0 引言
交通运输科技领域是我国科技创新布局的重要阵地。改革开放以来，我国交通运输科技实现了从“恢复探索”到“创新引领”的跨越式发展，逐渐完成从跟跑到领跑的过程。高铁、特大桥隧、离岸深水港等基础设施及“复兴号”、中国商飞C919等高端装备领域达到全球领先地位，同时，大力推动智能交通、绿色交通等新业态蓬勃发展。当前，随着大数据、云计算、人工智能等为代表的新质生产力日渐成熟，正在推动科技与交通运输行业实现深度融合。在我国由交通大国向交通强国迈进的进程中，科技创新已成为推动交通行业智慧化转型与可持续发展的核心驱动力。根据《交通强国建设纲要》[1]《国家综合立体交通网规划纲要》[2]要求，2021—2035年交通运输行业需坚持科技创新核心地位，注重科技赋能，推动综合交通智慧、绿色、安全发展。在此背景下，系统把握近年来全球交通运输科技领域的研究脉络与前沿趋势，对构建现代化综合交通体系，实现由交通大国向交通强国的战略转型具有重要理论价值。
2021年，中国工程科技知识中心联合交通运输部科学研究院发布《交通运输科技发展前沿分析报告》，对2015—2019年美国交通研究委员会会议文献以及WOS（Web of Science）核心合集下交通运输领域的SCI（Science Citation Index）和CPCI-S（Conference Proceedings Citation Index-Science）文献进行了系统分析[3]，研究现状及发展趋势表明目前交通运输科技领域发展以安全、高效、绿色、共享为核心，并向智慧化转型。2023年，何洪文等[4]系统梳理了我国综合交通工程科技现状及未来发展，为推进综合交通高质量发展提供了启发和参考。同时，部分学者对于自动驾驶、交通安全、可持续交通等特定交通运输科技议题进行综述与展望[5-9]，如：边扬等使用VOSviewer软件绘制图谱，从原理、指标、优劣等方面对TOD（Transit-Oriented Development）类型的国内外研究进展进行综述；李杰等使用Citespace和VOSviewer对道路交通安全领域进行综述；何峻岭等基于VOSviewer对综合交通运输领域的减碳研究进行分析。Oladimeji等讨论了物联网时代智能交通应用程序和系统的通信机制、协议及构架，明确了智能交通领域的转型路径与发展方向。Peelam等研究了应急车辆管理在智能交通系统的部署和使用现状，涉及路线规划、事故检测、驾驶员注意力不集中检测以及多种辅助工具和技术等。现有研究既涵盖交通运输科技体系的整体性分析，又包含针对特定领域发展与前沿趋势的专题探讨，这些研究成果为本研究在方法论构建和内容选取方面提供了重要参考。
尽管已有少量文献从全局视角分析了交通运输科技的发展和演变，然而现有研究更多局限于单一技术领域，缺乏对智慧交通、绿色交通等交通运输科技议题协同发展的全局性考察，更鲜见基于周期性文献对比的范式变迁研究。鉴于此，本文对近五年WOS数据库中交通运输科技领域的SCI-E（Science Citation Index-Expand）期刊文献及CPCI-S（Conference Proceedings Citation Index-Science）会议文献进行全面梳理，并与2015—2019年研究进展进行对比分析。由于科学知识图谱具备对复杂知识体系进行自动分类与系统性分析的能力，可有效实现特定研究领域的结构、发展脉络和特征的可视化呈现[10]。本文将引入基于科学知识图谱的文献计量工具，以全面梳理和回顾交通运输科技的发展沿革，识别交通运输科技新兴的热点议题和未来研究方向，系统把握研究特征、研究主题、知识结构以及前沿趋势，并与2015—2019的研究进行对比分析，旨在为后续交通运输科技研究提供技术参考。
1 数据来源与研究方法
1.1 数据来源
