使用对概率相关性和环境数据的建模与分析的交通预报

摘要

描述了基于统计的机器学习构造预测模型的系统和方法，这些预测模型可基于将交通系统抽象成一组随机变量来进行关于交通流量和拥塞的预报，这组随机变量包括表示直至关键的麻烦多的地点处会有拥塞、及拥塞将解除的时间量的变量。观测的数据包括交通流量和动态，以及诸如一天中的时间和一周中的日子、假期、学校状况、诸如体育比赛等大型集会的时间安排和性质、天气报告、交通事件报告、和建设与封路等其它环境数据。该预报方法用于报警，即在移动设备或桌面上显示关于拥塞的预测的图形信息，并用于离线和实时的自动路线推荐和计划。

说明书

相关申请的参照

此申请要求于2004年11月16日提交的题为SYSTEM AND METHOD FORPREDICTION AND PRESENTATION OF ATYPICAL EVENTS(用于预测和呈现非典型事件的系统和方法)的美国临时申请第60/628,267号的优先权。此申请还涉及代理卷号MS311463.01/MSFTP915US，题为PRECOMPUTATION ANDTRANSMISSION OF TIME-DEPENDENT INFORMATION FOR VARYING ORUNCERTAIN RECEIPT TIMES(为变动或不确定的收到时间预先计算和发送时间相关的信息)；代理卷号MS311464.01/MSFTP916US，题为BUILDINGAND USINGPREDICTIVE MODELS FOR CURRENT AND FUTURE SURPRISES(构建和使用当前及未来的意外事件的预测模型)；和代理卷号MS311466.01/MSFTP917US，题为METHODS FOR AUTOMATED AND SEMIAUTOMATED COMPOSITIONOF VISUAL SEQUENCES，FLOWS，AND FLYOVERS BASED ON CONTENTAND CONTEXT(基于内容和环境自动和半自动地构成视觉序列、流和立体交叉的方法)，其中每一个都是在2005年6月30日提交的。这些申请的整体通过引用包含于此。

背景技术

电子存储机制使得大量数据得以积聚。例如，以前需要数册书才能记录的数据如今可电子存储而无需花费打印纸，并且仅占存储纸张所需空间的一小部分。在一个特定例子中，以前记录在纸册中的契约和抵押如今可电子存储。而且，传感器和其它电子机制的进步如今允许大量数据被实时收集。例如，GPS系统能以卫星和GPS接收器的方式判定个人或实体的位置。与其连接的电子存储设备随之可用于保留与此类系统相关联的位置。还可使用各种其它传感器和数据收集设备以获取和存储数据。

可在有关数据趋势和分析方面使用所收集的涉及特定环境和/或应用程序的数据，并可根据所收到和所分析的数据作出预测。此类预测实际上是人类的天性，并且个人常常产生此类预测。例如，在工作地点和居住地点之间往返的人可判定在平日白天的某些时间期间，交通状况易遭受高度拥塞。因此，在离开工作地点之前，个人可预测他在交通中何时何地最可能被减缓速度，并可进一步预测他们可能要遭受多久的拥塞。个人的预测还可以根据诸如天气、某天是否是假日、地理上非常靠近的事件等其它变量。因此，当个人可访问环境信息并可访问(例如，以记忆的方式)历史数据时，该个人可产生预测。

计算机系统上使用的预测模型常可比人类产生更准确的预测结果，因为计算机系统可访问充分数量的数据。例如，计算机应用程序可访问表示过去二十年的交通图的数据，而个人可能只体验过不到一年的交通图。当生成与常见事件相关联的预测时，这些预测模型可能十分有效。

但是，当预测模型与非典型或意外事件相关联时，预测模型可能失败。失败的原因可包括缺少对情况的理解，缺少对情况的构想，某事件很少发生，和各种其它因素。但是向个人进行关于意外事件的警告比向个人进行典型事件的警告更为关键，因为此类个人很可能无需预测应用程序的帮助即已预测了该典型事件。开发一种标识一个或多个用户会觉得意外的事件的方法可能是有价值的，因为用户无需关于其期望的情况受到警告。一种可预测用户在未来何时将感到意外的系统在给用户关于世界的未来状态、给他们时间以采取诸如寻找新的替换方案或开发改进计划等行动方面将是有价值的。

发明内容

以下给出简化的概述，为本文所描述的一些方面提供基本的理解。此概述不是所要求保护的主题的详尽综述，也不试图标识所要求保护的主题的关键/必需元素或描述所要求保护的主题的范围。其唯一的目的是以简化形式给出某些概念，作为稍后给出的更具体描述的序言。

所要求保护的主题提供使用预测模型组件来生成涉及各种应用程序的预测的系统和方法。更具体地，可使用预测模型来预测非典型或意外事件的发生。在一个特定例子中，可使用预测模型来预测特定范围中(例如，某个城市)的交通图。数据可从与道路相关联的传感器收集，包括安装在道路上或附近的固定的磁、光、声或雷达中心传感器、对视频摄像机所捕捉的景象的视觉分析、从车队中发生的GPS记录所采集的诸如可从受测量的公共汽车、出租汽车、运输工具等得到的信息、和蜂窝电话所感知的或在蜂窝电话供应商的天线处所感知的诸如GSM载波信号等信号强度的动态、诸如一周中的日子、一天中的时间等环境信息、是否有定义范围之内的事件(例如，体育比赛)、所考虑的日子是否是节假日、天气状况、当前交通状况、先前的交通状况、可生成的具或不具正式编码的只有文本形式的事故报告、以及有关于交通图预测应用程序的其它合适的数据。尽管交通图是一个示例性应用程序，所要求保护的主题的各个方面可在各种环境中使用。例如，游乐园中的队伍、股市预测和分析、多个个人之一在不同时间的可用性和到场、直到用户查看诸如电子邮件消息等消息的时间、若干项目或位于各种销售位置的大量项目的销售分析等等都是可使用所要求保护的主题的一个或多个方面的示例性环境。

回到对交通图的预测，意外事件可定义为在给定当前环境数据的前提下，人类不会预期发生的事件。例如，城市的某个部分可能发生一起事故，个人通常不会预期此类事故会影响城市某个截然不同的部分处的交通图。但是，预测模型可学习该事故连同其它数据(例如，特定天气模式、体育比赛的发生、等等)可引起该城市某个截然不同的部分交通图的改变。这些改变可为反常的事件；例如，在给定时间，所预测事件的发生低于预定义的阈值。因此，当预测模型预测了被认为是异常的事件、或会使对交通有预期的用户群体感到意外的事件，则可将其作为意外事件向用户显示，或作为用户可能有兴趣了解的警告向用户推送。

定义反常的、非典型的、或意外事件可有各种方式。例如，意外事件可为用户专属的，即发生某特定用户未预期的事件(无论事件发生的概率)。例如，非典型事件可定义为与在预定义阈值以上或以下发生或不发生的概率相关联的事件。例如，对于道路系统的某个特定区域，且对于一周中的某个特定日子和一天中的某段特定时间，如果出现交通阻塞，或交通流畅可能是很意外的。可对小概率使用阈值，在该阈值以下的事件可被视为对用户群体来说是意外的。可生成案例库来支持此类定义，并可根据该案例库来构建预测模型。在另一个例子中，可将事件与发生的概率相关联，反常事件可定义为与离平均概率有某阈值数量个标准偏差的概率相关联的事件。可确定已构想了任何适用于定义反常事件的方式。还可使不同的定义意外的模型可供一个或多个用户选择。同时，可构造更丰富的预测可使用户意外的情况的用户模型。可使用机器学习从数据来构建这类用户模型供不同用户使用。

此外，可将预测模型与监视该预测模型的模型分析器相关联。例如，预测模型可预测直到交通阻塞或瓶颈会在不同位置形成的时间，和阻塞一旦形成、直至消失在流中的时间。还可用指定概率来监视关于发生意外时间的预测的准确性。对于这些及其它类型的预测中的每一个，模型分析器可将预测与一段时间里实际事件的发生进行比较，并从而监视预测模型的性能。模型分析器随即可自动调整预测模型，以改善其性能，或可根据环境，仅将某预测与不准确相比，何时可能准确分程传送给用户。在进行此类关于预测准确性的自动反映的一种方法中，可构造所有从实际结果发散超过一定程度的预测错误、还有所有在基础预测时间对系统可用的观测的案例库。随后，在所有对系统可用的观测的和环境的数据的条件下，可使用机器学习来构建关于系统基础等级准确性的性能的预测模型。可测试此类描述基础等级预测的准确性的元等级模型以确定其准确性。如果这些模型是准确的，则可随基础等级的预测一起执行这些模型，并可根据关于观测和环境的细节来提供关于基础等级预测的可能的准确性的注释。在另一个称为增压(boosting)的分析中，已知为失败的案例可被收集并受到特殊的建模注意。例如，可对失败的案例进行不同的加权，或由机器学习算法中一个或多个特殊的模型处理。

为达成前述及有关目的，本文中联合以下描述和附图对所要求保护的主题的某些示例性方面进行描述。但是，这些方面仅指示可使用所要求保护的主题的各原理的各种方式中的若干种，并且该要求保护的主题试图包括所有的方面及其等效技术方案。当结合附图考虑时，其它优点和新颖特征将从以下具体描述中变得显而易见。

