作为我们帮助自行车和自行车行业进入智能、互联和共享移动世界的工作的一部分，我们正在与有远见的人和领导者合作，他们正在为这一新的移动领域定下基调。我们将邀请他们中的一些人在未来几个月与ECF.com分享他们的想法和愿景。

Michal Jakob.是运动的是一家位于布拉格的高科技公司开发创新产品，可实现聪明和可持续的流动性。Umotional的旗舰产品urbancyclers.使用大数据和人工智能技术来建议骑自行车者如何最好地骑自行车在城市周围。

找到伟大的骑自行车线很难

大自行车数据有助于帮助

幸运的是，正在进行的循环数据和连接革命开始了显著提高自行车导航质量的新机遇系统。自行车GPS跟踪、众包自行车反馈以及各种车载传感器的读数提供了非常丰富的数据源，补充了传统自行车导航系统的基础地图和高程数据。在下面，我们将这些类型的数据称为行为数据强调它们是直接或间接生成的事实 - 通过骑自行车的活动。

在行为数据可以利用导航之前，他们需要经过几个处理涉及应用的处理阶段地理信息融合与机器学习技术。将原始行为数据清洗，标准化，合并，并最终蒸馏到可操作的信息。这种处理的结果，数据驱动的循环行为模型，捕捉骑车人的行为在现实世界中，在他们骑行的方式，何处和何时。

行为自行车模型的一个主要优点是，它捕捉到了影响骑车人决策的各种软因素。例如，尽管两条路线具有相同的物理特性，但骑自行车的人可能更喜欢一条路线而不是另一条路线。在这种情况下，仅凭非行为地图和高程数据是不够的区分路线。传统的自行车导航引擎仅仅依赖于非行为数据，在这种情况下无法提供正确的路线建议。

大数据需要智能算法

路由引擎，用于合并行为数据建议路线更好地反映骑自行车的人真正想去的地方。这种发动机建议的路线觉得他们是由知识渊博的本地人类自行车专家建议的，而不是由计算机计算。

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，它们被设计为仅考虑时间和距离作为它们的路线优化准则，并且它们可以适于仅考虑有限程度的附加因素。

为了充分利用行为数据的潜力，因此需要现代多准则优化算法. 这样的算法在计算上要求更高，但在路由优化过程中如何联合考虑多种路由因素方面更强大和灵活。不幸的是，多准则优化算法在实际应用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就在这里

然而，当正确实施并与行为循环模型结合使用时，多标准路由算法使得具有传统的自行车导航方法的主要定性步骤。鉴于它们的丰富数据驱动模型和高级处理的结合，可以考虑具有行为模型的多标准优化算法基于人工智能的自行车导航系统第一例。

这些AI循环导航的优势是它可以超出优化诸如距离，能量速度的简单数学标准之外。相反，AI循环导航可以“认为”作为骑自行车者推荐优化传统难以捉摸的多方面骑自行车体验的路线。由于底层AI的灵活性，路由经验的概念，因此建议的路线可以很容易地为特定骑自行车的人而个人化，或者定制到特定上下文，例如天气。

利用以前的学术研究，urbancyclers.是第一个应用程序实现人工智能自行车导航利用多准则路由算法和行为自行车模型在一个真实的产品. 城市自行车的导航功能目前在布拉格、柏林、伦敦和米兰都有。早期用户的反应绝大多数是积极的，因此我们已经计划扩大应用程序的覆盖面，并使人工智能自行车导航提供给世界各地的自行车爱好者。我们预计，在未来，利用大行为数据和多准则算法的人工智能导航技术将成为各种自行车导航应用程序和设备的标准。

如果你想知道更多关于这一切的情况，并与迈克尔会面，登记对于我们的欧洲自行车协会自行车爱好者会议！！