您好!欢迎访问J9集团官方网站官方网站!

营业时间
MON-SAT 9:00-18:00

全国服务热线

公司门店地址
荔湾区中山八路新虹街58号

J9集团官方网站

j9集团

交通部:7+ 39高质量数据集建设方案深度解析

来源:网络日期:2025-09-29 浏览:

  近日,交通运输部印发了《交通运输行业高质量数据集建设方案》文件,系统化的部署交通运输行业高质量数据集建设任务。我们来推演预测解析一下这7大领域+39个应用场景的数据集建设场景与价值!

  人工智能技术的落地深耕,始终以高质量数据为核心燃料。2024 年《国务院关于深入实施 “人工智能 +” 行动的意见》的出台,标志着 “人工智能 +” 已上升为国家战略层面的重要部署,而交通运输作为人工智能应用的关键场景,其数据资源的开发与利用成为战略落地的核心支撑。交通运输部紧随其后印发的《交通运输行业高质量数据集建设方案》(以下简称《建设方案》),并非孤立的行业政策,而是对国家战略的精准承接与具象化落实,旨在通过数据要素的激活,破解交通运输行业智能化转型中的数据瓶颈。

  从行业发展逻辑来看,交通运输领域天然具备 “数据富矿” 属性 —— 公路网的实时通行数据、港口的集装箱流转数据、轨道交通的调度运营数据、货运市场的供需匹配数据等,覆盖了基础设施、装备、服务、治理等全链条环节。但长期以来,这些数据存在 “分散存储、标准不一、价值沉睡” 的问题:公路与铁路数据分属不同管理体系,难以实现跨模态融合;不同运输企业的装备监测数据格式各异,无法支撑统一的智能分析模型训练;海量的治理数据缺乏标准化加工,难以转化为可复用的训练资源。《建设方案》的出台,正是要通过系统性规划,将这些 “碎片化” 的数据资源整合为 “标准化” 的数据集产品,为人工智能技术在交通领域的规模化应用提供基础支撑。

  《建设方案》明确提出了到 2030 年底的核心目标:建成一批服务于不同应用场景的高质量数据集,形成一批数据集驱动的模型应用典型案例,基本满足世界领先模型的训练需求。这一目标包含三个层次的战略考量:其一,在供给端实现 “量质齐升”,既要扩大数据集的覆盖范围,更要提升数据的精准度、完整性与时效性,解决 “无数据可用” 与 “有数据难用” 的双重问题;其二,在应用端实现 “场景贯通”,通过数据集与具体业务场景的深度绑定,形成 “数据 - 模型 - 应用” 的闭环,让数据价值在实际业务中得到体现;其三,在国际维度实现 “标准引领”,以满足世界领先模型训练需求为标杆,推动我国交通运输数据资源的标准化建设与国际化输出,增强在全球智能交通领域的话语权。

  从更深远的战略意义来看,交通运输行业高质量数据集建设是培育交通新质生产力的关键抓手。新质生产力的核心是技术创新驱动的生产要素重构,而数据作为新型生产要素,其与交通运输传统要素的融合,能够催生全新的生产模式与产业形态:基于基础设施状态监测数据集的智能养护模式,可将公路桥梁的养护效率提升 30% 以上;依托多运输方式物流数据集的智能调度模型,能使货运空驶率降低 15%-20%;借助安全保障数据集训练的风险预警系统,可提前规避 80% 以上的重大交通安全隐患。这些变化不仅能提升交通运输行业的运行效率与安全水平,更能推动产业结构向高端化、智能化、绿色化转型,为经济社会发展注入新动能。

  同时,数据集建设也是打造智能综合立体交通网的基础支撑。《“十四五” 现代综合交通运输体系发展规划》提出要构建 “智能、高效、绿色、安全” 的综合立体交通网,而这一网络的核心特征是 “互联互通、协同联动”。数据作为连接不同运输方式、不同管理部门、不同市场主体的 “纽带”,只有通过标准化数据集的形式,才能实现公路、铁路、水路、航空、管道等多种运输方式的数据互通,支撑跨领域、跨区域的协同调度与一体化服务,真正打破 “信息孤岛”,让综合立体交通网的 “智能大脑” 具备可靠的数据输入。

