专利名称：对上下文敏感的路线推断道路速度的制作方法
对上下文敏感的路线推断道路速度
背景
每天都使用计算机驱动的路线规划应用程序来帮助用户定位感兴趣的点， 诸如特定建筑物、地址等。另外，在若干现存的商用应用程序中，用户可以改 变縮放级别，由此在更改地图的縮放级别时允许上下文和细节的变化。例如， 当用户在特定位置上放大时，诸如本地道路的名称、警察局和消防站的标识和 位置、诸如图书馆、博物馆等公共服务的标识和位置等可被提供给用户。当縮 小时，用户可以从地图中收集诸如城市、州和/或国家内感兴趣的点的位置、感 兴趣的点与主要免费高速公路的邻近性、感兴趣的点与特定城市的邻近性等 等。在某些应用中，可以利用卫星图像来向用户提供关于特定地理位置或区域 的附加细节。例如，房屋的预期购买者可以获得该房屋的高空卫星图像，由此 使得该预期购买者能够査看占地范围、该房屋与其它相邻房屋的邻近性、以及 可能与用户相关的其它信息。
此外，常规的计算机实现的地图制作应用程序通常包括可用于向用户提供 不同位置之间的方向的路线规划应用程序。根据一个示例，用户可以向路线规 划应用程序提供起始行进点和结束行进点(例如，起始和结束地址)。路线规 划应用程序可以包括或利用道路和十字路口的表示以及一个或多个算法来输 出建议的行进路线。这些算法可以取决于用户选择的参数来输出路线。例如， 商用路线规划应用程序可以包括使用户能指定她希望避开公路的复选框。类似 地，用户可以告知路线规划应用程序她希望在最短路线或花费最少量时间的路 线(如由低层算法所确定的)上行进。在过去的几年中，个人已经越来越依赖 于路线规划应用程序以在从定位朋友的房子到规划跨国道路旅程的各种事情 中帮助他们。
路线规划应用程序也不再限于台式计算机。相反，几种汽车现在都配备了 标准地图功能，其中汽车在控制台上包括图形显示以向用户提供地图数据和方 向。通常，在使用路线规划应用程序之前，必须购买并加载包括允许利用路线规划功能的数据的光盘或其它存储介质。当诸如限速、车道数等等道路条件改 变时，可提供更新。具有GPS功能(或其它位置标识功能)的汽车能够另外 地包括实时方向，其中方向在汽车的用户行进时被提供给用户。
这些路线规划器关于诸如标出的限速、单行道的位置和相关信息等细节是 相当可靠的。然而，包括路线规划功能的常规的应用程序做出关于道路状态的 假设。更具体而言，当今的路线规划应用程序是构建在恒定性和通用性的假设 上的，使得应用程序提供的最优路线与一天中的时间、 一周中的天以及详细的 用户偏好无关。然而，实际上，这些假设并不成立。例如，在许多情况下，在 市区中在高峰时间期间两点之间的最佳路线并不是在午夜时在相同的两点之 间的最优路线。然而，常规的路线规划应用程序在向用户提供路线时并未考虑 这些上下文。类似地，不同驾驶者可能偏好相同的两点之间不同的路线。例如， 一个驾驶者可能避开公路或特别困难的会合处，或愿意将旅程持续时间延长几 分钟来跟随景色优美的沿海道路，而另一驾驶者仅仅希望尽可能快地到达或者 经历最短距离。
概述
以下呈现了简化的概述，以提供所要求保护的主题的某些方面的基本理 解。该概述不是详尽的概观，它不旨在标识所要求保护的主题的关键/重要的元 素也不旨在描绘其范围。其唯一的目的是以简化的形式来介绍一些概念，作为 稍后提出的更为详细的描述的序言。
假定移动设备的扩展的能力以及连接网络的设备在家中和工作地点的渗 透，人们已变得越来越依赖于路线规划应用程序来向其提供两点之间的方向。 然而，常规的路线规划应用程序的缺陷在于他们输出与上下文无关的两点之间 的方向，这并不代表实际的驾驶条件。例如，经常往返者认识到一特定道路段 上的行进速度统计量将在不同的时刻有很大的不同的这一事实。根据一个特定 示例，在高峰时间的道路段可能要花费比在午夜的同一道路段更长的时间来通 过。
为补偿这些缺陷，此处所描述的是一种能够输出取决于同旅程相关联的上 下文的驾驶方向的稳健的交通系统表示，其中该上下文可包括旅程所花费的时间、旅程发生在一周中的天、与旅程相关联的天气条件、与旅程相关的事件(诸 如音乐会和体育比赛事件)、以及其它合适的上下文信息。例如，该交通系统 可包括一加权图，其中该图的各节点表示十字路口，而边表示十字路口之间的 道路段，且权重至少部分地基于在给定不同上下文时与道路段/十字路口相关联 的行进速度统计量。这些权重的一部分至少可通过从行进通过由该交通系统表 示所表示的交通系统的驾驶员传感的速度数据来确定。
给定一组道路速度以及驾驶者的偏好，可以使用搜索算法来找出两个或更 多点之间的最优或近似最优的路径，这通过对不同的道路段序列进行搜索，考 虑关于预期道路速度的每一信息，然后从该信息中计算整个行程的特性来实
现。用于进行这一搜索的算法包括全组合搜索、Dykstra算法、八*算法、以及 其它试探搜索算法。
然而，由于某些交通系统的大小，通常在单个上下文中难以接收到关于该 交通系统内的每一道路段的所传感到的速度数据，更不要说是多个感兴趣的上 下文了。然而，仍期望将道路段与速度统计量相关联，并且可任选地具有关于 对不同上下文在不同道路的道路速度上的概率分布的信息，以便能够在给定特 定上下文时计算最优驾驶方向。
因此，可从道路特性以及可能的有限的传感数据中推断出道路速度。例如， 道路速度可能是道路特性或道路类(例如，二车道、四车道、高速公路、州际 公路、县公路……)、道路周围的区域的类型(例如、商业、居住、农业、……)、 该道路所经过的地形、标出的限速、诸如购物区、休闲公园等附近的资源、以 及与道路段/十字路口有关的其它合适的数据的函数。另外，可能使用其它信息 源，包括天气信息、道路之间的关系、道路类型以及道路状态(例如，附近传 感到的主干道上的交通堵塞)、以及各类道路之间的特殊地理关系(例如，从 免费高速公路的上匝道到下匝道的道路段之间的距离)。给定某些有限的传感 的数据，可以采用统计方法(包括称为机器学习和推理技术的方法)来生成关 于如何最佳地利用这一数据、以及这些数据之间的更高阶关系和模式的洞察， 以预测在不同上下文中道路段的速度，包括当前活动的上下文、不久的将来的 上下文、以及更远的将来的上下文。可使用该方法来构造自动化预测系统，该 系统持续地计算道路段的速度的概率分布，以使得该动态数据库可用于生成在此时或在将来的时刻可接受的路线。
除了理解对目前的上下文尚未直接传感到的道路段上的速度的应用之外， 此处所描述的系统/方法可被应用来执行对不同区域中的道路段的速度的预测。 例如，从旧金山地区中的部分传感的数据的特性和数据库中构造道路速度的预 测模型在被应用于例如芝加哥或西雅图等其它大都市地区中的道路时，基于与 道路特性和关系相关的预测和域推断，可能提供有价值的推断。在其它情况下， 系统可以学习如何对旧金山系统自适应模型以使其高效地自适应到新的区域 而无需构建最初核心模型所需的大量相同的努力，例如，通过以选择性的方式 改变模型中可用小训练和测试集的分析来调整的某些参数。
为实现上述及相关目标，本文结合下面的描述和附图描述某些说明性方 面。然而，这些方面仅指示了可采用所要求保护的主题的原理的各种方法中的 几种，且所要求保护的主题旨在包括所有这些方面及其等效方面。当结合附图 阅读以下详细描述时，本发明的其他优点和新颖特征将变得清楚。
附图简述
图1是可用于在给定各种上下文时为道路段预测行进速度统计量的系统 的高级框图。
图2是可采用级联规则来推断行进速度的示例组件的详细图示。
图3示出了利用机器学习技术/系统来向道路段分配行进速度统计量的系统。
图4示出了至少部分地基于为道路段所预测的行进速度来输出驾驶方向
的路线规划系统。
图5是可基于所传感的交通参数来更新的路线规划系统的框图。
图6是便于至少部分地基于所传感的第二交通系统中的道路段的道路速
度来向第一交通系统中的道路段分配道路速度统计量的系统的框图。 图7是便于构建/定义稳健的交通系统表示的系统的框图。 图8是示出基于所预测的一个或多个道路段的行进速度来输出路线的系
统的示例框图。
图9是用于估算关于交通系统中的道路段的行进速度的方法的代表性流程图。
图10是用于利用级联规则来为交通系统表示中所表示的道路段分配行进 速度的方法的代表性流程图。
图11是用于利用机器学习来为交通系统表示中所表示的道路段分配行进 速度的方法的代表性流程图。
图12是用于至少部分地基于所预测的行进速度来输出驾驶方向的代表性 流程图。
图13和14是示出来自交通系统中的汽车的交通数据的集合的屏幕截图。 图15是一个示例贝叶斯模型。
图16是可用于预测和/或预报行进速度统计量和输出方向的示例模型。 图17是示出合适的操作环境的示意性框图。 图18是示例计算环境的示意性框图。
