Mapy Google zapewnią jeszcze dokładniejsze prognozy czasu dotarcia do celu
(fot. Tabletowo.pl)

Mapy Google zapewnią jeszcze dokładniejsze prognozy czasu dotarcia do celu

W Mapach Google, podobnie jak w innych nawigacjach, po wyznaczeniu punktu docelowego otrzymujemy szacowany czas dotarcia. Teraz, dzięki współpracy z DeepMind, ma on być jeszcze dokładniejszy.

Jak Mapy Google przewidują czas dotarcia na miejsce?

Nawigacja Google, aby obliczyć ETA, bierze pod uwagę wiele czynników. Przykładowo, uwzględniane są aktualne dane o ruchu drogowym. Należy jednak zauważyć, że przy dłuższych trasach natężenie ruchu z czasem może się znacząco zmieniać na danym odcinku, więc opieranie się wyłącznie na bieżących informacjach nie byłoby skuteczne.

W celu dokładniejszego prognozowania czasu podróży, Mapy Google wykorzystują więc jeszcze przyszłe dane o ruchu, wyciągnięte z wcześniej zgromadzonych wzorców. Nawigacja stara się bowiem przewidzieć, jakie warunki będą panować za 30 minut czy za 2 godziny.

Mapy Google – usprawnienia w ETA
Uzyskana poprawa wyników (fot. DeepMind)

Zaimplementowane systemy uczące się łączą aktualne warunki ruchu z historycznymi wzorami. Cały proces jest bardziej skomplikowany niż mogłoby się początkowo wydawać. W końcu, godziny szczytu, mimo iż zazwyczaj występują prawie każdego ranka i po południu, mogą się zauważalnie różnić w zależności od dnia i miesiąca. Ponadto, na złożoność danych do przetworzenia wpływają jeszcze inne czynniki – jakość dróg, ograniczenia prędkości, wypadki czy zmiany w organizacji ruchu.

Nowy serwis Tabletowo. Sprawdź oiot.pl

Mapy Google cały czas przetwarzają terabajty różnych danych, ale i tak osiągają wysoką dokładność w prognozowaniu przewidywanych czasów dotarcia – skuteczność jest na poziomie 97%. Firma DeepMind, we współpracy z zespołem rozwijającym nawigację Google, postanowiła jednak poprawić te wyniki.

Przewidywany czas dotarcia będzie jeszcze dokładniejszy

Pracownicy DeepMind, brytyjskiego przedsiębiorstwa należącego do Google, pochwalili się uzyskanymi efektami pracy. Okazuje się, że wdrożona technologia i zmiany przyniosły oczekiwane rezultaty – zależnie od miasta, odnotowano poprawę na poziomie od 16% do nawet 51%.

Mapy Google – usprawnienia w ETA
(fot. DeepMind)

Zauważalne zmiany udało się osiągnąć dzięki zastosowaniu architektury uczenia maszynowego nazywanej Graph Neural Networks. Sieci drogowe zostały podzielone na „supersegmenty”, składające się z wielu sąsiadujących ze sobą odcinków dróg, mających wspólny ruch drogowy. Jak zaznacza DeepMind, Mapy Google korzystają obecnie z systemu składającego się z:

  • analizatora tras, który przetwarza terabajty danych o ruchu drogowym, aby na ich podstawie stworzyć „supersegmenty”;
  • nowatorskiego modelu Graph Neural Networks, który stara się przewidzieć czas podróży przez każdy „supersegment”.

Zmiany są już wdrażane, więc w ciągu najbliższych tygodni powinniśmy się przekonać, czy faktycznie Mapy Google oferują jeszcze bardziej precyzyjny czas dotarcia do celu.