类似的交通状况。此外，如果地理特征也类似，则运些路段可具有更类似的交通状况。 此类地理信息定义了路段间的相关。
[0049] 本发明不限于路段特征、兴趣点特征或与路段相关联的地理特征的任何特定集 合。一般而言，确定各值的矩阵W使得具有类似值的路段被认为具有类似的交通状况，W便 根据上述稀疏交通数据来计算交通速度和量。在此解说性示例中，此类信息通常也是关于 路段的静态信息且可被计算一次和/或不频繁地更新。
[0050] 现在将结合图6描述历史交通模式数据的示例。
[0051] 历史交通模式数据基于历史轨迹数据来定义交通模式随着一天里的时间而改变 的交通模式。历史交通模式数据也可被表示为矩阵，其中每一行表示时隙且每一列表示路 段或地理区域。可针对假日、周末和工作日维护独立的矩阵。在一个实现中，如图6中所示， 一个矩阵600被用于细粒度的、路段级的数据;另一个矩阵602被用于粗粒度的、区域级的数 据。例如，如果一地理区域被分为一组单元格，诸如W确定如上所述的地理位置特征，则每 一行表示的地理区域可W是运些单元格之一。
[0052] 存储在该矩阵中的每一行、列位置处的值是在给定时间段上针对该区域计算的平 均交通状况(平均速度和方差）。例如，每个时隙（即，矩阵中的行)可表示一天期间的M分钟 时间跨度(例如，M可W为10分钟），且每个单元格可W是在过去N天期间此时隙中一路段的 值的平均值(例如，N可W为60天）。
[0053] 在针对给定一时隙W及紧邻在前的时隙中所采样车辆的路段的平均速度和方差， W及如上所述的路网信息的情况下，可W计算该地理区域中的所有路段的平均速度和方差 的估计值。现在将结合图7和8描述运种计算的示例实现。
[0054] 除了来自所采样车辆的稀疏数据之外，还使用相关性数据(诸如历史数据和路网 数据），使用上下文知晓的矩阵因子分解方法来计算估计的交通状况。具体而言，使用历史 数据构建的矩阵(其对不同时隙之间的时间相关性建模）W及使用道路特征构建的矩阵(其 对路段的地理类似度建模)为补全从最近时隙的样本数据构建的近期轨迹数据的稀疏数据 矩阵的问题提供上下文。矩阵的组合可被因子分解(factorize) W补全稀疏数据矩阵并提 供所有路段的平均速度和方差数据。
[0055] 如图7中所解说的，S个矩阵X、Y和Z。矩阵化'和MG'是在来自近期时隙ti到tj的来 自所采样车辆的近期轨迹数据上构建的矩阵，其中tj是当前时隙。矩阵Mr和MG是在与从ti 到tj相同的时隙相对应的长时间段上构建的交通模式矩阵。从而，矩阵X是矩阵的级联Mr' I化，矩阵Y是矩阵的级联MG' IlMG，而Z是包含道路的物理特征的特征矩阵。一整天的矩阵化 和MG可提前在存储器中被构建，且对于每个时隙tj，从时隙ti到tj的条目可被检索W构建 矩阵化和MG,如图6中的虚线所示。从而，通过使用来自矩阵Mr、Y和Z的数据来填充到M'r的 每一行tj中的缺失值中来估计路网上的当前交通状况。
[0化6] 将矩阵化和M'r组合起来W及类似地将矩阵MG和MG'相组合起来解释了当前交通 状况与相应历史交通模式的偏差。此外，在长时间段上构建的矩阵Mr和MG比近期接收的数 据致密得多。结果是，矩阵X和Y的形成可帮助处理数据稀疏性问题。
[0化7] 进而，矩阵X、Y和Z可被如下地分解：
[005引 Y-TX(G;G)T;X-TX(R;R)T;Z-RXFT， （4)
[0059] 其中矩阵T、G、R和F是表示潜在因子的低秩矩阵。矩阵X和Y共享潜在因子T。矩阵X 和Z共享潜在因子R。因为矩阵Y和Z可被从其它数据源(例如，历史轨迹和地图数据)构建，所 W矩阵Y和Z比矩阵X更致密。因此，矩阵Y和Z可被用来通过协作地因子分解(factorize)矩 阵X、Y和Z来改善矩阵X中的缺失数据的计算的准确性。在因子分解之后，矩阵X可通过矩阵T 和矩阵转置(R;R)的乘积来还原。目标函数被定义为W下的等式5:
[0060]