附图说明

图1是便于生成对意外事件的预测的系统的高等级框图。

图2是便于检索环境数据，并在有关生成对意外事件的预测方面利用所收到的环境数据的系统的框图。

图3是便于分析和自动更新预测未来发生意外事件的预测模型的系统的框图。

图4是便于生成对意外事件的预测的系统的框图。

图5是构建可预测未来发生意外事件的预测模型的系统的框图。

图6所示是预测未来发生会使某用户感到意外的事件的方法的流程图。

图7所示是预测未来发生意外事件的方法的流程图。

图8所示是自动更新预测模型的方法的流程图。

图9所示是创建可预测未来发生意外事件的预测模型的方法的流程图。

图10是使用户能够根据所定义的行进路线和时间定制警告的工具的示例性截屏图。

图11和12所示是所要求保护的主题的一个或多个新颖方面的示例性截屏图。

图13-16所示是有关预测未来发生意外事件所使用的各变量两两间的相关性的示例性网络。

图17和18所示是可结合所要求保护的主题一个或多个方面所使用的历史数据的示例图。

图19所示是有关预测意外的发生所使用各变量两两之间的相关性的示例性网络。

图20所示是所要求保护的主题的一个或多个方面的实际应用的截屏图。

图21所示是有关预测意外事件的发生所使用的各变量两两之间的相关性的示例性网络。

图22所示是所要求保护的主题的一个或多个方面的实际应用的截屏图。

图23所示是有关预测意外事件的发生所使用的各变量两两之间的相关性的示例性网络。

图24所示是所要求保护的主题的一个或多个方面的实际应用的截屏图。

图25-29所示是所要求保护的主题的各个方面的一种或多种实际应用的截屏图。

图30所示是有关所要求保护的主题的一个或多个方面可使用的示例性移动设备。

图31所示是合适的操作环境的示意性框图。

图32是可实现所要求保护的主题的范例计算环境的示意性框图。

具体实施方式

现在参考附图描述所要求保护的主题，所有图中用相同的标号来指相同的元素。在以下描述中，出于解释目的，阐述许多具体细节以对所要求保护的主题提供详尽的理解。但是，显见无需这些具体细节即可实现该要求保护的主题。在其它实例中，以框图形式示出公知的结构和设备，以便于描述所要求保护的主题。

如本申请中所使用，术语“组件”和“系统”意指计算机有关的实体，即硬件、硬件和软件的组合、软件、或执行中的软件。例如，组件可以是，但不限于，处理器上运行的进程、处理器、对象、可执行代码、执行线程、程序、和计算机。作为示例，服务器上运行的应用程序和该服务器两者都可以是组件。一个或多个组件可驻留于进程和/或执行线程内部，且组件可位于一台计算机上和/或分布在两台或多台计算机之间。本文中使用单词“示例性”意指示例、示例或说明。本文中描述为“示例性”的任何方面或设计不一定解释成比其它方面或设计更佳或更优。

如根据下文所述的所要求保护的主题的一个或多个方面，有关进行推论和/或概率决定和/或基于统计的决定可使用自动推理系统(例如，显式和/或隐式训练的生成式或判别式分类器)。如本文中所用，术语“推论”一般指从经由事件和/或数据捕获的一组观测中推理或推断系统、环境和/或用户状态的过程。例如，推论可用来标识具体环境或行为，或可生成状态的概率分布。推论可以是概率性的——即，基于对数据和事件的考虑计算所关注状态的概率分布。推论还可指用于从一组事件和/或数据组成高级事件的技术。此类推论导致从一组所观测的事件和/或所存储的事件数据中构造新事件或行动，无论各事件是否在时间上紧密相关，也无论各事件和数据是来自一个还是数个事件和数据源。关于执行与所要求保护的主题有关的自动和/或推断的行为，可使用各种分类方案和/或系统(例如，支持矢量机、HMM、马尔可夫过程、神经网络、诸如贝叶斯网络、动态贝叶斯网络和连续时间贝叶斯网络等图形概率模型、基于逻辑的推理系统、和模糊逻辑)。

此外，可用标准编程和/或工程技术来生成软件、固件、硬件、或其任意组合来控制计算机实现所要求保护的主题，从而将所要求保护的主题实现为方法、装置、或制造品。本文中所使用的术语“制造品”意图包括从任何计算机可读设备、载波、或介质可访问的计算机程序。例如，计算机可读介质可包括，但不限于，磁存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩光盘(CD)、数字多功能盘(DVD)……)、智能卡、和闪存设备(例如，闪存卡、记忆棒、键驱动……)。此外，应当理解，可用载波来承载诸如在发送和接收电子邮件中、或在访问诸如因特网或局域网(LAN)等网络中使用的计算机可读电子数据。当然，本领域技术人员会认识到，可对此配置作许多修改而不会偏离所要求保护的主题的范围和精神。

本文中所描述的一个或多个特征可应用于称作智能电话的新兴类型的移动计算设备以及包括蜂窝电话和PDA在内的其它类型的便携式设备。作为示例，将关于智能电话描述若干方面，但是应当理解，所要求保护的主题可应用于、或结合各种其它便携式设备使用。此外，所要求保护的主题还适于在诸如台式PC等固定计算设备、以及安装在交通工具上/内的计算设备中使用。

智能电话将蜂窝电话的便携性和网络连通性与PDA的计算能力相结合。智能电话的彩色显示器有动画的性能，并通常具有200乘200像素范围的分辨率。这些设备中许多都不具有触摸屏，即使那些具有触摸屏的设备也常常是在单手情况中使用的。大部分智能电话用4个方向的小键盘(d-pad)或游戏杆来扩增数字键盘。此外还有若干专用按键(back、home、和action)和两个可由当前应用程序任意赋予功能的“软键”(soft-key)。

所要求保护的主题模型还涉及利用预测模型来生成涉及诸如交通图、市场模式或任何其它合适环境等各种模式的预测。此外，所要求保护的主题提供一种定义意外情况、预测意外情况、和向用户呈现此类所预测的意外情况(以及所计算的所预测的意外情况发生的概率)的机制。

现在将参照附图描述所要求保护的主题，所有图中相同的标号表示相同的元素。现在参考图1，示出便于生成涉及各种模式(例如，交通图)的预测和向用户递送此类预测的系统100。系统100包括用于生成与诸如交通图、销售模式、市场模式等各种环境相关联的预测的预测模型组件102(以下称为预测模型)。在一个特定例子中，可用预测模型102生成涉及某特定区域(例如，某个城市、城市的某个部分、……)中的交通图的预测。更具体地，预测模型102可预测/估计某道路或整个通勤路径解除阻塞——或产生阻塞所花的时间量。由此，用户可查看预测模型102的输出并基于此作出驾驶的决策(例如，何时离开工作地点、所取的最佳路线、……)。还可结合从用户日历所取得的、关于下一个会议为何时何地的信息来使用此类分析，从而对何时出发前往会议提供指导。如果某会议是当天的第一个会议，并且用户当时在家中，则该方法可扩展至智能闹钟，如果用户很可能遇到通勤困难则提早唤醒他，或如果前往会议的路上的交通预示压力很轻则允许用户迟些起床。尽管以上例子指在预测交通图的环境中应用预测模型102，应当理解可在各种其它环境中应用预测模型102。

预测模型102可基于任何公知的数据建模技术。在一个例子中，预测模型102可基于贝叶斯网络，并使用各种机器学习技术来优化来自此类预测模型102的预测输出。贝叶斯网络是表示随机变量的节点和表示各节点(变量)两两之间的相关性关系的弧线的有向无环图。由此，例如，如果存在从某第一节点到某第二节点的弧线，那么说该第一节点是该第二节点的父节点。如果该节点与某个已知的值相关联，则称其为明显节点。节点可表示任何合适类型的变量——例如，节点可表示所观测的测量、阐述、潜在变量、或假设。由此，在本文所述的附图中，节点可表示诸如一周中的日子或一天中的时间等环境数据，以及某特定位置的交通状况、和各种其它变量。机器学习指有关对允许计算机从若干组观测中“学习”预测性或解释性的模型的技术的开发的人工智能领域。尤其是，机器学习可涉及至少部分基于对一个或多个数据组的分析创建和/或修改计算机程序的方法。因此，如果所收集的数据显示，在具体日子的某个时间，道路的某个特定部分阻塞特定的时间量，则预测模型102可监视此类阻塞，并基于此模式改善和优化预测。

启用预测模型102的最佳/期望操作必需要接收相当大量的数据。具体参考对交通图的预测，可从道路上的各种传感器、翻译成机器可读语言的交通报告、GPS数据的集合、用户穿过某区域时或在蜂窝电话处或在蜂窝塔处观测到的蜂窝电话和塔之间的监视握手、和各种其它从用户收集数据的方式来收集数据。此外，可收集诸如能见度、降雨量和温度(例如，严寒)等天气状况(从网站、广播站、或其它适当的源收集到)的数据、日历信息(诸如一天中的时间、一周中的日子、月份、等等)、在所构想的地理区域或相关联区域是否正在发生诸如体育运动、游行、电影开幕、政治事件等大型事件、节假日状态(主要节假日、银行节假日、学校节假日、等等)、和任何其它可能涉及交通的数据。例如，可收集来自政府或私人交通监视部门的进行中的自由文本或已编码报告。可通过网站、通过对自然口语的翻译、通过传感器、用户输入、或任何其它适当方式发生收集。同样，应当理解，预测交通仅仅是可使用本文中所述的一个或多个方面的示例性应用——发明人构想包括市场分析等各种方面，并旨在使其落入所附权利要求书的范围之内。

