Modele danych Roads Management Insights dotyczące czasu podróży i odczytu prędkości są tworzone przez łączenie różnych źródeł informacji:
Zagregowane dane z Map: najważniejszym źródłem są zagregowane, zanonimizowane dane z Map Google, które pozwalają obliczać prędkość pojazdów w czasie rzeczywistym na drogach na całym świecie.
Dane historyczne o ruchu: z czasem zagregowane dane użytkowników są wykorzystywane do tworzenia historycznych wzorców ruchu, które pomagają systemowi zrozumieć „normalny” ruch na danej drodze o określonej porze i w określonym dniu tygodnia.
Dane dodatkowe: dane historyczne są łączone z innymi danymi, w tym z informacjami pochodzącymi od partnerów zewnętrznych, takich jak lokalne departamenty transportu, a także z opiniami użytkowników Map w czasie rzeczywistym, którzy zgłaszają zdarzenia takie jak wypadki czy roboty drogowe.
Sztuczna inteligencja łączy te źródła informacji, aby na podstawie danych w czasie rzeczywistym określać bieżące warunki, a na podstawie danych historycznych – prognozy podstawowe. Ta fuzja jest kluczowa dla sposobu prognozowania tras, np.:
- Krótkie trasy zależą w dużej mierze od aktualnych informacji w czasie rzeczywistym.
- W przypadku dłuższych tras stosujemy zaawansowane modelowanie AI, w którym pobliskie odcinki są prognozowane na podstawie danych w czasie rzeczywistym, a odleglejsze odcinki w większym stopniu opierają się na wzorcach historycznych.
- W przypadku dróg z ograniczoną liczbą sygnałów w czasie rzeczywistym prognozowanie spowolnień opiera się w większym stopniu na danych historycznych.
Więcej informacji
Więcej informacji o danych drogowych Google znajdziesz na tych blogach Google:
- Jasna strona stania w korkach: crowdsourcing danych o natężeniu ruchu na drogach
- Podstawy Map Google: jak sztuczna inteligencja pomaga przewidywać natężenie ruchu i ustalać trasy
- Prognozowanie natężenia ruchu dzięki zaawansowanym sieciom neuronowym opartym na grafach