详细描述
现在参考附图来描述所要求保护的主题，所有附图中使用相同的附图标记 来指代相同的要素。在以下描述中，为解释起见，阐明了众多具体细节以提供 对所要求保护的主题的全面理解。然而，很明显，这一主题可以在没有这些具 体细节的情况下实施。在其它情况下，以框图形式示出了公知的结构和设备以 便于描述所要求保护的主题。
如在本申请中所使用的，术语"组件"和"系统"旨在表示计算机相关的 实体，其可以是硬件、硬件和软件的组合、软件、或者执行中的软件。例如， 组件可以是，但不限于在处理器上运行的进程、处理器、对象、可执行代码、 执行的线程、程序、和计算机。作为说明，运行在服务器上的应用程序和服务 器都可以是组件。 一个或多个组件可以驻留在进程和/或执行的线程内，并且组 件可以位于一个计算机上和/或分布在两个或更多的计算机之间。在此使用的词 语"示例性"意味着用作示例、实例或说明。在此被描述为"示例性"的任何 方面或设计并不一定要被解释为相比其它方面或设计更优选或有利。
此外，所要求保护的主题的各方面可以使用产生控制计算机以实现本发明 的各方面的软件、固件、硬件或其任意组合的标准编程和/或工程技术而被实现为方法、装置或制品。在此使用的术语"制品"旨在涵盖可以从任何计算机可 读设备、载体或介质访问的计算机程序。例如，计算机可读介质可以包括但不 限于磁存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，紧致盘(CD)、 数字多功能盘(DVD)……)、智能卡、以及闪存设备(例如，卡、棒、钥匙 驱动器……)。另外应该明白，可以采用载波来承载计算机可读电子数据，例
如那些用于发送和接收电子邮件或用于访问如因特网或局域网(LAN)等网络 的数据。当然，本领域的技术人员将会认识到，在不背离此处所描述的范围或 精神的前提下可以对这一配置进行许多修改。
现在参考图1，示出了允许创建稳健的路线规划应用程序的系统100。系 统100包括从数据存储库106接收传感的路面参数104的接收器组件102，其 中数据存储库106可以驻留在服务器上、分布在多个服务器/客户机之间、驻留 在客户机上等等。所传感的路面参数106可以包括给定变化的上下文时与路面 段相关联的速度。例如，所传感的路面参数106可以包括在给定一天中的不同 时间和不同的一周中的天时对同一路面段的不同速度。更详细而言，在城市地 区经常往返的人很容易认识到在工作日的高峰时间道路段的速度可以与在午 夜(或在周末)的同一道路段的速度有很大的不同。所传感的路面参数106还 可以包括关于十字路口的速度，其中与十字路口相关联的时间在给定变化的上 下文时可以有很大的不同。根据一个示例，在圣诞购物季期间中午在购物中心 附近的十字路口左转与在周二午夜在同一十字路口左转相比可能要花费多得 多的时间。另外，所传感的路面参数106可以包括给定其它上下文和/或上下文 组合时的速度。例如，所传感的路面参数可以包括相对于天气条件，对于一天 中的时间以及一周中的天的速度。此外，所传感的路面参数106可以包括当诸 如体育比赛事件或音乐会等事件在交通系统的特定位置中进行时对于特定道 路段的速度数据。
所传感的路面参数106可以从在特定交通系统中行进的用户获得。例如， GPS接收器、蜂窝电话(对于以蜂窝塔为中心的信息)、使用WiFi或WiMax 的设备或其它合适的位置收集/发射设备可用于创建所传感的路面参数106。然 后可以基于与所传感的位置相关的时间信息来确定与所传感的驾驶者位置相 关联的速度或速度比率(实际速度/标出的限速)或关于速度的其它统计量，只要与驾驶者相关联的位置是被相对频繁地传感的。因此，所传感的路面参数106 基于从在交通系统内实际行进的驾驶者收集的数据，并且这一数据可用于路线 规划应用程序(未示出)。因此，输出路线可以至少部分地基于所传感的路面 参数106 (其是上下文相关的)而非与恒定的道路速度(通常取决于标出的限 速)相关联的路面。
更详细而言，交通系统表示108可至少部分地基于所传感的路面参数106 来定义/创建。根据一个特定示例，交通系统表示108可以是和/或包括加权图， 其中各节点表示十字路口，边表示十字路口之间的道路段，而权重表示在给定 不同上下文时关于道路段的道路速度统计量。换言之，节点/边的权重可以随着 时间的改变、随着日子的改变、随着天气条件的改变等而改变。所传感的道路 参数106可用于对节点和边加权。例如，如果所传感的路面参数106包括在工 作日的一天中的特定时刻关于一特定道路段的速度，则这一速度可被映射到交 通系统表示108中的相应边以向这一边提供权重。然而，即使数据是在很长一 段时间内从几个驾驶者收集的，在较大的交通系统中，对交通系统中相对于各 种各样的上下文或上下文组合的每一道路段和/或十字路口 ，也可能极其难以收 集指示道路速度的数据或关于道路段上的速度的其它可能有用的统计量。
可在系统100内包括预测组件110以帮助对于关于其缺乏所传感的数据的 道路段预测/推断/预报道路速度。预测组件110可以是或包括一预测模型，该 预测模型用于预测关于并不与直接传感的数据相关联(例如，在变化的上下文 上)的道路段的行进速度统计量。例如，预测组件IIO可以访问交通系统表示 108，并确定哪些路面段和/或十字路口不与关于所需上下文所收集的数据相关 联。根据一个特定示例，交通系统表示108可以包括关于工作日和周末的上下 文类别，这些类别被进一步分成时间块(例如，96个15分钟的时间块)。继 续该示例，交通系统表示108因此可以包括关于在交通系统表示108中表示的 交通系统的每一道路段的192个不同的速度(对于工作日有96个，对周末有 96个)。预测组件IIO可以访问交通系统表示108，并定位例如不与关于192 个可能的时间块的每一个的道路速度相关联的每一边和/或节点。
一旦定位到这些边和/或节点和相关联的上下文，预测组件110可以将道 路速度(权重)分配给交通系统表示108。这例如可通过利用基于级联规则的方法来实现。根据一个示例，预测组件110可以定位交通系统表示108中未被 分配关于特定上下文的权重的边。预测组件110然后可以在相关上下文下分析
该边，并基于这一分析来向该边提供权重。例如，交通系统表示108可以包括 关于代表在时间块凌晨1:30-1:45和凌晨2:00-2:15时的道路段的边的权重。然 而，该边不与关于在凌晨1:45和2:00之间的时间块的权重相关联。因此，预 测组件110可以定位这一边，并向该边提供关于在凌晨1:45和2:00之间的时 间块的权重，即关于在相邻的时间块的边的权重。类似地，预测组件110可以 采用外插技术来向边分配合适的权重。如果没有与相邻时间块相关联的权重， 则例如，预测组件110可以定位在相同时间块时的相似边，并向所讨论的边分 配基本上与相似边相类似的权重。相似性例如可以基于道路段类型，后者可以 包括在交通系统表示108中。然而，发明人构想了任何合适的相似性度量，并 且其旨在落入所附权利要求的范围之内。如果无法定位到相似的道路和/或无法
辨别合适的道路速度，则边可以根据标出的限速来加权。
由此，如上所述，预测组件110可以采用基于级联规则的方法来向交通系 统表示108内的边分配权重(例如，在各种上下文上向道路段分配道路速度统 计量)。以上示例性规则级联是仅处于说明的目的而提供的，且所要求保护的 主题不限于这一级联。预测组件IIO还可通过机器学习技术来对一个或多个道 路段确定道路速度估算。
例如，如上所述，交通系统108可以包括边、节点、以及与其相关联的权 重，其中节点表示十字路口，边表示道路段，而权重表示给定不同上下文(一 天中的时间、 一周中的天等)时的道路速度。预测组件110可以利用机器学习 技术在给定包括在交通系统表示108中的上述数据的至少一部分的情况下定位 道路段之间的关系和模式，并且预测组件IIO可以采用这些关系和模式来为不 同上下文中的道路段确定预期道路速度，并根据预期道路速度向交通系统表示 108内的节点/边分配权重。由此，预测组件118被有效地利用来完善/完成交 通系统表示108，由此使得路线规划应用程序能够根据上下文来输出方向。
更详细而言，关于是或包括预测模型的预测组件IIO，预测组件110可以 使用关于在一天中的不同时刻和不同的一周中的天的道路速度的部分传感器 数据(例如，在携带了能够帮助跟踪位置、速度等的设备的用户在不同时刻碰巧经历的街道上收集的有限的数据)来构建将上下文和结构信息集链接到观察 结果的模型(交通系统表示108)。例如，可获知从交通主干线系统传感到的 信息以预测边道上的交通流量。这一预测可以通过利用通过从实时和结构性的 特性中进行推理来预测道路速度(在道路上和在尚未观察的上下文中)的预测 模型(例如，在预测组件110内)来实现。可利用预测组件110来注释(离线 地或实时地)交通系统内的所有道路，并且可将经更新的速度置于交通系统表
