使用對概率相關性和環境數據的建模與分析的交通預報的製作方法
2023-09-18 15:53:45
專利名稱：使用對概率相關性和環境數據的建模與分析的交通預報的製作方法
相關申請的參照此申請要求於2004年11月16日提交的題為SYSTEM AND METHOD FORPREDICTION AND PRESENTATION OF ATYPICAL EVENTS(用於預測和呈現非典型事件的系統和方法)的美國臨時申請第60/628,267號的優先權。此申請還涉及代理卷號MS311463.01/MSFTP915US，題為PRECOMPUTATION ANDTRANSMISSION OF TIME-DEPENDENT INFORMATION FOR VARYING ORUNCERTAIN RECEIPT TIMES(為變動或不確定的收到時間預先計算和發送時間相關的信息)；代理卷號MS311464.01/MSFTP916US，題為BUILDINGAND USINGPREDICTIVE MODELS FOR CURRENT AND FUTURE SURPRISES(構建和使用當前及未來的意外事件的預測模型)；和代理卷號MS311466.01/MSFTP917US，題為METHODS FOR AUTOMATED AND SEMIAUTOMATED COMPOSITIONOF VISUAL SEQUENCES，FLOWS，AND FLYOVERS BASED ON CONTENTAND CONTEXT(基於內容和環境自動和半自動地構成視覺序列、流和立體交叉的方法)，其中每一個都是在2005年6月30日提交的。這些申請的整體通過引用包含於此。
背景技術：
電子存儲機制使得大量數據得以積聚。例如，以前需要數冊書才能記錄的數據如今可電子存儲而無需花費列印紙，並且僅佔存儲紙張所需空間的一小部分。在一個特定例子中，以前記錄在紙冊中的契約和抵押如今可電子存儲。而且，傳感器和其它電子機制的進步如今允許大量數據被實時收集。例如，GPS系統能以衛星和GPS接收器的方式判定個人或實體的位置。與其連接的電子存儲設備隨之可用於保留與此類系統相關聯的位置。還可使用各種其它傳感器和數據收集設備以獲取和存儲數據。
可在有關數據趨勢和分析方面使用所收集的涉及特定環境和/或應用程式的數據，並可根據所收到和所分析的數據作出預測。此類預測實際上是人類的天性，並且個人常常產生此類預測。例如，在工作地點和居住地點之間往返的人可判定在平日白天的某些時間期間，交通狀況易遭受高度擁塞。因此，在離開工作地點之前，個人可預測他在交通中何時何地最可能被減緩速度，並可進一步預測他們可能要遭受多久的擁塞。個人的預測還可以根據諸如天氣、某天是否是假日、地理上非常靠近的事件等其它變量。因此，當個人可訪問環境信息並可訪問(例如，以記憶的方式)歷史數據時，該個人可產生預測。
計算機系統上使用的預測模型常可比人類產生更準確的預測結果，因為計算機系統可訪問充分數量的數據。例如，計算機應用程式可訪問表示過去二十年的交通圖的數據，而個人可能只體驗過不到一年的交通圖。當生成與常見事件相關聯的預測時，這些預測模型可能十分有效。
但是，當預測模型與非典型或意外事件相關聯時，預測模型可能失敗。失敗的原因可包括缺少對情況的理解，缺少對情況的構想，某事件很少發生，和各種其它因素。但是向個人進行關於意外事件的警告比向個人進行典型事件的警告更為關鍵，因為此類個人很可能無需預測應用程式的幫助即已預測了該典型事件。開發一種標識一個或多個用戶會覺得意外的事件的方法可能是有價值的，因為用戶無需關於其期望的情況受到警告。一種可預測用戶在未來何時將感到意外的系統在給用戶關於世界的未來狀態、給他們時間以採取諸如尋找新的替換方案或開發改進計劃等行動方面將是有價值的。
發明內容
以下給出簡化的概述，為本文所描述的一些方面提供基本的理解。此概述不是所要求保護的主題的詳盡綜述，也不試圖標識所要求保護的主題的關鍵/必需元素或描述所要求保護的主題的範圍。其唯一的目的是以簡化形式給出某些概念，作為稍後給出的更具體描述的序言。
所要求保護的主題提供使用預測模型組件來生成涉及各種應用程式的預測的系統和方法。更具體地，可使用預測模型來預測非典型或意外事件的發生。在一個特定例子中，可使用預測模型來預測特定範圍中(例如，某個城市)的交通圖。數據可從與道路相關聯的傳感器收集，包括安裝在道路上或附近的固定的磁、光、聲或雷達中心傳感器、對視頻攝像機所捕捉的景象的視覺分析、從車隊中發生的GPS記錄所採集的諸如可從受測量的公共汽車、出租汽車、運輸工具等得到的信息、和蜂窩電話所感知的或在蜂窩電話供應商的天線處所感知的諸如GSM載波信號等信號強度的動態、諸如一周中的日子、一天中的時間等環境信息、是否有定義範圍之內的事件(例如，體育比賽)、所考慮的日子是否是節假日、天氣狀況、當前交通狀況、先前的交通狀況、可生成的具或不具正式編碼的只有文本形式的事故報告、以及有關於交通圖預測應用程式的其它合適的數據。儘管交通圖是一個示例性應用程式，所要求保護的主題的各個方面可在各種環境中使用。例如，遊樂園中的隊伍、股市預測和分析、多個個人之一在不同時間的可用性和到場、直到用戶查看諸如電子郵件消息等消息的時間、若干項目或位於各種銷售位置的大量項目的銷售分析等等都是可使用所要求保護的主題的一個或多個方面的示例性環境。
回到對交通圖的預測，意外事件可定義為在給定當前環境數據的前提下，人類不會預期發生的事件。例如，城市的某個部分可能發生一起事故，個人通常不會預期此類事故會影響城市某個截然不同的部分處的交通圖。但是，預測模型可學習該事故連同其它數據(例如，特定天氣模式、體育比賽的發生、等等)可引起該城市某個截然不同的部分交通圖的改變。這些改變可為反常的事件；例如，在給定時間，所預測事件的發生低於預定義的閾值。因此，當預測模型預測了被認為是異常的事件、或會使對交通有預期的用戶群體感到意外的事件，則可將其作為意外事件向用戶顯示，或作為用戶可能有興趣了解的警告向用戶推送。
定義反常的、非典型的、或意外事件可有各種方式。例如，意外事件可為用戶專屬的，即發生某特定用戶未預期的事件(無論事件發生的概率)。例如，非典型事件可定義為與在預定義閾值以上或以下發生或不發生的概率相關聯的事件。例如，對於道路系統的某個特定區域，且對於一周中的某個特定日子和一天中的某段特定時間，如果出現交通阻塞，或交通流暢可能是很意外的。可對小概率使用閾值，在該閾值以下的事件可被視為對用戶群體來說是意外的。可生成案例庫來支持此類定義，並可根據該案例庫來構建預測模型。在另一個例子中，可將事件與發生的概率相關聯，反常事件可定義為與離平均概率有某閾值數量個標準偏差的概率相關聯的事件。可確定已構想了任何適用於定義反常事件的方式。還可使不同的定義意外的模型可供一個或多個用戶選擇。同時，可構造更豐富的預測可使用戶意外的情況的用戶模型。可使用機器學習從數據來構建這類用戶模型供不同用戶使用。
此外，可將預測模型與監視該預測模型的模型分析器相關聯。例如，預測模型可預測直到交通阻塞或瓶頸會在不同位置形成的時間，和阻塞一旦形成、直至消失在流中的時間。還可用指定概率來監視關於發生意外時間的預測的準確性。對於這些及其它類型的預測中的每一個，模型分析器可將預測與一段時間裡實際事件的發生進行比較，並從而監視預測模型的性能。模型分析器隨即可自動調整預測模型，以改善其性能，或可根據環境，僅將某預測與不準確相比，何時可能準確分程傳送給用戶。在進行此類關於預測準確性的自動反映的一種方法中，可構造所有從實際結果發散超過一定程度的預測錯誤、還有所有在基礎預測時間對系統可用的觀測的案例庫。隨後，在所有對系統可用的觀測的和環境的數據的條件下，可使用機器學習來構建關於系統基礎等級準確性的性能的預測模型。可測試此類描述基礎等級預測的準確性的元等級模型以確定其準確性。如果這些模型是準確的，則可隨基礎等級的預測一起執行這些模型，並可根據關於觀測和環境的細節來提供關於基礎等級預測的可能的準確性的注釋。在另一個稱為增壓(boosting)的分析中，已知為失敗的案例可被收集並受到特殊的建模注意。例如，可對失敗的案例進行不同的加權，或由機器學習算法中一個或多個特殊的模型處理。
為達成前述及有關目的，本文中聯合以下描述和附圖對所要求保護的主題的某些示例性方面進行描述。但是，這些方面僅指示可使用所要求保護的主題的各原理的各種方式中的若干種，並且該要求保護的主題試圖包括所有的方面及其等效技術方案。當結合附圖考慮時，其它優點和新穎特徵將從以下具體描述中變得顯而易見。
圖1是便於生成對意外事件的預測的系統的高等級框圖。
圖2是便於檢索環境數據，並在有關生成對意外事件的預測方面利用所收到的環境數據的系統的框圖。
圖3是便於分析和自動更新預測未來發生意外事件的預測模型的系統的框圖。
圖4是便於生成對意外事件的預測的系統的框圖。
圖5是構建可預測未來發生意外事件的預測模型的系統的框圖。
圖6所示是預測未來發生會使某用戶感到意外的事件的方法的流程圖。
圖7所示是預測未來發生意外事件的方法的流程圖。
圖8所示是自動更新預測模型的方法的流程圖。
圖9所示是創建可預測未來發生意外事件的預測模型的方法的流程圖。
圖10是使用戶能夠根據所定義的行進路線和時間定製警告的工具的示例性截屏圖。
圖11和12所示是所要求保護的主題的一個或多個新穎方面的示例性截屏圖。
圖13-16所示是有關預測未來發生意外事件所使用的各變量兩兩間的相關性的示例性網絡。
圖17和18所示是可結合所要求保護的主題一個或多個方面所使用的歷史數據的示例圖。
圖19所示是有關預測意外的發生所使用各變量兩兩之間的相關性的示例性網絡。
圖20所示是所要求保護的主題的一個或多個方面的實際應用的截屏圖。
圖21所示是有關預測意外事件的發生所使用的各變量兩兩之間的相關性的示例性網絡。
圖22所示是所要求保護的主題的一個或多個方面的實際應用的截屏圖。
圖23所示是有關預測意外事件的發生所使用的各變量兩兩之間的相關性的示例性網絡。
圖24所示是所要求保護的主題的一個或多個方面的實際應用的截屏圖。
圖25-29所示是所要求保護的主題的各個方面的一種或多種實際應用的截屏圖。
圖30所示是有關所要求保護的主題的一個或多個方面可使用的示例性行動裝置。
圖31所示是合適的操作環境的示意性框圖。
圖32是可實現所要求保護的主題的範例計算環境的示意性框圖。
具體實施例方式
現在參考附圖描述所要求保護的主題，所有圖中用相同的標號來指相同的元素。在以下描述中，出於解釋目的，闡述許多具體細節以對所要求保護的主題提供詳盡的理解。但是，顯見無需這些具體細節即可實現該要求保護的主題。在其它實例中，以框圖形式示出公知的結構和設備，以便於描述所要求保護的主題。
如本申請中所使用，術語「組件」和「系統」意指計算機有關的實體，即硬體、硬體和軟體的組合、軟體、或執行中的軟體。例如，組件可以是，但不限於，處理器上運行的進程、處理器、對象、可執行代碼、執行線程、程序、和計算機。作為示例，伺服器上運行的應用程式和該伺服器兩者都可以是組件。一個或多個組件可駐留於進程和/或執行線程內部，且組件可位於一臺計算機上和/或分布在兩臺或多臺計算機之間。本文中使用單詞「示例性」意指示例、示例或說明。本文中描述為「示例性」的任何方面或設計不一定解釋成比其它方面或設計更佳或更優。
如根據下文所述的所要求保護的主題的一個或多個方面，有關進行推論和/或概率決定和/或基於統計的決定可使用自動推理系統(例如，顯式和/或隱式訓練的生成式或判別式分類器)。如本文中所用，術語「推論」一般指從經由事件和/或數據捕獲的一組觀測中推理或推斷系統、環境和/或用戶狀態的過程。例如，推論可用來標識具體環境或行為，或可生成狀態的概率分布。推論可以是概率性的——即，基於對數據和事件的考慮計算所關注狀態的概率分布。推論還可指用於從一組事件和/或數據組成高級事件的技術。此類推論導致從一組所觀測的事件和/或所存儲的事件數據中構造新事件或行動，無論各事件是否在時間上緊密相關，也無論各事件和數據是來自一個還是數個事件和數據源。關於執行與所要求保護的主題有關的自動和/或推斷的行為，可使用各種分類方案和/或系統(例如，支持矢量機、HMM、馬爾可夫過程、神經網絡、諸如貝葉斯網絡、動態貝葉斯網絡和連續時間貝葉斯網絡等圖形概率模型、基於邏輯的推理系統、和模糊邏輯)。
此外，可用標準編程和/或工程技術來生成軟體、固件、硬體、或其任意組合來控制計算機實現所要求保護的主題，從而將所要求保護的主題實現為方法、裝置、或製造品。本文中所使用的術語「製造品」意圖包括從任何計算機可讀設備、載波、或介質可訪問的電腦程式。例如，計算機可讀介質可包括，但不限於，磁存儲設備(例如，硬碟、軟盤、磁帶……)、光碟(例如，壓縮光碟(CD)、數字多功能盤(DVD)……)、智慧卡、和快閃記憶體設備(例如，快閃記憶體卡、記憶棒、鍵驅動……)。此外，應當理解，可用載波來承載諸如在發送和接收電子郵件中、或在訪問諸如網際網路或區域網(LAN)等網絡中使用的計算機可讀電子數據。當然，本領域技術人員會認識到，可對此配置作許多修改而不會偏離所要求保護的主題的範圍和精神。
本文中所描述的一個或多個特徵可應用於稱作智慧型電話的新興類型的移動計算設備以及包括蜂窩電話和PDA在內的其它類型的可攜式設備。作為示例，將關於智慧型電話描述若干方面，但是應當理解，所要求保護的主題可應用於、或結合各種其它可攜式設備使用。此外，所要求保護的主題還適於在諸如臺式PC等固定計算設備、以及安裝在交通工具上/內的計算設備中使用。
智慧型電話將蜂窩電話的便攜性和網絡連通性與PDA的計算能力相結合。智慧型電話的彩色顯示器有動畫的性能，並通常具有200乘200像素範圍的解析度。這些設備中許多都不具有觸控螢幕，即使那些具有觸控螢幕的設備也常常是在單手情況中使用的。大部分智慧型電話用4個方向的小鍵盤(d-pad)或遊戲杆來擴增數字鍵盤。此外還有若干專用按鍵(back、home、和action)和兩個可由當前應用程式任意賦予功能的「軟鍵」(soft-key)。
所要求保護的主題模型還涉及利用預測模型來生成涉及諸如交通圖、市場模式或任何其它合適環境等各種模式的預測。此外，所要求保護的主題提供一種定義意外情況、預測意外情況、和向用戶呈現此類所預測的意外情況(以及所計算的所預測的意外情況發生的概率)的機制。
現在將參照附圖描述所要求保護的主題，所有圖中相同的標號表示相同的元素。現在參考圖1，示出便於生成涉及各種模式(例如，交通圖)的預測和向用戶遞送此類預測的系統100。系統100包括用於生成與諸如交通圖、銷售模式、市場模式等各種環境相關聯的預測的預測模型組件102(以下稱為預測模型)。在一個特定例子中，可用預測模型102生成涉及某特定區域(例如，某個城市、城市的某個部分、……)中的交通圖的預測。更具體地，預測模型102可預測/估計某道路或整個通勤路徑解除阻塞——或產生阻塞所花的時間量。由此，用戶可查看預測模型102的輸出並基於此作出駕駛的決策(例如，何時離開工作地點、所取的最佳路線、……)。還可結合從用戶日曆所取得的、關於下一個會議為何時何地的信息來使用此類分析，從而對何時出發前往會議提供指導。如果某會議是當天的第一個會議，並且用戶當時在家中，則該方法可擴展至智能鬧鐘，如果用戶很可能遇到通勤困難則提早喚醒他，或如果前往會議的路上的交通預示壓力很輕則允許用戶遲些起床。儘管以上例子指在預測交通圖的環境中應用預測模型102，應當理解可在各種其它環境中應用預測模型102。
預測模型102可基於任何公知的數據建模技術。在一個例子中，預測模型102可基於貝葉斯網絡，並使用各種機器學習技術來優化來自此類預測模型102的預測輸出。貝葉斯網絡是表示隨機變量的節點和表示各節點(變量)兩兩之間的相關性關係的弧線的有向無環圖。由此，例如，如果存在從某第一節點到某第二節點的弧線，那麼說該第一節點是該第二節點的父節點。如果該節點與某個已知的值相關聯，則稱其為明顯節點。節點可表示任何合適類型的變量——例如，節點可表示所觀測的測量、闡述、潛在變量、或假設。由此，在本文所述的附圖中，節點可表示諸如一周中的日子或一天中的時間等環境數據，以及某特定位置的交通狀況、和各種其它變量。機器學習指有關對允許計算機從若干組觀測中「學習」預測性或解釋性的模型的技術的開發的人工智慧領域。尤其是，機器學習可涉及至少部分基於對一個或多個數據組的分析創建和/或修改電腦程式的方法。因此，如果所收集的數據顯示，在具體日子的某個時間，道路的某個特定部分阻塞特定的時間量，則預測模型102可監視此類阻塞，並基於此模式改善和優化預測。
啟用預測模型102的最佳/期望操作必需要接收相當大量的數據。具體參考對交通圖的預測，可從道路上的各種傳感器、翻譯成機器可讀語言的交通報告、GPS數據的集合、用戶穿過某區域時或在蜂窩電話處或在蜂窩塔處觀測到的蜂窩電話和塔之間的監視握手、和各種其它從用戶收集數據的方式來收集數據。此外，可收集諸如能見度、降雨量和溫度(例如，嚴寒)等天氣狀況(從網站、廣播站、或其它適當的源收集到)的數據、日曆信息(諸如一天中的時間、一周中的日子、月份、等等)、在所構想的地理區域或相關聯區域是否正在發生諸如體育運動、遊行、電影開幕、政治事件等大型事件、節假日狀態(主要節假日、銀行節假日、學校節假日、等等)、和任何其它可能涉及交通的數據。例如，可收集來自政府或私人交通監視部門的進行中的自由文本或已編碼報告。可通過網站、通過對自然口語的翻譯、通過傳感器、用戶輸入、或任何其它適當方式發生收集。同樣，應當理解，預測交通僅僅是可使用本文中所述的一個或多個方面的示例性應用——發明人構想包括市場分析等各種方面，並旨在使其落入所附權利要求書的範圍之內。
一旦構建了預測模型102，預測模型102即可接收環境數據以及歷史數據。如上所述，可通過各種傳感器以及網站和日曆收集此類數據。例如，數據可包括體育比賽的時間、演唱會的時間、一天中當前的時間、當前交通量、和任何其它合適的數據。此數據可遞送給預測模型102，它隨後生成涉及設計該預測模型102所針對的應用的預測。再次返回交通圖預測應用，預測模型102可輸出所預測的擁塞、所預測的直至當前擁塞被清除的時間和與該預測相關聯的標準偏差，及任何其它涉及交通圖的合適的預測。例如，可將向用戶輸出的信息彩色編碼，將交通工具的行進速度和密度分程傳送給用戶。在具體例子中，當有不受約束和快速的交通流，高速公路圖形描述的局部可與綠色相關聯。隨著道路變得較擁塞，顏色可從綠色變為黃色，從黃色變為紅色，和從紅色變為黑色，其中每次變化指示不同的行進速度。向用戶輸出的信息可涉及當前狀況(例如，交通狀況)和/或涉及所預測的未來狀況。
關於交通還有更多細節，有關向用戶提供什麼數據可選擇道路的特定部分。例如，可將城市與一組通勤期間在通勤者和交通報告者注意力焦點處的廣知的「熱點」相關聯。對此類位置(例如，瓶頸)的標識實現目標更集中的建模和警告，其中警告可涉及與用戶高度相關的一組事件和狀態。此類取景有助於減少學習的參數空間和設計預測模型102中用到的力氣，並提供一種易於向用戶傳達的交通問題的表示。為了確定此類位置所在，可分析系統範圍的交通流數據，以獲取涉及擁塞百分率和擁塞時間的信息，其中擁塞百分率可被改變。利用此類分析可實現系統中瓶頸位置的判定，並可據此構造預測模型102，其中預測模型102可生成涉及直至發生某級交通擁塞的所預計時間、預測該級擁塞將持續的時間等推論。還可收集涉及交通流的其它數據並由預測模型使用。例如，包括從發生交通堵塞開始的時間在內等涉及交通圖的數據(可為涉及交通系統中不同部分的流和堵塞(擁塞)的靜態和/或動態數據)，交通阻塞的範圍(節段的長度)和結構(例如，固定阻塞、流的混合、等等)，從交通阻塞緩解開始的時間，固定阻塞區域內部流的改變，等等。由此，可利用任何涉及環境的合適數據、動態、和/或當前/先前的交通數據。
