ES2386529T3 - Evaluation of road traffic conditions using data from multiple sources - Google Patents

Abstract

Techniques are described for assessing road traffic conditions in various ways based on obtained traffic-related data, such as data samples from vehicles and other mobile data sources traveling on the roads, as well as in some situations data from one or more other sources (such as physical sensors near to or embedded in the roads). The assessment of road traffic conditions based on obtained data samples may include various filtering and/or conditioning of the data samples, and various inferences and probabilistic determinations of traffic-related characteristics of interest from the data samples. In some situations, the inferences include repeatedly determining traffic flow characteristics for road segments of interest during time periods of interest, such as to determine average traffic speed, traffic volume and/or occupancy, and include weighting various data samples in various ways (e.g., based on a latency of the data samples and/or a source of the data samples).

Description

Evaluación de condiciones de tráfico de carretera utilizando datos de múltiples fuentes Evaluation of road traffic conditions using data from multiple sources

Ámbito técnico Technical scope

La siguiente descripción se relaciona generalmente con técnicas para evaluar las condiciones del tráfico de carretera basándose en datos obtenidos de varias fuentes de datos, tal como infiriendo la información relacionada con el tráfico para carreteras de interés basándose en muestras de datos que reflejan un desplazamiento verdadero en esas carreteras. The following description generally relates to techniques for assessing road traffic conditions based on data obtained from various data sources, such as inferring traffic related information for roads of interest based on data samples that reflect a true displacement in those roads.

Antecedentes Background

Como el tráfico de carretera ha continuado aumentando a una velocidad mayor que el aumento en la capacidad de las carreteras, los efectos del aumento de la congestión del tráfico han tenido unos crecientes efectos perjudiciales en las operaciones de negocio y del gobierno y en el bienestar de las personas. Por consiguiente, se han hecho esfuerzos para combatir el aumento en la congestión del tráfico de varias maneras, tal como la obtención de la información acerca de las condiciones actuales del tráfico y la entrega de la información a individuos y organizaciones. Tal información de la situación actual del tráfico puede proporcionarse a partes interesadas de varias maneras (por ejemplo, a través de frecuentes emisiones de radio, un sitio web de internet que muestra un mapa de una zona geográfica con información codificada por colores acerca de la congestión actual del tráfico en algunas carreteras principales de la zona área geográfica, información enviada a teléfonos móviles y otros dispositivos de consumo portátiles, etc.). As road traffic has continued to increase at a faster rate than the increase in road capacity, the effects of increased traffic congestion have had increasing detrimental effects on business and government operations and on the well-being of people. Therefore, efforts have been made to combat the increase in traffic congestion in several ways, such as obtaining information about current traffic conditions and delivering information to individuals and organizations. Such information on the current traffic situation can be provided to interested parties in several ways (for example, through frequent radio broadcasts, an internet website that displays a map of a geographical area with color-coded information about congestion Current traffic on some major roads in the geographical area, information sent to mobile phones and other portable consumer devices, etc.).

Una fuente para obtener información acerca de las condiciones actuales del tráfico incluye las observaciones suministradas por humanos (por ejemplo, helicópteros de tráfico que proporcionan información general acerca del flujo del tráfico y accidentes, informes de conductores a través de teléfonos móviles, etc.), mientras que otra fuente en algunas zonas metropolitanas más grandes son las redes de sensores de tráfico capaces de medir el flujo de tráfico en varias carreteras de la zona (por ejemplo, a través de sensores empotrados en el pavimento de la carretera). Si bien las observaciones suministradas por humanos pueden proporcionar algún valor en limitadas situaciones, tal información normalmente está limitada a sólo unas pocas zonas a la vez y normalmente carecen de detalle suficiente para ser de uso significativo. A source for information about current traffic conditions includes observations provided by humans (for example, traffic helicopters that provide general information about traffic flow and accidents, driver reports via mobile phones, etc.), while another source in some larger metropolitan areas is the traffic sensor networks capable of measuring the flow of traffic on several roads in the area (for example, through sensors embedded in the pavement of the road). While observations provided by humans may provide some value in limited situations, such information is usually limited to only a few areas at a time and usually lacks sufficient detail to be of significant use.

