Las computadoras pueden predecir mejor la demanda de servicios de taxi y viaje compartido, allanando el camino hacia ciudades más inteligentes, más seguras y más sostenibles, según un equipo internacional de investigadores.
En un estudio, los investigadores utilizaron dos tipos de redes neuronales, sistemas computacionales modelados en el cerebro humano, que analizaron los patrones de demanda de taxis. Este enfoque de aprendizaje profundo, que permite a las computadoras aprender por sí mismas, fue capaz de predecirlos patrones de demanda significativamente mejores que la tecnología actual.
"Las compañías de viajes compartidos, como Uber en los Estados Unidos y Didi Chuxing en China, se están volviendo cada vez más populares y realmente han cambiado la forma en que las personas abordan el transporte", dijo Jessie Li, profesora asociada de ciencias de la información y tecnología, PennIndique: "Y se puede imaginar lo importante que sería predecir la demanda de taxis porque la compañía de taxis podría despachar los automóviles incluso antes de que surja la necesidad".
Los mejores pronósticos podrían reducir el tiempo que los taxis están inactivos esperando los viajes, haciendo que las ciudades sean más limpias, agregaron los investigadores. Debido a que los accidentes tienden a ocurrir con mayor frecuencia en áreas congestionadas, una mejor tecnología de predicción de viajes también podría mejorar la seguridad.
Los investigadores analizaron un gran conjunto de datos de solicitudes de viajes a Didi Chuxing, una de las compañías de transporte de automóviles más grandes de China, según Huaxiu Yao, estudiante de doctorado en ciencias de la información y tecnología y autor principal del artículo.
Cuando los usuarios necesitan un viaje, primero hacen una solicitud a través de una aplicación informática, por ejemplo, una aplicación de teléfono móvil. El uso de estas solicitudes de viajes, en lugar de depender únicamente de los datos del viaje, refleja mejor la demanda general, según los investigadores.
"Esta es una información realmente buena porque se basa en la demanda", dijo Yao. "Si solo sabes cuántas personas viajaron, eso realmente no te dice la demanda porque podría ser que la gente no recibió unmontar, u otros simplemente dejaron de intentarlo "
Con los datos históricos, que incluyen la hora y la ubicación de la solicitud, la computadora puede predecir cómo cambiará la demanda con el tiempo. Cuando se visualiza en el mapa, los investigadores pueden ver esa demanda en evolución.
"Por la mañana, por ejemplo, puedes ver que en una sección residencial hay más camionetas, y hay más paradas en el área del centro", dijo Li. "Por la noche, se invierte. Lo que somoshacer es usar datos históricos de recolección para predecir cómo cambia este mapa dentro de 30 minutos, dentro de una hora, y así sucesivamente "
Los investigadores, que presentaron sus hallazgos en la reciente Conferencia AAAI sobre Inteligencia Artificial, una de las mayores conferencias en el campo de la investigación de IA, utilizaron datos sobre solicitudes de taxi en Guangzhou, China, del 1 de febrero al 26 de marzo de 2017. Guangzhoulos residentes hacen alrededor de 300,000 solicitudes de transporte por día. En comparación, hay alrededor de 500,000 viajes por día en la ciudad de Nueva York.
Si bien la tecnología utiliza un tipo de red neuronal, los investigadores combinaron dos redes neuronales: la red neuronal convolucional, o CNN, y la red de memoria a corto y largo plazo, o LSTM, para ayudar a guiar las secuencias complejas de predicciones. Las CNN pueden mejorarmodelar correlaciones espaciales complejas y LSTM pueden manejar mejor el modelado secuencial.
"Básicamente, utilizamos una red neuronal muy complicada para simular cómo las personas digieren información, en este caso, la imagen de los patrones de tráfico", dijo Li.
Li dijo que el acceso a conjuntos de datos más grandes, Big Data, y los avances en tecnología informática que pueden procesar esta gran cantidad de datos han ayudado a este proyecto y han permitido otros desarrollos de aprendizaje profundo.
"En la programación tradicional de computadoras, las personas necesitan decirle a la computadora qué aspectos - o características - necesita ver y luego tienen que modelarla, lo que requiere un gran esfuerzo", dijo Li. "¿Por qué el aprendizaje profundo eslo revolucionario es que ahora podemos omitir ese paso. Simplemente puede darle a la computadora las imágenes, por ejemplo. No necesita decirle a la computadora lo que necesita ver "
Fuente de la historia :
Materiales proporcionado por Estado Penn . Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :