AI演算法模型於交通運輸市場應用
科技產業資訊室 (iKnow) - 何思穎、張小玫 發表於 2020年4月28日
由於大眾對汽車及駕駛員安全、運輸成本降低以及自駕車發展的關注度日益提升，導致人工智慧（AI）在運輸市場中快速成長。2017年市場價值為14億美元，預計到2023年將達35億美元，2018-2023年的複合年均成長率（CAGR）為16.5%。AI在運輸業中涉及電腦視覺（computer vision）、深度學習（deep learning）和自然語言處理（natural language processing）。
AI系統將會嵌入攝影機、雷達偵測（RADAR）感測器以及光達（LiDAR）等硬體設備，進而安裝在測試中的全自動駕駛車內，包括AI應用程式分為：人機界面（HMI）和先進駕駛輔助系統（ADAS）。AI產品分為軟體和硬體。2013-2017年以軟體主導了市場且預計2018-2023年期間也將持續主導地位，這要歸因於HMI應用程式中，軟體作為平台部署的情形成長，譬如Microsoft Azure。
交通運輸之AI演算法模型，如下：
類神經網路（ANNs）
說明：類人腦之神經網路，透過先前的經驗和變化權重的資料點（data point）來做出決策。類神經網路可以透過處理大量資料解決複雜的問題，檢測非線性關係。
用途：部份較複雜的全球定位系統（GPS）透過GPS、加速儀（accelerometer）和磁量計（magnetometer）搜集資料，利用類神經網路來決定運輸模式。類似於人類透過多個資料點的考量來「感受」距離。此外，在公共場合中應用類神經網路模型可以幫助預測公車抵達公車站的時間。
類免疫系統（AIS）
說明：該演算法的靈感來自於人類生物學，特別是人體如何對又稱為抗原的致病原（disease-causing agent）做出反應。AIS模擬了人體免疫系統的特徵抽取（feature extraction）、圖形辨識（pattern recognition）、學習和記憶。
用途：AIS在圖形辨識、異常檢測（anomaly detection）、分群（clustering）、最佳化（optimization）、規劃（planning）和排程（scheduling）。工程師利用AIS創建了即時調整支援系統，以在網路受到干擾時，幫助公共運輸網路找到解決方案。
模糊邏輯模型（Fuzzy Logic Model）
說明：模擬人類的決策制訂而來的，模糊邏輯指定資料於0到1之間的數值以展現不確定性。該系統已經使用了30多年，最適用於條件模糊且每個動作的結果都是未知的情況。
用途：模糊邏輯具有模擬曖昧且不明確的交通及運輸規劃問題的潛力，同時具備交通控制應用程式，因為模糊邏輯可以在十字路口發出時間訊號，決定汽車應該停留的時間長度。
蟻群最佳化演算法（ACO）
說明：該演算法模擬了蟻群的行為，就是螞蟻根據自己選擇較短路徑以及其他路徑的螞蟻透過費洛蒙分享經驗的選擇方式。該機制幫助螞蟻在兩點之間找尋最快路線。在電腦科學中，這個問題也被稱為旅行推銷員問題（Traveling Salesman Problem），其中一個推銷員必須拜訪X個城鎮，然後以最小的成本回到起點。
用途：蟻群演算法可以用於選擇更好的公共交通巴士路徑，也可以用於沿途接客的共乘平台，如：Uber Pool。
蜂群最佳化演算法（BCO）
說明：與ACO相似，該算法以蜜蜂的集體覓食運動為例，體現了有組織的團隊工作、協作和緊密溝通。蜜蜂在蜂巢內的運動幫助科學家最佳化汽車的移動。
用途：蜂群演算法可以用於最佳化旅行路徑，減少通勤時間、等待次數、延遲以及空氣／噪音汙染。如：AirB&B
企業合資及併購活動方面，大型汽車OEM製造商正收購具技術取向的新創產業，並且從自動駕駛卡車及其他商業用車輛切入市場。譬如，特斯拉於2017年11月推出具有半自動功能的電動卡車（semi-truck）。此外，nuTonomy Inc.、TuSimple Inc.和Nauto Inc.等新創企業也正著手製造配有自動駕駛系統的商用車和客車。因此，製造商跨業整合會越來越多及著重安全性考量的自駕車技術，正在擴展市場的進步。
附圖：圖、AI演算法模型於交通運輸市場應用
圖、AI在全球運輸市場中價值成長
資料來源：https://iknow.stpi.narl.org.tw/Post/Read.aspx?PostID=16578
