Skąd nawigacja "wie", gdzie są korki, a gdzie ich nie ma? Wyjaśniamy

Google Maps to bez wątpienia jedna z najczęściej wybieranych nawigacji samochodowych. Każdego dnia przy jej pomocy pokonuje się ponad miliard kilometrów dróg. Wśród jej najważniejszych funkcji można wymienić m.in. rozwiązanie pozwalające na bieżąco śledzić zmiany w natężeniu ruchu. Dzięki temu, oprogramowanie firmy Google pozwala wybrać szybszą i bardziej optymalną trasę - zarówno uwzględniając czas dojazdu na miejsce, jak i zużycie paliwa. Mało kto jednak wie, że za jej funkcjonalnością stoją zaawansowane technologie wykorzystujące narzędzia uczenia maszynowego.

Skomplikowane zasady działania algorytmów aplikacji Google Map zostały jakiś czas temu opisane na blogu giganta z Mountain View. W poście badacze zatrudnieni przez Google zwrócili uwagę, w jaki sposób pobierają dane z różnych źródeł i wprowadzają je do modeli uczenia maszynowego w celu przewidywania przepływów ruchu.

Wszystko bazuje na danych przechowywanych w gigantycznych magazynach rekordów. Trafiają tam wszelkie informacje zebrane anonimowo z podłączonych do internetu telefonów, tabletów oraz urządzeń nawigacyjnych, na których w danym momencie działa aplikacja. Dane o ograniczeniach prędkości, budowach, a także czynniki, takie jak jakość, rozmiar i kierunek danej drogi są następnie weryfikowane z informacjami uzyskanymi we wcześniejszych okresach i porównywane ze "średnią". Dzięki temu nawigacja Google Maps potrafi szybko i stosunkowo dokładnie wskazać miejsca, gdzie powstają zatory oraz korki.

No dobrze, ale na jakiej zasadzie Mapy Google potrafią wyznaczyć najszybszą trasę z uwzględnieniem ruchu na drogach? Jak się okazuje - za wszystkim stoi zaawansowana sieć neuronowa.

Zobacz również: Bezdomny wjechał w komisariat

Wszystkie dane, które pobrała aplikacja trafiają bowiem do sieci neuronowych zaprojektowanych przez DeepMind, które wychwytują wzorce i wykorzystują je do przewidywania ruchu - zarówno w jego obecnej formie, jak i w hipotetycznej przyszłości. Modele działają dzieląc mapy na tzw. "supersegmenty" - skupiska sąsiadujących ulic, które segregują natężenie ruchu. Każdy z nich jest powiązany z indywidualną siecią neuronową, która prognozuje ruch dla danego sektora. To właśnie dlatego nawigacja Google w szybkim tempie potrafi wskazać inną, szybszą drogę, porównując obecną sytuację względem innych sektorów. Co ważne - szybsza droga, nie zawsze oznacza, że nie będzie na niej żadnego korka. 

Rozmiary poszczególnych sektorów nie są w żaden sposób określone. Zmieniają się wraz z ruchem, na bieżąco, ściągając nawet terabajty danych. Kluczem do całego  procesu jest użycie specjalnego typu sieci neuronowej znanej jako Graph Neural Network, która według Google jest szczególnie dobrze przystosowana do przetwarzania tego rodzaju informacji.

***