一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

AI如何幫助其使用神經網絡收集數據以預測未來的流量

倩倩 ? 來源:百度粉絲網 ? 2020-09-10 09:56 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

Google Maps受到位于倫敦的AI實驗室Deep Minds的幫助,該實驗室由Google的母公司Alphabet擁有,可以為用戶提供準確的結果。谷歌在博客文章中解釋了AI如何幫助其使用神經網絡收集數據以預測未來的流量。

The Verge指出,這些數據包括從Android設備匿名收集的實時交通信息,歷史交通數據,速度限制和當地政府的建筑工地等信息,以及任何給定道路的質量,大小和方向等因素。Google地圖產品經理Johann Lau在博客文章中寫道:“然后,我們使用機器學習將歷史交通模式的數據庫與實時交通狀況結合起來,以基于兩組數據生成預測。”

除了AI之外,Google還依賴于地方政府機構的流量數據和用戶的實時反饋。

Google指出,其出行量預測對97%以上的出行始終保持準確。對于明顯的預計到達時間(ETA)錯誤,Google使用Graph Neural Networks來幫助DeepMind,以幫助其實現準確性。Google指出,它在柏林,雅加達,圣保羅,悉尼,東京和華盛頓特區(qū)都取得了進步。通過神經網絡,Google Maps甚至可以在行程開始之前就更好地預測行程。

根據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間。

在相關新聞中,Google Maps正在測試該應用程序的暗模式。到目前為止,用戶可以在導航選項中使用暗模式,但是根據9to5Google的報告,Google可能會推出應用范圍內的暗模式。但是,只有APK版本由Google上傳到Play商店,這意味著它們可能會或可能不會實現。

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

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯系本站處理。 舉報投訴
  • Google
    +關注

    關注

    5

    文章

    1789

    瀏覽量

    58975
  • 數據庫
    +關注

    關注

    7

    文章

    3925

    瀏覽量

    66169
  • 機器學習
    +關注

    關注

    66

    文章

    8501

    瀏覽量

    134556
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    無刷電機小波神經網絡轉子位置檢測方法的研究

    摘要:論文通過對無刷電機數學模型的推導,得出轉角:與三相相電壓之間存在映射關系,因此構建了一個以三相相電壓為輸人,轉角為輸出的小波神經網絡來實現轉角預測,并采用改進遺傳算法來訓練網絡結構與參數,借助
    發(fā)表于 06-25 13:06

    神經網絡壓縮框架 (NNCF) 中的過濾器修剪統計數據怎么查看?

    無法觀察神經網絡壓縮框架 (NNCF) 中的過濾器修剪統計數據
    發(fā)表于 03-06 07:10

    使用BP神經網絡進行時間序列預測

    使用BP(Backpropagation)神經網絡進行時間序列預測是一種常見且有效的方法。以下是一個基于BP神經網絡進行時間序列預測的詳細步驟和考慮因素: 一、
    的頭像 發(fā)表于 02-12 16:44 ?766次閱讀

    BP神經網絡與卷積神經網絡的比較

    多層。 每一層都由若干個神經元構成,神經元之間通過權重連接。信號在神經網絡中是前向傳播的,而誤差是反向傳播的。 卷積神經網絡(CNN) : CNN主要由卷積層、池化層和全連接層組成。
    的頭像 發(fā)表于 02-12 15:53 ?654次閱讀

    BP神經網絡的優(yōu)缺點分析

    自學習能力 : BP神經網絡能夠通過訓練數據自動調整網絡參數,實現對輸入數據的分類、回歸等任務,無需人工進行復雜的特征工程。 泛化能力強 : BP
    的頭像 發(fā)表于 02-12 15:36 ?906次閱讀

    什么是BP神經網絡的反向傳播算法

    神經網絡(即反向傳播神經網絡)的核心,它建立在梯度下降法的基礎上,是一種適合于多層神經元網絡的學習算法。該算法通過計算每層網絡的誤差,并將這些誤差反向傳播到前一層,從而調整權重,使得
    的頭像 發(fā)表于 02-12 15:18 ?760次閱讀

    BP神經網絡的基本原理

    輸入層、隱藏層和輸出層組成。其中,輸入層負責接收外部輸入數據,這些數據隨后被傳遞到隱藏層。隱藏層是BP神經網絡的核心部分,它可以通過一層或多層神經元對輸入
    的頭像 發(fā)表于 02-12 15:13 ?838次閱讀

    人工神經網絡的原理和多種神經網絡架構方法

    所擬合的數學模型的形式受到大腦中神經元的連接和行為的啟發(fā),最初是為了研究大腦功能而設計的。然而,數據科學中常用的神經網絡作為大腦模型已經過時,現在它們只是能夠在某些應用中提供最先進性能的機器學習模型。近年來,由于
    的頭像 發(fā)表于 01-09 10:24 ?1177次閱讀
    人工<b class='flag-5'>神經網絡</b>的原理和多種<b class='flag-5'>神經網絡</b>架構方法

    卷積神經網絡與傳統神經網絡的比較

    神經網絡,也稱為全連接神經網絡(Fully Connected Neural Networks,FCNs),特點是每一層的每個神經元都與下一層的所有
    的頭像 發(fā)表于 11-15 14:53 ?1854次閱讀

    RNN模型與傳統神經網絡的區(qū)別

    神經網絡是機器學習領域中的一種強大工具,它們能夠模擬人腦處理信息的方式。隨著技術的發(fā)展,神經網絡的類型也在不斷增加,其中循環(huán)神經網絡(RNN)和傳統神經網絡(如前饋
    的頭像 發(fā)表于 11-15 09:42 ?1122次閱讀

    LSTM神經網絡的訓練數據準備方法

    : 一、數據收集與清洗 數據收集 : 根據LSTM神經網絡的應用場景(如時間序列預測、自然語言處
    的頭像 發(fā)表于 11-13 10:08 ?2098次閱讀

    LSTM神經網絡的結構與工作機制

    LSTM(Long Short-Term Memory,長短期記憶)神經網絡是一種特殊的循環(huán)神經網絡(RNN),設計用于解決長期依賴問題,特別是在處理時間序列數據時表現出色。以下是LSTM神經
    的頭像 發(fā)表于 11-13 10:05 ?1624次閱讀

    LSTM神經網絡在時間序列預測中的應用

    時間序列預測數據分析中的一個重要領域,它涉及到基于歷史數據預測未來值。隨著深度學習技術的發(fā)展,長短期記憶(LSTM)神經網絡因其在處理序列
    的頭像 發(fā)表于 11-13 09:54 ?2021次閱讀

    LSTM神經網絡的基本原理 如何實現LSTM神經網絡

    LSTM(長短期記憶)神經網絡是一種特殊的循環(huán)神經網絡(RNN),它能夠學習長期依賴信息。在處理序列數據時,如時間序列分析、自然語言處理等,LSTM因其能夠有效地捕捉時間序列中的長期依賴關系而受到
    的頭像 發(fā)表于 11-13 09:53 ?1562次閱讀

    關于卷積神經網絡,這些概念你厘清了么~

    取特征的強大工具,例如識別音頻信號或圖像信號中的復雜模式就是應用之一。 1、什么是卷積神經網絡? 神經網絡是一種由神經元組成的系統或結構,它使A
    發(fā)表于 10-24 13:56