2025年人工智能智能交通试题及答案.docxVIP

2025年人工智能智能交通试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪项技术是智能交通系统（ITS）中实现车路协同的核心通信技术？

A.蓝牙4.0

B.5G+蜂窝车联网（C-V2X）

C.Wi-Fi6

D.窄带物联网（NB-IoT）

答案：B

解析：车路协同需要低时延、高可靠的通信支持，5G与C-V2X（CellularVehicle-to-Everything）技术结合，可实现车辆与道路基础设施（V2I）、车辆与车辆（V2V）、车辆与行人（V2P）的实时交互，是车路协同的核心通信技术。其他选项中，蓝牙和Wi-Fi覆盖范围小、可靠性不足；NB-IoT侧重低功耗广连接，不满足车路协同的实时性需求。

2.在基于AI的交通信号控制中，强化学习算法的主要优势是？

A.能快速处理静态交通数据

B.可通过与环境交互动态优化控制策略

C.对历史数据标注要求低

D.计算复杂度显著低于传统控制模型

答案：B

解析：强化学习（RL）通过“试错-反馈”机制与交通环境交互，根据实时交通状态调整信号配时策略（如绿信比、周期长度），动态适应交通流变化，这是其区别于传统定时控制（如SCATS、SCOOT）的核心优势。选项A错误，因强化学习更擅长动态场景；C错误，其仍需一定数据支持；D错误，强化学习计算复杂度通常更高。

3.某城市利用AI预测早高峰交通拥堵时，若模型对“雨雪天气”场景的预测误差显著增大，最可能的原因是？

A.训练数据中雨雪天气样本占比过低

B.模型采用了线性回归算法

C.预测目标定义为“拥堵持续时间”而非“拥堵程度”

D.数据采集设备在雨雪天故障率升高

答案：A

解析：机器学习模型的泛化能力依赖于训练数据的多样性。若历史数据中雨雪天气样本不足，模型无法学习到该场景下的交通流特征（如车速下降、事故率上升），导致预测误差增大。选项B错误，线性回归可能影响精度，但非场景特定误差主因；C错误，目标定义不影响场景适应性；D属于数据采集问题，与模型本身无关。

4.自动驾驶车辆（AV）在交叉路口决策时，需融合多传感器数据。以下哪类数据对“识别闯红灯行人”最关键？

A.激光雷达点云

B.毫米波雷达速度数据

C.摄像头可见光图像

D.惯性导航系统（IMU）姿态数据

答案：C

解析：行人闯红灯行为的识别依赖对交通信号灯状态（红/绿）和行人位置、动作的视觉判断，摄像头可见光图像可直接捕获信号灯颜色与行人特征（如移动方向），是关键数据。激光雷达虽能精准定位，但无法直接识别颜色；毫米波雷达侧重测速，难以区分行人与其他目标；IMU用于车辆自身姿态校准，与行人行为识别无关。

5.在智能交通系统中，“边缘计算”的主要作用是？

A.替代云计算中心处理所有数据

B.降低数据传输时延，支持实时决策

C.简化终端设备的传感器配置

D.提高历史交通数据的存储容量

答案：B

解析：边缘计算将数据处理任务从云端下沉至路侧单元（RSU）或车载终端，减少数据往返云端的传输时间（5G端到端时延约10ms，边缘计算可降至1-5ms），满足自动驾驶、实时信号控制等场景的高实时性需求。选项A错误，边缘计算与云计算是互补关系；C错误，传感器配置由需求决定；D错误，存储容量由存储设备决定，与边缘计算无关。

6.以下哪项指标最能反映智能交通系统对“交通公平性”的提升？

A.主干道平均车速提升率

B.老年人过街等待时间缩短比例

C.高峰时段车辆通行效率增长率

D.自动驾驶车辆市场渗透率

答案：B

解析：交通公平性强调不同群体（如老年人、残障人士）的出行权益。老年人行动较慢，过街等待时间过长会加剧其出行障碍，缩短该时间直接体现系统对弱势群体的关注。其他选项更多反映整体效率或特定群体（如车主）的利益。

7.某城市引入AI交通事件检测系统后，误报率（将正常交通流误判为事故）高达25%，最可能的技术缺陷是？

A.模型未对“拥堵缓行”与“事故停滞”的差异特征进行训练

B.数据采集频率不足（如每分钟1次）

C.路侧摄像头分辨率仅720P

D.通信网络带宽限制导致数据丢包

答案：A

解析：误报率高通常源于模型对相似场景（如拥堵缓行与事故停滞）的区分能力不足。若训练数据未充分标注“事故停滞”（车辆静止且双闪开启）与“拥堵缓行”（车辆缓慢移动）的差异特征（如车速方差、车辆灯光状态），模型易混淆两者。选项B错误，事件检测需秒级数据，若采集频率过低会漏报而非误报；C错误，720P分辨率可满足基础检测；D错误，数据丢包会导致漏检，而非误判。

8.