Os computadores podem prever melhor a demanda de serviço de táxi e compartilhamento de carona, pavimentando o caminho para os mais inteligentes, cidades mais seguras e sustentáveis, de acordo com uma equipe internacional de pesquisadores.

Em um estudo, os pesquisadores usaram dois tipos de redes neurais - sistemas computacionais modelados no cérebro humano - que analisavam os padrões de demanda de táxi. Essa abordagem de aprendizado profundo, que permite que os computadores aprendam por conta própria, foi então capaz de prever os padrões de demanda significativamente melhor do que a tecnologia atual.

"Empresas de compartilhamento de caronas, como o Uber nos Estados Unidos, e Didi Chuxing na China, estão se tornando cada vez mais populares e realmente mudaram a forma como as pessoas abordam o transporte, "disse Jessie Li, professor associado de ciências da informação e tecnologia, Estado de Penn. "E você pode imaginar como seria importante prever a demanda de táxi porque a empresa de táxi poderia despachar os carros antes mesmo de a necessidade surgir."

Melhores previsões podem diminuir o tempo que os táxis ficam parados esperando por uma carona, tornando as cidades mais limpas, acrescentaram os pesquisadores. Como os acidentes tendem a acontecer com mais frequência em áreas congestionadas, uma tecnologia de previsão de condução melhor também pode melhorar a segurança.

Os pesquisadores analisaram um grande conjunto de dados de solicitações de carona para Didi Chuxing, uma das maiores empresas de saudação de automóveis na China, de acordo com Huaxiu Yao, doutoranda em ciências e tecnologia da informação e autora principal do artigo.

Quando os usuários precisam de uma carona, eles primeiro fazem uma solicitação por meio de um aplicativo de computador, por exemplo, um aplicativo para celular. Usando essas solicitações de viagens, em vez de depender apenas de dados de viagem, refletem melhor a demanda geral, de acordo com os pesquisadores.

"São dados realmente bons porque se baseiam na demanda, "disse Yao." Se você souber quantas pessoas deram uma volta, isso realmente não indica a demanda, porque pode ser que as pessoas não tenham conseguido uma carona, ou outros simplesmente desistiram de tentar. "

Com os dados históricos, que inclui a hora e o local da solicitação, o computador pode então prever como a demanda mudará com o tempo. Quando visualizado no mapa, os pesquisadores puderam ver essa demanda em evolução.

"Pela manhã, por exemplo, você pode ver que em uma seção residencial há mais picapes, e há mais declínios no centro da cidade, "disse Li." À noite, é ao contrário. O que estamos fazendo é usar dados históricos de coleta para prever como esse mapa mudará daqui a 30 minutos, uma hora a partir de agora, e assim por diante."

Os pesquisadores, que apresentaram suas descobertas na recente Conferência AAAI sobre Inteligência Artificial, uma das maiores conferências no campo de pesquisa de IA, usaram dados sobre pedidos de táxi em Guangzhou, China, de 1 ° de fevereiro a 26 de março, 2017. Os residentes de Guangzhou ganham cerca de 300, 000 solicitações de viagens por dia. Por comparação, existem cerca de 500, 000 viagens por dia na cidade de Nova York.

Embora a tecnologia use um tipo de rede neural, os pesquisadores combinaram duas redes neurais - a rede neural convolucional, ou CNN, e rede de memória de longo prazo, ou LSTM - para ajudar a guiar as sequências complexas de previsões. CNNs podem modelar melhor correlações espaciais complexas e LSTMs podem lidar melhor com modelagem sequencial.

"Basicamente, usamos uma rede neural muito complicada para simular como as pessoas digerem informações, nesse caso, a imagem dos padrões de tráfego, "disse Li.

Li disse que o acesso a conjuntos de dados maiores - Big Data - e os avanços na tecnologia de computadores que podem processar essa grande quantidade de dados ajudaram este projeto e possibilitaram outros desenvolvimentos de aprendizado profundo.

"Na programação de computador tradicional, as pessoas precisam dizer ao computador quais aspectos - ou recursos - ele precisa examinar e, em seguida, modelá-lo, o que exige um grande esforço, "disse Li." Por que o aprendizado profundo é revolucionário, agora podemos pular essa etapa. Você pode simplesmente dar ao computador as imagens, por exemplo. Você não precisa dizer ao computador o que ele precisa examinar. "