AI在轨道交通智能控制装备技术中的应用

0XX/XX/XXAI在轨道交通智能控制装备技术中的应用汇报人:XXXCONTENTS目录01

轨道交通智能控制装备技术发展概述02

AI技术在轨道交通控制装备中的核心支撑体系03

AI在列车运行控制装备中的应用04

AI在信号与通信控制装备中的应用05

AI在供电与能源控制装备中的应用CONTENTS目录06

AI在轨道与车辆控制装备中的应用07

典型应用案例分析08

面临的挑战与应对策略09

未来发展趋势展望轨道交通智能控制装备技术发展概述01轨道交通智能控制装备的定义与范畴轨道交通智能控制装备的定义轨道交通智能控制装备是指融合人工智能、大数据、物联网等新一代信息技术，实现对轨道交通列车运行、设备状态、乘客服务等进行智能化感知、决策、控制与管理的各类硬件与软件系统的总称。核心技术构成以数据、算法、算力、平台、安全为五大底座，包括全生命周期数据治理、城轨行业大模型与专业小模型、云边端协同算力、统一AI平台及覆盖云网数用端的全场景安全体系。主要应用范畴涵盖列车运行控制（如全自动运行系统FAO）、设备智能运维（如预测修/状态修、智能巡检机器人）、乘客服务（如异常行为识别、无感通行）、运输组织（如客流预测、智能调度）、应急处突及智慧能源管理等关键领域。传统控制装备技术的现状与瓶颈现状：从自动化向智能化过渡的初级阶段传统轨道交通控制装备已实现信号联锁、列车自动防护（ATP）等自动化功能，但智能化程度有限，主要依赖人工经验进行调度、故障判断和维护决策，尚未形成数据驱动的智能闭环。效率瓶颈：人工调度与固定运行图的局限性传统调度依赖人工编制运行图，调整周期长，难以实时响应动态客流变化。例如，深圳地铁应用AI前，运行图编制需周级时间，高峰时段拥挤度较高，难以实现运力精准投放。维护瓶颈：计划修模式与故障响应滞后设备维护多采用定期检修模式，存在过度维修或故障发现不及时问题。如传统站台门安全回路继电器每两天人工检测一次，故障定位时间长，影响运营效率，增加人工成本。安全瓶颈：单一传感器与被动式监控传统安全监控依赖单一类型传感器和人工巡检，对复杂场景（如多因素耦合故障、异常行为）识别能力弱，预警响应慢。如隧道裂缝、接触网磨损等隐患难以及时发现，存在安全风险。数据瓶颈：信息孤岛与利用率低各系统（信号、车辆、供电、客流）数据分散存储，格式不统一，形成“数据孤岛”，难以实现跨专业数据融合与深度分析，制约了智能决策支持能力的提升。应对运营规模扩张与成本压力截至2026年3月，全国城轨运营里程达11778.2公里，车站近7000座，2025年平均每车公里运营成本达35.28元，十年间增长约20%。AI技术是实现降本增效，应对大规模运维挑战的关键手段。突破传统控制模式的效率瓶颈传统运营依赖人工经验，如列车运行图编制需周级时间，设备故障发现滞后超2小时。AI技术可实现智能调度（如深圳地铁运行图编制缩短至分钟级）、预测性维护（故障预测准确率超90%），提升系统响应速度与精度。满足安全与可靠性的极致要求轨道交通作为关键基础设施，对安全有严苛标准。AI技术通过智能监控（如异常行为秒级识别）、故障预警（如设备状态实时监测与寿命预测）、自动化应急处置，构建主动防御体系，减少人为失误，提升系统韧性。推动控制装备向智能化、自主化升级《智慧城轨发展纲要（2026-2035年）》明确目标，2035年城轨云数智平台100%覆盖，AI降本>40%。AI赋能控制装备是实现全自动运行（FAO）、车路协同、数字孪生等先进技术的核心支撑，推动装备技术迭代与产业升级。AI技术赋能轨道交通控制装备的必要性AI技术在轨道交通控制装备中的核心支撑体系02数据基础：全生命周期数据治理与高质量数据集构建

