明天上午9:30-11:00可拨打12345和市长李文荣聊聊
如果你有什么实际困难，或者你关注的社情民意需要直通市长，明天上午9:30-11:00，欢迎广大市民拨打市长热线12345，直接向市委副书记、市长李文荣反映情况，建言献策。
事实上，自2011年4月开展市政府领导接听工作以来，目前已开展接听工作三轮，共计22次。今年以来，已有四位市政府领导参加接听电话，共接听群众来电45个，回答网友在线提问10个，办结率和反馈率都达98.1%，办理结果均按期进行公示，受到社会各界的称赞。
每月的市长接听日，市民来电可达6000余个，现在市长热线日均实际受理有效电话1300余个。发布微博一千余条，回复网民评论3000余次，拥有“粉丝”量近14万人。十二年来，昆明市长热线通过电话、网络、短信、信函等渠道共接受群众来件940余万件，在线解答率达91.35%，办结率达99.16%，群众受理满意率达99.98%。
市民建议被采纳：
海源寺至机场公交通乘13元
昆明市副市长阮凤斌于去年12月12日接听市长热线时，市民毕先生反映长水机场通行不便，如果乘坐晚上到达机场的飞机，到达时地铁已停运，乘坐空港快线价钱又很贵，并且还定点发车。 针对以上情况，毕先生建议：一是开通到长水机场的公交班车；二是加大黑车查处力度。
接到建议后，昆明市交运局经过多次调研和征求市民意见后，决定开行海源寺至长水国际机场的公交线路。
4月10日，公交机场专线919路正式开通。单程线路53公里的919线路，单程票价13元，一票通乘，使用IC卡可9折优惠；车辆配置是20辆宇通豪华型高一级（核定载员）的51座空调公路客车，配有云南省道路运输协会监控系统的GPS，并在终点站安排10名导乘员服务乘客。
线路起止点为海源寺公交车场—长水国际机场航站楼B1层，途经海源寺公交车场（起始站）、理工大学津桥学院、黄土坡、冶金学校、小菜园立交桥、火车北站、理工大学新迎校区、长水国际机场航站楼B1层站点。
该车头班发车时间为6：00，末班发车时间为21:00，发车平均间隔时间15分钟。乘客可拨打服务热线“96188”咨询。
市民诉求有回应：
龟龙湖公园当月对社会开放
从2011年4月起，市政府领导每月一次到市长热线亲自接听市民电话，并与网民进行网上交流。时任昆明市市长、现任玉溪市委书记张祖林在第一次接听市民电话后，要求将市政府领导接听电话的办理情况在媒体上进行公示，接受群众监督，保证此项工作不走过场。
日，龟龙湖公园整体项目开工建设，市民希望早日建成开放。然而到了2012年8月，时任昆明市副市长，现任玉溪市委常委、常务副市长陈勇接听热线日，市民再次反映该问题，在陈勇副市长的亲自督促下，龟龙湖公园当月便实现对社会开放。
今年4月2日，市民举报称，十年前，在靠近官渡区矣六街道办事处的滇池河堤边水域，有近30万个附近居民设置的虾笼，绝大部分现已废弃，但废弃的虾笼每年仍致很多鱼虾死亡，造成滇池水体再次污染，希望政府部门及时清理，有效保护滇池水资源。
市长热线将该问题及时转交市滇池管理局调查核实。市滇池管理局非常重视，要求结合封湖禁渔期相关工作，对举报中提到的滇池水体设置虾笼等违禁渔具区域开展专项整治。市滇管局每天组织40条作业船只和100多名作业人员，对滇池水体中的违禁渔具进行大规模、大范围的清理取缔，目前已集中开展了三轮专项整治行动，取得了阶段性整治效果。
市民担心有答复：
地铁票价不算贵
6月28日，昆明市委常委、副市长保建彬到“12345市长热线”接听群众来电，对市民和网友关心的问题进行了答复。其中，有市民反映，昆明地铁和轻轨全程票价要5元太贵了，且地铁站点设置不合理，离住宅小区较远；环湖东路至今没有开通公交车，市民出行很不便。
经过调查和了解，市发改委给出办理结果：昆明地铁票价的制定参照了周边城市地铁票价。目前，地铁线网单程票价设定为0—4公里内2元起步，之后按实际乘坐里程“递远递减”跳档计价。鉴于昆明地铁新开通，票价标准为试行标准，待条件成熟后，由昆明轨道交通有限公司按规定程序重新申报。而地铁站点需要有一定的间隔，以避免服务半径重叠，目前1号线服务区域主要针对新城区，在近期建设的4号线服务范围将覆盖老城区。
