2017年 6月13日，由泰伯网主办、主题为“空间大数据的崛起”的WGDC2017，在北京国家会议中心盛大开幕。大会由空间信息产业创新创业服务平台泰伯主办，秉承不断引领和促进空间信息技术创新与变革的宗旨，WGDC已走过六个年头，如今成为全球最具前瞻性的跨界创新风向标。
13日，由百度地图、赛文交通网共同协办的空间大数据+智能交通峰会开幕。峰会上，来自百度地图的主任架构师张绍文发表了以“人工智能如何改变导航”为题的精彩演讲。
以下为演讲实录(未经本人核实)：
张绍文：大家好。我今天讲的题目是人工智能如何改变导航。这里面先说一下一个原因，为什么需要用人工智能去改造导航?这里有一个背景，上面提到的一个原因，大家应该能感受到，在近几其实城市的拥堵是在加剧。我最近看到一份报道，2011年的时候北京的拥堵时长3.5小时，2016年统计了一下6.5小时，5年的时间拥堵增加了一倍。
其实这可能不只在北京，刚刚看到Top10，北京还不是最拥堵的，还有很多城市比北京还拥堵，当拥堵的发生越来越加剧，我们在城市生活感受到，其实生活的节奏也不断的加速，大家普遍的感受到时间不够用，一个是交通成本上升，一个是需要更多的时间，这反过来对导航提出了一个新的要求。
传统的导航其实之前的一个问题，我们要去一个陌生地，这个陌生地怎么走?怎么去?你把我导到就可以了。现在来讲，比如说我们从后台看到大量的需求发现，其实用户逐渐从陌生地转换到熟悉用地，上班，回家，其实你知道地点在哪里，但是为什么还需要导航呢?需要路线呢?很多时候用的需求更多的是围绕到一个我怎么去避堵，怎么去节省时间，怎么去做好自己的出行安排。
所以，我们觉得新一代导航其实是要智能导航提升我们这块的需求。我们分解一下智能导航大概分为几部分，我们认为要解决几部分的需求，一部分是行前部分，一部分是行中部分，行前部分分为两部分，一个是出行的安排，很多时候比如说，我这个时候要出发了，其实也许我该走那条路，还依旧是那条路，但是你可能需要看一下具体的时间，好决定后面到达目的地之后相应的安排，这是一个。
还有一种需求比如明天去赶飞机，去机场，我大概什么时候出发比较合适到达，所以这是出行安排的一部分需求。第二部分此时此刻我已经要出发了，有哪一条路更适合我此时的需要和场景?你也许是要一条更稳妥的路，也许是一条你开起来舒服，没有那么多拥堵，比较畅快，舒服就行了。这个过程中路线决策是很复杂的。这是一方面，对我们提出要求，我们需要给出足够多的路线以及足够多的路线决策信息，甚至能符合用户个性化方面的需要。
即使我此时此刻我选择了一条最合适，最优的道路，但是其实大家知道，这整个交通是瞬息变化的，随时都可能出现一些不可预测的事件发生，在这个过程中用户的需求又分为几块，一部分是说，如果发生一些不可预测事件，比如说是出现一些异常拥堵，交通事件，能不能给我实时的提醒过，给我一些避堵的路线推荐，这是一方面。
第二个在导航的各方面，其实整个出行成本很高，我们希望从人性化给我引导，使得我不要错过路口，也不需要有很重的驾驶负担，这是行中部分。
整体来讲，我们是这么去看待智能导航要去做的事情，为了加深大家感性的认识，我们先一个我们的视频，这里会介绍一下我们产品的理念和想法。我们看完这个视频之后，后面我们介绍一下技术上我们怎么做到这一点的，选其中一部分。
(播放视频)