示108内。路线规划系统(诸如使用A—算法、Dykstra算法、其变体、和/或其 它合适的算法的系统)可基于上下文暗示、结构暗示和/或其组合来标识最快的 路线。此外，路线规划系统可以在向用户输出路线时考虑用户偏好(推断的或 显式定义的)。例如，用户可能首选沿着乡村道路而非免费高速公路来驾驶， 即使经历乡村道路的可能未提供两点之间的最快路线。
由此，系统100 (以及此处描述的其它系统/方法)可以经由对部分量的所 传感的信息的学习和推广来进行调节，并且可以将所传感的主干线系统的基干 链接到交通系统的先前未传感的部分。由此，预测组件110可以通过使用预测 模型来填入缺少的所传感的速度数据或"洞"，该预测模型考虑道路段的多个 特性并考虑所传感的道路的结构、道路特性和上下文属性的相似性，以向对其 可能仅有标出的速度的道路段分配速度或速度的概率分布。另外，通过分析为 第一城市所形成的部分传感的数据、特性、几何关系和上下文信息而形成的预 测模型可被应用于另一城市，因为这些特征可以足够抽象以应用于两个城市
(例如，离公路事故多发地点的距离)。如以下所描述的，可以通过测试某些 关系来为新城市调整关键参数来增强城市地图制作。
此外，系统100可以输出变化的上下文上的方向。例如，用户可以输入其 计划何时开始旅行，并且可向用户输出特定于所提供的上下文的方向或路线
(即使一路线中的所有道路部分可能都不与对该特定上下文所传感的数据相 关联)。更具体而言，可以构建被调节为相对于当前时刻的预测来预测将来的 预测模型。对于不久的将来，可以观察当前或最近观察到的上下文信息并使用 该信息来对将来的交通流量进行训练。换言之，可以构建从先前观察到的数据 中预测将来流量状态的模型。对于预测到遥远的将来，当前观察到的上下文特 征(例如，当前交通流量)实际上可被忽略，且系统IOO通常可以使用先前收集的统计量。
现在转向图2，示出并更详细讨论的预测组件110的内容示例。参考图2
所示并描述的预测组件iio利用了一个或多个规则来向交通系统表示(图1)
内的边分配权重。然而，如上所述，预测组件110可以将机器学习技术连同此 处所描述的规则/组件一起使用或作为其替换来使用。预测组件110可包括评审 不与对于所需上下文的速度相关联的道路段的上下文分析器组件202。例如， 一道路段可能不与对于在工作日晚上9:00和9:15之间的道路速度相关联。上 下文分析器组件202然后可以分析与该上下文相邻(例如，在晚上8:45和9:00 之间，以及在晚上9:15和9:30之间)的道路速度，并且可向该道路段(在所 需上下文下)分配至少部分地基于相邻上下文的道路速度的道路速度。在另一 示例中，可以保留与相关上下文相关联的这些道路速度以供进一步的处理/分 析。
另外，上下文分析器组件202可以在离当前的、最近的或正在进展的主干 线交通流量问题的某一距离或半径内评审并分析一年中的月份、季节、 一天是 否是假日、天气条件、道路条件、重大事件(诸如体育比赛和/或文化事件)、 所传感的交通模式(例如，可由固定传感系统、来自驾驶者的传感器等传感)、 交通流量的动态性(例如，自从一交通系统的特定区域被报告为阻塞或解除阻 塞以来的持续时间)、关于任何道路的阻塞或流量的报告、事故、时间、封闭、 施工等的自然语言报告、主要道路是否在对用户的特定半径或道路驾驶距离内 阻塞、到变为阻塞的主要道路的距离、到在某一阈值时间内变为阻塞的道路的 距离、作为(到主干线的)旁路、管道或替换路线的一部分的道路段。这一上 下文信息可用于更新/创建交通系统表示108和/或向用户输出路线(给定特定 上下文)。此外，如果用户在离将来很远的时刻请求路线，则某些上下文信息 可被标记为过时或被简单地忽略(因为传感的条件很有可能改变)。在其它情 况下，可以采用以显式的方式考虑观察结果的时效和将来预报的目标时间的形 式方法，诸如时间序列表示和其它统计时间推理方法。
预测组件110还可包括确定不与对每一所需上下文的速度相关联的道路 的道路类型的道路类型分析器组件204。继续上述示例，道路类型分析器组件 204可以确定道路段是双车道道路还是四车道道路。另外，道路类型分析器组件204可以辨别出包括该道路段的区域的地形以及该道路段的分区信息，诸如 其是否是商业区、农业区、居住区等等。该信息可连同相似上下文下的道路段 的道路速度一起使用或与这一道路速度分开使用来为该道路段估算道路速度。 道路类型可包括，例如，道路是否是公路、主要道路、主干线道路、街道、斜 坡、限制入口公路、摆渡连接等。可被考虑的其它参数包括标出的速度、车道 数、双行道与单行道、公共与私有、收费与免费、铺砌的与为铺砌的、不同方
向之间是否有物理隔离物、段长度、进入叉路(incomingvalence)(接合到该 道路的街道数)、输出叉路(该段所分支到的街道数)、每英里的十字路口、 交通灯及其密度、道路段是否是典型的"事故多发地点"的一部分(例如，经 常发生交通堵塞)、具有高变化和低变化的段处的交通流量等等。
道路类型分析器组件204可考虑其它因素，诸如特定道路段周围附近的地 形、道路段附近的服务、道路段是否靠近运输服务、旅行停留点、汽车服务、 住宿、购物、ATM、银行、紧急帮助中心、市中心、政府设施、教育设施、商 业设施、餐馆、杂货店、餐厅、酒吧/夜总会、休闲设施、公园和/或类似地点。 此外，道路类型分析器组件204可以考虑道路之间的关系，诸如到道路的地理 邻近性、与主干线系统的距离、到公路上匝道或下匝道的距离、道路是否是到 或来自公路的"管道"(例如，能够通过经历少于一阈值的距离到达公路或从 公路出来的主要道路)、道路是否是主要道路或主干线周围的一条或多条"旁 路"路线的一部分、道路是否是路线在主干线事故多发地点(通常是主干线系 统的阻塞部分)周围的边道中的路径的一部分、道路是否是一条或多条"替换" 路线的一部分(例如，道路是用作到阻塞的公路的替换路线的至少一条路径的 一部分)等等。
更高级的观察结果可以通过创建作为相同或不同证据类的不同特征的组 合的新特征来计算，其表示实时观察结果和/或特性和/或结构关系。例如，可 计算考虑了目标道路段和瓶颈已发生了多于特定量的时间的免费高速公路的 当前发生瓶颈的方面之间的关系的观察结果。
用户概况分析器组件206也可被包括在预测组件110内，其中用户概况分 析器组件206可以评审在由交通系统表示108表示的交通系统内行进的个人的 一个或多个驾驶概况。例如，不同驾驶者可按不同的速度行进通过相似的道路段，并且可以为这些驾驶者创建概况。在一个具体示例中，第一驾驶者可能趋 向于以超过标出的限速(当没有被交通禁止时)的每小时5英里的速度驾驶， 而第二驾驶者可能趋向于以低于标出的限速(不论是否被交通禁止)的每小时 5英里的速度驾驶。对于较长的旅程，对这一旅程所估算的时间对于两个驾驶 者可以相差很大的量。可创建若干不同的驾驶概况，并且用户概况分析器组件
206可以选择这些驾驶概况之一。因此，可以辨别出，交通系统表示108的边 和/或节点可以至少部分地基于所确定的概况来加权。
预测组件110还可包括权重分配器组件208，该组件用于至少部分地基于 上下文分析器组件202、道路类型分析器组件204和/或用户概况分析器组件206 所进行的分析来将权重分析给交通系统表示108的边/节点。回头参考上述示 例，上下文分析器组件202可以向权重分配器组件208提供关于所讨论的道路 段的在不同上下文中的道路速度。权重分配器组件208然后可以至少部分地基 于所提供的在相关上下文下的道路速度来对表示特定上下文下的道路段的边 加权。另外地或另选地，道路类型分析器组件204可以确定对于交通系统内的 其它道路段的道路段的一种或多种道路类型，并且权重分配器组件208可以至 少部分地基于道路类型来对表示所讨论的道路段的边加权。例如，边可以被分 配类似于分配给表示其道路类型在相似的上下文下类似于所讨论的道路段的 道路段的边的权重的权重。此外，权重分配器组件208可以在给定所辨别的用 户概况时对边加权。例如，如果驾驶概况映射到比一般驾驶者更慢地行进的驾 驶者，则可降低估算的道路速度。