  《建设方案》提出以 “多模态覆盖、多场景贯通、多任务协同” 为核心思路,这一思路构建了交通运输行业数据集建设的顶层逻辑框架,三者相互支撑、有机统一,共同构成了数据集建设的 “三位一体” 体系。

  “多模态覆盖”是对数据资源广度与深度的要求,打破了传统数据采集的单一维度限制。交通运输数据本身具有显著的多模态特征,既包括车辆位置、速度等结构化的数值数据,也包括路面图像、视频监控等非结构化的视觉数据,还包括调度指令、服务评价等半结构化的文本数据。“多模态覆盖” 要求在数据集建设过程中,不仅要整合不同类型的数据,更要实现数据的跨模态关联与融合 —— 例如将公路的高清监控视频数据与对应的气象数据、通行流量数据进行关联标注,形成 “视觉 - 环境 - 流量” 多模态融合数据集,为智能路况研判模型提供更全面的训练依据。这种覆盖不是简单的数据堆砌,而是基于业务逻辑的有机整合,确保数据集能够反映交通系统的复杂运行状态。

  “多场景贯通”是数据集建设的价值导向,强调数据与实际业务的深度绑定。交通运输行业的业务场景纷繁复杂,从基础设施的建设养护到运输服务的供需匹配,从行业治理的监管执法到安全保障的风险防控,每个场景都有其独特的数据需求。“多场景贯通” 要求数据集建设不能脱离实际业务,而是要以场景需求为牵引,优先解决核心场景的 “数据痛点”。例如,针对物流运输成本高的问题,重点建设多运输方式物流运输成本优化数据集;针对基础设施养护效率低的问题,着力打造公路基础设施状态监测数据集,让数据集能够直接服务于场景问题的解决。

  “多任务协同”是数据集建设的实施路径,体现了系统性与协同性的原则。数据集建设并非单一部门或单一主体的任务,而是涉及数据采集、标注、加工、共享、应用等多个环节,需要政府部门、科研机构、企业主体等多方力量的协同参与。“多任务协同” 一方面要求在纵向层面实现 “国家 - 行业 - 地方” 的分级联动,明确各级主体的职责分工,形成上下贯通的建设体系;另一方面要求在横向层面实现 “跨部门、跨领域、跨主体” 的协同合作,例如交通管理部门与气象部门合作共享数据,共同建设恶劣天气下的交通运行数据集;科研机构与运输企业联合开展数据标注,共同打造高精度的装备监测数据集,通过多方协同提升数据集建设的效率与质量。

  在 “三多” 思路的指引下,《建设方案》将交通运输行业高质量数据集划分为“行业通识数据集”与“行业专识数据集”两大类别,二者形成“基础支撑 + 场景落地”的互补格局,共同构成了完整的数据集供给体系。

  行业专识数据集是面向具体业务场景的 “个性化数据产品”,具有场景化、专业化、针对性的特征,主要围绕特定业务领域的具体应用场景,提供满足个性化需求的精准数据资源。《建设方案》基于场景应用需求必要性、技术可行性、经济可行性、数据基础条件等四大维度的综合考量,将专识数据集聚焦于 7 大业务领域的 39 个具体场景,形成了 “领域 - 场景 - 数据集” 的精准对应关系。这类数据集的建设重点在于 “精准性” 与 “实用性”,需要紧密结合场景的业务逻辑与数据需求,进行针对性的数据采集、标注与加工。例如,在 “基础设施” 领域下的 “公路基础设施状态监测” 场景,专识数据集需要包含公路路面裂缝、沉降、坑槽等病害的图像数据、位置数据、严重程度数据及对应的养护记录数据,能够直接支撑公路智能养护模型的训练与优化;在 “运输服务” 领域下的 “多运输方式物流运输成本优化” 场景,数据集则需涵盖公路、铁路、水路等不同运输方式的运价数据、时效数据、运力数据及货主需求数据,为物流成本优化模型提供精准的输入参数。

  从功能协同来看,行业通识数据集与专识数据集是 “基础与应用” 的关系:通识数据集为专识数据集提供共性数据支撑,减少专识数据集的重复建设;专识数据集则在通识数据集的基础上,针对具体场景进行数据深化与拓展,实现数据价值的精准落地。例如,在建设 “航道运行风险评估与智能监测” 专识数据集时,可复用通识数据集中的 “航道基础地理信息数据集”,再补充航道水深、水流速度、船舶通航数据等场景化数据,形成完整的专识数据集,既保证了数据的基础性,又满足了场景的个性化需求。