我们认为一个优秀的导航，需要这三个基础部分，从用户输入，到用户大概去哪个地方，这样减少用户的出行成本，即使确定了一个终点，其实我并不是导到终点旁边就可以了，更多的是导到他实际的目的地，比如说大门或者停车场。第三部分，我们整个定位，你本身你对你自己现在所处哪个位置，哪条路，这是一部分。精确的，精准的确定你的起点和终点的目的地之后，我们这个过程的路线给一个最适合你的需要，你个人需要的路线。并且在开车的过程中如果有异常的变化的时候我们实时推荐你一个更好的路线。在行进的过程中诱导并不是机械的，需要结合用户实际需要，和开车的时速情况给你更好的指导和指引。整个的过程中其实都是考虑到了用户很细致的层面，这个层面很难用一个简单的规则或者简单的一些数据测绘就可以解决这一部分问题。很多时候还得结合用户，比如说终点，哪个是用户需要的，结合大数据再结合人工智能共同做出这个判断。
这里每一个部分都有很多的工作开展，今天不一一介绍，主要介绍其中很重要的部分就是路线，我们怎么给出用户最合理的路线，这是我们今天主要的技术，要给出一条最合适的路线其实可以分为几部分。其中一部分，当然我们需要准确的路网，静态的路网信息，知道客观世界中有哪些路，这些路是怎么样的客观的信息状况，这是最基础的。
第二部分，其实我们需要知道，实时的交通信息状况。第三才是结合用户大众用户的需要和个人的需求给出一个最佳的东西。
要做到这一点其实是很复杂的事情。我们之前一直认为我们是不是能构建一个数学模型，这个数学模型就能给出一个精确计算出哪一条路是最优秀的，给出这个答案来。
其实探索了一段时间这条路很难。反过来我们后来反过来思考其实我们发现像老司机，其实很大情况下在本地的车子驾驶过程中他已经很能准确的给出很好的路线，他们是怎么做到这一点的?我们总结了一下，他具备两个能力，第一个能力是他们把握交通信息，实时交通信息的能力。比如说你前面有实时路况的时候，他是听电台或者自己平时开车路面的感受，能感受到今天大概的交通状况，哪个地方可能堵，哪个地方没堵，也许今天应该怎么走。
第二个方面，他有本地丰富的驾驶经验，车开的多了，自然知道一个地方到另一个地方哪些路比较好走，再结合实际路况做综合的判断。我们从老司机的经验中得出启发。我们整个的系统也是围绕，从这个方式拆借，第一部分，我们觉得，回过来看，我们司机既然是，只要开的多，他企事业没有特别高的智慧才能做到这一点。他其实只是开的多了，有经验了，有丰富的本地经验，他能做到这一点。其实对于一个百度地图这样一个产品来讲，它其实搜集到了足够多的用户数据，我们能不能把这些经验的数据，这些轨迹给凑起来，共同去做到这一点呢?其实如果能做到这一点的话，理论上比任何一个老司机都优秀，没有一个老司机能开出这么大的里程数来。所以这就是目标，把这个数据全面整合起来，我们为每一个用户出行提供交通方案。
第一部分，首先我们刚才说了需要了解实时路况也可以说很简单，但是也可以说很复杂。简单来说我们只需要有用户实际的交通轨迹，我们搜集到用户足够多的交通轨迹，通过交通轨迹的时速大致判断这个地方拥堵，这个地方畅通。细化到每一个细节很复杂，每个地方有自己的快速，每个地方有自己的慢速，是不是快速就是畅通，慢速就是拥堵呢?这个慢可能刚好从停车场出来，开的比较慢，其实周边一辆车没有，这个慢可能是他临时在那边停车，办一个事情，正在等一个人。这里快也许他做了一个违规的操作，走了应急车道。这里可能真的是慢，有很多的轨迹证明这里是慢，这个比较简单。在这里面，这里慢也许是在等一个红绿灯，其实车辆也不是很多，但是它在那在等一个红绿灯。所以显得速度很慢，这里也一样，到了公司的时候。
