python预测抵达时间eta_图神经网络让预估到达准确率提升50%，谷歌地图实现新突破...

很多人使用谷歌地图(Google Maps)获取精确的交通预测和预估到达时间(Estimated Time of Arrival，ETA)。这是很重要的工具，尤其是当你将途经交通拥堵路段或者需要按时参加重要的会议。

此外，对于拼车服务公司等企业而言，这些功能也很有用。它们使用 Google Maps 平台获取接送时间信息并基于乘车时间估计价格。

DeepMind 研究者与 Google Maps 团队展开合作，尝试通过图神经网络等高级机器学习技术，提升柏林、雅加达、圣保罗、悉尼、东京和华盛顿哥伦比亚特区等地的实时 ETA 准确率，最高提升了 50%。下图为这些城市的 ETA 提升率：

Google Maps 如何预测 ETA

为了计算 ETA，Google Maps 分析了世界各地不同路段的实时交通数据。这些数据为 Google Maps 提供了目前交通状况的精确图景，但是它却无法帮助司机预计车程时间是 10 分钟、20 分钟，还是 50 分钟。

所以，为了精确地预测未来交通状况，Google Maps 使用机器学习将全球道路的实时交通状况和历史交通模式结合起来。这一过程非常复杂，原因很多。例如，早晚高峰每天都会有，但每一天、每一月的高峰期确切时间有很大不同。道路质量、限速、交通事故等因素也增加了交通预测模型的复杂度。

DeepMind 团队与 Google Maps 合作尝试提升 ETA 准确率。Google Maps 对超过 97% 的行程有着精确的 ETA 预测，DeepMind 与 Google Maps 的合作目的是将剩下那些预测不准确的情况最小化，例如