Google и DeepMind улучшили расчеты маршрутов с помощью нейросетей

Фото: Pixabay

Менеджер по продукту Google Maps Иоганн Лау сообщил, что Google Maps использует совокупные данные о местоположении и исторические модели трафика, чтобы понять условия движения, чтобы определить текущие оценки трафика, но ранее сервис не учитывал, как может выглядеть трафик, если во время поездки возникнет пробка.

«Наши прогнозы дорожного трафика уже имеют очень высокую планку точности — на самом деле, мы видим, что наши прогнозы были неизменно точными для более чем 97% поездок ... этот метод позволяет Google Maps лучше предсказать, пострадает ли вы из-за замедления, которое, возможно, еще даже не началось», — написал Лау в своем блоге.

Исследователи DeepMind заявили, что использование графовых нейронных сетей позволило Google Maps исключить «предубеждения в отношении реляционного обучения для моделирования структуры связности реальных дорожных сетей».

«Наши эксперименты продемонстрировали улучшение прогнозирующей способности за счет включения соседних дорог, которые не являются частью главной дороги», — пояснил представитель DeepMind в своем блоге. 

«Например, подумайте о том, как затор на боковой улице может распространиться и повлиять на движение на более крупной дороге. Охватывая несколько перекрестков, модель получает возможность изначально предсказывать задержки на поворотах, задержки из-за слияния и общий объезд время в непрерывном трафике. Эта способность графических нейронных сетей к обобщению в комбинаторных пространствах — вот что дает нашему методу моделирования его мощь».

Как сообщал Startpack, ранее  Google анонсировал интеграцию Maps с Apple CarPlay и Apple Watch.