我想表达一个意思，从时速我们只能知道快慢，知道快慢和拥堵和不拥堵是两回事情，红绿灯为例，到底红绿灯的情况下怎么才是拥堵呢，怎么才是畅通呢?以红绿灯为例来解读一下这个问题。我们可以想象一下，比如说我们等一个红绿灯，那个红绿灯过了我们可以过了，你等两个或者三个红绿灯才能过去的时候你就知道堵了，等一个红绿灯大概排在哪个位置上，这一次红绿灯就能过去。所以这个实际上是通过路线的测绘无法给出这样的信息，因为红绿灯经常是有时候要调整。所以我们通过大数据分析，通过大量的轨迹分析我们清晰的知道，基本上通过一个模型套路基本上知道，实际这个红绿灯往往在这么一个城区的情况下就能通过。所以通过大数据分析出求出一个红绿灯的长度，有了红绿灯的长度，我们进而知道我们的轨迹行进的状况，就能分析出实际在这个路口是不是发生拥堵。
除了这部分，还有一部分通过影像，如果这个地方有摄象头，我们通过摄象头做分析，大概知道车停在哪儿，这样也能辅助帮助我们判断，这是辅助手段，因为这个信息没有轨迹数据来的更全面。
所以这两个综合起来的话，就能给出我们一个实时路况，更准确的实时路况。
但是实时路况只是我们第一步，因为你求的实时路况并不能给出最优的路线，我们更多的是需要给出我们能感知未来的路况。比如说出发，走到上帝为例，西三旗比较堵，西二旗比较堵，如果实时出发半个小时到哪里就堵了，我们就要预测。怎么预测呢?从人类的思维经验来看基本上说，我们大概知道，今天星期三，现在如果预测的地方，大概下午6点，今天天气怎么样，有没有下雨，实时路况怎么样?如果那个时候已经开始堵了，证明今天拥堵提前了，大致这个情况也许我们已经能很准确的，一定程度的准确感知到那个地方未来会不会发生拥堵，但是这个还不够。我们发现其实我们只是一个单一的维度去看这个路段堵不堵的话准确率并不高。因为路况是一个相互交错，相互影响的关系。比如说我们感觉到以上帝为例，我们公司所在上帝，我们发现一堵整个上帝的区域就会相互影响，会形成一个相互关联的拥堵的状况。不能单独的看某一个路段的演变状况。哪些路受影响其实非常复杂，我们尝试自己总结上帝的拥堵规律，总结出来的有偏离，他们之间什么关系，我们很难做到。
这里面最大的关系，我们怎么刻划区域路况以及区域路况对当前未来这个路的影响。但是其中有一个东西还是给我们很大的启发，就是阿尔法狗，其实它跟我们面临的问题是类似的，下围棋很难说清楚这个逻辑在这个局面情况下下哪一步棋是最好的，你可能总结出规律来。真正的高手很难给你一个很强的逻辑，遇到这样怎么下，他很多时候是一个棋感，他感觉下哪一步棋比较准确。也许我们不应该总结这个区域中路段与路段之间的相互关系，这个太难总结了，就像阿尔法狗一样，给一个感觉，我感觉今天出一个什么样的状况，也许半个小时内那段路出现拥堵的概率多高。
我们一样像阿尔法狗一样，我们用感知的方式，其实卷积神经网是最好的算法，用卷积网络刻划一个区域它是怎样的拥堵，去抽象刻划。这是我们去尝试的一个方式。这样一个尝试方式，加上预测模型，他的准确率提升很多。当然这个地方实际上还有很多大量的工作去做，还是非常初步的阶段。因为对一个神经网络这样一个情况，它需要大量的数据，阿尔法狗解决这个问题的办法是通过增强学习，这块也是我们探索过程中，在有限的轨迹怎么创造无限的数据出来，进而训练这个模型，这个是一个很大的难题，这个不再具体展开来说。
有了这样的一个路况的预测，有了实时路况的感知，又有了未来路况的大概率的预测，这样的话，就有利于我们去做时间的估计。我们基于这样估计未来，通过给一条具体的路线，大致需要通过多长时间，就可以求算出来。
有了这条路，给任何一条路，他的未来路况是怎么样的，通过它的时间是怎样的，这点是第二步，我们只能评判一条路线怎么样，还不能判断从一个点到另一个点，有哪条路可以走。以前的，其实只要把它引导到目的地就够了，现在的导航需要给用户更多的选择，基于用户的各种场景，甚至个性化给出每一个人，千人千面的给出路线来。这个问题非常复杂，我们拆解一下，从两个问题，首先能不能说从一个地点的到另一个地点的到底有哪些路可走，我们再去判断哪些路更适合你，以及你此时的场景。