  基础设施是交通运输系统的 “骨架”,涵盖公路、铁路、航道、港口、机场、枢纽等多个类型,其建设、养护、运营的智能化水平直接关系到交通系统的运行效率与安全。《建设方案》将基础设施领域作为专识数据集建设的重点方向之一,围绕基础设施的状态监测、风险评估、养护优化等核心需求,提出了公路基础设施状态监测、航道运行风险评估与智能监测、港口码头设备智能运维等多个数据集建设场景,旨在通过数据驱动实现基础设施全生命周期管理的智能化升级。

  交通装备是交通运输系统的 “细胞”,包括车辆、船舶、航空器、轨道交通装备等多种类型,其智能化与网联化水平是衡量交通现代化程度的重要标志。《建设方案》针对交通装备的智能运维、性能优化、安全管控等需求,提出了车辆智能诊断与故障预警、船舶智能航行与能效优化、轨道交通装备状态监测与寿命预测等数据集建设场景,旨在通过装备全生命周期数据的采集与分析,推动装备从 “被动维修” 向 “主动运维”、从 “独立运行” 向 “网联协同” 转型。

  船舶智能航行与能效优化数据集则面向水路运输装备的智能化需求,结合船舶航行的复杂性与能耗高的问题,构建涵盖航行状态、环境条件、能效参数的综合数据体系。其数据构成具有显著的动态性与环境关联性:航行状态数据包括船舶的位置、航向、航速、主机功率、螺旋桨转速等;环境条件数据涵盖风速、风向、波浪高度、水流速度、能见度等;能效参数数据则包含燃油消耗率、单位运输周转量能耗、碳排放强度等。数据集建设的关键在于实现航行数据与环境数据的时空同步,例如将船舶的实时航速数据与同时段的风速、水流数据进行关联,分析环境因素对航行能效的影响。该数据集的应用价值体现在智能航行与能效优化两个层面:在智能航行方面,通过训练路径规划模型,结合实时环境数据与航行数据,为船舶提供最优航行路线,避开恶劣天气与浅滩区域,提高航行安全性;在能效优化方面,基于主机功率、燃油消耗与航速、环境数据的关联分析,优化船舶的航行参数(如最优航速、主机负荷),降低燃油消耗与碳排放,据测算,通过该数据集训练的能效优化模型可使船舶燃油消耗率降低 5%-10%。

  运输服务是交通运输行业的核心产出,直接关系到人民群众的出行体验与物流效率。随着居民出行需求的个性化与物流需求的高效化升级,传统运输服务中 “供需错配、效率低下、体验不佳” 的问题日益凸显。《建设方案》围绕客运服务优化与货运物流升级两大核心方向,提出了多运输方式物流运输成本优化、城市公共交通智能调度、旅客出行服务个性化推荐等多个数据集建设场景,旨在通过数据打通供需两端,重构运输服务的供给模式。

  多运输方式物流运输成本优化数据集是货运物流领域的核心场景,直击我国物流行业 “成本高、效率低、衔接弱” 的痛点 —— 我国社会物流总费用占 GDP 的比重长期高于发达国家,其中多运输方式衔接不畅导致的空驶率高、中转效率低是重要原因。该数据集的核心数据构成需实现 “全链条、多维度” 覆盖:从供给侧来看,包括公路货运的运力分布、运价波动、车辆空驶率数据,铁路货运的班列时刻、运力余缺、运价政策数据,水路货运的港口泊位、船舶运力、装卸效率数据,以及航空货运的航线布局、舱位价格、时效保障数据;从需求侧来看,涵盖货主的货物类型、运输时效要求、成本预算、起止点分布数据;从衔接环节来看,包含综合货运枢纽的中转能力、换装效率、仓储资源数据等。数据建设的关键在于实现 “跨方式数据打通”,例如建立公路货运车辆位置数据与铁路货运班列到达数据的关联,为 “公铁联运” 的运力匹配提供支撑。该数据集的应用价值体现在三个层面:一是运力精准匹配,通过训练智能调度模型,将货主需求与最优运输方式组合进行匹配,例如对时效性要求高的货物推荐 “航空 + 公路” 联运,对成本敏感的大宗货物推荐 “铁路 + 水路” 联运;二是路径动态优化,结合实时路况、港口拥堵、班列延误等数据,动态调整运输路径,降低中转等待时间;三是成本精准测算,基于不同运输方式的运价数据与衔接成本数据,为货主提供最优成本方案,据行业测算,通过该数据集支撑的优化模型,可使多式联运的物流成本降低 10%-15%,空驶率降低 20% 以上。

