城市轨道交通人工智能应用指南

城市轨道交通人工智能应用指南总结

一、绪论

• 城轨行业使命与核心价值：城轨交通是疏解交通拥堵、引导土地集约利用和城市空间重构的有效手段，是民生福祉、经济活力与城市安全稳定的坚实保障。新时代城轨发展目标是智慧绿色化、融合创新型、引领世界城轨交通发展潮流。
• 人工智能赋能城轨的变革意义：人工智能推动城轨交通由“自动化”向“智能化”转型，逐步实现从“经验驱动”向“数据驱动”的重要转变。技术层面，机器学习、计算机视觉、自然语言处理等人工智能应用技术，使城轨交通系统具备了从海量数据中自主学习、智能决策的能力。业务层面，人工智能将技术能力转化为运营实效，如智能运维系统实现设备故障预测，智慧调度系统实时优化运输组织，个性化服务系统精准满足乘客需求。
• 核心框架与适用范围：指南构建了指导人工智能与城轨融合发展的完整框架，遵循从“现状分析”到“未来规划”的逻辑主线，系统梳理了政策态势、技术趋势、行业现状、技术支撑、核心场景、实施路径、风险应对及保障措施，旨在为城轨运营企业、科技企业及研究机构提供全流程、可落地的指导依据。

二、政策引领下的人工智能与城轨融合发展态势

• 政策导向与支持：国家战略层面，国务院《关于深入实施“人工智能+”行动的意见》确立了赋能千行百业的总基调。新修订的《中华人民共和国网络安全法》首次将支持人工智能发展纳入法律框架。国家数据局将“培育全国一体化数据市场、强化数据赋能人工智能发展”列为重点任务。行业引导层面，工业和信息化部组织实施的“人工智能+制造”专项行动，培育行业智能体、深化技术融合的实践模式。交通运输部等七部门联合印发的《“人工智能+交通运输”实施意见》，将国家战略细化为行业行动纲领。中国城市轨道交通协会发布的《智慧城轨发展纲要》为城轨企业智能化建设提供了直接指导。技术发展层面，GB/T45288-2025《人工智能大模型》系列国家标准的正式实施，为人工智能大模型建立了统一的技术框架与核心规范。
• 发展现状与瓶颈：人工智能在城轨交通行业应用正经历从“零星试点”向“系统推进”的关键过渡期，呈现单点突破明显、系统整合不足的特征。应用广度上，人工智能技术已渗透至运维、服务、调度、安全等多个业务领域；应用深度上，部分项目已从简单的自动化替代，发展到基于数据智能的预测性维护、自适应调度等高阶应用。然而，行业整体仍面临数据基础制约突出、技术与业务协同不足、自主可控能力有待增强、标准规范与安全保障体系建设相对滞后、复合型人才供给不足等瓶颈。
• 技术演进与适配：人工智能技术的快速演进与城轨行业的特殊需求之间，正在形成动态的适配关系。技术架构上，呈现“大模型与小模型协同”的趋势。部署模式上，城轨人工智能逐步形成以“云—边—端协同”为特征的算力体系。未来，随着可信人工智能、联邦学习等关键技术的持续成熟，城轨人工智能系统将在安全保障、隐私保护与结果可解释性等方面进一步增强。

三、城轨人工智能应用关键技术支撑体系

• 数据基础：构建高质量数据治理应用体系，贯穿数据采集、治理、存储、应用和安全的全生命周期管理，系统提升数据的规范性、完整性、准确性、一致性、时效性、可访问性和安全性，实现由“数据汇聚”转向“数据可用”，为人工智能规模化应用提供稳定支撑。
• 算法支撑：构建以行业大模型为核心的城轨人工智能算法能力体系，坚持以业务场景需求和模型能力演进为导向，统筹通用算法能力沉淀与行业专用能力增强，贯穿模型选型、训练优化、能力封装、场景适配和安全可控的全生命周期管理，系统提升算法在场景适配性、推理稳定性、专业可信度、可扩展性和可复用性等方面的综合能力。
• 算力保障：构建自主可控、协同高效的算力体系支撑城轨人工智能落地应用，形成对城轨人工智能应用的统一承载能力，夯实智算能力支撑。
• 平台底座：坚持业务需求牵引与能力集中供给相结合，构建支撑人工智能研发、部署、运行和管理的人工智能平台，支撑数据接入与预处理、模型开发与评测、模型部署与推理服务以及智能体运行管理等核心能力，降低应用开发和运维复杂度。
• 安全支撑：以系统性安全保障城轨人工智能健康应用，将安全要求贯穿于数据、模型、平台和应用全生命周期，统筹技术安全、运行安全和管理安全，构建与城轨人工智能发展阶段相匹配的系统性安全支撑体系。

