未来交通状况的动态时序预测的制作方法

文档序号:6732160

专利名称::未来交通状况的动态时序预测的制作方法
技术领域
:以下公开的内容涉及预测未来交通状况的技术,例如以概率的方式基于当前和预期的未来状况来改善在一个或多个地理区域内的道路交通。
背景技术
:由于道路交通以比道路容量更大地速率持续增加,因此激增的交通拥堵已经对商业和政府运作以及个人幸福感产生恶劣的影响。因此,以各种方式来力图抗击激增的交通拥堵,诸如通过获取有关当前交通状况的信息并将信息提供给个人和组织。在某些大城市获取当前交通状况的信息的一种方式是交通传感器的网络,该传感器可以测量该区域的各种道路的交通流量(例如,传感器内嵌在道路内),可以通过各种方式(例如,经由射频广播,互联网网站,其显示地理区域的地图,并具有涉及在该地理区域的一些主要道路上当前的交通拥堵的色标信息,信息可以发送到蜂窝式移动电话和其他便携式消费设备等)将这样的当前交通状况信息提供给感兴趣方。虽然这样的当前交通信息在特定情况下提供一些益处,但有关未来交通状况的精确信息的缺失产生了一系列的问题。因此,做出了有限的尝试来产生并提供有关可能的未来交通状况的信息,但这种尝试通常受困于所产生消息的不精确,以及其他问题。例如,一些尝试力图提供有关仅仅计算并提供累积数据的历史平均的可能的未来交通状况的信息。虽然这样的历史平均可能偶然性地产生暂时性类似于实际状况的特定天和时间内的特定地点的信息,这样的历史平均并不适于反映能高度影响交通的特定的当前状况(例如,天气问题,交通事故,当前的道路网络,大量人员的非周期性的事件等),通常也不能提供交通量随时间的一般性变化,因此所产生的信息通常是不精确的并很少实际用于计划的目的。其他的在前尝试提供有关未来交通状况的信息,其使用统计方法来整合一些当前的交通状况和其他的具有历史交通流量的状况信息来制定有关交通流量中唯一可能的未来变化的静态计划。例如,对于特定的道路间隔,这种在前的尝试可能试图产生在该道路间隔上的交通流量多久可能改变的唯一静态计划(例如,从流量很差到流量很好的改变)。即便这种努力计划出了在交通流量能改变前的时间量,以提供精确的计划,但这种有限的未来信息通常并不能产生足够细节的足够信息来允许详细的计划。例如,这样的系统不能计划出在道路网络中用于多个道路的多个未来时间间隔的每个上的未来交通状况,以便基于计划的信息而精确地识别网络中各种道路的一条最优的路径。这样,可以很有益地提供改进的技术以基于过去、当前和预期的未来交通和其他状况在多个未来时间间隔的每个时间间隔预测多个道路段的未来交通状况,并提供额外的相关容量。图1A-1F图示了基于预测的未来交通状况选择的交通线路的实例。图2A-2J图示了用来表示在给定地理区域内有关交通状况知识的预测模型的各种图形表示。图3是适于执行所述预测交通信息提供系统的实施例的计算系统的结构图。图4是路线选择器流程的实施例的流程图。图5A-5B是动态交通预测器流程和有关产生的预测子路线的实施例的流程图。图6是交通预测模型产生器流程的实施例的流程图。图7A-7I图示了使用未来交通状况预测的各种涉及交通的信息的实例显示。具体实施例方式在此描述了产生在多个未来时间的未来交通状况的预测的技术。在一些实施例中,使用概率技术产生预测,该技术集成了各种类型的输入数据来反复地产生用于多个道路段的每个的未来时序预测,例如,以实时的方式基于改变在给定地理区域中道路网络的当前状况。而且,在至少一些实施例中,自动创建一个或多个预测贝叶斯或其他模型以用来为所感兴趣的每个地理区域产生未来交通状况预测,例如,基于对这些地理区域观测的历史交通状况。预测的未来交通状况信息还可以以各种方式使用来帮助行驶或进行其他的目的,例如,基于有关在多个未来时间道路上的交通状况的预测而计划通过道路网络的最优路线。在至少一些实施例中,预测交通信息提供系统使用所述技术来产生这种预测,如以下将要更详细描述地。在一些实施例中,用来产生未来交通状况预测的输入数据的类型可以包括各种当前、过去和预期的未来状况,并且从预测处理来的输出包括在预定时间间隔(例如,三小时,或一天)内在多个所感兴趣的目标道路段的每个的多个未来时间的每个(例如,未来每5、15或60分钟)的预期交通状况所产生的预测,如以下要更详细讨论地。例如,输入数据的类型可以包括以下有关在地理区域内所感兴趣的各个目标道路段的交通流量的当前和过去的信息,例如对于在地理区域内所选网络;有关当前和近来的交通事故信息;有关当前、近来和未来的道路工程的信息;有关当前、过去和预期未来的天气状况的信息(例如,降水,温度,风向,风速等);有关至少一些当前、过去和未来的安排事件的信息(例如,事件类型,事件的开始和结束时间,和/或时间的地点或其他位置等,例如对于所有的事件,指示类型的事件,事件足够重大以至由超过指示阈值的出席人数(例如,1000或5000个出席人数)等);和有关学校安排的信息(例如,学校是否上课和/或一个或多个学校的位置)。而且,可以以一种或多种方式测量和表示当前以及预测的未来交通状况,例如以绝对术语(例如,所指示的时间周期的平均车辆速度,交通总量;一个或多个交通传感器的平均占用时间,例如用以指示通过或经过传感器的车辆的平均百分比时间;多个路面拥堵的多个数量级的一个,例如基于一个或多个其他交通状况测量所测量的等)和/或以相对术语(例如,表示于通常或最大间的差别)。此外,虽然在一些实施例中,用来预测未来交通状况的多个未来时间的每个时间是在时间的每个点上,但在其他实施例中,这样的预测可以改为表示多个时间点(例如,时间周期),例如通过表示在这些多个时间点期间未来交通状况的平均或其他集中测量。此外,输入数据的一些或全部可以是已知的并用确定的变化程度(例如,预期的天气)表示,并且可以产生额外的信息来表示在所产生的预测中的和/或其他的元数据的可信度。此外,未来交通状况的预测可以因各种原因并在各个时间启动,例如,在接收了任意或足够的新的输入数据时,并响应用户的请求,以周期性的方式(例如,每五分钟)启动未来交通状况的预测。在一些实施例中,一些相同类型的输入数据可以用来类似地产生未来交通状况的长期预报(例如,未来一周,或未来一个月),但这种长期预报不使用某些类型的输入数据,例如有关在预报产生时的当前状况(例如,当前交通、天气或其它状况)的信息。此外,这种长期预报可能比短期预报产生的频率低,并且比短期预测更能反映不同的未来时间周期(例如每1小时而不是15分钟)。在各个实施例中,也可以以各种方式来选择用来产生未来交通状况预测和/或预报的道路和/或道路段。在一些实施例中,为多个地理区域的每个区域(如大城市区域)产生未来交通状况预测和/或预报,并且每个地理区域具有多个互连道路的网络——这样的地理区域可以以各种方式选择,例如基于当前的交通状况信息能轻易得到的区域(例如,基于用于在该区域的至少一些道路上的道路传感器网络)和/或在交通拥堵是显著问题的区域。在一些这样的实施例中,用来产生未来交通状况预测和/或预报的道路包括当前的交通状况信息能轻易得到的道路,同时在其他的实施例中这种道路的选取可以至少部分地基于一个或多个因素(例如,基于道路的尺寸或容量,例如包括高速路和主路;基于在承载交通的道路所遵循的规则,例如包括干道和主要替换为诸如高速路和主路等较大容量道路的集中路;基于道路的功能分类,例如由联邦高速路管理局指定等)。在其他的实施例中,可以为单个道路指定未来交通状况预测和/或预报,而无论其尺寸和/或与其他道路的相互关系。此外,可以以各种方式选择用来产生未来交通状况预测和/或预报的道路段,例如将每个道路传感器视作为不同的道路段;将用于每个道路段的多个道路传感器作为一组(例如,通过将特定数量的道路传感器作为一组来减少独立预测和/或预报的数量);选择道路段以便在逻辑上反映交通状况通常相同或非常类似的道路的相关部分(例如,强烈相关),例如基于从交通传感器和/或从其他来源(例如从车辆产生的数据和/或在道路上行驶的用户来的数据,如在以下将更详细描述地)来的交通状况信息等。此外,如以下更详细的描述,在各个实施例中可以以各种方式使用未来交通状况预测和/或预报信息,包括在各个时间(例如,响应请求,周期性发送信息等)以各种方式(例如,通过将信息传输给蜂窝移动电话和/或其他便携式消费设备;通过将信息显示给用户,例如通过Web浏览器和/或应用程序;通过将信息提供给其他将至少一些信息提供给用户组织和/或实体,例如在分析和/或修改信息后执行信息提供的第三方等)将这样的信息提供给用户和/或组织。例如,在一些实施例中,使用预测和/或预报信息来确定所建议的行驶路线和/或时间,例如在开始位置和结束位置间跨过道路网络的最优路线和/或执行所示行驶的最优时间,并且这样的确定基于在多个未来时间的每个用于-一条或多条道路和/或道路段的预测和/或预报信息。为了图示的目的,以下描述的一些实施例中,使用特定的输入类型以特定的方式产生特定类型的预测,并且,其中所产生的预测信息以各种方式使用。但是,可以理解的是,在其他实施例中,这样的未来交通预测可以以其他方式产生并使用其他类型的输入数据,并且这里所描述的技术可以在广泛的其他情况中使用,可以类似地产生未来交通预报,并以各种不同方式使用,本发明并不限于所提供的示例性细节。图1A-1F图示了基于预测的未来交通状况执行行驶路线选择的实例。具体地,图1A以无向图的形式图示了在开始点A和目的点F间的多条可能的行驶路线,其中具有多个标记为B-E的中间节点一一例如,沿线路按顺序列出节点,则一条潜在的线路是ABDF,而另一条潜在的线路是ABDEF、ACEF和ACEDF。此外,在图1A中的节点间的每个边界都由预测时间标记以在由边界连接的两个节点间行驶。例如,在由图中所表示的开始时间Tl,在节点A和节点B间行驶的预测时间是12分钟,而在节点A和节点C间行驶的预测时间是17分钟。类似地,对于一些人在开始时间Tl并沿边界BD(具有由在边界的两个端点标记的节点表示的边界)向节点D的方向离开节点B,预测行驶的时间是15分钟。在其他的实施例中,可以使用其他类型的预测信息作为这种行驶线路选择的一部分,例如预测的交通拥堵或预测的平均速度。因此,图1A图示了在一个开始时间Tl(例如,5PM)的整个线路图,例如由车辆在开始时间时在图中节点的任意一个开始所行驶的边界。因此,图1B-1E图示了各种视图,其显示了用于多个未来时间的预测交通状况信息以使用来从节点A至节点F的线路选择处理,并且在这个实例中在每个未来时间之间的间隔是15分钟。例如,图1B图示了基于对在从开始时间T1开始并持续到时间T2的第一时间周期所使用的时间T1的预测行驶时间的线路图的一部分,其在这个实例中是从5PM直到5:15PM的15分钟,但仅显示了在用于线路选择处理的第一时间周期相关的预测时间信息,其在这个实例中是边界AB和AC。具体地,在这个实例中,由于在第一时间周期完成或基本上完成之前,不能到达节点B和C的边界,因此,由于车辆在5:15PM至5:30PM的第二时间周期之前不能达到该边界,从而并不使用在时间Tl5PM对边界CE的预测的交通]信息。因此,图1C图示了在第二时间周期内用于线路图的预测信息,例如基于从时间T25:15PM的预测行驶时间,并且由于边界BD和CE对应于可能由在5PM离开节点A的车辆将要行驶的道路段,因此仅显示这些边界的预测行驶时间。类似地,图1D图示了在5:30PM和5:45PM间的第三时间周期的线路图,例如基于时间T35:30PM的预测时间,并且由于边界DF、DE和EF对应于在5PM离开节点A的车辆应当行驶的道路段,因此显示这些边界的预测行驶时间。为了使这个实例简明的目的,用于边界DF、DE和EF的在5:45PM和6:00PM间的第四时间周期的预测行驶时间与在第三周期的边界的预测行驶时间相同,因此就不在单独图示第四时间周期的时间。图1E图示了在图1B-1D中显示的信息的组合视图,其中显示了用于多个未来时间的预测行驶时间。