Dyb læring kan hjælpe med at forudsige, hvornår folk har brug for forlystelser

Computere kan bedre forudsige efterspørgsel efter taxaer og kørselstjenester, baner vejen mod smartere, sikrere og mere bæredygtige byer, ifølge et internationalt forskerteam.

I en undersøgelse, forskerne brugte to typer neurale netværk - beregningssystemer modelleret på den menneskelige hjerne - der analyserede mønstre af taxaefterspørgsel. Denne tilgang til dyb læring, som lader computere lære selv var derefter i stand til at forudsige efterspørgselsmønstrene betydeligt bedre end den nuværende teknologi.

"Virksomheder, der deler kørsel, ligesom Uber i USA, og Didi Chuxing i Kina, bliver mere og mere populær og har virkelig ændret den måde, folk nærmer sig transport, "sagde Jessie Li, lektor i informationsvidenskab og teknologi, Penn State. "Og du kan forestille dig, hvor vigtigt det ville være at forudsige taxaefterspørgslen, fordi taxiselskabet kunne sende bilerne, selv før behovet opstår."

Bedre forudsigelser kan reducere tiden, hvor taxaer inaktiv venter på forlystelser, gør byerne renere, tilføjede forskerne. Fordi ulykker oftest sker i overbelastede områder, bedre kørselsforudsigelsesteknologi kan også forbedre sikkerheden.

Forskerne analyserede et stort datasæt af ride -anmodninger til Didi Chuxing, en af ​​de største biludbringende virksomheder i Kina, ifølge Huaxiu Yao, doktorand i informationsvidenskab og teknologi og hovedforfatter af papiret.

Når brugere har brug for en tur, foretager de først en anmodning via et computerprogram - f.eks. en mobiltelefon -app. Ved hjælp af disse anmodninger om forlystelser, frem for udelukkende at stole på kørselsdata, bedre afspejler den samlede efterspørgsel, ifølge forskerne.

"Dette er virkelig gode data, fordi de er baseret på efterspørgsel, "sagde Yao." Hvis du bare ved, hvor mange der tog en tur, det fortæller dig ikke rigtig efterspørgslen, fordi det kan være, at folk ikke fik en tur, eller andre opgav bare at prøve. "

Med de historiske data, som omfatter anmodningens tid og sted, computeren kan derefter forudsige, hvordan efterspørgslen vil ændre sig over tid. Når det visualiseres på kortet, forskerne kunne se den voksende efterspørgsel.

"Om morgenen, for eksempel, du kan se, at der i en boligafdeling er flere afhentninger, og der er flere drop-offs i centrum, "sagde Li." Om aftenen, det er omvendt. Hvad vi gør, er at bruge historiske afhentningsdata til at forudsige, hvordan dette kort ændrer sig 30 minutter fra nu, en time fra nu, og så videre."

Forskerne, der præsenterede deres resultater på den seneste AAAI -konference om kunstig intelligens, en af ​​de største konferencer inden for AI -forskningsfeltet, brugte data om taxianmodninger i Guangzhou, Kina, fra 1. februar til 26. marts 2017. Guangzhou beboere foretager omkring 300, 000 kørselsanmodninger hver dag. Til sammenligning, der er omkring 500, 000 forlystelser om dagen i New York City.

Mens teknologien bruger en type neuralt netværk, forskerne kombinerede to neurale netværk - det konvolutionelle neurale netværk, eller CNN, og Long Short Term Memory netværk, eller LSTM - for at hjælpe med at guide de komplekse sekvenser af forudsigelser. CNN'er kan bedre modellere komplekse rumlige korrelationer, og LSTM'er kan bedre håndtere sekventiel modellering.

"I bund og grund, vi brugte et meget kompliceret neuralt net til at simulere, hvordan mennesker fordøjer information, I dette tilfælde, billedet af trafikmønstrene, "sagde Li.

Li sagde, at adgang til større datasæt - Big Data - og fremskridt inden for computerteknologi, der kan behandle denne store mængde data, har hjulpet dette projekt og muliggjort andre dybe læringsudviklinger.

"I traditionel computerprogrammering, folk skal fortælle computeren, hvilke aspekter - eller funktioner - den skal kigge på, og så skal de modellere den, som kræver en kæmpe indsats, "sagde Li." Hvorfor dyb læring er revolutionerende er nu, vi kan springe det trin over. Du kan bare give computeren billederne, for eksempel. Du behøver ikke fortælle computeren, hvad den skal se på. "