谷歌“阿爾法狗”這個科技網(wǎng)紅，除了下圍棋之外還會干嘛?ofo小黃車的回答是，還可以幫助小黃車實現(xiàn)智能調(diào)度。
ofo在人工智能系統(tǒng)中，應用了與“阿爾法狗”相同的方法——卷積神經(jīng)網(wǎng)絡——預測用戶出行需求。同時，ofo還運用谷歌TensorFlow人工智能系統(tǒng)，使預測結果更精確。這是共享單車行業(yè)首次將人工智能圖像處理技術應用于智能運營中，標志著共享單車進入以人工智能為基礎、以物聯(lián)網(wǎng)為載體的運營新階段。
ofo小黃車實時騎行軌跡
2016年，谷歌人工智能程序AlphaGo在圍棋賽中，擊敗了世界圍棋冠軍李世乭。2017年，AlphaGo在中國烏鎮(zhèn)舉行的世界互聯(lián)網(wǎng)大會上，擊敗現(xiàn)世界圍棋排名第一的柯潔。AlphaGo的出現(xiàn)，讓更多的人體會到人工智能技術為世界帶來的改變。而AlphaGo的基礎正是卷積神經(jīng)網(wǎng)絡。
卷積神經(jīng)網(wǎng)絡主要應用于圖像識別領域。卷積是提取相關性特征的方法，神經(jīng)網(wǎng)絡是預測需求的模型結構。作為共享單車的原創(chuàng)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臺，擁有共享單車行業(yè)最龐大的出行數(shù)據(jù)。隨著出行數(shù)據(jù)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(diào)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(shù)量等因素，使單車供給最大限度接近用戶需求。ofo將智能鎖返回的定位信息形成熱力圖，并記錄熱力圖的關鍵幀圖像變化，將圖像抽象為網(wǎng)格像素，利用卷積神經(jīng)網(wǎng)絡，對像素內(nèi)的顏色變化進行相關性特征提取，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(wǎng)格，將像素顏色的變化作為用戶騎行需求的變化，并進行相關性特征提取。
ofo小黃車利用卷積神經(jīng)網(wǎng)絡預測騎行需求
如上圖所示，北京西北部上地、西二旗、中關村地區(qū)是騎行需求最多的地區(qū)，其次是望京、國貿(mào)等地。單純從圖像上來看，很難判斷中關村地區(qū)和國貿(mào)地區(qū)騎行需求的聯(lián)系。ofo可以利用卷積神經(jīng)網(wǎng)絡，通過算法的深入，提取這兩個地區(qū)的相關性特征。
卷積的過程可以想象成，有人拿著玻璃鏡片，掃過如上所示網(wǎng)格圖像的過程，可以當鏡片大小是3*3網(wǎng)格時，可提取上地與西二旗地區(qū)騎行需求相關性特征。當鏡片大小擴大到17*17網(wǎng)格時，上地、西二旗與國貿(mào)之間騎行需求相關性的特征就被提取了。隨著卷積鏡片范圍的擴大，所需的算法和計算能力會越來越復雜。目前，ofo的卷積神經(jīng)網(wǎng)絡層次可達30層，算法水平位列行業(yè)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(jīng)網(wǎng)絡，提取不同時段同一區(qū)域或者同一時段不同區(qū)域的圖像相關性特征，以精準預測下一個時段某一區(qū)域內(nèi)會出現(xiàn)的需求數(shù)，從而為運營調(diào)度提供更好的決策，實現(xiàn)智能運營。
將卷積神經(jīng)網(wǎng)絡和谷歌TensorFlow人工智能系統(tǒng)應用于共享單車，是ofo引領的又一次行業(yè)創(chuàng)新，ofo正在形成以人工智能為基礎，以物聯(lián)網(wǎng)為載體的生態(tài)閉環(huán)。