四、城轨人工智能核心应用场景

• 设备运维场景：研发信息设备、信号、决策分析和运维施工等专业智能体，实现设备主动预警、故障智能研判、维修方案自动生成及施工计划智能编排等功能。推进具身智能技术在运维领域的深度应用，加快研发车辆设备巡检机器人、区间综合巡检机器人、巡检无人机以及四足轮式巡检机器人等多形态智能装备。
• 乘客服务场景：构建以视频智能分析、客流密度感知、自然语言处理和人员定位技术融合的智慧车站智能体，实现对孕妇、老年人等特殊乘客需求以及摔倒、追逐、打架斗殴、非法过闸等异常行为的自动识别与风险研判，形成集智能识别、自动告警、无线定位、任务派发、人员联动的主动服务体系。
• 运输组织场景：研发面向运输组织的智能算法，构建运输组织智能体，实现对客流特征的精准洞察、运行图的智能编制、运输策略的自动生成与行车冲突的实时检测，辅助调度人员科学决策，同步输出可视化分析数据报表支撑管理与综合研判。
• 应急处突场景：构建统一的应急处置智能体体系，实现处置任务的自动生成与岗位精准匹配，实时推送处置建议，并对处置进展进行持续监测与动态评估，实时更新全局态势，形成可视、可控、可追溯的全过程应急处置能力。
• 智慧能管场景：研发线网能源管理智能体，构建智慧能源协同优化体系，动态优化光伏储能能量及柔性负荷调控、储能充放电及柔性负荷调控策略，将分布式能源聚合为可信、可调度的虚拟电厂，支持高效参与电力市场与碳交易，实现碳配额智能管理及交易策略的动态优化。
• 办公服务场景：开展综合协同、组织人效、资产管理、数字财务、智慧监督等办公服务场景，构建集人工智能语义理解、流程智能导航、自动提示、节点追踪、权限核验、任务协同与结果反馈于一体的智能化办公服务体系。

五、人工智能赋能城轨的实施路径及目标

• 实施目标：构建以场景应用为牵引、高质量数据为基础、行业大模型为核心、专业智能体为载体、协同共研为支撑的人工智能协同创新生态体系，推动行业大模型、专业智能体和具身智能机器人等新一代智能终端在全专业、全场景、全线网的人工智能赋能应用。
• 实施路径：从核心场景试点落地到示范线路推广深化，再到全线网赋能升级，实现人工智能在城市轨道交通行业的深度化应用和规模化落地。
• 实施方法：强化领导、统筹实施；顶层规划、系统推进；问题导向、场景牵引；数据治理、标准先行；人才筑基、复合培养；内聚外联、联合创新；伴随研发、供需同研。

六、挑战与风险应对

• 实施层面挑战：系统规划、业务需求、协同研发、数据治理、标准与测评、人才培养等方面的挑战。
• 技术层面风险：模型鲁棒性不足、长尾场景覆盖不充分、算力资源供需失衡、大小模型融合适配困难、算力平台与算法解耦不充分、数据思维链构建不完善等风险。
• 安全合规风险：安全合规制度体系、数据安全、算法可信与责任界定等方面的风险。
• 多维应对策略：实施层面，鼓励业主单位因地制宜，推行全过程“伴随研发、供需同研”创新机制，构建灵活高效的产学研用协同机制，构建统一数据治理体系，加快制定覆盖数据、模型、智能体到应用的全链条标准，系统构建“AI+业务”复合型人才培养体系。技术层面，构建高效协同的技术底座，建立覆盖设计、训练、部署、运行、优化与退役全过程的全生命周期风险管理框架，与时俱进，紧密跟踪生成式AI、边缘智能等前沿技术趋势。安全合规层面，建立安全法规动态跟踪与合规评估机制，筑牢数据安全防线，提升算法可信与可控性，明确人机协同岗位责任划分边界。

