Google Maps mejora los tiempos de viaje con IA

hace 4 años

Avec le renfort de DeepMind et l’intégration de l’analyse des voies secondaires, ainsi qu'une multitudes de données de trafic, Google Maps voit ses estimations de durée de trajet améliorées. © Safia Osman, Flickr

Gracias al aprendizaje automático de DeepMind, Google mejora la precisión de los tiempos de viaje en Google Maps.

Para el 97% de los viajes de navegación, Mapas de Google se enorgullece de ofrecer una estimación precisa de la hora de llegada. Pero eso fue antes ... de la crisis sanitaria y una drástica reducción del tráfico mundial durante varios meses y una recuperación gradual. El algoritmo, basado fundamentalmente en información de tráfico en tiempo real, no siempre permite obtener una hora de llegada correcta en determinadas zonas donde el tráfico es muy denso. Incluso utilizando el historial de tráfico para determinar con precisión la hora pico diaria, esto no es tan obvio.

Puede diferir debido a muchos parámetros. Este es, por ejemplo, el caso del estado de la carretera o incluso de la congestión de una carretera secundaria. Estos elementos adicionales a veces se generarán unas pocas decenas de minutos después de un gran atasco en un eje principal. Al final, para algunos sectores, la hora de llegada determinada al inicio no será necesariamente la misma veinte minutos después. Y con la crisis de COVID-19, esta mezcla funciona aún peor. Por eso, para obtener más precisión, Google decidió llamar a DeepMind, el supercomputadora de la empresa matriz Alphabet.

Hasta un 50% de mejora en la precisión

los Blog de supercomputadora explica que es a partir del "aprendizaje automático", es decir, un sistema de aprendizaje automático, que se realizan las predicciones. Para aumentar la precisión, las redes de carreteras, con los ejes principales y las carreteras secundarias, se agrupan en forma de "supersegmentos". Y estos son Redes neuronales dedicado a cada zona que analiza el TB de datos. Los datos se componen de tráfico estacional, accidentalidad localizada, obras y condiciones de la carretera. También se integra el historial de las condiciones del tráfico durante los últimos cuatro meses para tener datos recientes sobre las alteraciones del tráfico, como fue el caso durante la contención.

Gráfico llamado Redes neuronales, el modelización podría alcanzar, según Google, un aumento de precisión de hasta un 51% para determinados sectores, y en particular la ciudad de Taichung en China, o incluso un 43% en Sidney. En otras áreas urbanas densas, como Berlín, la precisión aumenta en un 21% y en un 16% en Londres, por ejemplo.