本文以WOS数据库合集为源数据库收集文献，为提高文献质量并便于与2015—2019年进行对比，筛选策略为选择Web of Science核心数据库中SCI-E及CPCI-S索引，将检索时间跨度设置为2020—2024年。对WOS中的研究领域（Categories）进行检索，检索条件为WOS中的交通科学与技术领域（Transportation Science & Technology)或运输领域（Transportation），共检索出59 440篇文献。
1.2 研究方法
本文采用的VOSviewer 1.6.18可视化图谱主要包括聚类视图（Network Visualization）和标签视图[7]（Overlay Visualization）。聚类视图是将研究方向相同或者相近的关键词用相同颜色的节点表示，通过对文献的关键词进行聚类形成不同颜色的关键词簇，节点的大小表示关键词出现的次数，节点间连线的粗细表示关键词之间联系的强弱，图谱可较为清晰地揭示该领域的研究现状。标签视图是根据关键词出现的平均年份进行颜色映射，为每个关键词节点赋予相应的颜色，关键词节点的年度颜色变化反映了该领域研究的发展趋势。通过统计分析主要研究国家、研究机构以及关键词共现网络等内容，了解该领域的发展现状、研究方向和学术热点。
2 交通运输科技领域发文特征分析
2.1 全球各国发文量特征分析
年发文量作为文献计量学中的关键指标，不仅可映射学术领域的研究活跃度，而且能反映研究所处的发展阶段。通过对不同年份年发文量的变化趋势进行纵向分析，可以洞察学术领域的知识生产动态及其演进趋势。2020—2024年，全球交通运输科技领域发表论文59 440篇，其产出趋势如图1所示。在2020年达到13 297篇的峰值后，保持了较为稳定的发展态势。其中，2021年、2022年和2023年发表的论文数量均在12 000篇以上，分别为12 598篇、12 648篇、12 057篇，表明交通运输科技领域的研究一直保持较为活跃的状态，知识生产进入平稳阶段。2024年的发文量数据仍在动态变化中，本文仅统计截至2024年11月的出版情况。
在主要研究国家方面，图2呈现了2020—2024年交通运输科技领域发文量排名前10位的国家分布情况。需要说明的是，论文归属国家依据研究机构所在地进行统计，由于国际合作研究的普遍存在，单篇文献可能因多国机构共同参与而被重复计入相应国家。相较于2015—2019年的情况，中国、印度和韩国3个国家的发文量明显增加。其中，中国的发文量领先其他国家，以25 646篇排名全球第一，占比43.15%，美国以13 107篇排名第二。德国发文量为3 693篇，排名第三。中国近5年发文总量同比2015—2019年的13 119篇增长95.49%，这可能与我国交通运输科技进入成熟期，产业需求增加，政策支持较2015—2019年有系统性升级有关。
2020—2024年WOS核心数据库中发文量前10国家的发文量占当年总发文量的百分比如图3所示，2022年中国在交通运输科技领域发表的论文数量达到近五年最高的5 586篇，其他年份发文量稳定在5 000篇左右。在排名前10的国家中，中国论文发文量占比从2019年的33.36%波动上升至2024年的51.41%，增长态势强劲。美国近5年的年平均发文量为2 616篇，但其占比从2019年的27.49%波动下滑至2024年的19.84%。其余国家2020—2024年度的发文量均未突破千篇，除英国、韩国有小幅上升趋势外，加拿大、澳大利亚、德国、印度、法国和意大利等国家总体呈现波动下降趋势。
总体而言，交通运输科技领域的国内研究在2020—2024年较2015—2019年发展更加迅速，国际研究相较于2015—2019年仍维持活跃状态。中国和美国是开展交通运输科技领域研究的主要国家，中国论文发表量呈现先增长后趋稳的态势，而美国则始终保持稳定的发文规模。
2.2 国际合作特征分析
在国际合作发文方面，本文统计了发文量前20位国家之间的国际合作关系，如图4所示。节点的大小表示该国的总发文量，节点间连线的粗细表示国家间的合作发文量。结果显示，中国、美国、加拿大、英国、德国、澳大利亚、韩国、日本、新加坡和瑞典成为国际合作发文量前10的国家。与2015—2019年相比，中国在近五年（2020—2024）仍然继续保持广泛的国际合作态势，与美国合作最多，发文量超过1 700篇。
2.3 发文研究机构特征分析
为深入探究全球交通运输科技领域不同机构的研究现状及机构间的研究合作联系，本文对全球交通运输科技领域发文量排名前20的机构进行统计分析，结果如图5所示。
由图5可知，全球交通运输科技领域研究论文产出排名前20机构的发文总量（19 478篇）占近五年交通运输科技领域全部发文（59 440篇）的32.77%。其中，前20机构中的中国机构有13家，全部为高校，发文总量为14 137篇，占前20机构的发文总量的72.58%。北京交通大学以1 878篇的产出数量排名第一，东南大学和同济大学分别以1 755篇和1 710篇排名第二和第三。前20机构中的外国机构有7家，均为高校，其中美国有3所，新加坡、印度、荷兰和德国分别有1所，发文总量为5 341篇，占前20机构的发文总量的27.42%。
机构合作发文情况如图6所示，其中节点间连线的粗细表示机构间合作发文的数量，通过不断调整聚类阈值来判断机构间的合作发文情况。国内研究机构中，北京交通大学、清华大学、同济大学和东南大学形成机构间合作研究的主要力量。清华大学与北京理工大学、重庆大学的合作尤为密切，近5年合作发文超过30篇，其中与北京交通大学的合作更为突出，发文量突破40篇。与此同时，同济大学与吉林大学、东南大学和香港理工大学合作发文超过40篇。此外，东南大学与香港理工大学、南京邮电大学及南京理工大学的合作发文超过30篇。在国际合作中，清华大学的国际合作最为紧密，其与密歇根大学合作发文超过30篇。在国外研究机构中，代尔夫特理工大学与北京交通大学、加州大学伯克利分校与清华大学、得克萨斯大学和香港理工大学之间的学术合作也较为密切。
3 交通运输科技领域研究主题、发展趋势与热点分析
3.1 研究主题分析
本文采用“全样计数”（full counting）进行关键词计量分析，分析尺度为“作者给出的关键词”（author keywords），设置共现频次大于100为聚类阈值。经初步聚类后进一步对语义重复节点进行过滤，最终形成如图7所示的关键词标签视图，共识别出5个聚类中心。
根据聚类内节点大小及关键词内容，提炼出5个聚类的主题：①车辆设备低碳化研究；②综合交通安全管理与风险识别研究；③自动驾驶及车辆协同感知研究；④交通信息技术研究；⑤综合交通信息安全研究。聚类主题与代表性关键词如表1所示。
表1 2020—2024年WOS核心数据库论文聚类主题及代表性关键词统计 |
| 聚类主题 | 代表性关键词 | 聚类规模 |
|---|---|---|
| 车辆设备低碳化研究 | electric vehicles; energy consumption; switches; batteries; connected and autonomous vehicles | 42 |
| 综合交通安全管理 与风险识别研究 | machine learning；human factors; COVID-19; public transportation safety; big data | 27 |
| 自动驾驶及车辆协同 感知研究 | autonomous vehicles; autonomous driving; deep learning; feature extraction; predictive models | 34 |
| 交通信息技术研究 | resource management; 5G; throughput；internet of things; wireless communication | 33 |
