AI算法模型于交通运输市场应用
https://bit.ly/2yVklBz
由于大众对汽车及驾驶员安全、运输成本降低以及自驾车发展的关注度日益提升，导致人
工智慧（AI）在运输市场中快速成长。2017年市场价值为14亿美元，预计到2023年将达35
亿美元，2018-2023年的复合年均成长率（CAGR）为16.5%。AI在运输业中涉及电脑视觉（
computer vision）、深度学习（deep learning）和自然语言处理（natural language
processing）。
AI系统将会嵌入摄影机、雷达侦测（RADAR）传感器以及光达（LiDAR）等硬件设备，进而
安装在测试中的全自动驾驶车内，包括AI应用程式分为：人机界面（HMI）和先进驾驶辅
助系统（ADAS）。AI产品分为软件和硬件。2013-2017年以软件主导了市场且预计
2018-2023年期间也将持续主导地位，这要归因于HMI应用程式中，软件作为平台部署的情
形成长，譬如Microsoft Azure。
交通运输之AI算法模型，如下：
1. 类神经网络（ANNs）
说明：类人脑之神经网络，透过先前的经验和变化权重的资料点（data point）来做出决
策。类神经网络可以透过处理大量资料解决复杂的问题，检测非线性关系。
用途：部份较复杂的全球定位系统（GPS）透过GPS、加速仪（accelerometer）和磁量计
（magnetometer）搜集资料，利用类神经网络来决定运输模式。类似于人类透过多个资料
点的考量来“感受”距离。此外，在公共场合中应用类神经网络模型可以帮助预测公共汽车抵
达公共汽车站的时间。
2. 类免疫系统（AIS）
说明：该算法的灵感来自于人类生物学，特别是人体如何对又称为抗原的致病原（
disease-causing agent）做出反应。AIS模拟了人体免疫系统的特征抽取（feature
extraction）、图形辨识（pattern recognition）、学习和记忆。
用途：AIS在图形辨识、异常检测（anomaly detection）、分群（clustering）、最佳化
（optimization）、规划（planning）和排程（scheduling）。工程师利用AIS创建了即
时调整支援系统，以在网络受到干扰时，帮助公共运输网络找到解决方案。
3. 模糊逻辑模型（Fuzzy Logic Model）
说明：模拟人类的决策制订而来的，模糊逻辑指定资料于0到1之间的数值以展现不确定性
。该系统已经使用了30多年，最适用于条件模糊且每个动作的结果都是未知的情况。
用途：模糊逻辑具有模拟暧昧且不明确的交通及运输规划问题的潜力，同时具备交通控制
应用程式，因为模糊逻辑可以在十字路口发出时间讯号，决定汽车应该停留的时间长度。
4. 蚁群最佳化算法（ACO）
说明：该算法模拟了蚁群的行为，就是蚂蚁根据自己选择较短路径以及其他路径的蚂蚁
透过费洛蒙分享经验的选择方式。该机制帮助蚂蚁在两点之间找寻最快路线。在电脑科学
中，这个问题也被称为旅行推销员问题（Traveling Salesman Problem），其中一个推销
员必须拜访X个城镇，然后以最小的成本回到起点。
用途：蚁群算法可以用于选择更好的公共交通巴士路径，也可以用于沿途接客的共乘平
台，如：Uber Pool。
5. 蜂群最佳化算法（BCO）
说明：与ACO相似，该算法以蜜蜂的集体觅食运动为例，体现了有组织的团队工作、协作
和紧密沟通。蜜蜂在蜂巢内的运动帮助科学家最佳化汽车的移动。
用途：蜂群算法可以用于最佳化旅行路径，减少通勤时间、等待次数、延迟以及空气／
噪音污染。如：AirB&B
企业合资及并购活动方面，大型汽车OEM制造商正收购具技术取向的新创产业，并且从自
动驾驶卡车及其他商业用车辆切入市场。譬如，特斯拉于2017年11月推出具有半自动功能
的电动卡车（semi-truck）。此外，nuTonomy Inc.、TuSimple Inc.和Nauto Inc.等新创
企业也正着手制造配有自动驾驶系统的商用车和客车。因此，制造商跨业整合会越来越多
及着重安全性考量的自驾车技术，正在扩展市场的进步。