现在参考图3，示出了便于向交通系统表示分配上下文相关道路速度的系 统300。系统300包括交通系统表示108，其至少部分地基于从在由交通系统 表示108表示的交通系统中行进的驾驶者收集的数据。对这一数据的收集在下 文中有更详细的描述。交通系统表示108可以是和/或包括加权图，其中该图的 各节点表示十字路口，而各边表示十字路口之间的道路段。节点/边可以与上下 文相关道路速度302相关联，使得交通流量在不同的上下文中表示。在一个具 体示例中，可以在给定不同的一周中的天、不同的一天中的时间、不同的天气 条件等时为道路段确定道路速度。上下文相关道路速度302可以通过例如通过 使用GPS接收器收集交通系统内的位置/速度数据来查明。交通系统表示108还可包括与交通系统表示108内表示的每一道路段和/ 或十字路口相关联的道路类型304、区域类型306和/或标出的限速308。道路 类型304可以描述道路段是否是双车道道路、四车道道路、高速公路、际公路、 县公路等。区域类型036可以指示该道路段所在的区域的类型。例如，第一道 路段可在商业区内，而第二道路段可在农业区内。区域类型306还可指示与道 路段相关联的地形类型，诸如山地、相对平坦等。标出的限速308可以与由交 通系统表示108表示的每一道路段相关联。大多数常规的路线规划应用程序包 括关于路面的标出的限速并利用这些限速来确定路线。
系统300另外包括预测组件110。如上所述，预测组件110可以采用一组 级联规则来向不与传感的/收集的数据相关联的道路段分配道路速度统计量。另 外地或另选地，预测组件IIO可以分析交通系统表示108，并通过采用机器学 习组件310来为其各部分推断道路速度。如此处所使用的，术语"推断"通常 指的是根据经由事件和/或数据捕获的一组观察结果来推出或推断系统、环境、 和/或用户状态的过程。例如，推断可用于标识特定的上下文或动作，或可生成 状态的概率分布。推断可以是概率性的——即，基于数据和事件的考虑计算感 兴趣的状态的概率分布。推断也可以指用于从一组事件和/或数据合成更高级事 件的技术。这类推断导致从一组观察到的事件和/或储存的事件数据中构造新的 事件或动作，而无论事件是否在相邻时间上相关，也无论事件和数据是来自一 个还是若干个事件和数据源。机器学习组件310可采用各种分类方案和/或系统 (例如，支持矢量机、神经网络、专家系统、贝叶斯信任网络、模糊逻辑、数 据融合引擎等)来执行关于所要求保护的主题的自动的和/或推断的动作。
例如，机器学习组件310可以分析交通系统表示108，并至少部分地基于 该分析来分配道路速度。在一个具体示例中，交通系统表示108可以包括在各 上下文中，诸如一天中的时间或一周中的天的道路段和十字路口的表示。然而， 从汽车获得在所有所需上下文下在交通系统中的所有道路段上的数据可能是
困难或不合理地昂贵的。然而，如果存在某些收集的数据，则预测组件110可 以对于每一所需上下文对每一道路段智能地估算道路速度。例如，机器学习组 件310可以访问所收集的上下文敏感道路速度，并考虑到与其相关联的上下文、 道路类型、区域类型、标出的限速、用户概况等来分析这些道路速度。机器学习组件310然后可以在给定交通系统表示108中的变量时执行数据挖掘并定位 该交通系统表示内的模式、趋势等。例如，机器学习组件310可以确定关于在 给定第一上下文时第一区域中的第一类型的道路的道路速度与关于在给定相 同的上下文时在第二区域中的第二类型的道路的道路速度相当相似。该模式然 后可用于在特定上下文中向交通系统表示内表示的道路段分配道路速度，其中 道路段不与所收集的/传感的数据相关联。
现在参考图4，示出了能够向用户输出至少部分地基于所预测的/推断的上 下文相关道路速度的方向的路线规划系统400。路线规划系统400包括从用户 接收方向请求的接口组件402，其中请求包括起始点和目的地点。该请求可另 外包括上下文数据和/或上下文数据的指示，诸如旅行何时开始(一天中的时间、 一周中的天、 一年中的时间等等)。路线规划系统400还可包括分析与路线请 求相关联的上下文数据的上下文分析器组件404。例如，上下文分析器组件404 可以确定用户何时将进行旅行，并访问与该旅行的时间和位置相关的天气预 报。然后可以至少部分地基于该请求以及与其相关联的上下文信息来访问交通 系统表示406。
例如，交通系统表示406可以是和/或包括加权图，其中该图的各节点表 示十字路口，而各边表示十字路口之间的道路段。边/节点可以至少部分地基于 与其所表示的道路段/十字路口相关联的道路速度来加权。此外，权重可以在上
下文更改时更改；由此，交通系统表示406更准确地表示了实际交通系统(例 如，在高峰时间一特定道路段的交通流量通常与在午夜该同一道路段上的交通 流量有很大的不同)。至少某些权重可以通过汽车在不同上下文中行进通过交 通系统时监视该汽车来确定。然而，收集关于在不同上下文中交通系统中的每 一道路段的数据可能是极其耗时且困难的。因此，交通系统表示406可以包括 预测的/推断的上下文相关道路速度408，其中这些速度由预测组件IIO(图1-3) 来预测/推断。预测的上下文相关道路速度308可用于完成/完善交通系统表示 406。这使得交通系统表示406能够是不同上下文中的交通系统的稳健表示。 该表示406然后可用于向请求发起者输出方向，其中方向可以在上下文更改时 更改(例如，路线规划系统400输出的最优路线可在给定不同上下文时更改)。 路线规划系统400因此是对于输出与上下文无关的路线的常规路线规划应用的主要改进。
现在参考图5，示出了路线规划系统500。路线规划系统500包括从用户 接收方向请求的接口组件402。上下文分析组件404分析与该请求相关联的上 下文，并且访问交通系统表示406以帮助输出取决于上下文的方向。如上所述， 交通系统表示406可包括预测的上下文相关道路速度408。换言之，交通系统 表示406可以至少部分地基于来自交通系统中的驾驶者的所传感的道路速度， 以及由预测组件110创建的估算的道路速度。由此，路线规划系统500可输出 上下文相关方向。
预测组件110还可通信上耦合到多个传感器502-506，其中传感器可以是 与汽车相关联的GPS接收器、路面上的指示交通流量的传感器等等。传感器 502-506可以与用于收集数据(如可由携带了 GPS系统的小汽车/卡车在执行其 它任务时拾取的)的特设的和/或结构化的传感相关联。由于交通系统本质上是 动态的，因此更新交通系统表示406以使其反映改变的条件是合乎需要的。例 如，特定道路段上的施工可以不仅相对于该道路段，而且有时对于整个交通系 统显著地更改交通流量。另外， 一旦施工完成(例如，将二车道道路拓宽到四 车道道路)，则交通流量可以更改。因此，传感器502-506可用于向交通系统 表示406以及向预测组件IIO提供经更新的数据。预测组件IIO然后可以更新 对不与传感的数据相关联的道路段/十字路口所估算的速度。
路线规划系统500还可用于生成供立即使用的路线和/或可生成供将来使 用的路线(其中这一路线可以用在该时刻传感的上下文信息来更新或不更新)。
例如，用户可以请求将来的时间的两点之间的方向，使得在用户行进时，当前 所传感的信息(例如，天气、道路条件、当前交通流量)可能是不相关的。由 此，当路线规划系统500输出方向时，可以"忽略"一个或多个所传感的参数。 路线规划系统500还可具有接收当前时间点或过去时间t的上下文数据， 并通过使用考虑了将来不同时间的所传感的交通流量的数据集从观察结果中 对将来进行预测的能力。另外地或另选地，可利用统计时间序列方法来预测给 定当前或最近交通状态时的交通演变。这一预测对于长行程可能是有用的，使 得所预测的道路速度可以在期望车辆在给定起始时间的情况下到达特定点时 生成。现在转向图6，示出了便于在两个完全不同的交通系统之间推广的系统
600。系统600包括至少部分地基于所传感的路面参数604的第一交通系统表示602。如上所述，所传感的路面参数604可以从与行进通过由该第一交通系统表示602所表示的交通系统的汽车相关联的传感器获得。另外，第一交通系统表示602可以包括与道路段类型、标出的限速、与道路段相关联的地形等有关的信息。
系统600还可包括至少部分地基于所传感的路面参数608的第二交通系统表示606，其中所传感的路面参数608包括从在由第二交通系统表示606所表示的交通系统中行进的驾驶者收集的数据。更详细而言，第一交通系统表示602可以表示与第一城市相关联的交通系统，而第二交通系统表示606可以表示与第二城市相关联的交通系统。系统600还可包括用于向第一交通系统表示602内的道路段的表示分配路面速度统计量的预测组件110，其中这些道路段不与关于特定上下文所收集的数据相关联。