Las redes de sensores de tráfico pueden proporcionar información más detallada acerca de las condiciones del tráfico en algunas carreteras en algunas situaciones. Sin embargo, existen varios problemas con respecto a tal información, así como a la información proporcionada por otras fuentes similares. Por ejemplo, muchas carreteras no tienen sensores de carretera (por ejemplo, zonas geográficas que no tienen redes de sensores de carretera y/o carreteras principales que no son lo suficientemente grandes para tener sensores de carretera como parte de una red cercana), e incluso carreteras que tienen sensores de carretera a menudo no pueden proporcionar datos precisos, lo que disminuye mucho el valor de los datos proporcionados por los sensores de tráfico. Una causa de datos imprecisos y/o poco fiables incluye sensores de tráfico que están rotos, y por lo tanto no proporcionan datos, los datos son intermitentes o las lecturas de datos son incorrectas. Otra causa de datos imprecisos y/o poco fiables incluye un problema temporal de transmisión de datos desde uno o más sensores, teniendo como resultado una entrega intermitente, una entrega retrasada o ninguna entrega de datos. Además, muchos sensores de tráfico no se configuran o diseñan para informar de información acerca de su estado operativo (por ejemplo, si están funcionando normalmente o no), e incluso si se informa de la información del estado operativo, ésta puede ser incorrecta (por ejemplo informando de que están funcionando normalmente cuando de hecho no lo están haciendo), haciendo de este modo difícil o imposible determinar si los datos proporcionados por los sensores de tráfico son precisos. Además, alguna información relacionada con el tráfico puede estar disponible sólo en una forma sin tratar y/o desglosada, y por lo tanto puede ser de la utilidad limitada. Traffic sensor networks can provide more detailed information about traffic conditions on some roads in some situations. However, there are several problems regarding such information, as well as the information provided by other similar sources. For example, many roads do not have road sensors (for example, geographic areas that do not have road sensor networks and / or main roads that are not large enough to have road sensors as part of a nearby network), and even Roads that have road sensors often cannot provide accurate data, which greatly decreases the value of the data provided by the traffic sensors. A cause of inaccurate and / or unreliable data includes traffic sensors that are broken, and therefore do not provide data, the data is intermittent or the data readings are incorrect. Another cause of inaccurate and / or unreliable data includes a temporary problem of data transmission from one or more sensors, resulting in intermittent delivery, delayed delivery or no data delivery. In addition, many traffic sensors are not configured or designed to report information about their operational status (for example, if they are operating normally or not), and even if the operational status information is reported, it may be incorrect (for example informing that they are functioning normally when in fact they are not), thus making it difficult or impossible to determine if the data provided by the traffic sensors is accurate. In addition, some traffic related information may be available only in an untreated and / or disaggregated form, and therefore may be of limited utility.

De este modo, sería beneficioso proporcionar técnicas mejoradas para obtener y evaluar información relacionada con el tráfico, así como proporcionar varias capacidades adicionales relacionadas. Thus, it would be beneficial to provide improved techniques for obtaining and evaluating traffic-related information, as well as providing several additional related capabilities.

El documento US 2004/034467 A1 describe un sistema y un método para mantener una base de datos de estado de tráfico de red de carreteras que se compone de segmentos de mapas con la red en la que las posiciones y velocidades de los vehículos con la red se reciben de manera inalámbrica y se utilizan para actualizar una velocidad media de los segmentos de mapa y en la que de la base de datos se determina una ruta óptima entre una primera y una segunda posición. Document US 2004/034467 A1 describes a system and method for maintaining a database of road network traffic status that consists of map segments with the network in which the positions and speeds of vehicles with the network they are received wirelessly and are used to update an average speed of the map segments and in which an optimal route between a first and a second position is determined from the database.

El objeto de la presente invención es proporcionar un método, un sistema y un medio legible por ordenador, mejores, para determinar información de velocidad promedio estimada para vehículos que se desplazan por carretera. The object of the present invention is to provide a better computer readable method, system and means for determining estimated average speed information for vehicles traveling by road.

El objeto se resuelve con el objeto-asunto de las reivindicaciones independientes. The object is solved with the object-matter of the independent claims.

Realizaciones preferidas de la presente invención se definen en las reivindicaciones dependientes. Preferred embodiments of the present invention are defined in the dependent claims.

La invención se describirá con más detalle más adelante, junto con la técnica relacionada con la misma. The invention will be described in more detail below, together with the technique related thereto.

