深智城基于 MatrixOne 改造交通大数据平台，数据组件减少 80%，实现秒级实时分析，运维成本降低约 50%。
深圳市城市交通规划设计研究中心是深圳交通大数据与分析的主要承担机构，负责采集、整合并分析全市路网交通数据，支撑城市交通规划、实时交通管理与出行服务。
深圳市城市交通规划设计研究中心承担城市交通规划与治理的技术支撑工作，交通大数据平台是其核心基础设施。
城市交通治理正在从「事后疏导」转向「事前预判」，而这个转变的前提是预测能力。
预测城市交通拥堵，需要把数十种异构数据源——路侧传感器、GPS 轨迹、公交客流、气象数据、活动日历、施工计划——融合成适合机器学习训练的统一数据集。
这些数据的采集频率、坐标体系、时间粒度、质量水平各不相同，融合本身就是一项持续工程。数据工程师的大量时间被 ETL 管线、特征工程与数据质量治理占据，而这些工作不产生直接的业务产出。
模型训练部署完成之后，又出现第二个瓶颈：只有专业数据科学家能操作它们。真正需要预测结果和情景分析的交通规划人员与城市管理者无法直接与模型交互。
结果是洞察的产生与决策的作出之间始终隔着一层人——规划人员提需求、数据科学家跑模型、再把结果解释回去。每一次追问都要走完整个循环，于是大多数追问不会发生。
SUTPC 在 MOI 上部署交通大数据与 AI 预测平台，把多源数据融合、面向拥堵预测的机器学习训练，与一个由大模型驱动的自然语言交互层结合在一起。
数十种异构交通数据源自动完成接入、清洗与转换，形成可直接用于训练的特征集。数据工程从一次次的定制开发，变成平台上的标准流程。
模型在统一数据集上训练后，输出路段级的拥堵预测——粒度对齐到交通管理实际能够干预的单位。
自然语言接口让非技术用户直接提问、运行情景仿真、调整模型参数，不需要编写代码或具备数据科学背景。这一层的意义不是省掉数据科学家，而是把追问的成本降到规划人员愿意追问的程度。
数十种异构数据源自动整合为 ML-Ready 特征集，数据工程投入大幅下降，团队精力从管线维护转向模型与业务。
模型输出路段级拥堵预测，交通管理从事后响应转向事前干预。
交通规划人员用日常语言即可提问、跑情景仿真、调参数，模型能力真正抵达需要它的岗位，而不是停留在数据科学团队内部。
洞察与决策之间的传递环节被压缩，一个假设可以在同一次会议里被验证，而不是排进下一个数据需求队列。