2026年人工智能交通应用基础考试题库及解析

2026年人工智能交通应用基础考试题库及解析一、单项选择题（每题2分，共20分）1.在智能交通信号控制中，若采用深度强化学习算法，下列哪项最能直接作为状态空间的有效表征？A.路口各方向车辆的品牌分布B.路口各方向车辆的平均速度C.路口各方向车辆的排队长度与相位剩余时间D.路口周边商铺的营业时间答案：C解析：状态空间需要同时反映交通供需（排队长度）与控制进程（相位剩余时间），而车辆品牌与商铺营业信息与信号优化目标无关。2.某城市拟利用联邦学习训练全域信号灯模型，下列关于“数据不出域”的描述正确的是：A.各路口原始视频必须上传至中心云B.仅上传加密后的梯度，原始数据留在本地C.需将车牌图片脱敏后再上传D.联邦学习不需要参数服务器答案：B解析：联邦学习的核心即梯度上传、数据留本地，既保护隐私又实现协同训练。3.基于YOLOv7的车辆检测模型在夜间低照度场景下召回率骤降，最经济有效的首要改进策略是：A.直接更换为YOLOv8B.在损失函数中增加夜间样本权重C.用生成对抗网络合成夜间数据并微调D.将输入图像分辨率提升至8K答案：C解析：数据域偏移问题优先用目标域数据解决，合成+微调成本低于硬件升级或盲目换模型。4.下列关于5G-V2X通信QoS的说法，错误的是：A.3GPPR16规定URLLC场景端到端时延可低至1msB.5G-V2XPC5接口支持终端直连C.当资源池采用Mode3调度时，基站统一分配侧行链路资源D.在Mode4下，车辆基于感知进行分布式资源选择，无需基站覆盖答案：A解析：R16URLLC空口时延目标为0.5~1ms，但“端到端”需叠加核心网及MEC处理，通常>1ms。5.某高速数字孪生系统采用30Hz激光雷达，若车速为120km/h，则相邻两帧间车辆最大位移约为：A.0.33mB.1.11mC.3.33mD.11.1m答案：B解析：120km/h=33.33m/s，帧周期1/30s，位移=33.33/30≈1.11m。6.在基于图神经网络(GNN)的路径规划模型中，将道路段抽象为“边”，最适合的边特征为：A.道路段中心点经纬度B.道路段历史平均行程时间C.道路段两侧绿化带面积D.道路段铺设年份答案：B解析：行程时间直接反映边权重，是路径代价的核心变量。7.使用深度Q网络(DQN)优化区域级动态费率，若奖励设计为“系统总旅行时间减少量”，可能出现的不良结果是：A.模型不收敛B.个别路段出现过度收费C.损失函数呈单调递减D.经验回放池失效答案：B解析：奖励仅关注全局时间，可能牺牲局部公平，导致个别瓶颈路段费率畸高。8.在自动驾驶感知融合链路中，若相机与毫米波雷达外参标定矩阵存在0.2m横向误差，最直接影响的是：A.目标速度估计B.目标横向定位C.目标分类置信度D.目标纵向加速度答案：B解析：横向误差直接叠加到投影后的横向坐标，纵向误差才会主要影响距离与速度。9.某市部署AI摄像头检测违章停车，系统反馈大量误报集中在“树荫区域”，其根因最可能是：A.训练集缺少树荫下正样本B.损失函数未采用FocalLossC.推理阶段NMS阈值过高D.摄像头快门时间过短答案：A解析：域偏移导致模型在树荫纹理下将静止车辆误检为背景或反之，属于数据不平衡问题。10.关于边缘计算节点容器化部署的优势，下列说法错误的是：A.可快速横向扩容以应对早晚高峰B.容器镜像包含操作系统内核，隔离性优于虚拟机C.支持灰度发布，降低版本升级风险D.占用资源少于传统虚拟机答案：B解析：容器共享宿主机内核，隔离性弱于虚拟机，但开销更小。二、多项选择题（每题3分，共15分；多选少选均不得分）11.下列哪些技术组合可有效提升自动驾驶定位系统在GNSS信号丢失情况下的鲁棒性？A.RTK+IMU紧耦合B.视觉SLAM+高精地图匹配C.轮速计+磁钉轨道D.5G-V2XRTT定位E.激光雷达里程计+回环检测答案：A,B,D,E解析：磁钉轨道需基础设施改造，不属于“通用技术组合”。12.关于Transformer在交通流预测中的应用，下列说法正确的是：A.自注意力机制可捕获远距离路段时空依赖B.位置编码需同时考虑时间槽与空间节点C.训练阶段采用TeacherForcing可降低曝光偏差D.模型参数量与路段数量呈线性关系E.