得益于其內(nèi)置的技術(shù)， 谷歌地圖 提供的功能遠遠超出了舊紙質(zhì)地圖。

導(dǎo)航軟件（例如Google Maps）最有用的功能之一是解析交通數(shù)據(jù)，以提供到達時間和替代路線的估算值，這對用戶來說是一個巨大的好處，Google表示每天使用Google Maps行駛十億公里。

有了Alphabet的同伴DeepMind，一家總部位于英國的AI研究公司，以其AlphaGo平臺勝過Go大師Lee Sedol而聞名，該服務(wù)最近通過機器學(xué)習(xí)技術(shù)得到了改善。

Google Maps產(chǎn)品經(jīng)理Johann Lau解釋說，雖然可以使用路況數(shù)據(jù)來提供當(dāng)前時刻的路況，但Google仍會使用該數(shù)據(jù)來預(yù)測未來的路況。 在博客文章中。“為了預(yù)測不久的將來的流量，Google Maps會分析一段時間內(nèi)道路的歷史流量模式。例如，一種模式可能表明，北加州的280號高速公路通常在早上6點至早上7點之間以65英里/小時的速度行駛，但在午后僅以15-20英里/小時的速度行駛。然后，我們將歷史流量模式的數(shù)據(jù)庫與實時交通狀況結(jié)合起來，使用機器學(xué)習(xí)基于兩組數(shù)據(jù)生成預(yù)測。”

盡管Google對ETA的預(yù)測已經(jīng)達到了97%的準(zhǔn)確率，但與DeepMind的合作關(guān)系涉及使用一種稱為Graph Neural Networks的機器學(xué)習(xí)技術(shù)來將全球城市中的這一數(shù)字提高多達50%，并預(yù)測尚未發(fā)生的流量。

在自己的博客文章中， DeepMind說：“我們的模型將本地道路網(wǎng)視為一個圖形，其中每個路線段對應(yīng)一個節(jié)點，并且在同一條道路上連續(xù)或通過交叉點連接的段之間存在邊。在圖形神經(jīng)網(wǎng)絡(luò)中，執(zhí)行消息傳遞算法，其中消息及其對邊緣和節(jié)點狀態(tài)的影響由神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。從這個角度來看，我們的超級路段是道路子圖，是根據(jù)交通密度隨機抽樣的。因此，可以使用這些采樣的子圖來訓(xùn)練單個模型，并且可以大規(guī)模部署該模型。”