考虑。
报告展示了覆盖29个城市或区域、11个真实交通数据集的系统性实验。数据包括城市轨道交通、公交、高速铁路、出租车、共享单车和高速公路六类交通方式，涵盖不同运行场景和时间粒度。研究团队通过与传统深度学习模型及其他大语言模型预测方法进行比较，结合消融实验、少样本学习、迁移学习与复杂度分析，对框架的预测表现、通用性和可扩展性进行了多角度验证。实验结果表明，LLM-UTP在多数测试设置下取得了具有竞争力的预测结果，并能够适应不同节点规模的数据，体现了统一建模框架在多样化交通任务中的应用潜力。
张金雷副教授介绍LLM-UTP模型结构与训练策略
对于“大模型是否越大越好”这一问题，张金雷副教授结合消融实验分享了团队的观察：在当前的数据条件下，增加语言模型层数并未持续带来精度提升，模型规模与任务需求、训练数据及资源约束之间需要保持合理匹配。报告进一步指出，评价城市交通预测模型也应关注泛化能力、时间与空间复杂度，以及面向新场景的适配成本，从而综合衡量模型的实际价值。
在随后的交流环节，课题组师生结合各自研究方向进行了充分讨论。俞春辉老师围绕交通研究如何提炼更具普遍意义的科学问题、高水平论文对研究贡献和验证工作有何关注等问题与主讲人交流。张金雷副教授结合论文的选题、实验组织和投稿经历，分享了从具体交通问题中凝练通用方法、通过跨数据集实验支撑研究结论的体会，并介绍了这一研究从初步构思到完善论证的过程。
针对多位同学提出的技术问题，讨论进一步深入到模型的设计取舍。有同学关注节点间的空间相关性如何在统一框架中得到处理，张金雷副教授从跨城市、跨交通方式应用的需求出发，说明了模型在通用架构与特定路网结构信息之间所作的权衡。围绕联合训练后的模型微调是否影响通用性、不同数据集之间的知识迁移如何实现等问题，他进一步解释，框架本身的结构适配能力与特定任务下的精度提升相互关联，针对目标数据的微调有助于模型学习场景特有的变化规律。
讨论还延伸到深度学习方法的可解释性、模型实验与科研创新的关系等话题。张金雷副教授与李璨老师等结合各自的研究经历，交流了交通预测方法在性能提升之外所面临的新挑战。与会师生围绕少样本条件下的预测性能、模型复杂度和实验设计的完整性持续提问，并共同探讨了未来如何从更具实际价值的应用场景出发，将交通预测与运行管理、优化决策等任务进一步结合。
本次学术报告由研究问题的提出出发，贯穿模型设计、训练策略、实证验证与学术研究经验，为课题组师生理解大语言模型在交通时空预测中的应用提供了有益参考。讲座最后，苏子诚老师对张金雷副教授的精彩分享表示感谢，并期待双方今后围绕智能交通与人工智能交叉研究继续开展交流。
