KR20060092909A - 확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을이용하는 교통 예측 - Google Patents

Abstract

주요 상습 정체 구역에 혼잡이 있게 될 때까지의 시간 및 혼잡이 해결될 때까지의 시간을 나타내는 변수를 비롯한 일련의 랜덤 변수로 교통 시스템을 추상화한 것에 기초하여 교통 흐름 및 혼잡에 관한 예측을 행할 수 있는 예측 모델을 통계적 기계 학습에 기초하여 구축하는 시스템 및 방법이 기술되어 있다. 관측 데이터는 교통 흐름 및 역동성(dynamics)과, 시각, 요일, 휴일, 학교 상황, 및 스포츠 행사 등의 주요 집회의 타이밍 및 특성, 일기 예보, 교통 사고 보고, 및 공사 및 폐쇄 보고 등의 기타의 정황 데이터(contextual data)를 포함한다. 이 예측 방법은 데스크톱 상에, 모바일 장치 상에, 및 오프 라인 및 실시간으로, 혼잡에 대한 예측에 관한 디스플레이 그래픽 정보를 경보하고 또 자동화된 경로 추천 및 계획을 경보하는 데 사용된다.

교통 예측, 예측 모델, 정황 데이터, 케이스 라이브러리

Description

확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을 이용하는 교통 예측{TRAFFIC FORECASTING EMPLOYING MODELING AND ANALYSIS OF PROBABILISTIC INTERDEPENDENCIES AND CONTEXTUAL DATA}

도 1은 돌발적인 사건의 예측을 생성하는 것을 용이하게 해주는 시스템의 상위 레벨 블록도.

도 2는 돌발적인 사건의 예측을 생성하는 것과 관련하여 정황 데이터를 수신하고 수신된 정황 데이터를 이용하는 것을 용이하게 해주는 시스템의 블록도.

도 3은 돌발적인 사건의 장래의 발생을 예측하는 예측 모델을 분석하는 것 및 이를 자동적으로 업데이트하는 것을 용이하게 해주는 시스템의 블록도.

도 4는 돌발적인 사건의 예측을 생성하는 것을 용이하게 해주는 시스템의 블록도.

도 5는 돌발적인 사건의 장래의 발생을 예측할 수 있는 예측 모델을 구축하는 것을 용이하게 해주는 시스템의 블록도.

도 6은 사용자에게 돌발적인 것이 될 사건의 장래의 발생을 예측하는 방법을 예시한 흐름도.

도 7은 돌발적인 사건의 장래의 발생을 예측하는 방법을 예시한 흐름도.

도 8은 예측 모델을 자동적으로 업데이트하는 방법을 예시한 흐름도.

도 9는 돌발적인 사건의 장래의 발생을 예측할 수 있는 예측 모델을 생성하는 방법을 예시한 흐름도.

도 10은 사용자가 정의된 경로 및 통과 시간에 따라 경보를 커스터마이즈할 수 있게 해주는 도구의 예시적인 스크린샷을 나타낸 도면.

도 11 및 도 12는 청구된 발명 대상의 하나 이상의 신규의 측면을 나타낸 예시적인 스크린샷을 나타낸 도면.

도 13 내지 도 16은 돌발적인 사건의 장래의 발생을 예측하는 것과 관련하여 이용되는 변수들 간의 상호 의존 관계를 나타낸 예시적인 네트워크를 나타낸 도면.

도 17 및 도 18은 청구된 발명 대상의 하나 이상의 측면과 관련하여 이용될 수 있는 이력 데이터를 나타낸 예시적인 그래프.

도 19는 돌발적인 사건의 발생을 예측하는 것과 관련하여 이용되는 변수들 간의 상호 의존 관계를 나타낸 예시적인 네트워크를 나타낸 도면.

도 20은 청구된 발명 대상의 하나 이상의 측면의 실제 응용을 나타낸 스크린샷을 나타낸 도면.

도 21은 돌발적인 사건의 발생을 예측하는 것과 관련하여 이용되는 변수들 간의 상호 의존 관계를 나타낸 예시적인 네트워크를 나타낸 도면.

도 22는 청구된 발명 대상의 하나 이상의 측면의 실제 응용을 나타낸 스크린샷을 나타낸 도면.

도 23은 돌발적인 사건의 발생을 예측하는 것과 관련하여 이용되는 변수들 간의 상호 의존 관계를 나타낸 예시적인 네트워크를 나타낸 도면.

도 24는 청구된 발명 대상의 하나 이상의 측면의 실제 응용을 나타낸 스크린샷을 나타낸 도면.

도 25 내지 도 29는 청구된 발명 대상의 여러가지 측면의 하나 이상의 실제 응용을 나타낸 스크린샷을 나타낸 도면.

도 30은 청구된 발명 대상의 하나 이상의 측면과 관련하여 이용될 수 있는 예시적인 모바일 장치를 나타낸 도면.

도 31은 적당한 오퍼레이팅 환경을 나타낸 개략 블록도.

도 32는 청구된 발명 대상과 상호작용할 수 있는 샘플 컴퓨팅 환경의 개략 블록도.

<도면의 주요 부분에 대한 부호의 설명>

102, 202, 302, 402, 514: 예측 모델

502: 케이스 라이브러리

518: 사용자 예상 모델

510: 모델 생성기

512: 기계 학습 컴포넌트

516: 돌발 사태 정의

[문헌 1] 미국 특허 가출원 제60/628,267호 "SYSTEM AND METHOD FOR PREDICTION AND PRESENTATION OF ATYPICAL EVENTS" (2004년 11월 6일)

[문헌 2] 대리인 문서 번호 MS311463.01/MSFTP915US "PRECOMPUTATION AND TRANSMISSION OF TIME-DEPENDENT INFORMATION FOR VARYING OR UNCERTAIN RECEIPT TIMES" (2005년 6월 30일)

[문헌 3] 대리인 문서 번호 MS311464.01/MSFTP916US "BUILDING AND USING PREDICTIVE MODELS OF CURRENT AND FUTURE SURPRISES" (2005년 6월 30일)

[문헌 4] 대리인 문서 번호 MS311466.01/MSFTP917US "METHODS FOR AUTOMATED AND SEMIAUTOMATED COMPOSITION OF VISUAL SEQUENCES, FLOWS, AND FLYOVERS BASED ON CONTENT AND CONTEXT" (2005년 6월 30일)

본 발명은 확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을 이용하는 교통 예측에 관한 것이다.

전자적 저장 메카니즘은 대량의 데이터의 축적을 가능하게 해주었다. 예를 들어, 기록을 위해 이전에는 다량의 기록부가 필요하였던 데이터가 이제는 인쇄 종이의 비용을 들이지 않고 또 종이의 저장을 위해 필요한 공간의 아주 일부만으로 전자적으로 저장될 수 있다. 한 특정의 예에서, 이전에는 종이 기록부에 기록되었던 권리 증서 및 저당 증서가 이제는 전자적으로 저장될 수 있다. 게다가, 센서 및 기타의 전자 메카니즘의 진보는 이제 대량의 데이터가 실시간으로 수집될 수 있게 해준다. 예를 들어, GPS 시스템은 위성 및 GPS 수신기에 의해 개인 또는 개체의 위치를 판정할 수 있다. 이들에 연결된 전자적 저장 장치는 이어서 이러한 시 스템과 연관된 위치를 유지하는 데 사용될 수 있다. 여러가지 기타의 센서 및 데이터 수집 장치도 역시 데이터의 획득 및 저장에 이용될 수 있다.

특정의 정황 및/또는 응용과 관련한 수집된 데이터는 데이터 트렌딩(data trending) 및 분석과 관련하여 이용될 수 있고, 수신되고 분석된 데이터의 함수로서 예측이 행해질 수 있다. 실제로, 이러한 예측은 인간의 본성이고, 개인들은 이러한 예측을 빈번하게 생성한다. 예를 들어, 근무지와 거주지 간을 오가는 사람은 평일의 하루 중 어떤 시간 동안에 교통 상황이 심한 수준의 혼잡을 겪는지를 판정할 수 있다. 따라서, 근무지를 출발하기 전에, 개인은 언제 어디서 교통 체증을 겪을 가능성이 가장 많은지를 예측할 수 있고 또한 얼마나 오랫동안 혼잡을 겪게 될지를 예측할 수 있다. 개인의 예측은 또한 날씨, 날짜가 휴일인지 여부, 지리적으로 근접한 곳에서의 사건, 기타 등등의 다른 변수의 함수일 수 있다. 따라서, 개인이 정황 정보에 액세스하고 이력 데이터에 (예를 들어, 기억을 통해) 액세스할 때, 그 개인은 예측을 생성할 수 있다.

컴퓨터 시스템 상에서 이용되는 예측 모델은 종종 사람보다 더 정확한 예측 결과를 생성할 수 있는데, 그 이유는 컴퓨터 시스템이 상당한 양의 데이터에 액세스할 수 있기 때문이다. 예를 들어, 컴퓨터 애플리케이션은 20년에 걸친 교통 패턴을 나타내는 데이터에 액세스할 수 있는 반면, 개인은 1년 미만 동안의 교통 패턴을 경험했을 수 있다. 이들 예측 모델은 통상의 사건과 연관된 예측을 생성할 때 아주 효과적일 수 있다.

예를 들어, 예측 모델은 비전형적(atypical)이거나 돌발적인 사건과 관련될 때 실패할 수 있다. 실패의 이유는 상황에 대한 이해의 부족, 상황에 대한 고려의 부족, 사건의 발생의 희귀성, 및 여러가지 다른 요인을 포함할 수 있다. 그렇지만, 돌발적인 사건을 개인에 경보하는 것은 전형적인 사건을 개인에 경보하는 것보다 더 중요한데, 그 이유는 이러한 개인은 예측 애플리케이션의 도움이 없더라도 전형적인 사건을 아주 잘 예측했을 수 있기 때문이다. 한명 이상의 사용자가 돌발적인 것으로서 알아채게 될 사건을 식별하는 방법을 개발하는 것이 중요할 수 있는데 그 이유는 사용자들이 그 자신이 예상하는 상황에 관해서는 경보를 받을 필요가 없기 때문이다. 시스템은 정보가 사용자를 깜짝 놀라게 하는 때에 관해 추론함으로써 사용자에게 가치를 제공할 수 있다. 게다가, 장래에 사용자가 깜짝 놀라게 되는 때를 예측할 수 있는 시스템은 세상의 장래의 상태에 관하여 사용자에게 사전 경고를 제공하고, 새로운 대안을 찾거나 수정된 계획을 개발하는 등의 조치를 취할 시간을 사용자에게 제공하는 데 귀중하게 된다.

이하는 본 명세서에 기술된 어떤 측면들에 대한 기본적인 이해를 제공하기 위해 간략화된 요약을 제공한다. 이 요약은 청구된 발명 대상의 전체적인 개요가 아니며, 청구된 발명 대상의 주요/중요 요소를 확인하거나 그의 범위를 정하기 위한 것이 아니다. 그의 유일한 목적은 어떤 개념을 이후에 제공되는 더 상세한 설명에 대한 전제로서 간략화된 형태로 제공하는 데 있다.

청구된 발명 대상은 여러가지 응용에 관련한 예측을 생성하기 위해 예측 모델 컴포넌트를 이용하는 시스템 및 방법을 제공한다. 보다 상세하게는, 예측 모델 은 비전형적이거나 돌발적인 사건의 발생을 예측하는 데 이용될 수 있다. 한 특정의 예에서, 예측 모델은 특정 지역(예를 들어, 도시)에서의 교통 패턴을 예측하는 데 이용될 수 있다. 데이터는 도로 상에 또는 그 근방에 설치된 고정식 자기, 광학, 음향 또는 레이더 중심의 센서를 비롯한 도로와 연관된 센서, 비디오 카메라에 의해 캡처된 장면의 시각적 분석, 장비를 갖춘 버스, 택시, 운반 차량으로부터 이용가능한 것일 수 있는 차량 집단에서 행해지는 GPS 로깅으로부터 수집되는 정보, 및 셀 전화에 의해 감지되거나 셀 전화 제공업자의 안테나에서 감지되는 GSM 반송파 신호 등의 신호 세기의 역동성, 요일·시각·기타 등등의 정황 데이터, 정의된 지역 내에 사건이 있는지(예를 들어, 스포츠 행사), 고려 중인 날짜가 휴일인지, 날씨 상황, 현재의 교통 상황, 이전의 교통 상황, 정식 코딩을 갖거나 갖지 않는 비정형 텍스트(free text)로 생성될 수 있는 사건 보고는 물론 교통 패턴 예측 응용과 관련한 다른 적당한 데이터로부터 수집될 수 있다. 교통 패턴이 한 예시적인 응용이지만, 청구된 발명 대상의 측면들은 여러가지 관점에서 이용될 수 있다. 예를 들어, 놀이 공원에서의 줄서기, 주식 시장 예측 및 분석, 서로 다른 시간에서의 한명 이상의 개인의 면담가능성 및 존재, 이메일 메시지 등의 메시지가 사용자에 의해 검토될 때까지의 시간, 다양한 판매 지점에서의 물품 또는 복수의 물품의 판매 분석, 및 기타 등등이 청구된 발명 대상의 하나 이상의 측면이 이용될 수 있는 예시적인 정황이다.

교통 패턴의 예측으로 돌아가서, 돌발적인 사건은 사람이 현재의 정황 데이터가 주어진 경우 일어날 것으로 예상하지 않은 사건으로 정의될 수 있다. 예를 들어, 도시의 한 부분에서 사고가 일어날 수 있고, 개인은 일반적으로 이러한 사고가 도시의 다른 부분에서의 교통 패턴에 영향을 줄 것으로 예상하지 않는다. 그렇지만, 예측 모델은 이 사고가 다른 데이터(예를 들어, 특정의 날씨 패턴, 스포츠 행사의 진행, 기타 등등)와 함께 도시의 다른 부분에서의 교통 패턴 변경을 야기할 수 있음을 알 수 있다. 이들 변경은 비정상적인 일일 수 있다. 예를 들어, 주어진 시간에, 예측된 사건의 발생은 사전 정의된 임계값 아래에 있을 수 있다. 따라서, 비정상적인 것으로서, 즉 교통에 관한 예상으로 한 모집단의 사용자를 깜짝 놀라게 할 사건으로서 간주되는 사건이 예측 모델에 의해 예측될 때, 그 사건은 사용자에게 돌발적인 사건으로서 디스플레이될 수 있거나 사용자가 알고 싶어할 수 있는 경보로서 사용자에게 제공될 수 있다.

이례적인, 비전형적인 또는 돌발적인 사건이 정의될 수 있는 여러가지 방식이 있다. 예를 들어, 돌발적인 사건은 사용자에 따라 다를 수 있으며, 이 경우 (사건의 발생 확률에 상관없이) 특정의 사용자가 예상하지 못한 사건이 일어난다. 예를 들어, 비전형적인 사건은 발생하거나 발생하지 않을 확률이 사전 정의된 임계값 이상 또는 그 이하인 것과 연관된 사건으로서 정의될 수 있다. 예를 들어, 도로 시스템의 특정 지역에 있어서 또 특정의 요일 및 하루 중 특정의 시간대에 있어서, 정체가 있는 경우나 교통이 원할하게 소통되는 경우가 돌발적인 것일 수 있다. 적은 확률에 대한 임계값이 이용될 수 있으며, 그 임계값 이하에서 그 사건은 한 모집단의 사용자에게는 돌발적인 것으로 간주될 수 있다. 이러한 정의를 지원하는 케이스 라이브러리가 생성될 수 있으며, 예측 모델은 케이스 라이브러리의 함수로 서 구축될 수 있다. 다른 예에서, 사건은 발생할 확률과 연관될 수 있고, 이례적인 사건은 평균 확률로부터 임계의 표준 편차 수만큼 떨어져 있는 확률과 연관된 사건으로서 정의될 수 있다. 이례적인 사건을 정의하는 어떤 적당한 방식이라도 생각된 것으로 결정될 수 있다. 또한, 돌발 사태를 정의하는 여러가지 모델이 한명 이상의 사용자가 선택하도록 준비되어 있을 수도 있다. 또한, 사용자를 놀라게 할 수 있는 상황을 예측하는 더 훌륭한 사용자 모델이 구축될 수 있다. 서로 다른 사용자에 대한 데이터로부터 이러한 사용자 모델을 구축하기 위해 기계 학습이 사용될 수 있다.

게다가, 예측 모델은 예측 모델을 모니터링하는 모델 분석기와 연관될 수 있다. 예를 들어, 예측 모델은 교통 정체 또는 병목 현상이 다른 장소에서 형성될 때까지의 시간 및 일단 형성된 정체가 풀려 소통될 때까지의 시간을 예측할 수 있다. 돌발적인 사건의 발생에 관한 예측의 정확도도 역시 지정된 확률로 모니터링될 수 있다. 이러한 종류의 예측 및 기타의 예측 각각에 대해, 모델 분석기는 시간에 따라 그 예측을 실제 사건의 발생과 비교하고 따라서 예측 모델의 성능을 모니터링할 수 있다. 이어서, 모델 분석기는 예측 모델의 성능을 개선하기 위해 그 모델을 자동적으로 튜닝할 수 있거나 정황에 따라 예측이 정확할 수도 부정확할 수도 있는 경우 단순히 사용자에게 중계할 수 있다. 예측의 정확도에 관한 이러한 자동화된 반영을 행하는 한가지 방법에서, 실세계 결과로부터 어느 정도 이상 벗어난 모든 예측 에러 및 기본 예측 시에 시스템이 이용가능한 모든 관측의 케이스 라이브러리가 구축될 수 있다. 이어서, 시스템이 이용가능한 모든 관측 데이터 및 정황 데이터에 의해 좌우되는 시스템의 기본 레벨의 정확도의 성능에 관한 예측 모델을 구축하는 데 기계 학습이 사용될 수 있다. 기본 레벨의 예측의 정확도를 기술하는 이러한 메타-레벨 모델은 그의 정확도를 확인하기 위해 테스트될 수 있다. 모델이 정확한 경우, 그 모델은 기본 레벨 예측과 함께 실행될 수 있으며 관측 및 정황에 관한 상세의 함수로서 기본 레벨 예측의 가능한 정확도에 관한 주석을 제공할 수 있다. 부스팅(boosting)이라고 하는 다른 분석에서, 실패로서 알려진 사례들이 수집되어 특별한 모델링 관심을 받을 수 있다. 예를 들어, 기계 학습 알고리즘에서 실패된 사례들이 서로 다르게 가중되거나 하나 이상의 특별 모델에 의해 처리될 수 있다.

