DeepMind’s AI tools to predict your arrival time

How Google Maps uses DeepMind’s AI tools to predict your arrival time

Google Maps is one of the company’s most widely-used products, and its ability to predict upcoming traffic jams makes it indispensable for many drivers. Each day, says Google, more than 1 billion kilometers of road are driven with the app’s help. But, as the search giant explains in a blog post today, its features have got more accurate thanks to machine learning tools from DeepMind, the London-based AI lab owned by Google’s parent company Alphabet.

In the blog post, Google and DeepMind researchers explain how they take data from various sources and feed it into machine learning models to predict traffic flows. This data includes live traffic information collected anonymously from Android devices, historical traffic data, information like speed limits and construction sites from local governments, and also factors like the quality, size, and direction of any given road. So, in Google’s estimates, paved roads beat unpaved ones, while the algorithm will decide it’s sometimes faster to take a longer stretch of motorway than navigate multiple winding streets.

All this information is fed into neural networks designed by DeepMind that pick out patterns in the data and use them to predict future traffic. Google says its new models have improved the accuracy of Google Maps’ real-time ETAs by up to 50 percent in some cities. It also notes that it’s had to change the data it uses to make these predictions following the outbreak of COVID-19 and the subsequent change in road usage.

The models work by dividing maps into what Google calls “supersegments” — clusters of adjacent streets that share traffic volume. Each of these is paired with an individual neural network that makes traffic predictions for that sector. It isn’t clear how large these supersegments are, but Googles notes they have “dynamic sizes,” suggesting they change as the traffic does, and that each one draws on “terabytes” of data. The key to this process is the use of a special type of neural network known as Graph Neural Network, which Google says is particularly well-suited to processing this sort of mapping data.“We saw up to a 50 percent decrease in worldwide traffic when lockdowns started in early 2020,” writes Google Maps product manager Johann Lau. “To account for this sudden change, we’ve recently updated our models to become more agile — automatically prioritizing historical traffic patterns from the last two to four weeks, and deprioritizing patterns from any time before that.”

गुगल नक्शाले कसरी तपाईंको आगमन समयको पूर्वानुमान गर्न डीपमंडको एआई उपकरणहरू प्रयोग गर्दछ

गुगल नक्शा कम्पनीको सबैभन्दा व्यापक रूपमा प्रयोग गरिएको उत्पादनहरू मध्ये एक हो, र आउँदो ट्राफिक जामको पूर्वानुमान गर्न सक्ने क्षमताले यसलाई धेरै ड्राइभरहरूको लागि अपरिहार्य बनाउँदछ। प्रत्येक दिन, गुगल भन्छ, १ अरब किलोमिटर भन्दा बढी सडक अनुप्रयोगको सहयोगमा चालित हुन्छ। तर, जसरी खोजी विशालले आज ब्लग पोष्टमा वर्णन गर्दछ, यसको सुविधाहरूले Google को मूल कम्पनी अल्फाबेटको स्वामित्वमा लन्डनमा आधारित एआई प्रयोगशाला, दीपमाइन्डबाट मेशिन शिक्षा उपकरणहरूलाई अझ सटीक धन्यवाद प्राप्त गरेको छ।

ब्लग पोष्टमा, गुगल र डीप माइन्ड अनुसन्धानकर्ताहरूले वर्णन गर्छन् कि कसरी तिनीहरू विभिन्न स्रोतहरूबाट डाटा लिन्छन् र यसलाई मेशिन लर्निंग मोडेलहरूमा फिड गर्दछन् जुन ट्राफिक बहावको पूर्वानुमान गर्न सकिन्छ। यस डाटाले एन्ड्रोइड उपकरणहरूबाट ऐतिहासिक रूपमा ट्राफिक डाटा, स्थानीय सरकारबाट गति सीमा र निर्माण साइटहरू जस्ता जानकारी, र कुनै पनि सडकको गुणस्तर, आकार र दिशा जस्ता कारकहरू समावेश गरी प्रत्यक्ष ट्राफिक जानकारी समावेश गर्दछ। त्यसोभए, गुगलको अनुमानमा, पक्का सडकहरूले कच्ची सडकहरू हराउँदछन्, जबकि एल्गोरिथ्मले यो निर्णय गर्दछ कि कहिलेकाँही धेरै घुमाउरो सडकहरू नेभिगेट गर्नु भन्दा मोटरवेको लामो तान लिन छिटो हुन्छ।

यो सबै जानकारी दीपमाइन्ड द्वारा डिजाइन गरिएको न्यूरल नेटवर्कमा खुवाइएको छ जुन डाटामा बान्की निकाल्छ र भविष्यको ट्राफिकको भविष्यवाणी गर्न प्रयोग गर्दछ। गुगल भन्छन् कि यसको नयाँ मोडलले गुगल नक्शाको वास्तविक समय ईटीएको शुद्धता केही शहरहरूमा percent० प्रतिशतसम्म सुधार गरेको छ। यसले नोट गर्दछ कि COVID-19 को प्रकोप पछि र सडक प्रयोगमा परिवर्तन पछि निम्न भविष्यवाणीहरू गर्न डाटा प्रयोग गर्नुपर्‍यो।

मोडेलहरूले नक्सालाई विभाजन गरेर कार्य गर्दछ जुन गुगलले "सुपरसेग्मेन्ट्स" भनेको छ - छेउछाउका सडकहरूको समूहहरू जुन ट्राफिक भोल्युम साझेदारी गर्दछ। यी मध्ये प्रत्येक एक व्यक्तिगत न्यूरल नेटवर्क संग जोडी छ कि कि क्षेत्र को लागी यातायात भविष्यवाणी गर्दछ। यो स्पष्ट छैन कि यी ठूला ठूला सुपरिगमेन्टहरू कति ठूला छन्, तर गूगलले नोट गरे कि उनीहरूसँग “डायनामिक साइज” छ, जसले सुझाव दिन्छ कि तिनीहरू ट्राफिकको रूपमा परिवर्तन हुन्छन् र प्रत्येकले डाटाको “टेराबाइट” तान्दछ। यस प्रक्रियाको कुञ्जी भनेको एउटा विशेष प्रकारको न्यूरल नेटवर्कको प्रयोग हो जसलाई ग्राफ न्यूरल नेटवर्क भनिन्छ, जसलाई गुगल भन्छ विशेष गरी यस प्रकारको म्यापि data डाटा प्रशोधन गर्न उपयुक्त छ। “हामीले विश्वव्यापी ट्राफिकमा 50० प्रतिशतको कमी देख्यौं। लकडाउन्स २०२० को शुरुमा सुरू भयो, "गुगल नक्सा उत्पादन प्रबन्धक जोहान लोले लेख्छन्। "यो अचानक परिवर्तनको लागि खातामा जान्नका लागि, हामीले भर्खरै आफ्नो मोडेलहरू अझ चपल हुनको लागि अपडेट गरेका छौं - स्वचालित रूपमा पछिल्लो दुई चार चार हप्ताको ऐतिहासिक यातायात ढाँचालाई प्राथमिकता दिँदै, र त्यो भन्दा पहिले कुनै पनि कुराबाट वंचित रहन बाध्यताहरू।"