| 综合交通信息安全研究 | task analysis; security; computer simulation; block chain；reliability | 24 |
“综合交通安全管理与风险识别研究”聚类共包含27个与研究主题有关的关键词，重点聚焦交通运营安全管理及风险感知研究。在新冠肺炎疫情的背景下，该聚类主题关注大规模传染病等公共事件下的交通安全。Qiao等[17]基于随机森林模型对比了COVID-19大流行前后4个不同阶段交通事故严重程度的关键影响因素，发现人类感知因素，特别是气压、湿度和温度对事故严重性具有显著影响。进一步分析表明，COVID-19导致居民的日常出行时间和事故空间分布特征发生显著变化。此外，部分学者[18-20]通过对机动车驾驶员、骑行者及行人行为数据的挖掘，对于如何优化个体交通行为、提升交通设施设备以及综合交通的安全性提出了具有建设性的建议。这表明综合交通安全管理与风险识别是一项长期议题。
“自动驾驶及车辆协同感知研究”聚类涵盖34个关键词，聚焦基于深度学习等人工智能技术的自动驾驶领域关键技术研究。Huang等[21]全面回顾了自动驾驶轨迹预测方法，分析了基于物理学、经典机器学习、深度学习和强化学习的流行方法并评估了每种方法的性能。Arnold等[22]提出了两种基于单模态传感器协同目标的检测方案，通过在真实复杂驾驶场景中的对比实验，为自动驾驶系统传感器数量及配置的部署提供实践指导。研究结果表明，利用激光雷达和摄像头等特征提取传感器，能有效提升轨迹规划的精确性和避障性能。Xia[23]开发了一种基于互联自动驾驶汽车协同感知的自动驾驶系统数据采集与分析平台，用于车辆轨迹提取、重建和评估，通过数据融合、目标检测与跟踪、轨迹优化及高清地图生成，实现了从原始数据到处理结果的全流程分析，且支持自动驾驶系统的多种应用。对车辆协同系统中数据模型和通信技术的研究，可促进车辆与交通基础设施、其他车辆以及行人进行有效的信息交换。这些技术的综合应用将为实现全自动驾驶汽车的商业化和普及化提供强有力的技术支持，同时也为未来城市交通管理提供了新的思路和解决方案。
“交通信息技术研究”聚类包含33个关键词，主要涉及物联网、5G及无线通信等信息技术与交通运输耦合研究。鉴于人工智能可大幅增强车联网的智能化水平和性能，Ning等[24]将AI驱动的计算、缓存与通信资源整合应用于车联网系统，实现路侧单元间的对等计算卸载、车辆至路侧的计算卸载和内容缓存等功能。此外，该团队基于5G技术和深度强化学习算法开发了基于用户意图的交通控制系统，使用混合整数非线性规划模型，有效实现了网络总时延最小化的控制目标，可以动态编排边缘计算和内容缓存，提高移动网络运营商的利润[25]。5G无线通信技术以其高速率和低延迟特性，为车联网通信提供了坚实的基础，使得车辆能实时交换交通信息，提高行车效率和安全性。Guo等[26]分析了集成认知无线电和非正交多址接入的可重构智能表面辅助非地面网络的中断性能。在主网干扰约束下，不仅推导出连续干扰消除的次用户中断概率的精确表达式，并在高信噪比下推导出了中断概率和分集阶数的渐近分析结果。该信号处理研究成果提升了复杂环境下的数据质量和传输效率，同时，通过其资源分配和管理技术的优化，可实现交通信息系统中资源的合理配置和高效利用。
“综合交通信息安全研究”聚类包含24个关键词，涉及不同交通方式下通信、信号安全技术等前沿领域研究。其中区块链、云计算、车联网等共同构成了交通信息安全的核心技术基础。Zhou等[27]提出的基于区块链的CPPA（Conditional Privacy-Preserving Authentication）方案，相较于以往隐私保护方案，能在实际应用中有效避免车载自组网开放环境带来的隐私问题。而去中心化自治组织DAO（Decentralized Autonomous Organization）通过智能合约将管理和运营协议嵌入区块链中，不仅实现了V2X（Vehicle-to-Everything）基础设施资源的协调，更通过整合组织、协调、执行三方功能架构，实现道路基础设施和车辆之间的智能协同管理[28]。同时，DAO也持续推动物流系统向智能化和可持续化的方向转变。该聚类的研究旨在通过提高数据安全性、优化通信效率、增强系统可靠性和安全性，基于实时数据分析实现交通管理智能化升级。