具体地,预期以对应于从起源节点A到目的节点F行驶的车辆的时间周期的预测行驶时间标记的边界将穿过对应于图示边界的路线段,并且在图中从左向右显示的信息通常反映了涉及连续的后续时间周期的预测。这样,该图显示了在第一时间周期内从A到B的预测行驶时间是12分钟;在第一时间周期从A到C是17分钟;在第二时间周期从B到D是18分钟;在第二时间周期从C到E是12分钟;在第三时间周期从D到E是15分钟;在第三时间周期(以及第四时间周期)从D到F是17分钟;并且在第三时间周期(以及第四时间周期)从E到F是IO分钟。使用在图IE中所示的用于这些多个时间周期的预测行驶时间,可以选择从源节点A到目的节点F的最优线路(在这个实施例中,是最快的线路)。在这个实施例中,用于在源和目的节点间的可能的线路的总的行驶时间如下(不计算车辆在先前行驶过的边界上返回的线路)ABDF(总时间=47);ABDEF(总时间=55);ACEF(总时间=39);和ACEDF(总时间=61)。这样,基于在用于多个未来时间周期的当前时间所制定的预测,具有39分钟的预测行驶时间的线路ACEF就是在源节点A和目的节点F之间最快的线路。回到图1A,其中显示了在第一时间周期中用于整个线路图的预测时间,这个线路组图示了由于没有考虑未来时间周期的预测行驶时间而使用这个信息如何选择了非最优线路。具体地,仅使用预测的第一时间周期的行驶时间的用于相同的4个线路的预测行驶时间如下ABDF(总时间=37);ABDEF(总时间=60);ACEF(总时间=45);禾卩ACEDF(总时间=53)。这样,这个不精确的信息错误地指示了具有37分钟的预测行驶时间的线路ABDF是在源节点A和目的节点F之间最快的线路,而不是由使用在图1E中所指示的预测行驶时间而指示的该线路的47分钟。在第一时间周期后由于交通拥堵的预测的增加,这种不精确可能升高,例如由于所安排的事件而导致在第二和第三时间周期内交通量显著增加。图1F显示了在图1E中所示的信息的修改的视图,并具体地显示了对于边界DF、DE和EF的第三和第四时间周期的更新的预测行驶时间。在这个实例中,在第二时间周期中基于在该时间(例如,在对应于边界EF的道路上发生事故,因此显著增加了用于该边界的预测行驶时间)能够得到的新的输入信息产生更新的预测行驶信息,其可以作为在该图中节点间的最优线路。如果将这样的更新信息迅速地提供给在预测行驶信息中的变化所影响的用户,则它可能很有益处。例如,已经基于在图1E中所示的预测行驶信息而沿线路ACEF开始行驶的用户得到更新信息时则会沿对应于边界CE的道路行驶,但所更新的信息指示所行驶的边界EF不再是从节点E最优的选择一一反而,行驶于修改的线路ED和DF现在被预测为比原来的边界EF线路要花费更少的时间。如果能快速通知行驶中的用户,则用户就能动态调整所要采纳的线路以反映在多个未来时间周期的新的预测交通信息。而且,如果所更新的行驶信息在用户离开节点A之前的第一时间周期早期就能得到,则用户可以直接驶向新的最优线路ABDF。这样,图1B-1F图示了在多个未来时间使用预测的未来交通状况以使线路计划受益的实例。图2A-2F图示了用来表示在给定地理区域中的交通状况知识的示例性预测模型的各种图形表示。在一些实施例中,这样的预测模型自动产生、维持并被使用来产生有关在多个未来时间的未来交通状况的预测和/或预报,例如预测所感兴趣的每个道路段的未来时序数据。这样的预测模型可以包括,但并不限于,贝叶斯或可信网络(beliefnetwork),决策树,隐藏马尔可夫模型,自回归树,和神经网络。一些这样的模型可以是如贝叶斯网络模型的概率模型,,这样的预测模型可以被存储为一个或多个计算机可读介质上的一个或多个数据结构的一部分。图2A-2D图示了用来表示有关交通状况的概率知识的贝叶斯网络的产生的实例。贝叶斯网络是包含节点和边界的定向非循环图("DAG")。在图中的节点表示随机变量,其可以具有表示在要被建模的域中的离散或连续值。在图中的边界表示在这些变量间的依存关系。没有父节点的节点是根节点。根节点的概率分布对在图中的任意其他节点是无限制的。具有一个或多个父节点的节点具有对其父节点概率是有条件的概率分布。通过指定根节点的在前概率和非根节点的条件概率,贝叶斯网络图能表示覆盖由在图中节点表示的所有变量的联合概率分布。图2A图示了可以用来为预测交通状况而产生贝叶斯网络预测模型的节点的实例集合。所示的节点对应于要被接收的所观察的输入数据的变量,并对应于特定地理区域输出的交通状况预测。具体地,节点202a-m表示在预测模型中使用的各个输入变量,在这个实例中,其对应于在要产生的贝叶斯网络中的根节点。示例性的输入变量可以是如下。标记为IsSchoolDay的节点202a可以用来表示在特定天学校是否上课。标记为CurrentTime的节点202b可以用来表示当前的时刻(timeofday)。标记为Precipitation的节点202c可以用来表示通过特定时间间隔(例如,过去的6小时)的降雨量或降雨的水流速度。标记为StadiumXEvtType的节点202d可以用来表示计划或当前发生在体育场X的事件(如果有)的类型。节点202e、202f和202m每个都可以用来表示在当前时间或过去某个时间在特定道路段上的交通状况,并且具体地表示在所要表示的时间用于报告黑色(例如,高度拥堵)交通状况的道路段的各个数据源(例如,交通传感器或其他数据源)的交通状况的百分比一一如先前所注意地,每个道路段可以与一个或多个交通传感器和/或用于该道路段的交通状况信息的一个或多个其他来源关联,正如别处要更具体描述地。在一些实施例中,用于道路段的交通拥堵水平数据用对应于交通拥堵逐级增加级别的颜色(例如,绿色、黄色、红色、黑色)表示,其中绿色对应于交通拥堵的最低级别而黑色对应于交通拥堵的最高级别。在这个实例中的这些节点用PercentBlackSegmentX-Y标记,其中X指特定的道路段而Y指用来报告在道路段上高度拥堵交通的百分比级别的过去的时间(例如,分钟,或其他时间测量单位)。例如,标记为PercentBlackSegmentl-30的节点202f可以用来表示30分钟前道路段1的黑色级别拥堵的百分比。节点202g-I每个可以用来表示在当前时间或过去一些时间在特定道路上的平均或最普通的交通状况。这些节点在这个实例中被标记为SegmentXCobr-Y,其中X指特定的道路段而Y指已被识别的道路段上的交通拥堵的特定级别(这里用其相应的颜色代表交通拥堵级别)所经过的时间(例如,分钟,或其他时间测量单位)。例如,标记为SegmentlColor-60的节点202h可以用来表示在道路段1上60分钟前的交通状况,并具有在当时以适当拥堵颜色所示的交通状况的级别。节点202j-k每个可以用来表示特定道路段的交通拥堵级别被连续报告为黑色已经多久了。例如,标记为BlackStartSegmentl的节点202j可以用来表示在道路段1上的交通拥堵级别已经被连续报告为黑色多久了。在其他实施例中,可以使用其他类型的输入变量,例如提供有关所示的各种状况类型或表示其他的状况类型,如以下将要更详细讨论地。在图2A中的节点204a-g表示在预测模型中的输出变量,并具体地对应于有关可以进行分配给输入节点202a-m和用于这些输入节点的任意当前输入信息的给定的在前概率的交通状况的预测。在这个实例中,每个输出节点204a-g被标记为SegmentXColorY,其中X指特定的道路段而Y指在对应于要被预测的道路段上的交通拥堵级别的特定颜色的未来时间。例如,标记为SegmentlColor15的节点204a可以用来表示在未来15分钟在道路段1上预测的交通状况。对于每条道路段,在多个未来时间都可以表示交通状况。例如,节点204a-204d表示在未来三小时长的时间窗内每15分钟的间隔在道路段1上的预测的交通状况。在所示的实施例中,可以表示在N条道路段上的交通状况,其每个都具有对应于在要被预测的交通状况的十二个15分钟时间间隔的12个节点。在其他的实施例中,可以表示更大或更小的未来时间窗和/或或多或少的时间间隔。图2B图示了由对应于图2A中所示的节点的变量所取的可能值。在表210中,列212a列出了变量名而列212b列出了相应的变量取的可能值,其可以是连续或离散的。行214a-g的每行列出了各个变量名和它相应的取值范围。例如,行214a图示了IsSchoolDay输入变量可能取的值的true或false,其对应于当天是否是教学日的观测,而行214b图示了Precipitation输入变量可能取无、低、中或高的列举值中的一个。在这个实例中,为了简明起见,降雨作为固定时间间隔的离散量来测量,但在其他实施例中,降雨可以地以其他方式表示(例如,作为在固定时间间隔的雨水的连续量,作为降雨的水流速度等)。行214c图示了StadiumXEvtType输入变量可以取无、橄榄球、音乐会、足球或其中的一个,但在其他实施例中,事件类型也可以取更大或更小的可能值(例如,指示是否有事件的布尔值)。行214d图示了每个PrecentBlackSegemntX-Y输入变量可以在从0.0至lj1.0的封闭区间内取实数值,表示数据点(例如,道路传感器读数、移动数据源等)或其他在过去相应的时间Y分钟报告黑色交通拥挤级别状况的道路段SegmentX的其他子路段的百分比。行214e图示了每个BlackStartSegmentX输入变量可以取值notblack、0、5、10、15、…、30中的一个,其中"notblack"值表示在过去30分钟道路段SegmentX不具有黑色交通拥堵级别状况,而其他值表示先于当前时间在道路段SegmentX上连续报告黑色交通状况的过去30分钟内最近的分钟数。例如,值IO意味着大约过去IO分钟一直报告黑色交通状况,而值0意味着黑色交通状况连续报告了零分钟(或如果时间是四舍五入,则少于2又1/2分钟)。但在过去30分钟(否则,则使用notblack值)内以前存在黑色状况。行214f图示了SegmentXColorY输出值可以取所列举的值绿色、黄色、红色或黑色中的一个,其分别对应于未来在Y分钟的道路段X所报告的交通拥堵的增加级别。行214g图示了可以表示为额外变量的额外的可能值。图2C图示对应于有关在给定地理区域内交通状况所作的观测的实例数据的集合。每行代表包含用于在预测模型中多个变量的每个变量的观测的观测记录,以便反映特定的时间或情况。在表220中,列222a-222f对应于在图2A中由节点202a-m代表的输入变量而列222g-222j对应于在图2A中由节点204a-g代表的输出变量,并且为了简明起见一些节点并未表示。例如,行224a图示了对应于在学校上课时观测的第一观测记录;没有测量到降雨;安排了足球比赛在场馆X内进行;在时间Y分钟前报道了道路段SegmentX的黑色交通拥堵级别状况是22%;并且大约零分钟连续报告在道路段SegmentN上是黑色交通拥堵级别状况。此外,在上述观测做出后的15分钟,在道路段Segmentl上报告红色交通拥堵级别状况;在这些观测后的30分钟在道路段Segmentl上报告黑色交通拥堵级别状况;并在这些观测后的180分钟在道路段SegmentN上报告黄色交通拥堵级别状况。行224b-g类似地图示了额外的观测记录,并且可以预料,实际的观测数据可以包括非常大量的这些观测。图2D图示了示例性的贝叶斯网络,其可以基于诸如由图2C所示的观测数据产生,并可以使用为产生未来交通状况预测的预测模型。如图所示,在图2D中所示的节点代表了与在图2A中的节点相同的输入和输出变量,但弧线将输入变量节点232a-m连接到输出变量节点234a-g,以便每个输出节点现在是对应于输入变量的一个或多个输入节点232a-m的子节点。从父节点到子节点的每个弧线代表了在子节点和父节点间的依赖度,即从观测的数据产生的贝叶斯网络结构指示了子节点的概率取决于其父节点先前的概率。