Google Maps, запущенный 15 лет назад, является самым популярным в мире навигационным приложением, по данным немецкого онлайн-портала Statista. В сообщении в блоге Google Cloud, опубликованном в сентябре прошлого года, директор по продуктам Google Maps Этан Рассел сказал, что более миллиарда человек используют Google Maps каждый месяц и около пяти миллионов активных приложений и веб-сайтов получают доступ к основным продуктам платформы Google Maps каждую неделю.
Тем временем трудолюбивые исследователи DeepMind работали над дальнейшим улучшением Google Maps, и на этой неделе британская компания по искусственному интеллекту и исследовательская лаборатория обнародовали партнерство с Google Maps, в котором использовались передовые графические нейронные сети (GNN) для сокращения расчетного времени. точности прибытия (ETA).
Благодаря скоординированным усилиям точность расчетов времени прибытия в реальном времени увеличилась до 50 процентов в таких городах, как Берлин, Джакарта, Сан-Паулу, Сидней, Токио и Вашингтон, округ Колумбия.
Расчетное время прибытия и прогнозирование трафика - полезные инструменты, которые позволяют пользователям эффективно планировать время отправления, избегать пробок и уведомлять друзей и родственников о неожиданном опоздании. Эти функции также имеют решающее значение для таких предприятий, как компании по продаже билетов и платформы доставки.
Чтобы рассчитать расчетное время прибытия, Google Maps анализирует глобальные данные о трафике в реальном времени для соответствующих участков дороги. Хотя это дает точную картину текущих условий, он не учитывает то, с чем водитель может столкнуться через 10, 20 или даже 50 минут поездки.
Чтобы точно спрогнозировать будущий трафик, Google Maps использует машинное обучение, чтобы объединить текущие условия движения с историческими моделями движения на дорогах. Это сложный процесс из-за различий в качестве дороги, ограничениях скорости, авариях, строительных работах и закрытых дорогах, а также, например, в зависимости от времени часов пик в разных местах.
В то время как прогнозируемое время прибытия в Google Maps оказалось точным для примерно 97 процентов поездок, исследователи DeepMind решили минимизировать оставшиеся неточности. Чтобы сделать это в глобальном масштабе, они использовали GNN - обобщенную архитектуру машинного обучения - для проведения пространственно-временных рассуждений путем включения предубеждений в реляционном обучении для моделирования структуры связности реальных дорожных сетей.
Исследователи разделили дорожные сети на «Суперсегменты», состоящие из нескольких смежных участков дороги, на которые приходится значительный объем трафика. Их модель рассматривает локальную дорожную сеть как граф, где каждый сегмент маршрута соответствует узлу, а ребра существуют между сегментами, идущими подряд на одной дороге или соединенными перекрестком. Эти суперсегменты как подграфы дорог отбираются случайным образом пропорционально плотности движения.
В GNN выполняется алгоритм передачи сообщений, в котором сообщения и их влияние на состояния краев и узлов изучаются нейронными сетями. Таким образом, отдельную модель можно обучить с использованием выбранных подграфов и развернуть в соответствующем масштабе.
Хотя конечной целью новой системы моделирования является уменьшение ошибок в оценках поездок, исследователи также обнаружили, что использование линейной комбинации нескольких функций потерь (взвешенных соответствующим образом) значительно повысило способность модели к обобщению.
Одной из серьезных проблем, с которыми столкнулись исследователи, была чувствительность GNN к изменениям в учебной программе. При обучении систем машинного обучения скорость обучения часто снижается со временем, поскольку существует компромисс между изучением нового и забыванием важных функций, которые уже были изучены. Исследователи разработали новую технику обучения с подкреплением, которая позволила их модели изучить собственный график оптимальной скорости обучения, давая более стабильные результаты и позволяя им быстрее внедрять его.
Репортер: Юань Юань | Редактор: Майкл Саразен
Синхронизированный отчет | Обзор решений искусственного интеллекта в Китае в ответ на пандемию COVID-19 - 87 тематических исследований от 700+ поставщиков ИИ
В этом отчете предлагается взглянуть на то, как Китай использовал технологии искусственного интеллекта в борьбе с COVID-19. Он также доступен на Amazon Kindle. Наряду с этим отчетом мы также представили базу данных, охватывающую 1428 дополнительных решений искусственного интеллекта из 12 сценариев пандемии.
Нажмите здесь, чтобы найти больше отчетов от нас.
Мы знаем, что вы не хотите пропустить ни одной истории. Подпишитесь на наш популярный Synced Global AI Weekly, чтобы получать еженедельные обновления AI.