三个问题，帮你跳过八成的废话
2019年3月，一项关于自动驾驶仿真的研究登上《科学》子刊《科学·机器人学》。论文第一作者是南京航空航天大学博士生李伟，系统名为 AADS：研究团队用激光雷达和相机扫描真实街景，从采集到的轨迹数据中生成车辆与行人的交通流，再合成回真实背景，还能按不同视角和传感器模型重新渲染。说白了，就是把真实世界的交通流搬进仿真器，让自动驾驶算法在近乎真实的画面里完成从感知到规划的训练与测试。
六年之后的2025年8月，科学网报道了南京航空航天大学田文教授团队的另一项成果：发表在 Aerospace 期刊的机场群航路点短期流量预测方法 GC-SALSTM。该方法融合图卷积网络与自注意力长短期记忆网络，基于华中南地区典型繁忙扇区的 ADS-B 实测数据，预测关键航路点未来1小时的交通流量。引入网络效率损失率特征后，8个关键航路点的预测均方根误差平均降幅超过10%，在多种传统时序模型的对比中整体表现最佳。
两条新闻，同一条主线：交通流研究已进入数据驱动时代。前者要渲染合成海量场景，后者要吞掉成堆的实测数据再训练时空图网络，两条路都指向同一个问题——算力，尤其是内存。
如果你正准备为课题组选一台跑交通流仿真的工作站，不用读完整篇文章。先回答三个问题：
- 问题一：你的数据量级？决定内存下限。
- 问题二：你的计算类型？决定 CPU 和显卡谁当家。
- 问题三：你的使用环境？决定机器形态和离线部署的必要性。
三个答案的组合，直接对应文末的四档配置。下面把每个节点摊开讲。
决策节点一：数据量级决定内存下限
交通流仿真的”数据”，远不只是手上那个 CSV 文件。
跑微观仿真，SUMO 这类工具要把整个路网的拓扑、信号灯配时、车辆个体状态全部加载进内存。一个中等城市路网的仿真，几十万车辆的跟驰状态、车道级事件队列、路径决策缓存，常驻内存轻松到几十 GB。如果你用元胞传输模型（CTM）做中观推演，路段被切成一个个元胞，每个元胞都要存密度、速度、流量三组状态量。路网离散得越细，元胞越多——百万级元胞的时空状态矩阵，单精度浮点就要 12 GB 起步，还没算预处理时的特征副本。
跑数据驱动预测，吃的是实测数据。一个繁忙扇区十几个航路点按秒级采样攒上几个月，原始报文解压后过百 GB 很正常。GC-SALSTM 这类时空图网络要先构图：邻接矩阵、节点特征、时间切片，全部物化之后才会进训练。卡口流量、网约车轨迹、激光雷达点云同理，AADS 那条研究路线里，单座城市的扫描场景就有几十 GB。
所以按数据量级选内存，大致是这样：
- 小于 10 GB：单个交叉口、教学级样本、公开小数据集，内存 32~64 GB 即可。
- 10100 GB：城市级路网、数月跨度的实测数据、多场景对比实验，内存 128192 GB。
- 超过 100 GB：城市群、机场群、点云与图像库、连续数据流，内存 256 GB 起步，还要预留预处理阶段的临时峰值。
注意一个细节：这里的”数据量”指要同时装进内存的部分，不是硬盘里的全部家当。如果每次分析都从硬盘临时加载，光预处理就要多花几个小时。交通流方向的工作站，内存往往比存储先见底。
决策节点二：计算类型决定 CPU 还是显卡当家
交通流研究的计算负载大致分三种，硬件侧重各不相同。
第一种，微观仿真推演为主。SUMO、CTM 这类仿真器的时间步进有严格的先后依赖——这一秒全体车辆的位置和决策决定了下一秒的路况，没法把一个小时拆成八份并行跑。所以微观仿真吃 CPU 单核性能和内存带宽，主频不能低，内存通道不能少，显卡在这里基本闲置。
第二种，数据驱动的预测与建模为主。GC-SALSTM 的路子很典型：图卷积层负责把邻近航路点的空间依赖聚合过来，自注意力长短期记忆网络负责时序。模型本体不算大，训练时的显存开销主要被三样东西吃掉：批数据张量、前向传播的激活值、反向传播的梯度缓存。数据规模一上来，24 GB 显存才算从容；加上超参数扫描、多模型对照，需求还会继续推高。
第三种，场景渲染与合成为主。AADS 那条路线里，视角重合成、传感器模型再合成、光照与运动一致性处理，每一环都既吃显卡算力也吃内存空间。这类负载显存内存双高，单卡大显存是硬门槛。
当然，真实课题组往往三种都要：上午跑仿真，下午训练预测模型，晚上渲染场景出图。平台要均衡，哪一头瘸了腿，工作流就卡在那里。
决策节点三：使用环境决定机器形态与离线部署
前两个问题算的是性能账，这一个问题算的是环境账。
第一，机器放哪。7×24 小时满载的仿真机器，风扇转速不会温柔。放工位，塔式静音机箱是底线；放机房，机架式便于统一管理；跟项目跑外场，便携机型也有用武之地。