更具體地，在給定通過上述機制/方法的方式收集的足量數據前提下，可使用機器學習，根據時間和其它環境信息來學習未來趨勢上的概率分布。例如，在交通應用中，可在一段時間內監視特定部分中的交通流，並可使用機器學習技術，在給定當前觀測的前提下預測此類流。例如，用戶可通過特定路線進行從辦公室到居住地點的通勤，可通過一段時間來學習此類路線。此外，可收集與路線相關聯的環境信息，並對所收集的信息使用機器學習方法/機制。其後，在給定與該路線相關聯的當前觀測的前提下，可生成關於該路線的推論，並且可向用戶提供與該路線相關聯的警告和/或數據。
例如，在給定涉及交通的特定數據前提下，預測模型102可在擬用交通路線的創建中進行指導。例如，在給定當前交通狀況的前提下，預測模型102可向用戶建議一個路線。在另一例中，預測模型102可基於對諸如一天中的時間和一周中的日子和關鍵的當前阻塞問題，利用邊際或平均交通流期望來指導從起點到終點(例如，從商務場所到住處，從當前交通位置到住處，……)的擬用路線的創建。在又一個例子中，預測模型102可生成關於不同區域中未來交通流的概率預報，以指導交通路線計劃的創建。此外，在給定當前定位信息(和行進方向)的前提下，預測模型102可基於最小化總駕駛時間的嘗試，在駕駛期間指導對擬用交通路線的重新計劃。例如，可使用GPS現時定位用戶，並可在有關提供關於現時交通和行進方向上所預測的交通事件方面利用GPS。
此外，預測模型102可在給定環境數據和/或歷史數據(例如，可能不是同時需要環境數據和歷史數據來生成反常事情/事件的預測)的前提下預測意外事件的發生，其中意外事件是會使某個或某組特定用戶感到意外的事件。為實現對意外事件的預測，可生成涉及意外事件的定義。舉一例，可分析某事件發生的概率，以判定該事件是否是意外的。更具體地，可定義高和低概率閾值，其中系統100的用戶可以某特定概率，預計某事件發生，或預計某事件不發生。如果此類事件的概率落在閾值之外，則可通知用戶所預測的意外事件。舉一具體例子，在給定過去的經驗和當前環境的前提下，用戶可期望無擁塞地通過高速公路的某個特定部分。由於被認為與用戶無關或用戶未構想的(但已知與預測模型102有關)的其它事件，在高於所定義閾值的概率處可預測高速公路該部分被阻塞。預測模型102其後可向用戶提供所預測的意外事件/事情，以及此事情的概率，由此使用戶能夠走不同的路線和/或在不同的時間動身，取決於用戶的選擇。此外，可將不同的模型與預測模型102相關聯，以確保預測模型102的準確性。隨即可根據所確保的準確度對預測模型102進行調整。
用更具體的意外事件進行討論，可將此類事件/事情定義為對用戶來說是未預期的事件。系統100可利用表示的、推論的、和制定決策的方法，這些方法可用於預報在未來時間出現的意外事件/事情。系統100可應用於預測某環境中的意外結果，系統或個人根據遇到意外情況理解、解決或預測未來問題的意外失敗，或個人基於所感受到或觀測到的情況無力面對未來的情況，等等。對未來意外事件的學習和推理擴展至對未來未建模情況的學習和推理。針對個人和/或自動推理系統的意外事件可歸類為(1)觀測者未顯式地考慮的事件(例如，未建模的事件)；和(2)被賦予低於和/或高於發生的閾值概率的很低或很高的概率的事件這兩者之一。此外，被視為非常意外的結果或情況常常對為未預期或未建模事件感到意外的觀測者的使用有顯著的影響(正面或負面的)。簡而言之，可顯式地標識意外事件/事情但並不預期它們發生，或在一定閾值的概率之內不預期它們發生，或它們是未建模或未經推理的事件/事情(例如，它們處於在建模範圍之外)。實踐中，可發生許多未被顯式考慮的事件；但是，當發生此類事件，它們會影響對一個或多個代理的使用，並因此被視為是意外的。
從數據檢測意外事件的常規系統和方法集中於對當前或過去的意外的標識。但是，這些常規系統/方法並不預報或預測未來的意外事件、情況、或事情。可證明預測未來的意外事件/情況/事情對於使個人、組織和系統對其未預期發生或完全沒有考慮到的事件作好準備是有價值的。為在系統100內部生成此模型，預測模型102可包括根據當前和過去的觀測來預測未來事件的「世界」模型。預測模型102還可將未來結果的可能性與觀測者基於過去和當前的觀測所預期的模型作比較。可用未來期望或「典型性模型」的形式來定義未來的意外實例。因此，為了生成預報意外實例的模型，可生成所期望結果和意外結果的定義。
此類定義可以是很簡單的，諸如「當未來發生觀測者未預期會發生的、或由於與表示上和計算上的限制耦合的關於典型性的推理中的偏差，而未曾表現也沒有考慮過為可行的、具有對於觀測者來說是正面或負面的結果的某個事件時，則發生未來意外實例」等。對未來意外實例其它可能的定義包括觀測者或自動推理系統已隱式或顯式地表示過、但賦予了小於發生的概率門限x的的可能性的情況的發生。可根據事件類型或事件所隱含內容來創建此類概率門限。觀測者或計算系統可訪問、表示、或相對於某事件各個不同概率隱式地調控某個概率分布。可關於涉及預測模型102考慮、以生成關於觀測者的意外事件預測的一個基本原理是在預報情況中顯式考慮的觀測和結果對於表示觀測者對事件的展望的模型(例如，使用基於變量子集的背景統計)和對於較豐富的概率模型(例如，考慮相同變量之間、或較大的觀測變量和關注結果組之間較高階的交互)來說可能是不同的，並且較豐富的模型所預測的未來結果可與較簡單的觀測者模型有顯著分歧。具體地，觀測者常常不構想或理解可引發非期望事件的變量的交互。較豐富的概率模型將此變量的交互以及其它觀測者未構想的變量納入考慮範圍。因此，豐富的概率模型所生成的所預測的未來結果可與基於觀測者的模型的所預測的輸出大相逕庭。
在一個示例性方法中，預測模型102(可包括多個模型)可包括諸如構建貝葉斯網絡的學習過程等統計機器學習方法、和包括動態貝葉斯網絡在內的時間變量、和連續時間貝葉斯網絡、以及諸如支持矢量機和神經網絡方法等其它統計分類器。可通過結構搜索和參數優化以設計可最好地解釋關於基礎等級推論和關於意外實例的數據的模型的方式來構造預測模型。在預測模型102的一種示例性創建中，可構造和分析捕捉世界的結果在觀測者模型的環境中定義為意外的案例或情況的案例庫。此類訓練組(案例庫)會根據世界的事件和對意外事件的定義而有所不同。
在給定某事件t0處關於某情況的若干觀測組的案例庫的前提下，可考慮是否將某個未來時間t＞t0處，或例如在未來時間片段t3-t5之內的事件定義為意外的。由此可構造預測模型102，根據案例庫內的數據，在不同的未來時間預報意外。可使此類模型102僅集中於取決於事件的類型，對效用具有超過某些閾值或不同閾值的正面或負面影響的事件。可基於與意外實例相關聯的平均成本、和/或如果提前採取行動即可避免的反常的高成本結果的本質，來定義和集中未來意外事件的模型。類似地，設計成意外實例預報系統的預測模型102可包括預報可能的有益意外的模型，對於這些有益意外來說，行動可獲得或進一步加強與來自結果的好處或非預期的好處相關聯的正面本質。在競爭的情況中，可使用與對對手的期望耦合的決策模型來生成對手的意外或負面意外，或傾向於使同盟者受惠並使對手付出代價的意外情況。
在以累積案例庫方式構建預測模型102中，可使此類庫僅集中於被認為很可能以負面方式影響觀測者的使用的意外未來事件上，或可使其僅集中於很可能以正面方式影響用戶的未來事件。事件可集中於可能為負面或者正面類型的意外。事件還可能具有特徵很不突出的效用——因為許多事件可能僅對一組觀測者來說是意外的，諸如在未來的某個時間發現來自另一個太陽系的智能生命等。意外事件還包括那些不與觀測者的效用相連、但可通過其它人的效用的方式相連的事件，其中意外由移情反映部分地定義。例如，觀測者得知在未來的某個時間一種流行病在東南亞殺死數百萬人可能會感到很意外。
作為意外事件模型的示例，系統100和/或預測模型102在關於意外事件/狀況的推理中可考慮關於長期概率的信任的二階概率分布。例如，可使用β分布來對具有未知屬性的硬幣一系列拋擲的不同的長期概率上的概率分布進行建模。可用當前平均值和採樣大小的形式來定義關於長期概率的意外實例，這產生平均值上可能很緊湊的或具有越來越大的方差的概率分布，在給定先前觀測的前提下，在長期概率中捕獲減少的置信度。還可用當前概率分布除以長期概率的形式來定義意外未來結果，其中在當前概率分布除以長期概率的環境中，在一個或多個結果(例如，拋擲一個硬幣的一系列結果)具有表示為具有低於某個閾值概率的概率的平均概率的情況中系統更加感到意外。
在構建和使用預測模型102來預測意外事件和/或事情的一般機器學習方法中，系統100可通過考慮與當前時間的觀測耦合的、定義為未來若干分鐘數的未來某個時間非期望結果的案例，對未來意外事件或異常進行建模。為構建預測模型102，可構造案例庫，並可構造模型並用保留數據測試，以探測意外實例預報的預測準確性。
作為以一種方法定義期望和意外的示例，預測模型102可使用定義重要事件的標量值變量上的概率分布來定義意外結果。例如，可考慮影響某城市高速公路系統的不同的潛在瓶頸區域處的流的交通量。如果離觀測時間30分鐘時間，在每個潛在瓶頸處的交通量的概率分布是由一組有影響的變量表示並以之進行調節，則可對由各變量的設定值所捕獲的不同環境情況中的瓶頸的流上的概率分布進行記錄和編碼，這些變量有諸如對該瓶頸和其它瓶頸的流的近期歷史的統計、以及一天中的時間和一周中的日子、節假日狀態、和諸如整個高速公路系統的事故狀態及其時間和程度、建設狀況、天氣和能見度、和類似體育比賽、芭蕾和劇院等重要事件的開始和結束等其它潛在的重要的有影響的變量等。
在預測模型102的一種示例性創建中，在給定集中在此區域的概率的前提下，可利用集中趨勢作為觀測者期望的模型。其後可構造結果很少量或很大量的案例的案例庫。更具體地，可標識有非期望或意外交通量、交通量比平均值高或低標準偏差的若干倍的案例——並且可將此類所標識的案例視為意外。預測模型102因此可包括其中很可能有此類情況的案例的預測模型作為意外的概率模型。