  城市公共交通智能调度数据集聚焦于城市客运服务的效率提升,解决传统公交 “发车不准时、高峰拥挤、平峰空驶” 的问题。该数据集的数据来源呈现 “多源融合” 特征:一是公交运行数据,包括公交车的实时位置、行驶速度、到站时间、载客量数据;二是客流数据,涵盖公交站点的上下车人数、换乘量、客流高峰时段分布数据,可通过车载刷卡设备、视频监控、手机信令等多渠道采集;三是环境数据,包含城市道路的实时拥堵状况、天气变化、大型活动举办、节假日客流波动数据等。数据加工需突出 “实时性与预测性”,例如通过历史客流数据与实时天气数据训练预测模型,提前 30 分钟预测各站点的客流规模。该数据集的应用直接服务于公交调度决策:在高峰时段,基于客流预测数据增加热门线路的发车频次,开通 “区间快车” 减少停靠站;在平峰时段,根据载客量数据调整发车密度,降低空驶率;在恶劣天气或大型活动期间,结合路况数据与客流数据动态调整线路,保障运行效率。以上海为例,基于类似数据集训练的智能调度系统已使公交平均到站准点率提升 15%,高峰时段车厢拥挤度下降 20%。

  旅客出行服务个性化推荐数据集则面向客运服务的 “体验升级” 需求,顺应居民出行从 “走得了” 向 “走得好” 的转变。该数据集需围绕 “旅客全行程” 构建数据体系:一是旅客画像数据,包括年龄、职业、出行目的(通勤、旅游、商务)、偏好(靠窗座位、静音车厢、餐饮需求)、历史出行记录数据;二是运输服务数据,涵盖铁路、航空、公路客运的班次时刻、余票情况、座位类型、服务设施(如充电口、WiFi)数据;三是关联服务数据,包含目的地的交通接驳、住宿、景点推荐数据等。数据建设需注重 “隐私保护与个性化平衡”,在合规采集数据的前提下,构建精准的旅客画像。该数据集的应用场景包括个性化票务推荐,例如为通勤旅客推荐 “月票 + 固定班次” 组合,为旅游旅客推荐 “交通 + 住宿 + 景点” 打包服务;全行程服务衔接,例如根据旅客的火车到达时间,自动推荐衔接的地铁、公交或网约车信息;服务主动提醒,例如向旅客推送检票口变更、延误预警、行李提取等信息,让旅客出行更具确定性。

  行业治理是交通运输行业健康发展的保障,传统治理模式以 “事后监管、人工巡查、经验决策” 为主,存在监管覆盖面窄、响应速度慢、决策精准度低等问题。《建设方案》针对行业治理的智能化需求,提出了交通运输市场监管、超限超载智能监测、综合交通运行态势研判等数据集建设场景,旨在通过数据实现 “事前预警、事中精准监管、事后高效处置” 的治理模式转型。

  综合交通运行态势研判数据集是行业治理的 “宏观大脑”,旨在为交通管理部门提供全局化、前瞻性的决策支撑。该数据集需涵盖 “跨方式、跨区域” 的综合运行数据:从运输方式来看,包括公路的通行流量、拥堵指数、事故分布数据,铁路的旅客发送量、货物周转量、列车正点率数据,j9.com官网水路的港口吞吐量、船舶进出港数据,航空的机场起降架次、旅客吞吐量数据;从区域维度来看,涵盖全国主要经济区、城市群的交通流量交换数据,省际边界的运输量数据;从时间维度来看,包含历史同期数据、节假日高峰数据、重大事件交通数据等。数据建设的关键在于实现 “态势可视化与预测性分析”,通过建立时空数据模型,将多源数据整合为可视化的运行态势图。该数据集的应用场景包括宏观决策支撑,例如基于城市通流量数据,规划跨区域的交通基础设施建设;应急处置指挥,例如在自然灾害发生时,结合各运输方式的运行数据,制定物资运输与人员转移方案;政策效果评估,例如通过实施 “公转铁” 政策前后的货运数据对比,评估政策实施成效。

