谷歌“阿尔法狗”这个科技网红,除了下围棋之外还会干嘛?ofo小黄车的回答是,还可以帮助小黄车实现智能调度。
ofo在人工智能系统中,应用了与“阿尔法狗”相同的方法——卷积神经网络——预测用户出行需求。同时,ofo还运用谷歌TensorFlow人工智能系统,使预测结果更精确。这是共享单车行业首次将人工智能图像处理技术应用于智能运营中,标志着共享单车进入以人工智能为基础、以物联网为载体的运营新阶段。
ofo小黄车实时骑行轨迹
2016年,谷歌人工智能程序AlphaGo在围棋赛中,击败了世界围棋冠军李世乭。2017年,AlphaGo在中国乌镇举行的世界互联网大会上,击败现世界围棋排名第一的柯洁。AlphaGo的出现,让更多的人体会到人工智能技术为世界带来的改变。而AlphaGo的基础正是卷积神经网络。
卷积神经网络主要应用于图像识别领域。卷积是提取相关性特征的方法,神经网络是预测需求的模型结构。作为共享单车的原创者和领骑者,ofo为全球120座城市上亿用户提供了超10亿次出行服务,已成为全球最大的共享单车平台,拥有共享单车行业最庞大的出行数据。随着出行数据增多,ofo对用户出行需求的预测都会越来越准确。
在应用层面,ofo将车辆调度问题归为有约束的供需差最小化,也就是结合当前时间、地点、单车数量等因素,使单车供给最大限度接近用户需求。ofo将智能锁返回的定位信息形成热力图,并记录热力图的关键帧图像变化,将图像抽象为网格像素,利用卷积神经网络,对像素内的颜色变化进行相关性特征提取,简单的理解就是将各个关键时间点的热力图记录下来,把图像划分为均匀分布的网格,将像素颜色的变化作为用户骑行需求的变化,并进行相关性特征提取。
ofo小黄车利用卷积神经网络预测骑行需求
如上图所示,北京西北部上地、西二旗、中关村地区是骑行需求最多的地区,其次是望京、国贸等地。单纯从图像上来看,很难判断中关村地区和国贸地区骑行需求的联系。ofo可以利用卷积神经网络,通过算法的深入,提取这两个地区的相关性特征。
卷积的过程可以想象成,有人拿着玻璃镜片,扫过如上所示网格图像的过程,可以当镜片大小是3*3网格时,可提取上地与西二旗地区骑行需求相关性特征。当镜片大小扩大到17*17网格时,上地、西二旗与国贸之间骑行需求相关性的特征就被提取了。随着卷积镜片范围的扩大,所需的算法和计算能力会越来越复杂。目前,ofo的卷积神经网络层次可达30层,算法水平位列行业第一。
共享单车具有明显的潮汐效应,且骑行需求受天气等因素影响,ofo利用卷积神经网络,提取不同时段同一区域或者同一时段不同区域的图像相关性特征,以精准预测下一个时段某一区域内会出现的需求数,从而为运营调度提供更好的决策,实现智能运营。
将卷积神经网络和谷歌TensorFlow人工智能系统应用于共享单车,是ofo引领的又一次行业创新,ofo正在形成以人工智能为基础,以物联网为载体的生态闭环。
好文章,需要你的鼓励
数据中心有哪些运维风险?造成这些风险的原因是什么?跟康普一起了解,智能化的基础设施管理是如何帮你看透网络物理层,有效避免停机风险的。
全球生成的、传输和下载的数据量呈爆炸式增长,因而 5G 网络的重要性在近几个月和近几年内大幅提升。但随着这种重要性的增加,确保这些重要网络安全并免受安全威胁的必要性也在增加。
光纤接入成为时下布线的核心,这是否意味着铜缆已无存在必要?选光,或是选铜,这道网络介质的选择题要怎么解?康普将带领你在大量的网络应用实例中找到答案。
无线网络和数字孪生为制造业工厂的转型和升级提供了关键技术支撑。它们共同为制造业的数智化转型提供了强有力的技术支持,使生产过程更加智能化、高效化和灵活化。