全生命周期数据治理体系构建覆盖“理、采、存、管、用”全生命周期的数据治理体系，打破“数据孤岛”，确保数据从产生到应用的全过程可控、可管、可用。

行业级高质量数据集打造依据《城市轨道交通人工智能应用指南（2026）》要求，建立统一的数据标注规则和定期更新机制，打造支撑AI模型训练的城轨行业高质量数据集。

多源数据融合与标准化整合列车运行数据、客流数据、设备状态数据、环境数据等多源异构数据，统一数据格式与标准，为智能控制装备技术应用提供一致的数据输入。

数据安全与隐私保护遵循《数据安全法》《个人信息保护法》等法规，建立覆盖“云、网、数、用、端”全场景的数据安全防护体系，保障数据在采集、传输、存储和使用过程中的安全与合规。行业大模型：通用认知与跨域知识基座以国产自主大模型（如DeepSeek、文心一言等）为基座，注入城轨专业数据微调形成行业通识大模型，提供跨领域的通用认知能力，支撑智能体开发。专业小模型：场景落地与实时精准执行针对城轨特定场景需求，基于行业大模型能力，结合企业独有数据，定制化构建专业智能体，确保具体场景的执行精度和实时性，如供电智能体、合规管理智能体等。协同模式：大小模型功能互补与效能提升采用“行业大模型+专业智能体”的架构，大模型负责复杂知识理解与宏观决策，小模型专注于特定任务的精准执行与快速响应，实现“通用能力+专业深度”的高效协同，如青岛地铁供电智能体故障处置效率提升超70%，徐州地铁合规管理智能体合同审查效率提升60%。算法支撑：行业大模型与专业小模型协同架构算力保障：云-边-端协同的弹性算力调度云-边-端三级算力架构构建云端集中训练、边缘实时推理、终端本地执行的三级算力体系，实现城轨AI应用的高效算力支撑。集中算力训模与弹性调度云端部署通用与智能算力，支撑城轨行业大模型及专业小模型的训练与优化，根据业务需求进行弹性调度，避免算力浪费。边缘算力实时响应在车站、车辆段等场景部署边缘算力节点，满足设备智能巡检、客流实时分析等高实时性应用需求，确保毫秒级响应。自主可控与高效协同采用自主可控的算力设备与调度系统，实现云-边-端算力资源的统一管理与高效协同，保障AI应用稳定可靠运行。平台底座：统一AI平台的模型与数据管理

模型全生命周期管理构建覆盖模型开发、训练、部署、监控、迭代的标准化流程，支持城轨行业大模型与专业小模型的协同管理，避免重复建设，提升模型复用率。

数据集中治理与共享打通不同线路、专业的数据壁垒，实现全生命周期数据治理，打造高质量行业数据集，为AI应用提供统一、可靠的数据支撑，解决“数据孤岛”问题。

算力统筹与弹性调度整合云边端算力资源，实现集中算力训模与边缘算力实时推理的协同，根据业务需求进行弹性调度，保障AI应用高效、稳定运行，提升算力利用率。

应用接口标准化提供统一的API网关，实现模型、数据、算力服务的标准化接口，支持各业务系统便捷调用AI能力，促进AI技术与城轨业务的深度融合。安全支撑：全场景一体化安全运营体系云网数用端全场景覆盖

构建覆盖“云、网、数、用、端”全场景的一体化安全运营体系，确保AI应用在数据传输、存储、处理和应用各环节的可信可控，为轨道交通智能控制装备的稳定运行提供全方位安全保障。智能威胁检测与异常发现

利用机器学习和深度学习模型，对网络流量、系统日志、用户行为数据进行建模分析，实时发现偏离正常模式的异常行为。例如，某地铁集团部署AI安全平台，通过分析SCADA系统流量，成功预警了针对环境控制系统的异常数据包攻击。预测性安全运维与风险评估

基于时序数据分析与AI预测模型，对信号设备、供电系统等关键资产的运行状态进行监控，预测潜在故障和安全风险点。如通过监测列车轴承温度、牵引电流等数据的异常波动，AI系统可提前数小时预警机械故障，防止因设备失效引发安全连锁反应。自动化安全响应与处置

