Grâce au « machine learning » de DeepMind, Google améliore la précision des durées de trajet dans Google Maps. 

Cela vous intéressera aussi

[EN VIDÉO] La voiture autonome de Google testée sur la voie publique On devrait bientôt pouvoir croiser la Google Car sur les routes californiennes. En effet, ce...

Pour 97 % des déplacements en navigation, Google Maps se targue de délivrer une estimation exacte de l'heure d'arrivée. Mais ça, c'était avant... la crise sanitaire et une réduction drastique du trafic mondial pendant plusieurs mois et une reprise progressive. L'algorithme essentiellement basé sur l'information de trafic en temps réel, ne permet pas toujours d'obtenir un horaire d'arrivée correct dans certaines zones où le trafic est très dense. Même en exploitant l'historique de circulation pour déterminer précisément l'heure de pointe quotidienne, ce n'est pas si évident.

Elle peut différer en raison de nombreux paramètres. C'est, par exemple, le cas de l'état de la route ou encore de l'encombrement d'une voie secondaire. Ces éléments annexes vont parfois engendrer quelques dizaines de minutes après un énorme bouchon sur un axe principal. Au final, pour certains secteurs, l'horaire d'arrivée déterminé au départ ne sera pas forcément le même une vingtaine de minutes plus tard. Et avec la crise du Covid-19Covid-19, ce mix fonctionne encore moins bien. C'est pourquoi, pour obtenir plus de précision, GoogleGoogle a décidé de faire appel à DeepMind, le supercalculateur de la maison mère Alphabet.

Jusqu’à 50 % d’amélioration de la précision

Le blog du supercalculateursupercalculateur explique que c'est à partir du « machine learning », c'est-à-dire un système d'apprentissage automatique, que les prédictions sont réalisées. Pour augmenter la précision, les réseaux routiers, avec les axes principaux et les voies secondaires, sont regroupés sous la forme de « supersegments ». Et ce sont des réseaux neuronaux dédiés à chaque zone qui viennent analyser les To de données. Les données sont constituées du trafic saisonnier, des taux d'accidentologie localisés, des travaux et de l'état de la route. L'historique des conditions de trafic sur les quatre derniers mois est également intégré afin de disposer de données récentes des altérations du trafic, comme ce fut le cas lors du confinement.

Baptisée Graph Neural NetworksNeural Networks, la modélisationmodélisation pourrait atteindre, selon Google, une augmentation de la précision allant jusqu'à 51 % pour certains secteurs, et notamment la ville de Taichung en Chine, ou encore de 43 % à Sidney. Dans d'autres secteurs urbains denses, comme Berlin, la précision augmente de 21 % et 16 % à Londres, par exemple.