ofo 小黄车近日透露，公司正在使用人工智能系统（AI）帮助实现车辆的智能调度。
ofo 方面表示，在其人工智能系统中，应用了与“阿尔法狗”相同的方法——卷积神经网络——预测用户出行需求。同时，ofo 还运用谷歌 TensorFlow 人工智能系统，使预测结果更精确。
卷积神经网络主要应用于图像识别领域。卷积是提取相关性特征的方法，神经网络是预测需求的模型结构。ofo 为全球 120 座城市上亿用户提供了超 10 亿次出行服务，拥有庞大的出行数据。随着出行数据增多，ofo 对用户出行需求的预测都会越来越准确。
据称，具体在应用层面，ofo 将车辆调度问题归为有约束的供需差最小化，也就是结合当前时间、地点、单车数量等因素，使单车供给最大限度接近用户需求。
ofo 将智能锁返回的定位信息形成热力图，并记录热力图的关键帧图像变化，将图像抽象为网格像素，利用卷积神经网络，对像素内的颜色变化进行相关性特征提取，简单的理解就是将各个关键时间点的热力图记录下来，把图像划分为均匀分布的网格，将像素颜色的变化作为用户骑行需求的变化，并进行相关性特征提取。
ofo 小黄车利用卷积神经网络预测骑行需求
如上图所示，北京西北部上地、西二旗、中关村地区是骑行需求最多的地区，其次是望京、国贸等地。单纯从图像上来看，很难判断中关村地区和国贸地区骑行需求的联系。ofo 可以利用卷积神经网络，通过算法的深入，提取这两个地区的相关性特征。
卷积的过程可以想象成，有人拿着玻璃镜片，扫过如上所示网格图像的过程，可以当镜片大小是 3*3 网格时，可提取上地与西二旗地区骑行需求相关性特征。当镜片大小扩大到 17*17 网格时，上地、西二旗与国贸之间骑行需求相关性的特征就被提取了。随着卷积镜片范围的扩大，所需的算法和计算能力会越来越复杂。目前，ofo 的卷积神经网络层次可达 30 层。
共享单车具有明显的潮汐效应，且骑行需求受天气等因素影响，ofo 利用卷积神经网络，提取不同时段同一区域或者同一时段不同区域的图像相关性特征，以精准预测下一个时段某一区域内会出现的需求数，从而为运营调度提供更好的决策，实现智能运营。
ofo 表示，将卷积神经网络和谷歌 TensorFlow 人工智能系统应用于共享单车，将形成成以人工智能为基础，以物联网为载体的生态闭环。
题图：ofo 小黄车实时骑行轨迹