DeepMind今天详细介绍了与Google的合作，据报道，在某些地区，包括柏林，雅加达，圣保罗，悉尼，东京和华盛顿特区，谷歌地图和Google Maps Platform API中的实时驾驶ETA的准确性提高了50%。通过使用机器学习技术，DeepMind声称通过合并对道路网络建模的关系学习偏差，将交通预测的不准确性降至最低。
Google Maps会分析世界各地道路的实时路况，以计算出ETA，这可以为平台提供当前路况的图片，但不考虑驾驶员可能希望在行驶路线上看到10、20或50分钟的情况。Google Maps依靠机器学习来将交通状况与全球道路的历史模式结合起来。为了实现这一目标，DeepMind开发了一种称为图神经网络的架构，该架构可以进行时空推理。
Google Maps将道路网络划分为“超网段”，该“超网段”包含多个共享大量交通流量的相邻道路段。路由分析器处理数TB的交通信息以构建超级段，而通过多个目标优化的图神经网络模型预测每个超级段的行驶时间。
神经网络将每个本地道路网络视为一个图形，其中路线段对应于节点，并且边线存在于连续的路段和通过交叉路口连接的路段之间。超级路段实际上是与交通密度成比例地随机采样的道路子图，并通过消息传递算法链接，该算法了解对边缘和节点状态的影响。
因为图神经网络可以概括，所以每个超段的长度和复杂度都可能有所不同，从两段路线到包含数百个节点的更长路线。DeepMind表示，其实验通过扩展到相邻道路而获得了预测能力的提升。该公司在博客中写道：“例如，考虑一条小巷的拥堵如何溢出，从而影响较大道路上的交通。”“通过跨越多个交叉路口，该模型可以自然地预测转弯处的延误，归并引起的延误以及走走停停的通行时间。”
元在训练过程中动态调整图形神经网络的学习率，使系统学习自己的最优学习率计划。据DeepMind介绍，通过在训练时自动调整学习率，模型不仅比之前的训练质量更高，而且自动学习降低了学习率，结果更加稳定。
DeepMind继续说道：“由于我们与Google Maps团队进行了密切而富有成果的合作，因此我们得以大规模应用这些新颖和新开发的技术。”“我们共同克服了研究难题以及生产和可扩展性问题。最后，最终的模型和技术导致了成功的发布。”
DeepMind与Google Maps团队的合作遵循了实验室与Google产品部门的其他合作伙伴关系，包括努力改善Google Play商店的发现系统。除了Google之外，DeepMind还提供了算法，框架和方法，以支持Waymo的自动驾驶系统。
