Googleマップは、同社の最も広く使われている製品の一つであり、今後の交通渋滞を予測する機能は、多くのドライバーにとって欠かせないものとなっている。毎日10億キロ以上の道路がアプリの助けを借りて運転されているとGoogleは言う。その機能は、ロンドンベースのAI研究所DeepMindからの機械学習ツールのおかげでより正確になっている、とGoogleは2日に公開されたブログ記事で説明している。

ブログ記事では、GoogleとDeepMindの研究者が、様々なソースからデータを取得し、それを機械学習モデルにフィードしてトラフィックの流れを予測する方法を説明している。このデータには、Android端末から匿名で収集したライブの交通情報、過去の交通データ、地方自治体からの制限速度や工事現場のような情報、さらには任意の道路の質や大きさ、方向などの要素が含まれている。

この情報はすべてDeepMindによって設計されたニューラルネットワークに供給され、データ内のパターンをピックアップし、将来のトラフィックを予測するためにそれらを使用している。Googleは、その新しいモデルは、いくつかの都市で50パーセントまででGoogleマップのリアルタイムの予測到着時刻(ETA)の精度を向上させたと言う。それはまた新型コロナの発生および道路の使用法の変更を織り込んだ予測をするのに使用するデータを変えなければならなかったという。

「2020年初頭にロックダウンが始まったときには、世界中のトラフィックが最大50%減少していた」とGoogle MapsプロダクトマネージャーのJohann Lauは書いている。「この突然の変化を考慮して、我々は最近モデルを更新し、より機敏になるようにした。 過去2週間から4週間の過去のトラフィックパターンを自動的に優先し、それ以前の時間のパターンを優先する」

このモデルは、地図を Google が「スーパーセグメント」と呼ぶものに分割することで機能する。これらのそれぞれは、その区間の交通量を予測する個々のニューラルネットワークとペアになっている。これらのスーパーセグメントがどの程度の大きさなのかは明らかではないが、グーグルは「動的なサイズ」を持っており、交通量に応じて変化することを示唆しており、それぞれが「テラバイト」のデータを利用していると指摘している。このプロセスの鍵は、グラフニューラルネットワークとして知られる特殊なタイプのニューラルネットワークを使用することだ。

ETAを計算するために、Googleマップは世界中の道路セグメントのライブトラフィックデータを分析している。このデータはGoogleマップに現在の交通量の正確な画像を与えるが、ドライバーが10分、20分、あるいは50分後に見ることを期待できる交通量を考慮していない。正確に将来のトラフィックを予測するために、Google Mapsは機械学習を使用して、世界中の道路の過去のトラフィックパターンとライブのトラフィック条件を組み合わせている。

「このプロセスはいくつかの理由から複雑である。例えば 、ラッシュアワーは必然的に毎朝と夕方に発生するにもかかわらず、ラッシュアワーの正確な時間は日によって、また月によって大きく異なることがある。また、道路の質、制限速度、事故、閉鎖などの追加要因が予測モデルの複雑さを増すこともある」とDeepMindのOliver LangeとLuis Perezはブログに書いている。「スーパーセグメントを用いて移動時間を推定する機械学習システムを作成する際に解決すべき最大の課題は、アーキテクチャ的なものです。1つのモデルで成功を収めることができるような方法で、接続されたセグメントの動的なサイズの例を任意の精度で表現するにはどうすればよいのだろうか」。

彼らの最初の概念実証は、既存の交通システム、特に既存の道路網のセグメンテーションとそれに関連するリアルタイムデータパイプラインを可能な限り利用するというシンプルなアプローチから始まった。これは、スーパーセグメントが道路セグメントのセットをカバーしていることを意味し、各セグメントは特定の長さと対応する速度特徴を持っている。

最初に、我々は各スーパーセグメントに対して単一の完全に接続されたニューラルネットワークモデルを訓練した。この初期結果は有望であり、ニューラルネットワークを使用して移動時間を予測できる可能性があることを示した。しかし、スーパーセグメントの動的なサイズを考えると、各スーパーセグメントに対して個別に訓練されたニューラルネットワークモデルが必要だった。これを大規模に展開するには、これらのモデルを何百万も訓練しなければならず、インフラストラクチャーに大きな課題をもたらしていた。

そこで、リカレント・ニューラル・ネットワーク(RNN)のような可変長のシーケンスを扱えるモデルを検討することになりました。しかし、道路ネットワークからさらに構造を取り入れることは難しいことがわかった。その代わりに,グラフニューラルネットワークを使うことにした。交通をモデル化する際には、自動車が道路のネットワークをどのように流れるかに興味があり、グラフニューラルネットワークはネットワークのダイナミクスと情報伝播をモデル化することができる。

「我々のモデルでは、ローカル道路ネットワークをグラフとして扱い、各ルートセグメントがノードに対応し、同じ道路上で連続しているセグメント間や交差点を介して接続されているセグメント間にエッジが存在する。グラフニューラルネットワークでは、メッセージパッシングアルゴリズムを実行し、そのメッセージとエッジやノードの状態への影響をニューラルネットワークで学習する。この観点から、我々のスーパーセグメントは、交通密度に比例してランダムにサンプリングされた道路のサブグラフである。そのため、これらのサブグラフを用いて単一のモデルを学習することができ、大規模な展開が可能である」とLangeらは記述している。