因此，可假設基於當前的觀測，穿越若干潛在瓶頸區域的通勤者可能有基於未來某目標分鐘數處概率分布的平均值或中心主要部分的期望。因此，可包括在預測模型102內部的「觀測者的」期望模型可編碼為平均值+/-標準偏差。在預測模型102內部可使用的一種更複雜的模型中，完全可以顯式地考慮前述觀測者模型中所考慮的推論能力中的差異或證據。例如，對於觀測者的模型，可考慮與若干基本環境證據片相關聯的平均值和方差，諸如一天中的時間和一周中的日子，並可移除對可交互以產生意外流的微妙的已得數據組的考慮。為了揀選意外案例供訓練使用，可選擇與在未來不同點處的非常高和非常低的流相關聯的案例，並可記錄可預測意外實例的模型的機器學習的訓練組中所有當前時間的觀測變量。
集中於該例，例如觀測者的模型可基於以下函數，將30分鐘內在潛在瓶頸區域處的交通量視為現在和過去30分鐘一組觀測的函數30分鐘內的交通量＝f(現在瓶頸1的交通量(bn1)，一天中的時間，一周中的日子)此信息被編碼成平均值和標準偏差。但是，預測模型102可使用考慮附加變量及其相關性的更複雜的世界模型，並可將交通量編碼為貝葉斯網絡，如下現在在瓶頸1處30分鐘內的交通量(bn1)＝f(現在交通量bn1-bn30，過去30分鐘的交通趨勢bn1-bn30，一天中的時間，一周中的日子，要包括的30分鐘內的交通量，超音速隊比賽開始時間狀態，節假日狀態，降雨狀態)如果對所收到的觀測同時執行這兩個模型，涉及30分鐘內的瓶頸所生成的預測可能非常不同，且可用此類差異來判定30分鐘內的預測很可能會使觀測者感到意外的實例。在第二種方案中，可編碼用戶本應感到意外的一組案例，且預測模型102可至少部分地基於一組已得數據來為觀測者直接編碼意外情況。由此，預測模型102可發現，從較簡單的平均值和標準偏差模型的視點出發，相關變量的某些設置導致「意外的」(例如，非典型或反常的)高或低的交通量。可構造預測模型102所預測的意外的現實世界的事件，並將其與某觀測者所預測的在未來某個關注的時間(例如，從現在起15分鐘、從現在起30分鐘、從現在起1小時、或從現在起時間t之內)所期望的結果相比較，並可構造經由機器學習構建預測模型的意外模型。
在又一個方案中，可結合預測模型102使用不直接推理事件類型、但在發生意外、非典型和/或反常事件條件下推理其較高級屬性的模型。例如，如果在某個時間幀內發生意外實例，則可預測其是否屬於某特定類。作為例子，可收集有關某個觀測者在過去一年內所發生的最高程度的意外事件的各種屬性相關聯的數據，並可將涉及於此的統計用作推理未來潛在意外實例的模型。例如，可評估與過去10年中的每一年在私人或公共領域內n個最意外事件相關聯的一組屬性。可利用這些邊際統計來對未來意外實例——如果它們發生的話——的屬性進行整理排序。例如，「涉及被掩蓋而難以看清的一組協調行為」涉及未曾顯式建模的金融手段。
還可利用機器學習來推理與將會是特別具有挑戰性或特別困難的結果相關聯的未來情況，因為可能的結果可能還未曾被建模，或者可能存在預測模型102可判定它在某些情況中不能勝任的情況。以前述方案的方式，可捕獲發現結果在預測模型102或其它模型內未顯式未顯式建模、或系統在意外方式中失敗的情況。可結合此類對機器學習的利用來分析關於即將來臨的很可能的失敗的案例的案例庫。為了構建即將到來的未建模情況或基於對未建模情況的處理不當的不能勝任的情況的預測模型，或僅僅標識未建模情況，可構造即將到來的未建模情況或不當相應的情況的案例庫，並且可通過預測模型102來預測此類情況。可通過從一組訓練案例來構造預測模型102、並對照為此目的而保留的測試數據組來測試此類模型102的預測能力的方式，來測試所構造的預測模型102的預測能力。
構想未建模情況的同時構建預測模型102的另一種方案是構造具有預測將有失敗的能力的預測模型102來預測未來，從而在預測模型102所作的預測輸出可能不太正確時通知用戶或系統。可使用機器學習，通過記錄與未能預測未來相關聯的觀測組或狀態組來標識此類情況。可利用此類未來意外、非典型情況、反常、未建模事件、或更一般地、系統或個人不大可能處理好的情況的模型，基於當前觀測，來向人或自動系統提出可能有非期望的、混亂的、或未建模的情況即將到來的警告。在個人或系統可能希望為意外或相當具有挑戰性的情況作好準備時，具有關於未來有此類情況逼近的可能性的認識，即使還不確定時，仍可對個人或系統提出警告，從而實現對替換環境或情況的選擇。
還可使用預測模型102來指導或促進在不確定情況下個人或系統被放到有未預期價值的情況中的情形。可基於觀測者關於未來的期望的模型的推論和對於相同未來時間段的世界結果更豐富、更準確的模型之間的差異，驅動顯示來發出警告信息，其中該兩種模型都駐留在預測模型102內部。這些顯示可假設人或系統具有默認的期望，並且除非很可能有某事物使得、或在未來將使得用戶感到意外，否則沒有理由對其提出警告。作為例子，對於警告系統，回到交通預測應用，可就用戶何時可預期未來所關注時間沿著所關注路線的交通量意外地較輕或較重，對個人提出警告。這些個人可能不希望就關於個人將預期(如由基於觀測者的期望模型所判定)的交通狀況受到警告。作為另一個應用，基於關於意外的未來預報，在某個時間之前到達某個很遠的地點的約束之內，可警告用戶提前或延後出發。在另一個例子中，可在警告系統內部使用預測模型102，在給定對影響用戶的意外事件的預測的前提下，在早晨延後或提早將用戶從睡眠中喚醒。
預測模型102可包括提供關於預測模型102準確預測未來意外事件/事情的能力的預測的模型(未圖示)。因此，預測模型102可自動突出預測的準確性，或可判定不信任某預測的實例，由此使用戶在為未來作準備時能夠較少依賴預測。機器人系統可能希望經由預測模型對未建模事件、或未能預測的情況、或意外失敗的推論，用模型來預報當前路徑或軌道上即將到來的未建模或意外事件、或其很可能不能勝任的特別具有挑戰性的情況，從而選擇其不大可能將要面對意外或挑戰的替換方案或路徑。
一旦生成對意外事件的發生的預測，預測模型102將此類預測分程傳送給用戶界面組件104，該組件可向用戶呈現所生成的預測。例如，可將用戶界面組件104與向用戶視覺地顯示所生成的預測的圖形用戶界面(GUI)、聽覺上向用戶提供預測的揚聲器、或任何其它何時的界面相關聯。此外，用戶界面組件104可駐留在諸如膝上計算機、PDA、蜂窩電話、智慧型電話等可攜式設備上，或可駐留在諸如臺式個人計算機等固定設備上。在交通應用中，用戶界面組件104可通過穿越路線來向用戶動態顯示此類路線，其中穿越時縮放的量是地圖上數據點之間的距離、該路線中從一個或多個數據點出發的距離、路線中數據點的個數等的函數。例如，用戶可能希望走某條路線，沿著該路線有用戶所關注的高速公路的若干部分(諸如高速公路阻塞的或預測將阻塞的多個部分)。在該路線的起始處，顯示可與某特定縮放量相關聯——隨著顯示開始穿越該路線，顯示「縮小」，縮放的比率是各數據點之間的距離、一個數據點之間的距離、和/或該路線上數據點的個數的函數。利用縮放來向用戶提供關於路線更大量的環境，並且經驗上縮放對用戶來說比常規系統顯得更令人愉快。隨著用戶界面組件104(例如，顯示器)顯示用戶靠近某個數據點，顯示將「放大」，縮放比率同樣是各數據點之間的距離、一個數據點之間的距離、和/或該路線上數據點的個數的函數。
可在伺服器和客戶機的組合或單個客戶機上實現系統100。例如，包括用戶界面組件104的計算設備可訂購主含預測模型102的的服務。可將預測模型102與伺服器上的處理器和存儲器相關聯，計算可在其上發生。隨即可通過無線和/或有線連接的網絡將所生成的預測遞送給用戶界面。此外，可向客戶機遞送地圖或其局部，並在其上的存儲器中高速緩存。其後，可從伺服器遞送涉及預測的顯示，並將其安置在客戶機上高速緩存的圖形上。但是，隨著處理和存儲器性能的提高，系統100可完全駐留在客戶機內部。
現在轉到圖2，圖示了便於生成意外事件/狀況的預測的系統200。系統200包括根據所接收的環境數據和歷史數據生成涉及意外事件的預測的預測模型202。例如，可通過一個或多個傳感器204的方式和/或一個或多個數據收集組件206的方式，將環境數據遞送給預測模型202。例如，在預測模型202預測交通圖的應用中，傳感器204可以是道路上檢測汽車的存在、估計汽車速度等的重量傳感器。在關於交通的另一個例子中，關於接收涉及道路上的汽車的環境數據，可利用與汽車相關聯的GPS傳感器。這些傳感器可集成到汽車內部、蜂窩電話、PDA內部、等等。在又一個例子中，傳感器204可涉及監視蜂窩電話和蜂窩塔之間的握手，由此提供個人在道路上的未知的又一種指示。此外，可利用涉及溫度、時間等的傳感器來獲取環境數據。據此，關於獲取環境數據以供預測模型202使用，可使用任何合適的傳感器。可利用數據收集組件206來監視電視、電臺和網際網路，以獲取涉及預測模型202所針對的應用的變量。例如，如果關於交通預測而利用預測模型202，則一周中的日子、體育比賽的發生、和天氣可能影響交通是公知的。因此，數據收集組件206可通過利用語言識別機制來確定電臺新聞廣播中所描述的天氣、用文本識別機制來監視體育比賽或其它合適的事件等等，來獲取數據。因此，構想了任何適合的獲取預測模型202可使用的環境數據的設備/機制。
例如，可通過統計方法來構造預測模型202，諸如通過利用如貝葉斯網絡、動態貝葉斯網絡、和連續時間貝葉斯網絡等一個或多個圖形概率模型、隱藏馬爾可夫模型(HMM)、馬爾可夫過程、微粒過濾、基于吉布斯採樣的方法、神經網絡、支持矢量機、微分方程、基於邏輯的推理系統、和以模糊邏輯為中心的方法等。在一個特定例子中，關於生成對未來意外事件的預測，預測模型202可利用一個或多個貝葉斯網絡208。貝葉斯網絡208可包括影響抽象事件的變量，並且可在其中對這些變量和影響進行建模。例如，貝葉斯網絡208可包括表示直至擁塞的時間和直至交通系統中各組困難的交通熱點或瓶頸區域暢通的隨機變量，並且預測交通流可涉及對此類隨機變量的推理。此外，可結合預測模型202利用分析和標識瓶頸區域的工具(未圖示)。在圖25-29處可找到可集合預測模型202使用的示例性工具的描述。
