面对汹涌而来的新技术浪潮，交通工程师要保持明确的目标

近年来，深度学习、知识图谱等新技术迅速发展，为城市交通领域带来了新的冲击和机遇，城市交通大脑、智慧交通解决方案等随之纷纷登台，在管理者面前展现了一幅幅令人眼花缭乱的美好前景。

在城市交通领域引入新思想、新技术是十分必要的，但必须认识到新技术有一个领域专门化的过程，需要根据城市交通领域的问题特点进行一系列深入的探索工作，才能够逐步走向实用化。作为交通工程师，承担着解决城市交通急迫问题的责任，应用新技术必须考虑近中期取得实用进展的可能性，来合理确定阶段技术应用目标。

以近年来热门的知识图谱技术为例，作为一种在网络世界中描述真实世界中间存在的各种实体和概念，以及它们之间的关联关系的技术，不仅在搜索、问答、推荐系统、反欺诈、不一致性验证、异常分析、客户管理等领域中得到初步应用，也在交通行为分析等方面提供了一定的辅助支持。

但是，我们必须认识到知识图谱不是“万能药”，也不是“万精油”，只有恰当地设定应用目标，并与其自身研究进展相契合，才能够真正发挥其作用。

首先，城市交通面对着日益丰富的网络信息资源，为了有效地理解和应用这些网络资源，构建知识图谱是一项非常重要的基础性工作。特别是面对网络中大量以图像、语音等形式出现的非结构化数据，从中提取城市交通问题诊断、趋势预判、状态预测工作中有价值的特征信息，需要依托知识图谱实现一种跨媒体智能。尽管如此，我们必须看到，大规模知识图谱的构建所面临的海量知识抽取和融合，是一个严峻的挑战，需要耗费时日才能逐步成熟。特别是其中扩展交通工程师研究视野的复杂非结构化数据，尽管有传统NLP和基于深度学习模型两类方法的支持，仍然难以一蹴而就。

而知识图谱的推理能力，目前的主要应用研究是在知识图谱构建过程中，通过现有知识图谱来预测实体之间的关系，从而完成知识图谱的补全工作。在城市交通预测预判过程中应用知识图谱的推理支持，可能的途径是通过张量分解来实现对未知事实的判定，但其中经常采用的链接预测、实体分类、实体解析等方法，要处理受到复杂因素影响的城市交通状态迁移和演化过程，还需要较长时间的研究积累才有可能实用化。

与深度学习融合是知识图谱的另一个重要发展趋势，其主要有方式包括将知识图谱的语义信息输入到深度学习模型中，从而使得知识图谱的先验知识能够作为深度学习的输入；以及利用知识作为优化目标的约束，将知识图谱中的知识表示为优化目标的后验正则项，指导深度学习模型的学习过程。不难看出这是对深度学习取得一定进展以后的深化，城市交通领域最好在深度学习技术遭遇发展瓶颈时再加以展开。

显然，知识图谱用来直接支持城市交通中相关的决策判断，有赖于较为完整的知识图谱的建立，以及与之相应的丰富适用的网络数据资源。

了解了知识图谱这种新技术的发展概要，不难知道交通工程师应用知识图谱技术，应该采用有别于交通科学研究的技术路线，即问题导向和脚踏实地的技术路线。初期将主要精力集中于通过知识图谱从非结构化数据中提取特征属性信息的工作，同时逐步进行基于知识图谱推理发现问题的探索。至于状态转移预测和演化趋势判断等工作，在知识图谱技术应用和相关数据资源形成一定基础之前，不应急于在应用项目中展开，以避免盲目性造成资源和人力的浪费。之所以这样说，是因为对于交通网络状态转移预测这样的问题，完全可以采用其他更加便捷有效的技术来实现快速响应；而对于系统演化趋势判断这样的问题，其内在的复杂关联极有可能超出了近期能够汇集的信息资源支持能力，而不得不求助于“人-机”协同系统加以解决，在整体协同框架尚不明朗之前，知识图谱技术很难在体系中明确具体任务。

新技术浪潮，使得交通工程师面临新知识掌控能力的挑战。既要有探索新事物的朝气，也要保持专业思考的“定力”。