结合安全编排、自动化与响应（SOAR）技术，将AI分析结果与预定义的处置流程联动，实现安全事件的自动闭环处理。当AI检测到恶意IP攻击时，可自动下发指令至防火墙实现IP封禁，并将工单派发给相应运维人员，极大缩短响应时间。AI在列车运行控制装备中的应用03基于AI的列车自动驾驶与自动防护系统01AI赋能全自动运行系统（FAO）截至2025年底，中国城市轨道交通全自动运行系统（FAO）运营里程较2019年底增长近28倍，平均正线运营故障率下降73%，AI技术在实现列车无人驾驶、自动出入库、故障自诊断等方面发挥核心作用。02智能列车控制与精准对标基于深度强化学习的自动驾驶算法，能处理复杂线路条件和突发情况，实现列车自动启停、精准对标，结合线路坡度实时优化牵引和制动，达到节能运行目的。03自适应信号控制与动态调整AI驱动的列车自动控制（ATC）系统与自适应信号控制技术，可根据实时客流、车距动态调整信号，提升运行效率与安全性，从传统的“车看灯”通行模式转变为更智能的“灯看车”放行模式。04运行风险智能评估与预警中国籍远洋船舶航行风险评估与预警智能体的技术思路可借鉴应用于列车领域，通过分析列车运行数据、线路状况及环境因素，实现对潜在运行风险的智能评估与提前预警。基于多源数据融合的客流精准预测融合历史客流、实时监控、节假日、大型活动等多源数据，运用AI大模型进行客流预测。如深圳地铁应用后客流预测精度达95%，为运行图编制提供科学依据。智能运行图算法与编制效率提升采用运筹优化算法与机器学习模型，实现运行图的智能编制。传统人工编制需周级时间，AI技术可将其压缩至分钟级，大幅提升编制效率与科学性。动态调整与应急响应优化基于实时客流变化、设备状态及突发情况，AI系统可快速生成运行图调整方案。在面对大客流等突发情况时，能提升运行图调整效率，保障线路运行稳定性。运力资源的智能匹配与效能最大化AI技术根据客流预测结果，动态调整列车开行方案，实现高峰时段的增减车次，优化列车运行速度和停靠时间，精准投放运力，避免运力浪费或不足。智能列车运行图编制与动态优化技术车地协同与车车通信中的AI决策机制

动态通信资源智能分配AI算法实时分析车地、车车通信需求与信道质量，动态分配5G-R通信资源，保障高密度场景下（如早晚高峰列车会车）通信链路的稳定性与低时延，提升带宽利用率达30%以上。

分布式协同调度决策基于多智能体强化学习，实现列车间自主协同决策，在突发情况下（如前方列车故障），相邻列车可快速协商调整运行计划，缩短应急响应时间至分钟级，提升线路通行效率。

环境感知与风险预判融合车载传感器与轨旁感知数据，AI模型实时识别轨道障碍物、恶劣天气等风险因素，并通过车车通信快速共享预警信息，实现列车群协同避障，将事故预防准确率提升至92%。

通信故障自修复与降级策略AI实时监测通信链路健康状态，当检测到异常时，自动切换备用通信路径或启动降级运行模式，结合边缘计算实现本地临时决策，保障列车运行不中断，通信恢复时间缩短70%。列车节能运行的AI优化控制策略

01基于深度强化学习的牵引制动优化利用深度强化学习算法，根据线路坡度、曲线半径等实时路况，动态调整列车牵引和制动模式，实现节能运行。如某地铁线路应用后，牵引能耗降低约15%。

02多目标协同优化调度模型构建融合能耗、准点率、乘客舒适度的多目标AI调度模型，通过智能算法平衡各项指标，在保证准点的前提下最大化节能效果，部分线路试点实现综合能耗下降12%。

03车网协同的能量回收与利用AI系统实时分析列车运行状态与电网负荷，优化再生制动能量回收时机与回馈策略，提高能量利用率。深圳地铁相关应用使再生制动能量回收率提升至30%以上。

04基于客流预测的动态节能控制结合AI客流预测结果，动态调整列车编组、发车频率及运行速度，避免空驶或过度运力投放。某城市轨道交通线网应用后，非高峰时段单位客公里能耗下降8%。AI在信号与通信控制装备中的应用04AI驱动的自适应信号控制系统

动态配时优化：从“车看灯”到“灯看车”基于强化学习与自适应控制算法，实时分析路口各方向车流量，动态调整信号灯配时方案。在饱和度超过80%时，仍能保持65%的路口通行效率，有效缓解交通拥堵。

多源数据融合感知技术整合视频摄像头、雷达、地磁传感器等多维度感知数据，结合5G-Advanced/6G网络低时延、高可靠特性，实现交通流量、车速、路况等信息的实时精准采集与传输。