共接听群众来电40万余个（件）
“机动车停车收费新标准”、“小学入学报名”、“南博会”、“小学生午餐”、“禽流感”、“公租房申请和分配”、“如何补办身份证”等问题成为热点
一 人事和社会保障
总话务量的26.22%
二 公安总话务量的18.03%
三 城管、园林总话务量的11.14%
四 工商总话务量的7.44%
五 民政总话务量的6.3%
部门转接电话量
一 昆明市公安局交通警察支队
总转接量的10.63%
二 昆明市住房公积金管理中心
总转接量的6.32%
三 昆明市人力资源和社会保障局
总转接量的5.83%
四 昆明市公安局出入境管理局
总转接量的3.65%
五 昆明市公安局治安管理支队
总转接量的2.71% （记者许建龙）编辑：上官艳君&&责任编辑：曾婧雅
相关新闻· ( 09:32:32)· ( 16:49:13)· ( 15:49:46)· ( 15:41:00)· ( 22:48:06)聊天机器人（也可以称为语音助手、聊天助手、对话机器人等）是目前非常热的一个人工智能研发与产品方向。很多大型互联网公司投入重金研发相关技术，并陆续推出了相关产品，比如苹果Siri、微软Cortana与小冰、Google Now、百度的“度秘”、亚马逊的蓝牙音箱Echo内置的语音助手Alexa、Facebook推出的语音助手M、Siri创始人新推出的Viv……
究其原因在于大家都将聊天机器人定位为未来各种服务的入口，尤其是移动端App及可穿戴设备场景下提供各种服务的入口。
聊天机器人的类型
目前市场上有各种类型的聊天机器人，比如有京东JIMI客服机器人，儿童教育机器人，小冰娱乐聊天机器人，Alexa家居控制、车载控制机器人，Viv全方位服务类型机器人等。这是从应用方向对聊天机器人的一种划分。
如果对应用目的或者技术手段进行抽象，聊天机器人可以有以下两种划分方法。
目标驱动（Goal Driven） VS. 无目标驱动（Non-Goal Driven）聊天机器人
目标驱动的聊天机器人指的是聊天机器人有明确的服务目标或者服务对象，比如客服机器人、儿童教育机器人、类似Viv的提供天气/订票/订餐等服务的服务机器人等，这种目标驱动的聊天机器人也可以称作特定领域的聊天机器人。
无目标驱动聊天机器人指的是聊天机器人并非为特定领域服务目的而开发，比如纯粹聊天或者出于娱乐聊天目的以及计算机游戏中的虚拟人物聊天机器人都属于此类。这种无明确任务目标的聊天机器人也可以称作为开放领域的聊天机器人。
检索式 VS. 生成式聊天机器人
检索式聊天机器人指的是事先存在一个对话库，聊天系统接收到用户输入句子后，通过在对话库中以搜索匹配的方式进行应答内容提取。很明显，这种方式对对话库要求很高，需要对话库足够大，能够尽量多地匹配用户问句，否则会经常出现找不到合适回答内容的情形（因为在真实场景下用户说什么都是可能的），但它的好处是回答质量高，因为对话库中的内容都是真实的对话数据，表达比较自然。
生成式聊天机器人则采取不同的技术思路，在接收到用户输入句子后，采用一定技术手段自动生成一句话作为应答，这个路线机器人的好处是可能覆盖任意话题的用户问句，但是缺点是生成应答句子质量很可能会存在问题，比如语句不通顺、句法错误等看上去比较低级的错误。
本文重点介绍开放领域、生成式的聊天机器人如何通过深度学习技术来构建，很明显这是最难处理的一种情况。
好聊天机器人应该具备的特点
一般而言，一个优秀的开放领域聊天机器人应该具备如下特点：
首先，针对用户的回答或者聊天内容，机器人产生的应答句应该和用户的问句语义一致并逻辑正确，如果聊天机器人答非所问或者不知所云，或者总是回答说“对不起，我不理解您的意思”，无疑是毁灭性的用户体验。
其次，回答应该语法正确。这个看似是基本要求，但是对于采用生成式对话技术的机器人来说其实有一定困难，因为机器人的回答是一个字一个字生成，要保证这种生成的若干个字句法正确，并不容易做得那么完美。