可引入因果卷积替代自注意力以降低复杂度答案：A,B,C,E解析：D错误，参数量与路段数量无关，而与嵌入维度、层数相关。13.在联邦学习框架下，为防止恶意客户端通过上传异常梯度攻击全局模型，可采取的措施有：A.基于余弦相似度的梯度过滤B.采用SecureAggregation加密聚合C.使用差分隐私添加噪声D.强制所有客户端共享原始数据E.基于历史贡献度进行加权聚合答案：A,B,C,E解析：D违背联邦学习隐私前提。14.以下哪些指标可直接用于评估AI信号控制方案在仿真中的效果？A.平均旅行时间B.平均停车次数C.路网总通过量D.平均排队长度E.车牌识别准确率答案：A,B,C,D解析：E属于感知层指标，与控制效果无直接因果。15.在构建高速数字孪生体时，为保证“虚实同步”，需要重点同步的数据有：A.车辆微观轨迹B.路面附着系数C.天气光照强度D.收费站ERP系统余额E.隧道内CO浓度答案：A,B,C,E解析：D属于支付系统数据，与交通流孪生无关。三、判断题（每题1分，共10分；正确打“√”，错误打“×”）16.在强化学习信号控制中，奖励函数加入“相位切换次数”惩罚项可有效减少频繁抖振。答案：√解析：抖振指相位频繁切换，增加惩罚可抑制。17.激光雷达的垂直分辨率越高，则对远距离小目标的检测距离必然越远。答案：×解析：检测距离还与发射功率、接收灵敏度、目标反射率有关。18.使用知识蒸馏将大型Transformer模型压缩为轻量级CNN，可显著降低边缘端推理延迟。答案：√解析：蒸馏后模型结构简化，延迟下降。19.在GNN中，增加“虚拟超级节点”连接所有路段节点，可提升全局信息传递效率但会显著增加计算复杂度。答案：√解析：超级节点导致邻接矩阵稠密，计算量上升。20.5G网络切片可为自动驾驶远程接管提供独立的URLLC逻辑通道。答案：√解析：网络切片保障差异化QoS。21.交通流预测模型在节假日泛化差，主因是训练集未包含节假日标签。答案：×解析：主因是出行行为模式本身变化，与是否含标签无直接因果。22.采用FP16精度推理可减半显存占用且几乎不掉精度。答案：√解析：FP16在多数CNN任务下精度损失<0.5%。23.在仿真平台中，若车辆跟驰模型参数标定错误，则AI信号控制策略评估结果一定无效。答案：×解析：仍可做相对对比评估，但绝对值无效。24.联邦学习中，客户端本地epoch越多，全局模型收敛速度一定越快。答案：×解析：本地epoch过多可能导致客户端漂移，反而减慢收敛。25.使用差分隐私时，隐私预算ε越小，加入噪声越大，模型可用性越低。答案：√解析：ε越小隐私保护越强，噪声增大，精度下降。四、填空题（每空2分，共20分）26.若某深度强化学习状态空间维度为512，动作空间为8，采用DoubleDQN，则其Q网络输出层节点数为________。答案：8解析：输出层对应每个动作的Q值。27.某激光雷达单回波最大测距公式为=若发射功率提高至4倍，其他参数不变，则最大测距变为原来的________倍。答案：2解析：∝。28.在交通流三参数基本图中，当流量达到最大值时，对应的密度称为________密度。答案：临界解析：临界密度对应通行能力最大点。29.采用滑动窗口法进行短时交通流预测，若历史步长取12，预测步长取6，采样间隔为5min，则预测未来________分钟。答案：30解析：6×5=30min。30.在联邦学习中，若总客户端数为100，每轮随机参与比例为0.1，则为保证任意客户端期望参与次数≥3，理论最少通信轮数约为________轮。答案：30解析：每轮选中概率0.1，期望3/0.1=30。31.某深度模型参数量为210M，若采用INT8量化，则理论存储量约为________MB。答案：210解析：INT8每参数1Byte，210MByte=210MB。32.在GNSS/IMU组合导航中，若IMU零偏不稳定性为10°/h，则零偏噪声在1s内引起的姿态误差角约为________角秒。答案：10解析：10°/h=10×3600arcsec/3600s=10arcsec/s。33.使用1D-CNN进行速度序列预测，若卷积核大小为5，空洞系数d=2，则实际感受野为________。答案：9解析：1+(5−1)×2=9。34.