Datorer kan bättre förutsäga efterfrågan på taxi- och samåkningstjänster, banar väg mot smartare, säkrare och mer hållbara städer, enligt ett internationellt team av forskare.

I en studie, forskarna använde två typer av neurala nätverk - beräkningssystem som är modellerade på den mänskliga hjärnan - som analyserade mönster av taxiefterfrågan. Denna djupa inlärningsmetod, som låter datorer lära sig på egen hand, kunde då förutsäga efterfrågemönstren betydligt bättre än nuvarande teknik.

"Åkdelningsföretag, som Uber i USA, och Didi Chuxing i Kina, blir mer och mer populära och har verkligen förändrat människors sätt att närma sig transporter, " sa Jessie Li, docent i informationsvetenskap och teknik, Penn State. "Och ni kan föreställa er hur viktigt det skulle vara att förutse taxiefterfrågan eftersom taxibolaget skulle kunna skicka ut bilarna redan innan behovet uppstår."

Bättre förutsägelser kan minska tiden taxibilar står på tomgång och väntar på turer, göra städer renare, tillade forskarna. Eftersom olyckor tenderar att inträffa oftare i överbelastade områden, bättre förutsägelseteknik kan också förbättra säkerheten.

Forskarna analyserade en stor datauppsättning av åkförfrågningar till Didi Chuxing, ett av Kinas största bilinlämningsföretag, enligt Huaxiu Yao, doktorand i informationsvetenskap och teknik och huvudförfattare till uppsatsen.

När användare behöver skjuts gör de först en förfrågan via en datorapplikation – till exempel, en mobilapp. Genom att använda dessa förfrågningar om turer, istället för att enbart förlita sig på åkdata, bättre återspeglar den totala efterfrågan, enligt forskarna.

"Det här är riktigt bra data eftersom det är baserat på efterfrågan, " sa Yao. "Om du bara vet hur många som tog en tur, det säger inte riktigt om efterfrågan eftersom det kan vara så att folk inte fick skjuts, eller så gav andra bara upp att försöka."

Med historiska data, som inkluderar tid och plats för begäran, datorn kan sedan förutsäga hur efterfrågan kommer att förändras över tiden. När det visas på kartan, forskarna kunde se den växande efterfrågan.

"På morgonen, till exempel, du kan se att i ett bostadsområde finns det fler pickuper, och det finns fler avlämningar i centrum, " sa Li. "På kvällen, det är omvänt. Vad vi gör är att använda historiska upphämtningsdata för att förutsäga hur den här kartan förändras 30 minuter från nu, om en timme, och så vidare."

Forskarna, som presenterade sina resultat vid den senaste AAAI-konferensen om artificiell intelligens, en av de största konferenserna inom AI-forskningsområdet, använd data om taxiförfrågningar i Guangzhou, Kina, från 1 februari till 26 mars, 2017. Guangzhou-invånare gör cirka 300, 000 åkförfrågningar varje dag. Som jämförelse, det finns cirka 500, 000 turer per dag i New York City.

Medan tekniken använder en typ av neurala nätverk, forskarna kombinerade två neurala nätverk - det konvolutionella neurala nätverket, eller CNN, och långtidsminnesnätverk, eller LSTM – för att vägleda de komplexa sekvenserna av förutsägelser. CNN:er kan bättre modellera komplexa rumsliga korrelationer och LSTM:er kan bättre hantera sekventiell modellering.

"I grund och botten, vi använde ett mycket komplicerat neuralt nät för att simulera hur människor smälter information, I detta fall, bilden av trafikmönstren, " sa Li.

Li sa att tillgång till större datamängder – Big Data – och framsteg inom datorteknik som kan bearbeta denna stora mängd data har hjälpt det här projektet och möjliggjort andra utvecklingar av djupinlärning.

"I traditionell datorprogrammering, människor måste tala om för datorn vilka aspekter – eller funktioner – den behöver titta på och sedan måste de modellera den, som kräver en enorm ansträngning, " sa Li. "Varför djupinlärning är revolutionerande är att nu kan vi hoppa över det steget. Du kan bara ge datorn bilderna, till exempel. Du behöver inte tala om för datorn vad den behöver titta på."