智慧應用 影音
訂報
DForum0416雲端大數據論壇

深度學習技術預測叫車需求模式 有助打造智慧城市

預測共享叫車服務的需求將有助於降低都市汙染與整合車輛派遣。法新社

根據國際研究小組的一項最新研究顯示,透過電腦協助預測人們對共享叫車服務的需求已非難事,這也將有助於打造更智慧、更安全、以及更具永續性的城市。

據Science Daily報導,在一項研究中,研究人員使用了包含2種不同類型的神經網路-一種以人腦為基本模型的電腦系統,來分析計程車需求。專家表示,這種透過讓電腦進行自我學習的深度學習方式,已能夠比現有的技術更準確預測出需求模式。

美國賓州州立大學(Penn State)資訊科技和技術學院副教授Jessie Li表示,近年來像Uber和滴滴出行這類的共乘平台已變的愈來愈受歡迎並日趨普及,這些企業真正改變了人們接觸交通工具的方式。預測計程車需求的重要性已是不言而喻,因為若能如此,未來計程車公司甚至還能在實際乘車需求出現之前,就已預先採取車輛派遣的行動。

研究人員表示,更有效的預測能幫助減少計程車因等待乘客搭乘而閒置的時間,進而達到減少都市汙染的效果。此外,由於交通事故一般發生在較為擁堵的地區,因此更好的乘車預測技術勢必將能有助於提高整體交通的安全性。

研究顯示,當用戶需要乘車時,首先勢必得透過電腦系統發出請求,例如透過手機的App;因此,有效運用這些請求訊息和相關資訊,將更勝於僅僅只是依賴搭乘數據,從而更真實反映出叫車市場整體的需求情況。

這種建立在需求的相關數據對預測技術的發展極為有利。舉例來說,倘若只知道有多少人搭車,並不能代表真正的叫車需求,因為這可能包括了某些沒能搭到車的用戶,或是中途放棄叫車的用戶。然而一旦有了叫車歷史數據,電腦便能隨著時段的變化預測出不同的乘車需求;若再輔以地圖的視覺化呈現,研究人員便能觀察到更多不斷變化的需求。

根據研究人員在人工智慧會議「AAAI Conference on Artificial Intelligence」上所展示的研究結果,以2017年2月1日到3月26日的計程車搭乘樣本數據顯示,廣州居民平均每日會有大約30萬次的乘車需求;而美國紐約則是平均每日會有大約50萬次的乘車需求。

研究小組表示,儘管目前的技術普遍都只採用一種類型的神經網路,但該小組的研究人員卻選擇將卷積神經網路(CNN)和長短期記憶模型(LSTMs) 2種不同的神經網路進行結合。透過可助模擬複雜空間關聯的CNN和能夠優化處理順序建模的LSTMs,將能更有利於幫助指引複雜的預測序列;而連結到更大的數據集和能夠處理大量數據的電腦運算技術,也將有利於促進此研究項目與機器深度學習的發展。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 深度學習 機器學習 共乘