繼續涉及交通狀況預測的例子，在第一道路的某特定區域處的事故可影響第二道路的具體區域的交通狀況。在另一例中，天氣情況對具體道路的特定部分可能比對其它道路的部分具有更大的影響。因此，貝葉斯網絡208內的變量可包括對道路的部分、影響其上交通的事故、涉及其上交通的天氣、和任何其它合適數量的變量的抽象。貝葉斯網絡208實質上可以是道路和影響其上交通的變量的完整表示。在另一例中，可使用貝葉斯網絡208來對用戶期望進行建模，其中此類期望可能與健壯模型所輸出的預測大相逕庭。
預測模型202可包括意外事件定義210，它(們)被用來對個人就意外事件可能的發生進行警告。可以各種方式來創建和/或定義意外事件定義210，至少其中的一些已參考圖1得到描述。例如，意外事件定義可涉及在一閾值概率以上或以下發生的事件。因此，如果所預測的發生概率落在閾值以外，可向用戶發出警告。又如，意外事件定義可涉及未被觀測者有關的模型建模的事件，因此由意外事件定義210所定義的此類事件一般是用戶所未預計的。因此，可結合意外事件定義210來利用全然不同的模型、觀測者有關的模型和更徹底的、實質性的模型，來確定意外事件的存在並就該事件迫近的發生和/或其概率對個人進行警告。但是，可以理解，任何適當的定義意外事件的方式都已被構想並將落入所附權利要求書的範圍之內。
預測模型202還包括在輸出時間數據以及涉及未來意外事件的預測中協助預測模型202的定時組件212。例如，通知個人在未來某個時間某特定區域處交通將阻塞對該個人來說沒有幫助，因為該個人將無從了解擁塞預期何時發生、所預期擁塞的長度、等等。因此可利用定時組件212，將時間值與預測模型202輸出的預測相關聯，由此向用戶提供可用於根據所預測的未來意外事件來作出決策的必要的信息。系統200還包括向用戶提供預測信息的用戶界面組件214。根據一個例子，用戶界面組件214可存在與汽車內，由此允許在用戶行進時發生動態預測。
為幫助確定用戶所關心的區域，一種工具/界面(未圖示)可使用戶能夠選擇若干組熱點或瓶頸，並將它們標記為其所關心的，包括通過選擇若干組瓶頸區域並主動將其與一天中這些區域或整個路線受到監視的時間、及如果滿足移動警告條件將發生桌上或移動的警告(例如，通過在智慧型電話上的警告，或通過在普通蜂窩電話上的SMS消息)的時間(例如，一天中恰當的時間，滿足警告條件，並且檢測到用戶未出現在桌前)相關聯來選擇若干組包括路線(例如，通勤路線)的瓶頸區域。可設置智慧型電話，經由浮動信息、自動卷頁等在一天中的每一個時間顯示適當的瓶頸。
現在參考圖3，圖示了便於生成對將來可能發生的意外情況的預測的系統300。系統300包括生成對未來意外事件的預測、還可生成與這些預測相關聯的概率的預測模型302。預測模型302根據所收到的環境數據和所收到的歷史數據生成對意外事件(或非典型/反常事件)的預測。預測模型302包括用戶中心的信息304，由此使預測模型302能夠確定會使用戶感到意外的事件。更具體地，預測模型302可使用用戶中心的信息304來確定哪些所預測的意外事件對用戶來說是重要的。作為例子，用戶可每天在3:00離開工作地點，並行經某路線以返回住處，其中該路線通常不會出現交通擁塞。因此，如果預測模型302預測在用戶通常採取的路線上將產生擁塞，則預測模型302可向用戶通知此所預測的擁塞。但是，如果預測模型302預測在用戶不行經的路線上有擁塞，則可能不需要向用戶提供此類預測(因為它不涉及該用戶)。
預測模型302還可包括確定與意外事件相關聯的概率的概率分析組件306。例如，用戶可能不希望被提供對與非常小的發生概率相關聯的意外事件的預測。由此，概率分析組件306可計算與所預測的意外事件相關聯的概率，並且如果所計算的概率高於或低於某定義的閾值，則可向用戶提供該預測。
預測模型302還可包括更新組件308，它使用戶能夠向預測模型302通知該用戶認為意外的事件。當預測模型302未對特定事件進行建模，和/或未視其為意外時，更新組件308可能很重要。在未對意外事件進行建模的實例中，更新組件308可從用戶接收關於該用戶認為很意外的事件的信息，並可獲得與該事件相關聯的環境數據(從傳感器、電臺、用戶輸入、等等)。由此可將預測模型302擴展成包括用戶所指定的事件。在已對事件進行建模、但預測模型302未將該事件的發生視為意外的實例中，更新組件308可接收用戶輸入，並且如果未來將發生對此類事件的預測時，使預測模型302將該事件作為意外事件輸出。
系統300還可包括模型分析器組件310，它分析預測模型302的準確性，並自動調整模型302以提高其性能。例如，模型分析器組件310可跟蹤預測模型302所輸出的預測，並將此類預測與事件的發生相比較。模型分析器組件310可利用各種機器學習算法和/或技術，自動調整預測模型302以提高該模型302的性能。尤其是，模型分析器組件310可包括貝葉斯網絡、模糊邏輯系統、神經網絡、或任何其它合適的機器學習機制。
系統300還包括用戶界面組件312，用戶可通過此組件與預測模型302通信，以向該模型302提供信息。例如，用戶可通過用戶界面組件312，向預測模型302通知其認為是意外的事件。為便於此類通信，用戶界面312可使用語音識別系統、壓敏屏、定位和點擊機制、磁定位機制、和/或其任何適當的組合。還可利用用戶界面組件312向用戶發送預測模型輸出的預測。
現在轉到圖4，圖示出便於預測未來可能發生的意外事件(和/或非典型或反常情況)和向用戶提供此類預測的系統400。系統400包括可預測未來意外事件的發生、與其相關聯的時間安排、和與其相關聯的概率的預測模型402。預測模型402可根據從傳感器404和數據收集組件406收到的環境信息來生成預測，這些傳感器404和數據收集組件406可與關於圖2所述的是相似的設備。此外，預測模型402可根據駐留在數據存儲410內部的過去的觀測408，來輸出對未來可能發生的意外事件的預測。數據存儲可以是任何合適的數據存儲機制，諸如常規的硬碟、可移動磁碟、快閃記憶體、等等。
在一例中，預測模型402可包括意外事件定義412，它使得預測模型402能夠將典型或非意外事件與非典型或意外事件區別開來。例如，預測模型402可生成涉及對用戶來說並不意外、並因此不需要由用戶查看的未來事件的預測。但是，如果預測模型402根據意外事件定義412生成預測，那麼可向用戶輸出對意外事件的預測。在另一例中，可由用戶期望模型414和世界模型416之間的比較來更新和/或支持意外事件定義412。用戶期望模型414可仿效典型用戶作出預測的方式，該方式往往是有限個數的變量之間的簡單相關。因此，可將意外事件定義為落在用戶期望模型414的考慮或期望之外的事件。世界模型416可以是將更多變量及其間關係納入考慮的更複雜的概率模型，其中當典型觀測者生成預測時，常常不會構想相當數量的此類變量和關係。因此，在給定相當相似的環境和歷史數據的前提下，世界模型416和用戶期望模型414可輸出極其不同的未來預測。當此現象發生時，可用該事件來更新意外事件定義412，並可通過用戶界面組件418向用戶提供對可能的意外事件的預測。此外，為了提高預測模型402的效率和性能，可將傳感器404和數據收集組件406所收集的數據，以及對與其相關聯的事件的預測和實際事件作為過去的觀測408存儲在數據存儲410中。由此，隨著時間過去，預測模型402將變得越來越準確。
為了更充分地描述用戶期望模型414，本文中提供一個涉及交通的例子。可用描述一周的某些日子內特定時間段某道路系統中特定位置的狀態的邊際統計來構造用戶期望模型，由此創建出邊際模型。此類模型能以諸如天氣和節假日狀態等一個或多個機器學習過程所考慮的(連同一天中的時間和一周中的日子)變量的子集為條件。此類數據對於通勤者來說直接可用。為標識涉及交通的意外，可將邊際模型(它組成了用戶期望模型414)的輸出與實時狀態和/或世界模型416(它構想了更多變量及其間的相關性)的輸出相比較。
現在轉到圖5，圖示出便於構建可生成對未來可能發生的意外事件的預測的預測模型的系統500。系統500包括案例庫502，它可包括多個可由數據(例如，變量的狀態和相關性)表示的意外情況504-508。例如，可使案例庫502(或多個庫)集中於很可能以正面或負面方式影響觀測者的效用的意外事件。此外，意外情況504-508可為特徵很不突出的效用。在另一種方案中，案例庫502包括結果落在概率分布之外的案例。換言之，在例如道路的特定部分存在非預期或意外的交通量、和交通量比平均交通量高或低標準偏差的閾值倍數處可標識案例，並且可將此類案例作為意外情況504-508存儲在案例庫內。在一個涉及交通擁塞的例子中，交通數據、一天中的時間、一周中的日子、是否正處於某個節假日、學校是否正在上課、某區域內諸如體育比賽等大型事件的開始和結束時間，包括降雨狀態、能見度、和光照量等關於天氣的同步信息。例如，可從網際網路上的源和/或通過傳感器收集此信息。但是，還構想了構造案例庫502和對其中情況進行分類的任何適當的方式。
此外，可將時間上最接近意外情況504-508的數據存儲在案例庫502內。更具體地，可將涉及意外情況504-508的觀測與案例庫502內的意外事件耦合。例如，在交通應用中，在可獲得在意外情況504-508之前所獲的觀測，包括涉及天氣、事件報告、主要事件(例如，體育比賽)、涉及遍及某特定交通系統的交通流的歷史的觀測狀態的觀測。可定義時間閾值，並可獲取落在該時間閾值之內的觀測。
