深度学习，让滴滴提前为你派车

高层速读

关键信息：

宾州州立大学的进行了一项关于深度学习的研究，将卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网络(Long Short-Term Memory，LSTM)结合起来，使用这种复杂的神经网络模拟人们消化信息的方式，让计算机理解交通模式图像；

关键意义：

可以更好地预测出租车和拼车服务的需求，为更智能、更安全和更可持续的城市铺平道路。

在宾州州立大学(Penn State)的一项研究中，研究人员使用两种类型的神经网络--模拟人脑的计算系统--分析出出租车需求的模式。这种让计算机自己学习的深度学习方法，能够预测需求模式，远远好于目前的技术。

宾州州立大学信息科学与技术副教授Jessie Li说，“美国的优步和中国的滴滴出行等拼车公司越来越受欢迎，并真正改变了人们对待交通的方式。你可以想象，预测出租车需求有多重要，因为出租车公司甚至可以在需求出现之前就派出汽车。”

研究人员补充说，更好的预测可以减少出租车等待乘客的空闲时间，使城市变得更整洁。由于交通事故往往发生在交通拥挤的地区，更好的驾驶预测技术也可以提升安全。

据信息科技博士、论文第一作者姚华秀介绍，研究人员分析了滴滴出行的大量乘车请求数据。

当用户需要搭便车时，他们首先通过计算机应用程序提出请求，例如手机应用程序。根据研究人员的说法，使用这些乘车请求，而不是仅仅依靠乘车数据，能更好地反映总体需求。

姚华秀说：“这是非常好的数据，因为它是基于需求的。如果你只知道有多少人曾经搭便车，这并不能告诉你真正需求，因为可能中间有人没有搭上车，或者其他人干脆放弃了尝试。”

通过历史数据(包括请求的时间和位置)，计算机可以预测需求随时间的变化。通过可视化地图，研究人员可以看到不断变化的需求。

“例如，你可以看到，早上在住宅区上车的多，在市中心地区下车的多；到了晚上，情况正好相反。”Li说，“我们正在做的是使用历史拾取数据，来预测这张地图在30分钟后会发生怎样的变化，从现在起一个小时后会发生怎样的变化，等等。”

研究人员在前一段时间召开的国际人工智能协会（The Association for the Advancement of Artificial Intelligence，AAAI）上展示了他们的发现。他们使用了2017年2月1日至3月26日在广州的出租车申请数据——广州居民每天约提出300，000次乘车请求。

当技术使用一种神经网络时，研究人员将两种神经网络结合起来——卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网络(Long Short-Term Memory，LSTM)——帮助指导复杂的序列预测。卷积神经网络可以更好地模拟复杂的空间相关性，长短期记忆网络可以更好地处理序列建模。

“基本上，我们使用一个非常复杂的神经网络来模拟人们消化信息的方式，在这里，指的是消化理解交通模式图像。”Li说。

Li说，获得了更大的数据集，以及能够处理大量数据的计算机技术获得了更大的进步，能够推动这个项目，以及其他深入学习技术的发展。

“在传统的计算机程序设计中，人们需要告诉计算机，它需要看哪些方面或特性，然后对其建模，这需要付出巨大的努力。”Li说，“之所以说深度学习是革命性的，在于现在我们可以跳过这一步了。例如，你可以直接给电脑图像，而不需要告诉电脑它需要看什么。“

信息来源：Science Daily

分享这篇文章

与同仁共同探讨AI行业动向

往期文章