3.2 高被引论文分析
对2020—2024年前1%高被引的472篇论文进行分析，结果表明“数据与信息技术”与“车辆及设备”是最热门的研究主题。其中，“数据与信息技术”主题的研究热点集中在区块链、无线通信等；“车辆及设备”主题的研究热点集中在自动驾驶汽车算法、电动汽车能源动力等。基于聚类分析方法，绘制2020—2024年高被引论文关键词的聚类视图（图8），系统揭示交通运输科技领域的研究热点。
研究热点议题是研究主题的具体体现。本文根据聚类内节点大小及关键词内容，提炼出高被引论文的4个研究热点：①交通运输系统的设计、网络性能优化及运营管理研究；②综合交通通信与信号研究；③自动驾驶轨迹预测及安全性研究；④自动驾驶及车辆协同感知研究。聚类主题与代表性关键词如表2所示。
表2 2020—2024年WOS核心数据库高被引论文研究热点主题及代表性关键词统计 |
| 研究热点 | 代表性关键词 | 聚类规模 |
|---|---|---|
| 交通运输系统的设计、网络性能优化及运营管理研究 | model; design; network; impact; system | 21 |
| 综合交通通信安全与信号研究 | task analysis; security; wireless communication; Internet | 16 |
| 自动驾驶轨迹预测及安全性研究 | autonomous vehicles; predictive models; machine learning | 18 |
| 自动驾驶及车辆协同感知研究 | autonomous driving; roads; deep learning; object detection | 14 |
在“交通运输系统的设计、网络性能优化及运营管理研究”中，对于传统的交通规划，学者们[29-32]在综合交通客流预测、需求分析及性能评估与优化等议题中进行了深入探究，为城市规划者提供了有效见解。在可持续交通系统方面，Abduljabbar等[33]对Scopus数据库中20年间328篇期刊出版物进行计量统计分析。结果显示，涵盖微出行可持续性方面的研究成果持续激增，这反映了其作为低碳和变革性城市交通方式的重要性。Kuutti等[34]使用贝叶斯结构时间序列模型分析了COVID-19流行期间芝加哥的每日公交乘客数据，发现COVID-19大流行使95%的公交站平均客流下降72.4%，且对于人口特征和建成环境特征不同的地区影响也不同。由此可见，基于需求的交通运输网络建模与设计、电动汽车与可持续交通系统及新冠肺炎疫情对交通运输系统运营管理的影响是近五年的研究热点。
在“自动驾驶及车辆协同感知研究”中，人工智能技术的进步推动了自动驾驶技术的迭代。高被引论文研究主题以人工智能算法在自动驾驶中的多模态感知为主，研究热点包括：自动驾驶中的目标检测、语义分割与特征提取算法研究；基于计算机视觉感知的车辆协同研究等。比如，Feng等[39]总结了自动驾驶汽车多模态传感器深度融合感知的方法论，并讨论了自动驾驶中目标检测和语义分割方面的挑战，可为深度感知网络架构设计提供指导。针对强化学习在自适应交通信号控制中可观测性差的问题，Chu等[40]提出一种完全可扩展且去中心化的多代理强化学习算法，基于Actor-Critic框架，增强了可观测性并降低了学习难度，在大型真实交通网络中实现了最优性和鲁棒性的显著提升。上述研究为挖掘自动驾驶中用于实现车辆控制、环境交互等功能的先进算法提供了参考。
3.3 研究趋势分析
