2026年7月，TRANS课题组最新成果《Large Language Models for Transportation Energy Integration: A Functional Framework and Future Directions》发表于能源领域JCR一区期刊《Renewable and Sustainable Energy Reviews》（影响因子18）。当前交通与建筑领域占据了全球约55%的能源消耗和近50%的碳排放。随着电动出行、车网互动（V2G）及可再生能源的发展，交通网络与电网、建筑系统的深度耦合——即交通能源融合（Transportation Energy Integration, TEI），已成为实现全球脱碳的关键路径。然而，面对海量异构数据、复杂的非线性耦合以及人类行为的高不确定性，传统计算模型面临显著瓶颈。该论文面向交通低碳转型、能源系统协同优化与人工智能技术融合的前沿需求，系统梳理了大语言模型在交通能源融合领域的研究进展，并提出了“感知与理解—预测与推理—决策与优化”的三层功能框架，为未来智能交通能源系统研究提供了系统性参考。
论文第一作者为TRANS课题组2025级硕士生陈永健，通讯作者为欧士琪教授，合作作者包括TRANS课题组2026级博士生吕志隆、2025级博士生杨智锋、日本东北大学谷林和香港理工大学马玮教授。该研究得到了广东省人才引进团队项目的支持。
1. 论文摘要
交通能源融合（Transportation Energy Integration, TEI）的深度推进，是实现全球脱碳目标的重要路径。交通与建筑部门的能源消费和二氧化碳排放均占全球总量的一半以上，因此二者的协同优化对于可持续发展具有重要意义。然而，高效实现TEI仍面临诸多挑战，包括如何处理海量、异构且非结构化的数据，例如政策文本和人类行为信息；如何刻画交通、电网与建筑系统之间复杂的非线性耦合关系；以及如何应对驾驶行为和可再生能源波动所带来的高度决策不确定性。传统模型在处理上述问题时往往存在一定局限。大语言模型（Large Language Models, LLMs）为解决这些问题提供了新的技术范式。依托其强大的自然语言理解、跨模态融合和复杂推理能力，LLMs在解析非结构化文本、模拟复杂人类行为方面展现出独特潜力，例如对驾驶选择和充电行为的建模。随着2022年ChatGPT的突破性发展，LLM–TEI相关研究于2023年开始兴起，并在随后快速增长。本文系统综述了截至2025年发表的82项相关研究，并提出了“感知—推理—决策”三层功能框架，用以系统刻画LLMs在TEI中的作用。综述结果表明，LLMs在TEI生态系统中具有广泛的应用潜力，其应用场景涵盖从基础交通感知到跨领域系统优化的多个环节，包括政策解析、行为仿真和实时调度等。最后，本文进一步识别了四个优先研究方向：发展面向物理世界理解的多模态感知能力，构建面向高风险决策的因果推理能力，推动面向动态适应的持续学习机制，以及设计面向边缘智能的轻量化模型架构。总体而言，本文为推进更加智能、更具韧性的交通能源融合系统提供了系统性的研究路线图。
2. 综述框架
图 LLM在TEI中的三层功能框架。本文探讨了LLM在TEI领域三个关键任务中的进展：感知与理解、预测与推理，以及决策与优化
3. 研究背景：面向低碳转型的交通能源融合及其复杂系统挑战
在全球碳减排和能源结构转型背景下，交通系统与能源系统之间的关系正在发生深刻变化。电动汽车、充电基础设施、车网互动（V2G）、可再生能源接入以及建筑能源管理等技术的发展，使交通系统不再只是独立的出行系统，而逐渐演变为与电力系统、建筑系统和数字基础设施高度耦合的复杂系统。
交通能源融合（TEI）强调将电动汽车、充电设施、交通网络与电网、建筑能源、储能和可再生能源系统进行协同建模与优化。其目标是在保障交通服务水平和用户出行便利性的同时，提高能源利用效率，降低系统运行成本，并促进交通领域深度脱碳。
然而，TEI系统具有显著的跨领域、跨尺度和动态耦合特征。其研究与应用面临多方面挑战：一是交通流、电网负荷、充电行为、政策文本和用户反馈等数据高度异构；二是交通、能源、建筑和用户行为之间存在复杂的非线性关系；三是系统调度与决策需要同时兼顾成本、效率、稳定性、韧性和用户偏好等多重目标。传统建模方法在处理非结构化信息、刻画复杂行为和支撑动态决策方面仍存在一定局限。
