ofo在人工智能系統中，應用了與“阿爾法狗”相同的方法——卷積神經網絡——預測用戶出行需求。同時，ofo還運用谷歌TensorFlow人工智能系統，使預測結果更精確。這是共享單車行業首次將人工智能圖像處理技術應用于智能運營中，標志著共享單車進入以人工智能為基礎、以物聯網為載體的運營新階段。

　　ofo小黃車實時騎行軌跡

　　卷積神經網絡主要應用于圖像識別領域。卷積是提取相關性特征的方法，神經網絡是預測需求的模型結構。作為共享單車的原創者和領騎者，ofo為全球120座城市上億用戶提供了超10億次出行服務，已成為全球最大的共享單車平臺，擁有共享單車行業最龐大的出行數據。隨著出行數據增多，ofo對用戶出行需求的預測都會越來越準確。

　　在應用層面，ofo將車輛調度問題歸為有約束的供需差最小化，也就是結合當前時間、地點、單車數量等因素，使單車供給最大限度接近用戶需求。ofo將智能鎖返回的定位信息形成熱力圖，并記錄熱力圖的關鍵幀圖像變化，將圖像抽象為網格像素，利用卷積神經網絡，對像素內的顏色變化進行相關性特征提取，簡單的理解就是將各個關鍵時間點的熱力圖記錄下來，把圖像劃分為均勻分布的網格，將像素顏色的變化作為用戶騎行需求的變化，并進行相關性特征提取。

　　ofo小黃車利用卷積神經網絡預測騎行需求

　　如上圖所示，北京西北部上地、西二旗、中關村地區是騎行需求最多的地區，其次是望京、國貿等地。單純從圖像上來看，很難判斷中關村地區和國貿地區騎行需求的聯系。ofo可以利用卷積神經網絡，通過算法的深入，提取這兩個地區的相關性特征。

　　卷積的過程可以想象成，有人拿著玻璃鏡片，掃過如上所示網格圖像的過程，可以當鏡片大小是3*3網格時，可提取上地與西二旗地區騎行需求相關性特征。當鏡片大小擴大到17*17網格時，上地、西二旗與國貿之間騎行需求相關性的特征就被提取了。隨著卷積鏡片范圍的擴大，所需的算法和計算能力會越來越復雜。目前，ofo的卷積神經網絡層次可達30層，算法水平位列行業第一。

　　共享單車具有明顯的潮汐效應，且騎行需求受天氣等因素影響，ofo利用卷積神經網絡，提取不同時段同一區域或者同一時段不同區域的圖像相關性特征，以精準預測下一個時段某一區域內會出現的需求數，從而為運營調度提供更好的決策，實現智能運營。

　　將卷積神經網絡和谷歌TensorFlow人工智能系統應用于共享單車，是ofo引領的又一次行業創新，ofo正在形成以人工智能為基礎，以物聯網為載體的生態閉環。