区域协同控制与全局优化构建“云-边-端”协同的立体化系统，通过AI算法对区域内交通流进行宏观优化，实现信号灯的协同控制，提升整个区域的通行效率，而非单一路口的局部优化。

智能体决策与实战应用以“云脑智行—大语言模型驱动的全域信号优化引擎”等为代表，AI大模型推动交通信号控制从传统参数优化迈向智能体决策。如“信控智能一体机”等创新应用，已在实际场景中发挥作用。基于计算机视觉的轨道异物与入侵检测

多模态感知技术架构融合高清摄像头、激光雷达、红外热成像等多源传感器，构建"天-空-地"立体感知网络，实现对轨道区域24小时不间断监测，识别距离可达500米以上，环境适应性覆盖雨、雪、雾等复杂天气。

智能算法核心能力采用YOLOv8-seg+Transformer融合模型，对轨道异物（如落石、障碍物）和入侵行为（如人员闯入、车辆越界）进行实时检测，准确率达98.5%，响应时间≤0.5秒，误报率控制在0.3次/百公里·天以下。

边缘计算与协同处置基于昇腾910B边缘GPU构建端边协同推理平台，支持单卡300TOPS算力，实现现场数据实时分析与本地告警；同时联动云平台进行全局态势研判，自动生成处置方案并推送至调度中心，形成"监测-识别-告警-处置"闭环。

典型应用案例深圳地铁应用该技术后，成功预警12起轨道异物事件，平均处置时间缩短70%；广州地铁实现隧道入侵检测全覆盖，年度减少人工巡检工作量80%，相关成果入选交通运输部综合交通运输大模型智能体创新应用典型案例。通信网络智能诊断与故障自愈技术多维度数据融合智能诊断整合通信设备运行数据、网络流量数据、环境监测数据等多源信息，运用机器学习算法构建故障诊断模型，实现对网络异常的精准识别与定位，提升故障发现效率。基于AI的故障预测与预警通过对历史故障数据和设备性能参数的分析，利用深度学习模型预测潜在故障风险，提前发出预警，变被动维修为主动预防，降低故障发生率。自动化故障隔离与恢复结合网络拓扑结构和智能决策算法，在故障发生时自动进行故障隔离，启动备用链路或设备，实现通信网络的快速自愈，减少故障对运营的影响，保障通信畅通。远程智能运维与协同处置构建远程智能运维平台，借助AI技术实现对通信网络的远程监控、诊断和维护，同时支持多部门协同处置故障，提高故障处理效率和协同响应能力。AI在供电与能源控制装备中的应用05多维度智能感知网络构建通过在供电设备上部署振动、温度、电流电压等多类型传感器，实时采集运行状态数据，构建覆盖全生命周期的设备物联智能感知网络，为智能监测提供数据基础。基于AI的故障自动诊断与定位运用人工智能算法对采集到的多模态数据进行深入分析，实现故障的智能诊断与精准定位。如青岛地铁供电智能体可自动完成故障分析、输出解决方案，故障处置效率提升超70%。预测性维护与状态修转型基于时序数据分析与AI预测模型，对供电系统关键设备的运行状态进行监控，预测潜在故障和安全风险点，推动从传统“计划修”向“状态修”“预测修”转型，减少故障发生率和维修成本。智能联动与自动派单系统在发现设备故障或潜在故障时，能够根据故障类型、位置及历史维修数据，自动生成最优维修方案，并将工单派发给距离最近的运维人员，实现快速响应和闭环处理。供电系统智能监测与故障预警装备弓网系统智能检测与优化控制技术

弓网状态智能感知技术融合计算机视觉、红外成像与声学检测技术，实时采集弓网接触压力、温度、磨耗等多维度数据，实现弓网异常状态的精准识别，如南京地铁弓网智能检测系统可实时识别接触网异常。

基于深度学习的故障诊断模型采用YOLOv8-seg等深度学习算法，对弓网图像数据进行分析，实现裂纹、磨损、异物等故障的自动检测与分类，故障识别准确率达90%以上，大幅提升故障发现效率。