可將案例庫502的內容遞送給模型生成器510，它利用機器學習組件512來協助創建預測模型514，其中模型514用來預測未來包括意外情況在內的事件和/或狀態的發生。例如，機器學習組件512可涉及通過結構搜索和參數優化方式構造的貝葉斯網絡模型、統計分類器、神經網絡方法，來設計預測模型514。使用此類技術的模型生成器510可在預測模型514中生成圖形視圖，由此提供模型的圖形視圖(並使個人能夠設想多個變量和影響)。在一例中，模型生成器510不是為多個不同位置(例如，不同的交通瓶頸)構建一個模型，而是構造預測模型514，從而它捕獲多個位置和變量之間的相關性。參考交通的例子，利用此類方案能使預測模型514學習通過瓶頸的流之間的相關性和時間關係。模型生成器還可接收可與意外情況504-508相關聯的異常的定義516，並將這些定義516併入預測模型514。此外，可生成用戶期望模型518，並將其提供給模型生成器510，從而涉及異常定義516的預測輸出可與通過用戶期望模型518生成的所預期輸出相比較。由此，預測模型514可包括各種定義意外事件以及輸出未來意外事件及與其相關聯的概率的機制。
現在參考圖6-9，現在將通過一系列動作來描述符合所要求保護的主題的若干方法。應當理解和明白，所要求保護的主題不受動作的次序限制，因為某些動作可按不同次序發生和/或與本文中所示與所述的其它動作同時發生。例如，本領域技術人員將理解和明白，可將一種方法替換地表示為諸如狀態圖中所示的一系列相關的狀態或事件。此外，並非所有示出的動作都是實現符合所要求保護的主題的方法所必須的。
單獨轉到圖6，圖示出從預測模型生成預測的方法600。在602，接收預測數據模型。該模型可包括例如一個或多個貝葉斯網絡、使用神經網絡或模糊邏輯、和機器學習的任何其它合適的形式。此外，可根據歷史數據、用戶期望等生成預測數據模型。在604，為意外實例提供定義。生成此類定義已在上文詳細描述。在606，獲取環境信息並將其遞送給預測模型。此類數據可從傳感器、網站、電臺、或任何其它合適的信息位置獲取。例如，可直接從與用戶的對話中獲取信息。在608，作出關於某意外事件是否已被預測的判斷。如果已預測了該意外事件，那麼在610向用戶提供涉及所預測事件的信息。例如，在交通的環境中，如果預測未來將發生會使用戶感到意外的擁塞，則可向用戶提供所預測擁塞的位置、所預測擁塞發生的時間、所預測的疏通擁塞的時間、和與前述預測的正確性相關聯的概率。隨即在612可保留這些預測和環境數據，以改進該預測模型。如果在608某意外事件未被預測，那麼可保留所收集的環境數據，以提高該模型的性能。
現在轉到圖7，圖示出預測將來可能發生的意外事件的方法700。在702，生成用戶期望的模型。例如，該模型可充分地模仿人類為未來的事情生成預測所傾向採用的方式，該方式通常是簡單地記錄選定數量的變量，並考慮這些變量之間低級的相關性。例如，如果存在極端的天氣情況，用戶可預測道路的特定部分將會經受擁塞。但是，用戶常常不會考慮複雜的相關性。例如，第一道路上的事故可能影響用戶正途經的第二道路上的交通擁塞。該用戶可能不知道該事故，還可能沒有意識到該事故和當前或期望途經的道路上的擁塞之間的關係。
在704，定義意外事件。可將這些事件定義為用戶期望模型未考慮的事件、落在閾值的發生概率意外的事件、用戶選定的事件、離平均值有標準偏差的特定倍數的事情、或任何其它定義意外事件的合適方式。可從案例庫檢索這些事件的示例，並可結合生成預測未來可能發生的意外事件的模型而使用。在706，根據用戶中心的模型和所定義的意外創建預測模型。特別是，預測模型可分析用戶中心模型的輸出，並將該輸出與更健壯模型的輸出對比——如果其間有很大的差異，那麼可向用戶發出意外事件的警告。此外，如果預測模型創建實質上類似於所定義意外事件的輸出，那麼可向用戶發出該事件的警告。可以此類方式來創建預測模型，以啟用前述意外事件的輸出的方式。
在708，收到環境數據。例如，可通過傳感器(例如，在道路上)、攝相機、GPS系統、文本識別組件、網絡爬尋器、語音分析組件、或任何其它獲取/接收環境數據的合適裝置來接收數據。在710，預測模型生成預測輸出。在712，作出關於輸出是否與意外的定義一致的判斷。如果輸出與意外的定義不一致(例如，該預測不涉及意外事件)，那麼可在708接收環境數據。如果在712輸出與意外的定義一致，那麼在714可向用戶提供對意外事件的預測。例如，可就某道路上非預期的擁塞、非預期的銷售數字等向用戶發出警告。一旦向用戶提供了涉及所預測的意外事件的信息，即可在708接收環境數據。
現在參考圖8，圖示出改進預測未來意外事件的預測模型的方法。在802，生成用於預測意外事件的模型。如下文所述，可根據描述意外事件的案例學習來構造這些模型。此外，可根據意外的定義來生成這些模型。在804，通過所生成的模型來預測意外事件。在交通應用中，可預測擁塞點，其中此類擁塞可能是或可能不是意外。在806，存儲預測模型所輸出的預測。在808，確定該模型的準確性。這可通過由該模型將預測輸出與實際事件相比較來實現。在一個特定例子中，預測模型可預測某個時間在道路的某個特定部分交通將會阻塞，並會在某特定時間段內保持阻塞。這些預測可與實際結果相比較，其中結果可通過傳感器和/或用戶輸入來獲取。在810，根據所確定的準確性來更新該模型。由此，如果該模型一貫不正確，則可據此調整該模型。關於自動調整預測模型，可使用各種機器學習機制/技術。
現在轉到圖9，圖示出生成可預測意外事件的模型的方法900。在902，獲取描述事件的數據的案例庫。例如，案例庫可包括定義為意外事件、典型事件、或任何其它適當事件的事件。在904，定義意外事件。在一例中，可將簡單的用戶中心的模型未構想的事件定義為意外事件。在另一例中，可將落在特定概率範圍之外、或離平均值有標準偏差的特定倍數的事件定義為意外事件。如可從上文判定的，發明人構想了定義意外的任何合適的方式，並試圖使這些方式落入所附權利要求書的範圍之內。
在906，生成和/或提供根據用戶期望生成預測的模型。由此，該模型設計成將用戶通常考慮的各變量和用戶通常考慮的各變量之間的相關性納入考慮。在908，提供模型生成器，其中該模型生成器根據所定義的事件和用戶期望的模型創建意外事件預測器。儘管沒有描述，但所創建的模型可包括「世界」模型，在給定充分數據量的前提下，它能判定許多變量之間不同等級的相關性。因此「世界」模型要比用戶中心的模型複雜得多。據此，如果用戶中心的模型輸出明顯與「世界」模型輸出的預測截然不同的預測，則可視「世界」模型的輸出為意外事件。在另一例中，如果「世界」模型輸出充分涉及所定義的意外的預測，那麼可將該預測作為意外事件向用戶呈現。
現在參考圖10，圖示了示出實現基於路線的警告的對路徑的用戶定義的截屏圖1000。例如，利用可顯示圖形信息(類似於截屏圖1000中所顯示的)的工具，用戶可定義例如涉及早上和晚上通勤的所關注路線。更具體地，用戶可定義與早上的通勤相關聯的路線和時間、和晚上的路線相關聯的路線和時間、與顯示對應的刷新頻率，等等。可提供數據條目和顯示實體1002以便於實現此類用戶定義。此外，當啟用此類基於路線的警告系統，可在相應時間關於所定義的路線向用戶呈現音頻警告。例如，用戶可設置擁塞的閾值等級，當交通擁塞到達該閾值和/或預測其將到達該閾值時，那麼可向用戶發出警告(例如，音頻方式、通過行動裝置的震動、……)。類似地，用戶可能希望接收涉及關於某路線和某段時間交通擁塞何時低於某閾值的警告，和/或希望就預測交通擁塞何時會低於該閾值收到警告。此外，用戶可設置指示意外情況或事件的警告。在一例中，用戶可通過指定該用戶途經何處(如截屏圖1000內圈出的標號所指示)來定義行經的路線。此選擇可通過圖形地選擇標號和/或在數據接收實體內手動輸入標號來實現。
現在轉到圖11，圖示出利用預測模型(如上所述)生成的預測的應用程式的截屏圖1100。該截屏圖包括各道路1102的圖形表示，其中道路包括多個部分1104。可將這些部分與指示與這些部分相關聯的擁塞等級的特定顏色和/或顏色的陰影相關聯。例如，如果部分1104用綠色打陰影，用戶可判定在該部分1104上幾乎沒有擁塞。可通過接收與道路1102相關聯的環境數據和歷史數據，來向用戶提供預測。截屏圖1100內還包括定時指示器1106，其中該指示器1106向用戶通知與道路1102的所選部分的當前交通狀況相關聯的所預測時間。例如，時間指示符1106可指示無擁塞情況將保持所預測的時間量，並且可將正確性的概率與其相關聯。在另一例中，截屏圖1100可向用戶提供涉及未來某個時間的信息。由此，在用戶離開工作場所之前，該用戶可請求涉及從當前時間點行經某距離的路線的所預測的信息。在又一例中，可通過所預測的模型向用戶提供意外。
現在參考圖12，圖示出另一個示例性截屏圖1200。截屏圖1200示出可通過顯示的方式向用戶提供交通信息。顯示可以是在蜂窩電話、智慧型電話、PDA、膝上計算機等之上。該截屏圖示出多個圖形表示的道路1202，其中這些道路包括圖形表示的部分1204。可將這些部分與不同的顏色和/或不同的陰影相關聯，以向用戶傳達道路1202的某些部分預測將經受擁塞。例如，著紅色的部分可能經受高度擁塞。可將定時指示器1206和1208與道路1202的所選部分相關聯，它們可指示直至擁塞發生的所預測的時間、在特定部分上將持續擁塞的所預測的時間、等等。如上所述，預測可涉及意外事件。例如，通常可能不會預期道路1202的某個部分在某個特定時間會經受輕度擁塞。但是，健壯的預測模型可根據所定義的意外事件和用戶期望、以及所收到的環境數據和歷史數據來輸出此類預測。
共同參考圖13-15，提供了示出各變量和交通狀況之間的相關性的網絡的圖形表示，其中關於生成預測未來交通狀況的預測模型可使用此類狀態圖。特別轉到圖13，圖示了示出表示工作日的變量和與道路的不同部分的不同擁塞相關聯的時間安排之間的相關性的示例性貝葉斯網絡模型1300的圖形描述。在一例中，可通過結構學習的方式生成網絡模型1300，並可關於預測涉及交通的參數對其進行利用。舉一具體例子，某天是否是工作日可能影響與標記為15並由節點1302表示的的道路的部分相關聯的時間安排。由此，節點1304所表示的變量指示當前日是否是工作日，並且該節點1304涉及網絡1300內的多個節點。在另一例中，變量1304影響直至節點1306所表示的道路的一部分(標記為部分14)不再高度阻塞的時間。存在各種其它相關性，並且一旦查看了網絡模型1300即可輕易了解這些相關性。日曆應用程式或其它機制可確定節點1304的值(例如，可用第一個值表示某天是工作日，並可用第二個值表示某天不是工作日)。
