В исследовании исследователи использовали два типа нейронных сетей – вычислительных систем, смоделированных на человеческом мозге – который проанализировал образцы требования такси. Этот глубокий подход изучения, который позволяет компьютерам учиться самостоятельно, тогда смог предсказать образцы требования значительно лучше, чем современная технология.
«Компании по совместному пользованию автомобилем, как Uber в Соединенных Штатах и Didi Chuxing в Китае, становятся более популярными и действительно изменили способ, которым люди приближаются к транспортировке», сказала Джесси Ли, адъюнкт-профессор информатики и технологии, Государственного университета Пенсильвании. «И Вы можете вообразить, как важный это должно было бы предсказать требование такси, потому что служба такси могла послать автомобили даже, прежде чем потребность возникнет».Лучшие предсказания могли уменьшить такси времени неработающее ожидание поездок, делая городского уборщика, добавили исследователи. Поскольку несчастные случаи имеют тенденцию происходить чаще в переполненных областях, лучше ехать, технология предсказания могла также повысить уровень безопасности.Исследователи проанализировали большой набор данных запросов поездки к Didi Chuxing, одной из крупнейших приветствующих автомобиль компаний в Китае, по словам Хуэксиу Яо, докторанта в информатике и технологии и ведущем авторе статьи.
Когда пользователям нужна поездка, они сначала обращаются с просьбой через компьютерное приложение – например, приложение для мобильного телефона. Используя эти запросы о поездках, вместо того, чтобы положиться только на данные о поездке, лучше отражают полное требование, по словам исследователей.«Это – действительно хорошие данные, потому что они основаны на требовании», сказал Яо. «Если Вы просто знаете, сколько людей взяло поездку, которая действительно не говорит Вам требование, потому что могло случиться так, что люди не получили поездку, или другие просто бросили пробовать».С историческими данными, которые включают время и местоположение запроса, компьютер может тогда предсказать, как требование будет изменяться со временем.
Когда визуализируется на карте, исследователи видели то требование развития.«Утром, например, Вы видите, что в жилом разделе есть больше пикапов, и в центре города есть больше снижений», сказал Ли. «Вечером это полностью изменено. То, что мы делаем, использует исторические данные о погрузке, чтобы предсказать, как эта карта изменяет 30 минут с этого времени, один час с этого времени, и так далее».
Исследователи, которые представили их результаты на недавней Конференции AAAI по Искусственному интеллекту, одной из самых больших конференций в области исследования AI, использовали данные по запросам такси в Гуанчжоу, Китай, с 1 февраля до 26 марта 2017. Жители Гуанчжоу обращаются приблизительно с 300 000 просьб поездки каждый день. Для сравнения есть приблизительно 500 000 поездок в день в Нью-Йорке.В то время как технология использует один тип нейронной сети, исследователи объединили две нейронных сети – сверточную нейронную сеть, или CNN, и сеть Long Short Term Memory, или LSTM – чтобы помочь вести сложные последовательности предсказаний.
CNNs может лучше смоделировать сложные пространственные корреляции, и LSTMs может лучше обращаться с последовательным моделированием.«В основном мы использовали очень сложную нервную сеть, чтобы моделировать, как люди переваривают информацию, в этом случае, изображение транспортных образцов», сказал Ли.Ли сказал доступ к более крупным наборам данных – Большим данным – и достижениям в компьютерной технологии, которая может обработать этот большой объем данных, помогли этому проекту и позволили другие глубокие события изучения.«В традиционном программировании люди должны сказать компьютер, на какие аспекты – или особенности – это должно посмотреть, и затем они должны смоделировать его, который прилагает огромные усилия», сказал Ли. «Почему глубокое изучение революционное, теперь, мы можем пропустить тот шаг.
Вы можете просто дать компьютеру изображения, например. Вы не должны говорить компьютер, на что это должно посмотреть».