作为我们工作的一部分，帮助自行车和自行车行业进入聪明，有关和共同移动性的世界，我们正在与在这种新的移动性中设置基调的Visionaries和领导者。我们将邀请其中一些人在未来几个月与ECF.com分享他们的思想和愿景。

米甲Jakob是创始人和首席执行官um这是一家总部位于布拉格的高科技公司，致力于开发智能和可持续移动的创新产品。感性的旗舰产品UrbanCyclers利用大数据和人工智能技术为骑自行车的人提供建议，让他们在城市里骑得更好。

找到好的自行车路线是很困难的

大自行车数据有助于帮助

幸运的是，正在进行的数据循环和连接革命开始了大大提高自行车航行质量的新机会系统。循环GPS痕迹，众包骑车者反馈以及各种自行车传感器的读数提供了一种非常丰富的数据源，可补充地图和高程数据，这是传统自行车导航系统的基础。在下文中，我们指的是这样的数据类型行为数据强调它们是由骑自行车者的活动直接或间接产生的事实。

在行为数据能够用于导航之前，它们需要经过涉及应用程序的几个处理阶段地理信息融合和机器学习技术．对原始行为数据进行清理、标准化、合并，最后提炼为可采取行动的信息。这种处理的结果，一个数据驱动的循环行为模型，捕捉骑自行车者的表现方式在现实世界中，在他们骑行的方式，何处和何时。

行为循环模型的关键优势在于它捕获了影响骑车者决策的各种软因素。骑自行车的人可以是尽管两条路线具有相同的物理性质，但仍然更喜欢特定路线。在这种情况下，单独的非行为地图和高度数据不足区分路线。传统的自行车导航引擎依赖于非行为数据不能在这种情况下提供正确的路线建议。

大数据需要智能算法

路由引擎设法结合行为数据，建议的路线，更好地反映了骑自行车的人真正想去的地方。这些引擎所建议的路线感觉像是由当地一位知识渊博的骑行专家推荐的，而不是由电脑计算出来的。

然而，循环导航中正确利用行为数据是不直接的。挑战源于在路线搜索期间需要与众多其他路线选择因素一起考虑行为数据的事实。

很遗憾，传统的自行车导航系统通常使用最初为汽车导航开发的路线搜索算法．

汽车导航算法的问题是它们已经设计为仅考虑时间和距离作为其路由优化标准，并且它们可以适应仅考虑额外的因素是有限的。

为了充分利用行为数据的潜力，因此需要现代多标准优化算法．这类算法在计算上要求更高，但在路径优化过程中如何联合考虑多种路径因素方面更为强大和灵活。不幸的是，多准则优化算法在实践中也很难有效地实现，因此到目前为止在实际应用中只是零星地使用。

新一代自行车导航系统问世了

然而，当正确实施并与行为自行车模型相结合时，多标准路由算法使自行车导航的传统方法在定性上迈出了重要的一步。考虑到其丰富的数据驱动模型和高级处理的组合，多准则优化算法与行为模型可以考虑第一个基于人工智能的自行车导航系统．

这些人工智能自行车导航的优势在于，它可以超越优化距离、能量速度等简单的数学标准。相反，人工智能骑行导航可以像骑自行车的人一样“思考”推荐路线，优化传统的难以捉摸的，多方面的骑行体验．由于潜在的人工智能的灵活性，路线的概念的经验，因此建议的路线可以很容易地个性化，为特定的骑自行车者或特定的环境，如天气。

利用之前多年的学术研究，UrbanCyclers是第一个应用程序实现AI自行车导航的应用程序，利用真实产品中的多标准路由算法和行为循环模型．城市自行车的导航功能目前在布拉格、柏林、伦敦和米兰都可以使用。早期用户的反应非常积极，因此我们已经计划扩大应用的覆盖范围，让世界各地的自行车手都能使用人工智能自行车导航。我们预计，在未来，利用大行为数据和多标准算法的人工智能导航技术将成为各种自行车导航应用和设备的标准。

如果您想了解更多关于所有这些并与Michal会面，注册为我们的Eurobike的关联骑自行车者会议！