HOV-specifični ETI u Google Maps: Kako smo to postigli

Google Maps nedavno je predstavio funkciju koja omogućuje vozačima odabir ruta koje uključuju HOV trake i pregled ETI tih ruta. U ovom blogu objasnimo kako smo razvili ovu funkciju i kako smo stvorili klasifikacijski sustav za određivanje HOV putovanja od putovanja bez HOV-a, što je rezultiralo lansiranjem HOV-specifičnih ETI u Google Maps.

HOV-optimizirane opcije ruta u Google Maps

Razvoj HOV-specifičnih ETI

Za procjenu vremena putovanja HOV-om, prvo smo utvrdili prošla vremena putovanja HOV-om analizom agregiranih i anonimiziranih trendova prometa. Zatim smo koristili ove utvrđena vremena za treniranje naših modela predviđanja ETI specifično za HOV trake. Međutim, identifikacija HOV putovanja nije jednostavno. Jednostavne podatke kao što je brzina mogu biti slični i za HOV i za korisnike bez HOV-a, posebno kada je promet lagan. Ipak, HOV uzorci putovanja imaju nekoliko distinkivnih i korisnih ograničenja, uključujući ograničenja dostupnosti na temelju lokacije, vremena dana i izuzetnih događaja. Da bismo riješili ove probleme, razvili smo ne-nadzirani pristup učenja, izvršavajući klasifikaciju bez početnih oznaka (HOV vs. bez HOV-a). Izvršili smo zadatak klasifikacije dijelova putovanja koji se nalaze na pojedinim segmentima cesta koji imaju dostupnost HOV-a. Ukupna klasifikacija putovanja zatim se određuje kombiniranjem klasifikacija na razini segmenta.

Klasifikacija na razini segmenta

Za svaki pojedini segment, obrađujemo zbirku dijelova putovanja iz različitih putovanja koja se nalaze na tom segmentu u kratkom vremenskom prozoru, na primjer, 15 minuta. Cilj nam je klasificirati ove dijelove putovanja koristeći informacije i iz samog putovanja i iz drugih putovanja koja su se dogodila u istom vremenskom prozoru. Svako putovanje sastoji se od nekoliko promatranja, ili “točaka putovanja”, zabilježenih tijekom vremena putovanja. Ove točke uključuju informacije kao što su brzina, bočna udaljenost od središta ceste i vrijeme promatranja. Najistaknutija značajka u ovoj klasifikaciji je informacija o brzini. U stvari, naš zadatak klasifikacije vrijedniji je kada su vremena putovanja na HOV trakama različita od vremena putovanja na općim trakama. U takvim scenarijima često posmatramo dvomodalnu distribuciju brzine, dva distinkta uzorka prometa koji se istovremeno pojavljuju. Na primjer, u sljedećoj slici prikazani su anonimizirani agregirani podaci o brzini prikupljeni između 16:00 i 16:30 na Seattleovom I5, što to jasno pokazuje, s bržim brzinama koje vjerojatno odgovaraju vozilima koja koriste HOV trake. Zovemo ovo Scenarij A.

Scenarij A: Distribucija brzine na segmentu s dostupnošću HOV-a tijekom satnog vremena kada su brzine HOV-a mnogo brže od brzine na općim trakama.

Analizom podataka o brzini možemo razlikovati između HOV i korisnika bez HOV-a kada su njihova vremena putovanja značajno različita. Međutim, moguće je da postoji primjetna razlika između vremena putovanja, ali da nije nužno značajna. Na primjer, sljedeći grafik prikazuje distribuciju brzine za isti segment tijekom satnog vremena, ali kada je HOV samo malo brži. Zovemo ovo Scenarij B.

Scenarij B: Distribucija brzine na segmentu s dostupnošću HOV-a tijekom satnog vremena kada su brzine HOV-a brže od brzine na općim trakama, ali nisu značajno brže.

Izvan brzine: Uključenje procijenjene bočne udaljenosti

Iako je brzina jak signal, istražili smo i druge faktore kako bismo poboljšali klasifikaciju. Procijenjena bočna udaljenost do središta ceste, iako je urodna zbog nepreciznosti GPS-a, pokazala se korisnom kada se kombinira s brzinom. Čak i s nekim nepreciznostima, informacija o udaljenosti pomaže istaknuti ponašanje specifično za trake, posebno kada se razlikuje od susjednih općih traka. Dva sljedeća grafikona ilustriraju dvije distribucije brzine koje smo ranije diskutirali. Prikazuju anonimizirane satne prometne podatke u Seattleovom metropolitanskom području na segmentu autoceste s pet traka, gdje su dvije HOV trake smještene na lijevoj strani.

Zaključak

U ovom članku istražili smo kako smo razvili HOV-specifične ETI u Google Maps. Koristili smo ne-nadzirani pristup učenja za klasifikaciju putovanja na temelju podataka o brzini i bočnoj udaljenosti. Ovo je omogućilo preciznije predviđanje vremena putovanja i optimizaciju ruta za korisnike HOV-a, što je korisno za putnike koji žele smanjiti vrijeme putovanja i doprinositi smanjenju gužve i emisija.

Česta pitanja

Kako Google Maps određuje HOV putovanja?

Google Maps određuje HOV putovanja analizom podataka o brzini i bočnoj udaljenosti. Koristimo ne-nadzirani pristup učenja za klasifikaciju putovanja na temelju ovih podataka, što nam omogućava preciznije predviđanje vremena putovanja.

Zašto su HOV-specifični ETI važni?

HOV-specifični ETI važni su zato što omogućavaju korisnicima da odaberu najefikasnije rute koje uključuju HOV trake, što može smanjiti vrijeme putovanja i doprinijeti smanjenju gužve i emisija.

Možete li koristiti ovu funkciju u drugim zemljama?

Trenutno, ova funkcija je dostupna samo u područjima gdje su HOV trake dostupne. Google Maps kontinuirano ažurira svoje funkcije na temelju dostupnih podataka i korisničkih povratnih informacija.

Kako se ova funkcija koristi?

Korisnici mogu odabrati opciju za prikaz HOV-optimiziranih ruta u Google Maps aplikaciji. Nakon odabira, aplikacija će prikazati procijenjeno vrijeme putovanja za odabranu rutu, uzimajući u obzir dostupnost HOV traka.