例如,在这个实例中的节点234c具有单个父节点232c,其可以被理解为由节点234c所代表的输出变量SegmentlColor45的概率取决于由节点232c代表的Precipitation输入变量的先前概率。这样,当输入信息是当前为Precipitation输入变量而获得时,可以确定在未来时间45分钟用于道路段Segmentl的交通拥堵级别颜色的预测值。如果子节点有多个父节点,则其概率取决于其多个父节点的全部综合的概率。例如,在这个实例中,输出节点234a具有七个父节点,其为输入节点232a、232b、232d、232e、232f、232g和232h,其可以被理解为由节点234a代表的输出变量SegmentlCoIor15的概率取决于由节点232a代表的输入变量IsSchoolDay,由节点232b代表的输入变量CurrentTime,由节点232d代表的输入变量StadiumXEvtType,由节点232e代表的输入变量PercentBlackSegmentl-O,由节点232f代表的输入变量PercentBlackSegmentl-30,由节点232g代表的输入变量SegmentlColor-0,和由节点232h代表的输入变量SegmentlColor-60的先前概率。直观地,贝叶斯网络可以理解为表示因果关系。例如,所示的贝叶斯网络表述了在诸如学校安排、场地事件、天气和当前和过去交通状况(由输入节点232a-m表示)等输入因子与在各个道路段(由输出节点234a-g表示)上输出的未来交通状况之间的因果关系。正如一个特定的实例,在道路段1上60分钟前报告的交通状况和当前是否是教学日可以影响未来180分钟在道路段N上的交通状况,例如,如果道路段l和道路段N相关(例如,彼此临近),并且如果在教学日在道路段1上报告的显著的交通拥挤稍后影响了道路段N。这个关系在图2D中通过从标记为IsSchoolDay的节点和标记为SegmenlColor-60的节点232h的每个到标记为SegmentNColor180的弧线表示。诸如在图2D中描述的贝叶斯网络的结构和概率分布可以通过学习算法从观测数据经产生,该学习算法确定了对应的关系和数值,例如,确定网络结构最佳地匹配了给定的观测数据。此外,至少一些这样的学习法则可以根据不完全数据(例如,其中一些观测记录丢失了一些数据元素)继续处理,并且在一些实施例中还可以产生更复杂的网络结构(例如,通过识别并表示在输入节点和输出节点间中间节点的一个或多个级别,例如反映在输入节点和/或输出节点组间的高级关系)。有关在基于观测的情况信息产生贝叶斯网络的一些实施例中使用的一组示例性技术包括在微软公司的MicrosoftResearchAdvancedTechnologyDivision的技术报告MSR-TR-95-06中的"ATutorialonLearningBayesianNetworks",DavidHeckerman,1995年三月,并可得于ftp:〃ftp.research.microsoft.com/pub/tr/tr-95-06.pdf中,其全部内容合并在此作为参考。图2E-J描述了示例性的决策树,其每个都可以基于诸如在图2C中所示的观测数据并结合图2D中所示的示例性贝叶斯网络产生,其每个都可以用作在特定未来时间产生特定道路段的未来交通状况预测的预测模型的一部分。如前所述,诸如在图2D中所示的贝叶斯网络指示了在各个变量间的概率关系。决策树允许编码这种关系的子集,以便可以用来有效地计算给定的一组输入值的输出变量的预测的值。具体地,决策树包括以树结构排列的多个决策,每个决策的可能答案导致不同的子树,并且根据决策和答案快速地将具有补同结果的多种情况分列入不同的子树。如图2C所示的给定的一组观测数据,诸如在图2E-J中所示的决策树可以自动通过学习算法产生,该算法确定了最佳决策和答案包括在决策树和该树的最佳结构中,以便于基于输入数据迅速的决策以反映当前的状况。有关在一些实施例中使用基于观测情况信息和/或相应的贝叶斯网络的决策树的一组示例性技术包括在"ScalableClassificationoverSQLDatabase",SurajitChaudhuri等,微软公司的微软研究文档,1999年三月,Proceedingsof15thInternationalConferenceonDataEngineering,悉尼,澳大利亚,并可得于合并在此作为参考。在所示的实施例中,每个决策树可以用来在为输入变量给定当前状况信息的单个未来时间产生单个道路段上的预测交通拥堵级别状况。如参考图2A-D更详细所描述地,在一些实施例中,在一个或多个连续当前时间的每个时间,基于在建模的当前时间可以得到的信息对用于多个未来时间的交通状况建模,例如三小时间隔的每15分钟,形成每个建模的道路段十二个决策树。在图2E-2J中,决策树节点每个都用对应于参考图2A-D描述的输入变量中的一个的变量名标记,并且从表示输入变量的给定节点发出的弧线每个都用可由变量提取的可能值的一个或多个标记。通过开始在树的根节点确定路径,使用在对应于由该节点表示的变量的输入数据组中的值来确定哪个弧形跟随到子节点,并重复每个沿该路径连续的子节点的处理直至到达叶子节点。在图2E-J中,叶子节点是矩形形状,并且每个表示给定输入数据组的最可能的未来交通拥堵级别预测。图2E显示了在未来15分钟预测道路段1上的未来交通拥堵级别的示例性的决策树的一部分,并且具体地图示了从根节点到可能的叶子节点的单个路径,但可以理解的是,在实际决策树中多个其他的路径类似地将可能导致其他的这样的可能的叶子节点。在这个实例中,所示的决策树的根节点240对应于IsSchoolDay输入变量,如果当时是学校上课,则导向节点242b,否则导向接点242a。节点242a表示Segment2Color-15输入变量,并且在过去十五分钟道路段2的交通拥堵颜色(例如,绿色、黄色、红色、黑色)的可能值导致所示的节点244a-d。例如,如果当前确定在这条道路段上15分钟前报告黑色,则跟随到节点244d的路径,其表示Precipitation输入变量。从节点244d的Precipitation输入变量的可能值导向所示的节点246a-d。例如,如果当前测量的降水是中等量的,则导向到节点246c的路径,其表示StadiumXEvtType输入变量。StadiumXEvtType输入变量的可能值导向所示的叶子节点248a-e,并且这些叶子节点的每个代表在未来15分钟在道路段1上关联的预测的未来交通拥堵级别。在这个实例中,每个叶子节点还用与预测的未来交通拥堵级别(如在括号中的值所示)关联的可信水平标记,例如可以以各种方式确定。正如一个实施例,节点248d指示了如果当前安排了足球比赛,则在未来15分钟预测道路段1上的红色交通拥堵级别状况的可信水平为64%,而节点248c指示如果当前足球比赛被其他比赛替换,则在未来15分钟预测道路段1上的绿色交通拥堵级别状况的可信水平为47%。这个差别可以归结到这些类型的事件的不同的安排(例如,开始,持续或结束时间),例如,在给定的地理区域内这两项运动事件的相关的出席人数和对应的交通状况,和/或在事件前和/或后的不同的交通流量的模式(例如,音乐会观众可能趋于一起到达和/或离开,而运动事件的观众可能趋于在较长的时间间隔内更加零星地到达和/或离开)。图2F显示了图2E的示例性决策树的一个示例性叶子节点的详细视图。具体地,显示了叶子节点252e的详细视图,其对应于图2E的叶子节点248e。图2F显示了用于节点252e的柱状图252f,其图示了使用观测数据产生决策树的节点252e的所有可能结果的概率分布。在这个实例中,柱状图252f显示了四种可能的交通拥堵级别值(例如,黑色、红色、黄色、绿色)以及从所观测数据来的每个值的关联频率。从柱状图可以看出,具有最高频率的结果是红色交通拥堵级别,其具有所观测情况的44%的频率(如所示的在1234个观测情况中的543个结果)。在这个实例中,最高频率的结果被选定为在特定叶子节点的预测结果,并且在观测数据中的特定结果的频率被选定为预测的可信值。在其他的实施例中,可信值可以以其他方式确定,例如基于最高频率结果与对结果的所有平均、中间、或其他统计集合测量的关系。类似于图2E,图2G显示了用于道路段1的另一个示例性决策树的一部分,这个决策树表示了在未来30分钟用于道路段1的预测的未来交通拥堵级别。具体地,这个决策树图示了从根节点260到叶子节点266b的路径,其基于对应于该路径的输入状况得出具有关联的47%的可信值最有可能的预测是绿色的交通拥堵级别状况。在这个实例中,图2G的决策树的结构不同于图2E的决策树的结果,即便它也用来计算相同道路段的预测,其是基于反映用于30分钟未来预测的不同的相关因素而不是15分钟未来预测的观测数据的。例如,图2G的决策树从对应于输入变量SegmentlColor-15的节点260开始,而图2E的决策树从对应于输入变量IsSchoolDay的节点240开始。图2H显示了在未来60分钟预测道路段1的未来交通拥堵级别的示例性决策树的一部分。与图2G中类似的方式,这个决策树的结构与在图2E以及图2G中的不同。这个决策树显示了从根节点270到产生具有53%的关联可信值的黄色交通拥堵级别状况的最可能预测的叶子节点276a的路径。此外,这个决策树显示了从根节点270到产生具有57%的关联可信值的黄色交通拥堵级别状况的最可能预测的叶子节点276c的路径。图21显示了用来预测在未来30分钟用于道路段2的未来交通拥堵级别的示例性决策树的一部分。这个决策树可以用来为道路段2预测交通状况,正如在图2E、2G和2H中所描述地对道路段1那样,但它具有类似的结构并被使用以作为先前所讨论的决策树。这个决策树显示了从根节点280到叶子节点288a-d的四条路径,其分别产生具有89%、87%、56%和34%的关联可信度值的绿色、绿色、黑色和黄色交通拥堵级别状况。图2J显示了在未来60分钟用于道路段1的更新的示例性决策树的一部分,并且显示了从根节点290到产生具有54%的关联可信度值的黑色交通拥堵级别状况的最可能预测的叶子节点296d的特定路径。如在别处更详细所描述的一样,在一些实施例中,这样的决策树和/或关联的贝叶斯网络预测模型在可以得到新的观测情况信息时被更新和/或被重新创建。这些更新可以在各个时间发生,例如周期性(例如,周,月等),按请求,和/或足够的新观测数据的累加。此外,在一些实施例中,新观测的情况数据仅仅可以用于更新已有叶子节点的预测值(例如,根据图2F的柱状图252f、基于总共发生的2334的1284个给定的新观测数据更新黑色为节点252e的最大频率的结果),但在其他实施例使用新的观测情况数据来产生具有潜在不同结构的新的决策树。在这个实例中,在图2J中描述的新的决策树在结构上与在图2H中所示的不同,即便这两个决策树都基于在观测情况数据中的变化而预测未来60分钟在道路段1的未来交通拥堵级别。图3是图示服务器计算系统300的实施例的结构图,该系统适于执行所描述的至少一些技术,例如,执行预测交通信息提供器和/或线路选择器系统的实施例。服务器计算系统300包括中央处理器("CPU")335、各个输入/输出("I/O")组件305、存储器340和内存345,其中所示的I/O组件包括显示器310、网络连接315、计算机可读介质驱动器320和其他I/O设备330(例如,键盘、鼠标或其他点击设备、麦克风、扬声器等)。在所示的实施例中,由程序362提供的交通信息提供系统350、线路选择器系统360以及可选的其他系统在内存345中执行以执行至少一些所描述的技术,并且这些各种的执行系统通常在这里称之为预测交通信息系统。服务器计算系统和它的执行系统通过网络380(例如,互联网、一个或多个蜂窝无线电话系统等)与其他计算系统通信,例如各种客户端设备382、基于车辆的客户端和/或数据源384、道路交通传感器386、其他的数据源388以及第三方计算系统390。具体地,预测交通信息的一个或多个从各种源接收有关当前状况和/或先前观测的情况数据的各种信息,例如从道路交通传感器,基于车辆的数据源和其他数据源。预测交通信息提供系统接着使用接收的数据来在多个未来时间产生未来的交通状况预测,并将预测信息提供给线路选择器系统以及可选地提供给一个或多个其他的接受方,例如一个或多个预测交通信息系统、客户端设备、基于车辆的客户端、第三方计算系统,和/或使用者。线路选择器系统使用接收的预测的未来交通状况信息产生有关线路的信息,例如频繁使用的线路和/或按照请求指示路线,并且类似地将这样的有关线路的信息提供给一个或多个其他的预测交通信息系统、客户端设备、基于车辆的客户端,和/或第三方计算系统。在各个实施例中客户端设备382可以采用各种形式,并通常可以包括任何通信设备和其他能发出请求并/或从预测交通信息系统接收信息的计算设备。在一些情况中,客户端设备可以运行用户可以使用的交互控制的应用程序(例如,网络浏览器),以便请求基于预测的未来交通信息的有关交通信息,但在其他情况中,至少一些这样的有关交通的信息可以从一个或多个预测交通信息系统自动地发送到客户端设备(例如,文本消息、新的Web网页、特定程序数据更新等)。道路交通传感器386包括多个传感器,其可以安装在诸如一个或多个地理区域的各个街道、高速路或其他道路内、上或附近。这些传感器包括环形传感器,其能测量每单位时间通过该传感器上的车辆数量、车辆速度和/或有关交通流量的其他数据。此外,这样的传感器还可以包括照像/摄像机、移动传感器、雷达测量设备以及安装在道路旁的其他类型传感器。道路交通传感器386可以通过有线或无线数据链路周期地或连续地经由使用一个或多个数据交换机制(例如,push、pull、令牌、应答、点对点等)的网络380向预测交通信息提供系统350提供测量的数据。此外,虽然这里没有示出,但在一些实施例中,一个或多个这样的道路交通传感器信息的收集器(例如,操作传感器的政府交通部门)可以获得原始数据,并将得到的数据用于预测交通信息系统(无论是原始的形式还是处理过的)。其他的数据源388包括多种类型的其他数据源,其可以由一个或多个交通信息系统使用来预测有关交通流量和/或选择交通路线。这样的数据源包括但并不限于,当前和过去天气状况、短期和长期天气预报、学校计划和/或日程、事件计划和/或日程、由人工(例如,第一责任人、执法人员、高速路员工、新闻媒体、旅行者等)提供的交通事故报告、道路工作信息、假日安排等。在这个实施例中的基于车辆的客户端/数据源384每个都可以是位于车辆内将数据提供给一个或多个预测交通信息系统和/或从一个或多个这些系统接收数据的计算系统。在一些实施例中,预测交通信息提供系统可以使用提供有关为在交通预测中使用的当前交通状况信息的基于车辆的数据源的分布式网络。例如,每部车辆可以具有GPS("全球定位系统")设备(例如,具有GPS功能的移动电话、独立的GPS设备等)和/或其他能确定地理位置、速度、方向、海拔和/或其他涉及车辆行驶数据的地理定位设备,并且车辆中的一个或多个设备(无论是地理定位设备还是其他通信设备)可以随时获得这样的数据并将数据提供给一个或多个预测交通信息系统(例如,通过无线链路)一一这样的车辆包括单个用户、车队(例如,运输公司、送货公司、政府部门或代理、车辆租赁服务的车辆等)、隶属商业网络的车辆提供相关信息(例如,OnStar服务)、被操作来获取这样的交通状况信息的车辆组(例如,通过行驶预定的路线,或行驶在道路上动态改变方向,以获取有关所感兴趣的道路的信息)等的分布式网络。而且,虽然这里未示出,但在至少一些实施例中,其他的移动数据源可以类似地基于道路上的行驶提供实际数据,例如基于计算设备和行驶在道路上的用户的移动设备(例如,用户是道路上车辆的驾驶者和/或乘客)。此外,在其他实施例中,这样的基于车辆的信息可以以其他方式产生,例如通过蜂窝移动电话网络、其他的无线网络(例如,Wi-Fi热点)和/或通过在网络中的多个发射器/接收器的每个能检测并跟踪有关车辆信息的其他外部系统(例如使用RFID或其他通信技术的车辆无线电检测器、能观测并识别牌照和/或用户面部的相机系统)。然后,为各种目的使用这种产生的基于车辆的有关行驶的信息,例如,提供类似于道路传感器的信息,但该道路段没有运行道路传感器(例如,对于缺少传感器的道路,例如,没有道路传感器网络的地理区域和/或对于并不明显比具有道路传感器的道路大的干道,道路传感器已损坏等),以核实从道路传感器或其他来源接收的复制信息,并识别提供不精确数据的道路传感器(例如,由于临时或正面临的问题)等。虽然在至少一些实施例中,在移动设备到达合适的对接或其他连接点时(例如一旦它返回了操作基站或其他具有执行信息下载的合适装置的目的地时从车队下载信息),这样的有关道路交通状况的信息可以通过物理下载从移动设备得到(无论是基于车辆的设备还是用户设备),但无线链路也可以通过各种已知的技术提供,包络卫星上传、蜂窝网络、WI-FI、分组无线电等。在一些情况中,各种因素都使得移动设备具有优势,移动设备在确定的时间周期存储获得的多个数据样本(例如,以预定采样率采集数据样本,例如30秒或一分钟)和/或直到能得到足够的数据样本(例如,基于数据的总的大小),然后,在时间周期后一起传输所存储的数据(或这些样本的集合)一一例如,从基于车辆的数据源通过特定的无线链路(例如,卫星上传)传输数据的成本结构可以是仅在确定的时间间隔(例如每15分钟)后发生传输,地理定位和/或通信设备的一个或多个可以被配置或设计以这样的时间间隔发送,移动设备通过无线链路发送数据的能力可以暂时失去(例如,对于通常单独发送每个数据样本的移动设备,例如每30秒或1分钟,并可能由于无线不能覆盖移动设备的区域内,或其他的动作由移动设备或设备的用户执行、移动设备或有关发射机的临时问题),以便数据样本的存储允许后续传输或物理下载等。例如,如果到达到1000个信息单元的无线传输成本是$0.25,并且每个数据样本的尺寸是50个单位,则优点是每分钟取样并每20分钟发送包括20个样本的数据组而不是更频繁地发送(例如,每分钟)。此外,在一些实施例中,移动设备可以基于多个存储的数据样本产生并提供额外信息。例如,如果特定的移动设备能在每个数据样本期间仅得到当前实时位置的信息,但它不能得到诸如速度和/或方向的额外的相关信息,则可以计算这种额外的相关信息,否则,基于多个连续的数据样本确定。可选地,基于车辆的一些或全部的客户端/数据源384每个可以具有车辆内的计算系统,以从一个或多个预测的交通信息系统获得信息,例如车辆的拥有者使用。例如,车辆可以包含已安装Web浏览器和其他控制台应用程序的内嵌导航系统,用户可以通过无线链路从预测交通信息提供系统或线路选择器系统请求有关交通的信息,或这样的请求也可以从车辆用户的便携式设备发出。此外,一个或多个交通信息系统可以基于更新信息的接收或产生将涉及交通的信息自动地发送到这些基于车辆的客户端设备(例如,更新的预测的交通信息和/或更新的有关线路的信息)。第三方计算系统390包括一个或多个可选的计算系统,其由诸如从一个或多个交通信息系统接收有关交通的数据的一方和以某种方式使用数据的一方等的他人而不是交通信息系统的操作者操作。例如,第三方计算系统390可以是这样的系统,它从一个或多个交通信息系统接收交通信息,并将有关的信息(无论是所接收的信息还是基于所接收的信息的其他信息)提供给用户或他人(例如,通过Web入口或订阅服务)。可选地,第三方计算系统390可以由其他类型的一方来操作,例如给消费者收集和报告交通状况的媒体组织,或给他们的用户提供有关交通的信息来作为旅行计划服务一部分的在线地图公司。在这个所示的实施例中,预测交通信息提供系统350包括数据提供组件352,交通预测模型产生器组件354和动态交通预测组件356。数据提供组件获得可以由一个或多个其他组件或其他预测交通信息系统使用的当前状况数据,例如,从先前讨论的数据源,并使得这些信息可用于其他组件和预测交通信息系统。在一些实施例中,数据提供组件可以选则地从多个数据源收集所获得的数据,并还可以执行一种或多种不同动作来准备所使用的数据,例如以统一的格式放置数据;检测并尽可能地校正错误或丢失的数据(例如,由于传感器损耗和/或故障、网络损耗、数据提供者的损耗等);过滤诸如异常值的庞杂数据;离散连续的数据,例如映射真值为列举的可能值;对离散的数据二次取样(例如,通过映射给定值范围的数据到更小的数值范围);对相关数据分组(例如,沿以所指示的方式收集的道路的单个道路段放置的多个交通传感器序列);等。由数据提供组件获得的信息可以以各种方式提供给其他的预测交通信息系统和组件,例如在能得到新的数据时通知他人,以按需提供数据,并/或以他人可以访问的方式存储数据(例如,在一个或多个存储器的数据库中,未示出)。在所示的实施例中,如先前所讨论的一样,交通预测模型产生组件使用获得的情况数据来产生用于预测交通状况的预测模型。在一些实施例中,交通预测模型产生组件使用历史观测情况数据自动地学习一条或多条道路的给定组的贝叶斯网络结构,并且还自动地学习多个决策树模型,每个模型都可以用来预测在特定未来时间的特定道路段上的未来交通流量。所创建的预测模型可以以各种方式提供给其他的预测交通信息系统和组件,例如在能够得到新的模型时通知他人,并按需提供模型,并/或以他人可得的方式存储模型(例如,在存储器的一个或多个数据库中,未示出)。动态交通预测组件使用由交通预测模型产生组件产生的预测模型来在多个未来时间产生未来交通状况的预测,例如基于实时和/或其他的当前状态信息。这样的预测可以在各个时间做出,例如周期性地(例如,每五或十分钟),当接收到新的和/或异常数据(例如,交通事故的事故报告),根据请求等。所产生的预测的未来交通状况信息接着可以以各种方式提供给其他预测信息系统和组件和/或他人,例如在能够得到新的信息时通知他人,并按需提供信息,并/或以他人可得的方式存储模型(例如,在存储器的一个或多个数据库中,未示出)。线路选择系统基于预测的未来交通状况信息选择行驶线路信息,并以各种方式将这样的线路信息提供给他人。在一些实施例中,线路选择系统从客户端接收请求来提供有关在给定的日期和/或时间内在开始和结束位置间的一个或多个行驶线路的信息。相应地,线路选择系统在特定时间周期内从例如预测交通信息提供系统获得用于特定区域的未来道路状况的预测,然后,使用预测的未来道路状况信息分析各种线路选项并基于所指示的标准(例如,最短时间)选择一条或多条线路。所选择的线路信息接着可以以各种方法提供给其他的预测交通信息系统和组件和/或他人,例如在能够得到新的信息时通知他人,并按需提供信息,和/或以他人可得的方式存储模型(例如,在存储器的一个或多个数据库中,未示出)。应当理解的是,所示的计算系统仅是示例性的,并不试图限制本发明的范围。计算系统300可以连接到未示出的其他设备,包括通过一个或多个诸如互联网的网络或经由Web。更一般地,"客户端"或"服务器"计算系统或设备或预测交通信息系统和/或组件可以包括能交互并执行所述类型功能的硬件或软件,包括但不限于桌面或其他计算机、数据库服务器、网络存储设备和其他网络设备、PDA、蜂窝式移动电话、无线电话、传呼机、电子管理器、互联网应用程序、基于电视的系统(例如,使用机顶盒和/或个人/数字视频记录器)和包括具有合适的交互通信能力的各种其他消费产品。此外,在一些实施例中,由所示的系统组件提供的功能可以被合并到更少的组件中或被分配到额外的组件中。类似地,在一些实施例中,所示的组件中的一些功能可以不被提供和/或可以得到其他的额外功能。还要注意的是,所示的各种不同的项被存储在存储器或存储装置中,但为了存储器管理和/或数据完整性的目的,这些项或它们的部分可以在存储器和其他存储设备间转换。可选地,在其他实施例中,软件组件和/或模型的一些或全部可以在另一设备上的存储器中执行并通过计算机之间的通信而与所示的计算系统通信。系统组件或数据结构的一些或全部也可以存储在计算机可读介质(例如,作为软件指令或结构化数据),例如由适当的驱动或通过适当的连接读取的硬盘、存储器、网络或便携式媒体介质。系统组件和数据结构在各种计算机可读传输介质上也可以被传输为所产生的数据信号(例如,作为载波或其他模拟或数字传播信号的一部分),包括基于无线和基于有线/电缆的介质,并能采用各种形式(例如,作为信号或复用模拟信号的一部分,或作为多个离散数字数据包或帧)。在其他实施例中,这样的计算机程序产品还可以采用其他形式。因此,本发明也能以其他计算机系统结构实现。图4是线路选择器流程的实施例的流程图。整个流程例如通过执行图3的线路选择系统360来提供。该流程在多个未来时间使用预测的未来交通状况来计划通过道路网络的线路,例如确定要被预测为最优、近于最优或参考的一条或多条线路。在步骤405流程开始,接收请求来为地理区域中指示的线路(例如,指示开始位置、结束位置、参考到达时间、参考离开时间和/或用来识别或估算线路选择的其他指示原则的线路)提供预测信息或接收在地理区域的相关状况中的更新的指示。在步骤410中,线路确定接收的输入的类型,如果请求提供己经接收到的线路信息,则流程继续到步骤415,并获得特定地区在一个或多个未来时间的未来道路状况的预测,例如在对应于优选的行驶时间的未来时间(如果有)。流程可以从例如参考图3描述的预测交通信息提供系统350获得这个信息,例如以交互的方式或其他方式通过检索以前产生的预测信息。在步骤420,流程接着基于所获得的预测未来道路状况信息分析线路选择,例如为每个线路选项确定预测的行驶时间。线路选择可以包括多个可选线路以从指示的开始位置(如果有)到所示的结束位置(如果有)行驶,例如一组预定的线路选项或改变的满足指示的原则的所有线路选项(例如,使用特定的尺寸或分类的道路、使用预测的未来信息是可用的任何道路、使用所有可能的线路选项、使用特定域的启示以约束多个可能的线路来降低搜索的空间等)。在步骤425,流程可选地从一组线路选项中选择预测的最优线路,或在一些实施例中更一般地使用一个或多个原则(例如,最小行驶时间,最小行驶距离,最小行驶速度,最小行驶速度变化,满足这种原则的道路的最大可信度等,或其组合)对线路选项分级并选择这些线路选项的一些或全部。在步骤430,流程存储线路选项信息,可选地存储具有请求线路信息的客户端的指示(例如,能使后来提供给客户端的更新信息以改变为条件),并且在步骤435中提供至少一些所选择的信息给客户端(例如,仅仅是预测的最优或顶级的线路的信息,用于特定数量线路和/或所有线路选项的信息等)。如果在步骤410中确定已经接收了用于地理区域的状况更新的指示(例如,沿特定路面的交通事故的指示),则流程继续到步骤450,并且识别已知的关联客户端的受影响的线路。在步骤455中,流程根据用于所识别的线路的更新状况更新线路选项,并且所更新的状况可能包括实时交通数据和/或从预测的交通信息提供系统来的更新的预测信息,并且所更新的线路选项可能导致不同的预测的最优或顶级的线路选项。在步骤460中,流程接着可选地提供更新的线路信息给相关的客户端,例如,如果更新的线路选项信息将导致不同的客户端行为。例如,更新的线路信息可以提供给可以在受影响的线路上或附近行驶的基于车辆的客户端,或更具体地,将更新的线路信息提供给先前已经被使用的客户端装置382,以便获得有关一个或多个受影响线路的信息。在步骤435或460后,流程继续到步骤490以确定是否继续。如果继续,则流程返回到步骤405,而如果不是则继续到步骤499并结束。图5A-5B是动态交通预测流程和关联的产生预测的子流程的实施例的流程图。图5A的流程可以通过例如执行在图3中的动态交通预测组件356的执行来提供,例如在多个未来时间为在一个或多个地理区域中的一条或多条道路或道路段产生未来交通状况的预测。在这个所示的实施例中,但接收到新的当前状况输入信息或按照请求时线路产生预测(例如,基于周期性的请求产生新的预测,例如每五分钟),但在其他实施例中能在其他时间(例如周期性地,例如通过检索在那个时间可以得到的当前状况的输入信息)产生这样的预测。在步骤502流程开始,接收用于预测信息的请求(例如,用于在指示时间所指示的道路或道路段,或基于当前状况而用于地理区域中的所有道路和道路段)或用于指示地理区域的数据更新的指示。在步骤504中,流程确定是否接收了数据更新或预测请求,如果确定接收了数据更新,则流程继续到步骤506,从一个或多个数据源(例如,从在图3中的数据提供组件352,从适当的存储信息,从其他来源等)作为预测产生中的输入获得新的当前状况数据。在步骤508中,如图5A更详细讨论的一样,流程执行根据最近获得的数据产生更新的一组预测的产生预测子流程,存储所产生的预测信息为后续使用。在步骤510中,流程可选地将步骤508中获得的更新的预测信息的指示提供给一个或多个客户端,例如提供给先前表达了对这个信息感兴趣的的用户,或提供给可以使用这种预测信息的第三方实体等。如果在步骤504中确定接收了用于预测的请求,则流程继续到步骤520,从一个或多个用于所指示的地理区域的预测模型获得先前产生的预测,例如在步骤508中产生的预测。在步骤522中,流程给客户端提供所获得的预测。在步骤510和522后,流程继续到步骤540并可选地执行任意整理任务。在步骤545中,流程确定是否继续。如果继续,则流程返回到步骤502,如果不是则继续到步骤549并结束。图5B是在多个未来时间产生用于在一个或多个地理区域中的每个道路或道路段的未来交通状况预测产生预测子流程的实施例的流程图,例如,由在图5A中所示的动态交通预测流程所使用。在这个示例性实施例中,子流程使用概率技术通过所产生的包括贝叶斯网络和多个相应的决策树的预测模型为地理区域产生未来交通状况预测,例如先前所讨论地,但在其他实施例中这个或相关的子流程能够以其他方式产生未来交通状况预测。在步骤550子流程开始,接收用作输入信息的地理区域的指示和过去、当前和未来状况的指示。正如别处更详细描述地,这样的状况可以包括有关当前和过去天气状况,天气预报,时间安排,学校安排,当前和过去交通状况等的信息。在步骤552,子流程为所指示的包括贝叶斯网络和一个或多个决策树的地理区域获得一个或多个所产生的预测模型,例如通过检索先前产生的模型或通过从交通预测模型产生组件请求模型。在步骤554中,子流程基于当前状况输入信息通过使用预测模型产生未来交通状况预测,例如在多个未来时间的每个为在所指示的地理区域内的每条道路或道路段产生预测。在步骤556,子流程可选地执行预测的未来交通状况信息的后处理,例如包括整合、平均、收集、选择、比较、或处理从一个或多个预测模型来的一组或多组输出数据。在步骤558,子流程存储预测的未来交通状况信息,在步骤560可选地将预测的交通状况信息提供给一个或多个客户端。在步骤599子流程返回。图6是交通预测模型产生流程的实施例的流程图。该流程可以通过执行图3的交通预测模型产生组件354提供,例如,基于用于在后续使用中产生未来交通状况预测的观测的情况信息产生预测模型。在步骤605流程开始,为所指示的地理区域接收产生预测模型的请求或为所指示的地理区域提供先前产生的预测模型。在步骤610,流程确定接收的请求的类型,如果接收了产生模型的请求,则流程进行到步骤615,以为所指示的地理区域获得观测数据,例如从数据提供组件352或从存储的数据中获得观测数据。在步骤620,流程根据所获得的观测数据产生一个或多个预测模型,正如别处更详细讨论的一样。在步骤625,流程可选地将所产生的一个或多个模型的指示提供给接收了请求的客户端和/或其他部件(例如,图3的动态交通预测组件356),或为后续使用存储所产生的模型。如果在步骤610确定接收到提供模型的请求,则流程继续到步骤640,其中,检索先前为所指示的地理区域产生的预测模型的一个或多个模型。在步骤645,流程将这些模型提供给请求模型的客户端或另外的所指示的接受方,例如动态交通预测组件356和/或使用模型来执行自己预测的第三方计算系统。在步骤625和645后,流程进行到步骤690,可选地执行任意整理任务。在步骤695,流程确定是否继续。如果继续,则流程返回到步骤605,如果不继续,则继续到步骤699并结束。在一些实施例中,线路的选择可以基于各种类型的指示信息,例如,当为全部或部分特定的线路请求信息(部分特定的线路并不指定在给定的开始和结束位置间的每条道路段)时,当指定开始和结束位置(可选地具有一个或多个中间位置)时,当指示用于行驶的一个或多个所需时间(例如,特定天;在第一和第二时间;具有指示的到达时间;等)时;当指定用于评估线路选项的一个或多个原则(例如,行驶时间,行驶距离,停止时间,等)等。此外,在各个实施例中提供有关行驶线路的可变量信息,例如提供仅仅具有预测的最优选择线路的客户端或提供具有大量有关所分析的多个线路选项的细节(例如,以分级或按序的方式,例如通过增加行驶时间)。此外,一些实施例可以以各种方式表示行驶线路,包括人工可读的,使用公共街道和街道名的文本表达式和/或诸如一系列GPS航途基准点的机器可读的表达式。各个实施例还可以为表示和提供当前和预测的交通状况信息使用各种协定。例如,在一些实施例中可以为感兴趣的每个地理区域提供数据反馈以在多个未来时间的每个指示预测的未来交通状况信息。数据反馈格式可以例如由XML方案限定,其定义了具有一个或多个属性的元素类型,其每个属性包含涉及在多个未来时间的每个用于单个道路段的预测的交通拥堵级别状况,并且示例性的这样的XML流或文件的片断如下<Segmentid=,,423,,speed=,,55,,abnormality=',0,,color=,,3,,next3hours=,,3,3,3,3,2,1,1,0,0,0,1,1"confidence="2,2,2,l,l,0,0,l,l,l,0,0"/>上述的XML片断表示用于示例性的道路段423的当前和预测的未来交通状况(其可以表示单个的物理传感器,物理传感器组对应于逻辑道路段,一个或多个数据源而不是交通传感器,等)。在这个实例中,当前的平均速度表示为55MPH,当前的平均速度没有异常(在这个实例中,异常指示在实际的当前平均速度与所预期的当前平均速度间的差异,例如通过使用哪天时间、星期的天数、月的星期、禾n/或年的月份的基本的平均速度);并且当前的交通拥堵级别被指示为3(在这个实例中,拥堵级别被表述为在0和3间的整数,其中3对应于交通拥堵的最低级别,因此等效于绿色的值,而0等效于黑色的值)。此外,在这个实例中,标记为"next3hours"的逗号隔开的列表指示了在15分钟间隔用于下个十二个未来时间的预测的未来交通拥堵级别。在这个实例中,为十二个预测的未来交通拥堵级别的每个提供了可信级别信息,标记为"confidence"的逗号隔开的列表指示了这样的可信级别,但在其他实施例中也可以不产生或提供这样的可信级别。在这个实例中,可信级别被表述为在0和2间的整数,其中2对应于可信度的最高级别而0为可信度的最低级别,但在其他实施例中还可以使用其他手段表示预测的未来交通拥堵级别和关联的可信度级别。此外,各个实施例为用户和其他客户端提供各种装置来与一个或多个预测的交通信息系统交互。例如,一些实施例可以向发出请求并接收相应响应的客户端提供交互的控制台(例如,客户端程序提供交互的用户接口,Web基于浏览器的接口等),例如用于涉及当前和/或预测的交通状况的信息的请求和/或分析、选择、和/或提供有关行驶线路信息的请求。此外,一些实施例提供了API("应用程序接口"),其允许客户端计算系统可编程地发出这样的一些或全部请求,例如通过网络消息协议(例如,Web服务)和/或其他的通信机制。图7A-7I图示了基于未来交通状况的预测的各个有关交通信息的示例性显示。