为了因应全球范围的交通模式改变，Google 近日表示，将与 DeepMind 携手运用人工智能技术， 强化路途预定到达时间预测(ETA)，甚至能还没发生堵车，就先预测你会不会受影响。

　　Google 地图的导航功能一直备受大众喜爱，近年随着行动装置的普及与网路速度的提升 ，有越来越多民众不另外装载车用卫星导航、而直接使用 Google 地图作为外出行车的主要导引，更是让 Google 地图与人们的生活更加紧密。

　　至于 Google 是怎么做到导航、判断车流量与侦测交通阻塞的呢?背后其实还是有赖人工智慧的帮助!

　　不只靠公开资料分析　每个使用者都能回传位置资讯

　　有些导航服务是根据政府提供之公开资料来计算车流量，而 Google 地图的优势在于── 众多的使用者。

　　Google 地图全球每日用户超过 10 亿人，每个使用者进行导航时都能匿名传回位置资讯， 可以利用这些资讯就能统计出当前的道路状况，以此分析出道路的车流量、是否有交通堵塞等等 ，并且即时在导航结果中呈现。

　　Google 地图使用路上行人、行车中的地点资料来显示当下路况，这种模式虽然简单好用，但如果要进一步预测未来 10、20 分鐘，甚至一个小时之后的路况，或要提供预定到达时间(Estimated Time of Arrival，ETA)，就必须将既有歷史交通数据、即时车流量的改变情况，配合AI人工智能进行分析预测。

　　与DeepMind合作人工智能技术　强化路况预测能力

　　为了强化路况预测能力，Google 宣布将与 Alphabet 旗下的人工智能研究公司「DeepMind」合作，更新 Google 地图的演算法。

　　Google 表示，新的预测模型将加权过去 2 到 4 周的历史资料，而越旧的资料权重会越低;并称 Google 地图的 ETA 预测在 97 %以上的旅程都有稳定准确率，而与 DeepMind 的合作能使准确率更加提升。

　　Google 地图採用名为图像神经网路(Graph Neural Networks，GNNs)的机器学习架构，大幅降低预测失准率，在柏林、东京及华盛顿特区等等交通繁忙的地区，依然能维持精准的预测率，让使用者能在出发前可以更方便来规划行程。

▲ Google 不断提升世界各地之 ETA 预测精准度

　　Google 地图将错综复杂的道路网路划分为一个个「路段」(segments)，各个路段都包含大量的交通流量资料，并能彼此共享;AI 分析这些巨量的资料，再通过图像神经网路模型，就能清楚地预测每个路段的行驶时间。

　　图像神经网路就是将道路视为一个图形，路线对应节点(nodes)，而边线位于「连续道路」和「通过交叉路口连接的道路」之间。路段实际上是与交通密度成比例地、随机採样的道路子图(subgraph)，并且透过讯息传递演算(message-passing algorithm)计算边缘与节点之间的相互影响。

　　每个路段的长度和复杂度都有所不同，从两条道路到包含数百个节点的路线都有。DeepMind 表示，如果将相邻道路之间的交互关係纳入考量后，就能使得预测准度有所提升：「例如我们思考一条小巷的堵塞如果溢出，将如何影响主干道的交通」。

 　▲ Google 地图人工智能分析计算道路交通

　　DeepMind 也表示，在训练时自动调整学习率，该模型不但可以达到更高的成效，还能自动调整学习率，获得更稳定的结果。

　　除了新模型，Google 地图也一併考虑其他因素：如道路速限、道路面积、道路品质(如砾石地、柏油或泥地)、道路施工、天候气象(如下雪、下暴雨或土石流等)、使用者回报的交通事故、封路、出现弯道或红绿灯路口的频率等等，以及因应新型冠状病毒疫情随之而来的交通管制。

　　疫情之下 Google 地图受到的冲击

　　Google 表示疫情爆发后，全球路上交通流量减少了 50 %，随着疫情持续，仍有不少地区维持交通管制。

　　这种影响范围扩及全球的特殊状况下，为了不让预测失准，AI 会自动优先考量近期的车流量记录，且将更早之前的车流量模式列为次要考量，让导航结果的预计抵达时间更为精准。

　　这次事件展现出 Google 地图与现实世界有多么息息相关。Google 执行副总裁 Jen Fitzpatrick 也亲自撰文表示，他们将会推动 Google 地图发展新的技术，因为世界不断在变化──公车班次的增减、新的道路被开拓、自然灾害永久地改变通行路线等等。「这就是为什么地图常常需要更新、确保全面性和准确性的原因。人工智能的重大突破改变了我们制作的地图方法，也让我们能将高品质地图更快地带到了世界各个角落。」

　　除了导航之外　其他有赖人工智能的地图功能

　　除了导航功能之外，其实 Google 地图还有许多实用的功能都是靠人工完成智能。

　　如 Google 曾公开他们如何利用深度神经网路，自动且准确地辨识街道名称、模煳人脸与车牌。在自然场景中由于视觉伪影，如失真、闭塞、定向模煳、杂乱的背景或不同的角度等状况，让传统的光学字符识别(OCR)难以完成辨识。

　　而且为了保护用户的隐私，Google 团队致力于解决这一问题，使用神经网路自动模煳了街景图像中的人脸和车牌，而经过足够的标记数据训练后，AI 也能自动升级 Google 地图相关的最新信息。

　　另一应用在于描绘地图上代表建筑的几何阴影。Google 利用了多层次技术，第一层人工智能负责从卫星照片中辨识出建筑物;第二层的人工智能负责分辨建筑物的轮廓，并去除四周杂物;第叁层则是根据轮廓来描绘出最有可能的建筑物状态。这套系统从 2018 开始，已经绘製了超过 1 亿个新建筑到 Google 地图上了。

　　这套系统在低度开发国家使用效果最好，在政府资讯难以取得的国度，Google 团队利用卫星图和街景的影像，绘制出了奈及利亚大城市拉哥斯(Lagos)的地图，填入了 20,000 条街道名称、50,000 个新地址、与 100,000 间新商家的资讯。

　　像绘制地图这样巨量又繁琐的工作，果然还是得靠AI的协助才有可能完成的呢。