0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

AI如何幫助其使用神經(jīng)網(wǎng)絡(luò)收集數(shù)據(jù)以預(yù)測未來的流量

倩倩 ? 來源:百度粉絲網(wǎng) ? 2020-09-10 09:56 ? 次閱讀

Google Maps受到位于倫敦的AI實(shí)驗(yàn)室Deep Minds的幫助,該實(shí)驗(yàn)室由Google的母公司Alphabet擁有,可以為用戶提供準(zhǔn)確的結(jié)果。谷歌在博客文章中解釋了AI如何幫助其使用神經(jīng)網(wǎng)絡(luò)收集數(shù)據(jù)以預(yù)測未來的流量。

The Verge指出,這些數(shù)據(jù)包括從Android設(shè)備匿名收集的實(shí)時(shí)交通信息,歷史交通數(shù)據(jù),速度限制和當(dāng)?shù)卣慕ㄖさ氐?a target="_blank">信息,以及任何給定道路的質(zhì)量,大小和方向等因素。Google地圖產(chǎn)品經(jīng)理Johann Lau在博客文章中寫道:“然后,我們使用機(jī)器學(xué)習(xí)將歷史交通模式的數(shù)據(jù)庫與實(shí)時(shí)交通狀況結(jié)合起來,以基于兩組數(shù)據(jù)生成預(yù)測。”

除了AI之外,Google還依賴于地方政府機(jī)構(gòu)的流量數(shù)據(jù)和用戶的實(shí)時(shí)反饋。

Google指出,其出行量預(yù)測對97%以上的出行始終保持準(zhǔn)確。對于明顯的預(yù)計(jì)到達(dá)時(shí)間(ETA)錯(cuò)誤,Google使用Graph Neural Networks來幫助DeepMind,以幫助其實(shí)現(xiàn)準(zhǔn)確性。Google指出,它在柏林,雅加達(dá),圣保羅,悉尼,東京和華盛頓特區(qū)都取得了進(jìn)步。通過神經(jīng)網(wǎng)絡(luò),Google Maps甚至可以在行程開始之前就更好地預(yù)測行程。

根據(jù)Google的說法,自COVID 19開始以來,全球的流量模式已發(fā)生了巨大變化,因此它將優(yōu)先考慮過去兩到四周的歷史流量模式,并優(yōu)先考慮之前的任何時(shí)間。

在相關(guān)新聞中,Google Maps正在測試該應(yīng)用程序的暗模式。到目前為止,用戶可以在導(dǎo)航選項(xiàng)中使用暗模式,但是根據(jù)9to5Google的報(bào)告,Google可能會(huì)推出應(yīng)用范圍內(nèi)的暗模式。但是,只有APK版本由Google上傳到Play商店,這意味著它們可能會(huì)或可能不會(huì)實(shí)現(xiàn)。

Google Maps 10.5.0版本在“設(shè)置”中描述了一個(gè)新的“外觀”菜單,用戶將在其中具有三個(gè)選項(xiàng):默認(rèn)為設(shè)備主題,深色主題和淺色主題。該報(bào)告指出,創(chuàng)建深色地圖可能是一項(xiàng)艱巨的工作,而不是像倒轉(zhuǎn)顏色那樣簡單。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • Google
    +關(guān)注

    關(guān)注

    5

    文章

    1769

    瀏覽量

    57656
  • 數(shù)據(jù)庫
    +關(guān)注

    關(guān)注

    7

    文章

    3839

    瀏覽量

    64544
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8428

    瀏覽量

    132837
收藏 人收藏

    評論

    相關(guān)推薦

    LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)準(zhǔn)備方法

    : 一、數(shù)據(jù)收集與清洗 數(shù)據(jù)收集 : 根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)的應(yīng)用場景(如時(shí)間序列預(yù)測、自然語言處
    的頭像 發(fā)表于 11-13 10:08 ?747次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測中的應(yīng)用

    時(shí)間序列預(yù)測數(shù)據(jù)分析中的一個(gè)重要領(lǐng)域,它涉及到基于歷史數(shù)據(jù)預(yù)測未來值。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)因其在處理序列
    的頭像 發(fā)表于 11-13 09:54 ?734次閱讀

    關(guān)于卷積神經(jīng)網(wǎng)絡(luò),這些概念你厘清了么~

    取特征的強(qiáng)大工具,例如識(shí)別音頻信號或圖像信號中的復(fù)雜模式就是應(yīng)用之一。 1、什么是卷積神經(jīng)網(wǎng)絡(luò)? 神經(jīng)網(wǎng)絡(luò)是一種由神經(jīng)元組成的系統(tǒng)或結(jié)構(gòu),它使A
    發(fā)表于 10-24 13:56

    BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建模步驟

    BP(Backpropagation)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)核心思想是通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,從而實(shí)現(xiàn)對輸入數(shù)據(jù)
    的頭像 發(fā)表于 07-11 16:57 ?1630次閱讀

    python做bp神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種多層前饋神經(jīng)網(wǎng)絡(luò),通過反向傳播算法進(jìn)行訓(xùn)練。它在許多領(lǐng)域,如模式識(shí)別、數(shù)據(jù)挖掘、預(yù)測分析等,都有廣泛的
    的頭像 發(fā)表于 07-11 10:54 ?1348次閱讀

    bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型建模步驟

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種多層前饋神經(jīng)網(wǎng)絡(luò)核心思想是通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,從而實(shí)現(xiàn)對輸入
    的頭像 發(fā)表于 07-11 10:52 ?589次閱讀

    BP神經(jīng)網(wǎng)絡(luò)樣本的獲取方法

    的訓(xùn)練樣本是至關(guān)重要的。 數(shù)據(jù)收集 數(shù)據(jù)收集是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的第一步。根據(jù)研究領(lǐng)域和應(yīng)用場景的不同,
    的頭像 發(fā)表于 07-11 10:50 ?645次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個(gè)基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來
    的頭像 發(fā)表于 07-10 15:20 ?1205次閱讀

    神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法

    神經(jīng)網(wǎng)絡(luò)模型作為一種強(qiáng)大的預(yù)測工具,廣泛應(yīng)用于各種領(lǐng)域,如金融、醫(yī)療、交通等。本文將詳細(xì)介紹神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法,包括模型設(shè)計(jì)、數(shù)據(jù)
    的頭像 發(fā)表于 07-05 17:41 ?727次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能夠處理序列
    的頭像 發(fā)表于 07-05 09:52 ?610次閱讀

    rnn是什么神經(jīng)網(wǎng)絡(luò)模型

    RNN(Recurrent Neural Network,循環(huán)神經(jīng)網(wǎng)絡(luò))是一種具有循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,它能夠處理序列數(shù)據(jù),并對序列中的元素進(jìn)行建模。RNN在自然語言處理、語音識(shí)別、時(shí)間序列
    的頭像 發(fā)表于 07-05 09:50 ?668次閱讀

    神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小怎么看

    神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小是衡量神經(jīng)網(wǎng)絡(luò)性能的重要指標(biāo)之一。本文將介紹如何評估神經(jīng)網(wǎng)絡(luò)預(yù)測誤差大小,包括誤差的定義、評估方法、誤差分析以及誤差優(yōu)化
    的頭像 發(fā)表于 07-03 10:41 ?1240次閱讀

    如何使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和預(yù)測

    輸入信號,對進(jìn)行加權(quán)求和,然后通過激活函數(shù)進(jìn)行非線性轉(zhuǎn)換,生成輸出信號。通過這種方式,神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)輸入數(shù)據(jù)的復(fù)雜模式和關(guān)系。 神經(jīng)網(wǎng)絡(luò)的類型
    的頭像 發(fā)表于 07-03 10:23 ?793次閱讀

    bp神經(jīng)網(wǎng)絡(luò)模型怎么算預(yù)測

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡稱BP網(wǎng)絡(luò))是一種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,從而實(shí)現(xiàn)對輸入
    的頭像 發(fā)表于 07-03 09:59 ?821次閱讀

    建立神經(jīng)網(wǎng)絡(luò)模型的三個(gè)步驟

    建立神經(jīng)網(wǎng)絡(luò)模型是一個(gè)復(fù)雜的過程,涉及到多個(gè)步驟和細(xì)節(jié)。以下是對建立神經(jīng)網(wǎng)絡(luò)模型的三個(gè)主要步驟的介紹: 第一步:數(shù)據(jù)準(zhǔn)備 1.1 數(shù)據(jù)收集
    的頭像 發(fā)表于 07-02 11:20 ?1061次閱讀