在该示例系统600中，第一交通系统表示602可以与大量所传感的路面数据相关联。例如，若干汽车可以配备位置/速度设备并且可随时间跟踪。相反，第二交通系统表示606可以与少得多的所传感的数据相关联。预测组件110可以将第一交通系统表示602与第二交通系统表示606进行比较，并至少部分地基于该比较向第二交通系统表示606内的道路段的表示分配道路速度统计量。根据一个示例，预测组件110可以将所传感的路面参数604和608进行比较，并且确定它们之间的相关。例如，所传感的路面参数604可以包括关于一特定道路类型的段的道路速度，其中该传感在工作日的特定时刻发生。所传感的路面参数606可以类似地包括关于同一道路类型的段的道路速度，其中该数据是在工作日的相似时刻传感的。可比较该数据以确定它们之间的相似性(并确定它们之间的差异)。 一旦比较了所传感的路面参数604和606，预测组件IIO可以基于该比较向第二交通系统表示606内的道路段的表示分配道路速度。
可利用调节组件610来基于存在于由交通系统表示602和606所表示的交通系统之间的一般的驾驶差异来修改所分配的道路速度统计量。例如，第一交通系统可以与德克萨斯州的达拉斯相关联，而第二交通系统可以与密歇根州的底特律相关。根据一个示例，达拉斯的驾驶者平均上可能比底特律的驾驶者更快速地驾驶(这是由于例如更易于在底特律发生的危险天气条件)。由此，在具有相似的标出的限速和道路类型的道路段上，道路速度可能不在两个城市之间确切地映射。调节组件610可以识别交通系统之间的这些驾驶差异，并且使得所预测的道路速度统计量被相应地补偿。由此，总之，预测组件110可用于预测/推断道路速度统计量，并至少部分地基于来自不同交通系统的所传感的驾驶数据向不与大量数据相关联的交通系统表示分配道路速度统计量。
现在参考图7，示出了用于构建稳健的交通系统表示的系统700。系统700包括数据存储库702，其包括所传感的时间序列数据704，其中这一数据可在多个驾驶者行进通过交通系统时从这些驾驶者收集。例如，所传感的时间序列数据704可以通过将位置/速度确定传感器(诸如GSP接收器)与交通系统(例如，大都市交通系统)中的多个驾驶者相关联来获得。当从传感器生成数据时，这些数据可与时间戳相关联。由此，生成与位置确定传感器相关联的关于每一相应驾驶者的轨迹日志，然后可将该日志置于所传感的时间序列数据704中。另外，传感器可被配置成仅在车辆运动时记录/输出数据，并且可以在车辆不移动有阈值时间之后和/或当车辆熄火时自动停止记录/输出。传感器可以在与其相关联的车辆开始行进时再次记录/生成数据。分段组件706可以用于辨别个别旅行何时停止和开始。当与汽车相关联的传感器在汽车停止移动有阈值量的时间时停止记录时，驾驶者所进行的大多数(但非全部)个别旅行可由分段组件706通过评审出现在传感器日志中的时间间隙来标识。
然而，存在其中可能无法容易地辨别旅行何处开始和停止的某些情况。例如，驾驶者可能停了较短的一段时间来放下一名旅客。为定位这一情况，例如，分段组件706可以分析所传感的时间序列数据中的日志以确定何时做出了循环(例如从位置A到位置B到位置A)。如果分段组件706检测到循环，则可在该循环中物理上离该循环结束最远的一点处选择分段点。
交通系统标识108可以至少部分地基于所传感的时间序列数据704来构建/定义，并且可以是或包括图，其中图中的各节点表示道路的十字路口，而边表示道路段。单条道路可以由多条边来表示，因为每一道路段(两个十字路口之间的道路的最小未分解部分)可以是图中的单独的边。另外，边和节点可以与其所表示的道路的纬度和经度相关联。 一旦所传感的时间序列数据704被分段成个别旅行，则这些旅行可被"咬合(snap)"到交通系统表示108。这可能 是成问题的，因为例如噪声可能与GPS信号相关联。另外，交通系统表示108 可能是不完美的；例如，两个不同的地图可能将一特定纬度/经度位置定在每一 表示中相对于周围特征略微不同的位置处。由此，所传感的时间序列数据704 在被映射到交通系统表示108时可能不能完美地适合。
可采用咬合组件708来将每一收集的数据点咬合到交通系统表示108内所 表示的适当位置。例如，咬合组件708可以将每一收集的数据点咬合到最靠近 它的道路上的位置，并且可以通过将道路上的位置通过每一相继的对之间的最 短道路上路径连接在一起来重构轨迹日志。在另一示例中，咬合组件708可以 采用隐马尔可夫模型来将轨迹日志咬合到交通系统表示108内的图。非正式地， 隐马尔可夫模型可以考虑关于每一个所收集的原始数据的潜在咬合o,，并且可 以对其每一个选择最佳的道路上咬合A ，使得所得的道路上位置序列尽可能地
平滑，同时维持原始数据和相应的咬合位置之间的邻近性。对于单个所传感的 原始数据(例如，GPS点)的可能咬合位置集o,通过对阈值距离^内的每一道
路段收集关于最接近o,的每一道路段的位置^来创建。在道路网络是密集的时
候可以得到若干候选s,位置，而在稀疏道路覆盖的区域中得到较少的结果。
正式地，可由咬合组件708采用的隐马尔可夫模型可以定义原始和咬合的
所传感的位置(分别是O和S)序列上的以下联合概率，从该概率中可以使用
标准维特比(Viterbi)算法来推导出关于特定轨迹日志的咬合位置的最大概率
序列
乘积中的第一项是观察概率:如果例如GPS接收器实际上在道路上位置A 处，则观察o,有怎样的可能性？该概率可以由GPS接收器的误差特性给出，该
误差特性例如可被建模为具有特定距离(例如，10米)的标准差的零均值高斯 型。乘积中的第二项是转移概率如果在记录先前的测量时已知传感设备在位 置^,处，则道路上位置^有怎样的可能性？这可被定义为分式l，其中"是从
V，到^的直线距离，而6是两者之间的最短道路上路径。这一定义可以惩罚绕 转角的转移，从而强调了在行进中转弯是相对稀少的概念。因弯曲道路上的两 个相继点而导致的假"惩罚"可被忽略，因为位置数据可以用相对高的频率(例如，每6秒钟或更少)来收集。另外，远咬合位置之间的转移可被惩罚，因为
一般在两者之间没有道路上的直线路径。可以注意到^<1，且咬合组件708可
以归一化，使得从隐马尔可夫模型的每一节点发出的转移概率总和为1。
在另一示例中，咬合组件708可以使用关于转移概率的替换定义。gp，可 以分配其大小与转移中的"跳"(道路段转移)数成反比的值。在这一情况下， 最短道路上连接路径包括三个道路段的一对点将具有比同一段上的一对点低 的概率。对于转移概率的另一替换是对相同的道路上的点之间的转移使用单个
固定的概率，而对不同的道路的转移使用单独的、更低的概率。然而，定义这
些概率可能是困难的任务两个概率之间的较大的比率会导致保持在单条道路
上的道路上路线达到忽略所收集的数据的程度，而较小的比率会对可能含噪声 的读数施加太多的强调。
一旦将轨迹日志映射到道路段，则速度分析组件710可以随着不同的时间 将不同权重关联到交通系统表示108的图中的边/节点。例如，速度分析组件 710可以通过将一周中的各天分成多个类别并将这些类别分成若干时间片来学 习关于道路的时间相关交通速度。出于说明的目的，可以假定速度分析组件710 将一周中的各天分成两个类别工作日和周末。这些类别然后可被分成96个 时间片覆盖一天24小时的15分钟的时间块。然而，可以理解，速度分析组 件710可以创建与任何种类的上下文数据相关联的类别。例如，速度分析组件 710可以基于天气条件、假日等来创建类别。
继续上述示例，速度分析组件710可以通过检査咬合的轨迹中每一对相继 的GPS点(A， B)来学习关于所分解的每一一天中的时间和工作日/周末的单 独的速度。可以计算每一对之间的驾驶者的速度，并且可利用该速度来为从A 到B所经历的每一道路段创建移动平均。可以向与其时间特性匹配速度计算中 所涉及的所收集的数据的时间戳的时间特性的时间块相关联的移动平均应用 速度测量。由此，速度分析组件710可以确定各类别(一天中的时间、 一周中 的天……)中的道路段相关联的速度。速度分析组件710然后可以将这一数据 与交通系统表示108相关联，使得边和节点基于所收集的数据来加权。
然而，可以辨别可能无法获得每一类别中关于交通系统中的每一道路的数 据。由此，道路速度可以在给定"相似"道路段的已知道路速度时来推广。更详细而言，预测组件IIO可以分析交通系统表示108，并向不与对每一类别所收集的数据相关联的道路段分配速度值。例如，对于其中没有数据可用的道路
段和时间段，预测组件iio可以分配与在相邻时间块中的相同道路段相关联的
速度。如果没有与相邻时间块相关联的速度，则预测组件110可以分配来自相
似道路的速度和/或来自相似道路的系统级速度平均，其中相似性可以按照交通
系统表示108内的道路类来定义。另外，相似性可以通过分析限速、道路段的