Breve descripción de los dibujos Brief description of the drawings

La figura 1 es un diagrama de bloques que ilustra los flujos de datos entre componentes de una realización de un sistema para evaluar las condiciones de tráfico de carretera basándose por lo menos en parte en datos obtenidos de vehículos y otras fuentes móviles de datos. Figure 1 is a block diagram illustrating data flows between components of an embodiment of a system for assessing road traffic conditions based at least in part on data obtained from vehicles and other mobile data sources.

Las Figuras 2A-2E ilustran ejemplos de evaluación de condiciones de tráfico de carretera basándose por lo menos en parte en datos obtenidos de vehículos y otras fuentes móviles de datos. Figures 2A-2E illustrate examples of road traffic conditions assessment based at least in part on data obtained from vehicles and other mobile data sources.

La Figura 3 es un diagrama de bloques que ilustra un sistema de cálculo adecuado para ejecutar una realización del sistema descrito Gestor de Muestras de Datos. Figure 3 is a block diagram illustrating a calculation system suitable for executing an embodiment of the described Data Sample Manager system.

La Figura 4 es un diagrama de flujo de un ejemplo de realización de una rutina de Filtrador de Muestras de Datos relacionada con la presente invención. Figure 4 is a flow chart of an exemplary embodiment of a Data Sample Filter routine related to the present invention.

La Figura 5 es un diagrama de flujo de un ejemplo de realización de una rutina de Eliminador de Valores Atípicos de Muestras de Datos relacionada con la presente invención. Figure 5 is a flow chart of an exemplary embodiment of an Outlier of Data Samples Eliminator routine related to the present invention.

La Figura 6 es un diagrama de flujo de un ejemplo de realización de una rutina de Evaluador de Velocidad de Muestras de Datos según la presente invención. Figure 6 is a flow chart of an exemplary embodiment of a Data Sample Rate Evaluator routine according to the present invention.

La Figura 7 es un diagrama de flujo de un ejemplo de realización de una rutina de Evaluador de Flujo de Muestras de Datos relacionada con la presente invención. Figure 7 is a flow chart of an exemplary embodiment of a Data Sample Flow Evaluator routine related to the present invention.

La Figura 8 es un diagrama de flujo de un ejemplo de realización de una rutina de Provisión de Información de Fuente de Datos Móviles relacionada con la presente invención. Figure 8 is a flow chart of an exemplary embodiment of a Mobile Data Source Information Provision routine related to the present invention.

Las Figuras 9A-9C ilustran ejemplos de acciones de fuentes móviles de datos al obtener y proporcionar información acerca de condiciones de tráfico de carretera. Figures 9A-9C illustrate examples of actions from mobile data sources in obtaining and providing information about road traffic conditions.

Las Figuras 10A-10B ilustran ejemplos de rectificación de muestras de datos obtenidos de sensores de tráfico de carretera. Figures 10A-10B illustrate examples of rectification of data samples obtained from road traffic sensors.

La Figura 11 es un diagrama de flujo de un ejemplo de realización de una rutina de Detector de Errores de Lecturas de Datos de Sensor relacionada con la presente invención. Figure 11 is a flow chart of an exemplary embodiment of a Sensor Data Read Error Detector routine related to the present invention.

La Figura 12 es un diagrama de flujo de un ejemplo de realización de una rutina de Corrector de Errores de Lecturas de Datos de Sensor relacionada con la presente invención. Figure 12 is a flow chart of an exemplary embodiment of a Sensor Data Read Error Corrector routine related to the present invention.

La Figura 13 es un diagrama de flujo de un ejemplo de realización de una rutina de Totalizador de Lecturas de Datos de Sensor relacionada con la presente invención. Figure 13 is a flow chart of an exemplary embodiment of a Sensor Data Read Totalizer routine related to the present invention.

La Figura 14 es un diagrama de flujo de un ejemplo de realización de una rutina de Estimador de Flujo de Tráfico relacionada con la presente invención. Figure 14 is a flow chart of an exemplary embodiment of a Traffic Flow Estimator routine related to the present invention.