現在參考圖14，圖示出示例性網絡模型1400。提供網絡模型1400來說明天氣變量1402(表示關於天氣狀況的互斥狀態組)對模型1400的其它變量的影響。例如，有捕捉如果當前各瓶頸不是高度阻塞則直至這些瓶頸將變得高度阻塞的時間量、和如果當前各瓶頸高度阻塞則直至這些瓶頸將解除阻塞的時間量的變量。
現在轉到圖15，圖示了顯示多個變量和意外之間的相關性的示例性網絡模型1500。網絡模型1500包括表示預測模型內某個所定義的意外的節點1502，和涉及該節點1502的不同變量。在此例中，表示一天中的時間(節點1504)和一周中的日子(節點1506)的變量涉及節點1502所表示的意外的發生。此外，道路的特定部分的狀態(例如，阻塞、部分阻塞、……)可由節點1508-1514表示，並且示出狀態為涉及所預測的由節點1502所表示的所定義意外的發生。此外，表示道路特定部分實際和/或所預測擁塞持續時間的節點1516-1518和節點1502有關。可利用這些變量之間的相關性來生成涉及交通狀況的預測和/或預測未來意外事件的發生。
轉到圖16，圖示了示出各變量和可由本文中所述的預測模型預測的意外事件之間的相關性的網絡1600。例如，該網絡包括表示天氣、道路特定區域的事故、道路內的擁塞狀態、一天中的時間、一周中的日子、是否有體育比賽或競賽等的節點。由此，可將網絡1600與一般地預測交通圖、和具體地預測未來可能發生的意外交通圖的健壯預測模型相關聯。
現在共同參考圖17和18，圖示出與道路的特定部分(或瓶頸)相關聯的歷史數據的圖表1700和1800。關於生成預測模型和從其輸出預測，可利用的是圖表1700和1800的基礎的歷史數據。圖表1700和1800的軸涉及道路某特定部分的百分佔用率和在一天的不同小時所收集的與其相關聯的數據。
轉到圖19，提供了示出與交通相關聯的變量之間的相關性和從其到交通意外的關係的網絡1900。例如，表示一周中的日子的節點1902、表示是否有體育比賽的節點1904、表示道路的特定部分(分別標記為10和11)處的交通狀態的節點1906-1908全部以一種方式或另一種方式(直接地或間接地)與道路標記為10、11和4的部分(分別由節點1910、1912和1914表示)的意外交通狀況有關。現在參考圖20，提供了示出相關聯意外(圖19中所示)的截屏圖2000。圈2002、2004和2006分別表示部分10、11和4處的意外交通狀況。在此例中，截屏圖2000示意第一道路的第一和第二部分2002和2004處的意外和第二道路似乎不相關的部分處的意外有關。因此，用來生成所預測的意外的預測模型可考慮這些個人通常不會領會的關係。
現在參考圖21，圖示出構想與預測未來交通意外的發生相關聯的變量之間的相關性的網絡2100。網絡2100示意各個意外是相關的，並且在道路特定部分的天氣和狀態也和可能的意外有關。特別地，表示天氣狀況的節點2102、和表示道路不同部分處(分別為部分2、5、10和16)的交通狀態的節點2103-2108都直接或間接地與表示道路若干部分(分別為部分3、5-8、和17)處的意外的節點2110-2120有關。簡要參考圖22，圖示了示出關於圖21所提及的意外的位置的截屏圖2200。截屏圖2200包括分別表示部分2、3、5、8、11和17的圈2202-2212。這些圈表示關於網絡2100的交通擁塞的示例性意外和狀態。
現在轉到圖23，圖示了示出各變量之間根據其內容所學習的相關性的另一示例性網絡2300。特別地，網絡2300可為能推斷將在某閾值時間內(例如，30分鐘)發生的定義為意外、非典型、和/或反常的狀態的可能性的貝葉斯網絡。網絡2300包括節點2302和2304，它們表示道路若干部分(分別為部分15和17)處事故的發生。節點2306表示一天中的時間，節點2308-2312表示道路若干部分(分別為部分1、15和18)處的交通擁塞。前述節點2302-2312直接或間接地影響表示預測在某個特定時間點發生的道路若干部分(分別為部分4、11、15和17)處的意外交通狀況的節點2314-2320。由此，在給定道路特定部分處的意外和道路各部分的具體擁塞狀態的前提下，可預測一個或多個意外事件。簡要參考圖24，截屏圖2400包括分別突出道路的部分4、11、15和17的圈2402-2408。這些部分對應於網絡2300的節點2314-2320(圖23)所表示的部分。
現在參考圖25-29，提供了示出所要求保護的主題的一個或多個方面的截屏圖2500、2600、2700、2800、和2900。首先參考圖25，截屏圖2500屬於圖形用戶界面(或工具)2502，該界面(或工具)使用戶能夠選擇關於預測交通圖的閾值擁塞。用戶可通過可編輯欄位2504或通過滑動機制2506來改變擁塞閾值。由此，預測模型可向用戶提供所預測閾值交通擁塞等於或大於50％的區域。截屏圖2500顯示道路沒有任何部分可能經受等於或大於50％的擁塞。此外，用戶可選擇該用戶所關注的道路的部分，並接收涉及此類所選部分的警告。由此，用戶可通過用戶界面2502定義一條或多條關注的路線。現在參考圖26，圖示出具有25％的擁塞閾值的用戶界面2502的截屏圖2600。截屏圖2600預測為在用戶所指定和/或計算組件自動選擇的時間可能經受此類擁塞的道路的部分。轉到圖27，選擇擁塞閾值大約在16％的用戶界面2502的截屏圖2700。截屏圖2700顯示預測道路的各個部分(打上比道路的其它部分更深的陰影)可能經受大於或等於16％的擁塞。現在參考圖28，用戶界面2502的截屏圖2800示出預測為可能經受等於或大於9％的阻塞閾值的擁塞的道路。現在轉到圖29，用戶界面2502的截屏圖2900示出涉及在預測道路的若干部分等於或大於5％時的交通擁塞的預測。截屏圖2500、2600、2700、2800、和2900由此說明用戶可選擇作出預測所用擁塞閾值等級，並且其後可確定行進的最佳路線。例如，可使用截屏圖2500、2600、2700、2800、和2900中所描述的工具來確定關於生成預測所應關注的道路部分。例如，可使用一種工具來顯示道路何時/何處阻塞等於或大於25％，並可對此類地點進行詳細查看。
現在轉到圖30，圖示出關於所要求保護的主題的一個或多個方面可使用的示例性行動裝置3000。設備3000包括圖形地顯示道路系統的至少一部分及與其有關參數的顯示區域3002。例如，顯示區域3002可圖形地指示道路的某特定部分可能經受某個等級的交通擁塞。行動裝置3000可包括可用來瀏覽顯示區域3002上所顯示的標記的鍵盤3004。此外，行動裝置3000可包括使用戶能夠根據最近的數據刷新圖形顯示的刷新按鍵3006。
為了提供其它的環境，圖31及以下討論旨在提供對可實現本文中所述的各種方面的合適的操作環境3110的簡要、一般的描述。儘管是在由一個或多個計算機或其它設備所執行的諸如程序模塊等計算機可執行指令的通用環境中描述所要求保護的主題，本領域技術人員可以認識到，還可結合其它程序模塊實現所要求保護的主題，和/或將其實現為硬體和軟體的組合。
但是，一般而言，程序模塊包括執行特定任務或實現特定數據類型的例程、程序、對象、組件、數據結構、等等。操作環境3110僅僅是合適的操作環境的一個例子，並不試圖對本發明的使用或功能的範圍提出任何限制。其它可能適用於本發明的公知計算機系統、環境、和/或配置包括，但不限於，個人計算機、手持式或膝上設備、微處理器系統、基於微處理器的系統、可編程消費者電子設備、網絡PC、小型計算機、大型計算機、包括上述系統或設備的分布式計算環境、等等。
參考圖31，用於實現本發明的各個方面的示例性環境3110包括計算機3112。計算機3112包括處理單元3114、系統存儲器3116、和系統總線3118。系統總線3118將包括但不限於系統存儲器3116在內的系統組件耦合到處理單元3114。處理單元3114可以是各種可用的處理器。也可將雙微處理器和其它多處理器體系結構作為處理單元3114使用。
系統總線3118可以是若干類總線結構中的任何一種，包括存儲器總線或存儲器控制器、外圍總線或外部總線、和/或使用各種可用總線體系結構中的任何一種的局部總線，這些可用總線體系結構包括，但不限於，8比特總線、工業標準體系結構(ISA)、微通道體系結構(MCA)、擴展ISA(EISA)、智能驅動器電子設備(IDE)、VESA局部總線(VLB)、外圍部件互聯(PCI)、通用串行總線(USB)、高級圖形埠(AGP)、個人計算機存儲卡國際協會總線(PCMCIA)、和小型計算機系統接口(SCSI)。
系統存儲器3116包括易失性存儲器3120和非易失性存儲器3122。包含諸如在啟動時在計算機3112內部各元件間傳遞信息的基本例程的基本輸入/輸出系統(BIOS)儲存在非易失性存儲器3122中。作為示例而非限制，非易失性存儲器3122可包括只讀存儲器(ROM)、可編程ROM(PROM)、電可編程ROM(EPROM)、電可擦除可編程ROM(EEPROM)或快閃記憶體。易失性存儲器3120包括擔當外部高速緩存存儲器的隨機存取存儲器(RAM)。作為示例而非限制，RAM可有多種形式，諸如同步RAM(SRAM)、動態RAM(DRAM)、同步DRAM(SDRAM)、雙數據速率SDRAM(DDR SDRAM)、增強型SDRAM(ESDRAM)、同步鏈路DRAM(SLDRAM)、和直接存儲器總線RAM(DRRAM)。
