按年被提到
20212021 · 3 次2026
社会、经济与科学研究›交通、出行与自动驾驶·arXiv:2108.11482 · cs.LG

ETA Prediction with Graph Neural Networks in Google Maps

Google Maps 中基于图神经网络的到达时间预测
Austin Derrow-Pinion, Jennifer She, David Wong, Oliver Lange, Todd Hester, Luis Perez, Marc Nunkesser, Seongjae Lee, Xueying Guo, Brett Wiltshire, Peter W. Battaglia, Vishal Gupta 等 17 人 · 2021

Google Maps 线上部署的 GNN 到达时间预测模型

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2021-08-27 · 最近 2021-10-02
3不同的人
3活跃月份
3讨论串
228被引(OpenAlex)

论文介绍已在 Google Maps 线上部署的图神经网络到达时间(ETA)估计器,主体结构由标准 GNN 模块组成,并用 MetaGradients 等训练调度方法使模型足够稳健。作者提供了架构与训练方式的消融和真实案例分析,称相较此前的线上基线,在多个地区显著减少了不良 ETA 结果(如悉尼等城市降低 40% 以上)。

HN 为什么提它

评论者把它当作图神经网络已用于生产系统的例子,指出 Google Maps 用 GNN 做到达时间估计和路线规划。

方法难度 3 / 5约 35 分钟经得起时间
读之前最好知道
1图神经网络(GNN)
2时空序列预测
3元梯度(MetaGradients)与训练调度
4生产环境中的机器学习

学习路径

读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮你建立图神经网络的基础:从图卷积、消息传递、图注意力到统一的图网络框架,再读 Google Maps 的 ETA 模型。

  1. 1
    Semi-Supervised Classification with Graph Convolutional Networks基于图卷积网络的半监督分类 · 2016

    GCN 是图神经网络的基础模型,后续消息传递与注意力变体都建立在它之上。

    读逐层传播规则与邻接矩阵归一化的含义;半监督节点分类的设定。

  2. 2
    Neural Message Passing for Quantum Chemistry面向量子化学的神经消息传递 · 2017

    MPNN 把各种图网络统一成消息传递加读出的框架,ETA 模型的结构属于这一族。

    读消息函数、更新函数、读出函数三部分的抽象;分子预测实验可略读。

  3. 3

    GAT 用注意力给邻居加权,是理解图上注意力聚合的参照。

    读注意力系数的计算与多头聚合;对比 GCN 的固定权重。

  4. 4
    Relational inductive biases, deep learning, and graph networks关系归纳偏置、深度学习与图网络 · 2018

    图网络(GN)框架明确了节点、边、全局属性的更新,ETA 模型采用这类思路。

    读GN block 的边、节点、全局三类更新与归纳偏置的讨论;跳过其余综述性内容。

  5. 5
    ETA Prediction with Graph Neural Networks in Google MapsGoogle Maps 中基于图神经网络的到达时间预测 · 2021 · 就是这篇

    目标论文:把路段子图上的 GNN 用于线上 ETA 预测。

    读路网如何建成图、模型结构与训练稳定性手段;再看线上部署效果。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用m_ke · 2021-09

“even google maps uses GNNs for ETA estimates and routing.”

举例说明 Google Maps 用 GNN 做到达时间估计和路线规划
The Great AI Reckoning原评论 ↗
被提交为 story · 2 次