1.3.2　深度学习与人工智能（AI）

如果说5G技术带来的是数据传输能力的提升，那么AI技术带来的就是数据计算与认知能力的突破。基于深度学习的AI技术主要包含自然语言处理、语音识别、计算机视觉、机器人、生物识别、知识图谱等领域[3]。人工智能技术与交通领域的融合应用，是对交通信息认知速度与认知能力的有效提升，同时通过自主学习，在一定程度上实现系统的自适应调节与反馈。人工智能技术的应用是实现交通系统智慧化、自动化与自主化的重要途径。

自2006年以来，深度学习在学术界持续升温。2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院。自2011年以来，微软研究院和谷歌的语音识别研究人员先后采用DNN技术降低语音识别错误率20%～30%，是语音识别领域10多年来最大的突破性进展。2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15%。深度学习带来了机器学习的一个新浪潮，受到从学术界到工业界的广泛重视，也推动了“大数据＋深度模型”时代的来临。在应用方面，深度学习使语音图像的智能识别和理解取得惊人进展，从而推动人工智能和人机交互大踏步前进。

（1）计算机视觉。计算机视觉技术能够自动化提取图像、视频等数据中的有效信息，并将有效信息及时反馈给用户，达到实时采集、实时应用的目的。计算机视觉技术在交通领域的众多场景中具有重要应用，例如基于视频的交通流监测、交通监控违法违章非现场执法、停车收费与监测、驾驶员状态监测与预警等，它可以实现不同场景自动化处理能力的提升。此外，计算机视觉技术也是自动驾驶领域的重要技术环节，通过自动识别路况信息为车辆自动驾驶提供支撑。

（2）自然语言处理。自然语言处理主要应用于机器翻译、信息检索、自动问答、情感分析、自动文本摘要、社会计算和信息抽取等方面。在交通领域，海量信息都是非格式化文本，如交通广播事故、事件数据，交通报警数据等，自然语言处理技术的应用极大提升了非格式化语言数据的处理能力与处理效率，提高了信息认知能力。

（3）语音识别。语音识别技术主要应用于车联网与智能车辆系统中，实现人车无障碍语音交互。该技术在交通领域已经有初步的应用实例：在翼卡车联网中，只需在按“一键通”后向客服人员口述即可设置目的地直接导航；百度借助自己的人工智能生态平台，推出了智能行车助手CoDriver；科大讯飞与奇瑞等汽车制造商合作，推出了飞鱼汽车助理，推进车联网进程；搜狗与四维图新合作推出了飞歌导航；云知声、思必驰在导航、平视显示器等车载应用方面推出了多款智能语控车载产品；出门问问则基于自己的问问魔镜进入智能车载市场。

（4）知识图谱。知识图谱是一张揭示事物内部关联关系的知识网络，主要应用于交通大数据处理与认知中，实现不同维度交通数据的交叉关联体系构建，进而提升交通系统的认知与决策能力。