作为我们工作的一部分，帮助自行车和自行车行业进入智能、互联和共享的移动世界，我们正在与为这种新型移动定下基调的有远见者和领导者合作。我们将邀请他们中的一些人在接下来的几个月里与ECF.com分享他们的想法和愿景。

米甲Jakob公司的创始人兼首席执行官Umotional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

大的自行车数据可以帮上忙

幸运的是，正在进行的数据循环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轨迹、众包骑行者反馈以及来自各种自行车传感器的读数提供了非常丰富的数据源，补充了地图和高程数据，这是传统自行车导航系统的基础。在下面，我们将这种类型的数据称为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，捕捉骑车人的行为在现实世界中如何，在哪里，何时骑行。

行为自行车模型的一个关键优势是，它捕捉了影响自行车手决策的各种软因素。例如，骑自行车的人可以选择一条特定的路线而不是另一条，尽管两条路线都有相同的物理属性。在这种情况下,只有非行为地图和高程数据是不够的来区分路线。传统的自行车导航引擎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，在自行车导航中正确利用行为数据并非易事。这一挑战源于这样一个事实:在搜索路线时，行为数据需要与许多其他路线选择因素一起考虑。

不幸的是,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，它们被设计成只考虑时间和距离作为路径优化标准，它们只能在有限的程度上考虑附加因素。

为了充分利用行为数据的潜力，因此，需要现代的多准则优化算法．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是第一个在真实产品中使用多标准路由算法和行为自行车模型实现人工智能自行车导航的应用程序吗．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。

如果你想了解更多并想见米甲，注册为我们的欧洲自行车互联自行车大会！