谷歌“阿尔法狗”这个科技网红，除了下围棋之外还会干嘛?ofo小黄车的回答是，还能够在一定程度上帮助小黄车实现智能调度。

  ofo在AI系统中，应用了与“阿尔法狗”相同的方法卷积神经网络预测用户出行需求。同时，ofo还运用谷歌TensorFlowAI系统，使预测结果更精确。这是共享自行车行业首次将AI图像处理技术应用于智能运营中，标志着共享自行车进入以AI为基础、以物联网为载体的运营新阶段。

  2016年，谷歌人工智能程序AlphaGo在围棋赛中，击败了世界围棋冠军李世乭。2017年，AlphaGo在中国乌镇举行的世界互联网大会上，击败现世界围棋排名第一的柯洁。AlphaGo的出现，让更多的人体会到人工智能技术为世界带来的改变。而AlphaGo的基础正是卷积神经网络。

  卷积神经网络主要使用在于图像识别领域。卷积是提取相关性特征的方法，神经网络是预测需求的模型结构。作为共享自行车的原创者和领骑者，ofo为全球120座城市上亿用户更好的提供了超10亿次出行服务，已成为全世界最大的共享自行车平台，拥有共享单车行业最庞大的出行数据。随着出行数据增多，ofo对用户出行需求的预测都会越来越准确。

  在应用层面，ofo将车辆调度问题归为有约束的供需差最小化，也就是结合当前时间、地点、单车数量等因素，使单车供给最大限度接近客户的真实需求。ofo将智能锁返回的定位信息形成热力图，并记录热力图的关键帧图像变化，将图像抽象为网格像素，利用卷积神经网络，对像素内的颜色变化进行相关性特征提取，简单的理解就是将各个关键时间点的热力图记录下来，把图像划分为均匀分布的网格，将像素颜色的变化作为用户骑行需求的变化，并进行相关性特征提取。

  如上图所示，北京西北部上地、西二旗、中关村地区是骑行需求最多的地区，其次是望京、国贸等地。单纯从图像上来看，很难判断中关村地区和国贸地区骑行需求的联系。ofo可通过卷积神经网络，通过算法的深入，提取这两个地区的相关性特征。

  卷积的过程能想象成，有人拿着玻璃镜片，扫过如上所示网格图像的过程，可以当镜片大小是3*3网格时，可提取上地与西二旗地区骑行需求相关性特征。当镜片大小扩大到17*17网格时，上地、西二旗与国贸之间骑行需求相关性的特征就被提取了。随着卷积镜片范围的扩大，所需的算法和计算能力会慢慢的复杂。目前，ofo的卷积神经网络层次可达30层，算法水平位列行业第一。

  共享单车有着非常明显的潮汐效应，且骑行需求受天气等因素影响，ofo利用卷积神经网络，提取不同时段同一区域或者同一时段不一样的区域的图像相关性特征，以精准预测下一个时段某一区域内会出现的需求数，从而为运营调度提供更好的决策，实现智能运营。

  将卷积神经网络和谷歌TensorFlowAI系统应用于共享自行车，是ofo引领的又一次行业创新，ofo正在形成以AI为基础，以物联网为载体的生态闭环。