在MEC-V2X架构中，若任务卸载决策变量x_i∈{0,1}，则目标函数通常需同时优化________和________两项指标。答案：时延、能耗（顺序可换）解析：边缘计算核心权衡。35.某城市路网有1000个路口，采用邻接矩阵存储，若使用稀疏矩阵CSR格式，则理论上非零元素数等于________。答案：<2000解析：无向图每条边存两次，若平均度<4，则非零元素<2000。五、简答题（每题8分，共24分）36.简述基于深度强化学习的区域信号控制在真实落地时面临的三大工程难题，并给出可行缓解方案。答案与解析：(1)仿真—现实差距（Sim-to-Real）：仿真器车辆行为、传感器误差与真实不符。缓解：采用混合现实回放，将真实检测数据注入仿真；使用领域随机化增强鲁棒性。(2)数据延迟与丢包：检测器至边缘节点网络抖动导致状态不完整。缓解：引入冗余检测源（视频+雷达），设计基于时序插值的状态修复模块；采用5GURLLC切片。(3)安全与可解释：黑箱策略难以通过交警审计。缓解：引入可解释模块（如注意力热图显示关键车道），并设置规则护栏（如最大红灯时长硬约束）。37.说明如何利用联邦学习实现“全域OD（起讫点）估计”同时保护用户隐私，给出算法流程与隐私保障点。答案与解析：流程：①各手机端本地提取OD指纹（加密网格化坐标+时间槽），不上传原始GPS；②本地训练轻量级GRU模型，输出OD需求矩阵；③上传加噪梯度（差分隐私ε=1）；④中心服务器聚合梯度，更新全局OD模型；⑤下发新模型，迭代至收敛。隐私保障：原始GPS永不离开本地；梯度经差分隐私加密；SecureAggregation防止中心看到单用户梯度；OD指纹采用哈希网格，空间精度降至250m，k-匿名≥15。38.给出一种基于Transformer的多模态融合框架，用于隧道内车辆检测，说明如何对齐相机、毫米波雷达、激光雷达三种模态的时空特征。答案与解析：框架：①时间对齐：采用硬件PTP同步，统一至100ms时间窗；②空间对齐：以激光雷达坐标系为基准，利用外参矩阵将相机语义特征图与雷达点云投影至BEV网格；③特征提取：相机分支采用EfficientNet-B3输出语义token，雷达分支用PointPillars输出速度token，激光分支用3D稀疏CNN输出几何token；④跨模态注意力：设计Modality-AwareCross-Attention，Query来自激光几何token，Key/Value来自相机语义token，再与雷达速度token做Add&Norm；⑤解码：采用DETR式解码器输出3D框。对齐关键：在BEV网格同一cell内，将多模态特征拼接后做线性映射，保证空间一致性；时间窗内采用缓存队列，迟到模态用线性外推补齐。六、计算题（共31分）39.（10分）某高速路段自由流速度为100km/h，阻塞密度为120veh/km，采用Greenshields模型。(1)给出速度—密度关系式；(2)计算最大通行能力；(3)若AI限速系统希望将流量控制在0.8，求对应的密度区间。答案与解析：(1)Greenshields：v其中=100km/h，=(2)流量q求极值：==(3)令q=2400化简：−解得k故密度区间[24,96]veh/km。40.（10分）某边缘服务器需在100ms内完成BEV视角下3D检测推理。模型输入为512×512×3图像，采用MobileNetV2backbone+SSDLitehead，计算量分布：backbone占70%，head占30%。已知边缘GPUINT8算力为8TOPS，内存带宽为50GB/s，模型权重大小为12MB，特征图峰值占用为38MB。(1)计算理论最少计算时间（假设无带宽瓶颈）；(2)判断内存带宽是否成为瓶颈；(3)若将backbone替换为SparseNet，计算量降为原来40%，求新理论计算时间。答案与解析：(1)总计算量：MobileNetV2+SSDLite约1.2GMac，INT8下1Mac=2OP，总2.4GOP。时间=2.4/8000=0.3ms。(2)权重+特征共50MB，带宽50GB/s→传输时间=50/50000=1ms<100ms，非瓶颈。(3)新计算量=0.4×70%×2.4+30%×2.4=0.672+0.72=1.392GOP，时间=1.392/8000=0.174ms。