交通意外或公司"临时加单"的情况时有发生，或会影响速递物流的服务效率。岭南大学（岭大）数据科学学院人工智能学部博士后研究员童浩博士研发"智能车辆路线优化系统"，能在车队遇上突发塞车或新增任务时，即时模拟交通状况及任务变化，重新设计最合适的余下行走路线，协助车队以最高效率完成任务。有关论文《应对突发情况的智能车辆路线优化系统》（Advancing optimisation and evaluation for dynamic capacitated arc routing problems）成为全球唯一荣获2026年度IEEE计算智能学会杰出博士论文奖的研究项目。
针对传统车队工作路线规划难以应对突发事故的问题，童浩博士提出学术界首个"智能车辆路线优化系统"（Dynamic Capacitated Arc Routing Problem, DCARP），该系统应用了其新开发的智能算法，能在不同交通状况、任务变动的情况下，即时重新规划路线，最快能于数十秒内提供"更聪明"的调整方案，提高车队的整体工作效率。
研究团队将新系统应用于真实道路环境与实时交通数据下验证，结果发现，无论在繁忙市中心与较清闲区域、高峰及非高峰时段、突发新增任务等多种模拟场景下，新系统均表现稳定，并能节省总服务时间。此外，新系统安排车队的工作时间均衡，仅少数因交通阻塞或新增任务而延长工作时间，避免因调整行车路线而加重职员的工作量。
童浩博士指出，实验结果显示，新系统具备落地应用的潜力，其价值亦不限于协助速递物流，也适用于其他智慧城市服务，例如垃圾收集、共享单车、公共设施巡检或紧急服务等。未来更可进一步结合即时交通感测器、人工智能及大数据分析等，助力全球智慧城市发展。
童浩博士表示："无论速递员或垃圾收集车，这些服务往往依赖事前的既定路线，中途发生交通事故或遇上突发情况都可能影响服务效率。我们研发新系统目的是加强服务提供者的可靠度与效率。新系统应用的演算法不仅有助安排更精准的行车路线，避免车辆不必要绕路，研究结果更显示有助降低燃料消耗与碳排放，支持全球发展智慧城市及碳中和政策，推动可持续发展。"
童浩博士补充，新系统尤其有潜力应用于香港这类人口密集、"车多路窄"，对高效运输要求高的国际城市，未来将会提升系统应对大量新增任务时的稳定性，并简化其『操作界面』，让管理者及工作人员更方便使用新系统。
