是什么让百度地图的事故预测如此准确 请大数据赐教

砍柴网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

『引言:AI的浪潮势不可挡,在无数大众最熟悉的生活场景中,其实蕴含着许多未被发现的秘密。这些“深藏功与名”的AI技术,在最基础的功能背后,却演绎着数据和算法最动人的一面。百度地图将通过揭秘黑 科技 一系列专题,讲讲地图日常功能背后的技术。

本期内容将为你展示,百度地图如何通过大数据的自学能力,进行堪比“福尔摩斯”的交通事故推演,找出引起拥堵的真正原因,并及时送上提醒和时间参考,避免用户误入一场由事故引起的“世纪大堵车”。』

你知道自己每年要浪费多少时间在堵车中吗?答案恐怕是难以估量的。尤其是事故造成的拥堵,一旦发生交通事故,高速路也变成了“降速路”。不过,有的导航却似乎有着“未卜先知”的能力,即使没有用户上报,也能够准确推测事故并提醒拥堵时间。

“小度助手推测当前道路可能发生了事故,请来往车辆提前注意避让。”“已拥堵超过2小时,超过1小时消散。”相信不少用过百度地图的人都见过类似的提醒,当感叹越来越精准的地图软件让出行更顺畅之时,你是不是也好奇过,它是怎么知道前面有事故,而且这么判断的这么快、这么准就?这就要归功于大数据的功劳。

是什么让百度地图的事故预测如此准确 请大数据赐教

百度地图事故提醒

整体而言,百度地图之所以能够洞察交通事故,主要是通过大数据能力,学习用户上报事件的特征,结合当前路段的实时轨迹特征,进行时空校验,从而判断事故信息。

首先,要在拥堵道路中选取前后一段时间都有用户上报的路段作为正样本,这意味着这段路确实发生了事故,再选取前后很大范围都没有用户上报的路段作为负样本。当然,这样选取的负样本数量会远远多于正样本,需要按照通行流量对负样本排序,选其中流量较大的前几名,用以平衡正负样本的数量。

其次,要提取道路的特征。这既包含长度,限速、通行等级等自身属性,也包含实时路况速度,路段历史拥堵概率等路段特征,同时还包含上下游实时路况拥堵程度、历史上下游发生事故概率等连续性的空间特征。

接下来,便是进行模型预测。按照道路等级等信息,可将样本划分为不同类别。分别训练出不同类别的样本和不同城市的模型。依次访问不同的模型组合,寻找效果最优的“人工集成模型”。集成后的模型应用在不同城市时,分别使用不同的标准来划分。至此,便完成了对事故的判断。

最终,推断出确有事故发生时,就到了进一步判断事故发生位置的环节。这一环节可分为两种情况:如果拥堵路段速度变化不大,则用训练好的“回归模型”预测事故位置;若拥堵路段速度变化较大,则拟合速度的二次曲线,输入道路中多个坐标试验,速度最小值偏下游的地方就是事故的发生地。

是什么让百度地图的事故预测如此准确 请大数据赐教  

拥堵路段速度变化较小时位置判断

是什么让百度地图的事故预测如此准确 请大数据赐教

拥堵路段速度变化较大时位置判断

判断事故及其位置后,便是第一时间告知用户。百度地图的事故提醒在准确性的基础上还包含了许多其他细节,事故位置、距离、通过时间、预计消散时间等一应俱全,用户看起来更清晰直观。

是什么让百度地图的事故预测如此准确 请大数据赐教

百度地图事故提醒详情页

讲完了事故推演,我们来说说拥堵路段的消散时间是如何计算的。

关于拥堵的消散时间,我们可以理解为未来一段时间的路况预测。目前百度地图实现了分钟级消散时间预测,举个例子,如果我们预测未来5分钟路况分别是拥堵,拥堵,拥堵,畅通,畅通,那么对应的消散时间就是三分钟。

目前百度地图实时路况监测的准确率在99%以上,因此路况预测通常以实时路况作为样本。对于要预测的路段,百度地图将时间维度与历史路况、实时路况、路段长度、通行能力等综合影响因素纳入DNN神经网络,分别得出畅通,缓行,拥堵,严重拥堵4个级别路况。再以每分钟内的通行情况是畅通还是拥堵,来推断这段拥堵的消散时间。

流动的交通使路况变化万千,要实现精准的交通服务,离不开大数据的支撑。不得不说,基于大数据资源进行深层次挖掘的百度地图,给我们带来了更有保障的出行和愈加便利的生活。而对于未来交通的预测,也有望成为交通大数据的又一个核心价值。

随意打赏

百度地图大数据大数据发展前景百度地图导航什么是大数据百度全景地图百度地图下载百度一下搜狗地图高德地图
提交建议
微信扫一扫,分享给好友吧。