一项来自arXiv的研究展示了如何利用现有监控摄像头（CCTV）结合人工智能与计算机视觉技术，对城市交通中的“软性基础设施”干预措施进行效果评估。该研究由计算机科学领域的研究团队完成，重点在于通过深度学习和基于视角的速度估计算法，分析临时行人庇护所和路缘延伸等低成本干预措施对车辆速度及安全性的影响。

研究在美国明尼阿波利斯市展开，选取了多个交叉口作为测试点。研究团队首先利用已有的CCTV系统采集交通视频数据，随后通过AI模型对视频中的车辆进行识别、跟踪和速度估算。为了评估干预措施的效果，研究者在干预前、干预后第一周和第二周分别进行了数据采集与对比分析。结果显示，在未设置信号灯的交叉口，平均车速和85分位车速分别下降了18.75%和16.56%，同时通过车流量减少了12.2%。在设有信号灯的交叉口，除个别地点外，平均车速和85分位车速也分别下降了20.0%和17.19%。

这些数据清晰地表明，虽然软性干预措施（如临时路缘延伸）成本较低且易于实施，但它们能够显著降低车辆行驶速度并减少过境交通量，从而提升路口的安全性。更重要的是，该研究验证了AI驱动的方法在交通政策评估中的实用价值。传统上，评估交通干预措施往往需要昂贵的传感器设备、大量人力进行人工计数或安装专用检测仪器，而本研究仅利用城市中已广泛部署的监控摄像头，配合深度学习算法，即可实现快速、低成本且基于证据的评估。

研究人员指出，这种AI分析框架不仅适用于明尼阿波利斯，还可以推广到其他城市。通过将现有的CCTV网络转化为智能交通数据采集系统，城市规划者和交通工程师可以更频繁、更细致地监测各种交通管理措施的实际效果，从而做出更科学的决策。例如，他们可以快速对比不同路口、不同时间段的干预效果，甚至实时调整策略。

从技术角度看，该研究采用了基于深度学习的车辆检测与跟踪模型，并结合了透视几何原理进行速度估算。这种方法避免了依赖雷达或激光雷达等专用硬件，仅依靠普通的视频流即可完成高精度的速度测量。研究团队还特别关注了重复监测的稳定性，发现干预后第二周的数据与第一周基本保持一致，说明干预效果具有持续性。

该研究的成果为AI在城市规划与交通管理领域的应用提供了新的范例。它表明，AI不仅能够用于自动驾驶或交通流量预测，还可以直接服务于城市设计的微观层面，帮助评估那些难以量化的“软性”改造措施。未来，随着算法的进一步优化和更多城市数据的接入，这种基于现有基础设施的AI分析系统有望成为城市交通治理的标配工具，推动交通政策评估从经验驱动转向数据驱动。