高层速读
关键信息：
宾州州立大学的进行了一项关于 学习的研究，将卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网络(Long Short-Term Memory，LSTM)结合起来，使用这种复杂的神经网络模拟人们消化信息的方式，让计算机理解交通模式图像；
关键意义：
可以更好地预测出租车和拼车服务的需求，为更智能、更安全和更可持续的城市铺平道路。
在宾州州立大学(Penn State)的一项研究中，研究人员使用两种类型的神经网络--模拟人脑的计算系统--分析出出租车需求的模式。这种让计算机自己学习的 学习方法，能够预测需求模式，远远好于目前的技术。
宾州州立大学信息科学与技术副教授Jessie Li说，“美国的优步和中国的滴滴出行等拼车公司越来越受欢迎，并真正改变了人们对待交通的方式。你可以想象，预测出租车需求有多重要，因为出租车公司甚至可以在需求出现之前就派出汽车。”
研究人员补充说，更好的预测可以减少出租车等待乘客的空闲时间，使城市变得更整洁。由于交通事故往往发生在交通拥挤的地区，更好的驾驶预测技术也可以提升安全。
据信息科技博士、论文第一作者姚华秀介绍，研究人员分析了滴滴出行的大量乘车请求数据。
当用户需要搭便车时，他们首先通过计算机应用程序提出请求，例如手机应用程序。根据研究人员的说法，使用这些乘车请求，而不是仅仅依靠乘车数据，能更好地反映总体需求。
姚华秀说：“这是非常好的数据，因为它是基于需求的。如果你只知道有多少人曾经搭便车，这并不能告诉你真正需求，因为可能中间有人没有搭上车，或者其他人干脆放弃了尝试。”
通过历史数据(包括请求的时间和位置)，计算机可以预测需求随时间的变化。通过可视化地图，研究人员可以看到不断变化的需求。
“例如，你可以看到，早上在住宅区上车的多，在市中心地区下车的多；到了晚上，情况正好相反。”Li说，“我们正在做的是使用历史拾取数据，来预测这张地图在30分钟后会发生怎样的变化，从现在起一个小时后会发生怎样的变化，等等。”
研究人员在前一段时间召开的国际人工智能协会（The Association for the Advancement of Artificial Intelligence，AAAI）上展示了他们的发现。他们使用了2017年2月1日至3月26日在广州的出租车申请数据——广州居民每天约提出300，000次乘车请求。
当技术使用一种神经网络时，研究人员将两种神经网络结合起来——卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆网络(Long Short-Term Memory，LSTM)——帮助指导复杂的序列预测。卷积神经网络可以更好地模拟复杂的空间相关性，长短期记忆网络可以更好地处理序列建模。
“基本上，我们使用一个非常复杂的神经网络来模拟人们消化信息的方式，在这里，指的是消化理解交通模式图像。”Li说。
Li说，获得了更大的数据集，以及能够处理大量数据的计算机技术获得了更大的进步，能够推动这个项目，以及其他深入学习技术的发展。
“在传统的计算机程序设计中，人们需要告诉计算机，它需要看哪些方面或特性，然后对其建模，这需要付出巨大的努力。”Li说，“之所以说 学习是革命性的，在于现在我们可以跳过这一步了。例如，你可以直接给电脑图像，而不需要告诉电脑它需要看什么。“
微信搜索【AI商业报道】，获取最新行业资讯！
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