再次，应答应该是有趣、多样而非沉闷无聊的。尽管有些应答看上去语义没什么问题，但目前技术训练出的聊天机器人很容易产生“安全回答”的问题，就是说，不论用户输入什么句子，聊天机器人总是回答“好啊”、“是吗”等诸如此类，看上去语义说得过去，但是这给人很无聊的感觉。此外，聊天机器人应该给人“个性表达一致”的&
感觉。因为人们和聊天机器人交流，从内心习惯还是将沟通对象想象成一个人，而一个人应该有相对一致的个性特征，如果用户连续问两次“你多大了”，而聊天机器人分别给出不同的岁数，那么会给人交流对象精神分裂的印象，这即是典型的个性表达不一致。而好的聊天机器人应该对外体现出各种基本背景信息以及爱好、语言风格等&
方面一致的回答。
几种主流技术思路
当前聊天机器人的几种主流技术包括：基于人工模板、基于检索、基于机器翻译技术，以及基于深度学习的聊天机器人。
基于人工模板的技术通过人工设定对话场景，并对每个场景编写针对性的对话模板，模板描述了用户可能的问题以及对应的答案。这个技术路线的好处是精准，缺点是需要大量人工工作，而且可扩展性差，需要一个场景一个场景去扩展。目前市场上各种类似于Siri的对话机器人中都大量使用了人工模板的技术，但其精准性是其他方法还无法比拟的。
基于检索技术的聊天机器人则走的是类似搜索引擎的路线，事先存储好对话库并建立索引，根据用户问句，在对话库中进行模糊匹配找到最合适的应答内容。
基于机器翻译技术的聊天机器人把聊天过程比拟成机器翻译过程，就是说将用户输入聊天信息Message，翻译成聊天机器人应答Response的过程类似于把英语翻译成汉语。基于这种假设，就完全可以将统计机器翻译领域相对成熟的技术直接应用到聊天机器人开发中来。
基于深度学习的聊天机器人技术是本文后续内容主要介绍的技术路线，总体而言，绝大多数技术都是在Encoder-Decoder（或者称作Sequence to Sequence）深度学习技术框架下改进的。使用深度学习技术来开发聊天机器人相对传统方法来说，整体思路非常简单并可扩展。
利用深度学习构建聊天机器人
如上所述，目前对于开放领域生成式聊天机器人技术而言，多数采用了Encoder-Decoder框架，所以这里首先描述Encoder-Decoder框架技术原理。然后分别针对聊天机器人研究领域需要特殊考虑的主要问题及其对应的解决方案进行讲解，这些主要问题分别是：多轮会话中的上下文机制、“安全回答”以及个性信息一致性问题。
Encoder-Decoder框架
Encoder-Decoder框架可以看作一种文本处理领域的研究模式，应用场景异常广泛，不仅可用在对话机器人领域，还可以应用在机器翻译、文本摘要、句法分析等各种场合。图1是文本处理领域里常用的Encoder-Decoder框架最抽象的一种表示。Encoder-Decoder框架可以直观地理解为适合处理由一个句子（或篇章）生成另外一个句子（或篇章）的通用处理模型。对于句子对（X,Y），我们的目标是给定输入句子X，期待通过Encoder-Decoder框架来生成目标句子Y。X和Y可以是同一种语言，也可以是两种不同的语言。而X和Y分别由各自的单词序列构成：
Encoder顾名思义就是对输入句子X进行编码，将输入句子通过非线性变换转化为中间语义表示C：
对于解码器Decoder来说，其任务是根据句子X的中间语义表示C和之前已经生成的历史信息y1,y2……yi-1来生成i时刻要生成的单词yi：
图1 抽象的Encoder-Decoder框架
每个yi都依次这么产生，那么看起来就是整个系统根据输入句子X生成了目标句子Y。
对于聊天机器人来说，完全可以使用上述的Encoder-Decoder框架来解决技术问题。具体而言，对应的
多轮会话中的上下文问题
