【新智元導讀】Google Maps是使用最廣泛的地圖app之一，其能預測交通情況的能力使其成為許多司機不可或缺的工具。近日，DeepMind宣布與其合作，幫助Google Maps變得更準確。
你是不是也經歷過這樣的故事？計劃著和女友約會，按照地圖預計的實時路況做準備，可是卻往往不太準時……
眼看著上班就要遲到，明明顯示會在10分鐘後到達的公交車，並沒有如期而至……
如果您是拼車服務的司機，地圖還會獲取接送時間信息，並依據此來估計價格。
全世界都有類似的煩惱。預估到達時間（ETA）準確率低，就是上述煩惱的原因。
ETA為什麼低？
谷歌地圖也有一套預測算法。但畢竟世界是動態的，每天的狀況都有可能不同，特別是疫情期間。
例如，儘管上下班尖峰時間都會發生在早上、晚上，但具體的確切時間可能每天、每月都有很大差異；一條小巷的擁堵，就會蔓延到下一個大路——這一點，地圖往往無法實時監控；另外，道路質量、限速、事故和封路等因素，都會給預測模型帶來麻煩。
近日，DeepMind宣布幫「兄弟一把」——與谷歌地圖展開合作，利用了一種圖神經網絡（GNN），成功提升了谷歌地圖在柏林、東京、雪梨等大城市的實時 ETA 準確率，最高提升了50%。
DeepMind此次的研究，就是如何解決這個動態預測問題。
把道路劃片處理
道路網（road network），指的是在一定區域內，由各種道路組成的相互聯絡、交織成網狀分布的道路系統，類似下圖這樣：
但這樣的數據太龐大了，於是，谷歌地圖將道路網劃分為幾個「超級路段」。超級路段就是指幾個相鄰的路段，因為這些路段的交通流會互相影響。
目前，谷歌Maps交通預測系統由以下部分組成：
(1)路由分析器，以構建超路段
(2)新GNN 模型，利用多個目標函數進行優化，能夠預測每個超級路段的行程時間。
確定最優路線及其出行時間的模型架構
解決架構問題
研究人員要面對一個挑戰：架構問題。
利用現有的交通系統，特別是已有的道路網分割和實時數據 pipeline，全連接神經網絡模型表現良好。但是，每個超級路段都需要單獨訓練神經網絡模型。
要想實現大規模部署，則必須訓練數百萬個這樣的模型，這就對基礎設施構成了巨大的挑戰。
因此，該團隊開始研究能夠處理可變長度序列的模型，例如循環神經網絡（RNN）。但是，向 RNN 添加來自道路網絡的結構也不是容易的事。
最後，研究者決定用圖神經網絡。在對交通情況進行建模時，車輛如何穿過道路網絡是該研究的關注點，而圖神經網絡可以對網絡動態和信息傳播進行建模。
該團隊提出的模型將局部道路網絡視為一個圖，其中每個路段對應一個節點，連接兩個路段（節點）的邊要麼在同一條道路上，要麼通過交叉點（路口）連接。
在訓練過程中動態調整圖神經網絡的學習速率，以使系統學習自己的最佳學習速率時間表。根據DeepMind的說法，通過在訓練過程中自動調整學習率，該模型不僅表現優異，還學會了自動降低學習率。
實驗表明，似乎範圍越大，預測能力越強。例如，考慮小路上的擁堵狀況對大路交通情況的影響。通過跨越多個交叉路口，該模型能夠預測轉彎處的延誤、並道引起的延誤，以及走走停停交通狀況的通行時間。
但每個超級路段的長度和複雜度可能各有不同（從簡單的兩段路到包含了數百個節點的較長路徑），但它們都可以使用同一個圖神經網絡模型進行處理。
DeepMind與谷歌地圖團隊的合作，延續了該實驗室與谷歌產品部門的其他合作，包括努力改進谷歌Play Store的發現系統。除了谷歌，DeepMind還貢獻了算法、框架和方法論來支持Waymo的自動駕駛系統。
參考連結：
https://venturebeat.com/2020/09/03/deepmind-claims-its-ai-improved-google-maps-travel-time-estimates-by-up-to-50/
https://deepmind.com/blog/article/traffic-prediction-with-advanced-graph-neural-networks