Assoc Varakantham 副教授

人工智能和机器学习技术在交通和安全领域中的应用越来越广泛。在一系列论文中，新加坡管理大学副教授 Pradeep Varakantham 和其他研究人员提出了基于 AI 的解决方案，旨在提高对入境口岸的旅客进行筛查的效率，并优化按需乘车集合和匹配服务，以适用于运输服务提供商 美国斯坦福大学人工智能（AI）全球高管领导力计划 课程。

更有效地筛查处理

在许多机场，海港和其他入境口岸，对潜在威胁进行大规模筛查的能力是一个棘手问题。在端口使用称为 Threat Screening Game（TSG）的模型来尝试解决此问题。

“由于没有足够的时间来检查每位乘客及其行李，因此在有限的时间内，TSG 研究了可以使用哪些筛查资源来筛查不同航班上的人员的问题，从而最大程度地降低了错过威胁的风险，” Assoc Varakantham 教授说。

现有方法建议对一个小时内到达的所有乘客适用。但是所存在的问题是有些乘客会突然到达机场，并不受固定时间窗口的限制。为了解决这个问题，Assoc Varakantham 副教授与新加坡管理大学信息系统学院（SMU SIS）以及哈佛大学计算与社会研究中心的团队成员一起，提出了一项针对早期用户筛选的策略，这意味着已经对起飞前，对某次航班上的所有高威胁乘客进行了筛查，低威胁乘客在到达目的地机场后才会被筛查。

由于采用了这种新方法，我们减少了乘客的等待时间，也减少了增加威胁的风险。而且，与以前的筛选方法不同，我们的方法可以实时使用，起到真正的效果。”他说。

按照需求搭乘

像 GrabShare 这样的按需拼车服务已经变得越来越流行，因为它具有降低乘客成本，增加司机收入的优势。为了确保近乎即时的响应，现有的拼车解决方案旨在最大化的服务乘客，增加客户数量。

“由于时间紧迫，现有方法会将最近的乘客分配到最近的出租车，而不考虑分配是否会导致同一辆出租车上吸引更多的顾客，”Assoc Varakantham 副教授说，“例如，有顾客希望从市中心去 Tuas，那么这位顾客很可能会被分配到最近的车辆，在分配过程中并不会考虑还会有乘客对 Tuas 感兴趣。”

然而，考虑到未来任务的影响，在优化拼车计划时又增加了一层复杂性。来自 SMU SIS 的副教授 Varakantham 和他的团队提议使用一种新的机器学习方法的组合来计算和匹配当前的需求和当前的供应，同时计划可以在汇总过程中获取的潜在未来需求。

建议使用一种新颖的机器学习方法组合来计算当前需求，并将其与当前供应相匹配，同时计划可以在汇总过程中获取潜在未来需求。他表示：“我们的研究表明，我们的方法在现实数据库上的按需拼车服务表现，轻松超过领先的同类方法多达16%。这也可以提高聚合公司和单个司机的收入。”

在线匹配乘车服务

在共享乘车和交付服务中，服务与客户的在线匹配存在类似的问题。在这种情况下，在一轮中对客户的服务匹配直接影响下一轮中对客户的服务匹配。例如，第二轮匹配中的出租车只能在第一轮匹配中接载接近顾客下车点的顾客。

“与拼车类似，现有的匹配方法仅将供应与当前请求匹配。尽管这些方法能够达到大约60%的最佳效果，但已经在显著改善过程中。” Varakantham 教授说。

由 SMU SIS 和麻省理工学院电气工程与计算机科学系的成员们所组成的团队所提出的解决方案，既考虑了未来的潜在需求，又同时满足了在当前时间点匹配共享运输和交付服务的供求。

“根据新加坡所有出租车司机的实时数据，我们在一群出租车司机中进行了试点测试，与没有任何指导的司机相比提高了28%。”Varakantham 教授说。

关于人工智能的讨论从未停止，人工智能的出现也改变了诸多现实社会，欢迎同学们在后台留言探讨关于人工智能的话题。