Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. September 2020 · Q004193

Traffic prediction with advanced Graph Neural Networks

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepMind und Google Maps entwickelten laut Bericht ein Graph Neural Network, das Fahrzeiten auf zusammenhängenden Straßenabschnitten vorhersagt und dabei auch Verkehrseinflüsse über Kreuzungen und Nebenstraßen berücksichtigt. Die Autoren berichten von teils deutlich genaueren ETAs sowie stabilerem Training durch dynamische Lernraten und kombinierte Verlustfunktionen; eine detaillierte unabhängige Überprüfung der genannten Verbesserungen enthält der Text nicht.

Mittel

Der Bericht stellt eine Zusammenarbeit von DeepMind und Google Maps zur Verbesserung von Ankunftszeitprognosen vor. Laut den Autoren waren ETAs bereits für über 97 Prozent der Fahrten genau; die neue Methode sollte die übrigen Fehler reduzieren. DeepMind berichtet von Verbesserungen um bis zu 50 Prozent in mehreren Städten, mit je nach Ort unterschiedlichen Werten.

Die Lösung gruppiert verkehrsrelevante, verbundene Straßenabschnitte zu „Supersegments“ und sagt deren Fahrzeiten mithilfe eines Graph Neural Network (GNN) voraus. Straßenabschnitte bilden dabei Knoten, Verbindungen im Straßennetz die Kanten. So kann ein Modell unterschiedlich große Straßenbereiche bearbeiten und auch Einflüsse angrenzender Straßen, Kreuzungen und Abbiegevorgänge einbeziehen. Frühere Einzelmodelle hätten für den Einsatz Millionen trainierter Modelle erfordert.

Für stabilere Ergebnisse passte das Team die Lernrate während des Trainings mit MetaGradients an und kombinierte mehrere Verlustfunktionen. Die Autoren berichten von besseren Ergebnissen auf Testdaten und im Gesamtsystem. Die Leistungswerte sind Angaben des Berichts; detaillierte Messmethodik und unabhängige Überprüfung werden im vorliegenden Text nicht ausgeführt.

Ausführlich lesen

Der Bericht beschreibt eine Zusammenarbeit von DeepMind und Google Maps, deren Ziel es war, die Vorhersage von Ankunftszeiten (ETAs) zu verbessern. Google Maps nutzt aktuelle Verkehrsdaten und historische Muster, um auch die Verkehrslage während der kommenden Fahrt einzuschätzen. Laut Bericht waren die Vorhersagen bereits für mehr als 97 Prozent der Fahrten genau; die Arbeit sollte die verbleibenden Fehler weiter verringern. DeepMind gibt an, die ETA-Genauigkeit in mehreren Städten um bis zu 50 Prozent verbessert zu haben. Die beigefügte Grafik weist je nach Stadt unterschiedliche Verbesserungen aus, darunter 51 Prozent in Taichung sowie 16 Prozent in London und Kopenhagen.

Als Kern der Lösung nennt der Bericht Graph Neural Networks (GNNs). Zunächst werden zusammenhängende Straßenabschnitte mit relevantem Verkehrsaufkommen zu sogenannten „Supersegments“ gruppiert. Ein System verarbeitet Verkehrsinformationen, um diese Einheiten zu bilden; ein GNN sagt anschließend ihre Fahrzeiten voraus. Die Vorhersagen werden zusammen mit möglichen Routen zur Rangfolge der Routen nach erwarteter Fahrzeit verwendet.

Die Entwicklung erforderte eine Architektur, die Straßenabschnitte variabler Länge und Komplexität mit einem einzigen Modell verarbeiten kann. Ein erster Ansatz trainierte ein vollständig verbundenes neuronales Netz für jedes Supersegment. Obwohl die Ergebnisse vielversprechend gewesen seien, hätte der Einsatz Millionen einzelner Modelle erfordert. Rekurrente Netze wurden ebenfalls erwogen, boten laut den Autoren aber keine geeignete Möglichkeit, die Straßenstruktur einzubeziehen. Beim GNN bilden Straßenabschnitte Knoten; Kanten verbinden aufeinanderfolgende Abschnitte oder Abschnitte, die über Kreuzungen verbunden sind. Während des Nachrichtenaustauschs zwischen benachbarten Knoten lernt das Modell, wie sich Verkehrsinformationen im Straßennetz ausbreiten. So kann es auch Nebenstraßen, Abbiegevorgänge, Einfädelungen und Stop-and-go-Verkehr berücksichtigen. Unterschiedlich große Straßengraphen lassen sich mit demselben Modell bearbeiten.

Für den produktiven Einsatz war laut Bericht außerdem die schwankende Leistung zwischen Trainingsläufen ein Problem. Die große Bandbreite der Graphgrößen im Training machte das Modell empfindlich gegenüber der Trainingsabfolge. Die Autoren berichten, dass sie MetaGradients nutzten, um die Lernrate während des Trainings dynamisch anzupassen. Das Modell habe damit bessere und stabilere Ergebnisse erzielt und seine Lernrate selbst verringert. Zusätzlich kombinierte das Team mehrere gewichtete Verlustfunktionen, darunter Regularisierung sowie L1-, L2-, Huber- und Negativ-Log-Likelihood-Verluste. Das habe die Übertragbarkeit auf zurückgehaltene Testdaten und End-to-End-Versuche verbessert, auch wenn sich die Trainingsmesswerte selbst nicht änderten. Die Autoren bezeichnen frühe Versuche, MetaGradients auch zur Anpassung der Zusammensetzung dieser Verluste einzusetzen, als vielversprechend.

Die Ergebnisse und Leistungsangaben sind Behauptungen der Verfasser. Der Bericht erläutert den Ansatz und nennt Verbesserungswerte, liefert hier aber keine unabhängige Prüfung oder detaillierte Auswertung der Messmethodik, Vergleichszeiträume und Unsicherheiten. Er führt den erfolgreichen Start der neuen Modelle auf die Zusammenarbeit mit dem Google-Maps-Team zurück.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung wurde unabhängig von Lunas Stufen vergeben. Der Bericht ist ein Blogbeitrag über ein Verkehrsvorhersagemodell und beantwortet keine Frage der KI-Governance. Lunas Stufen 4 und 0 bei SF-H3, SF-T3, SF-V5 und SF-E4-T02 passen daher nicht zum Inhalt.

Im Bericht, aber nicht in der Zusammenfassung

  • Konkrete Verbesserungswerte je Stadt, etwa 16 % in London und Kopenhagen bis 51 % in Taichung
  • Der Einsatz in Produktion bei Google Maps und Google Maps Platform APIs
  • Die Verlustfunktion mit Regularisierung, L1- und L2-Verlusten sowie Huber- und NLL-Verlusten pro Knoten
  • Die Schwierigkeit, dass Graph Neural Networks stark auf Trainingszusammensetzung und Graphgrößen reagieren

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 40 %einzelne zitierbare Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 72 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 51 %einzelne zitierbare Belege
    • JEV 34 %beantwortet teilweise oder widerspricht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →