发帖
雷达卡
DeepMind发布新算法，在诸如柏林、雅加达、圣保罗、悉尼、东京和华盛顿（特区）的地区，谷歌地图和谷歌地图平台API中的实时驾驶ETAs（预计到达时间）预测准确率提高了50%。
通过使用机器学习技术，DeepMind声称在道路网络模型中加入关系学习偏差，可以将交通预测的不准确性降至最低。
谷歌地图会分析世界各地道路的实时路况，以计算ETA（预计到达时间），可以为平台提供当前交通的全景图，但并没有考虑驾驶员期望看到10、20或50分钟的路况。谷歌地图借助机器学习将全球交通状况和道路历史路况整合起来。为了实现规模化部署，DeepMind开发了一个具有时空推理能力的图神经网络架构。
谷歌地图将道路网络划分“超级区段”，该“超级区段”包含多个共享大量交通流量的相邻路段。每个路线分析器处理数以亿兆级别的交通数据来构建超级区段，结合多目标优化的图神经网络模型，如此可以预测每个超级区段的行驶时间。
神经网络将每个本地道路网络视为一个图，路线区段图的节点和边对应于相邻的连续区段和连接区段的道路交叉口。超级区段是与交通密度成比例随机采样的道路子图，并通过消息传递算法连接起来，算法会学习节点和边的状态。
由于图神经网络具有泛化能力，每个超级区段可以具有不同的长度和复杂度，从两个区段的路线到包含数以百计的节点的更长路线均可预测。DeepMind表示，实验通过扩展至邻近路段而提升了预测能力。DeepMind在官方博文中指出，“例如，考虑隔壁街道的交通拥堵，会如何影响更大路段的交通。通过跨越多个交叉路口，模型可以自动预测转弯处的延误时间，归并引发的延误和走走停停的通行时间。”
在训练阶段，元梯度（MetaGradients）动态调整图神经网络的学习率，使得系统学习得到最优的学习率时间表。依据DeepMind的说法，通过训练时自动调整学习率，不仅可以提升模型质量，而且还可以自动学习降低学习率，从而获得更稳定的结果。
DeepMind提到，“感谢谷歌地图团队和我们紧密而富有成效的合作，我们可以大规模应用这些新型研发的技术。我们共同攻克了研究难题以及生产和扩展性的问题。最终，我们成功发布了最终的模型和技术。”
DeepMind与谷歌地图团队遵循实验室与谷歌产品部门的其他合作关
京公网安备 11010802022788号