  绿色低碳是交通运输行业高质量发展的必由之路,也是实现 “双碳” 目标的关键领域 —— 交通运输领域碳排放占全国碳排放总量的 10% 以上,其中公路货运、水路运输是主要排放源。但传统碳减排工作存在 “核算不准、责任不清、措施盲目” 的问题,缺乏精准的数据支撑。《建设方案》针对绿色低碳发展需求,提出了交通运输碳排放核算与监测、新能源交通装备运行效能评估、绿色物流路径优化等数据集建设场景,旨在通过数据实现碳排放的 “精准计量、源头管控、高效减排”。

  新能源交通装备运行效能评估数据集聚焦于新能源装备的推广应用,解决 “新能源装备续航焦虑、充电不便、效能不明” 的问题 —— 虽然新能源汽车、新能源船舶的推广速度加快,但用户对其实际运行效能、维护成本的担忧仍制约着渗透率提升。该数据集的数据构成需围绕 “装备全生命周期运行数据” 展开:一是装备基础数据,包括新能源车辆的型号、电池容量、电机功率数据,新能源船舶的吨位、电池组配置、推进系统数据;二是运行数据,涵盖车辆的续航里程、充电时间、能耗水平、电池衰减速度数据,船舶的航行里程、能耗效率、充电设施使用数据;三是环境数据,包含不同温度、湿度、路况下的装备运行数据,例如低温对电池续航的影响、高速行驶对能耗的影响;四是维护数据,包括电池更换成本、故障发生率、维护周期数据等。数据建设的关键在于实现 “跨品牌、跨型号数据整合”,由于不同厂家的新能源装备数据格式各异,需要建立统一的数据接口标准。该数据集的应用能够为用户、企业与政策制定者提供支撑:对用户而言,可通过数据分析了解不同新能源装备的实际效能,做出购买决策;对企业而言,可基于电池衰减数据优化维护方案,降低运营成本;对政策制定者而言,可根据装备运行效能数据调整补贴政策,例如对续航里程长、电池衰减慢的装备给予更高补贴。

  绿色物流路径优化数据集则聚焦于减排措施的落地应用,通过数据优化物流路径与运输方式,实现 “减排与增效双赢”。该数据集的数据构成需融合 “碳排放数据与物流效率数据”:包括不同运输方式的碳排放强度数据(如公路货运每百吨公里碳排放量、铁路货运每百吨公里碳排放量)、不同路径的距离、拥堵状况、能耗数据,以及货物的运输时效要求、成本预算数据。数据建设的核心是建立 “碳排放与效率的平衡模型”,避免为了减排而牺牲物流效率。该数据集的应用场景包括绿色路径规划,例如为物流企业推荐碳排放最低的运输路径,同时满足时效要求;运输方式绿色替代,例如对碳排放强度高的公路货运线路,推荐 “铁路 + 公路接驳” 的绿色运输方式;装载优化,通过数据分析优化货物装载量,提高车辆满载率,降低单位货物碳排放量。据测算,通过该数据集支撑的优化模型,可使物流运输的碳排放强度降低 8%-12%。

  水上交通安全应急处置数据集聚焦于水路运输的安全保障,针对船舶碰撞、搁浅、火灾等突发事件,构建 “监测 - 预警 - 处置” 的数据支撑体系。该数据集的数据来源具有 “实时性与应急性” 特征:一是船舶运行数据,包括船舶的 AIS 位置、航向、航速、吃水深度、船员数量、货物类型(是否为危险品)数据;二是水域环境数据,涵盖航道水深、水流速度、障碍物分布、气象海况(台风、巨浪)数据;三是应急资源数据,包含救援船舶的位置、吨位、救援能力,救助直升机的起降点、航程,应急物资的储备位置、数量,救援队伍的联系方式、专业能力数据;四是历史应急案例数据,包括过往事故的发生原因、处置过程、救援效果、经验教训数据。数据建设的关键在于实现 “应急数据实时调度”,例如在突发事件发生时,自动关联事故船舶数据、周边救援资源数据与水域环境数据,为应急指挥提供支撑。该数据集的应用场景包括突发事件预警,例如基于船舶航向与航道障碍物数据,预警碰撞风险;应急方案智能生成,例如针对危险品船舶泄漏事故,自动推荐附近的专业救援船舶与围油栏储备点;救援效果评估,通过复盘历史案例数据,优化应急资源配置,例如在事故高发水域增加救援船舶部署。