一个地点到另一个地点有那些路可走，有很多方式求出来，通过传统的导航，可以给出，但是这个其实是不够的。因为对于中国的交通，城市交通是非常复杂的。其实很多时候有很多经验的东西，很多走出来的，其实你也不知道为什么这么走，就想这么走，你这么走就好，通过大数据分析出来，我们发现从南边丰台到首都机场，其实我们如果传统的搜索的方式给出来的路线是有限的，但是实际用户走出来的路线远超过我们的想象，几十条，上百条。通过这个轨迹我们把 可能的一个地点到另一个地点的路线搜集起来，作为我们后面做挑选好路线的优选路线。
有了这个部分之后我们有了原料，我们怎么挑选出最优的路线?就像搜索引擎，有一个关健字，有成千上万的页面，哪个页面是客户需要的。主要的特征是时间、距离、拥堵，是不是收费，道路的等级，是不是封闭道路，有没有红绿灯，这是是主要的，用户的实际感受是最主要的。
一个更简单的，我们出行的方式是人为去定义，我就觉得用户一定会选择什么样的路线，什么样的路线。当我们的特征越来越多的时候发现这个事情很难做到，就是人脑已经无法判断到底哪些路线更合适。这个时候我们使用了用户的行为数据，用户其实在选择路线的过程中看到我们给出的路线，他往往会选择，最后判断哪一条路线去做。
用户可能选第二条，为什么推荐的第一条路线他不用，选了第二条，背后隐藏了人类的智慧在里面，这种智慧的关系，其实就是一个非常好的机器学习训练的数据。
我们拿到数据之后，结合这些特征排序，先排一次大众的排序，就是老司机经验的，用户都有哪些路线更倾向选，哪些路线不会选，明显看起来不靠谱的路线就筛掉。靠大众选出的路线，给出的路线大家是不一样的，大家看到都是一样的路线，实际来讲用户在不的个人的需要和个人的场景下是不一样的，以一些低端的或者物流的用户，其实很借意是不是收费，首都机场开过来到上帝，有两条路线。这个时候不同的用户的选择是不一样的，也许首都机场会堵一点，可能多花10分钟，对很多用户来讲是能接受的，但是对于高端用户来讲不能接受，明显那条路线时间更短。还有很多用户，有一些时候你出席一个重视场合的时候其实你可能给的不是时间最短，而且时间最稳妥，走六环，我们去一个地方走六环最稳妥，要收费，时间也很长。你走三环四环，运气好的时候时间最短，但是一旦堵起来也许你就误了重要的时刻。所以不同的用户，不同的场景其实对于路线的需要不一样。此时此刻我们在大众的路线规划里面还要加一个个人的路线，我们对个人平时使用，筛选路线，使用路线的时候以及平时的路线决策轨迹看到，我们也能挖掘，进而去匹配哪条路线是适合你自己的。这是最后一步，我们怎么给用户挑选一个更合适的路线出来。这样一个交通我们在五一之后才上线，还有不完善的地方，随着大家越使用越多，你贡献的行为越多，我们越了解你，我们的路线就越来越聪明。
所以最后说一句，我们的交通大脑其实智慧来源于每一位用户，你的用户过程中在使用你的产品，每次选择都是你一个态度，你每次路线行走的轨迹，所反馈出来的时间，跟我们时间的差异也是认为我们系统中的一个lost(音)，我们都去学习，我们积聚成亿用户的使用行为，最后我们给出的路线，我们希望未来，我们的智慧高于任何一个用户，未来我们理想的状况是这样的，我们觉得每次出行，用户真的没必要自己去做决策，因为你的决策，你所有的信息，你的经验是非常有限的，如同天气，以前可能大家看天气，出去开个窗户看看外面今天天气怎么样，大家现在习惯百度一下，输入天气看一下就知道。我们希望未来每次出行，你拿一下地图，百度一下地图，看一下今天应该怎样走，时间怎么样，来决定自己的行程安排，这我们希望通过半年一年达到的目的。
今天就到这里。
{{item.content}}