Google Maps: DeepMind verbessert Vorhersagen zur Ankunftszeit um 50 Prozent
Ein von DeepMind entwickeltes System auf Basis von Graph Neural Networks kann bessere Vorhersagen zum Verkehr und der voraussichtlichen Ankunftszeit treffen.
![Google Maps: DeepMind verbessert Vorhersagen zur Ankunftszeit um 50 Prozent](https://heise.cloudimg.io/width/610/q85.png-lossy-85.webp-lossy-85.foil1/_www-heise-de_/imgs/18/2/9/6/1/4/0/1/shutterstock_1532816387-66bcd441cb34f275.jpeg)
(Bild: Shutterstock/Bykfa)
Das KI-Forschungslabor von Google-Mutter Alphabet, DeepMind, hat in Zusammenarbeit mit dem Google-Maps-Team ein System entwickelt, das die Genauigkeit der Vorhersagen der Ankunftszeit bei der Navigation beispielsweise in Städten wie Berlin, Jakarta, Sao Paulo, Sydney, Tokio und Washington D.C. um bis zu 50 Prozent verbessert. Wie DeepMind in einem Blog-Beitrag schreibt, setzen die Forscher dabei Graph Neuronal Networks (GNN), eine Unterform neuronaler Netze, ein.
Bei der Routenberechnung berücksichtigt Google Maps Echtzeit-Verkehrsdaten. Die können jedoch während der Fahrt variieren, wenn beispielsweise auf der Strecke Staus durch Unfälle oder erhöhtem Verkehrsaufkommen in der Rush Hour auftreten. Die ursprünglich angezeigte erwartete Ankunftszeit stimmt dann nicht mehr. Nach Angaben von Johann Lau, Produktmanager von Google Maps, wurden Verkehrsstörungen, die erst noch auftreten könnten, vorab bisher nicht berücksichtigt. Das sei aber notwendig, damit das System den möglichen Verkehr schon bei Fahrtantritt genau einschätzen kann, um dem Anwender eine genaue Ankunftszeit anzeigen zu können.
Wie Lau ausführt, verwendet Google Maps dazu bei der Navigation aggregierte Standortdaten und historische Verkehrsmuster, um die Verkehrsbedingungen zu verstehen und eine aktuelle Verkehrsschätzung treffen zu können. Darunter fällt beispielsweise, wie schnell sich Fahrzeuge typischerweise zu bestimmten Zeiten auf einer Straße fortbewegen. Diese Daten werden dann mit der aus Echtzeitverkehrsdaten ermittelten Verkehrssituation kombiniert und zur Vorhersage der Ankunftszeit genutzt.
Mit neuronalem Netzwerk zur genauen Ankunftszeit
Wie DeepMind schreibt, gelingt die Vorhersage von Verzögerungen durch den Einsatz von GNNs. Das Modell modelliert die Abhängigkeiten realer Straßennetze, was das Ableiten "raumzeitliche Überlegungen" ermöglicht. Als Beispiel dafür führt DeepMind an, dass das System nicht nur die Hauptverkehrsstraße, auf der eine Verkehrsstörung auftreten kann, berücksichtigt, sondern auch die umliegenden Straßen. Dadurch können Auswirkungen von Störungen des Verkehrs einzelner Straßen auf den der eigentlichen Route zum Ziel vorhergesagt und die mögliche Ankunftszeit genauer bestimmt werden.
Bei dem aus zwei Komponenten bestehenden System, unterteilt ein Routenanalysator unter Auswertung der Verkehrsinformationen zunächst einzelne Verkehrsnetze in sogenannte "Supersegmente", beschreiben die DeepMind-Forscher das System. Das von DeepMind entwickelte GNN-Modell als zweite Komponente sagt dann für jedes dieser einzelnen Supersegmente unter Berücksichtigung des Ziels die erwartete Ankunftszeit voraus und ermittelt dann in Kombination die Ankunftszeit am Ziel.
Wie Lau ausführt, sei bei Google Maps die Vorhersage der erwarteten Ankunftszeit schon jetzt bei etwa 97 Prozent aller berechneten Routen "akkurat". Mit dem neuen System werde dieser Anteil noch weiter hochgeschraubt.
tipps+tricks zum Thema:
- Google Maps: Verkehr anzeigen lassen
- Google Maps: Koordinaten suchen
- Google Maps - diese Alternativen gibt es
(olb)