  轨道交通运行安全监测数据集面向高铁、地铁等轨道交通的安全需求,解决 “设备故障导致停运、客流拥堵引发踩踏” 等安全问题。该数据集的数据采集具有 “高密度与高可靠性” 要求:设备层面包括列车的牵引系统、制动系统、信号系统、轨道电路的实时运行参数,以及隧道结构、桥梁支座、接触网的状态监测数据;客流层面包括车站的实时客流量、站台拥挤度、闸机通行速度数据;环境层面包括车站与隧道内的温度、湿度、烟雾浓度、有害气体含量数据。数据处理的核心是 “故障快速定位与客流疏导预判”,例如通过信号系统的异常数据,在 10 秒内定位故障点;通过站台客流增长速度数据,预判 5 分钟后的拥挤程度。该数据集的应用能够实现 “设备安全与运营安全双重保障”:在设备安全方面,实时监测设备运行参数,当出现异常时自动触发故障报警,并推送维修方案,避免设备故障扩大导致停运;在运营安全方面,当站台拥挤度达到阈值时,自动启动疏导措施,如增加闸机开放数量、通过广播引导客流分流、限制进站客流等。以北京地铁为例,基于该类数据集构建的安全监测系统,已实现设备故障预警准确率 98% 以上,高峰时段站台拥挤度控制在安全阈值内,未发生重大客流件。

  科技创新是交通运输行业智能化升级的核心动力,而高质量数据是人工智能、大数据、物联网等新技术在交通领域落地的 “试验田” 与 “催化剂”。《建设方案》针对科技创新的 “技术研发、成果转化、标准制定” 需求,提出了交通人工智能模型训练基础数据集、智能交通技术成果转化效果评估、交通运输行业数据标准验证等数据集建设场景,旨在通过数据打通 “技术 - 产品 - 应用” 的转化链条。

  《建设方案》提出的 39 个行业专识数据集建设场景,是七大业务领域建设路径的具象化落地,每个场景均需结合自身业务逻辑明确数据来源、加工标准与应用方向。基于前文对七大领域核心场景的解析,现将 39 个场景按业务领域分类,系统梳理各场景的实施重点,形成“场景定位 - 数据构成 - 建设关键 - 应用目标”的实施框架。

  基础设施领域的 7 个场景围绕“状态监测 - 风险评估 - 运维优化”展开,核心目标是实现基础设施全生命周期智能化管理,具体实施重点如下:

  交通装备领域的 6 个场景围绕“状态监测 - 故障预警 - 效能优化”展开,核心目标是推动装备智能化与网联化升级,具体实施重点如下:

  运输服务领域的 6 个场景围绕“供需匹配 - 效率提升 - 体验优化”展开,核心目标是重构运输服务供给模式,具体实施重点如下:

  行业治理领域的 5 个场景围绕“精准监管 - 态势研判 - 决策支撑”展开,核心目标是推动监管模式现代化转型,具体实施重点如下:

  绿色低碳领域的 4 个场景围绕“精准核算 - 效能评估 - 减排优化”展开,核心目标是支撑交通碳减排精准施策,具体实施重点如下:

  安全保障领域的 6 个场景围绕“风险预警 - 应急处置 - 安全监测”展开,核心目标是构建全链条风险防控体系,具体实施重点如下:

  交通运输行业高质量数据集建设是 “人工智能 + 交通运输” 融合发展的 “基石”,更是培育交通新质生产力的 “引擎”。从 7 大业务领域的路径规划到 39 个场景的实施重点,从产业链的价值挖掘到多方协同的实施建议,《建设方案》的落地将推动交通运输行业从“数据碎片化”向“数据资产化”转型,从 “经验驱动” 向 “数据驱动” 升级。

  到 2030 年,当一批高质量数据集建成并广泛应用,当一批数据驱动的典型案例涌现,我国将不仅拥有世界领先的智能交通基础设施,更将具备数据驱动的产业竞争力,为打造智能综合立体交通网、支撑经济社会高质量发展提供坚实支撑。在这场数据革命中,抓住机遇的企业将成长为行业巨头,协同发力的产业将实现能级跃升,而每一位出行者与物流参与者,都将感受到数据带来的更高效、更安全、更绿色的交通体验。

j9集团 丨NEWS