第二，数据能不能出门。交通数据很特殊：车流、轨迹、路测画面，很多来自与交管局、机场、车企的合作，附带保密条款。数据不能上公网，就意味着仿真平台和大模型服务都得离线部署在本地，这也直接决定了下一章节的讨论方向。
第三，几个人用。两三个人轮着跑仿真，内存余量要按并发任务叠加；课题组共用，存储读写带宽和任务调度比单机跑分更重要。
仿真之外：把大模型离线部署在本地
仿真跑完，活只干了一半。结果整理、参数说明、周报月报、文献调研、TraCI 脚本和 Python 代码排错，这些文字与代码工作现在都可以交给本地大模型。对交通流课题组来说，离线部署的理由很具体：
一是数据不出门。仿真输出的车流数据、签过保密协议的路测轨迹，不能往外部接口上送。 二是长期成本低。课题组高频使用，按 token 计费的接口一年下来的花费，未必比一块大显存显卡便宜。 三是断网可用。外场测试、保密机房、假期校园网维护，本地服务不挑环境。
模型怎么选？课题组自用，Qwen3-14B 是务实的主力：阿里巴巴2025年4月开源，140 亿参数，Apache 2.0 许可，上下文 128K，写仿真报告、读文献、生成 TraCI 代码都够用。想体验更强的推理能力，可以看 DeepSeek-R1：总参数 6710 亿的混合专家模型，每个 token 只激活 370 亿参数。注意 MoE 架构的一个常识：显存按总参数量算，不按激活参数算，省下来的是算力，不是显存。
估算显存有个简单公式：
所需显存 ≈ 参数量(B) × 量化字节数 × 1.2
其中 1.2 是 KV cache 与系统开销的预留系数，上下文越长、并发越高，系数越大。拿 Qwen3-14B 算两笔账：FP16 每参数占 2 字节，14 × 2 × 1.2 约等于 34 GB；Q4 每参数约 0.5 字节，14 × 0.5 × 1.2 约等于 8.4 GB，与实测约 9 GB 吻合。再看 DeepSeek-R1：Q4 下光模型权重就要 671 × 0.5 约等于 335 GB，算上开销轻松突破 400 GB，单张显卡已经装不下，得多卡服务器级别的平台。
量化等级怎么挑？FP16 质量最佳但体积最大；Q8 接近无损；Q4 每 10 亿参数约 0.6 GB，是消费级显卡的默认选择——对报告生成、代码补全这类任务精度损失几乎无感，只有长链数学推理会略打折扣。课题组自用，闭眼选 Q4。
速度上也要有预期：CPU 纯内存推理只有个位数 tokens/s，写一段话要等一分钟；单卡 GPU 能到几十到上百 tokens/s，14B 的 Q4 模型在 16 GB 显存的显卡上大约能跑 40~60 tokens/s。这就是工作站和普通办公电脑的分水岭。
最后提一句微调。用 LoRA 给 Qwen3-14B 喂一批交通术语和空管规章语料做领域适配，显存增量只有 3~5 GB，推理机顺带就能完成；全参数微调哪怕 7B 模型也要 80 GB 以上显存。推理和训练的分水岭就在这里，课题组自用基本不用迈过去。
软件工具链：先开源，后商用
交通流方向的软件生态相当成熟，开源工具能覆盖大半需求。
微观仿真的事实标准是 SUMO，开源免费，路网编辑、信号配时、需求建模、输出分析一整套齐全，自带的 TraCI 接口支持用 Python 在仿真运行中读写车辆状态，做闭环实验几乎离不开它。偏自动驾驶方向的课题组会再搭一个 CARLA 做高保真传感器仿真，与 SUMO 联合构成”宏观交通流加微观驾驶”的双层架构。商用侧还有 VISSIM、TransModeler 等平台，在精细路口建模和交通工程咨询里用得多。
数据驱动预测的路子更轻：Python 加 PyTorch 是主力，图卷积用 PyTorch Geometric 或 DGL 就能搭出 GC-SALSTM 这类结构；ADS-B 原始报文有成熟的解码工具链，处理成时空特征表并不复杂。
本地大模型服务用 Ollama 或 vLLM 部署，前者开箱即用，后者吞吐更高、适合多人共用。
落到配置：四个档位的决策答案
原理聊得再多，最后还是要回答”这台机器能不能跑起来”。回到开头的三个问题，我们把交通流方向常见的任务组合整理成四档参考方案。每档对应一种典型决策组合，可以直接对号入座，也可以在相邻档之间按预算微调。
方案A：教学验证与单场景入门
适用场景：数据量在 10 GB 以内的单交叉口、小型路网 SUMO 仿真，公开数据集上的基线模型复现，本地 Q4 量化的 14B 级大模型做文献与代码助手。面向本科毕设、研究生入门和课程项目。
推荐机型：A350 15364-MBT
- 价格区间：4~7万
- CPU：Intel Core Ultra 7 265K 20核(8性能核全核5.3GHz/12能效核全核3.8GHz)（5.3GHz为全核超频实测优化频率）