[0061]其中M . M表示Frobenius范数。等式(5)中的目标函数中的前S项控制矩阵因子 分解中的损耗，而最后一项控制已因子分解的矩阵上的归一化W阻止过拟合。接下来，根据 图8中示出的梯度下降算法来迭代地最小化目标函数。具体而言，每个变量的梯度在等式 (6)中由W下来定义：
[00621
[0063] 由计算机执行的使用等式(5)和(6)应用的梯度下降算法的计算过程可如图8所示 地实现。例如，可实现迭代过程，其中对迭代次数具有限制N。当前迭代由一变量(例如t)来 表示，该变量，连同该计算中的其它变量，在800处被初始化(例如被初始化为t = l)。在每次 迭代中，计算等式6的梯度802。随后确定最大步幅大小804。例如，步幅大小值可被初始化为 1，且随后不断地除W2,直到满足在804处指示的条件。T、R、F和G的值随后在806被更新且当 前迭代计数器在808处被递增。如果处理完成，如在810处由在810处的指示的条件被满足所 指示的，则处理完成且期望输出矩阵被存储在存储器中。
[0064] 给定已完成的矩阵X(其现在包括当前时隙中的每个路段的平均速度），交通量计 算也可被执行，如现在将结合图9描述的。
[0065] 计算交通量存在若干挑战。例如，直接测量所有路段上的交通量是不切实际的。而 且，使用所采样的交通数据，所采样的车辆的出现可能显著不同于在一地理区域中的各路 段上的所有车辆的分布。
[0066] 解决此问题的一个方式是使用平均速度数据，W及针对所述路段得出的其它有关 数据，来训练根据此各种数据来确定交通量的模型。为了更精确的推断，可针对不同的道路 类型（由道路等级（例如，高速路、都市街道)所定义的）基于来自相应道路类型的路段的数 据来训练不同的模型。从而，计算一路段的交通量设及标识该路段的道路类型W及向来自 该类型的路段的数据应用针对该类型的模型来获得量。
[0067] 在一个实现中，基于部分观察的贝叶斯网络来使用无监督的图形模型来实现交通 量推断模型。如图9中所示，该图形模型包括隐藏节点和观察节点。隐藏节点表示要计算的 隐藏变量;观察节点表示可用数据。
[0068] 具体而言，在图9中，一路段的一车道的交通量化(910)(即，每车道每分钟的车辆 的数量)可被建模为受四个因素影响:天气条件w(912)，一天里的时间t(914)，道路的类型 化(916)，W及观察到的样本车辆的量化(918)。道路类型可从各种路网信息来确定。在此示 例中，该模型包括路网特征打(920)，诸如长度、全球位置特征fg(922)。道路类型可受兴趣 点数据A(924)(诸如兴趣点特征(926)，诸如如上所述的）、W及兴趣点的总数化(928)的影 响。隐藏节点是交通量910、道路类型916和兴趣点数据924。
[0069] 在图9中，节点930和932分别表示如使用诸如上述的技术从所采样的车辆数据推 断的平均行进速度和速度方差。平均行进速度930由道路类型916、交通量910和天气912来 确定。速度方差通过观察到的样本车辆918、交通量910和平均速度930来确定。
[0070] 该模型使用来自所有路段的数据来训练，并随后被应用于推断每个路段的交通 量。此模型假设一根车道的交通。因此，对于给定路段，此模型的输出被乘W路段的车道的 数量W产生该路段的输出量。在一个实现中，预期最大化化M)算法可被用来按照无监督的 方式学习图9中的模型的参数。该算法的计算被迭代地重复直到参数收敛为止，运提供了对 未知参数的解。
[0071] 给定每时隙的平均车辆速度和平均交通量(其可按W上描述的方式计算），此类信 息可被眼红来给出环境度量的估计，诸如燃料消耗和车辆排放。运种计算的示例模型是 COPERT模型，对于该模型，计算热排放摂的部分可使用交通速度和量数据来确定。用于运种 计算的另一示例模型是MOBILE模型。
[0072] 在CO阳RT模型中，针对单一车辆的燃料消耗和车辆排放根据行进速度定义通用的 参数