弓网动态优化控制策略结合列车运行速度、线路条件等因素，通过强化学习算法动态调整受电弓参数，优化弓网接触性能，减少离线率，降低磨耗，提升弓网系统运行可靠性与寿命。

全生命周期健康管理平台构建弓网系统全生命周期数据管理平台，整合检测数据、故障记录与维修信息，运用大数据分析与预测算法，实现弓网系统健康状态评估与寿命预测，支撑从"计划修"向"预测修"转型。智慧能源管理与节能降碳AI控制策略AI驱动的源网荷储控一体化管理构建线网能源管理智能体，动态优化光伏、储能、柔性负荷等多元能源，实现供需精准匹配与高效利用，提升能源系统整体运行效率。智能能效优化与节能降碳运用AI算法对设备能耗数据进行深度分析，结合车站客流变化等因素，实现对电扶梯、照明、通风等设备的智能启停调控，有效降低运营能耗，助力实现碳减排目标。参与虚拟电厂与碳交易通过AI技术聚合轨道交通系统的可调负荷资源，参与虚拟电厂响应，平抑电网峰谷差；同时，基于AI的能耗监测与分析，为参与碳交易提供精准数据支持，拓展绿色收益渠道。AI在轨道与车辆控制装备中的应用06多模态智能感知检测装备集成计算机视觉（如YOLOv8-seg）、声学成像、激光雷达等技术，通过无人机、轨旁监测设备等载体，实现对轨道几何形变、钢轨伤损、扣件状态等多维度参数的实时采集与精准识别。基于AI的故障预测与诊断系统运用GNN+Transformer等算法，对历史检测数据、设备运行数据进行深度挖掘，构建轨道状态预测模型，实现从“定期检修”向“预测修”“状态修”转型，故障预测准确率可达92%以上。智能修复与维护机器人如隧道智能修复机器人，系统定位精度可达2毫米，将传统需要3个月的加固工期压缩至20天，生产效率提升30%以上，显著降低人工成本和作业风险。数据驱动的全生命周期管理平台构建覆盖“检测-分析-诊断-决策-维护”全流程的数字化平台，整合多源检测数据，提供可视化的轨道健康状态评估与维护方案推荐，助力实现轨道维护的智能化与精细化管理。轨道几何状态智能检测与维护装备车辆关键部件故障预测与健康管理系统多源数据融合感知体系通过部署在车辆关键部件（如轴承、电机、制动系统）的振动、温度、电流、电压等多类型传感器，结合图像识别（如视觉检测闸瓦磨耗），构建全生命周期数据采集网络，实现设备状态的实时精准感知。基于AI算法的故障预测模型运用机器学习（如孤立森林、GNN图神经网络）和深度学习（如LSTM、Transformer）算法，对历史故障数据和实时监测数据进行训练，实现关键部件故障的早期预警与寿命预测。例如，西安地铁AI系统可预测站台门安全回路继电器故障，准确率高。智能诊断与决策支持AI系统能够自动进行故障根因定位，关联相似案例，推送最优维修方案，并根据故障类型、位置及运维资源，智能生成维修工单并派发给距离最近的运维人员，提升故障处置效率。从“计划修”到“预测修”的转型实践通过PHM系统的应用，实现车辆关键部件从传统定期检修向基于状态的预测性维护转变，有效减少人工巡检工作量（如成都地铁类似项目减少巡检工作量40%），降低故障率，缩短维修时间，降低运维成本。智能运维机器人在车辆检修中的应用

车底关键部件智能巡检车辆智能巡检机器人通过自动巡检、无线传输、图像识别及深度学习算法，可识别车底或侧面零部件松动、变形、丢失与异物等故障，替代人工近距离、重复性检查。

