2026年5月8日，应同济大学交通运输工程学院唐克双教授邀请，香港理工大学钟金鑫（Edward Chung）教授团队到访同济大学科技园，与同济大学INTO课题组进行为期一天的学术交流，双方围绕智能交通信号控制、数字孪生、多智能体强化学习等前沿课题展开了深入研讨。

图1 学术交流研讨会合影

在项目进展汇报环节，香港理工大学团队系统分享了其在智能交通信号控制领域的最新研究进展。钟金鑫教授作了专题汇报，系统介绍了其团队在该项目中的整体研究思路与技术进展。

报告从交通需求预测出发，介绍了基于知识增强的混合图神经网络（KE-H-GNN）的OD（起讫点）预测方法，融合长短期记忆网络（LSTM）、图卷积网络（GCN）与交通工程领域知识的混合注意力机制，并纳入日历与天气等外部数据，以提升预测精度与可解释性。在状态推演方面，分享了端到端OD预测-分配-校正（End-to-end OD Prediction-assignment-refinement）方法，有效缓解学习式OD预测模型的误差累积问题，实现校正后的路段流量与真实流量高度吻合；同时介绍了基于大语言模型（LLM）的拥堵识别与双向溯源技术，通过上游溯源与下游传播的双向一致性检验实现拥堵分析。在控制优化方面，针对交通信号优化问题，分享了物理结构化的模块化代理模型（Surrogate-based Optimization）与数据驱动的链路动力学模型（Store-and-forward框架的数据驱动替代），以及基于多智能体强化学习（MARL）的协同交通信号控制方法（采用QMIX架构与CTDE训练模式）；同时介绍了自适应代理-采样策略选择方法（Auto Surrogate-Sampling Strategies Selection），以及将深度强化学习（DRL）策略转化为人类可读规则的程序化策略学习（Programmatic Policy Learning）工作。此外，针对平台开发，介绍了基于SUMO的数字孪生原型系统，该原型已在连云港30路口网络部署，集成OD预测/校正、拥堵识别与代理优化等功能；并展望了面向香港九龙大规模路网（5991个节点、9698条边、538个信号灯）的网页端平台开发与路网分区（Network Partitioning）优化方案，以解决大规模路网下代理优化计算不可行的问题。报告内容系统翔实，引发了在场师生的热烈讨论。

图2 Edward Chung教授作学术汇报

在项目研讨环节，钟金鑫教授介绍了项目的整体进度安排。目前项目前三个阶段（2024年10月至2026年3月）均已顺利完成，正处于第四阶段（2026年4月至2026年9月，持续推进中）。香港理工大学方面的交付物包括7个模型与1个原型系统：OD流量预测模型、OD/Link流量校正模型、拥堵识别与溯源模型、基于代理模型的交通信号优化（TSO）模型、基于强化学习的交通信号控制模型、自适应代理-采样策略选择模型，以及程序化策略学习模型；原型系统为基于SUMO的数字孪生平台（含网页控制界面）

图3 Edward Chung教授团队项目进展

交流期间，双方围绕"哪些交付物可以相互共享与整合"展开了深入讨论。同济大学唐克双教授团队展示了智能交通信号控制系统平台的相关成果，涵盖评估诊断、基础控制、智能化分析等核心模块。

图4 唐克双教授进行学术交流

图5 唐克双教授介绍项目进展与平台成果

钟金鑫教授也对同济大学课题组在项目推进与研究生培养方面的成果给予积极评价。本次学术交流最后圆满结束，通过此次活动，两校团队进一步明确了联合研究的技术路径与任务分工，为项目的高质量推进注入了新动力。在5月8日的交流期间，INTO课题组安排了招待午宴，为双方提供了轻松自由的互动平台。午宴期间，参会人员畅所欲言，就学术问题与研究心得展开交流，加深了对彼此研究工作的了解，同时也增进了两校团队之间的情谊。

本次交流意义非凡，不仅进一步加强了同济大学与香港理工大学在智能交通研究领域的紧密联系，还为两校学生提供了宝贵的学习机会。此次学术交流进一步夯实了两校在智能交通领域的合作基础，为后续研究的高效推进创造了良好条件。希望未来能通过更深层次的合作，让内地与香港高校在交通信号控制、交通需求预测及智能交通系统优化等领域取得更多突破性成果，为社会和公众提供更加高效、便捷的交通服务。