【AI地图 Tech说】第二期：一文解码百度地图ETA

你有没有这样的体验？导航说30分钟能到，结果真的一分不差？

有时候导航告诉你要绕行5分钟的路，其实省下了20分钟的堵车。

这些神奇的“预知能力”，就是我们常听到的ETA（Estimated Time of Arrival，预计到达时间），别看它们只是一个个数字，其实背后藏着一整套复杂又高效的技术体系。

百度地图ETA

到底是怎么精准计算出来的呢？

【AI地图 Tech说】第二期将为你揭开奥秘！

「基础介绍」

ETA预测的本质，就是给定出发地、目的地和出发时间后，预测驾车所需的时间。例如，当你在某个时间T请求路线（如Route = a→b→c→d→e）时，ETA系统便开始计算驾车预计行驶的时长。

百度地图ETA（未来出行）是地图导航的基础功能，其技术演进共经历了四个发展阶段。

1.0时代：静态ETA（2010年前）

最初，百度地图ETA功能的计算方式极为简单，仅通过距离除以限速得出。然而，这种方式计算出的结果误差常常超过30%，一旦遭遇交通拥堵状况，更是完全无法应对，由此引发了用户的诸多吐槽。

2.0时代：动态ETA（2010-2015年）

百度地图首次接入实时交通数据，能够识别实时拥堵路段并提供基本绕行建议。然而，这种方法仍无法预测拥堵的进一步变化趋势。

3.0时代：个性化ETA（2015-2021年）

通过引入机器学习与用户画像，百度地图开始分析驾驶习惯（如激进型或保守型司机）、车辆类型（如货车或新能源车），实现了针对不同人群的个性化路线推荐。

4.0时代：预见性ETA（2021年至今）

百度地图融入AI技术，如预训练大模型和时空预测技术，开始实现未来30-60分钟的精准路况预测，甚至能准确量化天气对行车速度的影响。

「技术优势」

百度地图ETA为何如此精准？背后的核心在于预训练交通大模型与端到端路线通行时间预测两大技术。

1）预训练交通大模型：海量AI知识集成体

预训练交通大模型通过地图脱敏轨迹数据，建模城市交通规律，为智能交通提供底座能力。预训练交通大模型基于千亿公里驾驶数据，能够精准捕捉不同城市在时段、天气、区域上的交通规律，如北京周一比周五早高峰堵12%、上海雨天车速下降22%、深圳科技园晚高峰比早高峰堵35%。同时，该模型还具备持续学习优化能力，每天都会结合最新观察到的真实拥堵情况自动更新模型参数。

丨预训练交通大模型整体框架丨

预训练交通大模型的框架主要分为3个部分：

丨交通大模型以及下游应用丨

a.Large-Scale Traffic Corpus（大型交通语料数据）

将原始的脱敏GPS轨迹点处理成路段粒度的交通时序信息和路线粒度的个性化导航行为。

b.Pre-Train Model（预训练模型）

基于历史交通大数据充分训练预训练模型，表征普适性的交通规律信息。

c.Downstream Task（下游任务）

基于预训练的交通图嵌入，通过Zero-Shot或者Fine-tune应用于通行时间预估、交通流量预估、路线排序、智能信控等场景。

2）端到端路线通行时间预测：基于交通大模型FineTune的ETA-GNN AI仿真推演路线模型

在预训练交通大模型基础上，百度地图进一步应用端到端路线通行时间预测，进行更细致的AI仿真推演，不再局限于逐路段的简单计算，而是精确模拟红绿灯等待时间、前方车辆汇入情况及施工路段的实际通行效率。同时通过动态概率模型实时评估，决策绕行还是等待，以达到最佳出行策略，预测准确率高达92%。

丨SFT-ETA路线模型丨