据国际研究小组称，计算机可以更好地预测出租车和共享服务需求，为更智能、更安全、更可持续的城市铺平道路。

在一项研究中，研究人员使用两种类型的神经网络——以人脑为模型的计算系统和分析出租车需求的模式。这种让电脑自己学习的深度学习方法，能够比现有技术更好地预测需求模式。

美国宾夕法尼亚州信息科学和技术副教授杰西·李表示：“像美国的Uber和中国的滴滴出行这样的共享公司正变得越来越受欢迎，并真正改变了人们对待交通的方式。”你可以想象，预测出租车需求是多么重要，因为出租车公司甚至在需求出现之前就能把汽车发出去。

研究人员补充说，更好的预测可以减少出租车闲置的时间。由于事故往往发生在拥堵地区，因此更好的乘坐预测技术也可以提高安全性。

信息科学与技术博士生姚华秀表示，研究人员对中国最大的叫车软件公司之一滴滴出行的一组大数据进行了分析。

研究人员称，当用户需要乘车时，他们首先通过计算机应用程序(例如手机应用程序)发出请求。据了解，使用这些乘坐请求，更好地反映了整体需求。

姚华秀说:“这是一个非常好的数据，因为它是基于需求的。”如果你只知道有多少人坐过车，那并不能真正告诉你需求，因为这可能是因为人们没有搭便车，或者其他人只是放弃了尝试。”

通过历史数据（包括请求的时间和位置），计算机可以预测需求如何随着时间而变化。当在地图上可视化时，研究人员可以看到不断变化的需求。

李表示:“例如，在早上，你可以看到在住宅区有更多的空车，而市中心则有更多的人下车，到了晚上，情况正好相反。”

2017年2月1日至3月26日，在AI研究领域最大的会议之一 - 人工智能AAAI会议上，介绍他们的研究结果的研究人员使用中国广州的出租车请求数据。广州居民每天约有30万次乘车请求。相比之下，纽约市每天大约有50万次乘坐请求。

当技术使用一种神经网络时，研究人员将两种神经网络(卷积神经网络或CNN)和长时间的短记忆网络(lstm)结合起来，帮助指导复杂的预测序列。CNN可以更好地模拟复杂的空间相关性，LSTM可以更好地处理顺序建模。

“基本上，我们使用了一个非常复杂的神经网络来模拟人们如何消化信息，在这种情况下，呈现的是交通模式的图像，”李说。

李说，访问更大的数据集——大数据，以及能够处理大量数据的计算机技术的进步，帮助了这个项目，并使其他深度学习的发展得以实现。

李说:“在传统的计算机编程中，人们需要告诉计算机哪些方面或特性需要看，然后他们必须对其进行建模，这需要付出巨大的努力。为什么深度学习是革命性的，现在我们可以跳过这一步，例如，你可以给计算机提供图像，而你不需要告诉计算机它需要看什么。”