火爆全中國的ofo共享單車（俗稱「小黃車」） 看看它是怎麼用的 | 感謝 自媒體 宋增建
 |
來源：光明网
ofo在人工智慧系統中，應用了與「阿爾法狗」相同的方法——卷積神經網路——預測用戶出行需求。同時，ofo還運用谷歌Tensor Flow人工智慧系統，使預測結果更精確。
這是共享單車行業，首次將人工智慧圖像處理技術，應用於智慧營運中，標誌著共享單車進入以人工智慧為基礎、以物聯網為載體的營運新階段。
ofo小黃車實時騎行軌跡
卷積神經網路主要應用於圖像辨識領域。卷積是提取相關性特徵的方法，神經網路是預測需求的模型結構。作為共享單車的原創者和領騎者，ofo為全球120座城市上億用戶，提供了超10億次出行服務，已成為全球最大的共享單車平台，擁有共享單車行業最龐大的出行數據。隨著出行數據增多，ofo對用戶出行需求的預測，都會越來越準確。
在應用層面，ofo將車輛調度問題歸為有約束的供需差最小化，也就是結合當前時間、地點、單車數量等因素，使單車供給最大限度接近用戶需求。
ofo將智慧鎖返回的定位資訊形成熱力圖，並記錄熱力圖的關鍵幀圖像變化，將圖像抽象為網格像素，利用卷積神經網路，對像素內的顏色變化，進行相關性特徵提取。
簡單的理解就是，將各個關鍵時間點的熱力圖記錄下來，把圖像劃分為均勻分布的網格，將像素顏色的變化，作為用戶騎行需求的變化，並進行相關性特徵提取。
ofo小黃車利用卷積神經網路預測騎行需求
如上圖所示，北京西北部上地、西二旗、中關村地區是騎行需求最多的地區，其次是望京、國貿等地。單純從圖像上來看，很難判斷中關村地區和國貿地區騎行需求的聯繫。
ofo可以利用卷積神經網路，通過算法的深入，提取這兩個地區的相關性特徵。
卷積的過程可以想像成，有人拿著玻璃鏡片，掃過如上所示網格圖像的過程，可以當鏡片大小是3*3網格時，可提取上地與西二旗地區騎行需求相關性特徵。
當鏡片大小擴大到17*17網格時，上地、西二旗與國貿之間，騎行需求相關性的特徵就被提取了。隨著卷積鏡片範圍的擴大，所需的算法和計算能力會越來越複雜。目前，ofo的卷積神經網路層次可達30層，算法水平位列行業第一。
共享單車具有明顯的潮汐效應，且騎行需求受天氣等因素影響，ofo利用卷積神經網路，提取不同時段同一區域，或者同一時段不同區域的圖像相關性特徵，以精準預測下一個時段，某一區域內會出現的需求數，從而為營運調度提供更好的決策，實現智慧營運。
將卷積神經網路和谷歌Tensor Flow人工智慧系統，應用於共享單車，是ofo引領的又一次行業創新，ofo正在形成以人工智慧為基礎，以物聯網為載體的生態閉環。
0 comments:
張貼留言