Computers kunnen de vraag naar taxi's en het delen van ritten beter voorspellen, de weg effenen naar slimmer, veiligere en duurzamere steden, aldus een internationaal team van onderzoekers.

In een onderzoek, de onderzoekers gebruikten twee soorten neurale netwerken - rekensystemen gemodelleerd naar het menselijk brein - die patronen van taxivraag analyseerden. Deze diepgaande leerbenadering, waarmee computers zelfstandig kunnen leren, was toen in staat om de vraagpatronen aanzienlijk beter te voorspellen dan de huidige technologie.

"Ritdeelbedrijven, zoals Uber in de Verenigde Staten, en Didi Chuxing in China, worden steeds populairder en hebben de manier waarop mensen vervoer benaderen echt veranderd, " zei Jessie Li, universitair hoofddocent informatiewetenschappen en technologie, Penn State. "En je kunt je voorstellen hoe belangrijk het zou zijn om de taxivraag te voorspellen, omdat het taxibedrijf de auto's kan sturen nog voordat de noodzaak zich voordoet."

Betere voorspellingen kunnen de tijd dat taxi's inactief op ritten wachten, verkorten, steden schoner maken, voegden de onderzoekers eraan toe. Omdat ongevallen vaker voorkomen in drukke gebieden, betere ritvoorspellingstechnologie kan ook de veiligheid verbeteren.

De onderzoekers analyseerden een grote dataset van ritverzoeken aan Didi Chuxing, een van de grootste autobedrijven in China, volgens Huaxiu Yao, promovendus in informatiewetenschappen en technologie en hoofdauteur van het artikel.

Wanneer gebruikers een rit nodig hebben, doen ze eerst een verzoek via een computertoepassing, bijvoorbeeld een mobiele telefoon app. Met behulp van deze verzoeken voor ritten, in plaats van alleen te vertrouwen op ritgegevens, de algemene vraag beter weerspiegelen, volgens de onderzoekers.

"Dit zijn echt goede gegevens omdat het gebaseerd is op vraag, "zei Yao. "Als je weet hoeveel mensen een ritje hebben gemaakt, dat zegt niet echt wat de vraag is, want het kan zijn dat mensen geen lift kregen, of anderen gaven het gewoon op om het te proberen."

Met de historische gegevens waaronder het tijdstip en de locatie van het verzoek, de computer kan dan voorspellen hoe de vraag in de loop van de tijd zal veranderen. Wanneer gevisualiseerd op de kaart, de onderzoekers konden die veranderende vraag zien.

"In de ochtend, bijvoorbeeld, je kunt zien dat er in een woonwijk meer pick-ups zijn, en er zijn meer drop-offs in de binnenstad, zei Li. 's Avonds, het is omgedraaid. Wat we doen, is historische ophaalgegevens gebruiken om te voorspellen hoe deze kaart over 30 minuten verandert, over een uur, enzovoort."

De onderzoekers, die hun bevindingen presenteerden op de recente AAAI-conferentie over kunstmatige intelligentie, een van de grootste conferenties op het gebied van AI-onderzoek, gebruikte gegevens over taxiverzoeken in Guangzhou, China, van 1 februari tot 26 maart 2017. Inwoners van Guangzhou maken ongeveer 300, 000 ritaanvragen per dag. Ter vergelijking, er zijn er ongeveer 500, 000 ritten per dag in New York City.

Terwijl technologie één type neuraal netwerk gebruikt, de onderzoekers combineerden twee neurale netwerken:het convolutionele neurale netwerk, of CNN, en Long Short Term Memory-netwerk, of LSTM - om de complexe reeks voorspellingen te helpen begeleiden. CNN's kunnen complexe ruimtelijke correlaties beter modelleren en LSTM's kunnen sequentiële modellering beter aan.

"In principe, we gebruikten een zeer gecompliceerd neuraal net om te simuleren hoe mensen informatie verteren, in dit geval, het beeld van de verkeerspatronen, " zei Li.

Li zei dat toegang tot grotere datasets - Big Data - en vooruitgang in computertechnologie die deze grote hoeveelheid gegevens kan verwerken, dit project hebben geholpen en andere ontwikkelingen op het gebied van diepgaand leren mogelijk hebben gemaakt.

"Bij traditionele computerprogrammering mensen moeten de computer vertellen naar welke aspecten (of functies) hij moet kijken en dan moeten ze hem modelleren, wat een enorme inspanning kost, " zei Li. "Waarom deep learning revolutionair is, is dat we die stap nu kunnen overslaan. Je kunt de computer gewoon de beelden geven, bijvoorbeeld. Je hoeft de computer niet te vertellen waar hij naar moet kijken."