一旦构建了预测模型102，预测模型102即可接收环境数据以及历史数据。如上所述，可通过各种传感器以及网站和日历收集此类数据。例如，数据可包括体育比赛的时间、演唱会的时间、一天中当前的时间、当前交通量、和任何其它合适的数据。此数据可递送给预测模型102，它随后生成涉及设计该预测模型102所针对的应用的预测。再次返回交通图预测应用，预测模型102可输出所预测的拥塞、所预测的直至当前拥塞被清除的时间和与该预测相关联的标准偏差，及任何其它涉及交通图的合适的预测。例如，可将向用户输出的信息彩色编码，将交通工具的行进速度和密度分程传送给用户。在具体例子中，当有不受约束和快速的交通流，高速公路图形描述的局部可与绿色相关联。随着道路变得较拥塞，颜色可从绿色变为黄色，从黄色变为红色，和从红色变为黑色，其中每次变化指示不同的行进速度。向用户输出的信息可涉及当前状况(例如，交通状况)和/或涉及所预测的未来状况。

关于交通还有更多细节，有关向用户提供什么数据可选择道路的特定部分。例如，可将城市与一组通勤期间在通勤者和交通报告者注意力焦点处的广知的“热点”相关联。对此类位置(例如，瓶颈)的标识实现目标更集中的建模和警告，其中警告可涉及与用户高度相关的一组事件和状态。此类取景有助于减少学习的参数空间和设计预测模型102中用到的力气，并提供一种易于向用户传达的交通问题的表示。为了确定此类位置所在，可分析系统范围的交通流数据，以获取涉及拥塞百分率和拥塞时间的信息，其中拥塞百分率可被改变。利用此类分析可实现系统中瓶颈位置的判定，并可据此构造预测模型102，其中预测模型102可生成涉及直至发生某级交通拥塞的所预计时间、预测该级拥塞将持续的时间等推论。还可收集涉及交通流的其它数据并由预测模型使用。例如，包括从发生交通堵塞开始的时间在内等涉及交通图的数据(可为涉及交通系统中不同部分的流和堵塞(拥塞)的静态和/或动态数据)，交通阻塞的范围(节段的长度)和结构(例如，固定阻塞、流的混合、等等)，从交通阻塞缓解开始的时间，固定阻塞区域内部流的改变，等等。由此，可利用任何涉及环境的合适数据、动态、和/或当前/先前的交通数据。

更具体地，在给定通过上述机制/方法的方式收集的足量数据前提下，可使用机器学习，根据时间和其它环境信息来学习未来趋势上的概率分布。例如，在交通应用中，可在一段时间内监视特定部分中的交通流，并可使用机器学习技术，在给定当前观测的前提下预测此类流。例如，用户可通过特定路线进行从办公室到居住地点的通勤，可通过一段时间来学习此类路线。此外，可收集与路线相关联的环境信息，并对所收集的信息使用机器学习方法/机制。其后，在给定与该路线相关联的当前观测的前提下，可生成关于该路线的推论，并且可向用户提供与该路线相关联的警告和/或数据。

例如，在给定涉及交通的特定数据前提下，预测模型102可在拟用交通路线的创建中进行指导。例如，在给定当前交通状况的前提下，预测模型102可向用户建议一个路线。在另一例中，预测模型102可基于对诸如一天中的时间和一周中的日子和关键的当前阻塞问题，利用边际或平均交通流期望来指导从起点到终点(例如，从商务场所到住处，从当前交通位置到住处，……)的拟用路线的创建。在又一个例子中，预测模型102可生成关于不同区域中未来交通流的概率预报，以指导交通路线计划的创建。此外，在给定当前定位信息(和行进方向)的前提下，预测模型102可基于最小化总驾驶时间的尝试，在驾驶期间指导对拟用交通路线的重新计划。例如，可使用GPS现时定位用户，并可在有关提供关于现时交通和行进方向上所预测的交通事件方面利用GPS。

此外，预测模型102可在给定环境数据和/或历史数据(例如，可能不是同时需要环境数据和历史数据来生成反常事情/事件的预测)的前提下预测意外事件的发生，其中意外事件是会使某个或某组特定用户感到意外的事件。为实现对意外事件的预测，可生成涉及意外事件的定义。举一例，可分析某事件发生的概率，以判定该事件是否是意外的。更具体地，可定义高和低概率阈值，其中系统100的用户可以某特定概率，预计某事件发生，或预计某事件不发生。如果此类事件的概率落在阈值之外，则可通知用户所预测的意外事件。举一具体例子，在给定过去的经验和当前环境的前提下，用户可期望无拥塞地通过高速公路的某个特定部分。由于被认为与用户无关或用户未构想的(但已知与预测模型102有关)的其它事件，在高于所定义阈值的概率处可预测高速公路该部分被阻塞。预测模型102其后可向用户提供所预测的意外事件/事情，以及此事情的概率，由此使用户能够走不同的路线和/或在不同的时间动身，取决于用户的选择。此外，可将不同的模型与预测模型102相关联，以确保预测模型102的准确性。随即可根据所确保的准确度对预测模型102进行调整。

用更具体的意外事件进行讨论，可将此类事件/事情定义为对用户来说是未预期的事件。系统100可利用表示的、推论的、和制定决策的方法，这些方法可用于预报在未来时间出现的意外事件/事情。系统100可应用于预测某环境中的意外结果，系统或个人根据遇到意外情况理解、解决或预测未来问题的意外失败，或个人基于所感受到或观测到的情况无力面对未来的情况，等等。对未来意外事件的学习和推理扩展至对未来未建模情况的学习和推理。针对个人和/或自动推理系统的意外事件可归类为(1)观测者未显式地考虑的事件(例如，未建模的事件)；和(2)被赋予低于和/或高于发生的阈值概率的很低或很高的概率的事件这两者之一。此外，被视为非常意外的结果或情况常常对为未预期或未建模事件感到意外的观测者的使用有显著的影响(正面或负面的)。简而言之，可显式地标识意外事件/事情但并不预期它们发生，或在一定阈值的概率之内不预期它们发生，或它们是未建模或未经推理的事件/事情(例如，它们处于在建模范围之外)。实践中，可发生许多未被显式考虑的事件；但是，当发生此类事件，它们会影响对一个或多个代理的使用，并因此被视为是意外的。

从数据检测意外事件的常规系统和方法集中于对当前或过去的意外的标识。但是，这些常规系统/方法并不预报或预测未来的意外事件、情况、或事情。可证明预测未来的意外事件/情况/事情对于使个人、组织和系统对其未预期发生或完全没有考虑到的事件作好准备是有价值的。为在系统100内部生成此模型，预测模型102可包括根据当前和过去的观测来预测未来事件的“世界”模型。预测模型102还可将未来结果的可能性与观测者基于过去和当前的观测所预期的模型作比较。可用未来期望或“典型性模型”的形式来定义未来的意外实例。因此，为了生成预报意外实例的模型，可生成所期望结果和意外结果的定义。

此类定义可以是很简单的，诸如“当未来发生观测者未预期会发生的、或由于与表示上和计算上的限制耦合的关于典型性的推理中的偏差，而未曾表现也没有考虑过为可行的、具有对于观测者来说是正面或负面的结果的某个事件时，则发生未来意外实例”等。对未来意外实例其它可能的定义包括观测者或自动推理系统已隐式或显式地表示过、但赋予了小于发生的概率门限x的的可能性的情况的发生。可根据事件类型或事件所隐含内容来创建此类概率门限。观测者或计算系统可访问、表示、或相对于某事件各个不同概率隐式地调控某个概率分布。可关于涉及预测模型102考虑、以生成关于观测者的意外事件预测的一个基本原理是在预报情况中显式考虑的观测和结果对于表示观测者对事件的展望的模型(例如，使用基于变量子集的背景统计)和对于较丰富的概率模型(例如，考虑相同变量之间、或较大的观测变量和关注结果组之间较高阶的交互)来说可能是不同的，并且较丰富的模型所预测的未来结果可与较简单的观测者模型有显著分歧。具体地，观测者常常不构想或理解可引发非期望事件的变量的交互。较丰富的概率模型将此变量的交互以及其它观测者未构想的变量纳入考虑范围。因此，丰富的概率模型所生成的所预测的未来结果可与基于观测者的模型的所预测的输出大相径庭。

在一个示例性方法中，预测模型102(可包括多个模型)可包括诸如构建贝叶斯网络的学习过程等统计机器学习方法、和包括动态贝叶斯网络在内的时间变量、和连续时间贝叶斯网络、以及诸如支持矢量机和神经网络方法等其它统计分类器。可通过结构搜索和参数优化以设计可最好地解释关于基础等级推论和关于意外实例的数据的模型的方式来构造预测模型。在预测模型102的一种示例性创建中，可构造和分析捕捉世界的结果在观测者模型的环境中定义为意外的案例或情况的案例库。此类训练组(案例库)会根据世界的事件和对意外事件的定义而有所不同。

在给定某事件t0处关于某情况的若干观测组的案例库的前提下，可考虑是否将某个未来时间t＞t0处，或例如在未来时间片段t3-t5之内的事件定义为意外的。由此可构造预测模型102，根据案例库内的数据，在不同的未来时间预报意外。可使此类模型102仅集中于取决于事件的类型，对效用具有超过某些阈值或不同阈值的正面或负面影响的事件。可基于与意外实例相关联的平均成本、和/或如果提前采取行动即可避免的反常的高成本结果的本质，来定义和集中未来意外事件的模型。类似地，设计成意外实例预报系统的预测模型102可包括预报可能的有益意外的模型，对于这些有益意外来说，行动可获得或进一步加强与来自结果的好处或非预期的好处相关联的正面本质。在竞争的情况中，可使用与对对手的期望耦合的决策模型来生成对手的意外或负面意外，或倾向于使同盟者受惠并使对手付出代价的意外情况。