利用上述Encoder-Decoder框架，聊天机器人可以根据用户当前输入Message自动生成应答Response，形成了一个有效的对话系统。但是一般人们聊天并不是单纯的一问一答，回答的内容常常要参考上下文信息Context，也就是在用户当前输入问句Message之前两者的对话信息。因为存在多轮的一问一答，这种情形一般称为多轮会话。
深度学习解决多轮会话的关键是如何将上下文聊天信息Context引入到Encoder-Decoder模型中。Context应该引入到Encoder中，因为这是除了当前输入Message的额外信息，有助于Decoder生成更好的应答Response。目前不同的研究主体思路都是这样，无非如何将Context信息在Encoder端建立模型或者说具体的融入模型有些不同。
表1 聊天机器人聊天效果示例&
在上文所述的Encoder-Decoder框架中，很容易想到一种直观地将Context信息融入Encoder的思路：无上下文信息的Encoder-Decoder模型的输入仅仅包含Message，只需要把上下文信息Context和信息Message拼接形成一个长的输入提供给Encoder，这样就把上下文信息融入模型中了。这个直觉本身没有什么问题，但是对于采用RNN模型的Encoder来说，这种方式使得有时候输入非常长，而对于RNN模型来说，输入的线型序列长度越长，模型效果越差。所以简单地拼接Context和Message的策略不会产生太好的聊天效果。
考虑到RNN对长度敏感的问题，文献3提出了针对聊天机器人场景优化的Encoder-Decoder模型，核心思想是将Encoder用多层前向神经网络来代替RNN模型，神经网络的输出代表上下文信息Context和当前输入Message的中间语义表示，而Decoder依据这个中间表示来生成对话Response。这样做既能够将上下文信息Context和当前输入语句Message通过多层前向神经网络编码成Encoder-Decoder模型的中间语义表达，又避免了RNN对于过长输入敏感的问题。图2和图3是论文中提出的两种不同的融合方法，方法1对Context和Message不做明显区分，直接拼接成一个输入；而方法2则明确区分了Context和Message，在前向神经网络的第一层分别对其进行编码，拼接结果作为深层网络后续隐层的输入，核心思想是强调Message的作用，因为毕竟Response是针对Message的应答，Context只是提供了背景信息，所以应该突出Message的作用。
当然，除了Encoder从RNN替换为深层前向神经网络外，文献3与传统Encoder-Decoder还有一个显著区别，就是Decoder的RNN模型每个时刻t在输出当前字符的时候，不仅仅依赖t-1时刻的隐层状态和当前输入，还显示地将Encoder的中间语义&
编码直接作为t时刻RNN节点的输入，而不是像经典Encoder-Decoder模型那样把中间语义编码当做Decoder中RNN的最初输入。其出发点也很直观，就是在生成每个输出字符时反复强化中间语义编码的作用，这对于输出应答Response较长的情况是有帮助的。
文献4给出了解决多轮会话上下文问题的另外一种思路（如图4所示），称作层级神经网络（Hierarchical Neural Network，简称HNN）。HNN本质上也是Encoder-Decoder框架，主要区别在于Encoder采用了二级结构，上下文Context中每个句子首先用“句子RNN（Sentence RNN）”对每个单词进行编码形成每个句子的中间表示，而第二级的RNN则将第一级句子RNN的中间表示结果按照上下文中句子出现先后顺序序列进行编码，这级RNN模型可称作“上下文RNN（Context
RNN）”，其尾节点处隐层节点状态信息就是所有上下文Context以及当前输入Message的语义编码，以这个信息作为Decoder产生每个单词的输入之一，这样就可以在生成应答Response时把上下文信息考虑进来。