地理邻近性、道路段的地理位置等来确定。此外，如果不能定位相似道路和/或系统级速度平均不可用，则关于一时间段的速度可被定义为标出的限速。此
外，如上所述，预测组件110可以利用机器学习技术/系统来学习交通系统表示108内的模式/相关，并至少部分地基于所学习的模式、相关和/或趋势来向道路段分配道路速度。
现在转向图8，示出了被提供来表示与输出两点之间的路线有关的数据流的系统800。系统800包括道路段特性数据库802，其可以包括与同所传感的数据相关联的道路段有关的数据，包括道路段特性、附近地形、附近资源和其它合适的数据。这一信息可以是道路段范例库804的一部分，该范例库也可以与记入日志的、与道路段特性数据库802内的一个或多个道路段相关的数据相关联。例如，道路段范例库804可以包括或接收来自若干同质源的数据，诸如记入日志的GPS数据、来自道路传感器的数据、事件日历、指示一天中的时间的时钟等等。当与来自道路段特性数据库802的数据组合时，可以计算到道路之间的关系和特性。
预测组件IIO可以接收这些关系和特性，并向不与所传感的数据相关联的道路分配上下文和结构敏感速度统计量。路线规划系统806可以接收两点之间的驾驶请求，并且路线规划系统806可以通过使用上下文敏感速度统计量来输出路线。例如，路线规划系统806可以利用Dykstra算法、A+算法、其变体、和/或任何其它合适的搜索算法来确定与用户偏好(例如，时间、距离和/或风险偏好)相一致的方向。此外，路线规划系统806可以接收时间偏好(例如，用户将在几天内而非现在沿该路线行进)并至少部分地基于所提供的时间来输出方向。在这一情况下，如果从传感器接收到的实时数据经受改变，则路线规划系统806可以忽略这一数据。如果输出关于当前时间的方向，则路线规划系统806可以在向用户输出方向时接收并考虑实时的和/或高速缓存的观察结果。
现在参考图9-12，将通过一系列动作来描述根据所要求保护的主题的方
法。可以理解并明了，所要求保护的主题不受动作次序的限制，因为某些动作 与本文所示和描述相比，可以按不同的次序发生和/或与其他动作同时发生。例 如，本领域技术人员将会明白并理解，方法可被替换地表示为一系列相互关联 的状态或事件，诸如以状态图的形式。而且，并非所有示出的动作都是实现根 据所要求保护的主题的方法所必需的。另外还应该明白，下文以及本说明书全 文中所公开的方法能够被存储在制品上，以便于把此类方法传送和转移到计算 机。在此使用的术语"制品"意指包含可以从任何计算机可读设备、载体或介 质访问的计算机程序。
具体地参考图9，示出了用于为交通系统中的道路段自动估算/预测道路速 度统计量的方法900。方法卯0在902处开始，并在904处接收交通系统表示。 该交通系统表示可以包括道路段和十字路口的表示、所传感的关于沿着道路段 和/或通过十字路口行进的汽车的速度、道路段类型、包含道路段的区域、标出 的限速等等。此外，该交通系统表示可以是和/或包括加权图，其中该图的各节 点表示十字路口，而各边表示十字路口之间的道路段。边和节点可以被加权以 便例如表示与道路段/十字路口有关的速度。此外，权重可以根据上下文来更改。 由此，在第一天与一条边相关联的权重可以不同于在第二天与同一条边相关联 的权重。
在906处，评审交通系统表示以确定不与对每一上下文类别所收集的数据 相关联的道路段。根据一个示例，可创建交通系统表示，使得权重可随着一天 中的时间和一周中的天的改变而更改。由此，单个道路段可理想地与几个道路 速度统计量(例如，对一周中的每一天和其中的天的每一时间的不同权重)相 关联。由此，可确定其中对于每一所需上下文类别(例如，对一周的每一天的 一天中的每一时间)没有确定速度的道路段。在908处，鉴于所确定的道路段 来分析交通系统表示。例如，可分析与相同或相似道路段相关联的所传感的位 置/速度数据，以确定道路段之间的模式/相关。这一分析在上文中已有详细描 述。
在910处，至少部分地基于该分析来自动分配在906处确定的关于道路段的道路速度统计量。换言之，例如，可向在交通系统内的图的边和/或节点提供权重。权重可以通过利用若干级联规则、通过机器学习技术/系统等来分配。方
法900在912完成。
现在参考图10，示出了用于向交通系统表示中的道路段的表示分配道路速度统计量的方法1000。方法1000在1002处开始，并且在1004处，确定不与对每一上下文类别传感的道路速度相关联的道路段。例如，如上所述，交通系统表示可以表示实际的交通系统，其中在给定不同上下文时交通流量是不同的(例如，在高峰时间有比高峰时间之外更多的交通量)。在1006处，确定对于同一道路段的相关上下文是否与道路速度数据相关联。例如，如果交通系统表示在15分钟的时间块上更改，并且道路段不与对至少一个这样的块所传感的道路速度相关联，则分析关于该道路段的相邻时间块以确定对于这些时间块是否存在道路速度。可以理解，时间仅是一个示例，因为道路段可以与给定一周中的特定天、天气条件、体育比赛事件等时的道路速度相关联。如果在同样道路段上存在关于相关上下文的道路速度数据，则在1008处，可以根据关于相关上下文的该道路段的道路速度函数向关于特定上下文的道路段分配道路速度。
如果没有关于给定相关上下文时的道路段的道路速度数据，则在1010处，
可定位相似道路段。相似性可以基于所分配的道路类型(例如，二车道、四车
道、十字路口之间的道路段的长度……)、包括道路的区域的地形、标出的限
速、或可指示道路之间的相似性的任何其它合适的数据。在1012处，确定相
似道路段是否被分配了速度数据(尤其是对于对其期望道路速度数据的相似上
下文)。如果相似段与道路速度数据相关联，则在1014处，可以根据分配给
相似道路段的道路速度将道路速度分配给在1004处定位的道路段。如果没有
被分配给相似道路段的道路速度，则在1016处，可以根据与道路段相关联的标出的限速来分配道路速度。方法1000然后在1018完成。
现在转向图11，示出了用于为交通系统中的道路段自动分配道路速度的方法IIOO。方法1100在1102处开始，并在1104处接收交通系统表示。该交通系统表示可以包括道路段表示、十字路口表示、给定不同上下文时与道路段和/或十字路口相关联的所传感的速度、道路段类型、与道路段相关联的地形、标出的限速等等。在1106处，相对于所传感的数据来分析交通系统表示。例 如，可以采用贝叶斯系统、人工神经网络、支持矢量机、或任何其它合适的机 器学习系统/技术来分析交通系统表示。这一分析可导致确定在相似上下文上对 于相似道路段的模式、相关和/或趋势。
在1108处，定位不与对每一归类的上下文传感的数据相关联的道路段。
在1110处，至少部分地基于该分析向在1108处定位的道路段自动分配道路速
度。由此，可推断给定特定上下文时关于交通系统所传感的数据以确定可以被
分配给交通系统内的其它道路段的道路速度。方法1100然后在1112完成。
现在转向图12，示出了用于利用在各种上下文中关于特定道路段的所估 算的/分配的道路速度来输出驾驶方向的方法1200。方法1200在1202处开始， 并且在1204处接收对于所提供的起始点和结束点之间的驾驶方向的请求。该 请求可通过例如因特网来接收。另外地或另选地，在汽车中可以预先存在路线 规划应用程序，并且对方向的请求可以通过例如汽车控制台上的接口来提供。 在1206处，可分析与请求相关联的上下文。例如，请求的发起者可以提供关 于将何时进行旅行的信息。此外，可以分析当前的或预测的天气条件，可分析 与旅行相关联事件等等。
在1208处，输出方向，其中方向至少部分地基于预测的/推断的/预报的道 路速度。例如，可利用交通系统表示来输出方向，其中交通系统对上下文敏感。 根据一个具体示例，该交通系统表示可以包括代表交通系统的加权图，其中图 的节点表示十字路口，边表示与十字路口相关联的道路段，而与边/节点相关联 的权重表示给定变化的上下文时的道路段/十字路口的道路速度。因此，通过使 用交通系统表示输出的驾驶方向在给定不同的上下文时可以在两个相同的点 之间不同(正如高峰时间期间两点之间的最优路线不同于午夜在相同的两点之 间的最优路线一样)。交通系统表示内的至少某些道路速度可以通过分析与给 定特定上下文时的道路段相关联的所传感的数据来估算/预测/分配。以上描述 了确定道路速度。方法1200然后在1212完成。