在一些实施例中,这样的有关交通信息的一些或全部可以通过预测交通信息提供系统的实例和/或线路选择系统的实例提供,或可选地,基于由一个或多个这样的系统提供给这些第三方至少部分或全部预测交通信息,由一个或多个第三方提供。此外,在各个实施例中,这样的有关交通的信息可以以各种方式提供给用户,例如,桌面计算系统上的基于Web的客户端通过蜂窝移动电话或其他移动设备向一个或多个用户显示信息,其中,移动设备可以向用户显示或提供信息。图7A图示了示例性的显示器700,其为在华盛顿州的西雅图/塔科马的城市地理区域的道路网络显示当前的交通状况。在这个实例中,显示器包括用户可选的导航列表控制701a-d,用户可选的地理区域选择菜单控制702,用户可选的时间游标控制703,日期选择日历控制715,关键线路选择区域704,显示选项选择区域705,地例区域706,地图显示区域707,用户可选地图数据选择控制714,用户可选面板按钮控制708a-c,用户可选縮放工具控制709,和当前选择的时间指示信息713。在这个实例中,当前选择道路交通信息的视图(基于"Traffic"导航列表701a的选择),当前选择的地理区域是西雅图/塔科马的城市区域(通过控制702),并且当前选择的时间是2006年2月1日的4:45PM(通过游标703和/或日历日期选择控制715),并具有反映这些选择的各种显示信息。如在地图显示区域707中所示以及地例区域706中所描述的,交通道路拥堵级别状况信息当前显示在西雅图/塔科马的城市地理区域的可视部分中主要道路的选择。对于可以得到的实际道路拥堵级别状况信息的当前或过去时间,所显示的信息反映了实际的信息,而对于未来时间所显示的信息反映了在那个时间的预测的未来交通状况。在这个实例中,所显示的主要道路被分成逻辑道路段,其每个都使用灰度阴影来显示,以指示在所选时间该道路度的道路拥堵的相应级别,例如州际5号道路的北行部分的道路段711c被显示为"Stop-and-go(无法行驶)"的交通状况(在这个实例中以黑色显示),而相邻的南行的道路段被显示为"Moderate(中等拥堵)"的交通状况,而相邻的北行的道路段在下一个北行的道路段变为"Heavy(高度拥堵)"交通状况前也被显示为"Stop-and-go"的交通状况。沿州际90号道路的道路段711a当前显示为"WideOpen(畅通)"的交通状况,而沿州际405号道路的道路段711b当前显示为"Heavy"的交通状况,各个其他的道路段类似地用相应的交通拥堵级别状况信息显示。虽然这里用灰度阴影显示,但在其他实施例中地图替换地也可以用彩色显示,例如用黑色显示"St叩-and-go"交通状况,用红色显示"Heavy"交通状况,用黄色显示"Moderate"交通状况,用绿色显示"WideOpen"交通状况。在这个示例性的实施例中,有关交通信息的显示可以通过用户以各种方式修改。例如,可以使用地理区域选择菜单控制702来从用来得到有关交通信息的多个不同的地理区域中的一个选择。可以使用时间游标控制703来修改当前选择用来显示交通信息的时间,例如浏览未来时间的预测的交通状况。关键线路选择区域704包括各个用户可选的选项控制704a-d,其可以被选择来在所显示的地图上高亮显示线路,例如通过选择选项704a高亮显示从西雅图到贝尔维尤的线路。用户可选的显示选项控制705a-d包括有关事故705a、事件705b、建筑物705c和速度信息705d的信息,例如,具有用于覆盖在显示的地图上的一个或多个选择的选项的相应信息。可以使用面板按钮控制708a-c来巻起或平铺地图帧707,以获得当前地理区域的不同视图,其中由于巻起了窗口,因此额外的南向面板按钮控制708当前并不显示。可以使用縮放工具控制709来增加或降低地图的显示比例。可以使用地图数据选择控制714来选择地图数据的替换来源,例如实际的卫星或地理区域的其他成像(例如显示感兴趣的道路的标记或其他指示)。在其他实施例中可以提供各种其他的用户可选控制,但所示控制的一些或全部可能是不可用的。在这个实例中,地图当前显示了除所选道路网络的交通状况外的各种信息,例如指示了对应于事件和交通集中的其他区域的发生地点和其他位置(例如在Husky体育场710a中可以发生大学橄榄球赛和其他事件,Safeco地区710b中可以发生职业棒球赛或其他事件,Seahawk体育场中可以发生职业橄榄球、足球以及其他事件,SpaceNeedle游览胜地,SeaTac机场,诸如Marymoor公园和Discovery公园等的公共公园等),市中心及其临近区域,诸如712a-b的高速路标志。类似地可以显示其他类型的信息,例如在所有时间或以用户可选的方式。图7B图示了示例性的显示,其显示了在当前所选的未来时间723的5:00PM的预测交通状况,例如基于在图7A的游标控制703的4:45PM的用户修改。总体上,在图7B中所示的用于道路网络的预测的交通拥堵级别状况比在图7A中的4:45PM时的交通拥堵级别状况要更加拥堵。正如一个实例,道路段712a相比于图7A的各个相应的道路段711a具有不同的道路交通拥堵状况的预测级别,并具有现在所示的严重的交通拥堵状况。图7C图示了示例性的显示,其显示了在当前选择的未来时间733的6:00PM的预测的交通状况,例如基于在图7A的游标控制703的4:45PM的用户修改。在图7C中所示的用于道路网络的预测的交通拥堵级别状况比在图7B中的5:OOPM时的交通拥堵级别状况并不那么拥堵。例如,道路段731a显示了在6PM是畅通的,而图7B中的相同道路段712a的交通预测在5:00MP是高度拥堵的。此外,道路段731b在5:00和6:OOPM间的交通拥堵从高度拥堵变到适度,如在图7B中相应的道路段712b所示。图7D图示了类似于在图7A中所示的示例性的显示,但该地图增加了道路速度信息。具体地,在这个视图中用户已经选择了显示选项745(标记为"Speedinfo")以使得显示当前的平均交通速度。例如,道路段741a(具有通畅的交通拥堵)用数字61的指示标记,其反映了在当前选择时间743的4:45PM时在该道路段上用于交通的平均速度61英里每小时。相反,道路段741b(具有高度的交通拥堵)用数字32的指示标记,其反映了在该道路段上用于车辆的平均速度仅仅32英里每小时。在一些实施例中,这样的速度信息指示只在当前和/或过去时间显示,而在其他实施例中,预测的未来交通状况速度信息可以类似地为未来时间显示。图7E图示了类似于在图7B中所示的示例性的显示,但该地图显示了在当前选择的未来时间753的5:00PM时在特定行驶线路上的预测的行驶状况。在这个实例中,用于选择了标记为"RedmondtoAirport"的关键线路选项控制752,作为响应,为当前选择的未来时间显示了涉及在Redmond750a和SeaTacAirport750b间的线路有关的预测交通状况的信息。具体地,在这个实例中,交通状况信息仅仅通过对应于所选的线路选项752的道路网络而为线路751显示,例如,通过以不强调的方式显示其他道路(例如,在实施例中,以彩色显示道路拥堵级别,以灰色显示其他道路)。图7F图示了类似于在图7A中的示例性的显示,但该地图显示了在当前选择的时间763的4:45PM时当前交通状况的面向拥堵的视图。在这个视图中,用户已经选择了"Congestion"导航列表控制761和速度信息显示选项765,以获得有关预测时间的信息直到当前交通状况预期从其当前状态改变。在这个实例中,并未示出时间游标,因为提供的预测信息相对于当前的时间4:45PM,但在其他实施例中类似的预测改变信息可以额外地为用户可选的未来时间而得到。在这个视图中,道路段用特定的时钟图标标注,例如图标766a和766b。在这个实例中具有较深阴影的时钟图标766指示了在给定道路段上的交通清空或由指定量改善的时间量(例如,从"Stop-and-go"或"Heavy"变到"Moderate"或"WideOpen"),虽然在这个实例中具有较浅阴影的时钟图标766b指示了在给定道路段上的交通拥堵或通过指定量而变得更糟的时间量(例如,从"Moderate"或"WideOpen"变到"Heavy"或"Stop-and-go")。例如,时钟图标761a是全黑的,表示相应的相邻道路段预期至少在下个小时内持续拥堵状态。相反地,时钟图标761b仅仅大约八分之一黑,表示相邻的道路段预期在大约八分之一小时清空,而时钟图标761c大约八分之一亮,表示在相邻道路段上的交通预期不久将变得拥堵。图71图示了类似于在图7F中所示的示例性的显示,但仅图示了一条道路的一部分和图标,其每个图标显示了在多个未来时间有关预测的交通状况的当前信息。在这个实例中,显示了三条道路段790a-c,在特定的当前选择时间显示的预测的交通拥堵级别的程度的每条道路未示出(虽然在实施例中,其中当前选择的时间是过去时间,显示的至少一些信息可以反映对应于过去时间的实际交通拥堵级别而不是预测信息)。在这个实例中,道路段790a在当前选择的时间具有通畅的交通状况,道路段790b在当前选择的时间具有适度的交通状况,而道路段790c在当前选择的时间具有繁重的交通状况。此外,每条道路段都具有能显示其对应于在当前所选时间后的小时的一部分的多个区域的相邻的时钟图标,但在其他实施例中该时钟可以表示时间周期而不是一小时,或这样的信息替换地可以以除时钟或周期外的方式显示。例如,时钟791毗邻道路段790a并具有四个部分791a-d,并且用于这个时钟的每个部分为15分钟的扇形区,并且每个时钟部分用通过该部分表示的交通拥堵级别的灰度级别填充。这样,部分791a表示在当前所选时间之后的15分钟并被划上阴影来指示在这些15分钟期间道路段790a的预测是畅通的交通状况,而部分791b表示在当前所选时间后从15到30分钟的时间周期并且还指示了预测的畅通的交通拥堵级别状况。虽然实例的时钟791的部分在15分钟的时间段中被均匀分隔(例如,反映在15分钟的时间间隔所作的预测),但在其他实施例中,在时钟内时间的每个相异的部分可以替换地对应于不同的预测或实际的拥堵级别一一如果这样,则两个表示交通拥堵的相同级别的部分791a和791b可以组合成单个的部分,在这个实施例中,该部分可以填充为时钟的前半部分。在这个实例中,部分791c指示了在下一个时间周期(在这个实例中是在当前选择的时间后的30至45分钟)用于道路段的预测的适度的交通状况,部分719d指示了在一个小时的最后15分钟内用于道路段的预测的繁重的交通状况。这样,与在图7F中所示的时钟图标相反,其每个表示单个的预测的未来交通状况(在交通拥堵级别改变时的未来时间点),时钟图标791图示了用于多个未来时间的每个的预测的未来交通状况,并且以紧凑和易于理解的方式提供了明显更多的有关预测的未来状况的信息给用户。以与时钟图标791类似的方式中,时钟图标792毗邻道路段790b并具有四个部分792a-d,其在这个实例中每个为15分钟的扇形区。扇形区792a-d分别表示在对应于这个部分的时间周期内用于道路段790b的适度、繁重、繁重、堵塞的预测交通拥堵级别状况。相反地,时钟图标793只有三个部分,每个表示与相邻时间的其他部分相异的交通拥堵级别。这样,对于相邻的道路段790c,时钟793的部分793a指示了在紧跟当前所选时间的第一个大约7分钟期间用于道路段的预测的繁重交通拥堵级别状况,部分793b指示了在后随的大约15分钟内用于该道路段的适度的交通拥堵级别状况,而部分793c指示了在该小时的剩余期间用于该道路段的预测的适度的交通拥堵级别状况。虽然时间的这三个部分都在此图示,但可以理解的是,可以显示或多或少的部分,其中每个部分可以表示在相异的未来时间的预测之间的时间差别中的任意时间量,并且该时钟的不同部分可以表示交通拥堵的相同的预测级别(例如,如果一个或多个插入部分具有一个或多个不同的预测的交通拥堵级别)。图7G图示了类似于图7A中所示的示例性的显示,但该地图显示了在当前所选时间773的4:45PM的当前的交通状况的比较,以便指示与正常状况的差别。