综上所述，深度学习解决多轮会话的上下文信息问题时大致思路相同，都是在Encoder阶段把上下文信息Context及当前输入Message同时编码，从而可以参考上下文信息生成应答Response。
解决“安全回答”（Safe Response）问题
如果采用经典的Encoder-Decoder模型构建开放领域生成式聊天机器人系统，一个比较容易产生的严重问题就是“安全回答”。就是说不论用户说什么内容，聊天机器人都用少数非常常见的句子进行应答，比如英文的“I don’t know”、“Come on”、“I’ m OK”，中文的“是吗”、“呵呵”等。虽然很多种情况下这么回答也不能说是错误的，但可以想象，如果用户遇到这样一位聊天对象会有多抓狂。
这个现象产生的主要原因是聊天训练数据中确实有很多这种宽泛而无意义的应答，所以机器人通过Encoder-Decoder模型学会这种常见应答模式。如何解决聊天机器人“安全回答”问题，让机器产生多样化的应答是个重要的课题。
图2 融合方法1
图3 融合方法2
图4 层级神经网络
文献5即在Sequence-to-Sequence框架下来解决“安全回答”问题。在聊天场景下，使用Sequence-to-Sequence框架来进行模型训练时，传统的优化目标基本上是最大似然法（MLE），就是说给定用户输入Message，通过训练来最大化生成应答Response的概率：
其中M代表message，R代表Response。
文献X提出了改进的优化目标函数：最大化互信息（MMI），其目标函数如下：
可以从公式差异中看出，MMI的优化目标除了最大化从Message生成应答Response的概率，同时加入了反向优化目标，即最大化应答Response产生Message的概率（即log p(M|R)部分），是控制两者哪个更重要的调节超参数。通过其名称“互信息”以及具体公式可以看出，这个优化目标函数要求应答Response和Message内容密切相关而不仅仅是考虑哪个Response以更高概率出现，从而降低了那些非常常见的回答的生成概率，使得应答Response更多样化且跟Message语义更相关。
采用MMI作为目标函数明显解决了很多“安全回答”问题，表2是两个不同优化目标函数产生的应答Response的示例，其中Message列代表用户输入语句Message，S2S Response代表MLE优化目标产生的应答，MMI Response代表MMI优化目标产生的应答。
表2 S2S与MMI产生的应答&
个性信息一致性问题
对于聊天助手等应用来说，聊天机器人往往会被用户当做一个具有个性的虚拟人，比如经常会问“你多大了”、“你的爱好是什么”、“你是哪里人啊”等问题。如果将聊天助手当做一个虚拟人，那么这位虚拟人相关的年龄、性别、爱好、语言风格等个性特征信息应该维护回答的一致性。利用经典的Sequence-to-Sequence模型训练出的聊天助手往往很难保持这种个性信息的一致性（不一致的例子请参考图5），这是因为Sequence-to-Sequence模型训练的都是单句Message对单句Response的映射关系，内在并没有统一维护聊天助手个性信息的场所，所以并不能保证相同的问题每次能够产生完全相同的应答。另外，对于海量用户来说，可能不同的用户会喜欢不同聊天风格或者不同身份的聊天助手，所以聊天机器人应该能够提供不同身份和个性信息的聊天助手，不同类型用户可以采用相应类型的聊天助手来聊天，当然，在聊天过程中要尽量保持身份和个性信息的一致性。
那么如何在Sequence-to-Sequence框架下采用技术手段维护聊天助手的个性信息一致性呢？文献6给出了一种比较典型的解决方案，我们可以改造出一个能够实现不同身份个性特征的聊天助手思路。图6是其示意图（注意：本文叙述的并非文献6中的原始场景，而是本文作者参照文献稍作修正的技术方案）。
