至顶网CIO与应用频道 06月06日 北京消息:交通诱导屏影响着路上每个人的出行决策。在这一领域,一些前沿探索已经显示出成效,今天开始,滴滴出行依托于交通大数据、高科技算法的智慧交通诱导屏,在济南、贵阳、深圳等城市正式上线。
相比于传统的诱导屏,滴滴的智慧诱导屏,数据更加全面、准确,交通路况信息实时性更强,显示方式更加简洁,发布效率也更高,而且还能快速迭代。业内人士分析,智慧诱导屏可以很好地帮助司机等每个交通参与者,做出准确的交通决策,并且提升交通诱导屏的管理效率,从个体微观到宏观区域,帮助整座城市的交通变得更有序、更畅通。
(滴滴智慧交通诱导屏在济南上线)
独有预估时间 数据更全算法更优
传统交通诱导屏多以发布简单路况、通知广告信息为主,而智慧交通诱导屏增加了非常实用的至重要交通节点预计到达时间(ETA)。
调查数据显示,在开车时,司机的眼睛在交通诱导屏上停留的时间最多3秒。这意味着,在短短的1-3秒中,司机必须能获取到能帮助交通决策的关键信息。为了做到这一点,滴滴的智慧交通诱导屏上,有简洁的图示,以及醒目的预计到达时间(ETA)显示。
经常往返于机场的济南车主张先生说,以前诱导屏上,大多是哪条道路是畅通的绿色,哪条道路是拥堵的红色,经常需要仔细想一下,才知道怎么走比较方便。现在的智慧交通诱导屏,一眼就能看明白几分钟能到哪里,去赶飞机或者赶火车的路上,精准的预计到达时间感觉非常方便、靠谱。
(滴滴智慧交通诱导屏显示预计到达时间)
如何让交通诱导屏显示的信息精准?滴滴出行高级副总裁、智慧交通负责人章文嵩说,全面准确的交通大数据,再加上顶级的算法,能很好地解决这个问题。打个比方,数一数二的优质食材(大数据),搭配上世界顶级的烹饪配方(算法),自然能出来色香味俱全的菜品(准确的路况信息)。
传统的交通诱导屏,主要基于卡口、地磁等数据,而且大部分需要人工干预,依据工程师经验判断之后,才能手动发布。相比而言,滴滴的智慧交通诱导屏,融合了滴滴浮动车、固定点流量数据,结合了滴滴平台大数据以及地方合作数据。在海量大数据基础上,再依托滴滴每日处理超过4500TB数据的强大算法优势,智慧交通诱导屏的路况信息准确率相当高。
滴滴方面介绍,未来,智慧交通诱导屏还会融入重大交通事件通知、绕行方案等信息。比如,如果交通事件引发了交通异常,智慧交通诱导屏会直接显示事件提醒,告知用户道路为什么拥堵。
在交通领域,道路拥堵时,大部分人都会特别急切地想知道拥堵的原因。从交通心理学上来讲,一旦用户知其所以然,知道了导致拥堵的原因,一方面可以迅速做出绕行等交通决策,另一方面也可以降低“路怒症”的发生。
高效率、多渠道发布交通路况信息
为了让更多的用户能够查看到智慧交通诱导屏的信息,滴滴出行还与济南交警合作,将实时交通诱导屏信息,同步显示到“济南交警”微信公众号上。只要用户轻点几下手机,就能查看到最实时的智慧交通诱导屏信息。
(手机端可查看智慧交通诱导屏信息)
除了用户在移动端随时可查,智慧交通诱导屏的信息发布效率也更高,可以大大降低城市交通管理部门的成本。除了硬件的架设部署,诱导屏可视化需要经过数据采集、路况信息出路、信息发布可视化等过程,产品链比较长。目前,滴滴可直接为各地交通管理部门提供诱导屏的内容服务,包括数据采集、分析、可视化等“一篮子”内容数据综合服务。这有利于城市交通管理部门减少工作流程,提高诱导屏信息发布效率。
目前,滴滴智慧交通诱导屏已在济南、贵阳、深圳等城市上线,已经升级了数十块诱导屏,随着产品的迭代进化,智慧交通诱导屏未来有望为更多城市的老百姓提供交通出行决策帮助,从而提升每座城市的整体出行效率。
好文章,需要你的鼓励
谷歌Agent Development Kit(ADK)革新了AI应用开发模式,采用事件驱动的运行时架构,将代理、工具和持久化状态整合为统一应用。ADK以Runner为核心,通过事件循环处理用户请求、模型调用和外部工具执行。执行逻辑层管理LLM调用和工具回调,服务层提供会话、文件存储等持久化能力。这种架构支持多步推理、实时反馈和状态管理,为构建超越简单聊天界面的生产级AI应用提供了完整框架。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。