在这个示图中,用户已经选择了"Comparative"导航列表控制771和速度信息显示选项控制775来获得描述在当前交通状况与所比较的通常状况间的差异程度的信息,并且在这个实例中,通过参考预测模型确定的正常的交通状况,预测模型被用来基于历史观测和诸如安排的事件但不是诸如事故和其他道路事件、短期道路修建、天气等的暂时或临时情况的一些当前状况来确定预期的长期交通状况预报。更一般地,在其他实施例中,进行对比的"正常"的数据可以以其他方式确定或选择,例如单纯地通过使用历史平均,通过允许用户指派信息类型以考虑"正常"的数据(例如,使用学校日历信息而不是事件),通过允许用户或其他操作者指派特定组的数据来比较(例如,通过提供特定的数据组,通过指示要使用的特定的过去的日期,例如周三5PM等)等。在这个实例中,并不显示时间游标因为所提供的预测的信息涉及当前时间4:45PM,但在其他实施例中类似的预测的差异信息可以额外地得到用户可选的未来时间。在这个视图中,再次对道路段作标记以反映所感兴趣的信息,但地例776指示了用于标记的不同方式,例如以各个灰度阴影(或在其他实施例中替换地使用各种颜色,例如绿色指示比正常776a好得多的当前或预测的交通状况,黄色指示好于正常776d的交通状况,白色指示基本上是正常776d的交通状况,红色指示差于正常776d的交通状况,黑色指示比正常776e差得多的交通状况)指示与正常差别的程度。此外,在这个实例中,速度信息控制775的选择提示道路段用方框内的数字注释以指示在给定道路上上行进的交通比正常更快或更慢的英里每小时数(例如,对于实施例,其中使用了颜色,以一种或两种颜色显示的方框指示了好于正常速度以及差于正常速度,例如绿色是更好而红色是更差)。例如,道路段771a用指示好于正常交通的灰度级别显示并用方框(例如,绿色方框)内的数字"11"注释以指示在该道路段上交通流量比正常快11英里/每小时。相反地,道路段771b用指示差于正常交通的灰度级别显示并用方框(例如,红方框)中的数字"10"注释以指示在该道路段上比正常慢10英里/每小时。图7H图示了类似于在图7A中所示的示例性的显示,但该地图显示了基于当前所选的2006年2月1日中经过一天的特定行驶线路的总的行驶时间的地理视图。在这个视图中,用户已经选择了"TravelTime"导航列表781来为所选的线路获得有用的以及实际/预期的总的行驶时间,例如基于Lynnwood到西雅图选项控制782的选择的在Lynnwood和西雅图间的线路。具体地,所显示的曲线784绘制出了x轴785b上的一天的时间段和在y轴785a上按分钟计时的总的行驶时间。黑线786a绘制了在一天中的各个时间用于给定行驶时间的所使用的总的行驶时间,而细线786b绘制了当前和/或预测的行驶时间(基于当前所选择的天是否是过去、当前或未来),这样就能轻易地比较在总的行驶时间中的差别。根据图7G,在图7H中用于线路的所使用的总的行驶时间在各个实施例中可以以各种方式确定,包括基于历史平均,通过参考能用来基于历史观测和一些当前状况(例如安排的事件)而不是临时或暂时情况(例如事故和其他道路事件,短期道路建设等)确定预期的长期交通状况预报的预测模型,通过允许用户指派要被考虑作"有用"数据的信息类型(烈日,使用学校日历信息而不是事件),通过允许用户或其他操作者指派用作比较的特定数据组(例如,通过提供特定数据组,通过指示要使用的特定的过去数据,例如过去周三5PM等)等。此外,在这个实例中并未显示时间游标,因为提供的预测信息涉及当前所选时间的天,但在其他实施例中类似的预测的差别信息可以通过游标或其他机制在用户可选的未来时间得到以选择日期。各个实施例还使用各个输入信息并为所用的预测模型提供各个输出信息来作出未来交通状况预测。在一些实施例中,对涉及日期和时间信息的预测模型的输入包括以下变量Marketld(用于地理区域的标识符);DataTimeUtc(通用时间的时刻);DateTimeLocal(本地时间的时亥ij);DateTimeKey,DateDayOfWeekLocal(星期的天数);DateMonthLocal(年的月fc、);DateDayLocal;DateHourLocal(天的小时数);DatePeriodl5MinutesLocal(—天的15分钟间隔)禾口HolidayLocal(该天是否为假日)。在一些实施例中,对涉及当前和过去交通状况信息的的预测模型的输入包括以下变量RoadSegment(用于特定道路段的标识符);SeedX(在道路段X上的交通的当前报告速度);BlackStartLocalX(已经为道路段X报告了黑色交通拥堵级别状况的时间长度);PercentBlackX(与报告了黑色交通拥堵级别状况的道路段X关联的传感器或其他数据源的百分比);PercentBlackX-N,其中X为特定的道路段而N为U5,30,45,60}中的一个,并且其中值对应于在N分钟前报告了黑色交通状况的道路段X的百分比(例如,与道路段关联的传感器的百分比);RawColorX(当前对应于在道路段X上的交通拥堵级别的颜色);RawColorX-N,其中X为特定的道路段而N为{15,30,45,60}中的一个,并且其中值是对应于在N分钟前在道路段X上的交通拥堵级别的颜色;SinceBlackX(自从为道路段X报告了黑色交通拥堵级别的时间长度);HealthX;和AbnormalityX。在一些实施例中,对涉及天气状况信息的预测模型的输入包括以下变量Temperature(当前温度);WindDirection(当前的风向);WindSpeed(当前的风速);SkyCover(当前云或霾的水平);PresentWeather(当前的天气状态);和RainNhour,其中N是(l,3,6,24}中的一个并表示在前述N个小时内降水的累积;和Metarld。在一些实施例中,对涉及事件和学校安排信息的预测模型的输入包括以下变量EventVenueld(地点标识符);EventScheduleld(安排标识符);DateDayLocal(给定事件的日子);StartHourLocal(给定事件的开始小时);EventTypeld(事件类型标识符);EventVenueld(地点标识符);SchoolLocationld(学校位置标识符);和IsSchoolDay(当前是否为教学日)。在一些实施例中,对涉及交通状况的预测模型的输出包括以下变量RawColorXN,其中X为特定的道路段而N为{15,30,45,60,75,90,105,120,135,150,165,180}中的一个,并且其中值是对应于在N分钟前在道路段X上的交通拥堵的预期级别的颜色;和PredRawColorXNProb指示给定预测中的可信度,其中X和N如同上述参考RawColorXN变量的限定,并且值是在N分钟时间内对道路段X预测中的可信级别(例如,基于从用于进行预测的决策树路径的观测数据来的历史支持的水平)。以下图示了由上述各个变量所取的可能的值或值变化范围的一个实例,其中在两个数字间的指示符指示了其间的任意整数并包括这两个数都是可能的值(例如,"1..4"表示{1,2,3,4}),并且0和1的可能值指示了适当变量的真和假(例如,casedata.HolidayLocal)。在其他实施例中,也可以使用其他的输入和/或输出变量,它们的值也可以以其他方式表示。<table>tableseeoriginaldocumentpage45</column></row><table><table>tableseeoriginaldocumentpage46</column></row><table><table>tableseeoriginaldocumentpage47</column></row><table>本领域的技术人员也能理解,在一些实施例中,如上所讨论的由流程所提供的功能可以以替换地方式提供,例如可以分割到多个流程中或合并到几个流程。类似地,在一些实施例中所示的流程可以提供比所描述的更多的功能,例如当其他所示的流程替换地分别缺少或包括这样的功能时,或当所提供的功能数量可选时。此外,虽然各种操作都可以如所示地以特定方式(例如串行或并行)和/或特定顺序执行,但本领域的技术人员可以理解在其他实施例中这些操作也可以以其他顺序和方式执行。本领域的技术人员还还能理解的是,上述讨论的数据结构可以以不同方式构建,例如将单个数据结构分割到多个数据结构中或将多个数据结构集中到一个数据结构中。类似地,在一些实施例中所示的数据结构可以存储比所述更多或更少的信息,例如当其他所示的数据结构替换地分别缺少或保罗这样的信息时,或当所存储的信息的数量或类型可选时。从上述可以理解的是,虽然为示例的目的而在此描述了特定的实施例,但在不背离本发明的精神和范围下可以进行各种修改。因此,本发明除所附权利要求及其在此引证元素外均不受限。此外,虽然本发明的特定方面以给定权利要求的形式进行了论述,但发明人力图以任何可得的权利要求形式涵盖本发明的各个方面。例如,虽然本发明的一些方面当前仅可以被叙述为内嵌在计算机可读介质中,但类似的其他方面也可以包含。权利要求1.一种使用预测的道路交通拥堵来便于行驶的计算机执行的方法,方法包括接收多条相关道路的多条道路段的指示;接收指示每条道路段的当前交通状况的信息;接收指示在道路段上影响交通的其他当前状况的信息,所述其他当前状况包括当前天气状况、安排要发生的当前事件以及用于学校上课的当前安排中的多个;对于多个相异未来时间的每个未来时间,在所述未来时间至少部分地基于所指示的当前交通状况和所指示的其他当前状况自动预测所述每条道路段的交通拥堵级别;使用至少一些预测的交通拥堵级别来便于道路上的行驶。2.根据权利要求l所述的方法,其中,所述多条相关道路是在地理区域中的道路网络的一部分,其中接收所述多条相关道路的多条道路段的指示包括识别在被清楚地跟踪交通拥堵的网络中的每条道路的多条道路段,其中所述方法通过计算系统执行以便于基于预测的交通拥堵级别而由车辆进行的道路网络的导航,其中所述接收的指示当前交通状况的信息包括有关在道路上的交通的当前级别的信息,其中所述接收的指示影响在道路段上的交通的其他当前状况的信息包括有关所述地理区域的当前天气和在所述地理区域中安排发生的当前事件以及在所述地理区域中安排要发生的当前学校上课的信息,其中在所述未来时间的每个时间对所述每条道路段的交通拥堵级别的自动预测包括,为多个用户的每个用户并响应从用户来的请求,为给用户所要行驶到指示的目的地的网络的一条或多条道路的预测交通状况的信息沿从至少一个可能的开始位置到所指示的目的的一条或多条线路识别网络道路的道路段,所述一条或多条线路的每条线路包括多条识别的道路段;对所述多个相异的未来时间的每个未来时间,在所述未来时间为每个识别的道路段预测交通拥堵的预期级别,所述预测至少部分地基于所接收的指示当前交通状况的信息和所接收的指示影响交通的其他当前状况的信息;对于一条或多条线路的每条线路,基于用于所述线路的多条道路段的预测的预期交通拥堵级别确定用于线路的预测的行驶时间,所述确定在第一未来时间为所述线路的一条或多条道路段的第一组使用至少一个交通拥堵的预测的预期级别,并在第二未来时间为所述线路的一条或多条其他的道路段的第二组使用至少一个交通拥堵的预测的预期级别,所述第二未来时间迟于所述第一时间并且所述第二组的道路段在沿所述线路的所述第一组的道路段之后,其中,为所述多个用户的每个用户执行至少一些预测的交通拥堵级别,并包括将指示用于至少一条线路到用户指示的目的地所确定的预测行驶时间的信息提供给所述用户,以便用户在多个未来时间能基于所述道路的预测的交通拥堵驾驶车辆通过道路网络。3.根据权利要求2所述的方法,其中,对于所述多个用户的至少一个用户,将所述信息提供给用户包括在地图上向用户显示指示了多条道路选项,以这种方式识别所述线路选项的最优选项。