摩拜科学家：为什么投放共享单车也需要人工智能？

共享单车

凤凰科技讯（作者/马晓宁）4月13日消息，我们每天都能见到大量的共享单车，有的地方共享单车成排投放，有的地方却看不到这些小车的身影。对于平台来说，在哪里投放共享单车、投放多少共享单车是一个值得研究的问题。如果投放车辆的地方没人需要，那投放效果就会大打折扣；如果人们在需要的地方找不到车，平台也会蒙受损失。

但是怎样确定哪里是合适的投放地点呢？单车被骑走到城市的各个角落后，如何调度才能保证它们能被更多人骑到呢？每天都有成千上万的故障车辆图片被上报给平台，其中的真假又如何分辨呢？近日，摩拜数据科学家尹大飞进行了一次分享，探讨了在解决上述问题中所采用的人工智能手段。

以下是尹大飞的演讲记录，经凤凰科技编辑：

大家下午好！我是摩拜单车的数据科学家尹大飞，非常有幸在今天下午跟大家在这儿分享一下我们过去几个月时间在摩拜单车平台上做的一些数据分析和数据挖掘，甚至人工智能方面的一些研究。

今天讲座主要讲的是我们怎么样利用人工智能或者大数据的方法解决运营的问题。因为我们有几百万辆车，怎么样科学高效调度，几乎所有关心我们的朋友都会问到这样的问题。我的演讲过程中大家谁有问题可以随时举手提问。

我们数据部门不光是支持运营，我们也支持公司的财务部门、客户部门、包括运维。所以，应该说今天所讲的人工智能只是在我们公司一个部门的应用。今天给大家分享的是怎么样通过科学的调度方法以及预测方法解决在城市中管理上百万单车的事情。

首先，经过我们的一段时间运营之后发现，在各个城市每个地区单车供需极度不平衡。比如以我个人为例，我家在酒仙桥蒋台路附近，会发现这个地铁A口往北是非常密集的工业区，有恒通商业院、有360和58同城等等一系列的大型工业园区。C口是传统的居住区，每天早上自行车A口很快的被上班的人骑走了，C口的车会往往瘀积。所以我们的数据平台通过简单分析会发现，A口是一个热点区域，而在C口是冷点区域。做一些简单分析以后，其实我们运营同事就已经在我们的指导下优化了投车的方向和投车策略。投车的时候在A口多投一些车辆，C口有意地少投一些车辆。

除了利用历史数据做一些回归和策略性的计算之外，还做了一些跟预测相关的事情。大家知道影响单车供需最大的不确定因素就是天气，天气中我们没有区分出来是雨雪、还是PM2.5，还是气温、还是风速，经过我们一系列的回归分析发现，气温和降雨对我们的定单影响量的影响是最大的。

气候变化对订单量的影响

我们在这儿使用了GDDP，是一个机器学习算法，进行天气和定单量的预算，蓝色的点是实际定单，红色的点是预测的，大家看到基本预测还是符合这个趋势的。

摩拜对订单量的预算

我们的车辆上面有GPS，而且不光是GPS传感器，还有车辆的电压传感器等等监测我们车辆自身状态的传感器，我们可以实时知道每辆车到底是不是故障车甚至它有多长时间没有被骑行。这样情况下我们会辅助运营人员做一些车辆回收和优化运营的事情。其中还有一个问题就是，如果我们有很多车辆是故障车，那么怎么样回收它？有车辆负责运营。有一个问题就是，我们有很多这样的调度车辆，怎么样去优化它们的路径。因为每一辆车在城市中间漫无目的的行走非常浪费资源。我们的同事使用的是，先把故障车的位置进行确位，然后再使用一个优化技术，就是让这些处之间的差异，车辆便利出处的差异最小，使得运营车辆能够最大化它的经济效益。

对这些工作我们和斯坦福一些做同类工作的同事进行了紧密的交流和合作。

除了自身的运营人员维护这些单车之外，我们还把运营工作某种程度上外包给了我们的用户。我们是通过什么样的方法外包的呢？就是我们最近发布的一个比较大的功能红包车，大家在抢红包的时候有没有体会到自己抢的红包金额到底是由什么样的因素决定的？事实上我们在红包的设置上，背后做了一些精细的算法。基本原理就是，如果有一些车是故障车，或者是它经常的不被骑行的话，我们会把它设置成红包车。这些红包某种程度上降低了我们的运营费，因为我们每次把犄角旮旯的车找出来难度也非常大。通过红包激励，热心的用户帮助我们把这些车从一些偏远的角落，甚至小区里面移到了热门的地铁站附近。

红包车

还有一个问题，我们有了这么多车，是不是就可以引导大家把这个车停在一个规范的停车地点，事实上我们也是么做的，我们用了一个MPL智能电子围栏设备放到一个指定的区域，引导大家把车停在指定的地点。设置MPL的时候也有一个问题，哪里设置才是比较合理的呢？设置MPL之初我们通过历史数据进行了分析，我们是利用一种基于密度的确位方法，对热门的停车方法进行了分析，所以今天看到的热门的MPL也是历史上经常被大家停放的地方的一个中心点。有了MPL智能硬件之后我们可以做一些更多的事情，比如MPL有WiFi甚至今后还可以有一些充电的设施，帮助你临时充电。

供需预测上我们已经使用了深度学习方法，也使用了谷歌的tenserFlow基于ResNet开发的，在每个格网中间做了供需预测，从这个曲线图可以看到，基本上它的预测值和实际值差距在每个格网中间也就相差20辆左右（最大的时候），事实上相对于某些我们竞争对手宣称的说未来使用tenser Flow，我们早已经在实际生产中使用了。

我们不光是做了一些算法，还有一些成熟的系统在背后支撑着我们的运营，这是我们的摩拜单车运营平台“魔方”，给运营人员每天使用。可以看到这个地图中心每天车辆使用的实时热点图，旁边是相对，这一个区域的智能报表。如果点击到某一个区域的话报表纬度会自动缩放到那个区域，你在这儿可以查询某一条街道，最左上角还可以选择视线范围进行查询。

我们还做了一些跟规范停车相关的工作，就是关于地理围栏方面的。地理围栏可能很多人或多或少听说过，我们这边是通过我们自己的运营人员，根据一个开放的系统，运营人员可以手动在这上面标识围栏区域，如果你停到这个里面是对你的信用分有影响的。

除此之外，还是有很多热心的用户帮我们举报，就是在APP里面报障下面有一个上传图片的功能，每天有成千上万的图片通过这样的方式上传到我们的服务器。我们的客服人员精力非常有限，他怎么样识别上万张图片呢？我们使用了一个方法，我们再度使用了TenserFLOW，深度学习的方法对图片进行识别。比如右边这是违停在小区里的图片，我们通过学习和积累经验，现在我们学习的表现已经超过了97%，也就是说有这么一张图片上传到我们的系统，我们有超过97%的概率来判断它确实是张违停图片，对拍摄违停照片的人会给予奖励，把车骑到这违停区域的人我们会进行惩罚。

主要的算法方面就给大家介绍这么多，我们的研究还在继续，非常诚挚的欢迎各位能对我们的运营、对我们的算法提出宝贵意见。