Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

杜佳豪编辑

百度地图揭秘疫情出行规律,KDD 2020论文晒出中国「抗疫」经验

新冠肺炎疫情流行成为新常态,国际疫情仍在持续蔓延,我国虽是受疫情严重影响最早的国家,但目前新冠肺炎疫情总体得到控制。在这场战疫中,以百度AI为代表的高新技术不断贡献力量,百度地图作为新一代人工智能地图,在疫情期间先后上线“发热门诊地图”、“疫情小区”专题地图等功能服务,助力疫情防控和复产复工。

防控疫情的多种举措取得显著效果的同时,也给公众出行模式带来改变。近日,百度地图发布《百度地图大数据揭示新冠疫情对公众出行模式的影响》(Understanding the Impact of the COVID-19 Pandemic on Transportation-related Behaviors with Human Mobility Data)论文,通过分析疫情期间的海量出行数据,从公众出行方式、目的地类型等5个不同的角度得出疫情之下的公众出行新模式,并对疫情防控提供出行视角下的有益建议。该论文同时入选数据挖掘顶级会议KDD 2020,向国际分享“中国经验”。

疫情影响公众出行模式、轨迹 疫后经济恢复需对应施策

疫情期间,公共交通、驾车、自行车这三种出行方式的占比存在显著变化。数据显示,2020年前4个月,公共交通的占比降至45%,在疫情较严重的2月,这一占比降到40%,而2018、2019年同期数据显示,公共交通占比均值为54%。同时,采用自行车和驾车出行的占比相对上涨:相比2018和2019同期均值,2020年的前4个月,自行车占比上升了5.25%,而驾车占比上升了3.38%。百度地图大数据认为:疫情期间,可以鼓励公众更多采用自行车出行,并适当考虑临时规划一些自行车车道以方便公众出行,并鼓励错峰出行。

通过对不同出行目的地的到访数据分析,疫情期间的居家隔离政策使得人口密集的居住区成为主要目的地。数据显示,在2020年的前4个月,居住区与交通设施的访达占比有明显分化:其中,访达居住区的占比显著提升至31.25%,而交通设施作为目的地的占比明显下降到19%。此外,2020年的前4个月,医院和药店的访达占比同比有一定幅度的提升;而餐饮店、教育机构等本身存在不同程度人员聚集属性的地点的访达占比则出现了明显萎缩。对此,百度地图大数据提出,对于因疫情而受影响较大的行业,在制定疫后经济恢复政策时可重点关注。

受疫情停工、居家办公的影响,周末不再是唯一的出行时间选择。通过对以周为周期的出行时间进行数据统计,发现疫情期间公众偏好周三周四出行,不再周末“扎堆”出门。数据显示,2018和2019年的前4个月,公众的出行时间分布非常一致,集中在周五与周六。而在2020年的前4个月,公众则偏好周三或者周四进行出行。疫情期间出行高峰的变化,可为疫情防控措施的制定提供参考。

出行距离是人口流动的重要影响因素,出行距离越远越容易给疫情防控带来潜在风险。通过对公众出行距离数据的统计,发现疫情爆发初期,远距离出行占比上升,而随着疫情防控措施的进一步落地执行,远距离出行下降明显。数据显示, 2020年2月与往年同期相比,远距离出行的占比上升明显,大约增加2%。进一步分析发现主要是该月份距离大于30km的出行占比增加所致。而随着疫情防控措施的逐步推出,2020年3月与4月远距离出行的占比出现了显著下降。

OTD模式意为“出发地-出行方式-目的地”模式,疫情期间最显著的变化在于最高频(Top-1)的OTD模式的出发地或者目的地都由交通设施变成了居住区。结合2018年、2019年数据分析,教育机构、酒店等目的地受疫情影响严重,掉出OTD模式TOP-5,取而代之的则是商超、市场和工作地。基于以上数据及防控经验,百度地图大数据认为,需重点关注居住区、商超、市场、医院等场所,并建议在去往这些地点的交通枢纽做好检疫措施。

论文入选KDD 2020 “中国经验”走向世界

论文《百度地图大数据揭示新冠疫情对公众出行模式的影响》通过对百度地图的海量时空大数据进行分析,揭示了新冠疫情对公众出行模式的影响,并得出疫情影响下,公众出行集中在周中、目的地集中在居住区和工作地等特点,通过数据挖掘技术为疫情防控提供数据层面的支持。

这篇论文已通过激烈竞争入选学术顶会KDD 2020 - AI for COVID。ACM SIGKDD国际数据挖掘与知识发现大会(简称 KDD)是世界数据挖掘领域的顶级学术会议,有数据挖掘领域“世界杯”之称,是目前AI领域影响力最广、规模最大的国际顶级会议之一。据悉,本届KDD论文入选率极为严格,Research Track与Applied Data Science Track接收率仅为16.9%和16.0%。除该论文外,百度还有9篇论文成功入选,涵盖智能交通、智能推荐、知识图谱、科学防疫等领域,百度也成为本届KDD全球科技企业中入选论文数量最多的公司之一。

百度作为全球人工智能领域第一梯队的重要技术力量,也在中国AI战疫中贡献突出。疫情爆发期间,百度地图打出了一套抗疫“组合拳”,不仅为居民提供疫情的信息聚合,同时向广大开发者开通疫情专项绿色通道,助力疫情统计、防护、生活保障等相关产品上线。未来,百度将持续分享疫情防控经验,从技术层面帮助更多国家和地区找到解决方案,惠及更多民众,也让AI技术发挥更大价值。

产业KDD 2020百度地图百度KDD
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

百度智能云机构

百度是全球最大的中文搜索引擎,是一家互联网综合信息服务公司,更是全球领先的人工智能平台型公司。2000年1月1日创立于中关村,公司创始人李彦宏拥有“超链分析”技术专利,也使中国成为美国、俄罗斯、和韩国之外,全球仅有的4个拥有搜索引擎核心技术的国家之一。

http://www.baidu.com
推荐文章
暂无评论
暂无评论~