Descripción detallada Detailed description

Se describen técnicas para evaluar las condiciones de tráfico de carretera de varias maneras basadas en datos obtenidos relacionados con el tráfico, tales como muestras de datos de vehículos y otras fuentes móviles de datos que se desplazan por las carreteras y/o de sensores de tráfico de carretera (por ejemplo, sensores físicos que se empotran en carreteras o de otro modo cerca de las mismas). Además, en por lo menos algunas realizaciones, las muestras de datos de las fuentes móviles de datos pueden ser complementadas con datos de otras una o varias fuentes, tales como obteniendo lecturas de datos de sensores físicos que están cerca o empotrados en las carreteras. La evaluación de condiciones de tráfico de carretera se basa en muestras obtenidas de datos (por ejemplo, lecturas de datos de sensores de tráfico de carreteras, puntos de datos individuales o agrupados de fuentes móviles de datos, etc.) puede incluir varios filtrados y/o acondicionamientos de las muestras y lecturas de datos, y de varias inferencias y determinaciones por probabilidad de características de interés relacionadas con el tráfico. Techniques for assessing road traffic conditions are described in various ways based on traffic-related data, such as samples of vehicle data and other mobile sources of data moving along roads and / or traffic sensors. road (for example, physical sensors that are embedded in roads or otherwise near them). In addition, in at least some embodiments, data samples from mobile data sources may be supplemented with data from one or more other sources, such as obtaining data readings from physical sensors that are near or embedded in roads. The evaluation of road traffic conditions is based on samples obtained from data (for example, data readings from road traffic sensors, individual or grouped data points from mobile data sources, etc.) may include several filters and / or conditioning of the samples and data readings, and of various inferences and determinations by probability of traffic-related characteristics of interest.

Según se ha indicado, en algunas realizaciones los datos obtenidos de información de condiciones de tráfico de carretera pueden incluir múltiples muestras de datos proporcionados por fuentes móviles de datos (por ejemplo, vehículos), lecturas de datos de sensores de tráfico con base en carreteras (por ejemplo, sensores de lazo empotrados en el pavimento de la carretera), y datos de otras fuentes de datos. Los datos pueden ser analizados de varias maneras para facilitar la determinación de las características de interés de las condiciones del tráfico, tal como la velocidad media estimada del tráfico y el volumen total estimado de vehículos para tramos particulares de carreteras de interés, y para permitir que tales determinaciones de las condiciones de tráfico sean realizadas de una manera en tiempo real o cercana a tiempo real (por ejemplo, a los pocos minutos de recibir las muestras y/o lecturas de datos subordinados). Por ejemplo, los datos obtenidos pueden estar condicionados de varias maneras con el fin de detectar y/o corregir errores en los datos. Los datos obtenidos de información de las condiciones del tráfico de carretera pueden ser filtrados además de varias maneras en varias realizaciones con el fin de quitar datos de la consideración si son imprecisos o de otro modo poco representativos de las características de interés verdaderas de las condiciones de tráfico, incluyendo la identificación de muestras de datos que no son de interés basándose por lo menos en parte en carreteras con las que se asocian las muestras de datos y/o muestras de datos que son valores atípicos estadísticos con respeto a otras muestras de datos -en algunas realizaciones, el filtrado puede incluir además realizar la asociación de las muestras de datos con carreteras particulares. Las muestras de datos filtradas pueden incluir además muestras de datos que de otro modo reflejarían posiciones o actividades de vehículos que no son de interés (por ejemplo, vehículos aparcados, vehículos dando círculos en un terreno o estructura de aparcamiento, etc.) y/o muestras de datos que son de otro modo poco representativas de desplazamientos verdaderos de vehículos en carreteras de interés. La evaluación de los datos obtenidos puede, en por lo menos algunas realizaciones, incluir la determinación de condiciones del tráfico (por ejemplo, flujo de tráfico y/o velocidad media del tráfico) para varios tramos de una red de carreteras en una zona geográfica particular, basada por lo menos en parte en muestras de datos obtenidas. Los datos evaluados se pueden utilizar entonces para realizar otras funciones relacionadas con analizar, predecir, pronosticar y/o proporcionar información relacionada con el tráfico. En por lo menos algunas realizaciones, un sistema gestor de muestras de datos utiliza por lo menos alguna de las técnicas descritas para preparar datos para el uso por parte de clientes de datos de tráfico, tales como un sistema predictivo proveedor de información de tráfico que genera múltiples predicciones de condiciones de tráfico en varios momentos futuros, según se describe con mayor detalle más adelante. As indicated, in some embodiments the data obtained from road traffic conditions information may include multiple data samples provided by mobile data sources (eg, vehicles), road-based traffic sensor data readings ( for example, loop sensors embedded in the road pavement), and data from other data sources. The data can be analyzed in several ways to facilitate the determination of the characteristics of interest of the traffic conditions, such as the estimated average traffic speed and the estimated total volume of vehicles for particular sections of roads of interest, and to allow such determinations of traffic conditions are made in a real time or near real time manner (for example, within a few minutes of receiving the samples and / or reading of subordinate data). For example, the data obtained may be conditioned in several ways in order to detect and / or correct errors in the data. The data obtained from road traffic conditions information can also be filtered in several ways in various embodiments in order to remove data from consideration if they are inaccurate or otherwise not representative of the true interest characteristics of the road conditions. traffic, including the identification of data samples that are not of interest based at least in part on roads with which the data samples and / or data samples that are atypical statistical values are associated with respect to other data samples - In some embodiments, filtering may also include associating data samples with particular roads. Samples of filtered data may also include data samples that would otherwise reflect positions or activities of vehicles that are not of interest (for example, parked vehicles, vehicles circling on a parking lot or structure, etc.) and / or Samples of data that are otherwise unrepresentative of true displacements of vehicles on roads of interest. The evaluation of the data obtained may, in at least some embodiments, include the determination of traffic conditions (for example, traffic flow and / or average traffic speed) for various sections of a road network in a particular geographical area , based at least in part on samples of data obtained. The evaluated data can then be used to perform other functions related to analyzing, predicting, forecasting and / or providing traffic related information. In at least some embodiments, a data sample management system uses at least some of the techniques described to prepare data for the use by traffic data clients, such as a predictive traffic information provider system that generates Multiple predictions of traffic conditions at various future times, as described in more detail below.

