分析面向共享出行的群體智能技術與應用

這篇文章主要講解了“分析面向共享出行的群體智能技術與應用 ”，文中的講解內(nèi)容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“分析面向共享出行的群體智能技術與應用 ”吧！

　　近期的人工智能技術突破主要聚焦于有效地模擬個體智能，尚未能很好地解決大規(guī)模群體進行智能協(xié)作的技術瓶頸，因此，群體智能技術作為一種通過匯聚激發(fā)大規(guī)模參與者完成真實復雜任務來涌現(xiàn)超越個體智能的新范式亟需被探索。本文重點關注群體智能技術最典型、最具實際價值應用之一的共享出行，首先探討大規(guī)模共享出行場景中幾大群體智能技術前沿問題，包括組織架構設計、行為模式挖掘、激勵機制設計與協(xié)同決策優(yōu)化，介紹相關的前沿研究工作;然后以滴滴出行為應用案例闡述群體智能技術的真實應用場景;最后對其未來發(fā)展做出展望。

　　人工智能;群體智能;共享出行

　　研究背景

　　近年來，人工智能技術的發(fā)展經(jīng)歷了劇烈變革，也取得了重大突破。我們看到了以 AlphaGo為首的一系列奪人眼球的技術革新產(chǎn)物，但與此同時，也意識到目前人工智能的發(fā)展面臨著難以落地的瓶頸。究其原因，人工智能的主流范式往往過于強調(diào)對個體智能的模擬，最終局限在了求解邊界封閉、約束靜態(tài)和目標單一的問題上。而在現(xiàn)實生活中，隨著互聯(lián)網(wǎng)的高速普及，每天都有數(shù)以十億計的網(wǎng)民人群在進行著數(shù)據(jù)信息的碰撞、交流與連結(jié)。在這種環(huán)境下，智能系統(tǒng)的邊界從封閉走向開放;智能構建的約束從靜態(tài)走向動態(tài);智能應用的目標從簡單走向復雜(見圖 1)。為了刻畫這種新的智能范式，群體智能技術應運而生。所謂群體智能，就是指通過特定的組織結(jié)構吸引、匯聚和管理大規(guī)模參與者完成任務時，所涌現(xiàn)出超越個體智力的智能。群體智能的思想古已有之，早在古希臘城邦時代，人們就開始聚集在廣場上通過多人投票等方式進行議政，我國自古也有“眾人拾柴火焰高”的諺語。近現(xiàn)代以來，隨著系統(tǒng)科學與電子計算機的發(fā)展，也出現(xiàn)了許多早期的具有群體智能思想的研究，如克雷格·雷諾茲提出的集群智能的概念、錢學森等首創(chuàng)的綜合集成研討廳體系、維克托 ? 萊瑟提出的多智能體系統(tǒng)，以及近年來越來越受到關注的眾包技術等。在傳統(tǒng)群體智能思想與前沿人工智能技術的啟發(fā)下，一套新的基于互聯(lián)網(wǎng)的群體智能技術正在逐步形成。

　　群體智能技術作為一類新型技術的總稱，討論其具體的研究內(nèi)容離不開應用支撐。群體智能技術在多個領域都有著廣泛的應用，如軍事偵察、傳染病防控和社會行為分析等。而本文將重點關注其中最為典型，同時也與人們?nèi)粘Ｉ钭顬橄嚓P的一類應用，即共享出行。所謂共享出行，是指社會群體在相同或不同時間段共享車輛，并根據(jù)自身出行要求支付相應費用的新型交通方式。其代表性企業(yè)， 如 Uber 和滴滴出行等公司都設有多種類型的共享出行業(yè)務，如滴滴出行的快車、專車及拼車業(yè)務。隨著移動互聯(lián)網(wǎng)的普及與發(fā)展，共享出行所涉及的群體規(guī)模開始不斷擴大。據(jù)統(tǒng)計，截至 2019 年，滴滴出行用戶總數(shù)已突破 5.5 億，年運送乘客 100億人次。在如此大規(guī)模的真實共享出行場景下，如何更加有效地激勵、協(xié)調(diào)群體參與者(如乘客與司機)從而給人們提供更加方便快捷的出行服務成為了研究的重點，群體智能技術則是解決這一類問題的關鍵。本文首先著重探討面向共享出行的群體智能技術的幾大前沿問題與研究現(xiàn)狀;接著以滴滴出行為應用案例，闡述群體智能技術的真實應用場景;最后討論目前尚存的研究問題與未來的研究挑戰(zhàn)。

