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
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。