当前位置:首页 > AI前沿 > 正文内容

TFBOYS化身“高德侠”:智能公交系统真能根治拥堵?

admin2天前AI前沿5

TFBOYS化身“高德侠”:智能公交系统真能根治拥堵?

8月8日,高德地图在北京发布全新一代公交出行产品——AI智能公交导航,其最新代言人也以“高德三侠”的形象出席发布会,“三小只”呼吁大家乘坐公共交通,绿色出行。

杨悦/文

TFBOYS化身“高德侠”:智能公交系统真能根治拥堵? 第1张

高德地图副总裁董振宁在发布会上表示,如今驾车、乘车用户需求备受关注,有许多的行业创新,但在出行领域占据更大比例的公交出行用户需求,却较少受到关注高德地图ai引擎发布会,传统公交出行方式迫切需要升级。此次高德地图借着AI智能公交导航的上线宣布自己进入了以“智能”为标志的公交出行3.0时代,并希望能够通过人工智能导航的方法解决城市拥堵问题。

在公交出行产品1.0时代,人们主要使用PC地图查询,然后按照线路描述乘坐公交;而在公交出行产品2.0时代,人们已经开始使用手机地图随时随地查询线路,并进行公交导航。即使移动地图越来越成熟,也还是无法解决很多公交一族出行的问题:比如如何根据路面交通状况、实时公交时间、城市公交线路特点、用户出行喜好等更好地规划适合于每个用户的出行时间、出行路线等等。

TFBOYS化身“高德侠”:智能公交系统真能根治拥堵? 第2张

针对上述问题,AI智能公交导航的问世成为了高德呼吁智能公交系统升级为3.0时代的一个契机。此次发布的新一代AI智能公交导航的两大基础模块分别是大数据的应用和机器的学习能力。

在大数据应用方面,高德地图的公交数据100%由人工实证,覆盖全国超过331个城市,总计7.5万条、158万多公里、近百万站点的公交线路,每天的实时公交情报超过1000条,10分钟内便可更新上线最新数据TFBOYS化身“高德侠”:智能公交系统真能根治拥堵?,24小时内100%解决用户反馈问题并上线数据。

在机器学习能力方面,AI智能公交导航运用了左右大脑双层机器学习。左脑学习出行模型,根据用户地域、距离、时长、工具等不同场景形成出行决策模型;右脑学习用户的行为偏好,根据用户的定位数据、出行数据、反馈数据,形成用户偏好决策模型。

说到这里,大家有没有觉得这很像公交场景中的“阿尔法狗”呢?

TFBOYS化身“高德侠”:智能公交系统真能根治拥堵? 第3张

相较传统公交导航产品,AI智能公交导航的智能化体现在:第一,更省时。AI智能公交的算法引擎不仅能够快速规划公交路线,还融入了实时路况等信息高德地图ai引擎发布会TFBOYS化身“高德侠”:智能公交系统真能根治拥堵?,综合考虑时间长短,为用户提供最节省时间的线路选择。

第二,更省力。AI智能公交在规划线路及推荐时,都是优先规划换乘少、步行短的路线,让乘客能够更省力。

第三高德地图ai引擎发布会,更舒服。AI智能公交在计算和规划时优先为用户推荐始发站及有空调公交车让乘客乘坐更加舒适。

这些听起来像人工智能在公共交通上的一次创新性的应用,但大城市的交通拥堵是多方面多因素综合作用的结果。AI智能公交导航究竟是传统公交导航数据和功能上的完善,还是真的将公交导航带入了一个新的纪元,仍需要时间的检验。

加入微信交流群:************ ,请猛戳这里→点击入群

扫描二维码推送至手机访问。

版权声明:本文由智潮脉搏发布,如需转载请注明出处。

本文链接:https://zcmobo.com/post/4190.html

分享给朋友:

“TFBOYS化身“高德侠”:智能公交系统真能根治拥堵?” 的相关文章

深度学习最新突破:对抗训练提升模型鲁棒性新策略​

深度学习最新突破:对抗训练提升模型鲁棒性新策略​

在深度学习领域,模型的鲁棒性一直是研究的重要方向。传统的深度学习模型在面对对抗样本时往往表现出脆弱性,即微小的扰动就能导致模型预测结果的大幅变化。近期的研究取得了重要突破,对抗训练成为提升模型鲁棒性的新策略。对抗训练的基本思想是在训练过程中引入对抗样本,让模型学习如何抵抗这些对抗样本的攻击。对抗样本...

CVPR 亮点:基于深度学习的自动驾驶场景感知技术创新​

CVPR 亮点:基于深度学习的自动驾驶场景感知技术创新在计算机视觉领域的顶级会议 CVPR(Conference on Computer Vision and Pattern Recognition)上,基于深度学习的自动驾驶场景感知技术创新成为了备受瞩目的焦点。这一技术创新将为自动驾驶的发展带来性...

深度学习最新成果:基于 Transformer 的多模态融合模型研究​

深度学习领域在不断发展与创新,基于Transformer的多模态融合模型研究成为当下备受瞩目的焦点。这一研究方向融合了多种模态的数据,为诸多领域带来了全新的机遇与挑战。Transformer架构自问世以来,凭借其强大的并行计算能力和长序列处理优势,在自然语言处理等领域取得了巨大成功。如今,将其拓展至...

机器学习领域新成果:基于 K-Means 算法的图像聚类技术改进​

机器学习领域不断涌现新成果,基于K-Means算法的图像聚类技术改进备受关注。这一改进旨在提升图像聚类的准确性与效率,为图像处理带来新突破。传统的K-Means算法在图像聚类中存在一定局限性。它对于初始聚类中心的选择较为敏感,不同的初始值可能导致差异较大的聚类结果。在面对复杂图像数据时,其聚类效果可...

大模型研究:通过量化技术提升模型存储效率的最新探索​

大模型研究:通过量化技术提升模型存储效率的最新探索​

大模型研究领域一直致力于提升模型的性能与效率,其中通过量化技术提升模型存储效率成为了最新的探索方向。随着大模型规模的不断增大,存储需求也日益增长,如何在有限的存储空间内高效存储模型成为了亟待解决的问题。量化技术正是针对这一问题展开研究,旨在通过降低模型参数的精度来减少存储空间,同时尽可能保持模型的性...

深度学习前沿:基于自注意力机制的语言模型优化​

深度学习前沿:基于自注意力机制的语言模型优化​

在当今的深度学习领域,语言模型的发展日新月异。基于自注意力机制的语言模型优化成为了备受瞩目的前沿研究方向。自注意力机制的出现,为语言模型带来了全新的视角与强大的能力提升。它突破了传统循环神经网络和卷积神经网络在处理长序列数据时的局限,能够更有效地捕捉序列中元素之间的依赖关系,从而显著提升语言模型在各...