高德今天正式发布《2014年第三季度中国主要城市交通分析报告》。报告显示:三季度,全国重点城市拥堵排名北京居首,其它依次为杭州、上海、福州、大连、济南、沈阳、温州、广州、郑州。同时针对广泛受到关注的单双号限行问题,高德也发布数据称APEC期间单双号限行使城市高峰期拥堵延时指数下降38%,拥堵状况大幅缓解。
拥堵北京居首,大连新上榜
高德交通报告显示:三季度,北京拥堵排名全国第一,全天拥堵延时指数1.74,高峰期拥堵延时指数达到 2.12,意味着北京采用私家车出行的上班族需花费在非拥堵状态下 2.12 倍的时间才能到达目的地,拥堵时间成本全国最高。9月开学季影响加上雾霾、下雨天气多发,可能是导致北京本季度成为首堵城市的原因。
同时,上季度拥堵榜首上海因本季拥堵延时指数略微下降,拥堵排名降至第三位。而本季拥堵城市TOP10 排名新入榜大连、温州、郑州三个城市。其中大连、温州拥堵排名超越特大城市广州,大连进入前5,在通勤高峰期严重拥堵。二线城市交通拥堵状况不容小觑,大有赶超一线城市的趋势。
大数据探究单双号限行是否可行
报告特别针对APEC期间北京实行单双号限行给城市路况造成的影响作出分析,报告显示:APEC期间北京实行单双号限行政策使城市高峰期拥堵延时指数下降38%,车速由原22.00公里/小时提升到35.05公里/小时,拥堵状况大幅缓解,全程路网基本畅通,城市高峰期平均车速提升60%。 除了天空“APEC蓝”,城市路网亦呈现“APEC绿”的特色。
APEC之后,北京酝酿单双号限行常态化,据人民网发起的网络投票,54.9%的网民投票赞成,44.1%的网民投票反对。而高德交通报告则通过大数据进一步为论证单双号限行政策是否可行提供了及时、客观的数据参考。据了解,高德交通报告以互联网众包思路采集数据,将3亿+高德地图导航用户作为数据蓝本,以浮动车数据为佐证,专注对城市拥堵评价、拥堵成因及解决对策的研究,为公众提供躲避拥堵出行建议,助力政府治堵决策。参考交通报告,各方论证单双号限行政策可行性时可以更加理性。
报告新突破:首套治堵方案出炉
高德交通报告的各项指数显示有助于提升道路交通信息的透明度,但仅呈现问题对缓解交通拥堵收效甚微,市民需要的是真正能够指导他们躲避拥堵的方法。在三季度的交通报告中,高德联合清华大学-戴姆勒可持续交通研究中心,选取重点城市季度常发拥堵路段开展拥堵成因和传播机理的深度剖析,并为治堵政策改进提供思路和依据。如通过研究发现,超过90%的常发性拥堵主要发生在大量车流汇入的快速路入口,城市建设时可以优先考虑设置较长的缓冲带,避免因汇入车流与主路车流冲突而造成的拥堵;在关键出入口设置车流诱导;在违法停车造成拥堵的路段(如小学路口),增加人力进行交通引导,疏通道路;在商圈附近增加车位等措施,从城市路网建设的源头改善交通压力。
(注:Cube图用于展现长时间内车辆平均速度的时空分布。每一单元cube表示一天中某5分钟内车辆位于道路上某一位置的平均速度)
高德副总裁董振宁表示:目前高德地图的实时交通信息服务已覆盖全国114个城市,用户打开高德地图,即可实时查看路况信息,并可通过选择“躲避拥堵”功能实现智能避堵的路线规划,提高出行效率。据了解,国内的实时交通信息渗透率仅为5%,而国外众多发达城市实时交通信息渗透率已高达70%-80%,高德地图实时交通信息服务及高德交通报告的发布,都为城市智能交通的建设提供了新思路。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。