SMU 課程丨人工智能對于資源管理模式升級的影響

　　人工智能和機器學習技術在交通和安全領域中的應用越來越廣泛。在一系列論文中，新加坡管理大學副教授 Pradeep Varakantham 和其他研究人員提出了基于 AI 的解決方案，旨在提高對入境口岸的旅客進行篩查的效率，并優(yōu)化按需乘車集合和匹配服務，以適用于運輸服務提供商。

　　更有效地篩查處理

　　在許多機場，海港和其他入境口岸，對潛在威脅進行大規(guī)模篩查的能力是一個棘手問題。在端口使用稱為 Threat Screening Game（TSG）的模型來嘗試解決此問題。

　　“由于沒有足夠的時間來檢查每位乘客及其行李，因此在有限的時間內，TSG 研究了可以使用哪些篩查資源來篩查不同航班上的人員的問題，從而最大程度地降低了錯過威脅的風險，” Assoc Varakantham 教授說。

　　現有方法建議對一個小時內到達的所有乘客適用。但是所存在的問題是有些乘客會突然到達機場，并不受固定時間窗口的限制。為了解決這個問題，Assoc Varakantham 副教授與新加坡管理大學信息系統(tǒng)學院（SMU SIS）以及哈佛大學計算與社會研究中心的團隊成員一起，提出了一項針對早期用戶篩選的策略，這意味著已經對起飛前，對某次航班上的所有高威脅乘客進行了篩查，低威脅乘客在到達目的地機場后才會被篩查�！坝捎诓捎昧诉@種新方法，我們減少了乘客的等待時間，也減少了增加威脅的風險。而且，與以前的篩選方法不同，我們的方法可以實時使用，起到真正的效果。”他說。

　　按照需求搭乘

　　像 GrabShare 這樣的按需拼車服務已經變得越來越流行，因為它具有降低乘客成本，增加司機收入的優(yōu)勢。為了確保近乎即時的響應，現有的拼車解決方案旨在最大化的服務乘客，增加客戶數量。

　　“由于時間緊迫，現有方法會將最近的乘客分配到最近的出租車，而不考慮分配是否會導致同一輛出租車上吸引更多的顧客，”Assoc Varakantham 副教授說，“例如，有顧客希望從市中心去 Tuas，那么這位顧客很可能會被分配到最近的車輛，在分配過程中并不會考慮還會有乘客對 Tuas 感興趣�！�

　　然而，考慮到未來任務的影響，在優(yōu)化拼車計劃時又增加了一層復雜性。來自 SMU SIS 的副教授 Varakantham 和他的團隊提議使用一種新的機器學習方法的組合來計算和匹配當前的需求和當前的供應，同時計劃可以在匯總過程中獲取的潛在未來需求。

　　建議使用一種新穎的機器學習方法組合來計算當前需求，并將其與當前供應相匹配，同時計劃可以在匯總過程中獲取潛在未來需求。他表示：“我們的研究表明，我們的方法在現實數據庫上的按需拼車服務表現，輕松超過領先的同類方法多達16%。這也可以提高聚合公司和單個司機的收入�！�

　　在線匹配乘車服務

　　在共享乘車和交付服務中，服務與客戶的在線匹配存在類似的問題。在這種情況下，在一輪中對客戶的服務匹配直接影響下一輪中對客戶的服務匹配。例如，第二輪匹配中的出租車只能在第一輪匹配中接載接近顧客下車點的顧客。

　　“與拼車類似，現有的匹配方法僅將供應與當前請求匹配。盡管這些方法能夠達到大約60%的最佳效果，但已經在顯著改善過程中�！� Varakantham 教授說。

　　南昌留學云提示，由 SMU SIS 和麻省理工學院電氣工程與計算機科學系的成員們所組成的團隊所提出的解決方案，既考慮了未來的潛在需求，又同時滿足了在當前時間點匹配共享運輸和交付服務的供求。

　　“根據新加坡所有出租車司機的實時數據，我們在一群出租車司機中進行了試點測試，與沒有任何指導的司機相比提高了28%。”Varakantham 教授說。