En algunas realizaciones, el acondicionamiento de muestras obtenidas de datos puede incluir la rectificación de muestras erróneas de datos, tal como por detección y/o corrección de errores presentes en los datos de varias maneras (por ejemplo, para lecturas de datos recibidas de sensores de tráfico de carretera). En particular, se describen técnicas para evaluar la "salud" de fuentes particulares de datos (por ejemplo, sensores de tráfico con base en la carretera) con el fin de determinar si las fuentes de datos están funcionando correctamente y proporcionar de manera fiable muestras de datos precisas, tal como basándose en el análisis de las muestras de datos proporcionadas por esas fuentes de datos. Por ejemplo, en algunas realizaciones, las lecturas actuales de datos proporcionadas por un sensor determinado de tráfico pueden compararse para pasar lecturas de datos proporcionadas por ese sensor de tráfico (por ejemplo, datos medios históricos) con el fin de determinar si las lecturas actuales de datos de tráfico son significativamente diferentes de las lecturas pasadas típicas de datos, tal como pueden ser provocadas por el sensor de tráfico que funciona incorrectamente y/u otros problemas en los datos, y/o pueden reflejar en cambio condiciones inusuales del tráfico actual. Tal detección y análisis de posibles errores con fuentes particulares de datos y/o lecturas de datos de tráfico actual puede realizarse de varias maneras en varias realizaciones, tal como se comenta con mayor detalle más adelante, incluyendo las basadas por lo menos en parte en técnicas de clasificación tales como utilizando las redes neurálgicas, clasificadores bayesianos, árboles de decisión, etc. In some embodiments, conditioning of samples obtained from data may include rectification of erroneous samples of data, such as by detection and / or correction of errors present in the data in various ways (for example, for readings of data received from sensors of road traffic). In particular, techniques for assessing the "health" of particular data sources (for example, road-based traffic sensors) are described in order to determine if the data sources are functioning correctly and reliably provide samples of precise data, such as based on the analysis of the data samples provided by those data sources. For example, in some embodiments, the current data readings provided by a given traffic sensor can be compared to pass data readings provided by that traffic sensor (e.g., historical average data) in order to determine whether the current readings of Traffic data is significantly different from typical past data readings, such as may be caused by the malfunctioning traffic sensor and / or other problems in the data, and / or may instead reflect unusual conditions of current traffic. Such detection and analysis of possible errors with particular data sources and / or readings of current traffic data can be performed in various ways in various embodiments, as discussed in more detail below, including those based at least in part on techniques. of classification such as using neuralgic networks, Bayesian classifiers, decision trees, etc.

