🔥【ANN】🚀 AlphaCar 🚀 Remodelando la industria automotriz 🚀 La ICO🔥

[Gothorum]

Pre-ICO e ICO en Junio!!!
La campaña de recompensas ha empezado!!!

Website | Whitepaper | Campaña de recompensas

||||||||||

[Gothorum]

La industria del automóvil es el mercado más grande del mundo, también puede ser el más problemático, y blockchain es la mejor tecnología para resolver el problema. Basándose en las propiedades inherentes de la tecnología blockchain, AlphaCar hará que todos los registros de transacciones en la industria del automóvil permanezcan intactos y sean reales, que no puedan manipularse o eliminarse.

[Gothorum]

AlphaCar es una comunidad para la economía del token, diseñada por el equipo de desarrollo para servir a la industria mundial automotriz. Será utilizado por todos los consumidores y comerciales. La blockchain pública registrará todos los movimientos de transacciones entre los consumidores y los comerciales de automóviles con el fin de establecer una Economía de confianza para la comunidad Token, y recompensar con tokens a todos los miembros de la comunidad que contribuyan a la economía Token.

[Gothorum]

Hay una serie de deficiencias en la tecnología blockchain actual, como la pérdida de recursos de PoW (prueba de trabajo), largos periodos de espera para confirmación y capacidad de transacción de red limitada, lo que dificulta el soporte de DApps en tiempo real. Sin embargo, el DApp de data-on-chain de AlphaCar es una aplicación de back-end que no requiere implementación en tiempo real. Por lo tanto, se puede implementar mediante el uso de tecnología de procesado asíncrono por lotes para almacenar datos de la economía del Token de la comunidad de AlphaCar en la blockchain.

[Gothorum]

Plataforma abierta y almacenamiento de datos, consulta y validación El fiable servicio de consulta de datos de AlphaCar y el también fiable servicio de validación de datos están construidos en la plataforma de datos blockchain.
La plataforma utiliza el Sistema de archivos interplanetario (IPFS) para almacenar datos insensibles y registrar el valor hash del paquete de datos en la blockchain pública.
La credibilidad de los datos está garantizada por la marca de tiempo de blockchain. Mientras tanto, AlphaCar proporcionará al público servicios de consulta y visualización de datos a través de la blockchain y admitirá validaciones de datos en ella.

[Gothorum]

Procesamiento asincrónico por lotes

Confiando en la transparencia y las propiedades de seguridad de manipulación de la blockchain, podemos eliminar el fenómeno de que el dinero malo expulsa el buen dinero, lo que resulta la asimetría de la información. Dado que no existe una gran demanda de registro de transacciones de automotrices en tiempo real, podemos aplicar el procesamiento asíncrono por lotes para resolver el problema de la escalabilidad.

[Gothorum]

Sistema de Votos

AlphaCar desarrollará un sistema de votos que permitirá votar en la comunidad para llegar a un consenso sobre qué DApps se implementará y en qué orden. Los miembros de la comunidad pueden usarlo para resolver diversos problemas, como elegir un nuevo logotipo o el algoritmo para evaluar proveedores de servicios. Los votos se calculan en función del número de tokens que tienen los miembros. Los miembros con un mayor número de tokens tendrán más poder de voto en el sistema.

[Gothorum]

Internet de componentes tecnológicos para vehículos

ADAS (Advanced Driver Assistance System) es un sistema para ayudar a los conductores en el proceso de conducción. Es un asistente de uso inteligente personal. Con la ayuda de IoV y el estándar de la red 5G de banda ancha alta y baja latencia, el sistema IoV puede avisar a los conductores de posibles peligros por primera vez o directamente puede intervenir en los automóviles si es necesario. La seguridad es la clave para la aplicación de la tecnología ADAS en el futuro. La tecnología blockchain se usa para verificar la identidad, la autoridad y los datos de los vehículos.

El sistema descentralizado puede analizar e impulsar automáticamente los automóviles en tiempo real. Cuando la red remota del automóvil no está disponible, los vehículos en el sistema de red entre automóviles pueden ser auto gestionados como una unidad de toma de decisiones local, que intercambia de manera efectiva las condiciones del tránsito, las condiciones del camino y los vehículos de confianza en una determinada sección y solicita o interviene el conductor en caso de una emergencia.

