2018中国IT生态大会于2018年7月26日在北京中关村软件园召开,本届中国IT生态大会以“技术驱动生态创新”为主题展开,邀请中国IT生态系统的顶级专家和各种企业生态角色共议新技术变革下的生态创新与变革。
在本次会议中睿至大数据凭借自身在交通领域的丰富经验和技术实力,荣获“2018中国十佳交通行业ISV”奖项。
睿至大数据除了受邀领取“2018中国十佳交通行业ISV”奖项外,也通过展台向与会者展示了公司产品及解决方案,并吸引多家企业前来交流咨询。
从上世纪90年代开始,美国政府认识到以小汽车为主导的交通发展模式不可持续,以1991年出台的“冰茶法案”为标志,开始向以公交导向的交通模式转变。
2011年,交通运输部下发《关于开展公交都市建设示范工程有关事项的通知》(交运发〔2011〕635号),正式启动了公交都市创建工程。开展公交都市建设示范工程,是贯彻落实公共交通优先发展战略,调控和引导交通需求,缓解城市交通拥堵和资源环境压力,推进新时期中国城市公共交通又好又快发展的重大举措,意义重大,影响深远。
通过公交都市战略实施,目标是全面提升城市公交的保障能力、持续推动公交引领城市发展能力、加快提升城市公交服务品质、推动城市交通节能减排、发挥城市公交的带动引领作用。
因此在过去几年,睿至大数据一直利用自身创新的大数据解决方案帮助全国各地的公共交通系统运营管理部门和城市管理部门优化城市公共交通系统,并就此得到了来自一线的经验。
睿至公交大数据解决方案是以城市公交公司以及其领导部门为主用户群,以城市全局公交交通统筹规划、优化线网建设、提升管控力、提升服务满意度为核心目标, 通过对公交多源数据的融合和深度挖掘,结合大数据与AI技术, 为客流的分析与预测,线网的优化与调整,运力的调控以及营运组织提供及时、准确、科学的依据和参考,以提高公共交通网络适应客流变化的能力和公交服务水平。
通过睿至交通大数据平台,可以帮助客户实现:运力调优支撑
基于公交车辆运行监测和线路客流特征和需求,自动评估公交运力是否匹配,通过机器学习,智能生成公交排班计划,实现运力与出行需求的动态平衡;
不断提升基于数据做决策的水平,开展全局“精准化”运营管理。从而降低公交出行时长,提升乘客满意度;提高公交企业运营效率,降低运营成本;减少道路拥堵,促进节能减排。
线网优化辅助
基于公交线网整体定量评估体系,利用大数据与AI技术手段,挖掘客流迁徙特征和出行特征,从多维度筛选和查找不利于发展需求的公交线路集,结合城市发展目标和需求进行针对性调整和匹配;
实现线网动态优化,并可支持研究机构和技术人员进行全市的线网优化。全面提升乘客出行体验和出行效率,引导支撑和协同城市发展目标。
智能预测预警
基于公交大数据历史数据和实时监测,实现公交客流预测和车辆到站预测。在公交运行监测的基础上,通过人工智能算法实现对线网的交通指数、运行速度、客流波动、满载率波动等异动甄别;
用以快速智能预警公交线网在运营过程中可能存在的服务盲点、服务低效、乘车拥挤等情况,针对性的快速改善消除,保障城市公交服务水平的稳定均衡提升。
除了自身在公共交通大数据领域的技术研发与创新,睿至大数据同时积极开展“院企合作”实践“产学共赢”,布局交通大数据的实践应用对于睿至大数据未来在交通大数据领域的发展,睿至大数据CTO兰健认为:长期深耕行业、依托行业让睿至大数据在行业数据源和跨行业数据源整合方面具有先天优势,这在睿至大数据与北京公交、沈阳公交的合作上已经得到了体现。(在许多实际项目中)睿至大数据通过技术手段,对数据做对接和交互产生了非常好的效果。
未来,睿至大数据将进一步面向公共交通,特别是轨道交通行业(包括(高速)铁路、城市轨道交通(地铁、城铁)),开展结合行业需求、应用特点的面向社会服务的大数据应用研究和实践,帮助中国城市交通建立完善的大数据平台。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。