　　1 前沿問題

　　如上所述，面向共享出行的群體智能技術主要研究如何通過激勵群體、調(diào)控群體等被動或主動的方式來優(yōu)化出行服務;同時，有效的激勵與調(diào)控手段也離不開對群體的組織與行為的理解作為支撐。因此這里詳細探討四個前沿問題。第一個是如何對群體的組織架構進行設計與優(yōu)化。一個高效的組織架構是群智得以涌現(xiàn)的先決條件。在共享出行中，對司機群體設計合理的組織架構往往能激發(fā)更高的出行服務效率。第二個是如何對群體的行為模式進行挖掘與預測。共享出行中的參與者，無論是司機還是乘客都具有行為自主不確定的特點，因此為群體的行為建立可靠的預測模型往往能幫助決策者更好地統(tǒng)籌與管理大規(guī)模群體，群體行為模式也成為了研究中必不可少的一環(huán)。組織與行為二者聯(lián)系密切，群體的組織形式?jīng)Q定了對群體行為模式的研究范疇，而對群體行為的預測也影響著群體組織架構的設計方法。在設計了組織架構及理解了行為模式的基礎上，第三個前沿問題便是如何設計合意的激勵機制引導群體。司機與乘客作為理性個體，往往會為了追求個人利益的最大化(如單次訂單收益)，而犧牲群體的利益(如全局收益)。激勵機制的作用便是為群體提供理性激勵，以引導其完成群智系統(tǒng)設計目標，是吸引和匯聚司機或乘客持續(xù)參與以實現(xiàn)群智涌現(xiàn)的重要環(huán)節(jié)。與此同時，群智系統(tǒng)的個體也并非完全自主不可控，如平臺可以對司機發(fā)出派單任務，因此除了激勵機制以外，第四個是如何對群體進行高效的協(xié)同決策，其旨在為群體在完成目標的過程中提供關鍵且持續(xù)的決策支持，從而最終達成群智涌現(xiàn)的目標。激勵機制與協(xié)同決策同樣密不可分，構成了由激勵機制影響決策，再由決策結(jié)果反饋激勵機制，從而進行更新與優(yōu)化的回路反饋關系。下面圍繞這四個前沿問題展開更為詳細的闡述。

　　1.1 組織架構設計

　　組織架構的研究傳統(tǒng)的多智能體系統(tǒng)理論早已涉及對智能體，例如在多個機器人協(xié)同完成某項任務時，設計層次式組織架構來實現(xiàn)高效的任務分配、信息傳輸與結(jié)果匯聚等。然而到了互聯(lián)網(wǎng)環(huán)境下的共享出行領域，智能體由簡單可控的機器人變?yōu)榱俗灾餍詮?、特征復雜、成員異質(zhì)的司機或乘客群體，其數(shù)量也由傳統(tǒng)的一般不超過 10 個變?yōu)榱顺汕先f甚至上百萬、千萬，且成員實時流動，其動態(tài)性遠遠超過傳統(tǒng)多智能體系統(tǒng)討論的范疇，因此給組織架構的優(yōu)化設計帶來了巨大的挑戰(zhàn)。鄭州做人流醫(yī)院哪家好http://www.hnzzzy.com/

　　目前，在共享出行領域，組織架構設計的典型問題之一是司機組隊問題，即如何把司機群體劃分成若干隊伍從而更高效地完成訂單任務。在司機組隊問題中，核心要點是決定隊伍的結(jié)構與組成以最大化全局效率等優(yōu)化目標。例如，需要決定采用一個隊長多個隊員，還是只有隊員沒有隊長的結(jié)構;同時還需要決定隊伍的人數(shù)，以及安排哪些司機加入哪些隊伍等。為了求解組織架構的優(yōu)化問題，首先需要對團隊不同成員的貢獻建立綜合評價體系，例如每個司機在不同時間段的接單效率等，從而形成個體與全局目標間的聯(lián)系。而后，需要建立個體間復雜偏好的約束關系，例如，許多司機更愿意與自己的同鄉(xiāng)或是有相似愛好的司機組隊。同時也需意識到，在以上工作基礎上求解的最優(yōu)隊伍組織架構只適用于靜態(tài)場景，而忽略了司機具有動態(tài)流動、上下線時間不定的特點。因此，最后還需要設計動態(tài)評價策略，并針對組織內(nèi)關鍵節(jié)點可能的突發(fā)情況設計高魯棒性調(diào)控措施等。目前，滴滴出行在司機組隊問題上已有靜態(tài)場景下的初步成果，但是許多問題尚未解決，群體組織架構設計在未來仍有很大研究空間。

　　1.2 行為模式挖掘

　　行為模式挖掘的研究與群體組織架構設計相輔相成，組織架構所采用的多種貢獻和偏好評估方法都離不開對行為模式的理解，同時對行為的預測也能反作用于組織架構的調(diào)控。一般意義下對人類行為模式的挖掘分析，一直都是傳統(tǒng)數(shù)據(jù)挖掘和機器學習領域的研究熱點與重要方向之一。在移動互聯(lián)網(wǎng)與物聯(lián)網(wǎng)的發(fā)展推動下，智能手機、智能穿戴設備和街道攝像頭等每天都會產(chǎn)生大量的人類行為數(shù)據(jù)，一些現(xiàn)有研究領域，如移動群智感知與時空眾包都涉及了對此類行為數(shù)據(jù)的收集與分析，它們中的許多方法也同樣可以借鑒到群體智能的研究之中。然而，在更加廣義的群體智能技術研究中存在多種動態(tài)的數(shù)據(jù)源，目標模糊且多樣化，群體行為模式間的關聯(lián)往往更加深層復雜，并且還存在諸如隱私保護等多種限制，因此也給研究帶來了一定程度的挑戰(zhàn)。

　　在共享出行領域，行為模式的理解問題可以分為針對司機行為與針對乘客行為。司機的行為包括出車時間段、習慣性工作區(qū)域和日均收益等;此外，司機的個人畫像和乘客的偏好等也可劃入其行為的范疇。對司機行為的理解與預測的相關工作一般利用司機行為的歷史數(shù)據(jù)建立機器學習模型，來預測司機未來的行為，使預測結(jié)果輔助如組隊、派單等其他過程。乘客的行為同樣可包括乘客的日常打車習慣和打車偏好等，可利用相似的方法進行建模與預測。共享出行中一類最典型的行為模式挖掘問題即供需預測，其致力于在大量歷史訂單數(shù)據(jù)基礎上建立模型、預測未來城市的各區(qū)域各時段打車供需量，從而對司機進行提前派單以緩解供需失衡問題。部分代表性現(xiàn)有工作致力于全面的特征工程與針對海量數(shù)據(jù)的分布式算法的實現(xiàn)。然而，如今共享出行領域許多行為模式挖掘都需涉及大量司機或乘客的個人數(shù)據(jù)，在數(shù)據(jù)收集過程中面臨著越來越多的隱私保護限制。如何在保護個人數(shù)據(jù)隱私前提下進行機器學習的建模與預測是目前聯(lián)邦學習所重點關注的問題，也是未來在群體智能行為模式挖掘中的一大挑戰(zhàn)。

感謝各位的閱讀，以上就是“分析面向共享出行的群體智能技術與應用 ”的內(nèi)容了，經(jīng)過本文的學習后，相信大家對分析面向共享出行的群體智能技術與應用 這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！