共同地参考图13和14，示出了地图的屏幕截图1300和1400，其上覆盖 了与汽车中的位置传感器相关联的数据点。屏幕截图1300示出其中收集了数 据的大都市地区的高级视图，而屏幕截图1400包括覆盖地图的所收集的数据的更详细的图示。这些数据点可以随着时间与多个不同的驾驶者相关联。在查看屏幕截图1400时，可以辨别出数据点通常不映射到路面，即使大多数这样的数据点是从这些路面上的车辆中获得的。因此，重要的是仔细地将这些数据点"咬合"到路面以便能够创建不同上下文上的稳健的交通流量表示。在一个示例中，可以利用隐马尔可夫模型来将数据点咬合到相关联的道路段。
转向图15，示出了可用于预测一个或多个道路段上的速度统计量的示例
贝叶斯模型1500。贝叶斯模型1500被设计成在预测关于一个或多个道路段的速度统计量时考虑一个或多个参数。例如，各种传感器可以确定一天中的时间、一周中的天以及可能对道路段上的行进速度有影响的其它上下文信息。另外，在贝叶斯模型1500内可以考虑道路类型，包括其是二车道还是四车道道路、公共还是私有等。此外，不同道路段中的交通流量之间的状态和关系可以影响道路段上的概率分布的改变。例如，某些道路段上的当前瓶颈可能对不同道路段上的预期行进速度有影响。提供示例贝叶斯模型1500以示出可用于预测道路速度统计量的示例参数。
现在参考图16，示出了可由预测组件110 (图1-3、 5-8)用于为在给定特定上下文时的未传感道路段预测道路速度和/或速度比率的示例模型1600。模型1600可用于向用户输出点之间的方向，其中该方向可以基于对一个或多个道路段做出的推断。模型1600可以考虑实时的主要事件、计算的道路关系(例如，地理相似性、地理邻近性……)、天气、道路段特性、诸如ATM、服务的位置等附近资源、实时状态和流量关系(从传感器获得)、以及天气。可利用变量的特定组合来准确地预测/估算给定不同上下文时特定道路段上的速度，且由此用于向用户输出取决于上下文的方向。
更详细而言，为确定速度比率或其它合适的速度统计量，可考虑实时的主要事件1602，包括体育比赛事件、文化事件和/或类似事件。另外，时间、天和月数据1604可以对一个或多个预测的速度统计量有影响。另外，预测的速度统计量可以取决于附近资源1606，诸如游乐园、购物等。天气1608可对行进速度有影响(例如，当在下雨时，驾驶员往往比在晴天时驾驶得更慢)。此外，道路段特性1610，包括车道数、标出的限速以及其它合适的特性可在对一个或多个道路段预测速度统计量时在模型1600中考虑。此外，道路段的实时流量状态和关系1612可以导致预期速度改变。例如， 如果在特定位置检测到瓶颈，则由于经由连接的以流量为中心的因果关联以及 在给定整个交通系统中的多个关系和影响时的更高阶效应，这一瓶颈可导致预 期速度统计量在该位置以及多个其它位置处改变。在一般的情况下，所计算的
流量关系1614，诸如瓶颈和流量如何在不同的时间(现在和在将来的各种时间)
互相影响，可在预测行进速度统计量时对一个或多个道路段考虑。最后，模型
1600可以考虑计算的道路关系1616，诸如地理邻近性、到和自上匝道或下匝 道的距离等等。
为了提供有关所要求保护的主题的各个方面的额外的上下文，图17以及 以下讨论旨在提供其中可以实现各方面的适合操作的环境1410的简要、概括 描述。尽管所要求保护的主题是在诸如程序模块等由一个或多个计算机或其它 设备执行的计算机可执行指令的通用上下文中描述的，但本领域的技术人员将 认识到，本发明还能够结合其它程序模块和/或作为硬件和软件的组合来实现。
然而，通常，程序模块包括执行特定任务或实现特定数据类型的例程、程 序、对象、组件、数据结构等。操作环境1410只是合适的操作环境的一个示 例，并不旨在对此处所描述的特征的使用范围或功能提出任何局限。适用于所 要求保护的主题的其他公知的计算机系统、环境、和/或配置，包括但不限于， 个人计算机、手持式或膝上型装置、多处理器系统、基于微处理器的系统、可 编程的消费电子产品、网络PC、小型计算机、大型计算机、包括以上系统或 设备的分布式计算环境等等。
参考图17，可用于为交通系统中的道路段估算道路速度的示例性环境 1710包括计算机1712。计算机1712包括处理器单元1714、系统存储器1716 和系统总线1718。系统总线1718将包括但不限于系统存储器1716的系统组件 耦合到处理单元1714。处理单元1714可以是各种可用处理器中的任一种。双 微处理器和其它多处理器体系结构也可用作处理单元1714。
系统总线1718可以是若干类型的总线结构中的任一种，包括存储器总线 或存储器控制器、外围总线或外部总线、和/或使用各种可用的总线体系结构中 的任一种的局部总线，可用的总线体系结构包括，但不限于，8位总线、工业 标准体系结构(ISA)、微通道体系结构(MCA)、扩展的ISA (EISA)、智能驱动器电子接口 (IDE) 、 VESA局部总线(VLB)、外围部件互连(PCI)、通用串行总线(USB)、高级图形接口 (AGP)、个人计算机存储卡国际协会总线(PCMCIA)以及小型计算机系统接口 (SCSI)。系统存储器1716包括易失性存储器1720和非易失性存储器1722。基本输入/输出系统(BIOS)包含诸如在启动期间在计算机1712的元件之间传送信息的基本例程，其存储在非易失性存储器1722中。作为说明而非局限，非易失性存储器1722可以包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM (EPROM)、电可擦除ROM (EEPROM)或者闪存。易失性存储器1720包括用作外部高速缓冲存储器的随机存取存储器(RAM)。作为示例而非限制，RAM以多种形式可用，诸如同步RAM( SRAM)、动态RAM( DRAM )、同步DRAM( SDRAM)、双倍数据速率SDRAM (DDR SDRAM)、增强型SDRAM (ESDRAM)、同步链路DRAM (SLDRAM)以及直接Rambus总线RAM (DRRAM)。
计算机1712还包括可移动/不可移动、易失性/非易失性计算机存储介质。例如，图17示出了盘存储1724。盘存储1724包括但不限于诸如磁盘驱动器、软盘驱动器、磁带驱动器、Jaz驱动器、Zip驱动器、LS-100驱动器、闪存卡、或者记忆棒之类的设备。此外，盘存储1724可以包括独立的或者与其它存储介质结合的存储介质，包括但不限于诸如紧致盘ROM设备(CD-ROM)、可记录CD驱动器(CD-R驱动器)、可重写CD驱动器(CD-RW驱动器)或者数字多功能盘ROM驱动器(DVD-ROM)这样的光盘驱动器。例如，DVD-ROM驱动器可用于从DVD中读取视频内容。为了便于将盘存储设备1724连接到系统总线1718，通常使用诸如接口 1726等可移动或不可移动接口。
应该明白，图17描述了在用户和在合适的操作环境1710中描述的基本计算机资源之间担当中介的软件。这样的软件包括操作系统1728。存储在盘存储1728上的操作系统1724用于控制并分配计算机系统1712的资源。系统应用程序1730通过存储在系统存储器1728或盘存储1732上的程序模块1734和程序数据1724利用了操作系统1716对资源的管理。应该明白，本发明可用各种操作系统或操作系统的组合来实现。
用户通过输入设备1736把命令或信息输入到计算机1712中。输入设备1736包括但不限于诸如鼠标、跟踪球、指示笔、触摸垫等定点设备、键盘、话筒、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪、TV调谐卡、数码相机、数码摄像机、网络摄像头、遥控器等等。这些以及其它输入设备通过系统总线
1714经由接口端口 1738连至处理单元1718。接口端口 1738包括，例如串行端口、并行端口、游戏端口、以及通用串行总线(USB)。输出设备1740利用和输入设备1736相同类型的某些端口。因此，例如，USB端口可以用来向计算机1712提供输入，以及把来自计算机1712的信息输出到输出设备1740。提供输出适配器1742来示出存在如监视器、扬声器、打印机以及其他输出设备1740等需要特殊适配器的一些输出设备1740。输出适配器1742包括，作为说明而非局限，提供输出设备1740和系统总线1718之间的连接手段的显卡和声卡。应该注意到，其它设备和/或设备系统提供了输入和输出能力，诸如远程计算机1744。