Después de detectar muestras de datos no fiables, tales como fuentes de datos rotas que funcionan incorrectamente, tales muestras de datos no fiables (así como muestras de datos perdidas) pueden corregirse o rectificarse de otro modo de varias maneras. Por ejemplo, las muestras de datos perdidas y poco fiables para una o más fuentes de datos (por ejemplo, sensores de tráfico) pueden rectificarse en algunas realizaciones utilizando una After detecting unreliable data samples, such as broken data sources that malfunction, such unreliable data samples (as well as lost data samples) can be corrected or otherwise rectified in various ways. For example, lost and unreliable data samples for one or more data sources (eg, traffic sensors) can be rectified in some embodiments using a

o más fuentes de información relacionada, tal como a través de muestras contemporáneas de datos de sensores de tráfico cercanos o relacionados de otro modo que funcionan correctamente (por ejemplo, promediando las lecturas de datos proporcionadas por sensores de tráfico adyacentes), a través de información predictiva relacionada con las muestras de datos perdidas o no fiables (por ejemplo, determinando lecturas de datos esperadas para la una o más fuentes de datos que utilizan información de condiciones de tráfico predichas y/o pronosticadas para esas fuentes de datos), a través de información histórica para la una o más fuentes de datos (por ejemplo, utilizando lecturas medias históricas de datos), a través de ajustes de muestras incorrectas de datos que utilizan información acerca de tendencia coherente u otros tipos de errores que causan errores que pueden ser compensados, etc. Más adelante se incluyen detalles adicionales relacionados con la rectificación de muestras de datos perdidas y no fiables. or more sources of related information, such as through contemporary samples of nearby or related traffic sensor data that function properly (for example, averaging data readings provided by adjacent traffic sensors), through information predictive related to lost or unreliable data samples (for example, determining expected data readings for the one or more data sources that use predicted and / or predicted traffic conditions information for those data sources), through historical information for the one or more data sources (for example, using historical average data readings), through adjustments of incorrect data samples that use information about consistent trend or other types of errors that cause errors that can be compensated for , etc. Further details related to the rectification of lost and unreliable data samples are included below.

Además, se describen técnicas para estimar además información de condiciones de tráfico de otras diversas maneras, tal como en casos en los que datos actualmente disponibles pueden no permitir que la rectificación de muestras de datos para una fuente particular de datos (por ejemplo, un sensor de tráfico particular) sea realizada con fiabilidad. Por ejemplo, la presencia de múltiples sensores de tráfico cercanos poco sanos que están funcionando incorrectamente pueden tener como resultado que haya datos insuficientes para evaluar la información de flujo de tráfico con la suficiente confianza para esos sensores de tráfico individuales. En tales casos, la información de condiciones de tráfico puede ser estimada de varias otras maneras, incluyendo las basadas en grupos de sensores de tráfico relacionados y/u otra información relacionada con la estructura de una red de carreteras. Por ejemplo, tal como se describe con mayor detalle más adelante, cada carretera de interés puede modelarse o representarse mediante el uso de múltiples segmentos de carretera, cada uno de los cuales puede tener múltiples sensores de tráfico asociados y/o datos disponibles de una o más fuentes de datos distintas (por ejemplo, fuentes móviles de datos). Si es así, la información de condiciones de tráfico de carretera puede estimarse para un segmento particular de carretera (u otro grupo de múltiples sensores de tráfico relacionados) de varias maneras, tal como utilizando información de condiciones de tráfico evaluadas para segmentos vecinos de carretera, información predicha para el segmento de carretera particular (por ejemplo, que es generada para un período de tiempo futuro limitado, tal como tres horas, basado por lo menos en parte en las condiciones actuales y recientes en el momento de la predicción), información de pronóstico para el segmento particular de carretera (por ejemplo, que es generada para un período de tiempo futuro más largo, tal como dos semanas o más, de una manera que no utiliza algo o toda la información actual y reciente de condiciones utilizada para la predicción), condiciones medias históricas para el segmento particular de carretera, etc. Utilizando tales técnicas, se puede proporcionar información de las condiciones del tráfico incluso en presencia de pocos o ningún dato de condiciones de tráfico para uno o más sensores de tráfico cercanos u otras fuentes de datos. Los detalles adicionales relacionados con tal estimación de información de condiciones de tráfico se incluyen más adelante. In addition, techniques are described to further estimate traffic condition information in various other ways, such as in cases where currently available data may not allow the rectification of data samples for a particular data source (e.g., a sensor of particular traffic) be performed reliably. For example, the presence of multiple unhealthy nearby traffic sensors that are malfunctioning may result in insufficient data to assess traffic flow information with sufficient confidence for those individual traffic sensors. In such cases, traffic condition information can be estimated in several other ways, including those based on groups of related traffic sensors and / or other information related to the structure of a road network. For example, as described in greater detail below, each road of interest can be modeled or represented by the use of multiple road segments, each of which may have multiple associated traffic sensors and / or data available from one or more more different data sources (for example, mobile data sources). If so, the road traffic conditions information can be estimated for a particular road segment (or other group of multiple related traffic sensors) in several ways, such as using traffic condition information evaluated for neighboring road segments, predicted information for the particular road segment (for example, which is generated for a limited future period of time, such as three hours, based at least in part on current and recent conditions at the time of prediction), information on forecast for the particular road segment (for example, which is generated for a longer future period of time, such as two weeks or more, in a way that does not use some or all of the current and recent condition information used for the prediction ), historical average conditions for the particular road segment, etc. Using such techniques, information on traffic conditions can be provided even in the presence of few or no traffic conditions data for one or more nearby traffic sensors or other data sources. Additional details related to such estimation of traffic conditions information are included below.

