全球大学生比赛百度人工智能交通预测，谁获胜了?

本篇文章1865字，读完约5分钟

人工智能解决交通拥堵

不久前，百度发布了《2017年第一季度中国城市研究报告》，该报告显示了各城市的交通拥堵情况。同期，百度参加了2017年asc世界大学超级计算竞赛，并将人工智能流量预测列为竞赛主题。这是目前流行的。无人驾驶技术最关键的应用之一是在考虑了空.的关系后，能够对交通状况做出合理的预测asc17超级计算大赛有来自世界各地230支队伍的1000多名大学生参加，最终有20支队伍入选决赛。

5天，准确预测300多条道路的交通状况

Asc世界大学生超级计算竞赛是世界上最大的超级计算竞赛，由Inspur和亚洲超级计算协会联合举办。今年的人工智能竞赛题目来自百度深度学习研究所。在初步阶段，给出了一个城市前50天收集的实际交通状况的训练数据集，要求各小组预测第51天的交通状况。在最后阶段，比赛难度进一步提升，要求各参赛队在3000瓦的功耗下，利用组委会提供的Inspur Supercomputing Server构建系统集群，利用百度paddlepaddle框架开发深度学习神经网络算法，预测指定时间300多条道路的晨间高峰路况，所有工作应在5天内完成。

城市早晚高峰交通网络数据

这个看似不可能的任务终于解决了。北航大学、空航空航天大学、清华大学、乌拉尔联邦大学和香港浸会大学展示了他们独特的理解，为解决交通拥堵提供了一个开放的思路。

北航大学的准确率最高

北航空航天大学团队的计算平台是由10台Inspiron nf 5280 M4服务器组成的纯cpu集群，每台服务器都配备了2个英特尔至强e5-2680v4和16g x8 ddr4内存。神经网络采用双层lstm结构，其模型结构如图2所示。同时，研究小组考虑了交通模型的时间特性和空特性。第一层的lstm使用这两个特征作为输入信息，并且将处理后的输出信息与先前的空信息一起发送到第二层的lstm，然后由第二层的lstm计算并获得预测结果。在数据处理过程中，团队充分利用提供的数据对路况进行聚类，并利用htcondor加速训练和测试。

图2。基于LSTM的信息抽取模型

清华大学:历史统计平均值

清华大学团队采用了8台Inspiron nf 5280m 4服务器集群，每台服务器都配备了一个额外的nvidia teslap100 gpu加速器。在模型训练和预测之前，数据是平衡的，缺失的值通过周围平均的方法来填充。基于历史统计平均法，将训练结果与多种深度学习模型进行比较，最终采用sae(堆叠式自动编码器)方法，达到理想的预测精度。sae模型的配置如图3所示。

图3。堆叠式自动编码器

乌拉尔联邦大学:独立的空特征提取

乌拉尔联邦大学团队采用了六个Inspur nf5280m4服务器集群，每台服务器都配备了两个nvidia teslak20x gpu加速器。该模型对每条道路采用独立训练神经网络的策略，对每条道路的训练数据提取空之间的特征。图4显示了道路网络交通状况的周期性。该方法具有良好的可扩展性。当添加新道路时，只需要对新道路进行培训，而其他道路不需要再培训。在神经网络模型的选择上，乌拉尔联邦大学的团队也采用了lstm网络。

图4。交通公约中的周期性温柔

香港浸会大学:空时间相关性分析

香港浸会大学团队的计算是基于四个Inspiron nf 5280 M4服务器，每个服务器都配备了两个nvidia teslap100 gpu加速器。该小组从空提取了交通数据信息，并详细分析了交通流状况，显示了时间和空.之间的相关性基于历史平均数据，比较了各种dnn模型和lstm网络模型的优缺点，最终采用三层lstm

人工智能被认为是未来人类十大技术之一。Inspur人工智能与高性能产品部总经理刘军表示，以深度学习为代表的人工智能技术需要更紧密地与实际生产生活相结合，才能更好地改变人们的生活，而人工智能的发展有赖于算法、数据和计算技术的支持。Inspur和亚洲超级计算协会举办asc竞赛，并设立人工智能竞赛，希望更多的年轻人能够更好地了解这项技术，培养更多的相关人才。

人工智能是Inspur智能计算策略的重要支持。Inspur致力于构建多元化硬件平台、管理调度分析平台和深度学习框架的平台组合，实现多源数据的前端承接和智能应用的后端支持，为人工智能提供领先的计算能力。同时，Inspur将进一步推动人工智能人才的培养，asc竞争就是其中之一。

超级计算竞赛官方网站:asc-events/asc17/

Paddlepaddle官方网站:paddlepaddle