根据标签视图颜色，近五年来在交通设备与通信方面，自动驾驶（autonomous driving）、5G、车联网（Vehicle-to-Everything）及资源管理（resource management）呈较浅颜黄色。这表明与自动驾驶设备与算法、交通信息技术有关的关键词在2022年后出现频次更高，反映出该领域研究活跃度持续增强，并保持着强劲的发展势头。5G甚至6G技术将会在未来以超高速、超可靠和低延迟的海量信息交换能力满足自动驾驶的应用要求[41]。而在交通运输安全方面，研究范式正发生显著转变：从传统的文献计量学交通安全模型，转向以综合交通运营风险感知与预防为核心的事故数据挖掘研究[42-43]。使用人工智能算法保障的基础设施安全（infrastructure safety）及行人安全（pedestrian safety）、区块链（block chain）、信息延迟（information delay）及边缘计算（edge computing）等相关关键词颜色相对较浅，成为2022年以后交通运输安全研究的最新趋势。同时，纵向对比2015—2019年基线数据中相同关键词，交通领域相关的数学模型研究（mathematical model）等关键词的体量较庞大，仍保持规模优势[3]。
逐年比对2020—2024年的研究主题，可以发现与2015—2019年研究主题有明显的连续性和关联性[3]。近年来，与传统交通规划领域有关的交通网络设计（design）、建模（model）与优化（optimization）研究仍保持相对体量，且与绿色、可持续发展等研究结合明显[44-45]。机器学习（machine learning）、深度学习（deep learning）在交通运输科技领域的应用研究呈现增长趋势；电动汽车（electric vehicles）及其车辆动力系统（vehicle dynamics）性能优化研究以及人为因素（human factors）对交通安全（safety）的影响等主题词体量逐年增加。由此可见，与人工智能、信息技术及可持续发展等方面耦合成为交通运输科技领域研究的趋势。特别是在人工智能相关研究中，承接2017年在词团聚类中首次出现的深度学习关键词，2020—2024年以深度学习及强化学习（reinforcement learning）为代表的人工智能与自动驾驶、综合交通安全等的融合研究成为每年的研究热点，形成技术与场景双向驱动的创新格局。
4 未来研究建议
结合2020—2024年研究主题的分布与演变，可以发现在人工智能、信息技术赋能下，未来交通运输科技领域研究将呈现以下发展趋势：技术深度融合、系统复杂性增强与人本导向凸显，可能的延伸性探索包括以下4个方向。
1）人工智能与交通运输科技的深度耦合协同
随着大模型、强化学习等技术的突破，研究重心将从现阶段简单场景、单一算法优化转向多源多模态数据驱动的交通管控、自动驾驶、人类移动性分析等[46]。如：开发具有多模态感知能力的自动驾驶大模型，进行复杂环境下的自适应学习，以应对极端天气、混合交通流等不确定场景，提升自动驾驶系统的鲁棒性与泛化能力；利用大模型的理解和推理能力捕捉土地利用信息、时空移动模式和交通基础设施的地理依赖性等特征，进而生成个体活动与出行安排；通过分布式AI架构实现车路云高效交互，通过6G等技术，持续优化通信延迟并提高资源利用率，等等。
2）可持续交通系统的全链路集成与优化
在“双碳”背景下，以电动汽车为代表的道路交通减碳研究未来需突破传统交通、能源与信息的割裂性，聚焦交能动态融合。在物理层，针对不同减排情景，推动智能驾驶设备与基础设施的深度协同，探究高效绿色低碳转型的动态策略[47]。在数据层，利用区块链技术实现多主体碳排量数据安全共享，赋能碳汇核算。在轨道交通、民航及水运等领域的清洁能源方面，对于电力、氢能燃料利用与存储技术的研究，成为提升运输载具与可再生能源的协同调度效率的关键突破口。