4.根据权利要求2所述的方法,还包括对于所述多个用户的至少一个用户,在将所述信息提供给所述用户后,接收指示更新的当前状况的信息,在一个或多个未来时间至少部分地基于所述更新的当前状况为所述识别的至少一个道路段预测交通拥堵更新的预期级别,并至少部分地基于交通拥堵的更新的预测的预期级别将更新的信息提供给用户,其中,更新的信息指示了至少一条线路到所指示的目的地的更新的预测行驶时间5.根据权利要求2所述的方法,其中在多个未来时间为所识别的道路段预测交通拥堵的预期级别是基于在所述地理区域中用于所述道路网络的至少一个预测模型。6.根据权利要求5所述的方法,还包括至少部分地基于用于所述识别的道路段的交通拥堵的在前的观测级别和影响在前观测的交通拥堵级别的先前状况而自动产生至少一个预测模型。7.根据权利要求6所述的方法,其中所述至少一个预测模型包括贝叶斯网络模型,从所述贝叶斯网络模型产生多个决策树,以便识别的道路段之一和多个未来时间之一的每个相异组合由相异的决策树表示。8.根据权利要求5所述的方法,其中对于多个用户的每个用户,在所述未来时间为所述识别的道路段预测交通拥堵的预期级别包括响应将作为输入的指示当前状况的接收的信息提供给至少一个预测模型,从至少一个预测模型获得输出信息。9.根据权利要求2所述的方法,其中在预测交通拥堵的预期级别中所使用的指示当前状况还包括所述地理区域的未来天气的当前预期、道路上的当前交通事故、道路上的当前建设行为、当前的时刻和当前的星期几。10.根据权利要求2所述的方法,其中当前安排的每个事件与至少一个事件时间和在地理区域中的位置关联,以便交通在一个或多个事件时间在道路段上行驶到一个位置和/或从所述位置行驶回来的道路段上受影响。11.根据权利要求2所述的方法,其中所述道路网络包括所述交通传感器可以得到的道路以提供有关当前交通级别的信息,所述每个道路的识别的道路段包括至少一个交通传感器,以便所提供的有关用于道路段的交通的当前级别的信息包括用于该道路段的平均交通速度和/或交通量。12.根据权利要求1所述的方法,其中交通拥堵级别的预测基于至少一个预测模型,所述预测模型使用了指示的当前交通状况和指示的其他当前状况作为输入。13.根据权利要求12所述的方法,其中所述至少一个预测模型包括贝叶斯网络。14.根据权利要求12所述的方法,其中所述至少一个预测模型包括多个决策树,以便所述道路段之一和所述多个未来时间之一的每个相异组合用相异的决策树表示。15.根据权利要求12所述的方法,其中所述至少一个预测模型包括概率模型。16.根据权利要求12所述的方法,还包括至少部分地基于在所述道路段上观测的过去的交通拥堵级别和影响在所述道路段上的过去的交通拥堵级别的过去交通状况和过去的其他状况自动产生预测模型。17.根据权利要求1所述的方法,还包括,在所述多个相异的未来时间为所述道路段之一预测交通拥堵级别后,接收与所指示的当前交通状况和所指示的其他当前状况相异的更新的当前状况信息,在所述多个相异未来时间的至少一个时间自动地为一条道路段预测交通拥堵的新的级别,并使用一个或多个预测的新的交通拥堵级别来便于在所述道路上行驶。18.根据权利要求17所述的方法,其中,使用所述至少一些预测的交通拥堵级别来便于在所述道路上的行驶包括将有关至少一些预测的交通拥堵级别的信息提供给一个或多个接收方来使用,其中,使用预测的新的交通拥堵级别来便于在道路上的行驶包括给至少一个接收方提供有关预测的新的交通拥堵级别的更新的信息。19.根据权利要求1所述的方法,其中指示每个道路段当前的交通状况包括下述之一在所述道路段上测量的平均速度、在所述多条道路段上的测量的交通流量和已经拥堵的道路段的一个或多个时间。20.根据权利要求19所述的方法,其中,指示的其他的当前状况包括下述之一当前的天气状况、安排要发生的当前事件、学校上课的当前安排、用于所述多条道路段的拥堵级别的一个或多个指示、未来天气的当前预期、在道路段上的当前交通事故、在道路段上的当前建设行为、当前的时刻、当前的星期几。21.根据权利要求20所述的方法,其中,每条道路段所指示的当前交通状况包括用于所述道路段的先前的交通状况的指示。22.根据权利要求1所述的方法,其中,接收的指示当前交通状况的信息至少部分地基于从多个交通传感器的网络获得,以便道路段的至少一个道路段对应于所述多个交通传感器的一个或多个。23.根据权利要求1所述的方法,其中,接收的指示当前交通状况的信息至少部分地从在所述多条相关道路行驶的多个车辆获得,每个车辆能反复地确定车辆的行驶数据,所述行驶数据包括车辆的位置、车辆的速度和车辆的行驶方向中的至少一个,并提供所确定的车辆行驶数据。24.根据权利要求1所述的方法,其中,接收的指示当前交通状况的信息至少部分地从行驶在所述多条相关道路的多个用户获得,每个用户具有移动设备,其被操作来提供包括设备的位置和设备的速度中的至少一个的定位数据。25.根据权利要求1所述的方法,其中,指示的其他的当前状况包括一个或多个当前天气状况,所述当前天气状况包括空中温度、风速、风向、时间周期内测量的降水量以及天空覆盖(skycover)的水平中的至少一个。26.根据权利要求l所述的方法,其中,指示的其他当前状况包括一个或多个当前安排的事件,用于每个事件的接收的信息包括至少一个关联事件和一个或多个与事件关联的位置的一个或多个指示。27.根据权利要求1所述的方法,其中,指示的其他当前状况包括一个或多个当前学校上课的安排,用于每个当前学校上课安排的接收的信息包括至少一个关联的事件和与一个或多个学校关联的一个或多个位置的一个或多个指示。28.根据权利要求1所述的方法,其中,使用至少一些预测的交通拥堵级别来便于道路上的行驶包括给用户呈现所述至少一些预测的交通拥堵级别。29.根据权利要求1所述的方法,其中使用至少一些预测的交通拥堵级别来便于道路上的行驶包括将至少一些预测的交通拥堵级别的指示提供给使用所提供的指示来便于在道路上行驶的第三方。30.根据权利要求1所述的方法,其中使用至少一些预测的交通拥堵级别来便于道路上的行驶包括识别在在多条道路上的开始位置和目的位置之间的多条线路选项,每条线路选项包括所述至少一条道路段;至少部分地基于所述预测的交通拥堵级别选择所述多条线路选项中的至少一条作为喜欢的线路;和提供所选择线路选项的一个或多个指示。31.根据权利要求1所述的方法,其中使用道路段的至少一些预测的交通拥堵级别来便于在道路上的行驶包括产生用于这些道路段的至少一些预测的交通拥堵级别和其他交通拥堵级别的比较信息,并提供所产生的比较信息的一个或多个指示。32.根据权利要求1所述的方法,还包括,对一个或多个未来时间的每个未来时间,至少部分地基于所指示的其他当前状况而不是基于所指示的当前交通状况在该未来时间为一个或多个道路段自动地预报交通拥堵的级别。33.根据权利要求1所述的方法,其中,每个交通拥堵预测级别具有至少一个关联的车辆速度。34.根据权利要求1所述的方法,其中,多条道路是在单个地理区域中互连的道路网络的一部分。35.—种计算机可读介质,其内容能使计算设备通过执行如下的方法为道路使用预测的未来交通信息接收指示一条或多条道路的多条道路段的每条的当前交通状况的信息;接收指示影响在所述多条道路段上交通的其他当前状况的信息,所述其他当前状况包括当前天气状况、安排要发生的当前事件以及用于学校上课的当前安排中的至少一个;至少部分地基于所指示的当前交通状况和所指示的其他当前状况为所述一条或多条道路预测多个相异的未来交通状况,每个预测的未来交通状况用于在多个未来时间之一的多条道路段之一;和提供所述预测的未来交通状况的至少一些的一个或多个指示以用来便于在所述一条或多条道路上行驶。36.根据权利要求35所述的计算机可读介质,其中为所述一条或多条道路预测未来交通状况包括为所述一条或多条道路使用预测的贝叶斯网络模型,以在多个未来时间的每个未来时间为所述多条道路段的至少一条预测交通拥堵级别。37.根据权利要求35所述的计算机可读介质,其中所述方法还包括至少部分地基于所述预测的未来交通状况识别在开始位置和结束位置间的线路,其中,提供所述至少一些预测的未来交通状况的所述一个或多个指示包括给用户指示所识别的线路。38.根据权利要求35所述的计算机可读介质,其中所述计算机可读介质是计算设备的存储器。39.根据权利要求35所述的计算机可读介质,其中所述计算机可读介质是发送包含内容的产生的数据信号的数据传输介质。40.根据权利要求35所述的计算机可读介质,其中所述内容是在其被执行时使得所述计算设备执行所述方法的指令。41.根据权利要求35所述的计算机可读介质,其中所述内容包括在为道路预测未来交通信息中所使用的一个或多个数据结构,所述一个或多个数据结构表示用于所述一条或多条道路的预测贝叶斯网络模型,并包括多个实体,每个实体对应于多条道路段的一条和多个未来时间的一个,以在该未来时间为该条道路段存储预测的未来交通状况,每个其他的实体对应于多个当前状况中的一个,当前状况包括多条道路段的每个道路段的当前交通状况和一个或多个其他当前状况,以便为预测存储输入的信息。42.—种计算设备,其被配置来使用为道路的预测的未来交通信息,包括第一组件,在多个相异的未来时间的每个未来时间,在该未来时间至少部分地基于所获得的指示有关所述道路段的当前状况的信息为多条道路段的一条或多条预测交通状况,所述指示的当前状况包括下述之一多个用于所述道路段的当前交通状况、当前天气状况、当前安排的事件、当前学校的安排;第二组件,提供至少一个预测的交通状况的至少一个指示,以便在所述一条或多条道路上行驶。43.根据权利要求42所述的计算设备,还包括存储器,用于存储预测所述交通状况中使用的预测概率模型,所述预测的交通状况包括在所述多个未来时间的每个未来时间为所述多条道路段的每条道路段预测未来交通拥堵级别。44.根据权利要求43所述的计算设备,其中,所述第二组件还使用所述预测的交通状况产生一条或多条道路上的指示优选行驶的信息,以便提供的指示包括所述产生的信息的一个或多个指示。45.根据权利要求43所述的计算设备,还包括第三模块,至少部分地基于过去的交通状况和在道路段上影响过去交通状况的过去状况自动地产生预测模型。46.根据权利要求42所述的计算设备,其中所述第一组件是动态交通预测组件。47.根据权利要求42所述的计算设备,其中所述第一和第二组件之一包括用来在所述计算设备的存储器中执行的软件指令。48.根据权利要求42所述的计算设备,其中所述第一组件包括装置,其在多个相异未来时间的每个未来时间,在该未来时间为一条或多条道路的多条道路段的一条或多条至少部分地基于所获得的指示涉及所述道路段的当前状况的信息预测交通状况,所指示的当前状况包括用于所述道路段的当前交通状况、当前天气状况、当前安排的事件、当前学校安排中的多个,其中所述第二组件包括装置,用来提供至少一个预测交通状况的一个或多个指示,以便在所述一条或多条道路上行驶。全文摘要本发明公开的技术用于在多个未来时间产生未来交通状况的预测,例如,通过使用概率技术来评估各种输入数据,同时反复地为多个道路段产生未来时序预测(例如,以实时的方式基于用于在给定地理区域中的道路网络的变化的当前状况)。在一些情况中,自动创建一个或多个预测贝叶斯模型和相应的决策树以来为感兴趣的每个地理区域产生未来交通状况预测,例如基于用于这些地理区域的观测的历史交通状况。可以以各种方式使用预测的未来交通状况信息以帮助行驶或用于其他的目的,例如,基于在多个未来时间用于道路的有关交通状况的预测来计划通过道路网络的线路。文档编号G08G1/01GK101438334SQ200780015947公开日2009年5月20日申请日期2007年3月2日优先权日2006年3月3日发明者亚历克·巴克,克雷格·H·查普曼,奥利弗·B·唐斯申请人:因瑞克斯有限公司
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1