مفاهیم «داده‌های کلیدی مدیریت راه‌ها»

مدل‌های داده «داده‌های کلیدی مدیریت راه‌ها» با ترکیب منابع اطلاعاتی مختلف ساخته شده‌اند تا داده‌های کلیدی درباره ازدحام جاده‌ها ارائه دهند.

راه‌بندان

مدل‌های داده «داده‌های کلیدی مدیریت راه‌ها» برای مدت سفر و خواندن سرعت با ترکیب منابع اطلاعاتی مختلف ساخته شده‌اند:

• داده‌های انبوهشی نقشه‌ها: مهم‌ترین منبع، داده‌های انبوهشی و ناشناس‌سازی‌شده از Google Maps است که به Google Maps امکان می‌دهد سرعت هم‌زمان وسایل نقلیه را در جاده‌های سراسر جهان محاسبه کند.

• داده‌های ترافیک گذشته: با گذشت زمان، از داده‌های انبوهشی کاربر برای ساختن الگوهای ترافیک گذشته استفاده می‌شود که به سیستم کمک می‌کند ترافیک «عادی» را برای جاده‌ای خاص در هر زمان و روز مشخصی از هفته درک کند.

• داده‌های تکمیلی: داده‌های سابقه با داده‌های دیگر ترکیب می‌شود، ازجمله اطلاعات طرف سوم از شرکایی مثل «ادارات حمل‌ونقل» محلی، و همچنین بازخورد هم‌زمان کاربران Maps که حوادثی مثل تصادف یا ساخت‌وساز را گزارش می‌کنند.

هوش مصنوعی این منابع اطلاعاتی را باهم ترکیب می‌کند تا شرایط فعلی را با داده‌های هم‌زمان درک کند و پیش‌بینی‌های پایه را با داده‌های تاریخی ارائه دهد. این ادغام برای نحوه پیش‌بینی مسیرها کلیدی است، برای مثال:

• مسیرهای کوتاه تا حد زیادی به اطلاعات کنونی و هم‌زمان بستگی دارد
• مسیرهای طولانی‌تر از مدل‌سازی هوش مصنوعی پیشرفته استفاده می‌کنند که در آن بخش‌های نزدیک بااستفاده از داده‌های هم‌زمان پیش‌بینی می‌شوند، درحالی‌که بخش‌های دورتر بیشتر به الگوهای پیشین متکی هستند.
• جاده‌هایی که سیگنال‌های هم‌زمان محدودی دارند، برای پیش‌بینی کندی ترافیک بیشتر به داده‌های سابقه‌ای خود متکی هستند.

فاصله‌های تندخوانی

بازه خواندن سرعت (SRI) بخش پیوسته‌ای از مسیر است که ترافیک در آن در یک دسته سرعت قرار می‌گیرد. درمجموع، فاصله‌های خواندن سرعت مسیر کل مسیر را به‌ترتیب از مبدأ تا مقصد پوشش می‌دهد.

دسته‌های سرعت

دسته‌های سرعت با رنگ‌های نشان‌داده‌شده در لایه ترافیک Google Maps مطابقت دارد:

دسته سرعت	رنگ ترافیک Google Maps	شرح
NORMAL	سبز	ترافیک روان است؛ جریان کند ترافیک شناسایی نشد.
SLOW	زرد	کاهش سرعت شناسایی شده است، اما ترافیک سنگینی ایجاد نشده است.
TRAFFIC_JAM	قرمز	ترافیک تشخیص داده شد.
TRAFFIC_JAM_HEAVY	قرمز تیره	ترافیک سنگین شناسایی شده است. از ۸ اکتبر ۲۰۲۶ فقط در فواصل خواندن سرعت مبتنی بر افست (speed_reading_offsets) دردسترس است.

قالب‌ها

• فاصله‌های خواندن سرعت مبتنی بر انحراف (speed_reading_offsets): هر فاصله با start_offset (شامل) و end_offset (غیرشامل) مشخص می‌شود که برحسب متر از شروع مسیر اندازه‌گیری می‌شود. end_offset هر بازه با start_offset بازه بعدی برابر است.

  برای مثال، یک مسیر ۱۰۰ متری که ۸۰ متر اول آن ترافیک سنگین دارد و ۲۰ متر باقی‌مانده آن ترافیک روان دارد به‌صورت زیر نشان داده می‌شود:

  start_offset	end_offset	speed
  0	80	SLOW
  80	100	NORMAL

• فاصله‌های خواندن سرعت مبتنی بر مختصات (speed_reading_intervals، قدیمی): هر فاصله با مختصات چندخطی تعریف می‌شود (interval_coordinates). در این قالب، ترافیک سنگین (قرمز تیره) به‌صورت TRAFFIC_JAM گزارش می‌شود؛ TRAFFIC_JAM_HEAVY هرگز استفاده نمی‌شود. این فیلد قدیمی ممکن است در ۱۳ ژانویه ۲۰۲۷ یا پس‌از آن دیگر پر نشود. درعوض از speed_reading_offsets استفاده کنید.

برای جزئیات طرح‌واره، به داده‌های هم‌زمان جاده و جدول recent_roads_data مراجعه کنید.

جدول‌های BigQuery

برای پُرسمان کردن داده‌های انباشته‌شده برای مدت سفر و فواصل خواندن سرعت، historical_travel_timeجدول و recent_roads_dataجدول را در BigQuery ببینید.