在以累积案例库方式构建预测模型102中，可使此类库仅集中于被认为很可能以负面方式影响观测者的使用的意外未来事件上，或可使其仅集中于很可能以正面方式影响用户的未来事件。事件可集中于可能为负面或者正面类型的意外。事件还可能具有特征很不突出的效用——因为许多事件可能仅对一组观测者来说是意外的，诸如在未来的某个时间发现来自另一个太阳系的智能生命等。意外事件还包括那些不与观测者的效用相连、但可通过其它人的效用的方式相连的事件，其中意外由移情反映部分地定义。例如，观测者得知在未来的某个时间一种流行病在东南亚杀死数百万人可能会感到很意外。

作为意外事件模型的示例，系统100和/或预测模型102在关于意外事件/状况的推理中可考虑关于长期概率的信任的二阶概率分布。例如，可使用β分布来对具有未知属性的硬币一系列抛掷的不同的长期概率上的概率分布进行建模。可用当前平均值和采样大小的形式来定义关于长期概率的意外实例，这产生平均值上可能很紧凑的或具有越来越大的方差的概率分布，在给定先前观测的前提下，在长期概率中捕获减少的置信度。还可用当前概率分布除以长期概率的形式来定义意外未来结果，其中在当前概率分布除以长期概率的环境中，在一个或多个结果(例如，抛掷一个硬币的一系列结果)具有表示为具有低于某个阈值概率的概率的平均概率的情况中系统更加感到意外。

在构建和使用预测模型102来预测意外事件和/或事情的一般机器学习方法中，系统100可通过考虑与当前时间的观测耦合的、定义为未来若干分钟数的未来某个时间非期望结果的案例，对未来意外事件或异常进行建模。为构建预测模型102，可构造案例库，并可构造模型并用保留数据测试，以探测意外实例预报的预测准确性。

作为以一种方法定义期望和意外的示例，预测模型102可使用定义重要事件的标量值变量上的概率分布来定义意外结果。例如，可考虑影响某城市高速公路系统的不同的潜在瓶颈区域处的流的交通量。如果离观测时间30分钟时间，在每个潜在瓶颈处的交通量的概率分布是由一组有影响的变量表示并以之进行调节，则可对由各变量的设定值所捕获的不同环境情况中的瓶颈的流上的概率分布进行记录和编码，这些变量有诸如对该瓶颈和其它瓶颈的流的近期历史的统计、以及一天中的时间和一周中的日子、节假日状态、和诸如整个高速公路系统的事故状态及其时间和程度、建设状况、天气和能见度、和类似体育比赛、芭蕾和剧院等重要事件的开始和结束等其它潜在的重要的有影响的变量等。

在预测模型102的一种示例性创建中，在给定集中在此区域的概率的前提下，可利用集中趋势作为观测者期望的模型。其后可构造结果很少量或很大量的案例的案例库。更具体地，可标识有非期望或意外交通量、交通量比平均值高或低标准偏差的若干倍的案例——并且可将此类所标识的案例视为意外。预测模型102因此可包括其中很可能有此类情况的案例的预测模型作为意外的概率模型。

因此，可假设基于当前的观测，穿越若干潜在瓶颈区域的通勤者可能有基于未来某目标分钟数处概率分布的平均值或中心主要部分的期望。因此，可包括在预测模型102内部的“观测者的”期望模型可编码为平均值+/-标准偏差。在预测模型102内部可使用的一种更复杂的模型中，完全可以显式地考虑前述观测者模型中所考虑的推论能力中的差异或证据。例如，对于观测者的模型，可考虑与若干基本环境证据片相关联的平均值和方差，诸如一天中的时间和一周中的日子，并可移除对可交互以产生意外流的微妙的已得数据组的考虑。为了拣选意外案例供训练使用，可选择与在未来不同点处的非常高和非常低的流相关联的案例，并可记录可预测意外实例的模型的机器学习的训练组中所有当前时间的观测变量。

集中于该例，例如观测者的模型可基于以下函数，将30分钟内在潜在瓶颈区域处的交通量视为现在和过去30分钟一组观测的函数：

30分钟内的交通量＝f(现在瓶颈1的交通量(bn1)，一天中的时间，一周中的日子)此信息被编码成平均值和标准偏差。但是，预测模型102可使用考虑附加变量及其相关性的更复杂的世界模型，并可将交通量编码为贝叶斯网络，如下：现在在瓶颈1处30分钟内的交通量(bn1)＝f(现在交通量bn1-bn30，过去30分钟的交通趋势bn1-bn30，一天中的时间，一周中的日子，要包括的30分钟内的交通量，超音速队比赛开始时间状态，节假日状态，降雨状态)

如果对所收到的观测同时执行这两个模型，涉及30分钟内的瓶颈所生成的预测可能非常不同，且可用此类差异来判定30分钟内的预测很可能会使观测者感到意外的实例。在第二种方案中，可编码用户本应感到意外的一组案例，且预测模型102可至少部分地基于一组已得数据来为观测者直接编码意外情况。由此，预测模型102可发现，从较简单的平均值和标准偏差模型的视点出发，相关变量的某些设置导致“意外的”(例如，非典型或反常的)高或低的交通量。可构造预测模型102所预测的意外的现实世界的事件，并将其与某观测者所预测的在未来某个关注的时间(例如，从现在起15分钟、从现在起30分钟、从现在起1小时、或从现在起时间t之内)所期望的结果相比较，并可构造经由机器学习构建预测模型的意外模型。

在又一个方案中，可结合预测模型102使用不直接推理事件类型、但在发生意外、非典型和/或反常事件条件下推理其较高级属性的模型。例如，如果在某个时间帧内发生意外实例，则可预测其是否属于某特定类。作为例子，可收集有关某个观测者在过去一年内所发生的最高程度的意外事件的各种属性相关联的数据，并可将涉及于此的统计用作推理未来潜在意外实例的模型。例如，可评估与过去10年中的每一年在私人或公共领域内n个最意外事件相关联的一组属性。可利用这些边际统计来对未来意外实例——如果它们发生的话——的属性进行整理排序。例如，“涉及被掩盖而难以看清的一组协调行为”涉及未曾显式建模的金融手段。

还可利用机器学习来推理与将会是特别具有挑战性或特别困难的结果相关联的未来情况，因为可能的结果可能还未曾被建模，或者可能存在预测模型102可判定它在某些情况中不能胜任的情况。以前述方案的方式，可捕获发现结果在预测模型102或其它模型内未显式未显式建模、或系统在意外方式中失败的情况。可结合此类对机器学习的利用来分析关于即将来临的很可能的失败的案例的案例库。为了构建即将到来的未建模情况或基于对未建模情况的处理不当的不能胜任的情况的预测模型，或仅仅标识未建模情况，可构造即将到来的未建模情况或不当相应的情况的案例库，并且可通过预测模型102来预测此类情况。可通过从一组训练案例来构造预测模型102、并对照为此目的而保留的测试数据组来测试此类模型102的预测能力的方式，来测试所构造的预测模型102的预测能力。

构想未建模情况的同时构建预测模型102的另一种方案是构造具有预测将有失败的能力的预测模型102来预测未来，从而在预测模型102所作的预测输出可能不太正确时通知用户或系统。可使用机器学习，通过记录与未能预测未来相关联的观测组或状态组来标识此类情况。可利用此类未来意外、非典型情况、反常、未建模事件、或更一般地、系统或个人不大可能处理好的情况的模型，基于当前观测，来向人或自动系统提出可能有非期望的、混乱的、或未建模的情况即将到来的警告。在个人或系统可能希望为意外或相当具有挑战性的情况作好准备时，具有关于未来有此类情况逼近的可能性的认识，即使还不确定时，仍可对个人或系统提出警告，从而实现对替换环境或情况的选择。

还可使用预测模型102来指导或促进在不确定情况下个人或系统被放到有未预期价值的情况中的情形。可基于观测者关于未来的期望的模型的推论和对于相同未来时间段的世界结果更丰富、更准确的模型之间的差异，驱动显示来发出警告信息，其中该两种模型都驻留在预测模型102内部。这些显示可假设人或系统具有默认的期望，并且除非很可能有某事物使得、或在未来将使得用户感到意外，否则没有理由对其提出警告。作为例子，对于警告系统，回到交通预测应用，可就用户何时可预期未来所关注时间沿着所关注路线的交通量意外地较轻或较重，对个人提出警告。这些个人可能不希望就关于个人将预期(如由基于观测者的期望模型所判定)的交通状况受到警告。作为另一个应用，基于关于意外的未来预报，在某个时间之前到达某个很远的地点的约束之内，可警告用户提前或延后出发。在另一个例子中，可在警告系统内部使用预测模型102，在给定对影响用户的意外事件的预测的前提下，在早晨延后或提早将用户从睡眠中唤醒。

预测模型102可包括提供关于预测模型102准确预测未来意外事件/事情的能力的预测的模型(未图示)。因此，预测模型102可自动突出预测的准确性，或可判定不信任某预测的实例，由此使用户在为未来作准备时能够较少依赖预测。机器人系统可能希望经由预测模型对未建模事件、或未能预测的情况、或意外失败的推论，用模型来预报当前路径或轨道上即将到来的未建模或意外事件、或其很可能不能胜任的特别具有挑战性的情况，从而选择其不大可能将要面对意外或挑战的替换方案或路径。

