百度地图标注如何经过大数据的自学才能，进行堪比福尔摩斯的交通事端推演，找出引起拥堵的真正原因，并及时送上提示和时刻参考，避免用户误入一场由事端引起的世纪大堵车。
你知道自己每年要浪费多少时刻在堵车中吗？答案恐怕是难以估量的。尤其是事端形成的拥堵，一旦发作交通事端，高速路也变成了降速路。不过，有的导航却好像有着未卜先知的才能，即使没有用户上报，也可以准确估测事端并提示拥堵时刻。
小度助手估测当时路途可能发作了事端，请交游车辆提早注意避让。已拥堵超越2小时，超越1小时散失。信任不少用过百度地图标注的人都见过相似的提示，当感叹越来越精准的地图软件让出行更顺利之时，你是不是也好奇过，它是怎样知道前面有事端，而且这么判别的这么快、这么准就？这就要归功于大数据的功劳。
整体而言，百度地图标注之所以可以洞察交通事端，主要是经过大数据才能，学习用户上报事情的特征，结合当时路段的实时轨道特征，进行时空校验，从而判别事端信息。
首要，要在拥堵路途中选取前后一段时刻都有用户上报的路段作为正样本，这意味着这段路的确发作了事端，再选取前后很大范围都没有用户上报的路段作为负样本。当然，这样选取的负样本数量会远远多于正样本，需要按照通行流量对负样本排序，选其间流量较大的前几名，用以平衡正负样本的数量。
其次，要提取路途的特征。这既包括长度，限速、通行等级等本身特点，也包括实时路况速度，路段前史拥堵概率等路段特征，一起还包括上下游实时路况拥堵程度、前史上下游发作事端概率等连续性的空间特征。
接下来，就是进行模型猜测。按照路途等级等信息，可将样本区分为不同类别。别离训练出不同类别的样本和不同城市的模型。顺次访问不同的模型组合，寻找作用最优的人工集成模型。集成后的模型应用在不同城市时，别离运用不同的标准来区分。至此，便完成了对事端的判别。
最终，推断出确有事端发作时，就到了进一步判别事端发作方位的环节。这一环节可分为两种情况：如果拥堵路段速度改变不大，则用训练好的回归模型猜测事端方位；若拥堵路段速度改变较大，则拟合速度的二次曲线，输入路途中多个坐标实验，速度最小值偏下游的地方就是事端的发作地。
判别事端及其方位后，就是第一时刻奉告用户。百度地图标注的事端提示在准确性的基础上还包括了许多其他细节，事端方位、距离、经过时刻、预计散失时刻等一应俱全，用户看起来更明晰直观。
讲完了事端推演，咱们来说说拥堵路段的散失时刻是如何计算的。
关于拥堵的散失时刻，咱们可以理解为未来一段时刻的路况猜测。现在百度地图标注完成了分钟级散失时刻猜测，举个例子，如果咱们猜测未来5分钟路况别离是拥堵，拥堵，拥堵，疏通，疏通，那么对应的散失时刻就是三分钟。
现在百度地图标注实时路况监测的准确率在99%以上，因此路况猜测通常以实时路况作为样本。关于要猜测的路段，百度地图标注将时刻维度与前史路况、实时路况、路段长度、通行才能等归纳影响要素归入DNN神经网络，别离得出疏通，缓行，拥堵，严重拥堵4个级别路况。再以每分钟内的通行情况是疏通仍是拥堵，来推断这段拥堵的散失时刻。
流动的交通使路况改变万千，要完成精准的交通服务，离不开大数据的支撑。不得不说，基于大数据资源进行深层次挖掘的百度地图标注，给咱们带来了更有保障的出行和愈加便利的日子。而关于未来交通的猜测，也有望成为交通大数据的又一个核心价值。