随着大數據、人工智能的技術進步，以及汽車朝網聯化、智能化的快速發展，擁有強勁的AI算法和技術支撐，我們已經可以實現較高準确率的目的地預測。文章就來解讀一下關于目的地預測背後的AI算法。

人工智能，将要如何改變汽車？或者說，智能汽車究竟是什麼樣的？

我想，每個人都能說出很多答案。對斑小寶來說，心目中的智能汽車，TA其實就是“輪式移動機器人”。既然是機器人，符合“機器人大三定律”，就要安全、聰明、善解人意。

早在上世紀80年代，美國科幻電劇《霹靂遊俠》中就有一個會說話的人工智能汽車KITT，這是對智能汽車比較早的回答了。看看KITT都有哪些智能化吧，擁有自我意識、可以說多國方言、懂得幽默，俨然就是一副輪式的、智商能力遠超人類的機器人。

但是在今天，這些強人工智能的階段仍然非常遙遠。然而在弱人工智能的範疇，通過AI算法和應用來解決特定領域的問題，在很多領已經落地成為現實，比如說：我們今天要談到的這個應用，汽車自動預測目的地。

去年，有一位特斯拉的用戶在Twitter上建議說，馬斯克可以考慮設計一款智能汽車，當用戶上車時隻需要簡單提問，它就能了解你要去的目的地。但是馬斯克回應說，根本不用你說話，未來的特斯拉汽車将會自動預測你的目的地。

對現實中的大多數人來說，似乎不太相信汽車真的能“了解”你準備去的目的地。随着大數據、人工智能的技術進步，以及汽車朝網聯化、智能化的快速發展，擁有強勁的AI算法和技術支撐，我們已經可以實現較高準确率的目的地預測。

行程預測算法模型，是Zebrai汽車數智大腦AI應用的重要功能之一。可以實現在用戶開車出發前，準确預測并推薦最可能的目的地，以提升用戶的智能化出行體驗。

想象一下，當我們坐上駕駛室系好安全帶，汽車就能猜到我們将要前往的目的地并作出準确的推薦，這種驚喜的感覺比擁有一輛“會說話的汽車”似乎也差不到哪兒去。同時，可以驚豔用戶，彰顯汽車的人工智能科技。

典型案例

那麼，具體是如何實現預測的呢？

剖析這個應用場景，實際上我們要做的就是通過用戶的出行曆史，預測用戶當前時間、當前地點下的出行目的地。

目前，斑馬數智已經對接了超過700萬台車、20億段行程、300億公裡、640億分鐘的超大數據規模，基于積累的這些海量行車數據，我們發現：人們的出行往往存在一定的規律，用戶往往傾向在類似的時間到達相同的目的地。而對線下位置進行分析，也有助于精準推薦用戶的實時目的地。

舉幾個比較典型的例子，來看看目的地預測的一些非常有意思的地方：

（1）用戶A：根據出發時間預測

該用戶去目的地a的平均出發時刻是8:40，去目的地b的平均出發時刻是18:35。這時我們隻用出發時間這一個特征就能夠很好的區分他去往哪個目的地。

（2）用戶B：根據出發地點預測

該用戶去目的地a和目的地b的平均時刻非常接近，難以通過時間預測目的地。通過發現該用戶去目的地a和b時，對應出發地的經緯度集中在不同區域，就可以根據出發地點預測目的地。

（3）用戶C：根據出發時間、地點相結合預測

當該用戶出發時間和地點的單一特征都不容易區分時，通過出發地和出發時刻兩個變量聯合出來，就可以知道該用戶的目的地。即我們通過出行曆史發現，如果這個用戶是18點左右，并且他從a地出發的話，他很大概率是去b地。

機器學習算法

實際的模型卻更加複雜。我們發現：時間與目的地之間具有一維的正态分布關系，出發地點經緯度與目的地之間有二維正态分布關系，所以我們在建模的時候需要将一維和二維聯合起來，建立一個三維的模型。

為了建立這個三維模型，我們把用戶去D（D 表示特定目的地）和不去D劃分成兩類不同的正态分布來進行描述。我們估算的就是在X特征下（時間、經緯度特征）去D這個目的地的概率，借助貝葉斯公式變換、以及線性代數的計算，把整個過程進行推導，最終推導出一個類似邏輯回歸的方程。

如果要實現較高的準确度，我們還要注意幾點：

• 一個是正态分布和貝葉斯框架推導出來的邏輯回歸有二次項和交叉項；
• 另一個，時間、經緯度不一定符合正态分布，因為正态分布是從負無窮大到正無窮大連續的，但時間從0-24小時會有周期性。這個時候如果強制性使用正态分布，就會導緻模型的準确率非常低。所以需要對特征進行一些工程化處理，就是特征工程。

采用機器學習特征工程處理方法，我們進行了一些特征篩選，篩除時間、出發地這些相關性比較高的特征。然後從用戶的出行曆史中，把POI的信息結合進來，挖掘用戶的行為規律，以增加預測的準确性。

我們不僅是用純數學的經緯度去做預測，還需要對用戶出發地到目的地之間POI類型進行掌握。

綜合考慮以上因素，就可以實現非常高的預測準确率。

本文由 @ jmto 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自 Pexels，基于 CC0 協議

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!