一旦生成对意外事件的发生的预测，预测模型102将此类预测分程传送给用户界面组件104，该组件可向用户呈现所生成的预测。例如，可将用户界面组件104与向用户视觉地显示所生成的预测的图形用户界面(GUI)、听觉上向用户提供预测的扬声器、或任何其它何时的界面相关联。此外，用户界面组件104可驻留在诸如膝上计算机、PDA、蜂窝电话、智能电话等便携式设备上，或可驻留在诸如台式个人计算机等固定设备上。在交通应用中，用户界面组件104可通过穿越路线来向用户动态显示此类路线，其中穿越时缩放的量是地图上数据点之间的距离、该路线中从一个或多个数据点出发的距离、路线中数据点的个数等的函数。例如，用户可能希望走某条路线，沿着该路线有用户所关注的高速公路的若干部分(诸如高速公路阻塞的或预测将阻塞的多个部分)。在该路线的起始处，显示可与某特定缩放量相关联——随着显示开始穿越该路线，显示“缩小”，缩放的比率是各数据点之间的距离、一个数据点之间的距离、和/或该路线上数据点的个数的函数。利用缩放来向用户提供关于路线更大量的环境，并且经验上缩放对用户来说比常规系统显得更令人愉快。随着用户界面组件104(例如，显示器)显示用户靠近某个数据点，显示将“放大”，缩放比率同样是各数据点之间的距离、一个数据点之间的距离、和/或该路线上数据点的个数的函数。

可在服务器和客户机的组合或单个客户机上实现系统100。例如，包括用户界面组件104的计算设备可订购主含预测模型102的的服务。可将预测模型102与服务器上的处理器和存储器相关联，计算可在其上发生。随即可通过无线和/或有线连接的网络将所生成的预测递送给用户界面。此外，可向客户机递送地图或其局部，并在其上的存储器中高速缓存。其后，可从服务器递送涉及预测的显示，并将其安置在客户机上高速缓存的图形上。但是，随着处理和存储器性能的提高，系统100可完全驻留在客户机内部。

现在转到图2，图示了便于生成意外事件/状况的预测的系统200。系统200包括根据所接收的环境数据和历史数据生成涉及意外事件的预测的预测模型202。例如，可通过一个或多个传感器204的方式和/或一个或多个数据收集组件206的方式，将环境数据递送给预测模型202。例如，在预测模型202预测交通图的应用中，传感器204可以是道路上检测汽车的存在、估计汽车速度等的重量传感器。在关于交通的另一个例子中，关于接收涉及道路上的汽车的环境数据，可利用与汽车相关联的GPS传感器。这些传感器可集成到汽车内部、蜂窝电话、PDA内部、等等。在又一个例子中，传感器204可涉及监视蜂窝电话和蜂窝塔之间的握手，由此提供个人在道路上的未知的又一种指示。此外，可利用涉及温度、时间等的传感器来获取环境数据。据此，关于获取环境数据以供预测模型202使用，可使用任何合适的传感器。可利用数据收集组件206来监视电视、电台和因特网，以获取涉及预测模型202所针对的应用的变量。例如，如果关于交通预测而利用预测模型202，则一周中的日子、体育比赛的发生、和天气可能影响交通是公知的。因此，数据收集组件206可通过利用语言识别机制来确定电台新闻广播中所描述的天气、用文本识别机制来监视体育比赛或其它合适的事件等等，来获取数据。因此，构想了任何适合的获取预测模型202可使用的环境数据的设备/机制。

例如，可通过统计方法来构造预测模型202，诸如通过利用如贝叶斯网络、动态贝叶斯网络、和连续时间贝叶斯网络等一个或多个图形概率模型、隐藏马尔可夫模型(HMM)、马尔可夫过程、微粒过滤、基于吉布斯采样的方法、神经网络、支持矢量机、微分方程、基于逻辑的推理系统、和以模糊逻辑为中心的方法等。在一个特定例子中，关于生成对未来意外事件的预测，预测模型202可利用一个或多个贝叶斯网络208。贝叶斯网络208可包括影响抽象事件的变量，并且可在其中对这些变量和影响进行建模。例如，贝叶斯网络208可包括表示直至拥塞的时间和直至交通系统中各组困难的交通热点或瓶颈区域畅通的随机变量，并且预测交通流可涉及对此类随机变量的推理。此外，可结合预测模型202利用分析和标识瓶颈区域的工具(未图示)。在图25-29处可找到可集合预测模型202使用的示例性工具的描述。

继续涉及交通状况预测的例子，在第一道路的某特定区域处的事故可影响第二道路的具体区域的交通状况。在另一例中，天气情况对具体道路的特定部分可能比对其它道路的部分具有更大的影响。因此，贝叶斯网络208内的变量可包括对道路的部分、影响其上交通的事故、涉及其上交通的天气、和任何其它合适数量的变量的抽象。贝叶斯网络208实质上可以是道路和影响其上交通的变量的完整表示。在另一例中，可使用贝叶斯网络208来对用户期望进行建模，其中此类期望可能与健壮模型所输出的预测大相径庭。

预测模型202可包括意外事件定义210，它(们)被用来对个人就意外事件可能的发生进行警告。可以各种方式来创建和/或定义意外事件定义210，至少其中的一些已参考图1得到描述。例如，意外事件定义可涉及在一阈值概率以上或以下发生的事件。因此，如果所预测的发生概率落在阈值以外，可向用户发出警告。又如，意外事件定义可涉及未被观测者有关的模型建模的事件，因此由意外事件定义210所定义的此类事件一般是用户所未预计的。因此，可结合意外事件定义210来利用全然不同的模型、观测者有关的模型和更彻底的、实质性的模型，来确定意外事件的存在并就该事件迫近的发生和/或其概率对个人进行警告。但是，可以理解，任何适当的定义意外事件的方式都已被构想并将落入所附权利要求书的范围之内。

预测模型202还包括在输出时间数据以及涉及未来意外事件的预测中协助预测模型202的定时组件212。例如，通知个人在未来某个时间某特定区域处交通将阻塞对该个人来说没有帮助，因为该个人将无从了解拥塞预期何时发生、所预期拥塞的长度、等等。因此可利用定时组件212，将时间值与预测模型202输出的预测相关联，由此向用户提供可用于根据所预测的未来意外事件来作出决策的必要的信息。系统200还包括向用户提供预测信息的用户界面组件214。根据一个例子，用户界面组件214可存在与汽车内，由此允许在用户行进时发生动态预测。

为帮助确定用户所关心的区域，一种工具/界面(未图示)可使用户能够选择若干组热点或瓶颈，并将它们标记为其所关心的，包括通过选择若干组瓶颈区域并主动将其与一天中这些区域或整个路线受到监视的时间、及如果满足移动警告条件将发生桌上或移动的警告(例如，通过在智能电话上的警告，或通过在普通蜂窝电话上的SMS消息)的时间(例如，一天中恰当的时间，满足警告条件，并且检测到用户未出现在桌前)相关联来选择若干组包括路线(例如，通勤路线)的瓶颈区域。可设置智能电话，经由浮动信息、自动卷页等在一天中的每一个时间显示适当的瓶颈。

现在参考图3，图示了便于生成对将来可能发生的意外情况的预测的系统300。系统300包括生成对未来意外事件的预测、还可生成与这些预测相关联的概率的预测模型302。预测模型302根据所收到的环境数据和所收到的历史数据生成对意外事件(或非典型/反常事件)的预测。预测模型302包括用户中心的信息304，由此使预测模型302能够确定会使用户感到意外的事件。更具体地，预测模型302可使用用户中心的信息304来确定哪些所预测的意外事件对用户来说是重要的。作为例子，用户可每天在3:00离开工作地点，并行经某路线以返回住处，其中该路线通常不会出现交通拥塞。因此，如果预测模型302预测在用户通常采取的路线上将产生拥塞，则预测模型302可向用户通知此所预测的拥塞。但是，如果预测模型302预测在用户不行经的路线上有拥塞，则可能不需要向用户提供此类预测(因为它不涉及该用户)。

预测模型302还可包括确定与意外事件相关联的概率的概率分析组件306。例如，用户可能不希望被提供对与非常小的发生概率相关联的意外事件的预测。由此，概率分析组件306可计算与所预测的意外事件相关联的概率，并且如果所计算的概率高于或低于某定义的阈值，则可向用户提供该预测。

预测模型302还可包括更新组件308，它使用户能够向预测模型302通知该用户认为意外的事件。当预测模型302未对特定事件进行建模，和/或未视其为意外时，更新组件308可能很重要。在未对意外事件进行建模的实例中，更新组件308可从用户接收关于该用户认为很意外的事件的信息，并可获得与该事件相关联的环境数据(从传感器、电台、用户输入、等等)。由此可将预测模型302扩展成包括用户所指定的事件。在已对事件进行建模、但预测模型302未将该事件的发生视为意外的实例中，更新组件308可接收用户输入，并且如果未来将发生对此类事件的预测时，使预测模型302将该事件作为意外事件输出。

系统300还可包括模型分析器组件310，它分析预测模型302的准确性，并自动调整模型302以提高其性能。例如，模型分析器组件310可跟踪预测模型302所输出的预测，并将此类预测与事件的发生相比较。模型分析器组件310可利用各种机器学习算法和/或技术，自动调整预测模型302以提高该模型302的性能。尤其是，模型分析器组件310可包括贝叶斯网络、模糊逻辑系统、神经网络、或任何其它合适的机器学习机制。

