The Innovation | 大规模交通治理新范式：模型张量化与计算并行化的协同框架

现代社会大规模交通治理面临严峻的计算瓶颈，AI、并行计算等新质生产力提供了全新思路，本文构建了一种模型张量化与计算并行化的协同框架，通过算法与算力深度融合赋能智慧交通以及智慧城市发展。

交通治理的核心是通过物理或数学模型理解并构建交通系统运行机制，借助优化方法制定有效的治理策略。然而，在百万级出行量的大规模交通网络中，交通治理面临前所未有的计算困境。在交通系统模型层面，宏观、中观、微观等三类模型体系在大规模交通网络中均存在计算效率低等问题；在决策优化方法层面，AI等新技术的融入使交通系统模型逐渐失去可解析性，传统数学规划方法难以有效应对，智能仿真优化方法成为关键路径。大规模交通系统模型的单次运行或评估成本通常极高，传统串行计算方式效率极低。然而，现有模型与方法体系与GPU/NPU等高性能算力存在“兼容性鸿沟”，单纯堆砌并行计算硬件只是徒劳，软硬件协同是必然选择。

针对现代社会大规模交通治理中的计算瓶颈，本文构建了一种模型张量化与计算并行化的协同框架（图1），核心是将交通系统模型与决策优化方法的底层计算逻辑重构为硬件友好的张量化计算方式，在此基础上设计高效的并行计算方法，实现交通治理效率的大幅提升。

在多尺度交通系统模型张量化计算方面，采用差异化策略进行有效处理。针对宏观交通分配模型，将最短路径串行遍历转为矩阵运算，一次操作同步获取所有新路径，并借助布尔向量批量对比新旧路径；针对中观交通流模型，将时空网络拓扑结构与交通参数重构为多种功能矩阵，通过布尔向量批量分类时空单元，实现全域交通状态的并行计算；针对微观智能体模型，聚焦多智能体时空交互的非线性行为，通过分段线性化将其重构为张量计算方式，其中注意力矩阵（表征时空交互）和布尔向量（筛选计算片段）设计是关键。当模型被有效张量化重构后，通过设计高效的物理信息并行计算方法，支撑计算效率进一步提升，其核心是基于交通网络固有属性（流量模式、网络拓扑）的“物理信息网络切割”，避免因并行化导致的通信开销抵消原本追求的计算增益。宏观模型基于网络拓扑将出行起讫点对进行分组，旨在最小化组间的最短路径重叠，同时确保各组起讫点对总数相近；中观与微观模型则将全局网络分解为若干子网络，旨在最小化子网间的交通流/智能体交换，同时确保各子网计算量相近。

在交通决策优化方法层面，模型张量化与计算并行化同样发挥重要作用。当多尺度交通系统模型被完全张量化重构时，直接借鉴神经网络训练方法，通过反向传播和自动微分算法进行高效迭代优化。当多尺度交通系统模型未被完全张量化重构（即逻辑运行与张量计算混合，同时无显示表达），则聚焦仿真优化方法中元模型或代理模型的张量化重构，利用贝叶斯神经网络等构建AI代理模型，同时结合生成式AI与数据增强解决神经网络训练中数据不足的潜在问题，最后通过物理引导的分治策略和批量采样实现元模型的并行迭代搜索与最优化求解。