车门检修效率提升车门检修机器人效率比人工提高4至8倍，能精准完成车门系统关键部件的检测与数据记录，大幅减少人工劳动强度与人为误差。

继电器自动化检测继电器自动化检测设备将单设备检测时间从120秒压缩至10秒，显著提升车辆电气系统核心部件的检测效率与准确性。

协同检修模式优化检修班组与智能巡检机器人充分磨合，形成高效协同检修模式，结合AI系统的故障诊断与预测功能，实现从“计划修”向“状态修”的转变。典型应用案例分析07列车自动驾驶与精准控制基于深度强化学习的自动驾驶算法，实现列车自动启停、精准对标（误差≤30cm）及节能运行，根据线路坡度实时优化牵引和制动策略。智能调度与运行图优化综合交通运输大模型赋能，结合实时客流与设备状态数据，实现运行图智能编制与动态调整，深圳地铁应用后运行图编制从“周级”压缩至分钟级。设备健康管理与故障自诊断AI驱动的故障预测与健康管理（PHM）系统，对列车关键部件（如轴承、牵引系统）实时监测，故障预测准确率超90%，实现从“计划修”向“预测修”转型。无人值守场景下的智能监控计算机视觉与多模态感知技术，实现站台乘客越界、线路入侵等异常行为秒级识别与告警，西安地铁AI系统可自动生成故障处置方案并联动应急响应。全自动运行系统（FAO）中的AI控制装备实践智能运维平台在设备控制中的应用成效设备故障预测准确率显著提升基于GNN+Transformer算法，结合设备拓扑与历史故障数据，设备故障预测准确率可达92%，如西安地铁AI系统可提前预测站台门安全回路继电器故障。故障处置效率大幅提高通过智能诊断与自动派单，故障定位时间缩短35%以上，青岛地铁供电智能体实现故障处置效率提升超70%，徐州地铁合同审查从“天级”缩至“分钟级”。人工巡检工作量显著降低引入无人机、智能巡检机器人等装备，结合YOLOv8-seg等模型分析多模态数据，人工巡检工作量减少40%-80%，成都中车智慧工厂车门检修机器人效率比人工提高4至8倍。运维成本有效降低从“计划修”转向“状态修”“预测修”，维修成本下降15%，设备可用率提升10%，预计到2035年AI技术降本率目标将达到40%。城轨云数智融合平台支撑下的控制装备升级

云边端协同算力架构构建集中算力训模、边缘算力实时推理的云边端协同体系，满足控制装备高实时性、低时延需求，实现自主可控与弹性调度。

统一AI平台与模型管理打造统一AI平台，集中管理模型、数据、算力与应用，避免烟囱式建设，支撑控制装备智能化算法的标准化开发与部署。

数据全生命周期治理打通数据壁垒，构建覆盖“理、采、存、管、用”全生命周期的数据治理体系，打造高质量行业数据集，为控制装备提供精准数据支撑。

智能化控制装备应用成效基于城轨云数智融合平台，控制装备实现从自动化到智能化跃升，如深圳地铁运行图编制从“周级”压缩至分钟级，青岛地铁供电故障处置效率提升超70%。面临的挑战与应对策略08技术挑战：模型鲁棒性与长尾场景覆盖

01模型鲁棒性不足问题AI模型在极端工况下可能出现性能衰减，如复杂天气、设备突发故障等非理想条件下，模型决策准确性和可靠性降低，影响轨道交通智能控制装备的稳定运行。

02长尾场景覆盖不充分多因素耦合的罕见故障等长尾场景难以被有效覆盖，这些低概率但高影响的事件，现有AI模型因训练数据不足或场景特征复杂，难以准确识别和处理。

03算力供需失衡挑战在高并发时段，如早晚高峰大规模数据处理时，算力需求急剧增加，现有算力资源调度难以满足实时性要求，可能导致智能控制装备响应延迟。

04大小模型适配难题行业大模型与专业小模型在功能、数据、接口等方面存在适配障碍，大模型提供通用认知能力与小模型确保实时精准执行之间的协同机制尚不完善。安全合规：数据安全与算法可解释性

数据安全防护体系构建依据《数据安全法》《个人信息保护法》，构建覆盖“云、网、数、用、端”全场景的一体化安全运营体系，实现数据全生命周期治理与隐私保护，保障AI应用合规可控。

算法可解释性技术应用发展可解释AI（XAI）框架，使AI安全决策过程透明可追溯，增强运维人员对AI系统的信任度，便于故障排查与责任认定，解决“黑箱”特性带来的信任与合规问题。

人机协同责任边界明确针对AI模型决策可能引发的安全责任问题，明确人机协同场景下的责任划分标准与流程，确保在设备运维、应急处突等关键环节，责任可追溯、可界定。

安全合规典型案例借鉴参考轨道交通AI网络安全实践，如某地铁集团部署AI安全平台分析SCADA系统流量预警异常攻击，通过技术手段与管理制度结合，实现安全合规与智能应用的平衡。人才培养与产业生态共建策略复合型人才引育体系构建针对城轨AI领域复合型人才短缺问题，建立“懂地铁、精AI、强落地”的人