浅析：东南大学交通工程以后想进入智能交通领域，从大一开始应该怎么走? - 小狼CHARLES的回答

智慧交通

可以从背景、方向、路径几个方向聊聊。

交通负责统筹>计算机负责AI落地研发>交通负责稳定baseline的实现>计算机负责应用开发

1.“智能交通领域”具体指什么

一般来说，越偏重于方法论本身的交通类研究，智能交通的色彩就越强；越偏重于政策、影响、法规、环境、行为的研究，相对智能交通的色彩就弱一些。

智能交通是个非常广泛的概念，比如从方法论的角度，涉及到优化理论、图论、数据科学、统计学习、交通流理论、仿真等；从场景的角度，涉及到道路交通、轨道交通、港口、机场等多个场景，而几乎每个场景，在国内的高校院系设置中，都至少是单独的院或者系。你可以把方法论和场景理解成经线和纬线，智能交通细分领域，大致是方法论经线和场景纬线的一个又一个结合点。事实上在一些学术会议上，可能是做近似方法论的人一起开一个会，比如机器学习方法论的场景在城市交通、机场、轨道的研究；做场景的人又开一个会，比如说做公交问题，分别从优化、数据科学、仿真等角度切入的。当然最常见的是做具体的细分研究问题，可能就是场景和方法论的一种混编，比如做交通韧性（Resilience），可能是用图论、优化做，也可能是数据驱动做，可能是城市交通场景，也可能是机场场景。

从学术界的角度说，以智能交通的顶刊：TR-Part C、IEEE TITS、IEEE ITS为例，顶会就是ITSC，你可以发现，研究问题是非常广泛的，基本主流交通大方向都可以涵盖，但研究方法比较集中在大数据、机器学习、统计学习、组合优化，创新主要来源于方法论和ICT（ICT的全称是Information and Communications Technology，被称为信息通信领域技术。简单来说，ICT=IT+CT。）驱动一些新场景上（往往新场景带来了新数据），一般来说这一类研究的”fancy感”来自于此。新数据、新方法、新场景、新模式构成了学界智能交通的基本逻辑，这部分可以看顶刊的Special Issue和Call for Paper感受下（Transportation Research Part C: Emerging Technologies - Journal - Elsevier），业内做的较为知名的比如港科杨海老师组，NUS孟强老师组，UW王印海老师组，UC Davis Michael Zhang老师组，Pudure Satish Ukkusuri 老师组，很多优秀的青年智能交通学者毕业于这些实验室。

从工业界的角度说，智能交通大概可以分为2C（To C）和2B（To B）两类。

2C的智能交通大家常能感知，比如网约车（滴滴、美团、高德等），共享单车（哈罗、美团）等等，这个一般属于互联网公司的范畴，公司内部有网约车、两轮车、地图、运营调度、车载设备等业务，交通背景的工程师可能分布在时空预测、调度算法、GIS、技术合作等岗位上。

2B的智能交通涵盖了数字化（智慧交管、高速、停车），网联化（智能信号、车路协同）、自动化（智能驾驶、MaaS、Robotaxi），具体到产品或者解决方案的层次，常常描述为”城市大脑”、”交通大脑”、”车、路、云、图”（自动驾驶、车路协同、云计算、高精地图）或者”云、管、边、端”（云计算、5G、边缘计算、端侧设备）。

这里面有个大的时代背景，是近年来的企业数字化转型业务飞速发展，里面包含了很多交通行业场景化解决方案，这也就是业界”智能交通”的载体和实现形式。这方面内容可以关注阿里、百度、华为、平安科技、滴滴的一些行业布局（主要科技公司智能交通市场竞争力分析报告），一般是基于云计算平台衍生的行业解决方案的对决，当然现在做的更为下沉，涉及到了很多软硬件结合的解决方案，这部分几家都还尚在攻城略地的过程中，也波及到了原交通集成商海信、大华等公司的一些份额，整体来说行业格局还在塑造中。交通背景的工程师可能从事商务经理、项目经理、解决方案产品经理、数据分析师、算法工程师、仿真工程师、技术合作等岗位上。

PS：一个有趣的事情是，即使是国内交通学科最为强大的高校，也并没有一家集齐了全部交通场景，一般来说，我们会在对应的场景想到某个高校的某个系，比如道路交通想到东南、同济、长安，轨道想到西南交大、北京交大，港口想到大连海事、上海海事，机场想到中国民航、南航等。