計算機3112還包括可移動/不可移動、易失性/非易失性計算機存儲介質。例如，圖31示出磁碟存儲3124。磁碟存儲3124包括，但不限於，如磁碟驅動器、軟盤驅動器、磁帶驅動器、Jaz驅動器、Zip驅動器、LS-100驅動器、快閃記憶體卡或記憶棒之類的設備。此外，磁碟存儲3124可包括單獨的存儲介質或與其他存儲介質組合，包括但不限於諸如光碟ROM設備(CD-ROM)、CD可記錄驅動器(CD-R驅動器)、CD可重寫驅動器(CD-RW驅動器)或數字多功能盤ROM驅動器(DVD-ROM)等光碟驅動器。為方便從磁碟存儲設備3124到系統總線3118的連接，通常使用諸如接口3126等可移動或不可移動接口。
應當理解，圖31描述了在用戶與在合適的操作環境3110中描述的基本計算機資源間擔當中介的軟體。此類軟體包括作業系統3128。可儲存在磁碟存儲3124上的作業系統3128用以控制及分配計算機系統3112的資源。系統應用程式3130利用了作業系統3128通過存儲在系統存儲器3116中或磁碟存儲3124上的程序模塊3132及程序數據3134對資源的管理。應當理解，本發明可以用各種作業系統或其組合來實現。
用戶通過輸入設備3136輸入命令或信息到計算機3112內。輸入設備3136包括，但不限於，諸如滑鼠、跟蹤球、觸筆、觸摸墊等定位設備、鍵盤、話筒、操縱杆、遊戲墊、圓盤式衛星天線、掃描儀、電視調諧卡、數位相機、數碼攝像機、網絡攝像頭等等。這些及其它輸入設備經由接口埠3138，通過系統總線3118連到處理單元3114。接口埠3138包括例如串行埠、並行埠、遊戲埠及通用串行總線(USB)。輸出設備3140使用一些和輸入設備3136相同類型的埠。因而，例如可用USB埠提供到計算機3112的輸入，及從計算機3112輸出信息到輸出設備3140。提供輸出適配器3142，以示出在其他輸出設備3140中有一些需要專用適配器的輸出設備，如監視器、揚聲器及印表機。作為示例而非限制，輸出適配器3142包括，提供輸出設備3140與系統總線3118之間一種連接手段的視頻卡與音效卡。應當注意，諸如遠程計算機3144等其他設備和/或設備系統同時提供輸入與輸出兩種性能。
計算機3112可使用到諸如遠程計算機3144等一個或多個遠程計算機的邏輯連接在聯網環境中操作。遠程計算機3144可以是個人計算機、伺服器、路由器、網絡PC、工作站、基於微處理器的裝置、對等設備或其他公共網絡節點等等，且通常包括相對於計算機3112所述的許多或全部元件。為簡單起見，僅隨遠程計算機3144示出記憶存儲設備3146。遠程計算機3144通過網絡接口3148邏輯地連接到計算機3112，然後經由通信連接3150物理連接。網絡接口3148包含諸如區域網(LAN)和廣域網(WAN)等通信網絡。LAN技術包括光纖分布式數據接口(FDDI)、銅纜分布式數據接口(CDDI)、乙太網/IEEE802.3、令牌環/IEEE802.5等等。WAN技術包括，但不限於，點對點連結、如綜合業務數字網(ISDN)及其變體的電路交換網絡、分組交換網絡及數字用戶線(DSL)。
通信連接3150指用於將網絡接口3148連到總線3118的硬體/軟體。儘管為說明清楚，將通信連接3150示於計算機3112內部，但它也可位於計算機3112外部。僅為示例性目的，連接到網絡接口3148所必需的硬體/軟體包括內部和外部技術，諸如包括常規電話級數據機、電纜數據機及DSL數據機在內的數據機、ISDN適配器及乙太網卡。
圖32是本發明可與之交互的示例性計算環境3200的示意性框圖。系統3200包括一個或多個客戶機3210。客戶機3210可以是硬體和/或軟體(例如，線程、進程、計算設備)。系統3200還包括一個或多個伺服器3230。伺服器3230也可以是硬體和/或軟體(例如，線程、進程、計算設備)。例如，伺服器3230可容存通過使用本發明來進行變換的線程。客戶機3210和伺服器3230之間一種可能的通信可以是改編成在兩個或多個計算機進程之間發送的數據包。系統3200包括通信框架3250，可用它來便於客戶機3210和伺服器3230之間的通信。客戶機3210操作上連接到可用於將信息本地存儲到客戶機3210的一個或多個客戶數據存儲3260。類似地，伺服器3230操作上連接到可用於將信息本地存儲到伺服器3230的一個或多個伺服器數據存儲3240。
上述內容包括所要求保護的主題的若干示例。當然，出於描述所要求保護的主題的目的而描述各組件和方法的每一種可構想的組合是不可能的，但是本領域技術人員可認識到，許多其它的組合和變換是可能的。由此，所要求保護的主題旨在包含所有落入所附權利要求書的精神和範圍之內的此類改變、修改、和變體。此外，在詳細描述或權利要求書中使用術語「包括」的意義上，該術語意圖如術語「包含」那樣為包含性的，如「包含」在權利要求書中用作過渡詞時所解釋的。
權利要求
1.一種便於傳遞、可視化或警告交通圖的系統，包括生成涉及交通參數的預測的預測模型組件；以及至少部分地基於所生成的預測，圖形地輸出交通參數的界面組件。
2.如權利要求1所述的系統，其特徵在於，所述預測模型組件根據所收到的環境數據來生成預測。
3.如權利要求2所述的系統，其特徵在於，所述環境數據是通過攝像機、道路中的傳感器、GPS系統、蜂窩電話和蜂窩塔之間的監視握手、網際網路、電視廣播和無線電廣播中的一種或多種接收的，並且所述環境數據包括一天中的時間、一周中的日子、節假日狀態、季節、學校狀態、天氣屬性、涉及體育比賽的數據、涉及遊行的數據、涉及電影的數據、涉及政治事件的數據、來自交通監察部門的進行中的自由文本、以及來自交通監察部門的已編碼報告中的至少一項。
4.如權利要求2所述的系統，其特徵在於，所述預測模型組件使用當前交通狀態；基於一天中的時間、一周中的日子以及當前交通信息中的一項或多項的邊際或平均交通流期望；以及關於不同區域中的未來交通流的概率預報中的一項或多項來指導路線計劃的創建，以最小化總駕駛時間。
5.如權利要求4所述的系統，其特徵在於，使用GPS數據來定位用戶，並提供關於當前位置和未來位置處的交通的信息。
6.如權利要求1所述的系統，其特徵在於，所述界面組件存在於膝上計算機、個人數字助理、蜂窩電話、智慧型電話、汽車和臺式計算機中的一個或多個上。
7.如權利要求1所述的系統，其特徵在於，所述涉及交通參數的預測是與道路系統中所標識的麻煩多的地點和瓶頸區域中的至少一個的組中的每一處直至擁塞出現的時間和直至擁塞將暢通的時間中的一項或多項相關聯的。
8.如權利要求1所述的系統，其特徵在於，所述預測模型組件是通過統計方法來構建的，所述統計方法是貝葉斯網絡、動態貝葉斯網絡、連續時間貝葉斯網絡、隱藏馬爾可夫模型、馬爾可夫過程、微粒過濾、基于吉布斯採樣的方法、神經網絡、支持矢量機、一個或多個微分方程、基於邏輯的推理系統和以模糊邏輯為中心的方法等中的一種。
9.如權利要求1所述的系統，其特徵在於，還包括模型分析器組件，它將所述預測模型組件所預測的輸出與實際事件進行比較、構建所預測情況及其準確性的案例庫、並使用所述案例庫來調整和/或注釋基礎等級推論，從而來分程傳送所述基礎等級推論的可靠性。
10.如權利要求1所述的系統，其特徵在於，使用預測準確性的案例庫，經由統計機器學習過程來構建獨立的預測模型，所述獨立的預測模型可至少部分地基於可用的環境信息，實時地預測所述預測模型組件的可靠性。
11.如權利要求1所述的系統，其特徵在於，還包括瓶頸標識工具，所述瓶頸標識工具通過探索擁塞的統計量，標識交通系統內與循環擁塞、頻繁擁塞和最大持續時間擁塞中的至少一項相關聯的區域。
12.如權利要求1所述的系統，其特徵在於，所述界面組件向用戶提供一種機制，所述機制用於定製與涉及交通參數的預測相關聯的擁塞等級、選擇區域並將所選區域標記為重要區域、通過選擇區域來選擇包括用戶關注的路線的區域組、將所選區域與一天中要監視所述區域的時間相聯繫、和選擇一類警告來與所述區域和一天中的時間相關聯中的至少一項。
13.如權利要求1所述的系統，其特徵在於，使用所述預測模型組件接收和分析的環境數據來改進所述預測模型組件。
14.一種包括如權利要求1所述的系統的計算機可讀介質。
15.一種預測交通圖的方法，包括生成多條道路的表示；提供預測關於所述多條道路上的交通圖的事件的預測模型；以及圖形地顯示所預測的事件。
16.如權利要求15所述的方法，其特徵在於，還包括接收涉及所述多條道路的環境數據；以及根據所收到的環境數據生成所述預測。
17.如權利要求16所述的方法，其特徵在於，還包括圖形地顯示一個圖標，它指示直至一區域暢通的時間和直至一開放區域會堵塞的時間中的至少一項；以及圖形地顯示一圖形特徵以指示意外事件的發生。
18.如權利要求15所述的方法，其特徵在於，還包括對若干隨機變量及其間相關性進行推理，所述隨機變量表示一交通系統中麻煩多的若干交通熱點和瓶頸區域中的至少一種的組的直至擁塞的時間和直至暢通的時間。
19.如權利要求15所述的方法，其特徵在於，還包括將所述預測模型的輸出與實際事件進行比較；以及根據所述比較自動調節所述預測模型。
20.一種交通圖預測系統，包括用於預測交通參數的裝置；用於確定所預測的交通參數中哪些是用戶所關注的裝置；以及用於向所述用戶警告所述用戶關注的交通參數的裝置。
全文摘要
描述了基於統計的機器學習構造預測模型的系統和方法，這些預測模型可基於將交通系統抽象成一組隨機變量來進行關於交通流量和擁塞的預報，這組隨機變量包括表示直至關鍵的麻煩多的地點處會有擁塞、及擁塞將解除的時間量的變量。觀測的數據包括交通流量和動態，以及諸如一天中的時間和一周中的日子、假期、學校狀況、諸如體育比賽等大型集會的時間安排和性質、天氣報告、交通事件報告、和建設與封路等其它環境數據。該預報方法用於報警，即在行動裝置或桌面上顯示關於擁塞的預測的圖形信息，並用於離線和實時的自動路線推薦和計劃。
文檔編號G06Q50/00GK1776739SQ20051011339
公開日2006年5月24日 申請日期2005年10月17日 優先權日2004年11月16日
發明者E·J·霍維茨, J·T·阿帕基伯, R·K·薩林 申請人:微軟公司