Έχουν περάσει σχεδόν 13 χρόνια από τότε που οι Χάρτες της Google (Google Maps) άρχισαν να παρέχουν δεδομένα κίνησης, ενώ παράλληλα να παρέχουν λεπτομέρειες για το αν η κίνηση κατά μήκος μιας διαδρομής είναι υπερβολική, τον εκτιμώμενο χρόνο του ταξιδιού και την εκτιμώμενη ώρα άφιξης.
Σε μια προσπάθεια περαιτέρω ενίσχυσης αυτών των δυνατοτήτων, το ερευνητικό εργαστήριο AI της Google και της Alphabet, DeepMind, βελτίωσαν τους εκτιμώμενους χρόνους σε πραγματικό χρόνο έως και 50% σε μέρη όπως το Σίδνεϊ, το Τόκιο, το Βερολίνο, την Τζακάρτα, το Σάο Πάολο και την Washington DC χρησιμοποιώντας μια τεχνική μηχανικής μάθησης γνωστή και σαν γραφικά νευρωνικά δίκτυα.
Ο διευθυντής προϊόντων του Google Maps, Johann Lau, ανέφερε ότι οι Χάρτες χρησιμοποιούν συγκεντρωτικά δεδομένα τοποθεσίας και ιστορικά μοτίβων επισκεψιμότητας για να κατανοήσουν τις συνθήκες κυκλοφορίας για να καθορίσουν τις τρέχουσες εκτιμήσεις επισκεψιμότητας, Στο παρελθόν δεν λάμβαναν υπόψη την επισκεψιμότητα, για το αν επρόκειτο να υπάρξει μποτιλιάρισμα κατά τη διάρκεια ενός ταξιδιού.
“Οι προβλέψεις μας είναι πια πολύ υψηλής ακρίβειας. Στην πραγματικότητα, βλέπουμε ότι οι προβλέψεις μας ήταν σταθερά ακριβείς για πάνω από το 97% των ταξιδιών… Αυτή η τεχνική επιτρέπει στους Χάρτες της Google να προβλέπουν καλύτερα εάν θα επηρεαστούν ή όχι από μια καθυστέρηση που μπορεί να μην έχει ξεκινήσει ακόμη”, ανέφερε σε μια ανάρτηση στο blog.
Οι ερευνητές του DeepMind δήλωσαν ότι χρησιμοποιώντας γραφικά νευρωνικά δίκτυα, επέτρεψαν στους Χάρτες της Google να ενσωματώνουν “σχεσιακές μαθησιακές προκαταλήψεις για να μοντελοποιήσουν τη δομή συνδεσιμότητας των πραγματικών οδικών δικτύων”.
“Τα πειράματά μας έχουν δείξει να λειτουργούν στην προγνωστική ισχύ και πλέον συμπεριλάβουν παρακείμενους δρόμους που δεν αποτελούν μέρος του κύριου δρόμου”, αναφέρει το blog του DeepMind.
Ταυτόχρονα, οι Χάρτες της Google σημείωσαν ότι έχει ενημερωθεί το μοντέλο μηχανικής μάθησης, ώστε να λαμβάνει υπόψη τις αλλαγές που έχουν πραγματοποιηθεί στα παγκόσμια μοτίβα επισκεψιμότητας από την έναρξη της πανδημίας του COVID-19..
Το μοντέλο, σύμφωνα με τον Lau, δίνει προτεραιότητα στα ιστορικά μοτίβα επισκεψιμότητας από τις τελευταίες δύο έως τέσσερις εβδομάδες και υποβαθμίζει μοτίβα που υπήρξαν πριν από την κρίση του COVID-19.
Ο Lau πρόσθεσε πώς τα προγνωστικά μοντέλα κυκλοφορίας είναι επίσης πολύ βασικά για τον τρόπο με τον οποίο οι Χάρτες της Google καθορίζουν τις διαδρομές οδήγησης:
“Εάν προβλέψουμε ότι η κίνηση είναι πιθανό να αυξηθεί σε μία κατεύθυνση, θα σας βρούμε αυτόματα μια εναλλακτική λύση χαμηλότερης κυκλοφορίας.
Εξετάζουμε επίσης αρκετούς άλλους παράγοντες, όπως την ποιότητα του δρόμου. Είναι ο δρόμος πλακόστρωτος ή μη ασφαλτοστρωμένος, καλύπτεται από χαλίκι, χώμα ή λάσπη; Στοιχεία όπως αυτά μπορούν να κάνουν έναν δρόμο δύσκολο να οδηγηθεί και είναι λιγότερο πιθανό να προτείνουμε αυτόν τον δρόμο για μια διαδρομή σας. Εξετάζουμε επίσης το μέγεθος και τις ευθείες ενός δρόμου – η οδήγηση σε έναν κεντρικό αυτοκινητόδρομο είναι συχνά πιο γρήγορη από το να πάρετε ένα μικρότερο δρόμο με πολλές στάσεις.”