计算机1712可以使用至诸如远程计算机1744等一个或多个远程计算机的逻辑连接在网络化环境中操作。远程计算机1744可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的电器、对等设备或者其它常见的网络节点等，且通常包括相对于计算机1712所描述的很多或者全部元件。为了简明起见，对远程计算机1746仅示出了存储器存储设备1744。远程计算机1744经由网络接口 1748被逻辑地连接到计算机1712，然后经由通信连接1750物理地连接。网络接口 1748涵盖诸如局域网(LAN)和广域网(WAN)这样的通信网络。LAN技术包括光纤分布式数据接口 (FDDI)、铜分布式数据接口、以太网/IEEE 802.3、令牌环/IEEE 802.5等。WAN技术包括但不限于，点对点链路、诸如综合业务数字网(ISDN)及其各种变体等电路交换网、分组交换网、以及数字用户线(DSL)。
通信连接1750指的是用于把网络接口 1748连接到总线1718的硬件/软件。虽然为了清楚地举例说明，通信连接1750被示为在计算机1712的内部，但其也可以在计算机1712的外部。连接到网络接口 1748所需要的硬件/软件包括，仅出于示例的目的，内部和外部技术，诸如包括常规电话级调制解调器、电缆调制解调器以及DSL调制解调器的调制解调器、ISDN适配器和以太网卡。
图18是要求保护的主题可以与之交互的示例性计算环境1800的示意性框图。系统1800包括一个或多个客户机1810。客户机1810可以是硬件和/或软件(例如，线程、进程、计算设备)。系统1800还包括一个或多个服务器1830。服务器1830也可以是硬件和/或软件(例如，线程、进程、计算设备)。服务器1830可以容纳各线程以通过例如利用所要求保护的主题来执行转换。在客户机1810和服务器1830之间的一种可能的通信能够以适合在两个或多个计算机进程之间传输的数据分组的形式进行。系统1800包括可以用来使客户机1810和服务器1830之间通信更容易的通信框架1850。客户机1810可在操作上连接到一个或多个可以用来存储对客户机1810本地的信息的客户机数据存储1860。同样地，服务器1830可在操作上连接到一个或多个可以用来存储对服务器1840本地的信息的服务器数据存储1830。在一个具体示例中，服务器可以包括可由客户机通过网络来访问的路线规划系统。用户可以通过经由客户机和网络向服务器内的路线规划系统提交请求来向路线规划系统请求驾驶方向，并且路线规划系统然后可以向客户机输出所得的驾驶方向。
以上所已经描述的内容包括所要求保护的主题的各方面的例子。当然，出于描绘这一主题的目的而描述每一个可以想到的组件或方法的组合是不可能的，但本领域内的普通技术人员应该认识到，许多进一步的组合和排列都是可能的。因此，所要求保护的主题旨在涵盖所有这些落入所附权利要求书的精神和范围内的改变、修改和变动。此外，就在说明书或权利要求书中使用术语"包括"而言，这一术语旨在以与术语"包含"在被用作权利要求书中的过渡词时所解释的相似的方式为包含性的。
权利要求
1. 一种便于为不与对所有所需上下文传感的数据相关联的道路段预测道路速度或速度的概率分布的系统，包括接收交通系统表示(108)的接收器组件(104)，所述交通系统表示包括为不同上下文中的多个道路段传感的速度；以及分析所述交通系统表示并向所述交通系统表示内的道路段自动分配平均速度和速度的概率分布中的至少一个的预测组件(110)。
2. 如权利要求1所述的系统，其特征在于，所述预测组件包括利用机器学习技术来确定所述交通系统表示内道路段之间的模式和趋势的机器学习组件，所述预测组件至少部分地基于所确定的模式和趋势来分配所述平均速度和所述速度的概率分布中的至少一个。
3. 如权利要求1所述的系统，其特征在于，所述预测组件包括确定在给定不同上下文时关于所述道路段的所传感的速度的上下文分析器组件，所述预测组件根据在给定所述不同上下文时所传感的速度来分配所述平均速度和所述速度的概率分布中的至少一个。
4. 如权利要求1所述的系统，其特征在于，所述预测组件包括定位与用与所述道路段相似的道路类型来标记的道路段相关联的所传感的速度的道路类型分析器组件，所述预测组件根据与同所述道路段类型相似的道路段相关联的所传感的速度来分配所述平均速度和所述速度的概率分布中的至少一个。
5. 如权利要求1所述的系统，其特征在于，所述交通系统表示包括加权图，其中节点表示十字路口，边表示所述十字路口之间的道路段，而权重至少部分地基于表示所述道路段的道路速度的统计量。
6. 如权利要求5所述的系统，其特征在于，所述交通系统表示内的权重随着上下文的更改而更改。
7. 如权利要求5所述的系统，其特征在于，所述交通系统表示包括上下文相关道路速度、指示道路段的道路类型的数据、指示与其它道路的关系的数据、与交通流量问题相关联的道路、指示标出的限速的数据、指示地形类型的数据、指示商业和服务的数据、以及与道路段相关联的建筑物的类型。
8. 如权利要求5所述的系统，其特征在于，所述预测组件分析实时地传感的参数，并至少部分地基于道路段之间的空间关系和所述实时地传感的参数来向所述道路段自动分配所述平均速度和所述速度的概率分布中的至少一个，所述实时地传感的参数包括事故位置、天气和传感的交通流量中的至少一个。
9. 如权利要求1所述的系统，其特征在于，还包括第二交通系统表示，所述预测组件至少部分地基于对所述交通系统表示的分析来向所述第二交通系统表示内的道路段分配一个或多个速度统计量。
10. 如权利要求l所述的系统，其特征在于，所述系统是路线规划系统，所述路线规划系统使用Dykstra、 A*、 Dykstra的变体和A—的变体搜索算法中的至少一个以及所述平均速度和所述速度的概率分布中的至少一个来向用户输出点之间的路线。
11. 如权利要求IO所述的系统，其特征在于，所输出的路线是关于当前时间和将来时间之一的，所述路线规划系统至少部分地基于上下文数据的预测来输出所述路线，其中所述预测基于在先前的时间点收集的证据。
12. —种用于预测与交通系统表示内的道路段上的速度相关的统计量的方法，包括以下计算机可执行动作分析与交通系统相关联的所传感的数据，所传感的数据包括给定不同上下文时所述道路段上的行进速度统计量；以及至少部分地基于所述分析自动预测关于不与行进速度统计量相关联的道路段的行进速度统计量。
13. 如权利要求12所述的方法，其特征在于，分析所传感的数据包括推断所传感的数据以确定道路段类型和平均行进速度之间的相关。
14. 如权利要求12所述的方法，其特征在于，还包括利用特设和结构化传感中的至少一个来获得关于所述交通系统内的道路段的行进速度统计量。
15. 如权利要求12所述的方法，其特征在于，还包括分析所述交通系统表示以定位未被分配表示关于每一期望上下文的行进速度的一个或多个统计量的道路段的表示。
16. 如权利要求12所述的方法，其特征在于，还包括分析上下文相关道路速度、指示道路段的道路类型的数据、指示与其它道路的关系的数据、与交通流量问题相关联的道路、指示标出的限速的数据、指示地形类型的数据、指示商业和服务的数据、以及与道路段相关联的建筑物的类型中的至少一个，来自动预测关于道路段的行进速度统计量。
17. 如权利要求ll所述的方法，其特征在于，还包括接收对驾驶方向的请求；以及至少部分地基于所述请求和所述自动预测的行进速度统计量来输出驾驶方向。
18. 如权利要求17所述的方法，其特征在于，还包括输出关于将来行进时间的驾驶方向，其中在输出所述驾驶方向时忽略至少一个当前传感的参数。
19. 如权利要求18所述的方法，其特征在于，还包括利用Dykstra、 A*、Dykstra的变体、八*的变体搜索方法中的至少一种来输出所述方向。
20. —种用于创建稳健的交通系统表示的系统，包括用于接收关于交通系统内的道路段的传感的行进速度统计量的计算机实现的装置(102);用于分析所传感的行进速度统计量的计算机实现的装置(110);以及用于至少部分地基于所述分析来预测在多个上下文中关于道路段的行进速度统计量的计算机实现的装置(110)。
全文摘要
描述了集中于对预测道路速度的模型的开发和使用的传感、学习、推断和路线分析模型。在使用中，该系统包括接收交通系统表示的接收器组件，该交通系统表示包括关于不同上下文中多个道路段的速度。预测组件分析该交通系统表示，并自动地向该交通系统表示内的道路段分配速度，由此提供了关于不同上下文的更真实的速度，而在这些不同上下文中以前只有统计量和/或标出的限速可用。预测组件通过考虑可用速度信息以及诸如道路特性、不同类型的道路之间的地理关系、附近地形和商业、以及道路段附近的其它资源等信息和/或上下文信息，来做出关于在当前时刻或指定的将来时刻各道路段的速度的预测。
文档编号G06F19/00GK101479733SQ200780024336
公开日2009年7月8日 申请日期2007年6月20日 优先权日2006年6月30日
发明者E·J·霍维茨, M·S·萨布拉曼尼, P·B·科齐, S·斯里尼瓦桑 申请人:微软公司