Les ordinateurs peuvent mieux prévoir la demande de services de taxi et de covoiturage, ouvrant la voie à plus intelligent, des villes plus sûres et plus durables, selon une équipe internationale de chercheurs.

Dans une étude, les chercheurs ont utilisé deux types de réseaux de neurones, des systèmes informatiques modelés sur le cerveau humain, qui analysaient les modèles de demande de taxi. Cette approche d'apprentissage profond, qui permet aux ordinateurs d'apprendre par eux-mêmes, était alors en mesure de prédire les modèles de demande de manière significativement meilleure que la technologie actuelle.

"Les sociétés de covoiturage, comme Uber aux États-Unis, et Didi Chuxing en Chine, deviennent de plus en plus populaires et ont vraiment changé la façon dont les gens abordent le transport, " a déclaré Jessie Li, professeur agrégé de sciences et technologies de l'information, État de Penn. "Et vous pouvez imaginer à quel point il serait important de prédire la demande de taxis, car la compagnie de taxis pourrait envoyer les voitures avant même que le besoin ne se fasse sentir."

De meilleures prévisions pourraient réduire le temps d'attente des taxis pour les courses, rendre les villes plus propres, ont ajouté les chercheurs. Parce que les accidents ont tendance à se produire plus souvent dans les zones encombrées, une meilleure technologie de prévision des trajets pourrait également améliorer la sécurité.

Les chercheurs ont analysé un vaste ensemble de données de demandes de covoiturage à Didi Chuxing, l'une des plus grandes entreprises de transport de voitures en Chine, selon Huaxiu Yao, doctorant en sciences et technologies de l'information et auteur principal de l'article.

Lorsque les utilisateurs ont besoin d'un trajet, ils font d'abord une demande via une application informatique, par exemple, une application pour téléphone portable. En utilisant ces demandes de courses, plutôt que de se fier uniquement aux données de trajet, mieux refléter la demande globale, selon les chercheurs.

"Ce sont de très bonnes données car elles sont basées sur la demande, " dit Yao. " Si vous savez combien de personnes ont fait un tour, cela ne vous dit pas vraiment la demande car il se peut que les gens n'aient pas été pris en charge, ou d'autres ont simplement renoncé à essayer."

Avec les données historiques, qui comprend l'heure et le lieu de la demande, l'ordinateur peut alors prédire l'évolution de la demande dans le temps. Lorsqu'il est visualisé sur la carte, les chercheurs ont pu voir cette demande en évolution.

"Du matin, par exemple, vous pouvez voir que dans une section résidentielle il y a plus de ramassages, et il y a plus de points de chute dans le centre-ville, " dit Li. " Le soir, il est inversé. Ce que nous faisons, c'est utiliser les données de collecte historiques pour prédire comment cette carte changera dans 30 minutes, une heure à compter de maintenant, etc."

Les chercheurs, qui ont présenté leurs conclusions lors de la récente conférence de l'AAAI sur l'intelligence artificielle, l'une des plus grandes conférences dans le domaine de la recherche en IA, données utilisées sur les demandes de taxi à Guangzhou, Chine, du 1er février au 26 mars, 2017. Les résidents de Guangzhou font environ 300, 000 demandes de courses chaque jour. Par comparaison, il y en a environ 500, 000 trajets par jour à New York.

Alors que la technologie utilise un type de réseau neuronal, les chercheurs ont combiné deux réseaux de neurones :le réseau de neurones convolutif, ou CNN, et le réseau Mémoire à Long Court Terme, ou LSTM—pour aider à guider les séquences complexes de prédictions. Les CNN peuvent mieux modéliser les corrélations spatiales complexes et les LSTM peuvent mieux gérer la modélisation séquentielle.

"Essentiellement, nous avons utilisé un réseau neuronal très compliqué pour simuler la façon dont les gens digèrent l'information, dans ce cas, l'image des schémas de circulation, " dit Li.

Li a déclaré que l'accès à des ensembles de données plus volumineux (Big Data) et les progrès de la technologie informatique pouvant traiter cette grande quantité de données ont aidé ce projet et permis d'autres développements d'apprentissage en profondeur.

« Dans la programmation informatique traditionnelle, les gens doivent dire à l'ordinateur quels aspects - ou fonctionnalités - il doit examiner, puis ils doivent le modéliser, qui demande un gros effort, ", a déclaré Li. "Pourquoi l'apprentissage en profondeur est révolutionnaire, c'est maintenant que nous pouvons sauter cette étape. Vous pouvez simplement donner les images à l'ordinateur, par exemple. Vous n'avez pas besoin de dire à l'ordinateur ce qu'il doit regarder."