CNET科技資訊網(wǎng) 12月12日 北京消息:進(jìn)入冬季后,北方多地迎來降雪過程。今日,滴滴出行發(fā)布《北方城市雪天出行數(shù)據(jù)分析報告》(以下簡稱《報告》),對全國緯度最高的四個省會城市哈爾濱、長春、沈陽、烏魯木齊的降雪日交通大數(shù)據(jù)進(jìn)行了研究。研究發(fā)現(xiàn),降雪當(dāng)天北方四城的道路平均通行速度均有較大幅度下滑,出現(xiàn)不同程度的擁堵狀況。其中,沈陽最擁堵,烏魯木齊位列第二。這兩個城市同時也是雪天中最難打到車、通勤時間增加最多的兩個城市。
《報告》還給市民提供了一些雪天出行建議。例如,參照當(dāng)?shù)爻鞘性缤砀叻宓木唧w時間,盡量錯峰出行;早晚高峰打車時,避開需求旺盛的區(qū)域;注意繞開易擁堵路段。另外,根據(jù)當(dāng)?shù)馗叻鍝矶卵訒r指數(shù),要注意預(yù)留擁堵時間,如居住在沈陽的乘客雪天早晚高峰出行時要比暢通時段多預(yù)留出80%的時間。
沈陽最擁堵,長春最通暢
《報告》選取了烏魯木齊10月19日(雨夾雪)、長春11月8日(中雪)、哈爾濱11月11日(中雪)、沈陽12月08日(大雪)的訂單數(shù)據(jù),以評估和量化雪天給北方城市出行方面帶來的影響。
《報告》發(fā)現(xiàn),雪天會導(dǎo)致城市車速較平時出現(xiàn)不同程度下降,降幅較顯著。其中,沈陽全天平均車速下降幅度最大,達(dá)10.8%,烏魯木齊位居第二,降幅達(dá)10.1%。盡管車速較正常天氣降幅較大,下雪后,烏魯木齊的全天平均車速仍然最高,達(dá)19.6KM/H,長春和哈爾濱次之,沈陽全天平均車速最低,只有15.7KM/H,大約只相當(dāng)于一輛中速行進(jìn)的自行車的速度。
下雪天,最擁堵的城市是沈陽,擁堵延時指數(shù)達(dá)1.8,意味著在早晚高峰期時段單位里程通行時間是暢通時段的1.8倍。烏魯木齊擁堵延時指數(shù)達(dá)1.7,位列第二;哈爾濱為1.6,位居第三;而長春只有1.3,是最暢通的城市。
在上述城市中,沈陽最擁堵的地段是南京北街、十三維路、昆山中路;烏魯木齊最擁堵的地段是北京南路、河灘北路、人民路;哈爾濱最擁堵的地段是河潤街、宣化街、友誼路;長春最擁堵的地段是亞泰大街、繁榮路、南環(huán)城路。
烏魯木齊雪天打車最難
《報告》顯示,因為雪天市民打車需求量大幅上升,會導(dǎo)致打車比平日更難的現(xiàn)象產(chǎn)生。其中,烏魯木齊打車成功率降幅最大,同比下降21.1%,沈陽下降14.8%,是打車明顯比平日更困難的兩個城市。而雪天對哈爾濱和長春的打車成功率影響較小,兩地打車成功率只分別下降3.6%和1.2%。
在下雪天,烏魯木齊打車需求最旺盛的區(qū)域是烏魯木齊國際博覽中心附近,沈陽是沈陽北站到金融中心一帶,哈爾濱是哈爾濱火車站附近,長春則在長春開發(fā)區(qū)國稅局附近。
雪天還導(dǎo)致了乘客的通勤時間增加?!秷蟾妗钒l(fā)現(xiàn),沈陽通勤時間增加最多,平均增加16.4分鐘,烏魯木齊增加15.6分鐘,哈爾濱增加了14.4分鐘,長春增加最少,只有11.2分鐘。
《報告》還公布了一個在雪天出行的有趣訂單:一位80后男性房地產(chǎn)/建筑從業(yè)者,從長春龍嘉國際機(jī)場到吉林市中心醫(yī)院打車,跋涉距離長達(dá)84.1公里,堪稱雪天出行之最。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強(qiáng)于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。