Tales como el monitor de punto ciego, el estado del freno de emergencia, la detección de somnolencia del conductor. La autenticación de vehículos basada en Blockchain es una excelente manera de evitar que los piratas informáticos falsifiquen la identidad de los ataques de seguridad vial y garanticen la operación robusta del sistema ADAS. Siempre que se garantice la seguridad, con la función de actualización dinámica y segura del algoritmo de asistencia de conducción, la tecnología AlphaCar IoV se esforzará para proporcionar a los usuarios un sistema de anticolisión, un sistema inteligente de advertencia de salida de carril, ayuda de visión nocturna, sistema de protección de peatones y otras características avanzadas de asistencia al conductor.

[Gothorum]

Compartir coche

Creemos que el uso compartido del automóvil, especialmente cuando la conducción autónoma es madura, es la forma definitiva de transporte público. Los automóviles administrados a través de la red fiable de la Blockchain de AlphaCar pueden conducir automáticamente al punto de uso cuando los pasajeros los necesitan y conducir automáticamente al estacionamiento más cercano a su llegada, lo que ahorra congestión en las carreteras y tiempo de estacionamiento. En el proceso general de servicio, la posición del automóvil se gestiona de manera efectiva.

Con el fin de proteger la seguridad de los pasajeros, el sistema IoV configurará automáticamente la cercanía electrónica GEO de la ruta esperada, y analizará el estado del automóvil, la condición del tráfico y la ruta de conducción en tiempo real. Si el automóvil está en malas condiciones o en una carretera incorrecta, le dará una pista el operador remoto.

También puede ofrecer a los pasajeros una advertencia y una protección si se encuentran en grave peligro. Con la aplicación y el hardware inteligente del automóvil, los vehículos privados pueden integrarse fácilmente en el sistema IoV, la seguridad de los vehículos inactivos puede verificarse de manera automática y fiable

[Gothorum]

La estructura general se puede dividir en tres partes, dispositivos, nubes y móviles. Los automóviles y los propietarios de automóviles están conectados por esta estructura. El dispositivo se utiliza para recopilar información relevante del automóvil y el rastro de conducción. Luego, los datos se transmiten desde el dispositivo a la nube para su análisis estadístico.

La nube proporciona los algoritmos correspondientes, los grandes datos y el análisis de inteligencia artificial para alertar con anticipación a los propietarios de los automóviles de los riesgos potenciales del vehículo, como el Geo-cercado y el control de mantenimiento.

[Gothorum]

Tecnología Big Data

Esperamos adquirir datos multi-modales en tiempo real a gran escala relacionados con la conducción, el mantenimiento, así como los datos del controlador, y aprovechar esos grandes datos para analizar en profundidad, facilitaría la comprensión integral transparente, servicios postventa sostenidos y optimizados para una masa de propietarios de automóviles.

[Gothorum]

Fuente de datos

La primera de las fuentes de datos es la de uso internos: utilizando dispositivos instalados y teléfonos inteligentes para recopilar y analizar datos de comportamiento de conducción. Por ejemplo, actualmente tenemos acceso a datos de teléfonos inteligentes que incluyen GPS, giroscopio, acelerómetro y medidor magnético, a la frecuencia de 1 Hz (el hardware equipado con un automóvil puede suministrar datos de hasta 60 Hz). Además, también recopilaremos el estado de la pantalla del teléfono inteligente, el estado de la llamada, el estado de WIFI, etc. La información recopilada puede ser procesada y refinada en kilometraje, velocidad, aceleración, acciones abruptas (frenado, ralentización y giro), duración del recorrido e información sobre el hábito de conducir, así como modelos para la predicción y cuantificación de la probabilidad de un accidente.

Los dispositivos OBD también pueden recopilar otra información sobre las condiciones del automóvil, como el kilometraje del viaje, kilometraje de la gasolina y horarios de mantenimiento.

[Gothorum]

Otra fuente de de datos es la externa, considerada del tipo Tipo A: incluidos los datos relacionados con las condiciones de conducción, como la carretera,
el tráfico y el clima. Dichos datos pueden adquirirse a partir de cursos abiertos como factores de importancia para determinar la corrección y adaptación necesarias de los modelos.

[Gothorum]

Datos externos (Tipo B): que incluyen datos que no están directamente relacionados con las condiciones de manejo, como la edad, el sexo, la ocupación, los ingresos, el estado civil, el estado civil, etc.

