如何从各种来源获取数据并将其输入到机器学习模型中以预测流量

Google Maps是该公司使用最广泛的产品之一，它具有预测即将到来的交通拥堵的能力，因此对于许多驾驶员来说都是必不可少的。Google表示，每天都有超过10亿公里的道路在该应用程序的帮助下行驶。但是，正如这家搜索巨头在今天的博客文章中所解释的那样，得益于DeepMind的机器学习工具，其功能变得更加准确，该机器是总部位于伦敦的AI实验室，由Google的母公司Alphabet拥有。

在博客文章中，Google和DeepMind研究人员解释了如何从各种来源获取数据并将其输入到机器学习模型中以预测流量。这些数据包括从Android设备匿名收集的实时交通信息，历史交通数据，来自地方政府的速度限制和建筑工地等信息，以及任何给定道路的质量，大小和方向等因素。因此，根据Google的估计，铺成的道路胜过未铺成的道路，而该算法将决定，有时需要更长的高速公路行驶，比在多条蜿蜒的街道上行驶更快。

谷歌表示，使用DeepMind的AI工具可以将地图中的ETA准确性提高多达50%。 图片：Google

所有这些信息都被送入DeepMind设计的神经网络，该神经网络挑选出数据中的模式并用它们来预测未来的流量。谷歌表示，其新模式在某些城市将谷歌地图的实时ETA的准确性提高了50%。它还指出，在COVID-19爆发以及随后的道路使用变化之后，必须更改用于做出这些预测的数据。

“自2020年初开始锁定以来，我们发现全球流量下降了50%。”

Google Maps产品经理Johann Lau写道：“自2020年初开始锁定以来，全球流量下降了50%，” “为了应对这种突然的变化，我们最近更新了模型，使其变得更加敏捷-自动对过去两到四周的历史流量模式进行优先排序，并在此之前的任何时间对模式进行优先排序。”

这些模型通过将地图划分为Google所谓的“超级细分市场”来工作-相邻街道的集群共享流量。每一个都与一个单独的神经网络配对，该神经网络可以对该部门进行流量预测。尚不清楚这些超级段的大小，但是Google注意到它们具有“动态大小”，这表明它们会随着流量的变化而变化，并且每个都使用“ TB”的数据。此过程的关键是使用一种称为Graph Neural Network的特殊类型的神经网络，Google表示该神经网络特别适合处理此类映射数据。