百度地圖標注如何經過大數據的自學才能，進行堪比福爾摩斯的交通事端推演，找出引起擁堵的真正原因，并及時送上提示和時刻參考，避免用戶誤入一場由事端引起的世紀大堵車。
你知道自己每年要浪費多少時刻在堵車中嗎？答案恐怕是難以估量的。尤其是事端形成的擁堵，一旦發作交通事端，高速路也變成了降速路。不過，有的導航卻好像有著未卜先知的才能，即使沒有用戶上報，也可以準確估測事端并提示擁堵時刻。
小度助手估測當時路途可能發作了事端，請交游車輛提早注意避讓。已擁堵超越2小時，超越1小時散失。信任不少用過百度地圖標注的人都見過相似的提示，當感嘆越來越精準的地圖軟件讓出行更順利之時，你是不是也好奇過，它是怎樣知道前面有事端，而且這么判別的這么快、這么準就？這就要歸功于大數據的功勞。
整體而言，百度地圖標注之所以可以洞察交通事端，主要是經過大數據才能，學習用戶上報事情的特征，結合當時路段的實時軌道特征，進行時空校驗，從而判別事端信息。
首要，要在擁堵路途中選取前后一段時刻都有用戶上報的路段作為正樣本，這意味著這段路的確發作了事端，再選取前后很大范圍都沒有用戶上報的路段作為負樣本。當然，這樣選取的負樣本數量會遠遠多于正樣本，需要按照通行流量對負樣本排序，選其間流量較大的前幾名，用以平衡正負樣本的數量。
其次，要提取路途的特征。這既包括長度，限速、通行等級等本身特點，也包括實時路況速度，路段前史擁堵概率等路段特征，一起還包括上下游實時路況擁堵程度、前史上下游發作事端概率等連續性的空間特征。
接下來，就是進行模型猜測。按照路途等級等信息，可將樣本區分為不同類別。別離訓練出不同類別的樣本和不同城市的模型。順次訪問不同的模型組合，尋找作用最優的人工集成模型。集成后的模型應用在不同城市時，別離運用不同的標準來區分。至此，便完成了對事端的判別。
最終，推斷出確有事端發作時，就到了進一步判別事端發作方位的環節。這一環節可分為兩種情況：如果擁堵路段速度改變不大，則用訓練好的回歸模型猜測事端方位；若擁堵路段速度改變較大，則擬合速度的二次曲線，輸入路途中多個坐標實驗，速度最小值偏下游的地方就是事端的發作地。
判別事端及其方位后，就是第一時刻奉告用戶。百度地圖標注的事端提示在準確性的基礎上還包括了許多其他細節，事端方位、距離、經過時刻、預計散失時刻等一應俱全，用戶看起來更明晰直觀。
講完了事端推演，咱們來說說擁堵路段的散失時刻是如何計算的。
關于擁堵的散失時刻，咱們可以理解為未來一段時刻的路況猜測。現在百度地圖標注完成了分鐘級散失時刻猜測，舉個例子，如果咱們猜測未來5分鐘路況別離是擁堵，擁堵，擁堵，疏通，疏通，那么對應的散失時刻就是三分鐘。
現在百度地圖標注實時路況監測的準確率在99%以上，因此路況猜測通常以實時路況作為樣本。關于要猜測的路段，百度地圖標注將時刻維度與前史路況、實時路況、路段長度、通行才能等歸納影響要素歸入DNN神經網絡，別離得出疏通，緩行，擁堵，嚴重擁堵4個級別路況。再以每分鐘內的通行情況是疏通仍是擁堵，來推斷這段擁堵的散失時刻。
流動的交通使路況改變萬千，要完成精準的交通服務，離不開大數據的支撐。不得不說，基于大數據資源進行深層次挖掘的百度地圖標注，給咱們帶來了更有保障的出行和愈加便利的日子。而關于未來交通的猜測，也有望成為交通大數據的又一個核心價值。