Las computadoras pueden predecir mejor la demanda de servicios de taxis y viajes compartidos, allanando el camino hacia más inteligente, ciudades más seguras y sostenibles, según un equipo internacional de investigadores.

En un estudio, los investigadores utilizaron dos tipos de redes neuronales, sistemas computacionales modelados en el cerebro humano, que analizaban los patrones de demanda de taxis. Este enfoque de aprendizaje profundo, que permite que las computadoras aprendan por sí mismas, Entonces pudo predecir los patrones de demanda significativamente mejor que la tecnología actual.

"Compañías de viajes compartidos, como Uber en los Estados Unidos, y Didi Chuxing en China, se están volviendo cada vez más populares y realmente han cambiado la forma en que las personas se acercan al transporte, "dijo Jessie Li, profesor asociado de ciencias y tecnología de la información, Penn State. "Y puede imaginarse lo importante que sería predecir la demanda de taxis porque la empresa de taxis podría despachar los coches incluso antes de que surja la necesidad".

Mejores predicciones podrían reducir el tiempo que los taxis están inactivos esperando a que los lleven, limpiando las ciudades, agregaron los investigadores. Debido a que los accidentes tienden a ocurrir con más frecuencia en áreas congestionadas, Una mejor tecnología de predicción de viajes también podría mejorar la seguridad.

Los investigadores analizaron un gran conjunto de datos de solicitudes de viaje a Didi Chuxing, una de las empresas de transporte de vehículos más grandes de China, según Huaxiu Yao, estudiante de doctorado en ciencias de la información y tecnología y autor principal del artículo.

Cuando los usuarios necesitan un viaje, primero realizan una solicitud a través de una aplicación informática, por ejemplo, una aplicación de teléfono móvil. Usando estas solicitudes de viajes, en lugar de depender únicamente de los datos del viaje, reflejar mejor la demanda general, según los investigadores.

"Estos son datos realmente buenos porque se basan en la demanda, "dijo Yao." Si solo sabes cuántas personas tomaron un paseo, eso realmente no le dice la demanda porque podría ser que la gente no consiguió transporte, u otros simplemente dejaron de intentarlo ".

Con los datos históricos, que incluye la hora y el lugar de la solicitud, la computadora puede predecir cómo cambiará la demanda con el tiempo. Cuando se visualiza en el mapa, los investigadores pudieron ver esa demanda en evolución.

"En la mañana, por ejemplo, puedes ver que en un tramo residencial hay más camionetas, y hay más bajadas en el centro de la ciudad, "dijo Li." Por la noche, es al revés. Lo que estamos haciendo es usar datos de recolección históricos para predecir cómo cambiará este mapa dentro de 30 minutos, una hora apartir de ahora, etcétera."

Los investigadores, quienes presentaron sus hallazgos en la reciente Conferencia AAAI sobre Inteligencia Artificial, una de las conferencias más importantes en el campo de la investigación de la IA, utilizó datos sobre solicitudes de taxis en Guangzhou, Porcelana, del 1 de febrero al 26 de marzo, 2017. Los residentes de Guangzhou ganan alrededor de 300, 000 solicitudes de viajes cada día. En comparación, hay alrededor de 500, 000 viajes por día en la ciudad de Nueva York.

Si bien la tecnología utiliza un tipo de red neuronal, los investigadores combinaron dos redes neuronales:la red neuronal convolucional, o CNN, y red de memoria a corto plazo, o LSTM:para ayudar a guiar las complejas secuencias de predicciones. Las CNN pueden modelar mejor correlaciones espaciales complejas y las LSTM pueden manejar mejor el modelado secuencial.

"Básicamente, utilizamos una red neuronal muy complicada para simular cómo las personas digieren la información, en este caso, la imagen de los patrones de tráfico, "dijo Li.

Li dijo que el acceso a conjuntos de datos más grandes (Big Data) y los avances en la tecnología informática que pueden procesar esta gran cantidad de datos han ayudado a este proyecto y han permitido otros desarrollos de aprendizaje profundo.

"En la programación informática tradicional, la gente necesita decirle a la computadora qué aspectos (o características) necesita mirar y luego tienen que modelarlo, lo que requiere un gran esfuerzo, ", dijo Li." La razón por la que el aprendizaje profundo es revolucionario es que ahora podemos omitir ese paso. Puede simplemente darle a la computadora las imágenes, por ejemplo. No es necesario que le diga a la computadora lo que necesita mirar ".