系统300还包括用户界面组件312，用户可通过此组件与预测模型302通信，以向该模型302提供信息。例如，用户可通过用户界面组件312，向预测模型302通知其认为是意外的事件。为便于此类通信，用户界面312可使用语音识别系统、压敏屏、定位和点击机制、磁定位机制、和/或其任何适当的组合。还可利用用户界面组件312向用户发送预测模型输出的预测。

现在转到图4，图示出便于预测未来可能发生的意外事件(和/或非典型或反常情况)和向用户提供此类预测的系统400。系统400包括可预测未来意外事件的发生、与其相关联的时间安排、和与其相关联的概率的预测模型402。预测模型402可根据从传感器404和数据收集组件406收到的环境信息来生成预测，这些传感器404和数据收集组件406可与关于图2所述的是相似的设备。此外，预测模型402可根据驻留在数据存储410内部的过去的观测408，来输出对未来可能发生的意外事件的预测。数据存储可以是任何合适的数据存储机制，诸如常规的硬盘、可移动磁盘、闪存、等等。

在一例中，预测模型402可包括意外事件定义412，它使得预测模型402能够将典型或非意外事件与非典型或意外事件区别开来。例如，预测模型402可生成涉及对用户来说并不意外、并因此不需要由用户查看的未来事件的预测。但是，如果预测模型402根据意外事件定义412生成预测，那么可向用户输出对意外事件的预测。在另一例中，可由用户期望模型414和世界模型416之间的比较来更新和/或支持意外事件定义412。用户期望模型414可仿效典型用户作出预测的方式，该方式往往是有限个数的变量之间的简单相关。因此，可将意外事件定义为落在用户期望模型414的考虑或期望之外的事件。世界模型416可以是将更多变量及其间关系纳入考虑的更复杂的概率模型，其中当典型观测者生成预测时，常常不会构想相当数量的此类变量和关系。因此，在给定相当相似的环境和历史数据的前提下，世界模型416和用户期望模型414可输出极其不同的未来预测。当此现象发生时，可用该事件来更新意外事件定义412，并可通过用户界面组件418向用户提供对可能的意外事件的预测。此外，为了提高预测模型402的效率和性能，可将传感器404和数据收集组件406所收集的数据，以及对与其相关联的事件的预测和实际事件作为过去的观测408存储在数据存储410中。由此，随着时间过去，预测模型402将变得越来越准确。

为了更充分地描述用户期望模型414，本文中提供一个涉及交通的例子。可用描述一周的某些日子内特定时间段某道路系统中特定位置的状态的边际统计来构造用户期望模型，由此创建出边际模型。此类模型能以诸如天气和节假日状态等一个或多个机器学习过程所考虑的(连同一天中的时间和一周中的日子)变量的子集为条件。此类数据对于通勤者来说直接可用。为标识涉及交通的意外，可将边际模型(它组成了用户期望模型414)的输出与实时状态和/或世界模型416(它构想了更多变量及其间的相关性)的输出相比较。

现在转到图5，图示出便于构建可生成对未来可能发生的意外事件的预测的预测模型的系统500。系统500包括案例库502，它可包括多个可由数据(例如，变量的状态和相关性)表示的意外情况504-508。例如，可使案例库502(或多个库)集中于很可能以正面或负面方式影响观测者的效用的意外事件。此外，意外情况504-508可为特征很不突出的效用。在另一种方案中，案例库502包括结果落在概率分布之外的案例。换言之，在例如道路的特定部分存在非预期或意外的交通量、和交通量比平均交通量高或低标准偏差的阈值倍数处可标识案例，并且可将此类案例作为意外情况504-508存储在案例库内。在一个涉及交通拥塞的例子中，交通数据、一天中的时间、一周中的日子、是否正处于某个节假日、学校是否正在上课、某区域内诸如体育比赛等大型事件的开始和结束时间，包括降雨状态、能见度、和光照量等关于天气的同步信息。例如，可从因特网上的源和/或通过传感器收集此信息。但是，还构想了构造案例库502和对其中情况进行分类的任何适当的方式。

此外，可将时间上最接近意外情况504-508的数据存储在案例库502内。更具体地，可将涉及意外情况504-508的观测与案例库502内的意外事件耦合。例如，在交通应用中，在可获得在意外情况504-508之前所获的观测，包括涉及天气、事件报告、主要事件(例如，体育比赛)、涉及遍及某特定交通系统的交通流的历史的观测状态的观测。可定义时间阈值，并可获取落在该时间阈值之内的观测。

可将案例库502的内容递送给模型生成器510，它利用机器学习组件512来协助创建预测模型514，其中模型514用来预测未来包括意外情况在内的事件和/或状态的发生。例如，机器学习组件512可涉及通过结构搜索和参数优化方式构造的贝叶斯网络模型、统计分类器、神经网络方法，来设计预测模型514。使用此类技术的模型生成器510可在预测模型514中生成图形视图，由此提供模型的图形视图(并使个人能够设想多个变量和影响)。在一例中，模型生成器510不是为多个不同位置(例如，不同的交通瓶颈)构建一个模型，而是构造预测模型514，从而它捕获多个位置和变量之间的相关性。参考交通的例子，利用此类方案能使预测模型514学习通过瓶颈的流之间的相关性和时间关系。模型生成器还可接收可与意外情况504-508相关联的异常的定义516，并将这些定义516并入预测模型514。此外，可生成用户期望模型518，并将其提供给模型生成器510，从而涉及异常定义516的预测输出可与通过用户期望模型518生成的所预期输出相比较。由此，预测模型514可包括各种定义意外事件以及输出未来意外事件及与其相关联的概率的机制。

现在参考图6-9，现在将通过一系列动作来描述符合所要求保护的主题的若干方法。应当理解和明白，所要求保护的主题不受动作的次序限制，因为某些动作可按不同次序发生和/或与本文中所示与所述的其它动作同时发生。例如，本领域技术人员将理解和明白，可将一种方法替换地表示为诸如状态图中所示的一系列相关的状态或事件。此外，并非所有示出的动作都是实现符合所要求保护的主题的方法所必须的。

单独转到图6，图示出从预测模型生成预测的方法600。在602，接收预测数据模型。该模型可包括例如一个或多个贝叶斯网络、使用神经网络或模糊逻辑、和机器学习的任何其它合适的形式。此外，可根据历史数据、用户期望等生成预测数据模型。在604，为意外实例提供定义。生成此类定义已在上文详细描述。在606，获取环境信息并将其递送给预测模型。此类数据可从传感器、网站、电台、或任何其它合适的信息位置获取。例如，可直接从与用户的对话中获取信息。在608，作出关于某意外事件是否已被预测的判断。如果已预测了该意外事件，那么在610向用户提供涉及所预测事件的信息。例如，在交通的环境中，如果预测未来将发生会使用户感到意外的拥塞，则可向用户提供所预测拥塞的位置、所预测拥塞发生的时间、所预测的疏通拥塞的时间、和与前述预测的正确性相关联的概率。随即在612可保留这些预测和环境数据，以改进该预测模型。如果在608某意外事件未被预测，那么可保留所收集的环境数据，以提高该模型的性能。

现在转到图7，图示出预测将来可能发生的意外事件的方法700。在702，生成用户期望的模型。例如，该模型可充分地模仿人类为未来的事情生成预测所倾向采用的方式，该方式通常是简单地记录选定数量的变量，并考虑这些变量之间低级的相关性。例如，如果存在极端的天气情况，用户可预测道路的特定部分将会经受拥塞。但是，用户常常不会考虑复杂的相关性。例如，第一道路上的事故可能影响用户正途经的第二道路上的交通拥塞。该用户可能不知道该事故，还可能没有意识到该事故和当前或期望途经的道路上的拥塞之间的关系。

在704，定义意外事件。可将这些事件定义为用户期望模型未考虑的事件、落在阈值的发生概率意外的事件、用户选定的事件、离平均值有标准偏差的特定倍数的事情、或任何其它定义意外事件的合适方式。可从案例库检索这些事件的示例，并可结合生成预测未来可能发生的意外事件的模型而使用。在706，根据用户中心的模型和所定义的意外创建预测模型。特别是，预测模型可分析用户中心模型的输出，并将该输出与更健壮模型的输出对比——如果其间有很大的差异，那么可向用户发出意外事件的警告。此外，如果预测模型创建实质上类似于所定义意外事件的输出，那么可向用户发出该事件的警告。可以此类方式来创建预测模型，以启用前述意外事件的输出的方式。

在708，收到环境数据。例如，可通过传感器(例如，在道路上)、摄相机、GPS系统、文本识别组件、网络爬寻器、语音分析组件、或任何其它获取/接收环境数据的合适装置来接收数据。在710，预测模型生成预测输出。在712，作出关于输出是否与意外的定义一致的判断。如果输出与意外的定义不一致(例如，该预测不涉及意外事件)，那么可在708接收环境数据。如果在712输出与意外的定义一致，那么在714可向用户提供对意外事件的预测。例如，可就某道路上非预期的拥塞、非预期的销售数字等向用户发出警告。一旦向用户提供了涉及所预测的意外事件的信息，即可在708接收环境数据。

