位置智能离我们有多远?

关于位置的问题

alt Image Django Plans the Heist by Cooper Hewitt

李嘉诚曾经下过一个著名的论断:决定房地产价值的因素,第一是地段,第二是地段,第三还是地段。尽管这句话有点武断,但是可以看出位置对于房地产的重要作用。

其实选址在人文地理学中有着深入的研究。著名的区位论理论揭示了农业、工业、商业等人类活动的选址规律,其中一些比较经典的区位论有:杜能的农业区位论、韦伯的工业区位论、克里斯泰勒的中心地理论和廖什的市场区位论,等等。然而在实际应用中,由于影响区位论的因素十分多,包括土壤、地形、气候、矿产资源等自然因素,以及市场、交通、政策、技术等社会经济因素,而不同的因素又在不断地动态发展之中,需要决策者因地制宜地选取适当的影响因素。

在实际生活中,位置不仅仅在选址问题中扮演着重要的作用,越来越多的基于位置的分析、预测已经成为了迫切的需求。比如,商家预测某区域的潜在会员数、出租车公司预测某地的乘车需求、开车的人希望知道未来某个时刻某段路的拥挤程度等等。

随着地理大数据和机器学习的发展,现在我们正逐渐揭开这些问题的神秘面纱。

关于位置的大数据:地理大数据

巧妇难为无米之炊,地理大数据是我们解决这些问题的坚实支撑。我们知道,现实世界中的因果关系是十分复杂的,但是大数据为我们提供了望闻问切所需要的所有基因。借助地理大数据,我们可以对某个区域进行刻画,包括上文提到的自然环境,社会经济等方面。如果我们对某个区域上的各类数据掌握得足够多,那么我们就可以用这些数据来解释区域上发生的事情以及寻找区域上不同事物之间的联系等等。

和其它大数据不同,地理大数据有如下特点:

  • 地理大数据包含经纬度(坐标)信息

  • 地理大数据包含分辨率问题,同一个数据有多种尺度下的不同表达

  • 地理大数据的来源十分多样,包含矢量和栅格数据

  • 地理大数据的可视化需要地图平台作为支撑

极海虽然是一个初创公司,但是在地理数据的搜集、处理、转换、分析、多尺度融合、制图平台以及可视化这些方面有着很深厚的积累,而这些优势也使我们进一步对基于地理大数据的挖掘、学习、预测起了很好的支撑作用。

基于位置的深度学习框架

有了地理大数据,如何挖掘出海量的地理大数据中的规律,为智能的分析和预测服务?传统的分析预测手段大多需要因地制宜,具有很大的主观性,并且无法高效地处理海量的数据。在极海,我们把地理领域的积累和机器学习相结合,搭建了一个通用的训练和预测框架,使得我们可以结合多源的海量地理数据,进行各种基于位置的智能预测。

这个通用的基于位置的深度学习框架有如下特点:

  • 纳入平台上万种类TB级数据作为训练源

  • 完全基于GPU训练,使得处理海量的数据和样本成为可能

  • 针对关于位置的问题定制的深度模型,与传统手段相比精度有了很大的提高

  • 极大地自动化,尽可能减少人的主观介入

位置智能离我们并不遥远

在不久的未来,可以想象,我们可以从上万种类的数据中挖掘出和我们关心的指标强相关的数据类别,并通过这些数据来进行预测。而这一切,都是自动进行的。

当我们为位置插上大数据的翅膀,嵌入深度学习的芯片,位置智能的未来正朝我们缓缓走来!

Atlas

To see what can we bring to the world.