基于位置服务数据，AI如何预测交通流量？

由地图巨头Here建立的人工智能高级研究所（IARAI），日前举行了预测交通流量的Traffic4cast Challenge 2019挑战赛，要求参赛者将基于机器学习的流量预测与交通研究相结合，并对未来的交通方式做出预测，旨在利用人工智能（AI）解决出行难点。竞赛结果显示了AI如何使用来自地图和车辆位置数据，不断的尝试识别和模拟发现出行模式，以解决交通堵塞问题。

造成交通堵塞的因素有很多，当司机做出简单的决定会导致复杂的出行模式，这些出行模式取决于各种因素，比如一天中所处时间、路网情况、异常情况、假期、天气状况和工作日等等。有针对性地识别和分析交通出行模式，可以更准确地预测车辆在一天中的特定时段如何在特定道路上行驶。

IARAI公开了三个不同城市（柏林，伊斯坦布尔和莫斯科）一年内的交通流数据，流量数据由车辆监测网络采集到的超1000亿个数据点创建而成。这些可视化数据记录了城市内早、晚高峰时期的交通状况，每一帧都显示了GPS轨迹的时空数据，还用三种不同的颜色代表交通流、行车速度、路线方向，需要依靠这三幅图像进行交通预测。

人工智能，尤其是神经网络非常擅长识别模式，可以帮助解决交通拥堵问题。它们通常不按照特定的程序而是通过详尽案例（如数据库）来“学习”然后识别。这种无需编程就可实现深度学习的能力意味着其内部工作原理是机器学习的奥秘之一，即所谓的AI“黑匣子”，所以即使是程序员也无法轻松理解或测试识别流程。

比赛结果表明，神经网络是交通预测和精确模拟交通流最有效的方法。来自韩国、牛津、苏黎世和多伦多的优胜者从来自世界各地的40多个团队、4,000多个参赛作品中脱颖而出。这些领先的参赛团队都使用了神经网络代替了“非黑匣子”的解决方案，例如支持向量机 、贝叶斯网络和其他固定算法。

Here的研究负责人，也是IARAI的创始合伙人Michael Kopp表示，这场比赛汇集了多个团队通过预测交通流量来解决交通拥堵，是可持续性移动出行的核心。在数十亿个真实数据点的基础上运用AI技术和跨学科方法来解决交通问题，既新颖又起到示范作用，将会运用到更多的应用中。另外，比赛还证明了“黑匣子”机器学习对解决预测性问题最有效，为进一步研究AI学习方式提供了新起点。