پوشش رسانه‌ای جیتکس ۲۰۲۴ | با ما همراه باشید

Filter by دسته‌ها
chatGTP
ابزارهای هوش مصنوعی
اخبار
گزارش
تیتر یک
چندرسانه ای
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
دانش روز
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
رویدادها
جیتکس
کاربردهای هوش مصنوعی
کتابخانه
اشخاص
شرکت‌های هوش مصنوعی
محصولات و مدل‌های هوش مصنوعی
مفاهیم
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
مقاله
 کاربرد هوش مصنوعی در ترافیک با تخمین دقیق‌تر زمان رسیدن به مقصد

کاربرد هوش مصنوعی در ترافیک با تخمین دقیق‌تر زمان رسیدن به مقصد

زمان مطالعه: 2 دقیقه

Google Maps روزانه به مردم بیش از 200 کشور کمک می‌کند تا بیش از یک میلیارد کیلومتر راه را پیمایش کنند و Google مدعی شده سیستم تخمین زمان رسیدن آن‌ها دقت بالای 97% دارد. البته که برای شرکتی به بزرگی Google این آمار قابل قبول نیست و به همین دلیل این شرکت قصد استفاده بیشتر از هوش مصنوعی در ترافیک و با ادغام یادگیری ماشین و یادگیری عمیق تصمیم به دقیق‌تر کردن سیستم تخمین زمان رسیدن به مقصد کرده است.

Google قبل از این که تصمیم به استفاده از یادگیری عمیق بگیرد، از الگوهای ترافیکی تاریخی آزمایشگاه هوش مصنوعی Alphabet برای تخمین زمان رسیدن استفاده می‌کرد. این الگوها توسط هوش مصنوعی در ترافیک و به منظور پیش‌بینی از آن استفاده می‌شوند، در نتیجه یادگیری عمیق کمک کرد تا یک شبکه عصبی گرافیکی توسعه داده شود که علاوه بر الگوهای ترافیکی، داده‌های زمان‌های مختلف سال، کیفیت جاده‌ها، محدودیت‌های سرعت، تصادفات و غیره را هم در نظر بگیرد.

به لطف رویکرد یادگیری ماشین، Google Maps توانسته دقت تخمین زمان رسیدن به مقصد را در مکان‌هایی مانند برلین، جاکارتا، سائوپائولو، سیدنی، توکیو و واشنگتن تا 50% بهینه کند و پیشرفت تا حدی بوده که حالا این سیستم می‌تواند به رانندگان حتی قبل از افزایش ترافیک در منطقه‌ای، هشدار دهد که قرار است آن مسیر ترافیک شود.

همان‌طور که در دوران کرونا شاهدش بودیم، اتفاقات غیرقابل‌پیش‌بینی به راحتی الگوهای تخمین زمان رسیدن را به هم می‌زند. این یعنی بعد از خلوت شدن خیابان‌ها گاهی حتی پیش آمده بود که فرد از زمان تخمین زده شده توسط گوگل 50% هم زودتر رسیده بود. به همین دلیل Google Maps مجبور شد سریع‌تر عمل کند. حالا برای تخمین زدن به جای بررسی الگوهای بازه‌های طولانی اخیر، فقط الگوهای دو هفته اخیر را بررسی می‌کند و الگوهای قدیمی‌تر را نادیده می‌گیرد.

Google می‌گوید هوش مصنوعی در ترافیک برای پیش‌بینی و انتخاب مسیر کار سختی دارد و این کار پروسه‎ای کاملا پیچیده است و برای داشتن پیش‎بینی‌ها و تخمین‌های دقیق باید به طور مداوم مسیرها و شرایط را رصد کند. Google همچنین اخیرا سرویس‌های دیگری مانند ارائه اطلاعات گفتاری عابرین پیاده، انتخاب بهترین مسیر برای عابرین پیاده و پیش‌بینی مسیرهای شلوغ برای اتوبوس‌ها و سیستم‌های حمل و نقل عمومی را توسعه داده و در حال بهینه‎سازی آن‌ها به کمک یادگیری عمیق هوش مصنوعی است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]