编译/房晓楠

Uber是如何用循环神经网络（RNN）预测极端事件的？

编译/房晓楠

无人驾驶无疑是近两年来，人工智能领域最炙手可热的研究方向之一。对于无人驾驶的安全性来说，极端事件的预测能力起到了很大的作用。在无人驾驶领域，Uber一直是忠实的支持者。本文编译自Uber Engineering，作者是N IKOLAY LAPTEV、SLAWEK SMYL、SANTHOSH SHANMUGAM。我们来看看，Uber是如何利用循环神经网络进行极端事件预测的。

在Uber系统内，事件预测使我们能够根据预期用户需求来提高我们的服务质量。最终目标是准确地预测出在预定的时间内Uber将会在何处，何时以及收到多少次的乘车请求。

一般来说，极端事件——诸如假期、音乐会、恶劣天气和体育赛事等高峰旅行时间，只会提高工作规划预测的重要性。在极端事件期间计算需求时间序列预测（demand time series forecasting）是异常检测（anomaly detection）、最优资源分配（optimal resource allocation）和预算的关键组成部分。

但不可忽略的一个事实是，虽然极端事件预测在Uber操作中占有举足轻重的作用，但数据稀疏性使得准确的预测具有很大的挑战性。元旦之夜（NYE）是Uber最繁忙的日子之一。可是我们只有少数几次元旦之夜的数据可以借鉴参考，而且每个实例可能有不同的用户群组。除了历史数据，极端事件预测还取决于许多外部因素，包括天气、人口增长和诸如驾驶员激励措施这样的市场营销的变化。

在现实生活中，在标准R预测包中发现的经典时间序列模型，通常和机器学习方法组合在一起，从而用于特殊事件的预测，然而，这些方法对于Uber来说，既不灵活也不可扩展。……