七、保障体系与支撑措施

• 行业标准：完善行业制度保障，健全政策体系、标准规范与治理机制，逐步形成从试点探索到规模推广的可预期发展路径。
• 生态共建：构建开放协同、优势互补的产业生态，推进数据共享体系建设、模型联合训练机制、平台体系化建设，实现技术研发与业务需求的深度对接。
• 人才队伍：秉持“精准需求、柔性引入、优质培育、激励完备”理念，系统构建分层分类、内外协同的人工智能人才引育机制。
• 资金投入：优化多元化资金投入方式，引导资金重点支持人工智能应用基础能力建设、共性技术攻关，强化资金规范使用与全过程监管。

八、结论与倡议

• 核心结论总结：人工智能正由单一工具属性，逐步演进为重塑城市轨道交通运行体系和管理模式的重要技术基础，对城轨行业的规划设计理念、建设组织方式、运营管理机制和服务供给模式产生系统性影响。
• 发展趋势展望：智能原生体系加速形成、人机协同深度融合演进、具身智能与实体系统融合发展、绿色发展与跨行业协同同步推进。
• 行业发展倡议：强化顶层引导与行业协同；坚持企业主导与场景牵引；加强科研支撑与联合攻关；推进轨轨人工智能共研体共建。

九、行业典型案例

• 青岛地铁供电智能体“故障修”应用实践：实现从告警触发到智能诊断再到方案输出的完整闭环，打破传统故障处置模式局限，故障处置效率提升70%以上。
• 徐州地铁合规管理与风险预警智能体应用实践：实现从“提交－解析－审查－反馈”的完整闭环，合同平均审查周期从天级别缩短至分钟级，整体审查效率提升60%以上。
• 南京地铁线网级弓网智能检测系统应用实践：以AI智能诊断替代传统人工巡检，推动运维模式从事后处置向事前预警转型，运维效能显著提升。
• 重庆轨道交通山城单轨知识大模型应用实践：以单轨行业知识大模型为统一认知基础，推动知识获取、问题研判和辅助决策由“人工检索、人工分析”为主的模式，向“模型先行、人工校核”的“AI+人工”模式转变。
• 苏州地铁智慧场段“检修计划排程智能体”应用实践：实现“AI为主、人工为辅”的业务模式升级，计划编制与调整效率提升90%以上。
• 成都地铁新一代智慧车站应用实践：以运营场景为牵引，将各专业能力重构为可复用、可编排的场景化服务模块，推动车站业务由“系统支撑人工”向“智能体驱动业务”转变。
• 广州地铁“佳易为”运维智能体应用实践：系统联动各类工单模板、检修规范和处置建议，自动生成标准化运维工单，并综合工班人员能力、任务优先级和地理位置等因素，实现工单的智能派发与调度。
• 深圳地铁轨道交通线网智慧运营智能体应用实践：实现客流感知从人工经验变成实时感知，客流预测精度提升到95%；列车运行图和司机乘务排班时间从周压缩到分钟级，使司机排班更均衡，并节省约2%列车走行公里数。
• 北京地铁基于华为城轨云数智融合平台及盘古大模型的应用实践：人工智能中台及盘古预训练大模型的赋能，可使公司具备自主迭代优化模型的能力，自主提高模型精准度，大幅降低人工智能在设备智能巡检和运维、AI视频巡站、智慧客服等场景的落地成本。
• 北京城建多模态大模型清标系统应用实践：多项目、多投标人清标作业由传统人工2–3天缩短至数小时级完成，整体清标效率提升60%以上。
• 安捷城轨隐患智能识别大模型应用实践：构建全天候不间断的智能监控网络，解决人工盯屏疲劳、夜间值守缺失等痛点，隐患辨识时间低于30ms，处置效率提升8倍以上。
• 中兴通讯城轨智能体应用实践：故障响应效率提升75%以上，推动运维模式向“人工智能驱动+人工复核”的高阶形态演进。
• 百度机电智能体“巡视排班”应用实践：实现从“人驱动流程”向“AI驱动流程”转型，智能体成为巡检工作核心，负责任务融合、分配、支持与分析，人员主要承担信息补录与现场执行，并通过抢派结合机制建立员工正向激励。
• 佳都科技“佳睿捷”客流预测－行车计划智能体应用实践：行车计划编制周期明显缩短，车底运用节约率约10%，提升了运输资源利用效率。