4. 大语言模型为TEI提供新的智能化范式
近年来，大语言模型在自然语言理解、知识抽取、语义推理、多模态融合、工具调用和智能体构建等方面展现出强大能力。这些能力与交通能源融合面临的关键问题具有较高契合度。
一方面，大语言模型可以处理政策文件、技术报告、用户评论、社交媒体文本等非结构化信息，将其转化为可分析、可建模的知识；另一方面，大语言模型可以结合交通流、电网负荷、天气、事件和行为数据，辅助开展预测、推理和场景模拟。此外，借助工具调用和智能体机制，大语言模型还可以与交通仿真、能源建模和优化求解工具相结合，支持复杂系统的调度和决策。
基于这一技术背景，论文系统回顾了82篇相关研究，构建了面向交通能源融合的大语言模型应用框架，并从功能层次和应用场景对现有研究进行了归纳。
图 大语言模型驱动的交通能源融合基础架构
5. 核心框架：感知与理解、预测与推理、决策与优化
研究团队创新性地构建了LLM在TEI生态系统中的三层功能框架，全面解析了其技术赋能路径：
1. 感知与理解 (Perception and Understanding)
感知与理解是智能TEI系统的基础。交通能源融合涉及大量结构化与非结构化数据，包括交通传感器数据、电网运行数据、建筑能耗数据、政策文件、技术标准和公众反馈等。大语言模型可以作为通用数据解释器，将自然语言需求转化为数据库查询、数据处理脚本或仿真配置文件，从而降低复杂数据分析与模型构建的技术门槛。
在文本理解方面，大语言模型可以用于政策解析、技术文献抽取、公众情绪识别和用户评论分析。例如，模型能够从电动汽车政策文件中提取补贴、基础设施建设和市场激励等关键信息，也能够从充电站评论或社交媒体文本中识别用户对充电便利性、排队时间和服务质量的感知。这些信息为进一步理解用户行为、评估政策影响和优化系统规划提供了重要支撑。
在多模态信息融合方面，大语言模型也具备连接文本、图像、传感器和时序数据的潜力。未来，交通事故视频、车联网（Vehicle-to-X, V2X）信息、道路状态、设备告警和电网运行数据可以被统一纳入系统感知框架，从而形成更加全面的交通能源运行状态认知。
图 感知与理解：从多源信息中提取知识
2. 预测与推理 (Prediction and Reasoning)
在完成多源信息理解之后，TEI系统需要进一步对未来状态和复杂行为进行预测与推理。论文指出，大语言模型可以通过知识增强、少样本学习和语义信息融合，提升交通能源系统中的时间序列预测和行为建模能力。
在时间序列预测方面，交通流、电网负荷、充电需求、可再生能源出力和碳排放等变量通常受到天气、节假日、突发事件、政策变化和市场价格等因素影响。传统预测模型往往主要依赖结构化数值数据，而大语言模型能够引入文本和事件信息，从语义层面补充预测模型的外部知识。
在行为建模方面，大语言模型可以用于模拟用户出行、驾驶、充电和能源消费行为。与传统规则模型相比，LLM驱动的行为模型具有更强的上下文理解能力和解释能力，能够在一定程度上刻画用户偏好、行为异质性和动态决策过程。这对于电动汽车充电设施规划、V2G调度、交通需求预测和建筑能源协同分析具有重要意义。
进一步地，论文还关注了LLM智能体在TEI场景模拟中的应用潜力。通过构建具有异质性行为特征的智能体，可以模拟政策调整、价格激励、市场变化和基础设施布局对交通能源系统演化的影响，为政策制定和系统规划提供虚拟实验环境。
图 预测与推理：融合知识以进行状态与行为建模
3. 决策与优化 (Decision-making and Optimization)
决策与优化是大语言模型赋能TEI的高级阶段。TEI系统中的决策问题通常具有目标多元、约束复杂和场景动态变化的特点。例如，智能充电调度需要同时考虑用户出行需求、电价、充电设施状态、电网负荷和电池退化；交通信号控制需要兼顾通行效率、能耗、排放和道路安全；应急响应则需要在不确定环境下快速识别风险并生成可执行策略。
论文指出，大语言模型可以在两类任务中发挥作用。
第一，大语言模型可以作为决策支持助手，将复杂系统状态转化为易于理解的分析结果和策略建议，帮助研究人员、系统运营者和政策制定者进行辅助决策。
第二，大语言模型可以作为优化建模接口，将自然语言中的目标、约束和偏好转化为数学优化问题或可调用的求解流程。例如，用户提出“在保证明早出行需求的前提下，选择电价较低时段完成车辆充电”，大语言模型可以将这一模糊需求转化为明确的目标函数、约束条件和调度方案。