其基本思路如下：聊天机器人系统可以定义不同身份、个性及语言风格的聊天助理，个性化信息通过Word Embedding的表达方式来体现，在维护聊天助手个性或身份一致性的时候，可以根据聊天对象选择某种风格、身份的聊天助手。整体技术框架仍然采用Sequence-to-Sequence架构，其实现思路是把聊天助手的个性信息导入到Decoder的输出过程中，就是说在采用RNN的Decoder生成应答Response的时候，每个t时刻，神经网络节点除了RNN标准的输入外，也将选定身份的个性化Word
Embedding信息一并作为输入。这样就可以引导系统在输出时倾向于输出符合身份特征的个性化信息。
上述是一种深度学习框架下维护聊天助手个性一致的技术框架，很明显还可以衍生出很多种其他方案，但是技术思路应该是类似的，核心思想是把聊天助手的个性信息在Decoder阶段能够体现出来，以达到维护个性一致的目的。
上述内容介绍了使用深度学习构建聊天机器人采用的主体技术框架以及面临的一些独特问题及相应的解决方案。此外，还有一些问题值得探讨，比如如何使得聊天机器人有主动引导话题的能力，因为一般聊天机器人都比较被动，话题往往都是由用户发起和引导，聊天机器人只是作为应答方，很少主动引导新话题，而这很容易导致聊天冷场，所以如何主动引导话题也是聊天机器人应该具备的能力之一，文献7提出了一种技术方案，此处不赘述，感兴趣的读者可自行参考。
图5 个性信息不一致问题（这是利用Twitter 2500万训练数据经过Sequence-to-Sequence模型训练后产生的结果）
图6 一种Sequence-to-Sequence框架下维护聊天助手个性信息一致性的方案
深度学习聊天机器人的优点与需要改进的方向
相对基于检索类或者机器翻译类传统技术而言，基于Encoder-Decoder深度学习框架的聊天机器人具有如下明显优点：
构建过程是端到端（End-to-End）数据驱动的，只要给定训练数据即可训练出效果还不错的聊天系统，省去了很多特征抽取以及各种复杂中间步骤的处理，比如省去句法分析与语义分析等传统NLP绕不开的工作，使得系统开发效率大幅提高。
语言无关，可扩展性强。对于开发不同语言的聊天机器人来说，如果采用Encoder-Decoder技术框架，只需要使用不同语言的聊天数据进行训练即可，不需要专门针对某种语言做相关的特定优化措施，这使得系统可扩展性大大加强。
训练数据扩大有助于持续提升系统效果。对于Encoder-Decoder深度学习模型来说，一般通过不断增加训练数据就能够带来持续的效果提升。&
当然，开发出具备像人一样能够自然交流的聊天机器人目前还面临着各种技术难题，具体到使用深度学习技术来构建聊天机器人来说，目前在以下几个方面还需大力加强：
聊天机器人的评价标准。聊天机器人效果质量的评价标准对于持续提升系统是至关重要的，因为只有这样才能有针对性地设计技术方案进行改进。聊天机器人在评价标准方面还有待深入研究，目前常用的标准包括机器翻译的评价指标BLEU、语言模型评价标准困惑度等，还有很多工作是通过人工来进行效果评价，还没有特别合适的专用于聊天机器人的评价标准，这是阻碍聊天机器人技术持续发展的一个障碍。
缺乏标准化的大规模训练数据。就像上述深度学习模型优点所述，训练数据的不断增加一般能够带来性能的持续提升。但是目前来说，标准化的特大规模人与人对话数据相对缺乏，很多研究都是通过Twitter或者微博评论等高成本的采集方式来收集对话训练数据，或者使用电影字幕等比较间接的方式来积累训练数据。如果能够有大规模的标准聊天数据，很明显将能够极大促进技术进步。
技术仍处于发展初期。很明显采用深度学习来构建聊天机器人的技术研发还处于非常初期的阶段，技术手段也好，实际系统效果也好，都有非常大的进步空间。
参考文献：
[1]Lifeng Shang, Zhengdong Lu, and Hang Li.2015. Neural responding machine for short-text conversation. In ACL-IJCNLP, pages .
