Turing 交通专家大模型解决 方 案 建设交管新质生产力 ， 重构智能应用新模式 2024 年 9 月 目 录 二、 解决方 案 三、 场景应 用 一、 现状背 景 CONTENTS 01 现状背景 大模型能力突破 大算力： 硬件快速发展， 使得训练更高参数量 、 更复 杂的大模型成为可能 大数据： 大量标注数据和交通实时数据， 为大模型提 供丰富的数据基础 大模型生命周期监测 & 分 析 视图理解 结构化查询 语音指令 文本命令 03 场景应用 新一代智能交通专家系统 依托 Turing 交通专家大模型提供自然语言理解与处理、视觉感知、指令学习、记忆学习、 推理决策等基础能力 ， 打造新一代智能交通专家系统。 Turing 交通专家大模型能力基础 自然语言理解与处理 - 交通语言理解能力 路网、标志标线、信号灯 交通参与者： 人、车、非机动车 路网环境： 抛撒物、积水、 团雾 交通事件： 事故、拥堵、停车等 行业知识问答 构建交通业务系统、法律法规、政策规 划等专家知识库， 理解并回答问题。 智能客服助手 理解用户自然语言输入， 并以智能、连 贯的方式交流， 回应用户问询及需求。 报告分析工具 结合用户问题查询系统数据， 生成研判

研究方向：基于知识创新的文化旅游与休闲养老项目和 商业房地产经营与策划；现代零售业创新经营研究 学术职务：清华大学国际商业地产运营班客座教授，大 连海洋大学一带一路研究院特聘教授，中国商业地产联 盟专家委员。 • 荣誉：中国商业地产十大杰出操盘手 • 现任深圳市新摩尔商业管理有限公司 总经理，曾任茂 业百货集团公司副总经理，新世界地产营销总监，沿 海物业管理总经理，王志 纲工作室高级策划师等高级

[方法] 运用文献研究和理论分析构建初始评价指标体系, 运用德尔菲法开展 2 轮专家咨询形成最终的指标体系, 采用 层次分析法确定指标体系权重。 [结果] 2 轮咨询的专家积极程度较高, 专家权威系数为 0. 8, 专家咨询较为可 靠。 第二轮肯德尔协调系数大于第一轮且有统计学意义, 变异系数均小于 0. 25, 专家意见协调性较好。 最终形 成包含预警能力、 适应能力、 恢复能力和变革能力 4 韧性能帮助 降低组织脆弱性, 促使组织更早觉察疫情预警迹象、 快速评估风险、 广泛寻求获得支持, 以减少、 最小化 甚至避免风险事件的影响 [3]。 建设具备韧性的疫情防 控体系及能力已达成专家共识 [4, 5], 成为亟待解决的 重要问题, 然而评估韧性水平是提升韧性能力的基 础, 目前疫情防控韧性评估工具尚未得到开发, 因此 研制科学可行的评估工具势在必行。 本研究以基层疾 控机构为研究对象 指标体系。 1. 2 专家咨询法 本研究采用德尔菲专家咨询法收集专家对指标体 系的重要性与适宜性评分及对各项指标的建议与意见, 根据咨询结果修改完善指标体系, 确定各项指标权重。 1. 2. 1 遴选专家 资料显示德尔菲法通常确定咨询专家人数在 15~ 50 人 [14], 综合考虑本研究咨询内容体量、 研究经费 和时间因素, 本研究共纳入 15 名专家。 专家纳入标 准为: (1) 具有基层疾控体系、

集成学习建模 大数掘挖掘专家 2 目 录 3 背景与挖掘目标 智能客服场景一 大数掘挖掘专家 背景与挖掘目标 智能客服场景一 大数掘挖掘专家 4 背景与挖掘目标 智能客服场景二 大数掘挖掘专家 5 智能客服描述 > 目前常用的智能客服应用的原理是 ：先建立好标准问题 -- 答案库 ，每个标准问题都对应一个标准回答；当 客户提出问题后 ，系统经过一定的规则运算 ，将客户提问和标准问题关联起来 ，再把对应的标准回答反馈 给客户 ，让客户在与客服机器人交流的过程中有更便捷的体验。 背景与挖掘目标 大数掘挖掘专家 6 背景与挖掘目标 案例数据 大数掘挖掘专家 7 大数掘挖掘专家 8 案例流程 > 1 、文本预处理工作 ，包括分词、去停用词、近义词及错词处理 > 2 、提取基础 NLP 文本相似度特征 ，如编辑距离、 n-garm 距离 > 3 、计算词向量 ，并提取词向量相关特征 > 4 、提取深度学习特征 ，主要通过 LSTM 网络编码 > 5 、构建 Stacking 集成学习分类模型 ，并进行评价 分析方法与过程 大数掘挖掘专家 9 1