现在参考图8，图示出改进预测未来意外事件的预测模型的方法。在802，生成用于预测意外事件的模型。如下文所述，可根据描述意外事件的案例学习来构造这些模型。此外，可根据意外的定义来生成这些模型。在804，通过所生成的模型来预测意外事件。在交通应用中，可预测拥塞点，其中此类拥塞可能是或可能不是意外。在806，存储预测模型所输出的预测。在808，确定该模型的准确性。这可通过由该模型将预测输出与实际事件相比较来实现。在一个特定例子中，预测模型可预测某个时间在道路的某个特定部分交通将会阻塞，并会在某特定时间段内保持阻塞。这些预测可与实际结果相比较，其中结果可通过传感器和/或用户输入来获取。在810，根据所确定的准确性来更新该模型。由此，如果该模型一贯不正确，则可据此调整该模型。关于自动调整预测模型，可使用各种机器学习机制/技术。

现在转到图9，图示出生成可预测意外事件的模型的方法900。在902，获取描述事件的数据的案例库。例如，案例库可包括定义为意外事件、典型事件、或任何其它适当事件的事件。在904，定义意外事件。在一例中，可将简单的用户中心的模型未构想的事件定义为意外事件。在另一例中，可将落在特定概率范围之外、或离平均值有标准偏差的特定倍数的事件定义为意外事件。如可从上文判定的，发明人构想了定义意外的任何合适的方式，并试图使这些方式落入所附权利要求书的范围之内。

在906，生成和/或提供根据用户期望生成预测的模型。由此，该模型设计成将用户通常考虑的各变量和用户通常考虑的各变量之间的相关性纳入考虑。在908，提供模型生成器，其中该模型生成器根据所定义的事件和用户期望的模型创建意外事件预测器。尽管没有描述，但所创建的模型可包括“世界”模型，在给定充分数据量的前提下，它能判定许多变量之间不同等级的相关性。因此“世界”模型要比用户中心的模型复杂得多。据此，如果用户中心的模型输出明显与“世界”模型输出的预测截然不同的预测，则可视“世界”模型的输出为意外事件。在另一例中，如果“世界”模型输出充分涉及所定义的意外的预测，那么可将该预测作为意外事件向用户呈现。

现在参考图10，图示了示出实现基于路线的警告的对路径的用户定义的截屏图1000。例如，利用可显示图形信息(类似于截屏图1000中所显示的)的工具，用户可定义例如涉及早上和晚上通勤的所关注路线。更具体地，用户可定义与早上的通勤相关联的路线和时间、和晚上的路线相关联的路线和时间、与显示对应的刷新频率，等等。可提供数据条目和显示实体1002以便于实现此类用户定义。此外，当启用此类基于路线的警告系统，可在相应时间关于所定义的路线向用户呈现音频警告。例如，用户可设置拥塞的阈值等级，当交通拥塞到达该阈值和/或预测其将到达该阈值时，那么可向用户发出警告(例如，音频方式、通过移动设备的震动、……)。类似地，用户可能希望接收涉及关于某路线和某段时间交通拥塞何时低于某阈值的警告，和/或希望就预测交通拥塞何时会低于该阈值收到警告。此外，用户可设置指示意外情况或事件的警告。在一例中，用户可通过指定该用户途经何处(如截屏图1000内圈出的标号所指示)来定义行经的路线。此选择可通过图形地选择标号和/或在数据接收实体内手动输入标号来实现。

现在转到图11，图示出利用预测模型(如上所述)生成的预测的应用程序的截屏图1100。该截屏图包括各道路1102的图形表示，其中道路包括多个部分1104。可将这些部分与指示与这些部分相关联的拥塞等级的特定颜色和/或颜色的阴影相关联。例如，如果部分1104用绿色打阴影，用户可判定在该部分1104上几乎没有拥塞。可通过接收与道路1102相关联的环境数据和历史数据，来向用户提供预测。截屏图1100内还包括定时指示器1106，其中该指示器1106向用户通知与道路1102的所选部分的当前交通状况相关联的所预测时间。例如，时间指示符1106可指示无拥塞情况将保持所预测的时间量，并且可将正确性的概率与其相关联。在另一例中，截屏图1100可向用户提供涉及未来某个时间的信息。由此，在用户离开工作场所之前，该用户可请求涉及从当前时间点行经某距离的路线的所预测的信息。在又一例中，可通过所预测的模型向用户提供意外。

现在参考图12，图示出另一个示例性截屏图1200。截屏图1200示出可通过显示的方式向用户提供交通信息。显示可以是在蜂窝电话、智能电话、PDA、膝上计算机等之上。该截屏图示出多个图形表示的道路1202，其中这些道路包括图形表示的部分1204。可将这些部分与不同的颜色和/或不同的阴影相关联，以向用户传达道路1202的某些部分预测将经受拥塞。例如，着红色的部分可能经受高度拥塞。可将定时指示器1206和1208与道路1202的所选部分相关联，它们可指示直至拥塞发生的所预测的时间、在特定部分上将持续拥塞的所预测的时间、等等。如上所述，预测可涉及意外事件。例如，通常可能不会预期道路1202的某个部分在某个特定时间会经受轻度拥塞。但是，健壮的预测模型可根据所定义的意外事件和用户期望、以及所收到的环境数据和历史数据来输出此类预测。

共同参考图13-15，提供了示出各变量和交通状况之间的相关性的网络的图形表示，其中关于生成预测未来交通状况的预测模型可使用此类状态图。特别转到图13，图示了示出表示工作日的变量和与道路的不同部分的不同拥塞相关联的时间安排之间的相关性的示例性贝叶斯网络模型1300的图形描述。在一例中，可通过结构学习的方式生成网络模型1300，并可关于预测涉及交通的参数对其进行利用。举一具体例子，某天是否是工作日可能影响与标记为15并由节点1302表示的的道路的部分相关联的时间安排。由此，节点1304所表示的变量指示当前日是否是工作日，并且该节点1304涉及网络1300内的多个节点。在另一例中，变量1304影响直至节点1306所表示的道路的一部分(标记为部分14)不再高度阻塞的时间。存在各种其它相关性，并且一旦查看了网络模型1300即可轻易了解这些相关性。日历应用程序或其它机制可确定节点1304的值(例如，可用第一个值表示某天是工作日，并可用第二个值表示某天不是工作日)。

现在参考图14，图示出示例性网络模型1400。提供网络模型1400来说明天气变量1402(表示关于天气状况的互斥状态组)对模型1400的其它变量的影响。例如，有捕捉如果当前各瓶颈不是高度阻塞则直至这些瓶颈将变得高度阻塞的时间量、和如果当前各瓶颈高度阻塞则直至这些瓶颈将解除阻塞的时间量的变量。

现在转到图15，图示了显示多个变量和意外之间的相关性的示例性网络模型1500。网络模型1500包括表示预测模型内某个所定义的意外的节点1502，和涉及该节点1502的不同变量。在此例中，表示一天中的时间(节点1504)和一周中的日子(节点1506)的变量涉及节点1502所表示的意外的发生。此外，道路的特定部分的状态(例如，阻塞、部分阻塞、……)可由节点1508-1514表示，并且示出状态为涉及所预测的由节点1502所表示的所定义意外的发生。此外，表示道路特定部分实际和/或所预测拥塞持续时间的节点1516-1518和节点1502有关。可利用这些变量之间的相关性来生成涉及交通状况的预测和/或预测未来意外事件的发生。

转到图16，图示了示出各变量和可由本文中所述的预测模型预测的意外事件之间的相关性的网络1600。例如，该网络包括表示天气、道路特定区域的事故、道路内的拥塞状态、一天中的时间、一周中的日子、是否有体育比赛或竞赛等的节点。由此，可将网络1600与一般地预测交通图、和具体地预测未来可能发生的意外交通图的健壮预测模型相关联。

现在共同参考图17和18，图示出与道路的特定部分(或瓶颈)相关联的历史数据的图表1700和1800。关于生成预测模型和从其输出预测，可利用的是图表1700和1800的基础的历史数据。图表1700和1800的轴涉及道路某特定部分的百分占用率和在一天的不同小时所收集的与其相关联的数据。

转到图19，提供了示出与交通相关联的变量之间的相关性和从其到交通意外的关系的网络1900。例如，表示一周中的日子的节点1902、表示是否有体育比赛的节点1904、表示道路的特定部分(分别标记为10和11)处的交通状态的节点1906-1908全部以一种方式或另一种方式(直接地或间接地)与道路标记为10、11和4的部分(分别由节点1910、1912和1914表示)的意外交通状况有关。现在参考图20，提供了示出相关联意外(图19中所示)的截屏图2000。圈2002、2004和2006分别表示部分10、11和4处的意外交通状况。在此例中，截屏图2000示意第一道路的第一和第二部分2002和2004处的意外和第二道路似乎不相关的部分处的意外有关。因此，用来生成所预测的意外的预测模型可考虑这些个人通常不会领会的关系。

现在参考图21，图示出构想与预测未来交通意外的发生相关联的变量之间的相关性的网络2100。网络2100示意各个意外是相关的，并且在道路特定部分的天气和状态也和可能的意外有关。特别地，表示天气状况的节点2102、和表示道路不同部分处(分别为部分2、5、10和16)的交通状态的节点2103-2108都直接或间接地与表示道路若干部分(分别为部分3、5-8、和17)处的意外的节点2110-2120有关。简要参考图22，图示了示出关于图21所提及的意外的位置的截屏图2200。截屏图2200包括分别表示部分2、3、5、8、11和17的圈2202-2212。这些圈表示关于网络2100的交通拥塞的示例性意外和状态。