需要强调的是，论文并不主张用大语言模型完全替代传统优化算法，而是强调一种协同范式：大语言模型负责语义理解、问题建模、偏好解析和策略生成，传统优化器、仿真器和控制算法则继续承担数值求解、物理约束校验和系统执行任务。这种“语言模型 + 专业工具”的协同模式，有望提升复杂TEI系统的智能化水平和应用可行性。
图 决策与优化：基于语言反馈的智能调度与控制
6. 关键挑战：从潜力走向可信应用
尽管大语言模型在交通能源融合中展现出广阔前景，但论文也指出，其实际应用仍面临多方面挑战。
首先是跨域数据互操作问题。交通系统和能源系统的数据在采集频率、空间粒度、数据结构和语义表达上存在显著差异。如何建立统一的数据表示、语义标注和时空对齐机制，是实现LLM驱动TEI的基础。
其次是隐私与安全问题。智能充电、个性化出行、V2G和建筑能源管理均涉及用户轨迹、驾驶习惯、能耗记录和充电行为等敏感信息。未来系统需要在数据利用和隐私保护之间取得平衡，并引入差分隐私、合成数据、加密计算和安全智能体等技术手段。
第三是可靠性与可解释性问题。交通能源系统属于关键基础设施领域，错误决策可能影响道路安全、电网稳定和能源供应。因此，大语言模型的幻觉、偏见和黑箱特征必须得到有效控制。未来需要通过检索增强生成、知识图谱、因果推理、模型验证和人机协同审查等方式提高系统可信度。
第四是可持续性问题。TEI的核心目标是节能降碳，但大语言模型训练和推理本身也会产生显著计算开销，如下图所示。未来评价LLM在TEI中的应用价值时，不仅需要关注交通和能源系统的优化收益，也应考虑模型自身的能耗与碳排放，从系统全生命周期角度进行综合评估。
图 (a) 训练功耗与模型参数量对比：采用对数坐标展示耗电量（兆瓦时）与模型规模（十亿参数）的对应关系；红色虚线为参照基准，分别对应美国家庭年均耗电量与该家庭十年累计耗电量。(b) 训练碳排放与模型参数量对比：对数坐标下呈现模型体量与总二氧化碳排放量（吨）的关系；红色虚线分别等效于1辆、10辆、100辆乘用车年碳排放
7. 未来研究蓝图
基于现有研究进展和关键挑战，论文提出了四个未来研究方向。
第一，发展面向物理世界的多模态感知能力。未来TEI系统需要融合视频、语音、传感器、设备告警、文本和时序数据，构建更加完整的运行状态认知。
第二，发展面向高风险决策的因果推理能力。交通能源系统中的很多变量存在共同影响因素，仅依赖相关性可能导致错误判断。未来模型需要具备更强的因果识别、反事实分析和风险归因能力。
第三，发展持续学习能力。交通需求、车辆技术、充电基础设施、能源价格和用户行为都会持续变化，LLM驱动的TEI系统需要能够适应新场景、新政策和新运行模式。
第四，发展轻量化与边缘部署能力。交通控制、车辆能耗管理和局部能源调度等任务具有较高实时性要求。通过模型压缩、参数高效微调、边缘计算和端边云协同，可以推动大语言模型从离线分析走向实时应用。
图 LLM驱动的交通能源融合的未来方向
8. 结论与展望
交通能源融合是实现交通系统深度脱碳和城市能源系统高效运行的重要方向。大语言模型的快速发展，为理解复杂信息、模拟动态行为和支撑智能决策提供了新的技术路径。
本研究通过系统综述现有文献，提出了面向交通能源融合的大语言模型三层功能框架，并进一步总结了关键挑战与未来发展方向。未来，随着多模态感知、因果推理、持续学习和轻量化部署等技术不断成熟，大语言模型有望成为连接交通、能源、建筑、电网和用户行为的重要智能基础设施，为构建低碳、高效、韧性和可信的未来城市系统提供支撑。
原文链接： https://doi.org/10.1016/j.rser.2026.117243
CITAION: Chen, Y., Ou, S. S., Lv, Z., Yang, Z., Gu, L., & Ma, W. (2026). Large language models for transportation energy integration: A functional framework and future directions. Renewable and Sustainable Energy Reviews, 241, 117243. doi:10.1016/j.rser.2026.117243
感谢您的关注，敬请期待更多团队动态！
初稿：陈永健
排版：高伟敏
终审：欧士琪