Según se indicó anteriormente, la información acerca de las condiciones de tráfico de carretera puede obtenerse de fuentes móviles de datos de varias maneras en varias realizaciones. En por lo menos algunas realizaciones, las fuentes móviles de datos incluyen los vehículos en la carretera, que cada uno puede incluir uno o más sistemas de cálculo que proporciona los datos acerca del movimiento del vehículo. Por ejemplo, cada vehículo puede incluir un dispositivo GPS ("Global Positioning System": Sistema de Localización Global) y/u otro dispositivo de localización geográfica capaz de determinar la posición geográfica, la velocidad, la dirección y/u otros datos que caracterizan o se relacionan de otro modo con el desplazamiento del vehículo, y uno o más dispositivos en el vehículo (ya sean los dispositivos de localización geográfica o un dispositivo distinto de comunicación) de vez en cuando pueden proporcionar tales datos (por ejemplo, por medio de una conexión inalámbrica) a uno o más sistemas capaces de utilizar los datos (por ejemplo, un sistema gestor de muestras de datos, como se describe con más detalle más adelante). Tales vehículos pueden incluir, por ejemplo, una red distribuida de vehículos manejados por usuarios individuales no relacionados, flotas de vehículos (por ejemplo, para compañías de reparto, compañías de taxis y autobuses, compañías de transporte, organismos o agencias gubernamentales, vehículos de un servicio de alquiler de vehículos, etc.), vehículos que pertenecen a redes comerciales que proporcionan información relacionada (por ejemplo, el servicio de OnStar), un grupo de vehículos manejados con el fin obtener tal información de condiciones de tráfico (por ejemplo, desplazándose por rutas predefinidas, o se desplazan por carreteras dirigidos dinámicamente, tal como para obtener información acerca de carreteras de interés), vehículos con dispositivos de telefonía móvil a bordo (por ejemplo, equipos incorporados y/o en posesión de un ocupante del vehículo) capaces de proporcionar información de localización (por ejemplo, basándose en capacidades GPS de los dispositivos y/o basándose en capacidades de localización geográfica proporcionadas por la red de telefonía móvil), etc. As indicated above, information about road traffic conditions can be obtained from mobile sources of data in various ways in various embodiments. In at least some embodiments, mobile data sources include vehicles on the road, each of which may include one or more calculation systems that provides data about the movement of the vehicle. For example, each vehicle may include a GPS device ("Global Positioning System") and / or other geographical location device capable of determining the geographical position, speed, direction and / or other data that characterize or otherwise relate to the movement of the vehicle, and one or more devices in the vehicle (whether geographical location devices or a different communication device) from time to time can provide such data (for example, by means of a wireless connection) to one or more systems capable of using the data (for example, a data sample management system, as described in more detail below). Such vehicles may include, for example, a distributed network of vehicles operated by unrelated individual users, vehicle fleets (for example, for delivery companies, taxi and bus companies, transport companies, government agencies or agencies, vehicles of a vehicle rental service, etc.), vehicles belonging to commercial networks that provide related information (for example, the OnStar service), a group of vehicles driven in order to obtain such traffic conditions information (for example, traveling on predefined routes, or travel on dynamically directed roads, such as to obtain information about roads of interest), vehicles with on-board mobile phone devices (for example, built-in equipment and / or in the possession of a vehicle occupant) capable of providing location information (for example, based on GPS capabilities of s devices and / or based on geographical location capabilities provided by the mobile telephone network), etc.

