I computer possono prevedere meglio la domanda di servizi di taxi e ride sharing, spianando la strada verso una più intelligente, città più sicure e sostenibili, secondo un team internazionale di ricercatori.

In uno studio, i ricercatori hanno utilizzato due tipi di reti neurali, sistemi computazionali modellati sul cervello umano, che hanno analizzato i modelli della domanda di taxi. Questo approccio di apprendimento profondo, che consente ai computer di apprendere da soli, è stato quindi in grado di prevedere i modelli della domanda in modo significativamente migliore rispetto alla tecnologia attuale.

"Compagnie di ride sharing, come Uber negli Stati Uniti, e Didi Chuxing in Cina, stanno diventando sempre più popolari e hanno davvero cambiato il modo in cui le persone si avvicinano ai trasporti, " disse Jessie Li, professore associato di scienze e tecnologie dell'informazione, Penn State. "E puoi immaginare quanto sarebbe importante prevedere la domanda di taxi perché la compagnia di taxi potrebbe spedire le auto anche prima che se ne presenti la necessità".

Previsioni migliori potrebbero ridurre il tempo di inattività dei taxi in attesa di corse, rendere le città più pulite, hanno aggiunto i ricercatori. Poiché gli incidenti tendono a verificarsi più spesso nelle aree congestionate, una migliore tecnologia di previsione della corsa potrebbe anche migliorare la sicurezza.

I ricercatori hanno analizzato un ampio set di dati di richieste di corsa a Didi Chuxing, una delle più grandi aziende di trasporto auto in Cina, secondo Huaxiu Yao, dottorando in scienze e tecnologie dell'informazione e autore principale del paper.

Quando gli utenti hanno bisogno di un passaggio, fanno prima una richiesta tramite un'applicazione per computer, ad esempio un'app per telefoni cellulari. Utilizzando queste richieste di corse, piuttosto che fare affidamento esclusivamente sui dati di corsa, riflettere meglio la domanda complessiva, secondo i ricercatori.

"Si tratta di dati davvero buoni perché si basano sulla domanda, " disse Yao. "Se solo sai quante persone hanno fatto un giro, questo non ti dice davvero la domanda perché potrebbe essere che la gente non abbia avuto un passaggio, o altri hanno semplicemente rinunciato a provarci."

Con i dati storici, che include l'ora e il luogo della richiesta, il computer può quindi prevedere come cambierà la domanda nel tempo. Quando visualizzato sulla mappa, i ricercatori hanno potuto vedere l'evoluzione della domanda.

"La mattina, Per esempio, puoi vedere che in una sezione residenziale ci sono più pickup, e ci sono più drop-off nel centro della città, " disse Li. "La sera, è invertita. Quello che stiamo facendo è utilizzare i dati storici di ritiro per prevedere come cambierà questa mappa tra 30 minuti, Un'ora da adesso, e così via."

I ricercatori, che hanno presentato i loro risultati alla recente conferenza AAAI sull'intelligenza artificiale, una delle più grandi conferenze nel campo della ricerca sull'IA, dati utilizzati sulle richieste di taxi a Guangzhou, Cina, dal 1 febbraio al 26 marzo, 2017. I residenti di Guangzhou fanno circa 300, 000 richieste di corsa ogni giorno. A confronto, ce ne sono circa 500, 000 corse al giorno a New York City.

Mentre la tecnologia utilizza un tipo di rete neurale, i ricercatori hanno combinato due reti neurali:la rete neurale convoluzionale, o CNN, e rete di memoria a lungo termine a breve termine, o LSTM—per aiutare a guidare le complesse sequenze di previsioni. Le CNN possono modellare meglio le correlazioni spaziali complesse e gli LSTM possono gestire meglio la modellazione sequenziale.

"Fondamentalmente, abbiamo usato una rete neurale molto complicata per simulare come le persone digeriscono le informazioni, in questo caso, l'immagine dei modelli di traffico, " disse Li.

Li ha affermato che l'accesso a set di dati più grandi (Big Data) e i progressi nella tecnologia informatica in grado di elaborare questa grande quantità di dati hanno aiutato questo progetto e consentito altri sviluppi di deep learning.

"Nella programmazione informatica tradizionale, le persone hanno bisogno di dire al computer quali aspetti, o caratteristiche, deve guardare e poi devono modellarlo, che richiede uno sforzo enorme, " ha detto Li. "Perché il deep learning è rivoluzionario è che ora possiamo saltare questo passaggio. Puoi semplicemente dare al computer le immagini, Per esempio. Non è necessario dire al computer cosa deve guardare."