越南南部公路管理机构正推动以人工智能自动识别、分类车辆并汇总车流数据，用于道路规划、设计、养护和交通调度。南部公路技术与工艺中心主任裴越强（Bùi Viết Cường）介绍，这一方向有三重动因：南部国道和高速公路网络快速扩张、车流量持续上升，规划与养护决策需要准确而连续的数据；越南政治局的第57号决议将数据确定为新的生产资料；城市摄像头、收费站监控和高速公路24小时闭路电视已形成较广覆盖，具备把现有图像转化为结构化数据的条件。
据裴越强介绍，现有流程分为五步：从既有摄像头或流动勘察摄像头获取视频，进行图像预处理、视角校正并按车道和方向设置虚拟感应线，再用深度学习模型识别和分类车辆，随后逐车追踪、在车辆越过虚拟感应线时计数，最后汇总并生成实时流量图表。系统使用从越南道路采集的数据进行监督学习训练，分类标签超过20万个。过去一小时视频约需三小时人工计数，现在可近乎同步处理，数据也从几天一次的“切片”变为24小时连续记录。
裴越强表示，人工计数在连续工作数小时后容易疲劳漏计，雨天或夜间观察困难，不同人员的分类标准也不一致，且结果难以复核。AI则给画面中每辆车分配唯一编号并跨帧追踪，车辆被遮挡时仍可延续；每个编号只在正确方向越过虚拟感应线时记录一次，以减少停车、慢行或变道造成的重复计数；每次计数都附带时间和图像，便于回溯比对。但他强调AI并非绝对准确，中心仍随机抽取视频片段人工复核，按车型和具体条件评估误差，再补充训练数据。
越南摩托车约占车流组成的70%至80%，且常交错行驶、不固定车道，这是系统面临的主要挑战，也是不能直接套用主要针对汽车按车道训练的国外软件的原因。系统在混合道路上按整个断面的区域计数，而非严格沿车道计数。对养护工作重要的重型卡车，不同轴数和载重之间容易混淆，目前考虑结合传感器、三维扫描摄像头或车辆检验数据，但补充这些数据源的效果仍待评估。针对夜间、雨天、逆光和车灯眩光，模型已补充相应数据训练；重点位置的方向是摄像头与物理传感器或激光雷达配合，由摄像头识别车型、传感器提供数量和速度，并在图像质量差的时段自动标注警示。
在应用层面，连续12个月的计数可直接计算日均车流量，不必再用增长系数从几天勘察数据外推；细分车型有助于更贴近实际地换算标准小客车单位，支持确定道路等级、车道数和扩建时机，也是路面结构设计的输入。实时数据可在流量接近通行能力时及早发现拥堵迹象，用于更新电子显示屏信息、建议替代路线、调整信号灯配时或在路口协调分流；节假日还可依据历史数据预测流量峰值。车辆追踪可生成出行路径图，识别急刹、突然变道等风险点，计数数据也可用于核对收费站或车辆检验数据。
裴越强说，目前交通数据分散在各项目勘察档案、收费站和称重站，格式与车型分类不一，难以叠加比较，因此需要按统一结构标准化，涵盖时间、位置、方向、车道、车型、载重、数量和速度。该中心当前受命在国道系统建设自动车辆计数站；在高速公路试点是评估AI计数效果的一种方案，思路是利用现有智能交通系统以优化成本并便于数据比对。试点预计分三阶段：按各位置条件安装、设置虚拟感应线并补充训练；将AI结果与智能交通系统软件数据并行比对；按明确指标报告结果，并就推广范围和机制提出建议。
该中心还提出从“购买摄像头”转向“购买交通数据服务”。裴越强称，中国、日本、美国、比利时等国已有类似做法，例如中国广州、湖北的服务商通过物联网从监控摄像头、公共交通工具和私家车等多源采集数据，经AI清洗、标准化后实时提供给使用单位。他以越南实际情况说明，一些项目设备投资完成后运维经费跟不上，几年后设备损坏或落后，数据随之中断；管理单位最终需要的是正确、完整而连续的数据，而非摄像头本身。
越南中文社