Dichos datos pueden provenir de otros cursos, incluidos los canales de pago y compras, y nos permiten construir modelos para un perfil de usuario detallado, así como modelos de predicción multifacéticos y altamente precisos.

[Gothorum]

Metodología analítica
Los métodos de análisis de datos se basan en modelos de datos multimodales, heterogéneos, dinámicos y no estructurados tanto de forma individual como conjunta:

1) Análisis dinámico de datos no estructurados.
Dado que las fuentes de datos son diversas, incluidos los datos de medición del dispositivo y los datos textuales registrados, los datos disponibles en su conjunto no están estructurados, así como son de naturaleza dinámica. Por lo tanto, necesitamos emplear modelos de series temporales multi-variadas para procesar y analizar cada tipo de datos.

2) Análisis de datos heterogéneos multi-modales.
Aprovechamos tanto el aprendizaje de máquinas clásico como los enfoques modernos de aprendizaje profundo como los medios para fusionar las tres categorías principales de datos presentadas anteriormente.

La fusión de información de diferentes modalidades generalmente no es trivial debido a las distintas estadísticas y las relaciones altamente no lineales entre las características de bajo nivel de las modalidades.

[Gothorum]

Hoy 26 de junio de 2018, Bill Deng, fundador y CEO de AlphaCar, se reúne con el Sr. Wei Li, Gerente General de DongZheng Auto Finance Corp (DongZheng AFC) para analizar las oportunidades de cooperación.


DongZheng AFC es la filial financiera de China ZhengTong Auto Services Holdings Limited ("ZhengTong Auto"), un grupo líder de concesionarios de China, disponen de 108 puntos de venta en funcionamiento en 36 ciudades, 15 provincias y municipios.

Al implementar una estrategia cuidadosamente planificada basada en blockchain, AlphaCar puede ayudar a sus socios automotrices, como DongZheng AFC, a ampliar el alcance de sus clientes, reducir los riesgos de credibilidad y mejorar la lealtad de los miembros. Los proveedores de servicios de autos tradicionales pueden aprovechar la tecnología blockchain para aumentar rápidamente su fortaleza competitiva en el mercado.

Para obtener más información, visite https://alphacar.io

[Gothorum]

Anteriormente el trabajo ha demostrado que el aprendizaje multimodales a menudo proporciona un mejor rendimiento en tareas tales como recuperación, clasificación y descripción. Cuando las modalidades que se fusionan son de naturaleza temporal, es conveniente diseñar un modelo de aprendizaje temporal multimodal (TML) que pueda fusionar simultáneamente la información de diferentes fuentes y capturar la estructura temporal dentro de los datos.

[Gothorum]

En los últimos cinco años, se han propuesto varios enfoques de aprendizaje profundo para TML. Los primeros modelos se basaban en el uso de modelos no temporales, como autoencoders multimodales profundos o Deep Boltzmann Machines (RBM) aplicadas a datos concatenados en varios puntos temporales consecutivos. Los modelos más recientes han intentado modelar la naturaleza inherentemente secuencial de los datos temporales, por ejemplo, los RBM condicional, los RBM multimodales temporales recurrentes (RTMRBM) y las redes de memoria multimodal Long-Short-Term (LSTM).

[Gothorum]

Empleamos un buen modelo para que TML aprenda simultáneamente una representación conjunta de la entrada multimodal y la estructura temporal dentro de los datos. Además, el modelo debería poder pesar dinámicamente las diferentes modalidades de entrada para permitir el énfasis en la señal (es) y para proporcionar robustez al ruido. El modelo debería ser capaz de generalizar a diferentes tipos de datos temporales multimodales, incluidos los de teléfonos inteligentes, dispositivos OBD y datos externos.

[Gothorum]

Una característica interesante de los datos temporales multimodales del escenario de la conducción de automóviles es que las diferencias entre modalidades provienen principalmente del uso de diferentes sensores, como teléfonos inteligentes y dispositivos OBD, para capturar el mismo fenómeno temporal.

En otras palabras, las modalidades en datos temporales multimodales a menudo son representaciones diferentes de los mismos fenómenos. Para este fin, optamos por utilizar la Red neuronal recurrente correlacional (CorrRNN), un nuevo modelo no supervisado desarrollado por la Universidad de Rochester para satisfacer los deseos anteriores, para capturar explícitamente la correlación entre modalidades a través de maximizar una función de pérdida basada en la correlación, como también minimizar una pérdida basada en la reconstrucción para retener información.