상기한 목적 및 관련 목적을 달성하기 위해, 청구된 발명 대상의 어떤 예시적인 측면들이 이하의 설명 및 첨부 도면과 관련하여 본 명세서에 기술되어 있다. 그렇지만, 이들 측면은 청구된 발명 대상의 원리들이 이용될 수 있는 여러가지 방법들 중 단지 몇개만을 나타낸 것이며, 이러한 청구된 발명 대상은 이러한 측면 및 그의 균등물 모두를 포함하는 것으로 보아야 한다. 다른 이점 및 신규의 특징은 도면들과 관련하여 고려될 때 이하의 상세한 설명으로부터 자명한 것일 수 있다.

이제부터, 전체에 걸쳐 유사한 구성요소를 가리키는 데 유사한 참조 번호가 사용되는 도면을 참조하여 청구된 발명 대상에 대해 기술한다. 이하의 설명에서, 설명의 목적상, 청구된 발명 대상의 완전한 이해를 제공하기 위해 여러가지 구체적인 상세가 기술되어 있다. 그렇지만, 이러한 청구된 발명 대상이 이들 구체적인 상세 없이도 실시될 수 있음은 명백하다. 다른 경우에, 청구된 발명 대상의 설명을 용이하게 해주기 위해 공지의 구조 및 장치가 블록도 형태로 도시되어 있다.

본 출원에서 사용되는 바와 같이, 용어 "컴포넌트" 및 "시스템"은 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 또는 실행 중인 소프트웨어 등의 컴퓨터 관련 엔티티를 지칭하기 위한 것이다. 예를 들어, 컴포넌트는 프로세서 상에서 실행 중인 프로세스, 프로세서, 객체, 실행 파일, 실행 쓰레드, 프로그램, 및 컴퓨터일 수 있지만, 이에 한정되는 것은 아니다. 예로서, 서버 상에서 실행 중인 애플리케이션 및 서버 둘다는 컴포넌트일 수 있다. 하나 이상의 컴포넌트가 실행 쓰레드 및/또는 프로세스 내에 존재할 수 있으며, 컴포넌트는 하나의 컴퓨터 상에 로컬화되어 있거나 및/또는 2개 이상의 컴포넌트에 걸쳐 분산되어 있을 수 있다. 단어 "예시적인"은 본 명세서에서 일례, 경우 또는 예시로서 역할하는 것을 의미하기 위해 사용된다. 본 명세서에서 "예시적인"으로서 기술된 설계의 임의의 측면이 반드시 다른 측면 또는 설계보다 양호한 또는 유익한 것으로 해석되어야 할 필요는 없다.

자동화된 추론 시스템(예를 들어, 명시적으로 및/또는 암시적으로 훈련된 생성적 및 차별적 분류기)은 이후에 기술되는 청구된 발명 대상의 하나 이상의 측면에 따라 추론 및/또는 확률적 판정 및/또는 통계 기반 판정을 수행하는 것과 관련하여 이용될 수 있다. 본 명세서에서 사용되는 바와 같이, 용어 "추론"은 일반적으로 사건 및/또는 데이터를 통해 포착된 일련의 관측으로부터 시스템, 환경 및/또는 사용자의 상태에 관하여 추리하는 또는 그 상태를 추론하는 프로세스를 말한다. 추론은 특정의 정황 또는 행동을 확인하는 데 이용될 수 있거나 추론은 예를 들어 상태들에 대한 확률 분포를 생성할 수 있다. 추론은 확률적일 수 있다. 즉, 관심의 상태들에 대한 확률 분포의 계산은 데이터 및 사건의 고려에 기초할 수 있다. 추론은 일련의 사건 및/또는 데이터로부터 상위 레벨 사건을 구성하는 데 이용되는 기법을 말할 수 있다. 이러한 추론의 결과 일련의 관측된 사건 및/또는 저장된 사건 데이터, 사건들이 시간상 근접하여 상관되어 있는지 여부, 및 사건 및 데이터가 하나 또는 몇개의 사건 및 데이터 소스로부터 온 것인지 여부로부터의 새로운 사건 또는 행동의 구축이 얻어진다. 여러가지 분류 방식 및/또는 시스템(예를 들어, 지원 벡터 머신, HMM, 마르코프 프로세스, 신경망, 베이지안 네트워크, 동적 베이지안 네트워크, 및 연속 시간 베이지안 네트워크 등의 그래픽 확률 모델, 논리 기반 추론 시스템, 및 퍼지 논리)이 청구된 발명 대상과 관련하여 자동적 및/또는 추론된 행동을 수행하는 것과 관련하여 이용될 수 있다.

게다가, 청구된 발명 대상은 청구된 발명 대상을 구현하기 위해 컴퓨터를 제어하는 소프트웨어, 펌웨어, 하드웨어 또는 이들의 임의의 조합을 생산하는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용하는 방법, 장치 또는 제조 물품으로서 구현될 수 있다. 본 명세서에서 사용되는 용어 "제조 물품"은 임의의 컴퓨터 판독가능 장치, 캐리어 또는 매체로부터 액세스가능한 컴퓨터 프로그램을 포괄하는 것으로 보아야 한다. 예를 들어, 컴퓨터 판독가능 매체는 자기 저장 장치(예를 들어, 하드 디스크, 플로피 디스크, 자기 스트립,...), 광학 디스크(예를 들어, 컴팩트 디스크(CD), DVD,...), 스마트 카드, 및 플래쉬 메모리 장치(예를 들어, 카드, 스틱, 키 드라이브,...)를 포함할 수 있지만, 이에 한정되는 것은 아니다. 게다가, 반송파는 전자 메일을 전송 및 수신하는 데 또는 인터넷이나 근거리 통신망(LAN) 등의 네트워크에 액세스하는 데 사용되는 등의 컴퓨터 판독가능 전자 데이터를 전달하는 데 이용될 수 있음을 잘 알 것이다. 물론, 당업자라면 청구된 발명 대상의 범위 또는 정신을 벗어나지 않고 이 구성에 많은 수정이 이루어질 수 있음을 잘 알 것이다.

본 명세서에 기술된 하나 이상의 특징은 스마트폰이라고 하는 새로 등장하는 부류의 모바일 컴퓨팅 장치는 물론 셀-폰 및 PDA를 비롯한 다른 유형의 휴대용 장치에 적용가능하다. 예로서, 스마트폰과 관련하여 몇가지 측면이 기술될 것이다. 그렇지만, 청구된 발명 대상이 여러가지 다른 휴대용 장치에 적용되거나 그와 관련하여 사용될 수 있음을 잘 알 것이다. 게다가, 청구된 발명 대상은 또한 데스크톱 PC는 물론 차량에/차량 내부에 탑재된 컴퓨팅 장치 등의 고정된 컴퓨팅 장치에 사용하는 것에도 적용가능하다.

스마트폰은 셀-폰의 휴대성 및 네트워크 연결성과 PDA의 계산 능력을 겸비하고 있다. 스마트폰의 컬러 디스플레이는 애니메이션이 가능하며 보통은 200×200 픽셀 범위의 해상도를 갖는다. 이들 장치의 대부분은 터치 스크린을 가지고 있지 않으며 터치 스크린을 갖는 것조차도 한손 환경에서 종종 사용된다. 대부분의 스마트폰은 4방향 키패드(d-패드) 또는 조이스틱으로 숫자 키패드를 확장한다. 게다가, 몇개의 전용 버튼(뒤로, 홈으로, 및 실행) 및 현재의 애플리케이션에 의해 임의적으로 할당된 기능일 수 있는 2개의 "소프트 키"가 있다.

청구된 발명 대상는 또한 교통 패턴, 시장 패턴, 또는 임의의 다른 적당한 정황 등의 여러가지 패턴에 관련한 예측을 생성하는 데 예측 모델을 이용하는 것에 관한 것이다. 게다가, 청구된 발명 대상은 돌발적인 상황을 정의하고 돌발적인 상황을 예측하며 또 이러한 예측된 돌발적인 상황을 (예측된 돌발적인 상황의 계산된 발생 확률과 함께) 사용자에게 제공하는 메카니즘을 제공한다.

이제부터, 전체에 걸쳐 유사한 참조 번호가 유사한 구성요소를 나타내는 도면을 참조하여 청구된 발명 대상에 대해 기술한다. 이제 도 1을 참조하면, 여러가지 패턴(예를 들어, 교통 패턴)과 관련한 예측을 생성하는 것과 이러한 예측을 사용자에게 전달하는 것을 용이하게 해주는 시스템(100)이 예시되어 있다. 시스템(100)은 교통 패턴, 판매 패턴, 시장 패턴, 기타 등등의 여러가지 정황과 연관된 예측을 생성하는 데 이용되는 예측 모델 컴포넌트(102)(이후부터 예측 모델이라고 함)를 포함한다. 한 특정의 예에서, 예측 모델(102)은 특정의 지역(예를 들어, 도시, 도시의 일부분, ...)에서의 교통 패턴과 관련한 예측을 생성하는 데 이용될 수 있다. 보다 상세하게는, 예측 모델(102)은 도로 또는 전체 통근 경로가 혼잡이 해소되거나 혼잡하게 되는 데 걸리는 시간을 예측/추정할 수 있다. 따라서, 사용자는 예측 모델(102)의 출력을 검토하고 그에 기초하여 운전 결정(예를 들어, 언제 근무지를 떠날지, 택할 최상의 경로, ...)을 할 수 있다. 이러한 분석은 또한 회의를 위해 언제 떠나야 하는지에 관한 안내를 제공하기 위해 사용자의 그 다음 회의가 언제 어디서 있는지에 관해 사용자의 달력으로부터 도출된 정보와 관련하여 사용될 수 있다. 회의가 그 날의 첫번째 회의이고 사용자가 현재 집에 있는 경우, 방법은 스마트 알람 시계로 확장되어 사용자가 통근에 어려움을 만날 가능성이 있는 경우 더 일찍 사용자를 깨우거나 회의에 가는 길의 교통이 원할할 것으로 예상되는 경우 사용자가 늦잠을 잘 수 있도록 해줄 수 있다. 상기 예가 교통 패턴을 예측하는 것과 관련하여 예측 모델(102)을 사용하는 것을 말하고 있지만, 예측 모델(102)이 다양한 다른 정황에서 이용될 수 있음을 잘 알 것이다.

예측 모델(102)은 임의의 공지의 데이터 모델링 기술에 기초할 수 있다. 한 예에서, 예측 모델(102)은 베이지안 네트워크에 기초할 수 있고 이러한 예측 모델(102)로부터의 예측 출력을 최적화하기 위해 여러가지 기계 학습 기술을 이용할 수 있다. 베이지안 네트워크(Bayesian network)는 랜덤 변수를 나타내는 노드 및 노드들(변수들) 간의 의존 관계를 나타내는 호(arc)의 유향 비순환 그래프(directed acyclic graph)이다. 따라서, 예를 들어, 첫번째 노드로부터 두번째 노드로의 호가 존재하는 경우, 첫번째 노드는 두번째 노드의 부모라고 한다. 그 노드가 공지의 값과 연관되어 있는 경우, 그 노드는 증거 노드(evidence node)라고 불리운다. 노드는 임의의 적당한 유형의 변수를 나타낼 수 있으며, 예를 들어 노드는 관측된 측정값, 파라미터, 숨겨진 변수 또는 가설을 나타낼 수 있다. 따라서, 본 명세서에 기술된 도면에서, 노드는 요일 또는 시각은 물론 특정 지역에서의 교통 상태 등의 정황 데이터, 및 여러가지 다른 변수를 나타낼 수 있다. 기계 학습은 컴퓨터가 일련의 관측으로부터 예측 모델(predictive model) 또는 설명 모델(explanatory model)을 학습할 수 있게 해주는 기술의 개발과 관련된 인공 지능의 영역을 말한다. 보다 상세하게는, 기계 학습은 적어도 부분적으로 데이터 세트의 분석에 기초 하여 컴퓨터 프로그램을 생성 및/또는 수정하는 방법에 관한 것일 수 있다. 따라서, 수집된 데이터가 도로의 어떤 부분이 특정 일자의 특정 시각에 특정 시간 폐쇄되어 있는 것을 나타내는 경우, 예측 모델(102)은 이러한 폐쇄를 감시하고 이 패턴에 기초하여 예측을 정교화 및 최적화할 수 있다.

예측 모델(102)의 최적의/바람직한 동작을 가능하게 하기 위해서는 상당한 양의 데이터의 수신을 필요로 한다. 특히 교통 패턴의 예측과 관련하여, 데이터는 도로 상의 여러가지 센서, 기계 판독가능 언어로 번역된 교통 보고, GPS 데이터의 집합, 사용자가 한 지역을 통과할 때 셀 폰과 셀 타워 간의 핸드쉐이킹의 모니터링(셀 폰에서 관측되거나 셀 타워에서 관측됨), 및 사용자로부터 데이터를 수집하는 여러가지 다른 방식으로부터 수집될 수 있다. 게다가, 가시도, 강수량 및 온도(예를 들어, 결빙) 등의 날씨 상황(웹 사이트, 라디오 방송국 또는 다른 적당한 소스로부터 수집됨), 달력 정보(시각, 요일, 월, 및 기타 등등), 스포츠 행사, 퍼레이드, 영화 개봉, 정치적 행사, 기타 등등의 주요 행사가 생각된 지역 또는 관련 지역에서 행해지고 있는지 여부, 휴일 상황(주요 휴일, 은행 휴일, 학교 방학, 기타 등등), 및 교통에 관련될 수 있는 임의의 다른 데이터 등의 데이터가 수집될 수 있다. 예를 들어, 정부 또는 사설 교통 감시국으로부터의 계속되는 비정형 텍스트 또는 코딩된 보고가 수집될 수 있다. 수집은 웹 사이트를 통해, 자연 음성 언어(natural spoken language)의 번역을 통해, 센서를 통해, 사용자 입력을 통해, 또는 임의의 다른 적당한 방식을 통해 행해질 수 있다. 다시 말하면, 교통 패턴을 예측하는 것이 본 명세서에 기술된 하나 이상의 측면이 이용될 수 있는 단지 하나 의 예시적인 응용임을 잘 알 것이다. 시장 분석을 비롯한 여러가지 측면이 본 발명자에 의해 생각되었으며 본 명세서에 첨부된 청구항의 범위에 속하는 것으로 보아야 한다.

예측 모델(102)의 구축 시에, 정황 데이터는 물론 이력 데이터도 예측 모델(102)에 의해 수신될 수 있다. 전술한 바와 같이, 이러한 데이터는 여러가지 센서는 물론 웹 사이트 및 달력을 통해 수집될 수 있다. 예를 들어, 데이터는 스포츠 행사의 시간, 콘서트의 시간, 현재 시간, 현재의 교통량, 및 임의의 다른 적당한 데이터를 포함할 수 있다. 이 데이터는 예측 모델(102)로 전달될 수 있으며, 그 후에 예측 모델(102)은 예측 모델(102)의 설계 대상인 응용과 관련한 예측을 생성할 수 있다. 다시 교통 패턴 예측 응용으로 되돌아가서, 예측 모델(102)은 예측된 혼잡, 현재의 혼잡이 해소될 때까지의 예측된 시간 및 이러한 예측과 관련한 표준 편차, 및 교통 패턴과 관련한 임의의 다른 적당한 예측을 출력할 수 있다. 예를 들어, 사용자로 출력되는 정보는 차량의 밀도 및 주행 속도를 사용자에게 중계하기 위해 컬러-코딩될 수 있다. 특정의 예에서, 방해가 없는 고속의 교통 흐름이 있는 경우, 고속도로 시스템의 그래픽 표현의 일부분이 녹색 컬러와 연관될 수 있다. 도로가 더 혼잡하게 됨에 따라, 컬러는 녹색에서 황색으로, 황색에서 적색으로, 또 적색에서 흑색으로 변할 수 있으며, 이 때 각각의 변화는 개별적인 주행 속도를 나타낸다. 사용자에게 출력되는 정보는 현재의 상황(예를 들어, 교통 상황) 및/또는 예측된 장래의 상황에 관한 것일 수 있다.

교통과 관련하여 더 상세하게 말하면, 어느 데이터가 사용자에 제공되는지와 관련하여 도로의 특정 부분이 선택될 수 있다. 예를 들어, 도시들이 통근 동안에 통근자 및 교통 리포터의 관심의 초점이 되는 일련의 잘 알려진 "상습 정체 구역"과 연관될 수 있다. 이러한 위치(예를 들어, 병목 지점)의 식별은 더욱 집중된 모델링 및 경보를 가능하게 해주며, 이 때 경보는 사용자와 관련성이 높은 일련의 사건 및 상황과 관련될 수 있다. 이러한 구성은 예측 모델(102)을 설계함에 있어서는 물론 사용자에게 용이하게 전달되는 교통 문제의 표현을 제공함에 있어서 이용되는 학습 및 추론 성과의 파라미터 공간의 축소에 도움이 된다. 이러한 위치의 소재를 판정하기 위해, 혼잡의 비율 및 혼잡 시간에 관한 정보를 획득하기 위해 시스템 전반적인 교통 흐름 데이터가 분석될 수 있으며, 여기서 혼잡의 비율은 변경될 수 있다. 이러한 분석을 이용함으로써 시스템에서 병목 지점의 판정을 할 수 있게 되며, 그에 따라 예측 모델(102)이 구축될 수 있고, 이 경우 예측 모델(102)은 어느 레벨의 교통 혼잡의 발생때까지의 예상 시간, 이러한 레벨의 혼잡이 그대로 있게 될 예측된 시간, 및 기타 등등에 관련한 추론을 생성할 수 있다.

교통 흐름에 관련한 부가의 데이터, 예를 들어, 정체가 발생한 이후의 시간, 정체의 범위(세그먼트의 길이가 얼마인가) 및 텍스처(예를 들어, 꽉막힐 정도의 정체, 흐름의 뒤엉킨 상태, 기타 등등), 정체가 해소된 이후의 시간, 꽉막힐 정도로 정체된 지역 내에서의 흐름의 변화, 기타 등등을 비롯한 교통 시스템의 여러 부분에서의 흐름 및 정체(혼잡)에 관한 정적 및/또는 동적 데이터일 수 있는 교통 패턴에 관련한 데이터도 역시 수집되어 예측 모델에 의해 이용될 수 있다.

보다 상세하게는, 충분한 데이터가 전술한 메카니즘/방법에 의해 수집된 경 우, 시간 및 다른 정황 정보의 함수로서 장래의 동향에 대한 확률 분포에 관해 알기 위해 기계 학습이 이용될 수 있다. 예를 들어, 교통 응용에서, 특정 부분에서의 교통의 흐름이 시간에 따라 모니터링될 수 있고, 현재의 관측이 주어진 경우 이러한 흐름을 예측하는 데 기계 학습 기술이 이용될 수 있다. 예를 들어, 사용자는 사무실로부터 거주지까지 특정의 경로를 거쳐 이동할 수 있고, 이러한 경로는 시간에 따라 알게 될 수 있다. 게다가, 그 경로와 연관된 정황 데이터가 수집될 수 있고, 그 수집된 데이터에 대해 기계 학습 방법/메카니즘이 이용될 수 있다. 그 후, 경로와 연관된 현재의 관측이 주어지면, 경로와 관련하여 추론이 생성될 수 있고 사용자는 경로와 연관된 경보 및/또는 데이터를 제공받을 수 있다.

예를 들어, 예측 모델(102)은 교통에 관한 특정의 데이터가 주어진 경우 제안된 교통 경로의 생성을 안내를 할 수 있다. 예를 들어, 예측 모델(102)은 교통의 현재 상태가 주어진 경우 사용자에게 경로를 제안할 수 있다. 다른 예에서, 예측 모델(102)은 시작점에서 종료점까지(예를 들어, 근무지에서 거주지까지, 현재의 교통 위치로부터 거주지까지, ...)의 제안된 경로의 생성에 있어서 안내를 하기 위해 시각 및 요일 및 주된 현재의 정체 문제 등의 근거를 고려하여 한계 또는 평균 교통 흐름 예상을 이용할 수 있다. 또다른 예에서, 예측 모델(102)은 교통 경로 계획의 생성을 안내하기 위해 서로 다른 지역에서의 장래의 교통 흐름에 관한 확률적 예측을 생성할 수 있다. 게다가, 현재의 위치 정보(및 이동 방향)가 주어진 경우, 예측 모델(102)은 총 운전 시간을 최소화하기 위해 운전 동안 제안된 교통 경로를 재계획하는 것을 안내할 수 있다. 예를 들어, GPS가 사용자의 현재 위치를 알아내는 데 이용될 수 있고, 또 현재의 교통 및 이동 방향에서의 예측된 교통 사건에 관한 정보를 제공하는 것과 관련하여 이용될 수 있다.

게다가, 예측 모델(102)은 정황 데이터 및/또는 이력 데이터가 주어진 경우 돌발적인 사건의 발생을 예측할 수 있으며(예를 들어, 정황 데이터 및 이력 데이터 둘다가 이례적인 일/사건의 예측을 생성하는 데 필요하지는 않을 수 있다), 이 경우 돌발적인 사건은 특정의 사용자 또는 일련의 사용자를 놀라게 하는 것이다. 돌발적인 사건의 예측을 가능하게 해주기 위해, 돌발적인 사건에 관한 정의가 생성될 수 있다. 한 예에서, 사건이 돌발적인 것인지를 판정하기 위해 사건의 발생 확률이 분석될 수 있다. 보다 구체적으로 말하면, 상한 및 하한 확률 임계값이 정의될 수 있으며, 이 경우 시스템(100)의 사용자는 특정의 확률로 사건이 발생할 것으로 예상하거나 사건이 발생할 것으로 예상하지 않는다. 이러한 발생의 확률이 임계값을 벗어나는 경우, 사용자는 예측된 돌발적인 사건을 통지받을 수 있다. 특정의 예에서, 과거의 경험 및 현재의 상황이 주어진 경우 사용자는 혼잡없이 고속도로의 특정의 부분을 통과할 것으로 예상할 수 있다. 사용자와 관련있는 것으로 생각되지 않거나 사용자가 생각하지 못한[그렇지만 예측 모델(102)과는 관련있는 것으로 알려져 있는] 다른 사건들로 인해, 고속도로의 그 부분이 정의된 임계값을 넘는 확률로 혼잡하게 될 것으로 예측될 수 있다. 그 후, 예측 모델(102)은 사용자에게 이 예측된 돌발적인 사건/일을 이러한 사건의 확률과 함께 제공할 수 있으며, 그에 따라 사용자가 그렇게 선택한 경우 사용자가 다른 경로를 통과하거나 및/또는 다른 시간에 출발하게 해줄 수 있다. 게다가, 예측 모델(102)의 정확도를 확인하기 위 해 별도의 모델이 예측 모델(102)과 연관될 수 있다. 이어서, 예측 모델(102)은 확인된 정확도의 함수로서 튜닝될 수 있다.

돌발적인 사건에 대해 보다 구체적으로 설명하면, 이러한 사건/일은 사용자에게 예상치 못한 사건으로서 정의될 수 있다. 시스템(100)은 장래의 시간에 일어나는 돌발적인 사건/일을 예측하는 데 이용될 수 있는 표현, 추론 및 의사 결정 방법을 이용할 수 있다. 시스템(100)은 어떤 정황에서의 돌발적인 결과, 시스템 또는 사람이 부딪치게 되는 예상치 못한 상황의 함수로서 장래의 문제를 이해, 해결 또는 예측하는 것을 뜻밖에도 실패하는 경우, 또는 감지된 또는 관측된 상황에 기초하여 장래에 대처하는 그 자신의 능력의 결여의 예측에 적용될 수 있다. 장래의 돌발적인 사건에 관한 학습 및 추론은 장래의 비모델링된 상황에 관한 학습 및 추론으로 확장된다. 개인 및/또는 자동화된 추론 시스템에 대한 돌발적인 사건은 (1) 관측자에 의해 명시적으로 고려되지 않는 사건(예를 들어, 모델링되지 않는 사건), 및 (2) 낮은 또는 높은 확률- 발생할 임계 확률보다 더 낮거나 및/또는 더 높음 -을 할당받은 사건으로서 분류될 수 있다. 게다가, 상당히 돌발적인 것으로 간주되는 결과 또는 상황은 종종 예상치 못한 또는 비모델링된 사건에 의해 놀라게 되는 관측자의 유용성에 상당한 영향(긍정적 또는 부정적)을 미치게 된다. 간략히 요약하면, 돌발적인 사건/일은 명시적으로 식별될 수 있지만 발생할 것으로 예상되지 않거나, 또는 임계 확률 내에서 발생할 것으로 예상되지 않거나, 또는 모델링 또는 추론되지 않는 사건/일이다(예를 들어, 이들은 모델링되고 있는 것의 범위 밖에 있다). 실제로, 명시적으로 고려되지 않는 많은 사건이 일어날 수 있다. 그렇 지만, 이러한 사건이 일어날 때, 이들은 하나 이상의 요인(agent)의 유용성에 영향을 줄 수 있으며 따라서 돌발적인 것으로 간주된다.

종래의 시스템 및 방법은 현재 또는 과거의 돌발적인 사건의 식별 시에 데이터 센터로부터 돌발적인 사건을 검출한다. 그렇지만, 이들 종래의 시스템/방법은 장래의 돌발적인 사건, 상황 또는 일을 예상 또는 예측하지 않는다. 장래의 돌발적인 사건/상황/일을 예측하는 것은 개인, 조직 및 시스템이 일어날 것으로 예상하지 않은 또는 전혀 고려하고 있지 않은 사건에 대비해 이들을 준비시키는 데 귀중한 것으로 판명될 수 있다. 시스템(100) 내에 이 모델을 생성하기 위해, 예측 모델(102)은 현재 및 과거의 관측의 함수로서 장래의 사건을 예측하는 "월드" 모델(world model)을 포함할 수 있다. 예측 모델(102)은 또한 관측자가 과거 및 현재의 관측에 기초하여 무엇을 예상하는지의 모델과 장래의 결과의 가능성을 비교할 수 있다. 장래의 돌발적인 경우는 장래의 예상 또는 "전형성의 모델(model of typicality)"의 관점에서 정의될 수 있다. 따라서, 돌발적인 경우를 예측하는 모델을 생성하기 위해, 예상된 결과 및 돌발적인 결과의 정의가 생성될 수 있다.

이러한 정의는 "관측자가 일어날 것으로 예상하지 않은 또는 표현 및 계산상의 한계와 연결된 전형성에 관한 추론에서 선입견으로 인해 가능성이 있는 것으로 표현하거나 생각해본 적이 없는 관측자에 긍정적인 또는 부정적인 상당히 중요한 무언가가 장래에 일어날 때 장래의 돌발적인 경우가 일어난다" 등과 같이 단순할 수 있다. 장래의 돌발적인 경우의 다른 가능한 정의는 관측자 또는 자동화된 추론 시스템이 묵시적으로 또는 명시적으로 표현하였지만 발생 확률 임계값 x보다 작은 발생 가능성을 할당받은 상황의 발생을 포함한다. 이러한 확률 임계값은 사건 유형 또는 사건의 의미의 함수로서 생성될 수 있다. 관측자 또는 컴퓨팅 시스템은 사건의 개별적인 확률들에 대한 확률 분포를 평가, 표현하거나, 또는 묵시적으로 이용할 수 있다. 관측자에 대한 돌발적인 사건의 예측을 생성하도록 예측 모델(102)을 설계하는 것과 관련하여 고려될 수 있는 한가지 이론적 근거는 상황의 예측에서 명시적으로 고려되는 관측 및 결과가 더 훌륭한 확률 모델(동일한 변수들 간 또는 관심의 결과 및 관측 변수의 더 큰 세트들 간의 고차적 상호작용을 고려함)의 경우와 관측자의 사건에 대한 예상을 표현하는 모델(예를 들어, 변수들의 일부에 기초한 배경 통계를 사용함)의 경우에 대해 서로 다를 수 있고 또 더 훌륭한 모델에 의해 예측되는 예측된 장래 결과가 더 단순한 관측자 모델로부터 상당히 벗어날 수 있다는 것이다. 구체적으로는, 관측자는 종종 예상치 못한 사건의 발생을 야기할 수 있는 변수들의 상호작용을 생각하지 않거나 알지 못한다. 더 훌륭한 확률 모델은 이 변수들의 상호작용은 물론 관측자가 생각하지 않은 다른 변수들도 고려한다. 따라서, 훌륭한 확률 모델에 의해 생성되는 예측된 장래의 결과는 관측자 기반 모델의 예측된 출력과 근본적으로 다를 수 있다.

한 예시적인 방법에서, 예측 모델(102)(복수의 모델을 포함할 수 있음)은 베이지안 네트워크 모델과, 동적 베이지안 네트워크 및 연속 시간 베이지안 네트워크를 비롯한 시간상 변형들을 구축하는 학습 절차 등의 통계적 기계 학습 방법은 물론 지원 벡터 머신 및 신경망 방법 등의 다른 통계적 분류기를 포함할 수 있다. 예측 모델은 기본 레벨 추론 및 돌발적인 경우에 관한 데이터를 가장 잘 설명할 수 있는 모델을 설계하기 위해 구조 검색 및 파라미터 최적화를 통해 구축될 수 있다. 예측 모델(102)의 한 예시적인 생성에서, 월드 결과(world outcome)가 관측자의 관점에서 돌발적인 것으로 정의되는 사례 또는 상황을 포착하는 케이스 라이브러리가 구축 및 분석될 수 있다. 이러한 훈련 세트(케이스 라이브러리)는 월드 사건(world event) 및 돌발적인 사건의 정의에 따라 다르게 된다.

상황에 관한 어떤 시각 t0에서의 일련의 관측의 케이스 라이브러리(도시 생략)가 주어진 경우, 어떤 장래의 시각 t>t0에서의 사건, 예를 들어 장래의 시각 t3-t5의 세그먼트 내의 사건이 돌발적인 것으로서 정의되는지 여부가 고려될 수 있다. 따라서, 예측 모델(102)은 서로 다른 장래의 시각에서의 돌발적인 것을 케이스 라이브러리 내의 데이터의 함수로서 예측하도록 구축될 수 있다. 이러한 모델(102)은 사건의 유형에 따라 어떤 임계값 또는 다른 임계값보다 큰 유용성에 어떤 긍정적 또는 부정적 영향을 미치는 사건에만 중점을 둘 수 있다. 장래의 돌발적인 사건의 모델은 돌발적인 경우와 연관된 평균 비용 및/또는 조치가 미리 취해진다면 피할 수 있는 이례적인 고비용의 결과의 속성에 기초하여 정의되고 그에 집중될 수 있다. 이와 유사하게, 돌발적인 경우 예측 시스템으로서 설계된 예측 모델(102)은 잠재적으로 유익한 돌발 사태를 예측하는 모델을 포함할 수 있으며, 돌발 사태에 대한 조치가 이익, 즉 결과로부터 나오는 예상치 못한 이익과 연관된 긍정적 속성을 축적하거나 추가로 향상시킬 수 있다. 경쟁 상황에서, 상대편의 예상과 연결된 의사 결정 모델은 상대편에 대한 돌발 사태 또는 부정적인 돌발 사태, 또는 자기편에 대한 이익 및 상대편에 대한 비용을 가지는 경향이 있는 돌발적인 상황을 생성 하는 데 사용될 수 있다.

축적된 케이스 라이브러리를 통해 예측 모델(102)을 구축함에 있어서, 이러한 라이브러리는 관측자의 유용성에 부정적인 방식으로 영향을 미칠 가능성이 있는 것으로 생각되는 돌발적인 장래 사건에만 중점을 둘 수 있거나 사용자에게 긍정적인 방식으로 영향을 줄 가능성이 있는 장래 사건에만 중점을 둘 수 있다. 사건은 부정적일 가능성이 있거나 긍정적일 가능성이 있는 돌발 사태에만 중점을 둘 수 있다. 사건은 또한 특성이 제대로 규정되지 않은 유용성을 가질 수 있는데 그 이유는 장래의 어느 때에 또하나의 태양계로부터 지능을 갖는 생명체의 발견 등의 많은 사건들이 일단의 관측자에게 단지 놀랄만한 것일 수 있기 때문이다. 돌발적인 사건은 또한 관측자의 유용성에 연결되지 않은 것을 포함하지만, 다른 사람의 유용성을 통해 연결될 수 있으며, 이 경우 돌발 사태는 부분적으로 감정 이입 반사작용(empathetic reflection)에 의해 정의된다. 예를 들어, 관측자는 장래에 세계적 유행병이 동남 아시아의 수백만 사람들을 죽게 만들 것임을 안다는 것이 놀랄만한 것임을 알아챌 수 있다.

돌발적인 사건의 모델의 예로서, 돌발적인 사건/상황에 관하여 추론을 함에 있어서 시스템(100) 및/또는 예측 모델(102)에 의해 장기 확률에 관한 믿음에 대한 2차 확률 분포가 고려될 수 있다. 예를 들어, 미지의 특성의 동전의 일련의 던지기의 서로 다른 장기적 확률들에 대한 확률 분포를 모델링하는 데 베타 분포가 사용될 수 있다. 장기 확률에 관한 돌발적인 경우는 조밀할 수 있는, 즉 점차적으로 더 큰 분산을 가질 수 있는 평균에 대한 확률 분포를 생성하는 현재의 평균 및 샘 플 크기의 관점에서 정의될 수 있으며, 이전의 관측이 주어진 경우 장기 확률에 대한 확신의 감소를 포착한다. 돌발적인 장래의 결과는 또한 장기 확률들에 대한 현재의 확률 분포의 관점에서 정의될 수 있으며, 여기서 시스템은 하나 이상의 결과(예를 들어, 일련의 동전 던지기 결과)가 장기 확률들에 대한 현재의 확률 분포의 관점에서 어떤 임계값 확률보다 더 낮은 확률을 갖는 것으로 표현되는 평균 확률을 갖는 상황에서 더욱 놀라게 된다.

돌발적인 사건 및/또는 일을 예측하기 위해 예측 모델(102)을 구축 및 사용하는 일반적인 기계 학습 방법에서, 시스템(100)은 현재 시간에서의 관측과 연결된, 장래의 몇분으로서 정의된 장래 시간에서의 예상치 못한 결과의 경우들을 고려함으로써 장래의 돌발적인 사건 또는 변칙을 모델링할 수 있다. 예측 모델(102)을 구축하기 위해, 케이스 라이브러리가 구축될 수 있고, 모델들이 구축되고 돌발적인 경우 예측의 예측 정확도를 조사하기 위해 검정용 데이터(holdout data)로 테스트될 수 있다.

한 방법에서 예상 및 돌발 사태를 정의하는 예로서, 중요한 사건을 정의하는 스칼라값 변수에 대한 확률 분포는 돌발적인 결과를 정의하기 위해 예측 모델(102)에 의해 이용될 수 있다. 예를 들어, 도시의 고속도로 시스템의 서로 다른 잠재적인 병목 지역에서의 흐름에 영향을 주는 교통량이 고려될 수 있다. 관측 시각으로부터 30분의 시각에 각각의 잠재적인 병목 지점에서의 교통량의 확률 분포가 그 병목 지점 및 다른 병목 지점에 대한 교통 흐름의 최근의 이력에 대한 하나 이상의 통계는 물론 시각 및 요일, 휴일 상황, 및 고속도로 시스템 전반에 걸쳐 사고의 상 황 및 사고의 시각 및 정도, 건설 상황, 날씨 및 가시도, 및 스포츠 게임, 발레, 및 영화와 같은 주요 행사의 시작 및 끝 등의 다른 잠재적으로 중요한 영향력있는 변수 등의 일련의 영향력있는 변수로 표현되고 그에 좌우되는 경우, 변수들의 설정에 의해 포착된 여러가지 정황적 상황에 대한 병목 지점의 흐름에 대한 확률 분포가 기록 및 인코딩될 수 있다.

예측 모델(102)의 한 예시적인 생성에서, 이 지역에 집중된 확률이 주어진 경우 관측자의 예상의 모델로서의 집중 경향(central tendency)이 이용될 수 있다. 그 후, 결과가 훨씬 더 낮은 또는 더 높은 교통량인 사례들의 케이스 라이브러리가 구축될 수 있다. 보다 구체적으로, 예상치 못한 또는 돌발적인 교통량이 있는 사례들, 즉 교통량이 평균보다 어떤 표준 편차 수만큼 위 및 아래에 있는 사례들이 식별될 수 있으며, 이러한 식별된 사례들은 돌발적인 것으로서 간주될 수 있다. 따라서, 예측 모델(102)은 이러한 상황일 가능성이 있는 사례들의 예측 모델을 돌발 사태의 확률 모델로서 포함할 수 있다.

따라서, 잠재적인 병목 지점의 지역들을 통과하는 통근자가 현재의 관측에 기초한 어떤 목표한 몇분에서의 장래의 확률 분포의 평균 또는 중심 질량(mean or central mass)에 기초하여 예상을 할 수 있는 것으로 가정을 할 수 있다. 따라서, 예측 모델(102) 내에 포함될 수 있는 "관측자"의 예상 모델은 평균 +/- 표준 편차로서 인코딩될 수 있다. 예측 모델(102) 내에서 이용될 수 있는 보다 복잡한 모델에서, 상기한 관측자의 모델에서 고려되는 추론 능력 또는 증거에서의 차이가 명시적으로만 고려될 수 있다. 예를 들어, 관측자의 모델에 있어서, 시각 및 요일 등 의 몇가지 기본적인 정황 증거와 연관된 평균 및 분산이 고려될 수 있으며, 돌발적인 흐름을 생성하기 위해 상호작용할 수 있는 미묘한 일련의 발견물의 고려가 제외될 수 있다. 훈련을 위한 돌발적인 사례들을 골라내기 위해, 장래의 어느 시점에서의 아주 높은 또 아주 낮은 흐름과 연관된 사례들이 선택될 수 있으며, 돌발적인 사례들을 예측할 수 있는 모델들의 기계 학습을 위한 훈련 세트 내의 현재 시각에서의 모든 관측 변수에 표시를 할 수 있다.

일례에 대해 중점적으로 이야기하면, 예를 들어 관측자의 모델은 일련의 현재의 관측의 함수인 30분 및 이하의 함수에 기초한 마지막 30분 동안 잠재적인 병목 지역에서의 교통량을 고려할 수 있다.

30분 후의 교통량 = f(현재의 병목 지점 1의 교통량(bn1), 시각, 요일).

이 정보는 평균 및 표준 편차로서 인코딩된다. 그렇지만, 예측 모델(102)은 부가의 변수들 및 이들의 의존관계를 고려할 수 있는 더 복잡한 월드 모델을 이용할 수 있으며, 이하에서와 같이 교통량을 베이지안 네트워크로서 인코딩할 수 있다.

현재의 병목 지점 1에서의 30분 후의 교통량(bn1) = f(현재의 교통량 bn1-bn30, 마지막 30분의 교통량 동향 bn1-bn30, 시각, 요일, 포함할 30분 후의 교통량, 소닉스 게임 시작 시간 상황, 휴일 상황, 강수량 상황)

수신된 관측에 대해 양 모델이 실행되는 경우, 30분 후의 병목 지점에 관하여 생성된 예측은 아주 다를 수 있으며, 이러한 차이는 30분 후의 예측이 관측자를 놀라게 할 가능성이 있는 경우를 판정하는 데 이용될 수 있다. 두번째 방법에서, 사용자가 놀라게 될 일련의 사례들이 인코딩될 수 있으며, 예측 모델(102)은 적어도 부분적으로 일련의 발견물에 기초하여 관측자에 대한 돌발적인 상황들을 직접 인코딩할 수 있다. 따라서, 예측 모델(102)은 더 간단한 평균 및 표준 편차 모델의 관점에서 볼 때 상호의존적 변수들의 어떤 설정이 "돌발적인"(예를 들어, 비전형적인 또는 이례적인) 높은 또는 낮은 교통량을 야기한다는 것을 발견할 수 있다. 예측 모델(102)에 의해 예측되는 돌발적인 실세계 사건이 구축되고 관심의 장래 시간에(예를 들어, 지금부터 15분후, 지금부터 30분 후, 지금부터 1시간 후, 또는 지금부터 시간 t 내에) 관측자에 의해 예측된 예상 결과와 비교될 수 있고, 돌발 사태의 예측 모델을 구축하기 위한 기계 학습을 통한 돌발 사태의 모델이 구축될 수 있다.

또다른 방법에서, 특정의 유형의 사건에 관해 직접 추론하지 않고 돌발 사태, 비전형적인 일, 및/또는 이례적인 일의 상위 레벨의 속성에 관해 추론하는 모델이 예측 모델(102)과 관련하여 이용될 수 있다. 예를 들어, 어떤 시간 프레임 내에 돌발적인 경우가 일어나는 경우 그 경우가 특정의 부류인지의 여부가 예측될 수 있다. 예로서, 관측자와 관련하여 지난 1년 동안에 일어났던 최고 수준의 돌발적인 사건의 속성에 연관된 데이터가 수집될 수 있고, 그와 관련한 통계가 장래의 가능성있는 돌발적인 경우에 관해 추론하는 모델로서 이용될 수 있다. 예를 들어, 사적 영역 또는 공적 영역에서 과거 10년 각각의 상위 n개의 가장 돌발적인 사건들이었던 사건과 연관된 일련의 속성이 평가될 수 있다. 이들 한계 통계(marginal statistics)는 장래의 돌발적인 경우들이 일어나는 경우 이들의 속성을 순서화하는 데 이용될 수 있다. 예를 들어, "보이지 않도록 감춰진 일군의 조정된 행동을 수반함", "명시적으로 모델링되지 않은 금융 제도를 수반함", 기타 등등.

특히 어렵거나 까다롭게 될 결과와 연관된 장래의 상황에 관해 추론하는 데도 기계 학습이 이용될 수 있는데, 그 이유는 가능한 결과들이 아직 모델링되지 않았을 수 있거나 예측 모델(102)이 어떤 상황에서는 무기력한 것으로 예측 모델(102)이 판정할 수 있는 상황이 존재할 수 있기 때문이다. 상기한 방법에 의해, 결과가 예측 모델(102) 또는 다른 모델 내에 명시적으로 모델링되지 않은 것으로 밝혀지거나 시스템이 돌발적인 방식으로 실패한 상황들이 포착될 수 있다. 이것과 같은 다가올 있음직한 실패에 관한 경우들의 케이스 라이브러리는 기계 학습의 이러한 이용와 관련하여 분석될 수 있다. 비모델링된 상황의 미숙한 처리에 기초한 다가올 비모델링된 상황 또는 무기력의 예측 모델을 구축함에 있어서 또는 비모델링된 상황을 단순히 식별함에 있어서, 다가올 비모델링된 상황 또는 미숙한 응답의 상황들의 케이스 라이브러리가 구축될 수 있고, 이러한 상황은 예측 모델(102)에 의해 예측될 수 있다. 구축된 예측 모델(102)의 예측 능력은 경우들의 훈련 세트로부터 예측 모델(102)을 구축하는 것 및 이러한 목적을 위해 보유된 세트 테스트 데이터에 대비하여 이러한 모델(102)의 예측 능력을 테스트하는 것에 의해 테스트될 수 있다.

비모델링된 상황을 고려하면서 예측 모델(102)을 구축하는 다른 방법은 예측 모델(102)에 의해 출력된 예측이 올바를 가능성이 없을 때 사용자 또는 시스템에 알려주기 위해 장래를 예측하지 못할 것이라고 예측할 수 있는 예측 모델(102)을 구축하는 것이다. 기계 학습은 장래를 예측할 수 없는 것과 연관된 일련의 관측 또는 상태에 표시를 함으로써 이러한 상황을 식별하는 데 이용될 수 있다. 장래의 돌발 사태, 비전형적인 일, 이례적인 일, 비모델링된 사건, 또는 보다 일반적으로 시스템 또는 사람에 의해 제대로 처리될 것 같지 않은 상황의 이러한 모델이 현재의 관측에 기초하여 예상치 못한, 당황케하는 또는 비모델링된 상황이 다가올 가능성이 있음을 사람 또는 자동화된 시스템에 경고하는 데 이용될 수 있다. 이러한 상황이 장래에 다가올 가능성에 관하여 알고 있다는 것은, 심지어 불확실한 경우에도, 개인 또는 시스템이 돌발적인 또는 거의 어려운 상황에 대한 대비를 하고자 할 수 있는 경우에는 대안의 정황 또는 상황을 선택할 수 있도록 해주기 위해 이들에 경고할 수 있다.

예측 모델(102)은 또한 사람 또는 시스템이 불확실성 하에서 예상치 못하게 중요한 상황에 놓여 있을 수 있는 경우 상황을 안내하거나 진척시키기 위해 사용될 수 있다. 장래에 관한 관측자의 예상의 모델의 추론과 그 동일한 장래의 기간에 대한 월드 결과의 더 훌륭한 보다 정확한 모델의 추론 간의 차이에 기초하여 정보를 경보하기 위해 디스플레이가 구동될 수 있으며, 이 경우 이러한 모델 둘다는 예측 모델(102) 내에 존재한다. 이들 디스플레이는 사람 또는 시스템이 기본적인 예상을 가지고 있으며 사용자에게 돌발적인 것인 무언가가 있거나 장래에 있게 될 가능성이 있지 않는 한 이들에게 경고할 이유가 없는 것으로 가정할 수 있다. 예로서, 경보 시스템에 있어서, 교통 예측 응용으로 다시 돌아가면, 개인은 장래의 관심의 시간대에 관심의 경로를 따라 교통량이 놀랄정도로 원할하거나 심각할 것으로 예상할 수 있는 때에 관하여 경고를 받을 수 있다. 이들 개인은 개인이 예상하게 되는 교통 상황(관측자 기반의 예상 모델에 의해 판정됨)에 대해 경고를 받고자 하지 않을 수 있다. 다른 응용으로서, 놀라게 하는 장래의 예측에 관한 추론에 기초하여, 사용자는 언젠가는 원격지에 도착한다는 제약 내에서 더 일찍 또는 더 늦게 출발하도록 경고를 받을 수 있다. 다른 예에서, 예측 모델(102)은 경고 시스템 내에서 이용될 수 있으며 사용자에게 영향을 주는 돌발적인 사건의 예측이 주어진 경우 아침에 더 늦게 또는 더 일찍 사용자를 잠에서 깨울 수 있다.

예측 모델(102)은 장래의 돌발적인 사건/일을 정확하게 예측하는 예측 모델(102)의 능력에 관한 예측을 제공하는 모델(도시 생략)을 포함할 수 있다. 따라서, 예측 모델(102)은 자동적으로 예측의 정확도를 하이라이트할 수 있거나 예측을 신뢰하지 않는 경우를 판정할 수 있으며, 그에 따라 사용자는 장래를 대비함에 있어서 그 예측에 덜 의존할 수 있게 된다. 로봇 시스템은, 비모델링된 사건, 또는 예측 능력 부족, 또는 돌발적인 실패의 예측 모델의 추론에 따라, 대안의 방법 또는 경로를 선택하기 위해 현재의 경로 또는 궤도 상에 일어나는 비모델링된 또는 돌발적인 사건, 또는 그 시스템이 무기력하게 될 가능성이 있는 그 밖의 어려운 상황을 예측하는 모델을 사용하고자 할 수 있으며, 이 경우 돌발 사태 또는 난제에 부닥칠 가능성이 더 적어지게 된다.

돌발적인 사건의 발생의 예측을 생성할 때, 예측 모델(102)은 사용자에게 생성된 예측을 제공할 수 있는 사용자 인터페이스 컴포넌트(104)에 이러한 예측을 중계한다. 예를 들어, 사용자 인터페이스 컴포넌트(104)는 생성된 예측을 사용자에 게 시각적으로 디스플레이하는 그래픽 사용자 인터페이스(GUI), 예측을 사용자에게 소리로 제공하는 스피커, 또는 임의의 다른 적당한 인터페이스와 연관될 수 있다. 게다가, 사용자 인터페이스 컴포넌트(104)는 랩톱, PDA, 셀룰러 폰, 스마트 폰, 및 기타 등등의 휴대용 장치 상에 존재할 수 있거나 데스크톱 퍼스널 컴퓨터 등의 고정된 장치 상에 존재할 수 있다. 교통 응용에서, 사용자 인터페이스 컴포넌트(104)는 경로를 따라 감으로써 사용자에게 이러한 경로를 동적으로 디스플레이할 수 있으며, 이 경우 따라가는 동안의 줌(zoom) 정도는 지도 상의 데이터 지점 간의 거리, 경로에서의 하나 이상의 데이터 지점으로부터의 거리, 경로 내의 데이터 지점의 수, 기타 등등의 함수이다. 예를 들어, 사용자는 사용자가 관심을 갖고 있는 경로를 따라 몇개의 고속도로 부분(혼잡하거나 혼잡할 것으로 예상되는 복수의 고속도로 부분 등)이 있는 이러한 경로를 통과하고자 할 수 있다. 경로의 시작점에서, 디스플레이는 특정의 줌과 연관될 수 있으며, 디스플레이가 경로를 따라 이동하기 시작할 때, 디스플레이는 "줌 아웃"하고, 줌의 비율은 데이터 지점들 간의 거리, 한 데이터 지점으로부터의 거리, 및/또는 경로 상의 데이터 지점의 수의 함수이다. 줌은 경로에 대한 더 많은 정황을 사용자에게 제공하기 위해 이용되며, 경험으로 볼 때 종래의 시스템보다 사용자에게 더 만족을 주는 것으로 밝혀졌다. 사용자 인터페이스 컴포넌트(104)(예를 들어, 디스플레이)가 사용자가 데이터 지점에 가까이 있음을 보여줄 때, 디스플레이는 "줌 인"하며, 다시 말하지만 줌의 비율은 데이터 지점들 간의 거리, 한 데이터 지점으로부터의 거리, 및/또는 경로 상의 데이터 지점의 수의 함수이다. 이러한 줌의 예가 첨부된 부록에 제공되어 있다.

시스템(100)은 서버와 클라이언트의 조합으로 또는 클라이언트 단독으로 구현될 수 있다. 예를 들어, 사용자 인터페이스 컴포넌트(104)를 포함하는 컴퓨팅 장치는 예측 모델(102)을 호스팅하는 서비스에 가입할 수 있다. 예측 모델(102)은 서버 상의 프로세서 및 메모리와 연관될 수 있으며, 그곳에서 계산이 행해질 수 있다. 이어서, 생성된 예측은 무선 및/또는 유선 네트워크를 통해 사용자 인터페이스로 전달될 수 있다. 게다가, 지도 또는 지도의 일부분이 클라이언트로 전달되어 클라이언트 상의 메모리에 캐싱될 수 있기 때문에, 예측에 관한 디스플레이는 그 후에 서버로 전달되어 클라이언트 상에 캐싱된 그래프 상에 위치될 수 있다. 그렇지만, 프로세싱 및 메모리 용량이 증가함에 따라, 시스템(100)은 그 전체가 클라이언트 내에 존재할 수 있다.

이제 도 2를 참조하면, 돌발적인 사건/상황의 예측의 생성을 용이하게 해주는 시스템(200)이 예시되어 있다. 시스템(200)은 수신된 정황 데이터 및 이력 데이터의 함수로서 돌발적인 사건에 관한 예측을 생성하는 예측 모델(202)을 포함한다. 정황 데이터는 예를 들어 하나 이상의 센서(204)를 통해 및/또는 하나 이상의 데이터 수집 컴포넌트(206)를 통해 예측 모델(202)에 전달될 수 있다. 예를 들어, 예측 모델(202)이 교통 패턴을 예측하는 응용에서, 센서(204)는 자동차의 존재, 자동차의 대략적인 속도, 기타 등등을 검출하는 도로 상의 무게 센서일 수 있다. 교통에 관한 다른 예에서, 자동차와 연관된 GPS 센서가 도로 상의 자동차와 관련한 정황 데이터를 수신하는 것과 연계하여 이용될 수 있다. 이들 센서는 자동차 내에, 셀룰러 폰, PDA, 기타 등등 내에 통합되어 있을 수 있다. 또다른 예에서, 센 서(204)는 셀룰러 폰와 기지국 간의 핸드쉐이킹을 모니터링하는 것에 관련될 수 있으며, 따라서 도로 상의 개인의 위치의 또다른 표시를 제공한다. 게다가, 온도, 시간, 기타 등등에 관한 센서가 정황 데이터를 획득하기 위해 이용될 수 있다. 따라서, 예측 모델(202)이 이용하기 위한 정황 데이터를 획득하는 것과 관련하여 임의의 적당한 센서가 이용될 수 있다. 예측 모델(202)의 설계 대상인 응용에 관한 변수를 얻기 위해 텔레비전, 라디오, 및 인터넷을 모니터링하는 데 데이터 수집 컴포넌트(206)가 이용될 수 있다. 예를 들어, 예측 모델(202)이 교통 예측과 관련하여 이용되는 경우, 요일, 스포츠 행사의 진행, 및 날씨가 교통에 영향을 줄 수 있음은 잘 알려져 있다. 따라서, 데이터 수집 컴포넌트(206)는 라디오 뉴스 방송에서 설명되는 날씨를 판정하기 위한 음성 인식 메카니즘, 스포츠 행사 또는 다른 적당한 행사를 모니터링하기 위한 텍스트-인식 메카니즘, 기타 등등의 이용을 통해 데이터를 획득할 수 있다. 따라서, 예측 모델(202)에 의해 이용될 수 있는 임의의 적당한 장치/메카니즘이 생각되고 있다.

예를 들어, 예측 모델(202)은 베이지안 네트워크, 동적 베이지안 네트워크 및 연속 시간 베이지안 네트워크 등의 그래픽 확률 모델, 은폐 마르코프 모델(Hidden Markov Model, HMM), 마르코프 프로세스, 입자 필터링, 깁스 샘플링 기반 방법, 신경망, 지원 벡터 머신, 미분 방정식, 논리 기반 추론 시스템, 및 퍼지 논리 중심 방법 중 하나 이상을 이용하는 것 등의 통계적 방법을 통해 구축될 수 있다. 한 특정의 예에서, 예측 모델(202)은 장래의 돌발적인 사건의 예측을 생성하는 것과 관련하여 하나 이상의 베이지안 네트워크(208)를 이용할 수 있다. 베이지 안 네트워크(208)는 추상화된 사건에 영향을 미치는 변수를 포함할 수 있으며, 이들 변수 및 영향은 그 안에 모델링될 수 있다. 예를 들어, 베이지안 네트워크(208)는 교통 시스템에서의 일련의 문제가 되는 교통 상습 정체 구역 또는 병목 현상 지역에 대한 혼잡때까지의 시간 및 혼잡 해소때까지의 시간을 나타내는 랜덤 변수를 포함할 수 있으며, 교통 흐름을 예측하는 것은 이러한 랜덤 변수에 관해 추론하는 것과 관련될 수 있다. 게다가, 병목 현상 지역을 분석 및 식별하는 도구(도시 생략)가 예측 모델(202)과 관련하여 이용될 수 있다. 예측 모델(202)과 관련하여 이용될 수 있는 예시적인 도구의 예시는 도 25 내지 도 29에서 찾아볼 수 있다.

교통 상황의 예측에 관한 예에 계속하여, 제1 도로의 특정 지역에서의 사고는 제2 도로의 특정 지역에서의 교통 상황에 영향을 줄 수 있다. 다른 예에서, 날씨 상황은 특정 도로의 특정 부분에 다른 도로의 부분들보다 더 많은 영향을 미칠 수 있다. 따라서, 베이지안 네트워크(208) 내의 변수들은 도로의 부분들의 추상화, 도로 상의 교통에 영향을 미치는 사고, 도로 상의 교통과 관련한 날씨, 및 임의의 다른 적당한 수의 변수를 포함할 수 있다. 베이지안 네트워크(208)는 도로 및 도로 상의 교통에 영향을 미치는 변수의 거의 완전한 표현일 수 있다. 다른 예에서, 베이지안 네트워크(208)는 사용자 예상을 모델링하는 데 이용될 수 있으며, 이 경우 이러한 예상은 안정된 모델에 의해 출력된 예측과 상당히 다를 수 있다.

예측 모델(202)은 개인에게 돌발적인 사건의 가능한 발생을 경고하는 데 이용되는 돌발적인 사건 정의(210)를 포함할 수 있다. 돌발적인 사건 정의(210)는 여러가지 방식으로 생성 및/또는 정의될 수 있으며, 그 중 적어도 일부가 도 1과 관련하여 기술되었다. 예를 들어, 돌발적인 사건 정의는 임계 확률 이상 및/또는 그 이하에서 발생하는 사건과 관한 것일 수 있다. 따라서, 예측된 발생 확률이 임계값을 벗어나는 경우 사용자는 경고를 받을 수 있다. 다른 예에서, 돌발적인 사건 정의(210)는 관측자 관련 모델에 의해 모델링되지 않는 사건에 관한 것일 수 있으며, 따라서 돌발적인 사건 정의(210)에 의해 정의되는 이러한 사건은 일반적으로 사용자가 예상치 못한 것이다. 따라서, 돌발적인 사건의 존재를 판정하고 개인에게 이러한 사건의 임박한 발생 및/또는 그의 확률을 경고하기 위해 돌발적인 사건 정의(210)와 관련하여 개별적인 모델, 즉 관측자 관련 모델 및 보다 철저한 실질적인 모델이 이용될 수 있다. 그렇지만, 돌발적인 사건을 정의하는 임의의 적당한 방법이 생각되고 이들 방법이 본 명세서에 첨부된 청구항의 범위에 속하는 것으로 보아야 한다는 것을 잘 알 것이다.

예측 모델(202)은 또한 장래의 돌발적인 사건에 관한 예측과 함께 시간 데이터를 출력함에 있어서 예측 모델(202)을 지원하는 타이밍 컴포넌트(212)도 포함한다. 예를 들어, 장래에 언젠가 특정 지역에서 교통이 혼잡하게 될 것임을 개인에 통지하는 것이 그 개인에 도움이 되지 않는데 그 이유는 이러한 개인은 그 혼잡이 어느 시간에 예상되는지, 예상된 혼잡의 기간, 및 기타 등등을 알 방법이 없기 때문이다. 따라서, 타이밍 컴포넌트(212)는 시간 값을 예측 모델(202)에 의해 출력된 예측과 연관시키는 데 이용될 수 있으며, 따라서 예측된 장래의 돌발적인 사건의 함수로서 의사 결정을 하는 데 이용될 수 있는 필수 정보를 사용자에게 제공한다. 시스템(200)은 또한 예측 정보를 사용자에게 제공하는 사용자 인터페이스 컴 포넌트(214)도 포함한다. 일례에 따르면, 사용자 인터페이스 컴포넌트(214)는 자동차 내에 존재할 수 있으며, 그에 따라 사용자가 이동 중에 있을 때 동적 예측이 행해질 수 있게 해준다.

사용자가 걱정하고 있는 지역을 판정하는 일을 돕기 위해, 지역 또는 전체 경로가 모니터링될 때, 적극적으로는 모바일 경보 조건이 만족되는 경우에(예를 들어, 하루 중 적당한 시간이고 경보 조건이 만족되며 사용자가 데스크톱 상에 있지 않는 것으로 감지되는 경우) 데스크톱 또는 모바일 경보가 (예를 들어, 스마트폰 상의 경보를 통해 또는 통상의 셀 폰 상의 SMS 메시지를 통해) 행해질 때, 일련의 병목 현상 지역을 선택하고 이들을 시각과 연계시킴으로써 경로(예를 들어, 통근 경로)를 구성하는 일련의 병목 현상 지역을 선택하는 것을 비롯하여, 도구/인터페이스(도시 생략)는 사용자가 일련의 상습 정체 지역 또는 병목 지역을 선택하고 이들을 사용자가 걱정하는 지역으로서 표시할 수 있게 해준다. 스마트폰은 시각에 따라 플라이오버(flyover), 자동화된 스크롤링, 기타 등등을 통해 적절한 병목 지점을 보여주도록 설정될 수 있다.

이제 도 3을 참조하면, 장래에 일어날 수 있는 돌발적인 상황의 예측의 생성을 용이하게 해주는 시스템(300)이 예시되어 있다. 시스템(300)은 장래의 돌발적인 사건의 예측을 생성하고 또 그 예측과 관련한 확률을 생성할 수 있는 예측 모델(302)을 포함한다. 예측 모델(302)은 수신된 정황 데이터 및 수신된 이력 데이터의 함수로서 돌발적인 사건(또는 비전형적인/이례적인)의 예측을 생성한다. 예측 모델(302)은 사용자 중심 정보(304)를 포함하며, 그에 따라 예측 모델(302)이 사용 자를 놀라게 할 사건을 판정할 수 있게 해준다. 보다 구체적으로는, 사용자 중심 정보(304)는 예측된 돌발적인 사건 중 어느 것이 사용자에게 중요한지를 판정하는 데 예측 모델(302)에 의해 이용될 수 있다. 예로서, 사용자는 매일 3시에 근무지를 출발하여 거주지로 돌아오기 위해 어떤 경로를 따라 이동할 수 있으며, 이 경우 그 경로는 일반적으로 교통 혼잡이 없다. 따라서, 예측 모델(302)이 사용자가 일반적으로 택하는 경로에 혼잡이 발생할 것으로 예측하는 경우, 예측 모델(302)은 이 예측된 혼잡을 사용자에게 알려줄 수 있다. 그렇지만, 예측 모델(302)이 사용자가 지나가지 않는 경로 상의 혼잡을 예측하는 경우, 이러한 예측을 사용자에게 제공하는 것은 바람직하지 않을 수 있다(왜냐하면 그 예측이 사용자과 관련이 없기 때문이다).

예측 모델(302)은 또한 돌발적인 사건과 연관된 확률을 판정하는 확률 분석 컴포넌트(306)도 포함할 수 있다. 예를 들어, 사용자는 아주 적은 발생 확률과 연관된 돌발적인 사건의 예측을 제공받는 것을 원하지 않을 수 있다. 따라서, 확률 분석 컴포넌트(306)는 예측된 돌발적인 사건과 연관된 확률을 계산할 수 있으며, 사용자는 계산된 확률이 정의된 임계값 이상 또는 그 이하인 경우에 예측을 제공받을 수 있다.

예측 모델(302)은 또한 사용자가 돌발적인 것으로 간주하는 사건을 사용자가 예측 모델(302)에 알려줄 수 있게 해주는 업데이트 컴포넌트(308)를 포함할 수 있다. 업데이트 컴포넌트(308)는 특정의 사건이 예측 모델(302)에 의해 모델링되지 않거나 및/또는 돌발적인 것으로 간주되지 않을 때 중요할 수 있다. 돌발적인 사 건이 모델링되지 않은 경우, 업데이트 컴포넌트(308)는 사용자가 돌발적인 것으로 간주하는 사건에 관하여 사용자로부터 정보를 수신할 수 있으며 또 그 사건과 관련된 정황 데이터를 (센서, 라디오, 사용자 입력 및 기타 등등으로부터) 획득할 수 있다. 따라서, 예측 모델(302)은 사용자에 의해 지정된 사건을 포함하도록 확장될 수 있다. 사건이 모델링되어 있지만 예측 모델(302)이 그 사건의 발생을 돌발적인 것으로 간주하지 않는 경우, 업데이트 컴포넌트(308)는 사용자 입력을 수신하고 이러한 사건의 예측이 장래에 일어나는 경우에 예측 모델(302)로 하여금 그 사건을 돌발적인 사건으로서 출력하도록 할 수 있다.

시스템(300)은 또한 예측 모델(302)의 정확도를 분석하고 모델(302)의 성능을 향상시키기 위해 모델(302)을 자동적으로 튜닝하는 모델 분석기 컴포넌트(310)도 포함할 수 있다. 예를 들어, 모델 분석기 컴포넌트(310)는 예측 모델(302)에 의해 출력된 예측을 추적하고 이러한 예측을 사건의 발생과 비교할 수 있다. 모델 분석기 컴포넌트(310)는 예측 모델(302)의 성능을 향상시키기 위해 이러한 모델(302)을 자동적으로 튜닝하는 데 여러가지 기계 학습 알고리즘 및/또는 기술을 이용할 수 있다. 특히, 모델 분석기 컴포넌트(310)는 베이지안 네트워크, 퍼지 논리 시스템, 신경망, 또는 임의의 다른 적당한 기계 학습 메카니즘을 포함할 수 있다.

시스템(300)은 또한 사용자 인터페이스 컴포넌트(312)를 포함하며, 이를 통해 사용자는 예측 모델(302)에 정보를 제공하기 위해 이러한 모델(302)과 통신할 수 있다. 예를 들어, 사용자는 사용자 인터페이스 컴포넌트(312)를 통해 사용자가 돌발적인 사건인 것으로 생각하는 것을 예측 모델(302)에 알려줄 수 있다. 이러한 통신을 용이하게 해주기 위해, 사용자 인터페이스(312)는 음성 인식 시스템, 압력 감지 스크린, 포인팅 및 클릭킹 메카니즘, 자기 포인팅 메카니즘, 및/또는 이들의 임의의 적당한 조합을 이용할 수 있다. 사용자 인터페이스 컴포넌트(312)는 또한 예측 모델에 의해 출력된 예측을 사용자에게 전달하는 데도 이용될 수 있다.

이제 도 4를 참조하면, 장래에 발생할 수 있는 돌발적인 사건(및/또는 비전형적인 또는 이례적인 상황)을 예측하는 것 및 이러한 예측을 사용자에게 제공하는 것을 용이하게 해주는 시스템(400)이 예시되어 있다. 시스템(400)은 장래의 돌발적인 사건의 발생, 그와 연관된 타이밍, 및 그와 연관된 확률을 예측할 수 있는 예측 모델(402)을 포함한다. 예측 모델(402)은 도 2와 관련하여 기술된 것들과 유사한 장치일 수 있는 센서(들)(404) 및 데이터 수집 컴포넌트(406)로부터 수신된 정황 데이터의 함수로서 예측을 생성할 수 있다. 게다가, 예측 모델(402)은 데이터 스토어(410) 내에 존재하는 과거의 관측(408)의 함수로서 장래에 발생할 수 있는 돌발적인 사건의 예측을 출력할 수 있다. 데이터 스토어는 종래의 하드 디스크, 분리형 디스크, 플래쉬 메모리 기타 등등의 임의의 적당한 데이터 저장 메카니즘일 수 있다.

한 예에서, 예측 모델(402)은 예측 모델(402)로 하여금 전형적인 또는 비돌발적인 사건과 비전형적인 또는 돌발적인 사건 간을 구분할 수 있게 해주는 돌발적인 사건 정의(들)(412)를 포함할 수 있다. 예를 들어, 예측 모델(402)은 사용자에게 돌발적인 것이 아니며 따라서 사용자게 의해 검토되는 것이 바람직하지 않은 장래의 사건에 관한 예측을 생성할 수 있다. 그렇지만, 예측 모델(402)이 돌발적인 사건 정의(들)(412)에 따라 예측을 생성하는 경우, 돌발적인 사건의 예측이 사용자에게 출력될 수 있다. 다른 예에서, 돌발적인 사건 정의(들)(412)는 사용자 예상 모델(414)의 출력과 월드 모델(416)의 출력 간의 비교에 의해 업데이트 및/또는 지원될 수 있다. 사용자 예상 모델(414)은 일반적인 사용자가 제한된 수의 변수들 간의 단순한 상관관계인 경향이 있는 예측을 행하는 방식을 에뮬레이트할 수 있다. 따라서, 돌발적인 사건은 사용자 예상 모델(414)의 고려 또는 예상을 벗어나 있는 사건으로서 정의될 수 있다. 월드 모델(416)은 더 많은 수의 변수 및 이들간의 관계를 고려하는 보다 복잡한 확률 모델일 수 있으며, 여기서 상당한 수의 이러한 변수 및 관계는 예측을 생성할 때 종종 일반적인 관측자에 의해서는 고려되지 않는다. 따라서, 거의 유사한 정황 데이터 및 이력 데이터가 주어진 경우, 월드 모델(416) 및 사용자 예상 모델(414)은 엄청나게 다른 장래 예측을 출력할 수 있다. 이러한 일이 일어날 때, 돌발적인 사건 정의(들)(412)가 그 사건으로 업데이트될 수 있으며, 사용자는 사용자 인터페이스 컴포넌트(418)를 통해 가능한 돌발적인 사건의 예측을 제공받을 수 있다. 게다가, 예측 모델(402)의 효율성 및 성능을 향상시키기 위해, 센서(들)(404) 및 데이터 수집 컴포넌트(406)에 의해 수집된 데이터는 물론 그와 연관된 사건의 예측 및 실제 사건도 데이터 스토어(410)에 과거의 관측(408)으로서 저장될 수 있다. 따라서, 시간에 따라, 예측 모델(402)은 점차적으로 정확하게 될 수 있다.

사용자 예상 모델(414)에 대해 더욱 상세히 기술하기 위해, 본 명세서에 교통과 관련한 예가 제공된다. 사용자 예상 모델은 요일들 내의 특정의 시간 세그먼 트에 대한 도로 시스템에서의 특정 위치의 상태를 기술하는 한계 통계(marginal statistics)를 이용하여 구축될 수 있으며, 그에 따라 한계 모델(marginal model)을 생성하게 된다. 이러한 모델은 (시각 및 요일과 함께) 날씨 및 휴일 상황 등의 하나 이상의 기계 학습 절차가 고려하는 변수들의 일부에 의해 좌우될 수 있다. 이러한 데이터는 통근자가 즉시 이용가능한 것이다. 교통에 관한 돌발 사태를 식별하기 위해, 한계 모델[사용자 예상 모델(414)을 구성함]의 출력이 실시간 상황 및/또는 월드 모델(416)[더 많은 변수 및 이들 간의 상호 의존 관계를 고려함]의 출력과 비교될 수 있다.

이제 도 5를 참조하면, 장래에 일어날 수 있는 돌발적인 사건의 예측을 생성할 수 있는 예측 모델을 구축하는 것을 용이하게 해주는 시스템(500)이 예시되어 있다. 시스템(500)은 데이터(예를 들어, 상황 및 변수들의 상호 의존 관계)에 의해 표현될 수 있는 복수의 돌발적인 상황(504-508)을 포함하는 케이스 라이브러리(502)를 포함한다. 예를 들어, 케이스 라이브러리(502)(또는 복수의 라이브러리)는 긍정적 또는 부정적인 방식으로 관측자의 유용성에 영향을 미칠 가능성이 있는 것으로 간주되는 돌발적인 사건에 집중될 수 있다. 게다가, 돌발적인 상황(504-508)은 제대로 특징지워지지 않은 유용성을 가질 수 있다. 다른 방법에서, 케이스 라이브러리(502)는 결과가 확률 분포를 벗어나 있는 경우들을 포함할 수 있다. 환언하면, 예를 들어 예상치 못한 또는 돌발적인 교통량이 도로의 특정 부분에 존재하는 경우들 및 교통량이 임계의 표준편차 수만큼 평균 교통량 이상 또는 그 이하인 경우들이 식별될 수 있으며, 이러한 경우들은 케이스 라이브러리(502)에 돌발적 인 상황(504-508)으로서 저장될 수 있다. 교통 혼잡과 관련한 예에서, 교통 데이터, 시각, 요일, 휴일이 진행 중인지 여부, 학교가 개학 중인지 여부, 스포츠 행사 등의 한 지역에서의 대규모 행사의 시작 및 종료 시간, 강수 상황·가시도·온도 및 일조량을 비롯한 날씨에 관한 동기화된 정보가 저장될 수 있다. 예를 들어, 이 정보는 인터넷 상의 소스들로부터 및/또는 센서들을 통해 수집될 수 있다. 그렇지만, 케이스 라이브러리(502)를 구축하고 그 안에 있는 상황들을 분류하는 임의의 적당한 방식이 생각되고 있다.

게다가, 돌발적인 상황(504-508)에 시간상 근접한 데이터가 케이스 라이브러리(502) 내에 저장될 수 있다. 보다 상세하게는, 돌발적인 상황(504-508)과 관련한 관측이 케이스 라이브러리(502) 내의 돌발적인 사건과 연계될 수 있다. 예를 들어, 교통 응용에서, 날씨에 관한 관측, 사고 보고, 주요 행사(예를 들어, 스포츠 행사), 특정의 교통 시스템 전반에 걸쳐 교통 흐름의 이력에 관한 관측 상황, 기타 등등을 비롯하여, 돌발적인 상황(504-508)에 앞서 획득된 관측이 획득될 수 있다. 시간 임계값이 정의될 수 있으며, 이러한 시간 임계값 내에서의 관측이 획득될 수 있다.

케이스 라이브러리(502)의 내용은 예측 모델(514)을 생성하는 데 도움을 주기 위해 기계 학습 컴포넌트(512)를 이용하는 모델 생성기(510)에 전달될 수 있으며, 여기서 모델(514)은 돌발적인 상황을 비롯한 사건 및/또는 상황의 장래의 발생을 예측하는 데 이용된다. 예를 들어, 기계 학습 컴포넌트(512)는 예측 모델(514)을 설계하기 위해 구조 검색 및 파라미터 최적화를 통해 구축되는 베이지안 네트워 크 모델, 통계적 분류기, 신경망 방법에 관련될 수 있다. 이러한 기술을 이용하는 모델 생성기(510)는 예측 모델(514) 내에 그래픽 뷰를 생성할 수 있으며, 그에 따라 모델링할 그래픽 뷰를 제공한다(또 개인이 다수의 변수 및 영향을 시각화할 수 있게 해준다). 한 예에서, 복수의 개별적인 위치(예를 들어, 서로 다른 교통 병목 지점)에 대한 모델을 구축하기 보다는, 모델 생성기(510)는 다수의 위치 및 변수들 간의 상호 의존 관계를 포착하도록 예측 모델(514)을 구축할 수 있다. 교통과 관련하여, 이러한 방법을 이용하는 것은 예측 모델(514)로 하여금 병목 지점을 통과하는 흐름들 간의 의존관계 및 시간상 관계에 관해 알 수 있게 해준다. 모델 생성기는 또한 돌발적인 상황(504-508)과 연관될 수 있는 돌발 사태 정의(516)를 수신하고 이들 정의(516)를 예측 모델(514)에 포함할 수 있다. 게다가, 사용자 예상 모델(518)이 생성되어 모델 생성기(510)에 제공될 수 있으며, 따라서 돌발 사태 정의(516)와 관련한 예측 출력이 사용자 예상 모델(518)을 통해 생성된 예상 출력과 비교될 수 있다. 따라서, 예측 모델(514)은 돌발적인 사건을 정의하는 것은 물론 장래의 돌발적인 사건의 예측 및 그와 연관된 확률을 출력하는 여러가지 메카니즘을 포함할 수 있다.

이제 도 6 내지 도 9를 참조하여, 이제부터 청구된 발명 대상에 따른 방법이 일련의 동작을 통해 기술된다. 본 명세서에 도시되고 기술된 것으로부터 어떤 동작들이 다른 순서로 및/또는 다른 동작과 동시에 행해질 수 있기 때문에, 청구된 발명 대상이 동작들의 순서에 의해 제한되지 않음을 잘 알 것이다. 예를 들어, 당업자라면 다른 대안에서 방법이 상태도에서와 같이 일련의 상호 관련된 상태 또는 사건으로서 표현될 수 있음을 잘 알 것이다. 게다가, 예시된 모든 동작들이 청구된 발명 대상에 따라 방법을 구현할 필요가 없을 수도 있다.

단독으로 도 6을 참조하면, 예측 모델로부터 예측을 생성하는 방법(600)이 예시되어 있다. 단계(602)에서, 예측 데이터 모델이 수신된다. 이러한 모델은 예를 들어 하나 이상의 베이지안 네트워크를 포함할 수 있고, 신경망 또는 퍼지 논리 및 임의의 다른 적당한 형태의 기계 학습을 이용할 수 있다. 게다가, 예측 데이터 모델은 이력 데이터, 사용자 예상, 기타 등등의 함수로서 생성될 수 있다. 단계(604)에서, 돌발적인 경우에 대한 정의가 제공된다. 이러한 정의를 생성하는 것은 이상에서 상세히 기술하였다. 단계(606)에서, 정황 데이터가 획득되고 예측 모델로 전달된다. 이러한 데이터는 센서, 웹 사이트, 라디오, 또는 임의의 다른 적당한 정보 위치로부터 획득될 수 있다. 예를 들어, 정보는 사용자와의 대화를 통해 직접 획득될 수 있다. 단계(608)에서, 돌발적인 사건이 예측되었는지 여부에 관한 판정이 행해진다. 돌발적인 사건이 예측된 경우, 단계(610)에서, 사용자는 예측된 사건에 관한 정보를 제공받는다. 예를 들어, 교통과 관련하여, 사용자에게 돌발적인 것인 혼잡이 장래에 일어날 것으로 예측되는 경우, 사용자는 예측된 혼잡의 위치, 예측된 혼잡의 발생 시간, 혼잡이 해소될 것으로 예측되는 시간, 및 상기한 예측의 정확성과 관련한 확률을 제공받을 수 있다. 이어서, 단계(612)에서 예측 및 정황 데이터가 예측 모델을 개선시키기 위해 유지될 수 있다. 단계(608)에서 돌발적인 사건이 예측되지 않은 경우, 수집된 정황 데이터가 모델의 성능을 향상시키기 위해 유지될 수 있다.

이제 도 7을 참조하면, 장래에 일어날 수 있는 돌발적인 사건을 예측하는 방법(700)이 예시되어 있다. 단계(702)에서, 사용자 예상 모델이 생성된다. 예를 들어, 이 모델은 사람이 장래의 일에 대한 예측을 생성하는 방식을 충분히 모방할 수 있으며, 이는 일반적으로 단순히 선택된 수의 변수에 표시를 하고 그 변수들 간의 로우-레벨 상호 의존 관계를 인식하는 것에 의한다. 예를 들어, 극단적인 날씨 조건이 존재하는 경우, 사용자는 도로의 특정 부분이 혼잡을 겪게 될 것임을 예측할 수 있다. 그렇지만, 사용자는 종종 복잡한 상호 의존 관계를 인식하지 못하게 된다. 예를 들어, 제1 도로에서의 사고는 사용자가 가고 있는 제2 도로에서의 교통의 혼잡에 영향을 줄 수 있다. 이러한 사용자는 그 사고를 모를 수 있고, 또한 현재 가고 있는 도로 상에서의 그 사고와 혼잡 간의 관계를 인식하지 못할 수 있다.

단계(704)에서, 돌발적인 사건이 정의된다. 이들 사건은 사용자 예상 모델에 의해 고려되지 않는 사건, 임계 발생 확률을 벗어나는 사건, 사용자 선택 사건, 평균으로부터 특정의 표준 편차 수만큼 떨어져 있는 사건, 또는 돌발적인 사건을 정의하는 임의의 다른 적당한 방식으로서 정의될 수 있다. 이들 사건의 예는 케이스 라이브러리로부터 검색되어 장래에 일어날 수 있는 돌발적인 사건을 예측하는 모델을 생성하는 것과 관련하여 이용될 수 있다. 단계(706)에서, 예측 모델은 사용자 중심 모델 및 정의된 돌발 사태의 함수로서 생성된다. 특히, 예측 모델은 사용자 중심 모델의 출력을 분석하고 이러한 출력을 보다 안정된 모델의 출력과 비교할 수 있다. 이들 간에 큰 차이가 있는 경우, 사용자는 돌발적인 사건을 경고받을 수 있다. 게다가, 예측 모델이 정의된 돌발적인 사건과 거의 유사한 출력을 생성하는 경우, 사용자는 이러한 사건을 경고받을 수 있다. 예측 모델은 상기한 돌발적인 사건을 출력할 수 있도록 생성될 수 있다.

단계(708)에서, 정황 데이터가 수신된다. 예를 들어, 이 데이터는 센서(예를 들어, 도로 상에 있음), 카메라, GPS 시스템, 텍스트 인식 컴포넌트, 웹-크롤러, 음성 분석 컴포넌트, 또는 정황 데이터를 획득/수신하는 임의의 다른 적당한 수단을 통해 수신될 수 있다. 단계(710)에서, 예측 모델은 예측 출력을 생성한다. 단계(712)에서, 출력이 돌발 사태의 정의와 부합하는지 여부에 관한 판정이 행해진다. 출력이 돌발 사태 정의와 부합하지 않는 경우(예를 들어, 예측이 돌발적인 사건에 관한 것이 아닌 경우), 단계(708)에서 정황 데이터가 수신될 수 있다. 단계(712)에서 출력이 돌발 사태 정의와 부합하는 경우, 단계(714)에서 사용자는 돌발적인 사건의 예측을 제공받을 수 있다. 예를 들어, 사용자는 도로 상에서의 예상치 못한 혼잡, 예상치 못한 판매 횟수, 기타 등등에 관해 경고를 받을 수 있다. 사용자에게 예측된 돌발적인 사건에 관해 정보를 제공할 시에, 단계(708)에서 정황 데이터가 수신될 수 있다.

이제 도 8을 참조하면, 장래의 돌발적인 사건을 에측하는 예측 모델을 정교화하는 방법이 예시되어 있다. 단계(802)에서, 돌발적인 사건을 예측하는 데 이용되는 모델(들)이 생성된다. 이하에 기술하는 바와 같이, 이들 모델은 돌발적인 사건을 기술하는 사례 연구(case study)의 함수로서 구축될 수 있다. 게다가, 모델들은 돌발 사태 정의의 함수로서 생성될 수 있다. 단계(804)에서, 돌발적인 사건 은 생성된 모델을 통해 예측된다. 교통 응용에서, 혼잡 지점이 예측될 수 있으며, 이 경우 이러한 혼잡은 돌발 사태일 수도 아닐 수도 있다. 단계(806)에서, 예측 모델에 의해 출력된 예측이 저장된다. 단계(808)에서, 모델의 정확도가 판정된다. 이것은 모델에 의해 출력된 예측을 실제 사건과 비교함으로써 달성될 수 있다. 특정 예에서, 예측 모델은 교통이 어떤 시간에 도로의 특정 부분에서 혼잡하게 될 것이고 특정 기간 동안 계속 혼잡하게 될 것으로 예측할 수 있다. 이들 예측은 실제 결과와 비교될 수 있으며, 이 경우 그 결과는 센서 및/또는 사용자 입력을 통해 획득될 수 있다. 단계(810)에서, 모델은 판정된 정확도의 함수로서 업데이트된다. 따라서, 모델이 항상 부정확한 경우, 이러한 모델은 그에 따라 튜닝될 수 있다. 여러가지 기계 학습 메카니즘/기술이 예측 모델을 자동적으로 튜닝하는 것과 관련하여 이용될 수 있다.

이제 도 9를 참조하면, 돌발적인 사건을 예측할 수 있는 모델을 생성하는 방법(900)이 예시되어 있다. 단계(902)에서, 사건을 기술하는 데이터의 케이스 라이브러리가 획득된다. 예를 들어, 케이스 라이브러리는 돌발적인 사건, 전형적인 사건, 또는 임의의 다른 적당한 사건으로서 정의되는 사건을 포함할 수 있다. 단계(904)에서, 돌발적인 사건이 정의된다. 한 예에서, 단순한 사용자 중심 모델에서 고려되지 않은 사건들이 돌발적인 사건으로서 정의될 수 있다. 다른 예에서, 특정의 확률 범위를 벗어나 있거나 평균으로부터 특정의 표준편차 수만큼 떨어져 있는 사건들이 돌발적인 사건으로서 정의될 수 있다. 이상으로부터 판정될 수 있는 바와 같이, 돌발 사태를 정의하는 임의의 적당한 방법이 본 발명자에 의해 생각되며 첨부된 청구항의 범위에 속하는 것으로 보아야 한다.

단계(906)에서, 사용자 예상에 따라 예측을 생성하는 모델이 생성 및/또는 제공된다. 따라서, 이 모델은 사용자에 의해 일반적으로 고려되는 변수들 및 사용자에 의해 일반적으로 고려되는 변수들 간의 상호 의존 관계를 고려하도록 설계된다. 단계(908)에서, 모델 생성기가 제공되며, 여기서 이 모델 생성기는 정의된 사건 및 사용자 예상 모델의 함수로서 돌발적인 사건 예측기를 생성한다. 기술하지는 않았지만, 생성된 모델은 상당한 양의 데이터가 주어진 경우 여러가지 변수들 간의 여러가지 레벨의 상호 의존 관계를 판정할 수 있는 "월드" 모델을 포함할 수 있다. 따라서, "월드" 모델은 사용자 중심 모델보다 훨씬 더 복잡할 수 있다. 따라서, 사용자 중심 모델이 "월드" 모델에 의해 출력된 예측과 상당히 다른 예측을 출력하는 경우, "월드" 모델의 출력은 돌발적인 사건으로서 간주될 수 있다. 다른 예에서, "월드" 모델이 정의된 돌발 사태와 충분히 관련있는 예측을 출력하는 경우, 이러한 예측은 사용자에게 돌발적인 사건으로서 제공될 수 있다.

이제 도 10을 참조하면, 경로 기반 경보를 가능하게 해주는 경로의 사용자 정의를 예시한 스크린샷(1000)이 도시되어 있다. 예를 들어, [스크린샷(1000)에 디스플레이된 것과 유사한] 그래픽 정보를 디스플레이할 수 있는 도구를 이용하여, 사용자는 예를 들어 아침 통근 및 저녁 통근과 관련한 관심의 경로를 정의할 수 있다. 보다 상세하게는, 사용자는 아침 통근과 연관된 경로 및 시간, 저녁 통근과 연관된 경로 및 시간, 디스플레이에 대응하는 리프레쉬 율(refresh rate), 및 기타 등등을 정의할 수 있다. 이러한 사용자 정의를 가능하게 해주는 것을 용이하게 해 주는 데이터 입력 및 디스플레이 엔티티(1002)가 제공될 수 있다. 게다가, 이러한 경로 기반 경보 시스템이 가능한 경우, 관련 시간에서의 정의된 경로에 대해 오디오 경보가 사용자에게 제공될 수 있다. 예를 들어, 사용자는 임계 혼잡 레벨을 설정할 수 있으며, 교통 혼잡이 이러한 임계값에 도달되고 및/또는 임계값에 도달될 것으로 예측되는 경우, 사용자는 (예를 들어, 소리로, 모바일 장치의 진동을 통해, ...) 경고를 받을 수 있다. 이와 유사하게, 사용자는 교통 혼잡이 언제 경로 및 기간에 대해 임계값 이하로 되는지에 관한 경보를 수신하고자 하거나 및/또는 교통 혼잡이 임계값 이하로 될 것으로 예측되는 때에 관해 경보를 받고자 할 수 있다. 게다가, 사용자는 돌발적인 상황 또는 사건을 나타내는 경보가 제공되도록 설정할 수 있다. 한 예에서, 사용자는 이러한 사용자가 지나가는 곳을 지정함으로써 이동 경로를 정의할 수 있다[스크린샷(1000) 내에 원숫자로 표시되어 있음]. 이 선택은 숫자를 그래픽적으로 선택 및/또는 데이터 수신 엔티티 내에서 숫자를 손으로 입력함으로써 달성될 수 있다.

이제 도 11을 참조하면, 예측 모델(전술한 바와 같음)에 의해 생성된 예측을 이용하는 응용의 스크린샷(1100)이 예시되어 있다. 이 스크린샷은 여러가지 도로(1102)의 그래픽 표현을 포함하며, 여기서 도로는 복수의 부분(1104)을 포함한다. 이 부분들은 그 부분과 연관된 혼잡의 레벨을 나타내는 특정의 컬러 및/또는 컬러 음영과 연관될 수 있다. 예를 들어, 부분(1104)이 녹색으로 음영되어 있는 경우, 사용자는 이러한 부분(1104)에 혼잡이 거의 없는 것으로 판정할 수 있다. 예측이 도로(1102)와 연관된 정황 데이터 및 이력 데이터의 수신을 통해 사용자에게 제공 될 수 있다. 타이밍 표시자(1106)도 또한 스크린샷(1100) 내에 포함되어 있으며, 여기서 이러한 표시자(1106)는 도로(1102)의 선택된 부분의 현재의 교통 조건과 연관된 예측된 시간을 사용자에게 알려준다. 예를 들어, 타이밍 표시자(1106)는 혼잡이 없는 상태가 예측된 기간 동안 지속될 것으로 표시할 수 있으며, 정확성의 확률이 그와 연관될 수 있다. 다른 예에서, 스크린샷(1100)은 장래의 시간과 관련한 정보를 사용자에게 제공할 수 있다. 따라서, 사용자가 근무지를 출발하기 전에, 이러한 사용자는 현재 시점으로부터 어떤 거리의 이동 경로에 관련한 예측된 정보를 요청할 수 있다. 또다른 예에서, 돌발 사태는 예측된 모델을 통해 사용자에게 제공될 수 있다.

이제 도 12를 참조하면, 다른 예시적인 스크린샷(1200)이 도시되어 있다. 스크린샷(1200)은 교통 정보가 디스플레이를 통해 사용자에게 제공될 수 있음을 나타낸다. 디스플레이는 셀룰러 폰, 스마트폰, PDA, 랩톱, 기타 등등에 있을 수 있다. 스크린샷은 복수의 그래픽으로 표현된 도로(1202)를 나타내고 있으며, 여기서 도로는 그래픽으로 표현된 부분(1204)를 포함한다. 이 부분들은 도로(1202)의 어떤 부분이 혼잡하게 될 것으로 예측된다는 것을 사용자에게 알려주기 위해 개별적인 컬러 및/또는 개별적인 음영과 연관될 수 있다. 예를 들어, 적색으로 된 부분은 심한 혼잡을 겪고 있다. 타이밍 표시자(1206, 1208)는 도로(1202)의 선택된 부분과 연관될 수 있고, 혼잡이 발생할 때까지의 예측된 시간, 특정의 부분에서 혼잡이 계속될 것으로 예측된 시간, 및 기타 등등을 나타낼 수 있다. 전술한 바와 같이, 예측은 돌발적인 사건에 관한 것일 수 있다. 예를 들어, 일반적으로 도로 (1202)의 어떤 부분이 특정 시간에 약간 혼잡하게 될 것으로 예상되지 않을 수 있다. 그렇지만, 안정된 예측 모델은 정의된 돌발적인 사건 및 사용자 예상은 물론 수신된 정황 데이터 및 이력 데이터의 함수로서 이러한 예측을 출력할 수 있다.

도 13 내지 도 15를 다함께 참조하면, 변수 및 교통 조건 간의 상호 의존 관계를 나타내는 네트워크의 그래픽 표현이 제공되어 있으며, 여기서 이러한 상태도는 장래의 교통 조건을 예측하는 예측 모델을 생성하는 것과 관련하여 이용될 수 있다. 특히 도 13을 참조하면, 평일(workday)을 나타내는 변수와 도로의 개별적인 혼잡 및 개별적인 부분과 연관된 타이밍 간의 상호 의존 관계를 나타내는 예시적인 베이지안 네트워크 모델(1300)의 그래픽 표현이 예시되어 있다. 일례에서, 네트워크 모델(1300)은 구조 학습을 통해 생성될 수 있고 교통과 관련한 파라미터를 예측하는 것과 관련하여 이용될 수 있다. 특정 예에서, 날짜가 평일인지 여부가 15로 표시되고 노드(1302)로 나타내어진 도로의 부분과 연관된 타이밍에 영향을 줄 수 있다. 따라서, 노드(1304)로 나타내어진 변수는 오늘이 평일인지 여부를 나타내고, 이러한 노드(1304)는 네트워크(1300) 내의 복수의 노드와 관련되어 있다. 다른 예에서, 변수(1304)는 노드(1306)로 나타내어진 도로의 부분[부분(14)으로서 표시됨]이 더 이상 심하게 혼잡하지 않을 때까지의 시간에 영향을 미친다. 여러가지 다른 상호 의존 관계가 존재하며 네트워크 모델(1300)의 검토 시에 쉽게 구분될 수 있다. 달력 응용 또는 다른 메카니즘이 노드(1304)에 대한 값을 판정할 수 있다(예를 들어, 첫번째 값은 어떤 날이 평일인지를 나타내는 데 이용될 수 있고, 두번째 값은 어떤 날이 평일이 아닌지를 나타내는 데 이용될 수 있다).

이제 도 14를 참조하면, 예시적인 네트워크 모델(1400)이 예시되어 있다. 네트워크 모델(1400)은 날씨 변수(1402)(날씨 조건에 관한 상호 배타적인 일련의 상태를 나타냄)의 모델(1400) 내의 다른 변수들, 예를 들어, 병목 지점이 현재 심하게 혼잡하지 않은 경우 그 병목 지점이 심하게 혼잡하게 될 때까지의 시간 및 병목 지점이 현재 심하게 혼잡한 경우 그 병목 지점이 혼잡하지 않게 될 때까지의 시간을 포착하는 변수들에 대한 영향을 나타내기 위해 제공된다.

이제 도 15를 참조하면, 복수의 변수 및 돌발 사태 간의 상호 의존 관계를 나타내는 예시적인 네트워크 모델(1500)이 예시되어 있다. 네트워크 모델(1500)은 예측 모델 내의 어떤 정의된 돌발 사태를 나타내는 노드(1502), 및 이러한 노드(1502)에 관련이 있는 개별적인 변수를 포함한다. 이 예에서, 시각을 나타내는 변수[노드(1504)] 및 요일을 나타내는 변수[노드(1506)]는 노드(1502)에 의해 나타내어지는 돌발 사태의 발생과 관련이 있다. 게다가, 도로의 특정 부분의 상태(예를 들어, 혼잡함, 부분적으로 혼잡함,...)는 노드(1508-1514)에 의해 나타내어질 수 있고, 이 상태는 노드(1502)에 의해 나타내어진 정의된 돌발 사태의 예측된 발생과 관련이 있는 것으로 도시되어 있다. 게다가, 도로의 특정 부분의 실제 혼잡 기간 및/또는 예측된 혼잡 기간을 나타내는 노드(1516-1518)는 노드(1502)와 관련이 있다. 변수들 간의 이 상호 의존 관계는 교통 조건에 관련한 예측을 생성 및/또는 장래의 돌발적인 사건(들)의 발생을 예측하는 데 이용될 수 있다.

도 16을 간략히 참조하면, 전술한 바와 같이 예측 모델에 의해 예측될 수 있는 돌발적인 사건들과 변수들 간의 상호 의존 관계를 나타내는 네트워크(1600)가 도시되어 있다. 예를 들어, 이 네트워크는 날씨, 도로의 특정 지역에서의 사고, 도로 내에서의 혼잡 상태, 시각, 요일, 스포츠 행사 또는 경기가 있는지 여부, 기타 등등을 나타내는 노드들을 포함한다. 따라서, 네트워크(1600)는 일반적으로는 교통 패턴을 예측하고 구체적으로는 장래에 발생할 수 있는 돌발적인 교통 패턴을 예측하는 안정된 예측 모델과 연관될 수 있다.

이제 도 17 및 도 18을 함께 참조하면, 도로의 특정 부분(또는 병목 지점)과 연관된 이력 데이터의 그래프(1700, 1800)가 예시되어 있다. 그래프(1700, 1800)의 기초가 되는 이력 데이터는 예측 모델을 생성하는 것 및 그로부터 예측을 출력하는 것과 관련하여 이용될 수 있다. 그래프(1700, 1800)의 축은 도로의 특정 부분의 퍼센트 점거율 및 하루 중 개별적인 시간에서의 그와 연관된 수집된 데이터와 관련이 있다.

도 19를 참조하면, 교통과 연관된 변수들과 교통 돌발 사태에 대한 그의 관계 간의 상호 의존 관계를 나타낸 네트워크(1900)가 제공되어 있다. 예를 들어, 요일을 나타내는 노드(1902), 스포츠 행사가 있는지 여부를 나타내는 노드(1904), 및 도로의 특정 부분(각각 10 및 11로 표시됨)에서의 교통의 상태를 나타내는 노드(1906-1908) 모두는 한 형태 또는 다른 형태로(직접적으로 또는 간접적으로) 10, 11 및 14로 표시된 도로(들)[각각 노드(1910, 1912, 1214)로 나타내어져 있음]의 부분에서의 돌발적인 교통 조건에 관련이 있다. 이제 도 20을 참조하면, 연관된 돌발 사태(도 19에 나타내어져 있음)를 예시하는 스크린샷(2000)이 제공되어 있다. 원(2002, 2004, 2006)은 각각 부분(10, 11, 4)에서의 돌발적인 교통 조건을 나타낸 다. 이 예에서, 스크린샷(2000)은 제1 도로의 제1 및 제2 부분(2002, 2004)에서의 돌발 사태가 제2 도로의 외관상 관련이 없는 부분에서의 돌발 사태와 관련이 있음을 나타낸다. 따라서, 예측된 돌발 사태를 생성하는 데 이용되는 예측 모델은 개인에 의해 일반적으로 생각되지 않는 관계를 고려할 수 있다.

이제 도 21을 참조하면, 장래의 교통 돌발 사태의 발생을 예측하는 것과 관련된 변수들 간의 상호 의존 관계를 고려하는 네트워크(2100)가 예시되어 있다. 네트워크(2100)는 여러가지 돌발 사태가 서로 관련되어 있음과 도로의 특정 부분에서의 날씨 및 상태도 역시 가능한 돌발 사태와 관련이 있음을 나타내고 있다. 특히, 날씨 조건을 나타내는 노드(2102), 및 도로의 개별적인 부분에서의 교통 상태를 나타내는 노드(2103-2108)[각각 부분(2, 5, 10, 16)임] 모두는 직접적으로 또는 간접적으로 도로의 부분[각각 부분(3, 5-8, 17)]에서의 돌발 사태를 나타내는 노드(2110-2120)에 관련되어 있다. 도 22를 간략히 참조하면, 도 21에 대해 언급한 돌발 사태의 위치를 나타내는 스크린샷(2200)이 도시되어 있다. 스크린샷(2200)은 부분(2, 3, 5, 8, 11, 17)을 각각 나타내는 원(2202-2212)을 포함한다. 이 원은 네트워크(2100)에 대한 교통 혼잡의 예시적인 돌발 사태 및 상태를 나타낸다.

이제 도 23을 참조하면, 변수들 간의 학습된 상호 의존 관계를 그의 내용에 따라 나타낸 다른 예시적인 네트워크(2300)가 예시되어 있다. 특히, 네트워크(2300)는 임계 시간(예를 들어, 30분) 후에 일어나게 될 돌발적인, 비전형적인 및/또는 이례적인 것으로 정의된 상태의 가능성을 추론할 수 있는 베이지안 네트워크일 수 있다. 네트워크(2300)는 도로의 부분[각각 부분(15, 17)]에서의 사고의 발 생을 나타내는 노드(2302, 2304)를 포함한다. 노드(2306)는 시각을 나타내고, 노드(2308-2312)는 도로의 부분[각각 부분(1, 5, 18)]에서의 교통 혼잡을 나타낸다. 상기한 노드(2302-2312)는 특정의 시점에서 발생할 것으로 예측되는 도로의 부분[각각 부분(4, 11, 15, 17)]에서의 돌발적인 교통 조건을 나타내는 노드(2314-2320)에 직접적으로 또는 간접적으로 영향을 미친다. 따라서, 도로의 특정의 부분에서의 사고 및 도로의 특정의 부분에서의 혼잡의 구체적인 상태가 주어지면, 하나 이상의 돌발적인 사건이 예측될 수 있다. 간략히 도 24를 참조하면, 도로(4, 11, 15, 17)의 부분을 각각 하이라이트하는 원(2402-2408)을 포함하는 스크린샷(2400)이 예시되어 있다. 이러한 부분은 네트워크(2300)의 노드(2314-2320)(도 23)에 의해 나타내어진 부분에 대응한다.

이제 도 25 내지 도 29를 참조하면, 청구된 발명 대상의 하나 이상의 측면을 예시한 스크린샷(2500, 2600, 2700, 2800, 2900)이 제공되어 있다. 먼저 도 25를 참조하면, 스크린샷(2500)은 사용자가 교통 패턴을 예측하는 것과 관련하여 임계 혼잡을 선택할 수 있게 해주는 그래픽 사용자 인터페이스(또는 도구)를 가지고 있다. 사용자는 편집가능 필드(2504)를 통해 또는 슬라이딩 메카니즘(2506)을 통해 혼잡 임계값을 변경할 수 있다. 따라서, 예측 모델은 예측된 임계 교통 혼잡이 50% 또는 그 이상인 지역을 사용자에게 제공할 수 있다. 스크린샷(2500)은 50% 또는 그 이상의 혼잡을 겪는 도로의 부분이 없음을 나타내고 있다. 게다가, 사용자는 사용자가 관심있는 도로의 부분을 선택하고 이러한 선택된 부분에 관한 경보를 수신할 수 있다. 따라서, 사용자는 사용자 인터페이스(2502)를 통해 관심의 경로 또는 경로들을 정의할 수 있다. 이제 도 26을 참조하면, 25%의 혼잡 임계값을 갖는 사용자 인터페이스(2502)의 스크린샷(2600)이 예시되어 있다. 스크린샷(2600)은 사용자에 의해 지정된 및/또는 컴퓨팅 컴포넌트에 의해 자동적으로 선택된 시간에 이러한 혼잡을 겪을 것으로 예측된 도로의 부분들을 디스플레이한다. 간략히 도 27을 참조하면, 혼잡 임계값이 대략 16%로 선택되어 있는 사용자 인터페이스(2502)의 스크린샷(2700)이 예시되어 있다. 스크린샷(2700)은 도로의 여러가지 부분들(도로의 다른 부분들보다 더 진하게 음영되어 있음)이 16%보다 크거나 같은 혼잡을 겪게 될 것으로 예측된다는 것을 나타내고 있다. 이제 도 28을 참조하면, 사용자 인터페이스(2502)의 스크린샷(2800)은 9%의 혼잡 임계값 또는 그 이상의 혼잡을 겪을 것으로 예측된 도로를 나타내고 있다. 이제 도 29를 참조하면, 사용자 인터페이스(2502)의 스크린샷(2900)은 도로의 부분들이 5% 또는 그 이상일 것으로 예측될 때 교통 혼잡과 관련한 예측을 나타낸 것이다. 따라서, 스크린샷(2500, 2600, 2700, 2800, 2900)은 사용자가 그에 대한 예측을 해야 하는 혼잡 임계값의 레벨을 선택하고 그 후에 지나갈 최선의 경로를 판정할 수 있음을 나타낸다. 예를 들어, 스크린샷(2500, 2600, 2700, 2800, 2900)에 나타내어진 도구는 예측을 생성하는 것과 관련하여 초점이 맞춰져야 하는 도로의 부분들을 판정하는 데 이용될 수 있다. 예를 들어, 언제 어디서 도로가 25% 또는 그 이상으로 혼잡하게 되는지를 디스플레이하기 위해 도구가 이용될 수 있으며, 이러한 위치는 감시를 받을 수 있다.

이제 도 30을 참조하면, 청구된 발명 대상의 하나 이상의 측면과 관련하여 이용될 수 있는 예시적인 모바일 장치(3000)가 예시되어 있다. 장치(3000)는 적어도 도로 시스템의 부분 및 그와 관련된 파라미터를 그래픽적으로 디스플레이하는 디스플레이 영역(3002)을 포함한다. 예를 들어, 디스플레이 영역(3002)은 도로의 특정 부분이 어떤 레벨의 교통 혼잡을 겪고 있음을 그래픽적으로 나타낼 수 있다. 모바일 장치(3000)는 디스플레이 영역(3002) 상에 디스플레이된 표지를 통해 내비게이션하는 데 이용될 수 있는 키패드(3004)를 포함할 수 있다. 게다가, 모바일 장치(3000)는 사용자가 가장 최근의 데이터에 따라 그래픽 디스플레이를 리프레쉬할 수 있게 해주는 리프레쉬 버튼(3006)을 포함할 수 있다.

부가의 관점을 제공하기 위해, 도 31 및 이하의 설명은 본 명세서에 기술된 여러가지 측면이 구현될 수 있는 적당한 오퍼레이팅 환경(3110)에 대한 간략하고 전체적인 설명을 제공하기 위한 것이다. 청구된 발명 대상이 하나 이상의 컴퓨터 또는 다른 장치들에 의해 실행되는 프로그램 모듈 등의 컴퓨터 실행가능 명령어의 일반적인 관점에서 기술되어 있지만, 당업자라면 청구된 발명 대상이 또한 다른 프로그램 모듈과 조합하여 및/또는 하드웨어 및 소프트웨어의 조합으로서 구현될 수 있음을 잘 알 것이다.

그렇지만, 일반적으로 프로그램 모듈은 특정의 작업을 수행하거나 특정의 데이터 유형을 구현하는 루틴, 프로그램, 객체, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 오퍼레이팅 환경(3110)은 적당한 오퍼레이팅 환경의 단지 한 예에 불과하며, 본 발명의 사용 또는 기능의 범위에 관한 어떤 제한을 암시하려는 것이 아니다. 본 발명에서 사용하기에 적합할 수 있는 다른 공지의 컴퓨터 시스템, 환경, 및/또는 구성은 퍼스널 컴퓨터, 핸드헬드 또는 랩톱 장치, 멀티프로세서 시스템, 마이크로프로세서 기반 시스템, 프로그램가능 가전 제품, 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 상기한 시스템 또는 장치를 포함하는 분산 컴퓨팅 환경, 및 기타 등등을 포함하지만, 이에 한정되는 것은 아니다.

도 31을 참조하면, 본 발명의 여러가지 측면을 구현하는 예시적인 환경(3110)은 컴퓨터(3112)를 포함한다. 컴퓨터(3112)는 프로세싱 유닛(3114), 시스템 메모리(3116), 및 시스템 버스(3118)를 포함한다. 시스템 버스(3118)는 시스템 메모리(3116)(이에 한정되는 것은 아님)를 비롯한 시스템 컴포넌트를 프로세싱 유닛(3114)에 연결시킨다. 프로세싱 유닛(3114)은 여러가지 이용가능한 프로세서 중 임의의 것일 수 있다. 듀얼 마이크로프로세서 및 다른 멀티프로세서 아키텍처도 역시 프로세싱 유닛(3114)으로서 이용될 수 있다.

시스템 버스(3118)는 메모리 버스나 메모리 콘트롤러, 주변 버스나 외부 버스, 및/또는 8비트 버스, ISA(Industrial Standard Architecture), MCA(Micro-Channel Architecture), EISA(Extended ISA), IDE(Intelligent Drive Electronics), VESA 로컬 버스(VLB), PCI(Peripheral Component Interconnect), USB(Universal Serial Bus), AGP(Advanced Graphics Port), PCMCIA(Personal Computer Memory Card International Association bus) 및 SCSI(Small Computer Systems Interface)(이에 한정되는 것은 아님)를 비롯한 임의의 여러가지 이용가능한 버스 아키텍처를 사용하는 로컬 버스를 비롯한 몇가지 유형의 구조 중 임의의 것일 수 있다.

시스템 메모리(3116)는 휘발성 메모리(3120) 및 비휘발성 메모리(3122)를 포함한다. 시동 중과 같은 때에 컴퓨터(3112) 내의 구성요소들 간에 정보를 전송하는 기본적인 루틴을 포함하는 기본 입/출력 시스템(BIOS)은 비휘발성 메모리(3122)에 저장된다. 제한이 아닌 예로서, 비휘발성 메모리(3122)는 판독 전용 메모리(ROM), 프로그램가능 ROM(PROM), 전기적 프로그램가능 ROM(EPROM), 전기적 소거가능 PROM(EEPROM), 또는 플래쉬 메모리를 포함할 수 있다. 휘발성 메모리(3120)는 외부 캐쉬 메모리로서 기능하는 랜덤 액세스 메모리(RAM)를 포함한다. 제한이 아닌 예로서, RAM은 SRAM(synchronous RAM), DRAM(dynamic RAM), SDRAM(synchronous DRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM), 및 DRRAM(direct Rambus RAM) 등의 많은 형태로 이용가능하다.

컴퓨터(3112)는 또한 분리형/비분리형, 휘발성/비휘발성 컴퓨터 저장 매체를 포함한다. 도 31은 예를 들어 디스크 저장 장치(3124)를 예시하고 있다. 디스크 저장 장치(3124)는 자기 디스크 드라이브, 플로피 디스크 드라이브, 테이프 드라이브, 재즈(Jaz) 드라이브, 집(Zip) 드라이브, LS-100 드라이브, 플래쉬 메모리 카드, 또는 메모리 스틱 등의 장치를 포함하지만 이에 한정되는 것은 아니다. 게다가, 디스크 저장 장치(3124)는 컴팩트 디스크 ROM 장치(CD-ROM), CD-기록가능 드라이브(CD-R 드라이브), CD-재기록가능 드라이브(CD-RW 드라이브) 또는 DVD ROM 드라이브(DVD-ROM) 등의 광학 디스크 드라이브(이에 한정되는 것은 아님)를 비롯한 다른 저장 매체와 별도로 또는 그와 조합하여 저장 매체를 포함할 수 있다. 디스크 저장 장치(3124)의 시스템 버스(3118)에의 연결을 용이하게 해주기 위해, 분리형 또는 비분리형 인터페이스가 일반적으로 인터페이스(3126)로서 사용된다.

도 31이 적당한 오퍼레이팅 환경(3110)에서 기술된 기본적인 컴퓨터 자원과 사용자 간의 매개체로서 기능하는 소프트웨어를 기술하고 있음을 잘 알 것이다. 이러한 소프트웨어는 오퍼레이팅 시스템(3128)을 포함한다. 디스크 저장 장치(3124)에 저장될 수 있는 오퍼레이팅 시스템(3128)은 컴퓨터 시스템(3112)의 자원을 제어 및 할당하는 기능을 한다. 시스템 애플리케이션(3130)은 시스템 메모리(3116)에 또는 디스크 저장 장치(3124) 상에 저장된 프로그램 모듈(3132) 및 프로그램 데이터(3134)를 통해 오퍼레이팅 시스템(3128)에 의한 자원의 관리를 이용한다. 본 발명이 여러가지 오퍼레이팅 시스템 또는 오퍼레이팅 시스템들의 조합으로 구현될 수 있음을 잘 알 것이다.

사용자는 입력 장치(들)(3136)를 통해 컴퓨터(3112)에 명령 또는 정보를 입력한다. 입력 장치(3136)는 마우스 등의 포인팅 장치, 트랙볼, 스타일러스, 터치 패드, 키보드, 마이크로폰, 조이스틱, 게임 패드, 위성 안테나, 스캐너, TV 튜너 카드, 디지털 카메라, 디지털 비디오 카메라, 웹 카메라, 기타 등등을 포함하지만, 이에 한정되는 것은 아니다. 이들 및 다른 입력 장치가 인터페이스 포트(들)(3138)를 거쳐 시스템 버스(3118)를 통해 프로세싱 유닛(3114)에 연결되어 있다. 인터페이스 포트(들)(3138)는 예를 들어 직렬 포트, 병렬 포트, 게임 포트, 및 USB를 포함한다. 출력 장치(들)(3140)는 입력 장치(들)(3136)와 동일한 유형의 포트 중 일부를 사용한다. 따라서, 예를 들어, USB 포트는 컴퓨터(3112)에 입력을 제공 하고 정보를 컴퓨터(3112)로부터 출력 장치(3140)로 출력하는 데 사용될 수 있다. 출력 어댑터(3142)는 특수 어댑터를 필요로 하는 출력 장치(3140) 중에서도 특히 모니터, 스피커, 및 프린터와 같은 어떤 출력 장치들이 있음을 예시하기 위해 제공되어 있다. 출력 어댑터(3142)는 제한이 아닌 예로서 출력 장치(3140)와 시스템 버스(3118) 간의 연결 수단을 제공하는 비디오 및 오디오 카드를 포함한다. 원격 컴퓨터(들)(3144) 등의 다른 장치 및/또는 장치의 시스템이 입력 기능 및 출력 기능 둘다를 제공한다는 것에 유의해야 한다.

컴퓨터(3112)는 원격 컴퓨터(들)(3144) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(3144)는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 워크스테이션, 마이크로프로세서 기반 가전 기기, 피어 장치 또는 다른 통상의 네트워크 노드 및 기타 등등일 수 있으며, 일반적으로 컴퓨터(3112)에 대해 기술된 구성요소의 대부분 또는 그 모두를 포함한다. 간명함을 위해, 원격 컴퓨터(들)(3144)에 메모리 저장 장치(3146)만이 예시되어 있다. 원격 컴퓨터(들)(3144)는 네트워크 인터페이스(3148)를 통해 컴퓨터(3112)에 논리적으로 연결되고 이어서 통신 연결(3150)을 통해 물리적으로 연결된다. 네트워크 인터페이스(3148)는 근거리 통신망(LAN) 및 원거리 통신망(WAN) 등의 통신 네트워크를 포괄한다. LAN 기술은 FDDI(Fiber Distributed Data Interface), CDDI(Copper Distributed Data Interface), 이더넷/IEEE 802.3, 토큰링/IEEE 802.5, 및 기타 등등을 포함한다. WAN 기술은 포인트-투-포인트 링크, ISDN(Integrated Services Digital Networks) 및 그의 변형 등의 회선 교환 네 트워크, 패킷 교환 네트워크, 및 디지털 가입자 회선(DSL)을 포함하지만 이에 한정되는 것은 아니다.

통신 연결(들)(3150)은 네트워크 인터페이스(3148)를 버스(3118)에 연결하는 데 사용되는 하드웨어/소프트웨어를 말한다. 통신 연결(3150)이 설명상 명료함을 위해 컴퓨터(3112) 내부에 도시되어 있지만, 통신 연결(3150)은 컴퓨터(3112)의 외부에 있을 수도 있다. 네트워크 인터페이스(3148)로의 연결을 위해 필요한 하드웨어/소프트웨어는 단지 일례로서 통상의 전화급 모뎀, 케이블 모뎀 및 DSL 모뎀을 비롯한 모뎀, ISDN 어댑터, 및 이더넷 카드 등의 내장형 및 외장형 기술을 포함한다.

도 32는 본 발명과 상호작용할 수 있는 샘플 컴퓨팅 환경(3200)의 개략 블록도이다. 시스템(3200)은 하나 이상의 클라이언트(들)(3210)를 포함한다. 클라이언트(들)(3210)는 하드웨어 및/또는 소프트웨어(예를 들어, 쓰레드, 프로세스, 컴퓨팅 장치)일 수 있다. 시스템(3200)은 또한 하나 이상의 서버(들)(3230)를 포함한다. 서버(들)(3230)도 역시 하드웨어 및/또는 소프트웨어(예를 들어, 쓰레드, 프로세스, 컴퓨팅 장치)일 수 있다. 서버(3230)는 예를 들어 본 발명을 사용하여 변환을 수행하기 위해 쓰레드를 하우징할 수 있다. 클라이언트(3210)와 서버(3230) 간의 한가지 가능한 통신은 2개 이상의 컴퓨터 프로세스 간에 전송되도록 구성된 데이터 패킷의 형태일 수 있다. 시스템(3200)은 클라이언트(들)(3210)와 서버(들)(3230) 간의 통신을 용이하게 해주기 위해 이용될 수 있는 통신 프레임워크(3250)를 포함한다. 클라이언트(들)(3210)는 클라이언트(들)(3210)에 로컬인 정 보를 저장하는 데 이용될 수 있는 하나 이상의 클라이언트 데이터 스토어(들)(3260)에 연결되어 동작한다. 이와 유사하게, 서버(들)(3230)는 서버(3230)에 로컬인 정보를 저장하는 데 이용될 수 있는 하나 이상의 서버 데이터 스토어(들)(3240)에 연결되어 동작한다.

전술한 바는 청구된 발명 대상의 예들을 포함한다. 물론 청구된 발명 대상을 기술하기 위한 생각할 수 있는 모든 컴포넌트 또는 방법의 조합을 기술하는 것은 불가능하지만, 당업자라면 많은 추가의 조합 및 치환이 가능함을 잘 알 수 있다. 따라서, 청구된 발명 대상은 첨부된 청구항의 정신 및 범위 내에 속하는 모든 이러한 변경, 수정 및 변형을 포괄하는 것으로 보아야 한다. 게다가, 상세한 설명 또는 청구항에서 용어 "포함하는"이 사용되는 범위까지, 이러한 용어는 용어 "구비하는"이 청구항에서 이행구로서 이용될 때 해석되는 바와 같이 용어 "구비하는"과 유사하게 포함적 의미로 해석되어야만 한다.

본 발명은 주요 상습 정체 구역에 혼잡이 있게 될 때까지의 시간 및 혼잡이 해결될 때까지의 시간을 나타내는 변수를 비롯한 일련의 랜덤 변수로 교통 시스템을 추상화한 것에 기초하여 교통 흐름 및 혼잡에 관한 예측을 행할 수 있는 예측 모델을 통계적 기계 학습에 기초하여 구축하는 시스템 및 방법을 제공한다.

Claims (20)

1. 교통 패턴에 관한 통신, 시각화 또는 경보를 용이하게 해주는 시스템으로서,

   교통 파라미터에 관련된 예측을 생성하는 예측 모델 컴포넌트; 및

   적어도 부분적으로 상기 생성된 예측에 기초하여 교통 파라미터를 그래픽적으로 출력하는 인터페이스 컴포넌트

   를 포함하는 시스템.
2. 제1항에 있어서, 상기 예측 모델 컴포넌트는 수신된 정황 데이터(contextual data)의 함수로서 예측을 생성하는 것인 시스템.
3. 제2항에 있어서, 상기 정황 데이터는 카메라, 도로 내의 센서, GPS 시스템, 셀룰러 폰와 기지국 간의 핸드쉐이킹(han-shaking)을 모니터링하는 것, 인터넷, 텔레비전 방송, 및 라디오 방송 중 하나 이상을 통해 수신되고,

   상기 정황 데이터는 시각, 요일, 휴일 상황, 계절, 학교 상황, 날씨 특성, 스포츠 행사에 관한 데이터, 퍼레이드에 관한 데이터, 영화에 관한 데이터, 정치적 행사에 관한 데이터, 교통 감시국으로부터의 계속되고 있는 비정형 텍스트(free text), 및 교통 감시국으로부터의 코딩된 보고 중 적어도 하나를 포함하는 시스템.
4. 제2항에 있어서, 상기 예측 모델 컴포넌트는 총 운전 시간을 최소화하도록 경로 계획의 생성을 안내하기 위해 현재의 교통 상황, 시각·요일 및 현재의 교통 정보 중 하나 이상에 기초한 한계(marginal) 또는 평균(mean) 교통 흐름 예상, 및 서로 다른 지역들에서의 장래의 교통 흐름에 관한 확률적 예측 중 하나 이상을 이용하는 시스템.
5. 제4항에 있어서, 사용자의 위치를 알아내고, 현재의 위치 및 장래의 위치에서의 교통에 관한 정보를 제공하기 위해 GPS 데이터가 이용되는 시스템.
6. 제1항에 있어서, 상기 인터페이스 컴포넌트가 랩톱, 개인 휴대 단말기(PDA), 셀룰러 폰, 스마트 폰, 자동차, 및 데스크톱 컴퓨터 중 하나 이상에 존재하는 시스템.
7. 제1항에 있어서, 상기 교통 파라미터에 관련된 예측은 도로 시스템의 확인된 상습 정체 구역들(troublespot) 및 병목 현상 지역들(bottleneck region) 중 적어도 하나의 세트 각각에서 혼잡이 나타날 때까지의 시간 및 혼잡이 해소될 때까지의 시간 중 하나 이상과 연관되어 있는 시스템.
8. 제1항에 있어서, 상기 예측 모델 컴포넌트는 통계적 방법을 통해 구축되고,

   상기 통계적 방법은 베이지안 네트워크(Bayesian network), 동적 베이지안 네트워크(dynamic Bayesian network), 연속 시간 베이지안 네트워크(continuous time Bayesian network), 은폐 마르코프 모델(Hidden Markov Model), 마르코프 프로세스(Markov process), 입자 필터링(particle filtering), 깁스-샘플링(Gibbs-sampling) 기반 방법, 신경망(neural network), 지원 벡터 머신(support vector machine), 하나 이상의 미분 방정식(differential equation), 논리 기반 추론(logic-based reasoning) 시스템 및 퍼지 논리 중심(fuzzy logic-centric) 방법 중 하나인 시스템.
9. 제1항에 있어서, 상기 예측 모델 컴포넌트에 의해 예측된 출력을 실제 사건과 비교하고 예측된 상황 및 그것의 정확도에 대한 케이스 라이브러리(case library)를 구축하며, 기본 레벨 추론(base level inference)의 신뢰성을 중계(relay)하도록 기본 레벨 추론을 튜닝하고/하거나 그에 주석을 첨부하기 위해 상기 라이브러리를 사용하는 모델 분석기 컴포넌트를 더 포함하는 시스템.
10. 제1항에 있어서, 적어도 부분적으로 이용가능한 정황 정보에 기초하여 상기 예측 모델 컴포넌트의 신뢰성을 실시간으로 예측할 수 있는 별도의 예측 모델을 통계적 기계 학습 절차를 통해 구축하기 위해, 예측의 정확도의 케이스 라이브러리가 사용되는 시스템.
11. 제1항에 있어서, 혼잡의 통계를 조사함으로써 교통 시스템 내에서의 주기적인 혼잡, 빈번한 혼잡 및 최장 시간 혼잡 중 적어도 하나와 연관된 교통 시스템 내 의 지역들을 식별하는 병목 지점 식별 도구를 더 포함하는 시스템.
12. 제1항에 있어서, 상기 인터페이스 컴포넌트는 교통 파라미터에 관련된 예측과 연관된 혼잡 레벨을 커스터마이즈하는 것, 지역을 선택하고 그 선택된 지역을 중요 지역으로 표시하는 것, 지역들을 선택함으로써 사용자가 관심있어 하는 경로를 포함하는 일련의 지역을 선택하는 것, 선택된 지역을 그 지역이 모니터링될 시각에 연계시키는 것, 및 상기 지역 및 시각과 연관될 경보의 유형을 선택하는 것 중 적어도 하나를 위한 메카니즘을 사용자에게 제공하는 것인 시스템.
13. 제1항에 있어서, 상기 예측 모델 컴포넌트를 개선시키기 위해, 상기 예측 모델 컴포넌트에 의해 수신되고 분석된 정황 데이터가 이용되는 시스템.
14. 제1항의 시스템을 포함하는 컴퓨터 판독가능 매체.
15. 교통 패턴을 예측하는 방법으로서,

    복수의 도로에 대한 표현을 생성하는 단계;

    상기 복수의 도로 상에서의 교통 패턴과 관련한 사건을 예측하는 예측 모델을 제공하는 단계; 및

    상기 예측된 사건을 그래픽적으로 디스플레이하는 단계

    를 포함하는 방법.
16. 제15항에 있어서,

    상기 복수의 도로와 관련한 정황 데이터를 수신하는 단계; 및

    상기 수신된 정황 데이터의 함수로서 상기 예측을 생성하는 단계

    를 더 포함하는 방법.
17. 제16항에 있어서,

    지역이 원활하게 소통될 때까지의 시간 및 소통이 원할한 지역이 정체될 때까지의 시간 중 적어도 하나를 나타내는 아이콘을 그래픽적으로 디스플레이하는 단계; 및

    돌발적인 사건의 발생을 나타내는 그래픽 표시(graphical feature)를 그래픽적으로 디스플레이하는 단계

    를 더 포함하는 방법.
18. 제15항에 있어서, 교통 시스템 내의 상습 정체 구역들 및 병목 현상 지역들 중 적어도 하나의 세트에 대하여 혼잡하게 될 때까지의 시간 및 혼잡이 해소될 때까지의 시간을 나타내는 랜덤 변수들에 관하여 그리고 이들 중에서 추론하는 단계를 더 포함하는 방법.
19. 제15항에 있어서,

    상기 예측 모델의 출력을 실제 사건과 비교하는 단계; 및

    상기 비교의 함수로서 상기 예측 모델을 자동적으로 튜닝하는 단계

    를 더 포함하는 방법.
20. 교통 파라미터를 예측하는 수단;

    상기 예측된 교통 파라미터 중 어느 것이 사용자가 관심있어 하는 것인지를 판정하는 수단; 및

    상기 사용자가 관심있어 하는 교통 파라미터를 상기 사용자에게 경보하는 수단

    을 포함하는 교통 패턴 예측 시스템.

Images