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

導航軟件(例如Google Maps)最有用的功能之一是解析交通數據，以提供到達時(shí)間和替代路線(xiàn)的估算值，這對用戶(hù)來(lái)說(shuō)是一個(gè)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(guò)Go大師Lee Sedol而聞名，該服務(wù)最近通過(guò)機器學(xué)習技術(shù)得到了改善。

Google Maps產(chǎn)品經(jīng)理Johann Lau解釋說(shuō)，雖然可以使用路況數據來(lái)提供當前時(shí)刻的路況，但Google仍會(huì )使用該數據來(lái)預測未來(lái)的路況。 在博客文章中。“為了預測不久的將來(lái)的流量，Google Maps會(huì )分析一段時(shí)間內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(diǎn)至早上7點(diǎn)之間以65英里/小時(shí)的速度行駛，但在午后僅以15-20英里/小時(shí)的速度行駛。然后，我們將歷史流量模式的數據庫與實(shí)時(shí)交通狀況結合起來(lái)，使用機器學(xué)習基于兩組數據生成預測。”

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

在自己的博客文章中， DeepMind說(shuō)：“我們的模型將本地道路網(wǎng)視為一個(gè)圖形，其中每個(gè)路線(xiàn)段對應一個(gè)節點(diǎn)，并且在同一條道路上連續或通過(guò)交叉點(diǎn)連接的段之間存在邊。在圖形神經(jīng)網(wǎng)絡(luò )中，執行消息傳遞算法，其中消息及其對邊緣和節點(diǎn)狀態(tài)的影響由神經(jīng)網(wǎng)絡(luò )學(xué)習。從這個(gè)角度來(lái)看，我們的超級路段是道路子圖，是根據交通密度隨機抽樣的。因此，可以使用這些采樣的子圖來(lái)訓練單個(gè)模型，并且可以大規模部署該模型。”