针对公开交通监控视频片段，构建车辆检测与计数流程：采用YOLO系列模型进行迁移学习，通过数据增强与学习率调度改善小目标漏检；使用Python/PyTorch完成训练与评估，并用TensorRT做推理加速对比。在自建500帧测试集上mAP@0.5由0.78提升至0.84，单帧推理耗时下降约30%，形成实验报告与可视化结果。

课程综合项目中负责交通流量短时预测：组织3人小组完成数据清洗、特征构造与模型选型，对比LSTM与梯度提升模型，加入时段与天气特征；用Python/scikit-learn实现训练与交叉验证，统一评估口径为按时间切分的验证集。最终MAE较基线降低约12%，输出可复用代码与汇报材料。