- GPU：RTX 5090D v2 24G 水冷
- 内存：64GB DDR5
- 存储：2TB NVMe
- 显存带宽：1.34 TB/s
方案B：城市级路网与预测模型主力
适用场景：城市级路网微观仿真叠加时空图网络训练，数月跨度的卡口或 ADS-B 数据预处理，本地大模型 FP16 常驻并兼顾轻量 LoRA 微调。面向硕士课题与中小型横向项目。
推荐机型：AX430 127128-MCF
- 价格区间：10~18万
- CPU：Xeon金牌6530 32核2.7G（2.7GHz为全核超频实测优化频率）
- GPU：RTX Pro 6000 96GB
- 内存：128GB DDR5
- 存储：4TB NVMe
- 显存带宽：1.79 TB/s
方案C：多任务共用与场景渲染合成
适用场景：数据驱动预测、微观仿真、场景渲染三条线并行，点云与图像素材库常驻内存，多用户并发提交任务，探索更大参数规模模型的本地量化部署。面向课题组公用平台和 AADS 类研究路线。
推荐机型：AX430 127384-MC2E
- 价格区间：20~40万
- CPU：Xeon金牌6530 32核2.7-4G（2.7GHz为全核超频实测优化频率）
- GPU：2×RTX 6000D 84G
- 内存：384GB DDR5
- 存储：4TB NVMe
- 显存带宽：2×1.57 TB/s
方案D：城市群全要素仿真与模型试验
适用场景：机场群、城市群级别的多模态数据平台，连续数据流接入与多场景渲染并行，覆盖大模型全参数微调与70B级量化模型推理的试验需求。面向重点实验室与大型课题组。
推荐机型：GX660M 227640-MD4E
- 价格区间：50~80万
- CPU：2×Xeon金牌6530 64核2.7-4G（2.7GHz为全核超频实测优化频率）
- GPU：4×RTX Pro 6000 96G
- 内存：640GB DDR5
- 存储：8TB NVMe
- 显存带宽：4×1.79 TB/s
常见问题
微观仿真为什么更吃 CPU 而不是显卡？
时间步进的逻辑决定了这一点。微观仿真里下一秒的交通状态由这一秒全体车辆的位置和决策共同决定，前后强耦合，没法拆成若干段并行推进。显卡擅长的批量并行在这里没有用武之地，CPU 单核性能、内存容量和内存带宽才是决定仿真速度的三要素。显卡只在场景渲染和深度学习预测这两条支线上发力。
内存为什么建议按数据量的1.5~2倍（上限三倍）规划？
一份数据在内存里往往有三副面孔：原始加载进来的副本、预处理阶段的特征表、仿真或训练时的张量形态。前两份在预处理高峰时会同时存在，加上系统和开发环境的常驻开销，常见工况按1.5~2倍规划即可，预处理峰值高、需要全量驻留的任务按上限三倍准备更稳。内存不够不会立刻报错，只会开始用硬盘充当虚拟内存——速度掉两个数量级，仿真从”跑得慢”变成”跑不动”。
课题组已经有服务器了，还需要工作站吗？
两者互补。服务器适合批量、排队型的大任务；工作站适合交互式调试、小步快跑的参数试验，以及不方便上服务器的保密数据。课题组里最先被排满的，往往不是算力最强的服务器，而是那台随手就能用的工作站。
大模型直接调外部接口不行吗？
先看你的数据能不能出门。仿真输出的车流分布、与合作方签过协议的路测轨迹、未公开的空域运行数据，这些都过不了保密审查。离线部署把数据和模型都留在实验室里，一次硬件投入换长期安心，高频使用下成本也更低。
训练 GCN-LSTM 这类时空网络，显存要留多少？
模型本体不大，显存主要被数据集张量和训练激活值占用。单模型单任务，十几 GB 显存可以起步；要做超参数扫描、多模型对照、开大批大小提速，24 GB 以上才从容。只推理调用训练好的模型，要求再降一半。
课题组零基础，从哪里起步最快？
先用公开资源跑通闭环：SUMO 自带示例路网、开放的交通流数据集、开源的时空预测代码，配上一台入门档工作站，一个月内就能复现一篇论文的完整流程。等课题规模上去了，再按决策节点的思路升级，比一步到位买高配更稳。
结语
交通流研究的两条路线——真实场景合成与数据驱动预测——正在同一点汇合：数据越来越重，模型越来越大，而且越来越多的数据因为保密原因不能离开实验室，离线部署已经从可选项变成了硬约束。
回到标题的问题：内存到底要多大？答案藏在开头的决策树里——按你要同时装进内存的数据量乘以1.5~2倍（峰值任务预留到三倍），再让计算类型决定显卡配多大。把三个问题答清楚，配置就只剩下预算这一个变量。
工作站配置选型欢迎咨询~
微信号：maxftxwx
fuyiqin@xasun.com