2. 智能交通领域的技能

从根能力而言，英语、数学和计算机能力是最为核心的三个根节点。英语可以通过考雅思、托福有个具体的学习路径，后续升学英语成绩也更有说服力；数学除了课内的高数等内容，需要重点关注统计类和机器学习类的知识，这部分可以通过慕课等方式增强；计算机能力除了培养计划内的计算机课以外，还可以通过竞赛增强。东南交通现在竞赛培养做的很先进，在很多计算机类的竞赛（如KDD等）都有很好成绩，此外交通学科本身的交科赛校赛、国赛也是培养计算机工程能力的机会，一些科技公司的竞赛也可以比较清晰了解企业关注的方向和所需技能，比如华为最近的中国大学生ICT大赛2021/2022-行业赛：https://e.huawei.com/cn/talent/#/news/details?consultationId=1681

运筹学和统计学习是智能交通的两个主力方法论。运筹学的体系比较大，涉及图论、优化理论、甚至部分机器学习的内容，自学难度比较高，需要系统性的培养和训练。运筹学可以上一些工业工程系的课增强，同时也可以考虑在强运筹背景的老师课题组读研以获得完整的训练。统计学习涵盖很广，数据科学、数理统计、机器学习、深度学习等等都属于该领域知识，这部分内容仅仅完成本科数理统计的学习是不够的，需要自己花费一些时间进行慕课的学习，最好能上手一些数据挖掘类或者机器学习类的线上竞赛，这对于深度了解统计学习是帮助非常大的。

3. 智能交通领域的职位

高校教职：从交通工程学科的角度接入，最直接的职业方向是高校教职，在研究方向上侧重于一些前沿技术和方向，比如：城市计算，交通状态预测，交通感知和边缘计算，交通仿真与优化，交通网络规划与管理，信号控制、交通安全，车路协同关键技术，智能网联汽车，交通运行风险评估与预警管控，全息路口，网联车、MaaS、Mobility等，方法论上主攻OR（Operations/运筹）或者ML（machine learning）。

如果是在海外，智能交通方向的教职整体还是偏学术，发论文申项目，发NC PNAS大论文申NSF大项目；如果是在国内，模式更多样一些，除了纯学术领域，与企业的技术合作项目也比较多（各大公司基本都有面向交通的学术合作专员或部门），自己开公司的也有一些，很多教师收入不菲。

高校教职这几年竞争比较激烈，如果要从事这条路径要早做打算。如果确定要走教职路线，这个决定最迟不要晚于申请博士前一年（大约研究生一年级或者直博的话大三）。业内有句俗语叫做：”当你进入博士课题组的一瞬间已经决定了是否4-5年后可以找到教职”，做这件事不妨倒推，以智能交通方向在高校找到教职→业内该方向主流课题组博士毕业+好成果→拿到该类学校和导师的博士offer→这类导师都有谁+怎么认识该导师→这类研究主要都有什么方向→这类方向都需要什么能力→现在能干点啥。

一般来说，硕士看学校，博士看导师，当然这个事情不绝对。最好的方式是，先确定国内读博还是海外读博，圈定一些目标课题组，找国内跟目标圈子有联系的老师跟着做一些科研/竞赛/实习的工作，逐步积累自己在该方向的存在感和成果，在大的升学节点上逐渐往目标上靠近。先定圈子而未定方向的原因是，智能交通的方向或者说风向的变化每隔几年还是有的，不好说一个方向能不能持续做10年，但是往往各类方向的实际承做人是一批学者，方向是跟着人走的。所以说，大致正确，沿途下蛋。

科技企业：科技企业的2B智能交通，跟交通学科的智能交通还不太一样，某种意义上说，交通学科的”智能交通 ”更偏重于一级学科命名”交通运输规划与管理”（老师们评NSF基金也基本都在管理学部），而技术企业的智能交通更侧重于”智能交通”的物理实体本身——即智能交通的产品或解决方案。

因此，一个智能交通的物理实体，一般都是多学科背景的人组成的团队，比如CS、信科、EE（电子工程）、GIS等，而交通背景的人的位置更接近于场景，而非工程开发和部署，比如产品、商务、算法、仿真，更多是交通场景理解深度和原型实现层面的工作，也可能是访问交警、政府、运输企业的项目前台的工作。

2C的智能交通，主要是出行类互联网企业的数据分析师、运筹优化算法工程师或者转码，基本相当于半转行，跟去做本地生活类的互联网企业的工作内容比较近似。

科技公司这几年招交通背景的人好像比三四年前要多，可能核心的一个原因是，原先各大企业认为这是个ICT问题，只要目标场景清楚，足够好的商务+产品+程序员可以搞定。但经过几年摸爬滚打之后，可能的一个共识是，交通行业很大，远远看过去是一片金光闪闪，但是走近了看才发现是一地硬币，得一个一个捡，而且每次捡的姿势还都不一样。场景深度和定制化问题让这个领域变成了一个很难完全抽象成数学题或者编程题的事儿，干，不一定赚钱，不干，庞大的政企数字化转型市场，谁也不敢说拱手让人。这个过程里，就需要很多Domain Knowledge（领域知识），专属技能和行业人脉。进入这个行业，从技能角度讲，编程能力、数学能力和表达能力非常重要，从履历角度讲，在圈内企业实习非常重要。

