In den letzten Jahren konnte Google Maps die Zuverlässigkeit der Routenplanung sowie Navigation immer weiter steigern, sodass sich alle Nutzer verstärkt auf die prognostizierten Wege und Ankunftszeiten verlassen können. Den letzten Schliff hat man den ohnehin sehr guten Algorithmen wenig überraschend mit Künstlicher Intelligenz verliehen, die einen großen Sprung ermöglichte und nun mit interessanten Einblicken erklärt wird.
Google Maps ist für viele Menschen mehr als nur eine Kartenplattform, denn es ist auch eine zuverlässige Navigationshilfe, die den Nutzer mit jedem erdenklichen Verkehrsmittel schnell und sicher an das Ziel bringt. Die Google Maps Navigation ist mittlerweile so weit verbreitet, dass sie ganze Verkehrsströme beeinflussen und sogar ein Stück weit steuern kann, was dann in einigen Fällen auch mal schiefgehen kann. Grundsätzlich darf man die Navigation aber als sehr zuverlässig einstufen.
Apps oder Geräte zur Navigation haben grundsätzlich drei Aufgaben: Dem Nutzer den Weg ans Ziel zu weisen, dabei die bestmögliche Route auszuwählen und außerdem darüber zu informieren, wann mit der Ankunft zu rechnen ist. Erstes ist relativ einfach, zweites schon eine sehr große Herausforderung und drittes sollte im besten Fall nicht gewürfelt sein, sondern realistische Werte widerspiegeln. Wer oft mit Navi fährt, der weiß allerdings, dass sich viele Hersteller damit schwer tun.
Google Maps kann nicht nur auf die sehr umfangreiche Straßendatenbank zurückgreifen, sondern verfügt auch über einen gigantischen Datenstrom an Bewegungsdaten von mehr als zwei Milliarden Android-Nutzern, die in die Auswertung mit einfließen. Es hat sich schon sehr oft gezeigt, dass die Bewegungsdaten der Android-Nutzer das große Alleinstellungsmerkmal von Google Maps sind, die ein Konkurrent nicht so ohne weiteres erhalten kann. Doch diese auszuwerten, ist eine Mammut-Aufgabe.
Das Google Maps-Team hat sich vor einiger Zeit mit dem Schwesterunternehmen Deepmind zusammengetan und die Auswertung dieser Datenströme einer Künstlichen Intelligenz überlassen. Dadurch konnte die Zuverlässigkeit der Prognosen stark gesteigert werden und liegt global mittlerweile bei 97 Prozent.
Google Maps kann in 97 Prozent aller Navigationsfälle die genaue Ankunftszeit exakt prognostizieren, wobei aus der Ankündigung leider nicht hervorgeht, wie hoch die Toleranzschwelle angesetzt wurde. Plus / Minus zwei bis drei Minuten dürften wohl drin sein, denn auf die Minute genau wird die Prognose wohl nur bei Kurzstrecken ohne Hindernisse (und da schließe ich auch Ampeln mit ein) möglich sein. Auf obiger Karte seht ihr die Städte, für die Google Maps in der ersten Testphase mit Deepmind zusammengearbeitet hat und deren Steigerung in puncto Zuverlässigkeit. Berliner dürfen sich über 21 Prozent zuverlässiger prognostizierte Ankunftszeiten freuen.
Livedaten, Livedaten, Livedaten
Um diese hohe Trefferquote zu erzielen, zieht man nun hauptsächlich sehr frische Daten heran: Während früher statistische Daten über Wochen und Monate ausgewertet wurden, zählen heute nur noch Zeiträume zwischen zwei und vier Wochen. Diese werden mit den Live-Bewegungsdaten kombiniert, woraus sich sehr exakte Prognosen für jeden einzelnen Streckenabschnitt ergeben. Aus folgender Animation geht hervor, dass allein die beispielhafte Kreuzung in zahlreiche Abschnitte unterteilt wird. Es wird schnell klar, warum sich diese Datenmengen ohne KI nicht mehr auswerten lassen.
Es spielt nicht unbedingt eine Rolle, wie der Verkehr JETZT aussieht, sondern wie sich der Verkehrsfluss in den nächsten 10, 30 oder 45 Minuten entwickeln wird. Mit diesem Wissen lässt sich eine erwartete Verkehrsstockung großräumig umfahren oder bei einer nicht zu umfahrenden Strecke der Nutzer davor warnen, dass er vielleicht etwas früher losfahren sollte. Auch die Durchschnittsgeschwindigkeit wird für jeden Streckenabschnitt erfasst: Zwischen 12 und 13:00 Uhr geht es mit 50 km/h und zwischen 16 und 17:00 Uhr nur mit 30 km/h? Auch wenn vielleicht kein Stau entsteht, ist das ein sehr wichtiges Signal für die Prognose bzw. Routenplanung.
Das Ziel ist es, die Verkehrslage zu prognostizieren, bevor sie entsteht. Wann entsteht der Stau, wie lange wird er anhalten und wie viel Verzögerung ist zu erwarten? Während viele Navigationssysteme nur Livedaten kennen oder auf lange zurückliegende historische Daten zugreifen, soll Google Maps die Verkehrsströme erkennen und auswerten. Dank einem Android-Smartphone in fast jedem Auto (statistisch gesehen), ist zumindest die Grundlage dafür geschaffen.
Viele weitere Datenquellen
Die Google Maps-Algorithmen betrachten aber auch viele weitere Datenquellen, wie z.B. die Straßenqualität. Ist die Straße gepflastert, ist eine Kiesstraße, kann es sogar matschig werden? Letztes ist vor allem in Kombination mit der Wetterprognose sehr relevant. Die von den Nutzern gemeldeten Verkehrsstörungen sind ebenfalls ein wichtiger Faktor, der nicht aus anderen Quellen bezogen werden kann: Kurzfristige Baustellen, liegengebliebene Fahrzeuge, Unfälle, kurzfristige Sperrungen und mehr sind wichtige Signale.
Und wenn es schon ins Detail geht, dann kommt sicherlich auch wieder eine Datenquelle ins Spiel, die man in vielen Fällen bisher außer Acht gelassen hat: Die Ampel. Eine Ampel ist ein sehr relevantes Verkehrshindernis – ich will es einfach einmal so ausdrücken. Auf einer langen Strecke durch die Stadt ist es wichtig zu wissen, wie lange die Ampel Rot zeigt, ob es bei normaler Geschwindigkeit eine grüne Welle gibt und Ähnliches. Das kann die Ankunftszeit erheblich beeinflussen.
In Zukunft sollen noch weitere Datenquellen dazukommen, wobei das Google Maps-Team noch nicht verraten hat, worum es sich dabei handeln könnte.
» Technische Details zur Auswertung