现在转到图23，图示了示出各变量之间根据其内容所学习的相关性的另一示例性网络2300。特别地，网络2300可为能推断将在某阈值时间内(例如，30分钟)发生的定义为意外、非典型、和/或反常的状态的可能性的贝叶斯网络。网络2300包括节点2302和2304，它们表示道路若干部分(分别为部分15和17)处事故的发生。节点2306表示一天中的时间，节点2308-2312表示道路若干部分(分别为部分1、15和18)处的交通拥塞。前述节点2302-2312直接或间接地影响表示预测在某个特定时间点发生的道路若干部分(分别为部分4、11、15和17)处的意外交通状况的节点2314-2320。由此，在给定道路特定部分处的意外和道路各部分的具体拥塞状态的前提下，可预测一个或多个意外事件。简要参考图24，截屏图2400包括分别突出道路的部分4、11、15和17的圈2402-2408。这些部分对应于网络2300的节点2314-2320(图23)所表示的部分。

现在参考图25-29，提供了示出所要求保护的主题的一个或多个方面的截屏图2500、2600、2700、2800、和2900。首先参考图25，截屏图2500属于图形用户界面(或工具)2502，该界面(或工具)使用户能够选择关于预测交通图的阈值拥塞。用户可通过可编辑字段2504或通过滑动机制2506来改变拥塞阈值。由此，预测模型可向用户提供所预测阈值交通拥塞等于或大于50％的区域。截屏图2500显示道路没有任何部分可能经受等于或大于50％的拥塞。此外，用户可选择该用户所关注的道路的部分，并接收涉及此类所选部分的警告。由此，用户可通过用户界面2502定义一条或多条关注的路线。现在参考图26，图示出具有25％的拥塞阈值的用户界面2502的截屏图2600。截屏图2600预测为在用户所指定和/或计算组件自动选择的时间可能经受此类拥塞的道路的部分。转到图27，选择拥塞阈值大约在16％的用户界面2502的截屏图2700。截屏图2700显示预测道路的各个部分(打上比道路的其它部分更深的阴影)可能经受大于或等于16％的拥塞。现在参考图28，用户界面2502的截屏图2800示出预测为可能经受等于或大于9％的阻塞阈值的拥塞的道路。现在转到图29，用户界面2502的截屏图2900示出涉及在预测道路的若干部分等于或大于5％时的交通拥塞的预测。截屏图2500、2600、2700、2800、和2900由此说明用户可选择作出预测所用拥塞阈值等级，并且其后可确定行进的最佳路线。例如，可使用截屏图2500、2600、2700、2800、和2900中所描述的工具来确定关于生成预测所应关注的道路部分。例如，可使用一种工具来显示道路何时/何处阻塞等于或大于25％，并可对此类地点进行详细查看。

现在转到图30，图示出关于所要求保护的主题的一个或多个方面可使用的示例性移动设备3000。设备3000包括图形地显示道路系统的至少一部分及与其有关参数的显示区域3002。例如，显示区域3002可图形地指示道路的某特定部分可能经受某个等级的交通拥塞。移动设备3000可包括可用来浏览显示区域3002上所显示的标记的键盘3004。此外，移动设备3000可包括使用户能够根据最近的数据刷新图形显示的刷新按键3006。

为了提供其它的环境，图31及以下讨论旨在提供对可实现本文中所述的各种方面的合适的操作环境3110的简要、一般的描述。尽管是在由一个或多个计算机或其它设备所执行的诸如程序模块等计算机可执行指令的通用环境中描述所要求保护的主题，本领域技术人员可以认识到，还可结合其它程序模块实现所要求保护的主题，和/或将其实现为硬件和软件的组合。

但是，一般而言，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、等等。操作环境3110仅仅是合适的操作环境的一个例子，并不试图对本发明的使用或功能的范围提出任何限制。其它可能适用于本发明的公知计算机系统、环境、和/或配置包括，但不限于，个人计算机、手持式或膝上设备、微处理器系统、基于微处理器的系统、可编程消费者电子设备、网络PC、小型计算机、大型计算机、包括上述系统或设备的分布式计算环境、等等。

参考图31，用于实现本发明的各个方面的示例性环境3110包括计算机3112。计算机3112包括处理单元3114、系统存储器3116、和系统总线3118。系统总线3118将包括但不限于系统存储器3116在内的系统组件耦合到处理单元3114。处理单元3114可以是各种可用的处理器。也可将双微处理器和其它多处理器体系结构作为处理单元3114使用。

系统总线3118可以是若干类总线结构中的任何一种，包括存储器总线或存储器控制器、外围总线或外部总线、和/或使用各种可用总线体系结构中的任何一种的局部总线，这些可用总线体系结构包括，但不限于，8比特总线、工业标准体系结构(ISA)、微通道体系结构(MCA)、扩展ISA(EISA)、智能驱动器电子设备(IDE)、VESA局部总线(VLB)、外围部件互联(PCI)、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、和小型计算机系统接口(SCSI)。

系统存储器3116包括易失性存储器3120和非易失性存储器3122。包含诸如在启动时在计算机3112内部各元件间传递信息的基本例程的基本输入/输出系统(BIOS)储存在非易失性存储器3122中。作为示例而非限制，非易失性存储器3122可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器3120包括担当外部高速缓存存储器的随机存取存储器(RAM)。作为示例而非限制，RAM可有多种形式，诸如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、和直接存储器总线RAM(DRRAM)。

计算机3112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31示出磁盘存储3124。磁盘存储3124包括，但不限于，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、闪存卡或记忆棒之类的设备。此外，磁盘存储3124可包括单独的存储介质或与其他存储介质组合，包括但不限于诸如光盘ROM设备(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字多功能盘ROM驱动器(DVD-ROM)等光盘驱动器。为方便从磁盘存储设备3124到系统总线3118的连接，通常使用诸如接口3126等可移动或不可移动接口。

应当理解，图31描述了在用户与在合适的操作环境3110中描述的基本计算机资源间担当中介的软件。此类软件包括操作系统3128。可储存在磁盘存储3124上的操作系统3128用以控制及分配计算机系统3112的资源。系统应用程序3130利用了操作系统3128通过存储在系统存储器3116中或磁盘存储3124上的程序模块3132及程序数据3134对资源的管理。应当理解，本发明可以用各种操作系统或其组合来实现。

用户通过输入设备3136输入命令或信息到计算机3112内。输入设备3136包括，但不限于，诸如鼠标、跟踪球、触笔、触摸垫等定位设备、键盘、话筒、操纵杆、游戏垫、圆盘式卫星天线、扫描仪、电视调谐卡、数码相机、数码摄像机、网络摄像头等等。这些及其它输入设备经由接口端口3138，通过系统总线3118连到处理单元3114。接口端口3138包括例如串行端口、并行端口、游戏端口及通用串行总线(USB)。输出设备3140使用一些和输入设备3136相同类型的端口。因而，例如可用USB端口提供到计算机3112的输入，及从计算机3112输出信息到输出设备3140。提供输出适配器3142，以示出在其他输出设备3140中有一些需要专用适配器的输出设备，如监视器、扬声器及打印机。作为示例而非限制，输出适配器3142包括，提供输出设备3140与系统总线3118之间一种连接手段的视频卡与声卡。应当注意，诸如远程计算机3144等其他设备和/或设备系统同时提供输入与输出两种性能。

计算机3112可使用到诸如远程计算机3144等一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机3144可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的装置、对等设备或其他公共网络节点等等，且通常包括相对于计算机3112所述的许多或全部元件。为简单起见，仅随远程计算机3144示出记忆存储设备3146。远程计算机3144通过网络接口3148逻辑地连接到计算机3112，然后经由通信连接3150物理连接。网络接口3148包含诸如局域网(LAN)和广域网(WAN)等通信网络。LAN技术包括光纤分布式数据接口(FDDI)、铜缆分布式数据接口(CDDI)、以太网/IEEE802.3、令牌环/IEEE802.5等等。WAN技术包括，但不限于，点对点链接、如综合业务数字网(ISDN)及其变体的电路交换网络、分组交换网络及数字用户线(DSL)。

通信连接3150指用于将网络接口3148连到总线3118的硬件/软件。尽管为说明清楚，将通信连接3150示于计算机3112内部，但它也可位于计算机3112外部。仅为示例性目的，连接到网络接口3148所必需的硬件/软件包括内部和外部技术，诸如包括常规电话级调制解调器、电缆调制解调器及DSL调制解调器在内的调制解调器、ISDN适配器及以太网卡。

图32是本发明可与之交互的示例性计算环境3200的示意性框图。系统3200包括一个或多个客户机3210。客户机3210可以是硬件和/或软件(例如，线程、进程、计算设备)。系统3200还包括一个或多个服务器3230。服务器3230也可以是硬件和/或软件(例如，线程、进程、计算设备)。例如，服务器3230可容存通过使用本发明来进行变换的线程。客户机3210和服务器3230之间一种可能的通信可以是改编成在两个或多个计算机进程之间发送的数据包。系统3200包括通信框架3250，可用它来便于客户机3210和服务器3230之间的通信。客户机3210操作上连接到可用于将信息本地存储到客户机3210的一个或多个客户数据存储3260。类似地，服务器3230操作上连接到可用于将信息本地存储到服务器3230的一个或多个服务器数据存储3240。

上述内容包括所要求保护的主题的若干示例。当然，出于描述所要求保护的主题的目的而描述各组件和方法的每一种可构想的组合是不可能的，但是本领域技术人员可认识到，许多其它的组合和变换是可能的。由此，所要求保护的主题旨在包含所有落入所附权利要求书的精神和范围之内的此类改变、修改、和变体。此外，在详细描述或权利要求书中使用术语“包括”的意义上，该术语意图如术语“包含”那样为包含性的，如“包含”在权利要求书中用作过渡词时所解释的。