如果走这条路，本科或者博士都是比较好的切入点，本科胜在年轻，在工作到30岁的时候已经非常资深，而且现在大公司招人，本科和硕士拉不开差距，一般本硕是一大档位，硕士读2-3年出来可能本科生已经晋升了一次，职级上甚至更高。而且本科在工作2年左右，可以再考虑重回学校获得一个硕士学历，这个时候的选择，就比较有针对性了。博士也是不错的切入点，一般入职职级和待遇是相对好的，很多大公司博士都是单独一档，部分职位甚至只面向博士开放，企业也更有意愿把博士作为储备人才（相对年龄危机感可控一些）。

一般来说本硕工作5年的职级，大致相当于博士入职的职级，所以从年限的角度说，是大致持平的，主要看更看重这5年的收入、工作经验，还是博士学位和后期发展，这需要个人权衡。但需要注意的是，博士去科技企业，需要在读博的时候把研究方向尽量贴近大公司的关注场景，同时也需要有一定的实习经历。

研究与工程院所：北京交通发展研究院，交通运输部规划研究院，交通运输部公路科学研究所，交通运输部科学研究院，交通运输部规划研究院，公安部交通管理科学研究所，北京交通发展研究院，交通运输部水运科学研究院，中国铁道科学研究院等。比较知名的有：深城交（深交研）、中规院、上海市政、上海城建、华设设计等。

研究院所是在交通院校内部比较成型的发展路线，有一定国企性质，如果想走这条路，可以多了解下哪些老师和哪些院所走的近，在读研的过程中进入该课题组学习。

大多数设计院在转型后大多有自己的智慧交通部门（可能不是独立的，但涉及），要求也是不低，基本上好的设计院都是硕士及以上学历。

4. 未来展望

这里聊一点偏主观的判断。

智能交通领域最近10年获得了巨大的发展，这一轮的智能交通变革主要是由信息科技引发的，或者更具体的说，是ICT技术外溢、牵引了ITS的发展。对于下一个10年而言，广义的自动驾驶技术可能会是下阶段的智能交通领域发展的根逻辑。这里说的广义自动驾驶，不仅指具体的自动驾驶车辆，或者自动驾驶的感知、融合、预测、规划、控制算法，而更多的是包含车云、座舱、地图、车路协同、MaaS的一个大的体系，这个自动驾驶体系会极大的改变当下智能交通的形态。

其中，自动驾驶实体是一个中轴，MaaS（Robotaxi无人出租车某种程度上也是一种MaaS）相当于将自动驾驶技术服务化、外延化、生态化，而车路协同相当于所有实体关联，停车、信号、收费、路口、交管都将成为这个体系的集成或外延者。这个关系，大致类似于iPhone，以及衍生AirPods、Apple Watch的生态系统，以及iCloud提供协同与关联。

此处的大背景是，双碳目标下，新能源车和新车辅助驾驶能力的快速渗透，而载具的新能源化和智能化的伴生关系是螺旋上升的。可能在未来5-10年，我们会看到一个由燃油车/新能源车，人车/L2/L4车组成的混合交通时代，这个混合交通时代将持续多年，将会为智能交通领域带来很多新的挑战。

关注领域：

1）研究课题隶属于是哈佛大学工程与应用科学学院Harvard School of Engineering and AppliedSciences (HSEAS）环境工程与能源系。课题组主要研究方向为用数学统计的方法来解决现实生活中交通工程、大数据以及交通经济等相关领域的现实问题。主要涵盖交通规划、道路安全和城市经济等。

2)MIT计算机与人工智能实验室以及各个研究中心开展的研究项目都是应用高科技知识和技术来解决人与社会、城市等更和谐的发展，UV项目研究计划将在智能交通技术、计算视觉技术、机器人、人工智能应用、能源与环境、环球村经济人文和谐发展等领域加大研究力度，同时也为优秀的学生们创造条件深入到科学研究的第一线，真实的科研学术环境帮助学生更深入、更直观地完成学习体验的同时，也能为优秀的学生带去更有效的学习方式。

以上课题适用于数学，统计，计算机，大数据，交通工程，物联网等各领域实践作用。

从目标愿景出发，我们初步把今后到2050年分成了三个阶段的发展。初步的愿景是，到2025年，基本形成中国标准的车路云一体化的技术创新产业生态，基础设施、法规标准、产品监管、网络安全体系。第二阶段，到2035年逐步完善这些体系，到2050年全面建成这个体系。2035年也是交通强国初步建成的时间，2050年是完全建成的时间，和战略规划也是一致的。