Computers kunnen de vraag naar taxi- en carpooldiensten beter voorspellen, waardoor de weg wordt geëffend voor slimmere, veiligere en duurzamere steden. Dat is de conclusie uit een onderzoek van een internationaal team van wetenschappers.
Deep learning
Voor het onderzoek maakte het team gebruik van neurale netwerken. Dit zijn computermodellen die de structuur nabootsen van het menselijk brein. Deze neurale netwerken maken het mogelijk om de patronen in de vraag naar taxi’s te analyseren. Dit deep learning-proces dat computers tot een zekere hoogte in staat stelt om ‘zelfstandig’ te leren, kan de vervoersbehoeften beter voorspellen dan de huidige technologie.
Voorspellen van de vervoersbehoeften
“Vervoersbedrijven zoals Uber en andere carpooldiensten, worden steeds populairder en veranderen de manier waarop mensen transportatie benaderen,” zegt Jessie Li. Ze is universitair docent informatiewetenschappen en technologie aan Penn State University. “En je kunt je vast voorstellen dat het voorspellen van de vervoersbehoeften enorm invloedrijk kan zijn, aangezien taxibedrijven dan al auto’s kunnen sturen voordat de noodzaak zich aandient.”
Betere voorspellingen van de vervoersbehoeften verminderen de wachttijden van zowel taxichauffeurs als passagiers. Dit zorgt volgens de onderzoekers voor schonere steden. Daarnaast zou het de veiligheid ten goede komen aangezien auto-ongelukken vaker voorkomen in drukke gebieden.
Onderzoeksmethode
Om de patronen in de vervoersbehoeften te ontdekken, analyseerden de onderzoekers een grote dataset van de Chinese carpooldienst Didi Chuxing. Deze data werd verzameld in Guangzhou, waar dagelijks zo’n 300.000 ritverzoeken binnenkomen. In New York is dit ongeveer 500.000 per dag.
Vervolgens gebruikten ze de neurale netwerken om de vraag in kaart te brengen en te voorspellen hoe deze vraag verandert in de loop van de dag. “Kort gezegd hebben we hele ingewikkelde neurale netwerken gebruikt om te simuleren hoe mensen informatie verwerken, en in dit geval ging het om verkeerspatronen,” stelt Li.
Lees hier meer over deep learning
In kaart brengen van de vraag
Wanneer mensen een rit opvragen bij Didi Chuxing, doen ze dit net als bij Uber via een website of mobiele applicatie. Het bijhouden van de ritverzoeken, in plaats van alleen te vertrouwen op ritgegevens, geeft de algemene vraag volgens de onderzoekers beter weer. Sommige mensen annuleren hun aanvraag namelijk.
“Dit is goede data aangezien het echt op de vraag gebaseerd is,” zegt hoofdonderzoeker en promovendus Huaxiu Yao. “Als je alleen weet hoeveel mensen een rit hebben gehad dan heb je geen beeld van de ware vervoersbehoeften. Het kan natuurlijk zo zijn dat mensen geen rit hebben gekregen of het gewoon hebben opgegeven.”
Datavisualisatie
Met deze gegevens, die het tijdstip en de locatie van het verzoek omvatten, kunnen de modellen vervolgens voorspellen hoe de vraag in de loop van de tijd zal veranderen. Deze informatie wordt dan vervolgens inzichtelijk gemaakt op een kaart.
“In de ochtend kun je bijvoorbeeld zien dat er in woonwijken meer passagiers worden opgepikt, en in de binnenstad stappen er meer mensen uit,” vertelt Li. “Dit is in de avond natuurlijk weer omgekeerd. We maken dus gebruik van historische gegevens om te voorspellen hoe de kaart er op gezette tijden uit zal zien.”