3）韧性导向的综合交通系统安全分析
在极端气候与公共安全事件频发的背景下，研究需从被动风险防控转向主动韧性增强。未来可通过建立基于人工智能的多尺度风险评估模型，整合气象数据、感知信息与交通参数，构建一体化韧性评估框架。交通运输各细分领域可以着力基于物联网的设施设备健康监测系统设计与自修复技术研发，增强系统的健壮性和抗毁性，以延长设施设备生命周期并降低运维成本。同时，未来也亟须通过对于个体行为、环境因素及设备设施养护等大数据的深入挖掘及因果推断，实现细粒度的风险感知，进而完善突发事件下的应急交通弹性策略。
4）人本导向的智能交通服务创新
未来研究将更注重以出行者为核心，推动技术研究与服务模式的范式变革。重视出行效率的提升，强化公共交通网络、共享出行与微交通的存量优化研究，充分利用现有综合交通网络服务更多居民；利用个人偏好数据优化个性化出行即服务（Mobility as a Service, Maas）平台设计研究；开展老年人和残障人士出行链分析，优化各类场站的无障碍设施与辅助驾驶系统的包容性设计等。同时，探索人工智能辅助交通设备运行领域责任界定、数据隐私保护与算法透明度等议题，建立符合伦理规范的AI交通治理体系。
综上所述，2020—2024年交通运输科技领域在延续传统交通规划对于交通运输系统、交通模型等设计与优化的基础上，更加关注人工智能、信息技术和绿色交通等议题。这些议题不仅反映了交通运输系统在智能化、低碳化、安全化等方面的前沿探索，还体现了多学科交叉融合的趋势。未来交通运输科技领域的研究将呈现“技术-系统-社会”三维协同演进的特征，即：以人工智能及信息技术等新质生产力为核心驱动，强调多模态协同与韧性提升，同时注重以人为本与社会伦理约束，通过基础理论革新、技术产业研发、政策设计支持支撑交通运输科技的进一步发展。
5 结论
本文利用文献计量软件VOSviewer对2020—2024年WOS核心数据库中发表的59 440篇交通运输科技领域的文献进行了可视化图谱分析，系统分析了文献发文量、机构合作网络、国家合作网络、关键词共现及聚类、研究热点及研究趋势等，并与2015—2019年数据进行对比，结论如下。
1）2020—2024年的核心研究方向呈现智能化、绿色化、安全化特征。WOS核心数据库内文献的相关研究旨在提升交通运输系统智能化与性能优化，推动可持续交通发展，进而提高综合交通运输系统的安全性与高效性。研究内容聚焦于五大主题：车辆设备低碳化；综合交通运营管理安全与风险识别；自动驾驶及车辆协同感知研究；交通信息技术及综合交通信息安全。涉及的主要关键词包括电动汽车、自动驾驶、车联网、5G、深度学习、路面材料、区块链及人因工程等。
2）2020—2024年交通运输科技领域的四大研究热点为：交通运输系统的设计、网络性能优化及运营管理；综合交通通信安全与信号；自动驾驶轨迹预测及安全性，自动驾驶及车辆协同感知。与交通规划管理有关的热点主要是低碳及公共卫生；与自动驾驶有关的热点是自动驾驶安全性、目标检测及轨迹控制等算法设计；与通信安全有关的热点是区块链、无线通信。这与交通强国、“双碳”目标及智慧城市等政策需求紧密相关。
3）2020—2024年的研究相较于过往研究呈现出连续性和继承性，同时更加关注人工智能、自动驾驶、区块链及新能源运载设备等新质生产力在交通中的应用，具体表现在对前沿理念及技术的探索，如：交通多模态大模型、高等级自动驾驶、交通隐私数据保护及确权等。可以预见，未来人工智能等技术将持续赋能交通系统。
尽管本研究通过文献计量分析揭示了交通运输科技领域的发展特征，但仍存在一些局限：首先，数据来源局限于WOS数据库，未充分涵盖TRB、COTA等交通运输领域顶级会议的成果；其次，仅选取了近五年数据，方法论层面主要依赖VOSviewer的可视化图谱分析，未能融合多种文献计量方法。未来可以进一步构建多源文献数据融合分析框架，综合运用多种文献计量学方法，深化对交通运输科技领域研究特征的认识和把握。