自Google Maps开始提供交通数据以帮助人们到处走走，至今已有近13年的时间，同时提供有关路线上的交通流量是轻还是重，估计的旅行时间和估计的到达时间(ETA)的详细信息。
为了进一步增强这些流量预测功能，Google和Alphabet的AI研究实验室DeepMind通过使用以下工具在悉尼，东京，柏林，雅加达，圣保罗和华盛顿特区等地方将实时ETA提高了50%。机器学习技术称为图神经网络。
Google Maps产品经理Johann Lau表示，Google Maps使用汇总的位置数据和历史流量模式来了解路况，以确定当前的流量估算值，但以前并未考虑到旅途中发生交通拥堵时的交通状况。
我们的ETA预测已经有了非常高的准确度，实际上我们看到我们的预测在97%以上的行程中都一直保持准确，这项技术使Google Maps能够更好地预测您是否会受到影响甚至还没有开始放缓。
DeepMind的研究人员表示，通过使用图神经网络，这使Google Maps可以纳入“关系学习偏见，以对现实世界道路网络的连通性结构进行建模”。
DeepMind在博客文章中解释说：“我们的实验证明，通过扩展到不属于主要道路的相邻道路，可以增强预测能力。”
例如，考虑一下一条小巷的拥堵如何蔓延，从而影响较大道路上的交通。通过跨越多个交叉路口，该模型可以自然地预测转弯处的延误，合并造成的延误以及整体穿越图神经网络在组合空间上进行泛化的能力正是赋予我们的建模技术强大功能的能力。
同时，Google Maps还指出了它是如何更新其机器学习模型的。
根据Lau的说法，该模型会自动对过去两到四周的历史流量模式进行优先排序，并对之前的任何时间进行优先排序。
除了地方政府的权威数据和用户的实时反馈(以确定道路状况的变化)外，其预测性交通模型还如何成为Google Maps确定行车路线的关键。
如果我们预测一个方向的交通量可能会增加，那么我们会自动为您找到交通流量较低的选择。
我们还考虑了许多其他因素，例如道路质量。道路是铺成还是未铺成道路，或者被砾石，泥土或泥土覆盖?这些元素会使道路难以下坡，因此我们不太可能在您的路线中推荐这条道路。我们还研究了道路的大小和方向性-沿着高速公路行驶通常比沿着多处停靠的小路更有效。
点击阅读全文