[2] Oriol Vinyals and Quoc Le. 2015. A neural conversational model. In Proc. of ICML Deep Learning Workshop.
[3] Alessandro Sordoni, Michel Galley, Michael Auli, ChrisBrockett, Yangfeng Ji, Meg Mitchell,Jian-Yun Nie,Jianfeng Gao, and Bill Dolan. 2015.A neural network approach to context-sensitive generation of conversational
responses. In Proc. of NAACL-HLT.
[4] Iulian V Serban, Alessandro Sordoni, Yoshua Bengio,Aaron Courville, and Joelle Pineau. 2015. Building end-to-end dialogue systems using generative hierarchical neural network models. In Proc. of AAAI.
[5]Jiwei Li, Michel Galley, Chris Brockett, Jianfeng Gao,and Bill Dolan. 2015. A diversity-promoting objective function for neural conversation models. arXiv preprint arXiv:15
[6] Jiwei Li, Michel Galley, Chris Brockett, Jianfeng Gao and Bill Dolan. A Persona-Based Neural Conversation Model. arXiv preprint arXiv:16
[7] Xiang Li,Lili Mou,Rui Yan and Ming Zhang. StalemateBreaker: A Proactive Content-Introducing Approach to Automatic Human-&
Computer Conversation.IJCAI 2016.
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：93040次
积分：2628
积分：2628
排名：第10180名
原创：154篇
转载：138篇
(5)(42)(176)(66)(2)(1)鼓楼医院门口机动车堵死慢车道，打110及12345都无结果_博客茶社（聊天休闲室）_1024智勇的爱车博客|智勇爱车网
→ 鼓楼医院门口机动车堵死慢车道，打110及12345都无结果
查看完整版本：
中山路，鼓楼医院住院部门口，每天早晨上班高峰时段，大量机动车排队进入医院，将慢车道横向堵得死死的。蜂拥的自行车电动车只能在夹缝中艰难穿行。其实只要医院派专人管理疏导，完全可以避免。或者划上网格线，给司机警示。本人从半年多以前，陆续打过2次110，,110接警人员都说派警员过去看看。然后照旧。后来我打12345热线，第一次说是转给交警队，效果不大。隔段时间我又打12345，又转给交警队，还给了我回复，说是警力有限，这段时间主要在儿童医院整治，过段时间会对鼓楼医院集中整治，然后加强警力管理云云。后来似乎有几天改观，但是现在，又一切照旧。不知道是这个问题实在难办呢？还是医院管理不力？还是交警部门不作为？还是12345督促不够？
清澈的星空
红色小车明显插队！医院管理有问题！
最恨的就是压队的，都在排队，就他能压
无奈啊。这种情况就应该留个车位距离给非机动车走，天生也进不去。但如果你留个车位，后面不是按喇叭，就是挤进来。为这事还差点和人打过架，尼玛。二附院现在管的挺好，路口上护栏，就留一个车身空挡，所有车辆从一个方向排队进场。
尼玛，最恨这种压队的了，今天早晨在妇幼门口排队我特地留了非机动车道，结果一红色科鲁兹一把方向就插进来了。
石头城山人
主要是医院车位不够，车辆进不去。
为什么都喜欢去一个医院呢？ 其它医院没医生吗
这种地方交警应该来疏导，不听劝的上黄单。
Powered by
& Processed in 0.18 second(s)