ofo使用谷歌阿尔法狗算法 打造人工智能物联网闭环

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...

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。

来源:至顶网商用办公频道

0赞

好文章,需要你的鼓励

2017

06/23

18:31

分享

点赞

邮件订阅
白皮书