InLab FIB 与移动公司 Autocorb 和 ICT 软件开发公司 Geoactio 目前正在合作开展一个名为 Intelibus 的项目，开发一种用于预测公交车乘客负载的系统。 由于Covid-19大流行，该项目的实施速度加快了，因为它可以防止感染传播和过度拥挤的产生：如果人们提前获知公共交通的满员情况，用户可以选择乘坐更空了。 在文章中，我们将解释我们使用哪些预测方法和算法，并且我们将借此机会学习神经网络等机器学习模型的细节。
使用人工智能有许多手段可以解
这些类型的问题：使用模拟、需求估计、实施 马来西亚电报号码数据 启发式、使用机器学习/深度学习等。由于运输公司通常会存储每辆公交车的数据和行程历史记录，因此这开启了通过监督学习解决问题的可能性，其中涉及到标记有我们想要预测的内容的训练模型。在 Intelibus 项目中，我们拥有来自公交车内 3D 摄像头的数据，用于统计每个站点上下车的人数。如果我们将这些数据与不同的公交线路、日历信息和乘客验证历史记录放在一起，我们就已经拥有了必要的数据来训练神经网络来预测每个站点的负载、口罩使用情况和距离立即注册！新团体已开放入场
不要错过机会！ → 立即注册！ 什么是训练模型？ 当我们谈论训练神经网络时，我们真正想要的是调整函数（神经网络）的参数，以便它学习特定的任务，即学习将输入放在输出上。这是通过使用大量数据来减少模型在这个方向上的预测误差来实现的。这是否让您想起了您学过并认为您再也不会听到的“链式法则”？训练神经网络的过程主要是基于这个规则的智能应用，它允许我们计算如何改变网络的参数来最小化预测误差。
在我们的例子中我们希望
模型能够学习计算公交车经过的每个站点的负载。因此，我们必须为模型输入公交车数量、车站数量、日历等。信息（向量）的数字表示，我们希望返回给定图像中所示的乘客数量。有了几个月前的结果，我们已经可以得到相当不错的预测精度。 使用神经网络的美妙之处在于，它们允许我们使用单个模型对任何公交线路的每个站点进行预测，而无需为每条线路创建模型或特殊算法。这简化了生产时实施的复杂性，并且还可以在线路和站点完全不同的其他城市轻松使用。
循环神经网络 然而
我们可以把一切做得更好。我们刚才提出的模 型没有 网站SEO审核 考虑到前一站的先前负载，这是非常重要的信息，知道这一点可以极大地影响下一站的负载。对于按顺序考虑的这些类型的问题，有一种称为循环网络（recurrent Neural Network）的神经网络，它允许我们处理时间序列，考虑到使用的先前值来预测下一站。为了让您了解它们的工作原理，下图显示了信息如何从传入数据流向传出数据的简化图。简而言之，他们所做的就是以紧凑的方式复制前一站的信息，最终得到一个包含序列中所有压缩信息的向量（ht），从中我们可以预测下一次使用的价值。
因此我们通过这种神经网络
架构获得了更好的结果，因为该模型可以结合乘客 意大利电话号码 使用情况随时间的变化和模式。 以及它是如何预测的？在下图中，我们看到了模型对特定公交车的预测示例：x 轴上有时间轴，y 轴代表公交车的乘客量。我们可以看到负载如何在行程开始时从 0 开始，在服务结束时上升并降至 0，等等。 （正如我们在图中形成的“山丘”中看到的那样）。蓝线代表我们从历史数据中获得的实际负载，而橙色线代表神经网络学到的内容（紫色线是训练期间未使用的全新客流量预测）。
