6月22日消息，ofo小黄车今日宣布已经使用卷积神经网络算法和谷歌TensorFlow人工智能系统应用，打造物联网闭环。

　　ofo小黄车实时骑行轨迹

　　据悉，卷积神经网络主要应用于图像识别领域。卷积是提取相关性特征的方法，神经网络是预测需求的模型结构。而AlphaGo的基础正是卷积神经网络。随着出行数据增多，ofo对用户出行需求的预测都会越来越准确。

　　在应用层面，ofo将车辆调度问题归为有约束的供需差最小化，也就是结合当前时间、地点、单车数量等因素，使单车供给最大限度接近用户需求。ofo将智能锁返回的定位信息形成热力图，并记录热力图的关键帧图像变化，将图像抽象为网格像素，利用卷积神经网络，对像素内的颜色变化进行相关性特征提取，简单的理解就是将各个关键时间点的热力图记录下来，把图像划分为均匀分布的网格，将像素颜色的变化作为用户骑行需求的变化，并进行相关性特征提取。

　　ofo小黄车利用卷积神经网络预测骑行需求

　　如上图所示，北京西北部上地、西二旗、中关村地区是骑行需求最多的地区，其次是望京、国贸等地。单纯从图像上来看，很难判断中关村地区和国贸地区骑行需求的联系。ofo可以利用卷积神经网络，通过算法的深入，提取这两个地区的相关性特征。

　　卷积的过程可以想象成，有人拿着玻璃镜片，扫过如上所示网格图像的过程，可以当镜片大小是3*3网格时，可提取上地与西二旗地区骑行需求相关性特征。当镜片大小扩大到17*17网格时，上地、西二旗与国贸之间骑行需求相关性的特征就被提取了。随着卷积镜片范围的扩大，所需的算法和计算能力会越来越复杂。目前，ofo的卷积神经网络层次可达30层。

　　共享单车具有明显的潮汐效应，且骑行需求受天气等因素影响，ofo利用卷积神经网络，提取不同时段同一区域或者同一时段不同区域的图像相关性特征，以精准预测下一个时段某一区域内会出现的需求数，从而为运营调度提供更好的决策，实现智能运营。

　　将人工智能图像处理技术应用于智能运营中，也意味着共享单车进入以人工智能为基础、以物联网为载体的运营新阶段。

    （声明：以上内容为本网站刊发或转载企业宣传资讯，相关信息仅为宣传及传递更多信息之目的，不代表本网站观点，亦不代表本网站赞同其观点或证实其内容的真实性。如有侵权，请及时与本站联系予以删除。）