Gert Brouwer- DeepMind und Google Maps leisten bei Echtzeit-ETAs Verbesserungen um bis zu 50%.
- Dadurch können Verkehrsstaus vermieden und Ankunftszeiten geteilt werden.
- Zudem lassen sich Preise für Rideshare basierend auf der Reisedauer berechnen.
- Die Technologie ermöglicht eine neue Ära der Verkehrseffizienz durch die Steigerung von ETAs.
- Dank DeepMind und Google Maps kann die Welt einen revolutionären Fortschritt in Richtung Effizienz erleben.
Künstliche Intelligenz (KI) kann dazu beitragen, das Verkehr zu verbessern. DeepMind hat die neueste Technologie verwendet – Graph-Neural-Netzwerke – um den Verkehr vorherzusagen.
Diese Netzwerke basieren auf neuronales Netzwerktechnologien, die Graphen verarbeiten können, um bestimmte Eigenschaften auszuwerten und Verbindungen in großen Datensätzen herzustellen.
Die Ergebnisse zeigen eine signifikante Verbesserung der Genauigkeit gegenüber früheren Systemen. Dieses neue Modell wurde in Mexiko City getestet und erlaubt es den Benutzern, schnell, präzise und realzeitbasierte Vorhersagen zu treffen.
Wie funktioniert es?
Graph Neural Networks (GNNs) sind eine speziell entwickelte Technologie für maschinelles Lernen. Sie ermöglichen es Maschinen, einen Graphen anhand verschiedener Eigenschaften zu analysieren oder ihn als Grundlage für ein neuronales Netzwerk zu verwenden.
Dabei wird jede Kante des Graphen als gleichberechtigte Einheit angesehen und kann in andere verbundene Elemente umgewandelt werden.
GNNs helfen Experten außerdem dabei, Erkenntnisse über große Datensammlungen zu gewinnen und diese Information mit Hilfe von Machine Learning Algorithmen weiterzuverarbeiten.
Das Ziel ist es schließlich das Fahrverhalten im Hinblick auf Verkehrsströme vorhersehbarer zu machen.
Die Ergebnisse
Die Ergebnisse des Tests haben gezeigt, dass GNNs deutlich genauere Vorhersagen liefern konnte als frühere Techniken, insbesondere bei der Vorhersage von Autoverkehrstrends in Mexico City/Mexiko Stadt.
Darüber hinaus war es möglich Echtzeitvorhersagen in Bezug auf die Änderung des Verkehrsflusses vorherzusagen – anhand allgemeiner Trends aber auch spezieller Events wie zum Beispiel Demonstration oder Großveranstaltungen.
Insgesamt zeigen die Resultate eines Testlaufs in Mexico City/Mexiko Stadt deutlich auf, dass GNNs sehr gut geeignet sein könnnen prädiktive Modelle für Verkehrsanalyse bereitzustellen und dadurch dem Fahrer mehr Sicherheit und Komfort bietet.
