‘Verwachte aankomsttijd in Google Maps 50 procent verbeterd’

Abonneer je gratis op Techzine!

Deepmind en Google hebben de verwachte aankomsttijd met 50 procent verbeterd. Dit door gebruik te maken van nieuwe kunstmatige intelligentie (AI).

Google Maps analyseert voor het bepalen van aankomsttijden in zijn navigatietoepassing het live verkeer op de weg. Dit geeft de navigatietool een goed overzicht van het actuele verkeer, maar geeft geen voorspellingen voor het verkeer dat gebruikers later in de tijd kunnen verwachten op hun route. Bijvoorbeeld 10, 20 of 50 minuten later.

Om toekomstig verkeer te voorspellen, gebruikt Google Maps machine learning om de live verkeerscondities te combineren met historische datapatronen. Dit is vrij complex omdat veel andere omstandigheden zijn op de drukte van het verkeer die niet in dit model worden meegenomen. Dit is van invloed op de uiteindelijke accuratesse van de aankomsttijdenvoorspellingen.

Gebruik van Graph Neural Networks

De samenwerking tussen Deepmind en Google moet hier nu een einde aan maken en de accuratesse van de realtime aankomsttijden in Google Maps en de Google Maps Platform API’s verbeteren. Deepmind  heeft hiervoor een algemene machine learning-architectuur ontwikkeld; Graph Neural Networks.

Met de Graph Neural Networks-architectuur zijn ontwikkelaars in staat ‘spatiotemporal reasoning’ te gebruiken. Spational reasoning is een AI-principe dat omgevingskennis gebruikt voor het ontwikkelen van hoogwaardige navigatie en om inzicht te krijgen in tijd en ruimte. Uiteindelijk moet dit leiden tot een model van de verbindingsstructuur van echte wegnetwerken overal ter wereld.

Werking technologie

Concreet zorgt Google Maps ervoor dat wegnetwerken in zogenoemde ‘supersegmenten’ worden opgedeeld. Deze supersegmenten bestaan uit vele aan elkaar verbonden wegsegmenten die een bepaald verkeersvolume delen.

Een route analyzer verwerkt terrabytes aan verkeersinformatie om deze supersegmenten samen te stellen. Het Graph Neural Network-model van Deepmind -dat met meerdere doelen is geoptimaliseerd- voorspelt  op een vrij complexe manier vervolgens de reistijd voor ieder supersegment. Uiteindelijk is hieruit weer een veel accuratere realtime aankomsttijd samen te stellen.

Eerste resultaten

Binnen Google Maps is de nieuwe machine learning-architectuur van Deepmind inmiddels al voor een aantal locaties toegepast. Dit zijn onder meer Berlijn, Jakarta, São Paulo, Sydney, Tokyo en Washington D.C. Volgens de eerste resultaten zijn de realtime aankomsttijden in deze steden met ongeveer 50 procent verbeterd.