En por lo menos algunas realizaciones, las fuentes móviles de datos pueden incluir o basarse en dispositivos de cálculo y otros dispositivos móviles de usuarios que se desplazan por las carreteras, tales como usuarios que son los conductores y/o pasajeros de vehículos en las carreteras. Tales dispositivos de usuario pueden incluir dispositivos con capacidades GPS (por ejemplo, teléfonos móviles y otros dispositivos de mano), o la información de posición y/o movimiento puede ser producida en cambio de otras maneras en otras realizaciones. Por ejemplo, los dispositivos en vehículos y/o dispositivos de usuario pueden comunicarse con sistemas externos que pueden detectar y rastrear información acerca de dispositivos (por ejemplo, para dispositivos que pasan por cada uno de múltiples transmisores/receptores en una red manejada por el sistema), permitiendo de este modo que la información de posición y/o movimiento para los dispositivos sea determinada de varias maneras y con varios niveles de detalle, o tales sistemas externos pueden ser capaces de otro modo de detectar y rastrear información acerca de vehículos y/o usuarios sin interaccionar con los dispositivos (por ejemplo, sistemas de cámara que pueden observar e identificar placas de matrícula y/o las caras de usuarios). Tales sistemas externos pueden incluir, por ejemplo, torres y redes telefónicas móviles, otras redes inalámbricas (por ejemplo, una red de lugares con WiFi), detectores de transpondedores de vehículos que utilizan varias técnicas de comunicación (por ejemplo, RFID o "Identificación por Radiofrecuencia"), otros detectores de vehículos y/o usuarios (por ejemplo, utilizando dispositivos de alcance por infrarrojos, sonar, radar o láser para determinar la posición y/o velocidad de los vehículos), etc. In at least some embodiments, mobile data sources may include or rely on calculation devices and other mobile devices of users traveling on the roads, such as users who are the drivers and / or passengers of vehicles on the roads. Such user devices may include devices with GPS capabilities (for example, mobile phones and other handheld devices), or the position and / or movement information may be produced instead in other ways in other embodiments. For example, devices in vehicles and / or user devices can communicate with external systems that can detect and track information about devices (for example, for devices that pass through each of multiple transmitters / receivers in a system-managed network ), thereby allowing the position and / or movement information for the devices to be determined in various ways and with various levels of detail, or such external systems may otherwise be able to detect and track information about vehicles and / or users without interacting with the devices (for example, camera systems that can observe and identify license plates and / or user faces). Such external systems may include, for example, mobile phone towers and networks, other wireless networks (for example, a Wi-Fi network), vehicle transponder detectors that use various communication techniques (for example, RFID or "Identification by Radio frequency "), other vehicle and / or user detectors (for example, using infrared, sonar, radar or laser range devices to determine the position and / or speed of vehicles), etc.

La información de las condiciones del tráfico de carretera obtenida de las fuentes móviles de datos se puede utilizar de varias maneras, ya sea sola o combinada con otra información de condiciones de tráfico de carretera de una o más fuentes distintas (por ejemplo, de sensores de tráfico de carretera). En algunas realizaciones, tal información de condiciones de tráfico de carretera obtenida de fuentes móviles de datos se utiliza para proporcionar información similar a la de sensores de carretera pero para carreteras que no tienen sensores de carretera en funcionamiento (por ejemplo, para carreteras que carecen de sensores, tales como para zonas geográficas que no tienen redes de sensores de carretera y/o para carreteras principales que no son significativamente grandes para tener sensores de carretera, para sensores de carretera que están rotos, etc.), para verificar información duplicada que es recibida de sensores de carretera u otras fuentes, para identificar sensores de carretera que proporcionan datos imprecisos (por ejemplo, debido a problemas temporales o en progreso), etc. Además, las condiciones de tráfico de carretera pueden ser medidas y ser representadas de una o más de diversas maneras, ya sea basándose en muestras de datos de fuentes móviles de datos y/o de lecturas de datos de sensores de tráfico, tales como en términos absolutos (por ejemplo, velocidad media; volumen del tráfico para un periodo de tiempo indicado; tiempo medio de ocupación de uno o más sensores de tráfico u otras posiciones en una carretera, tal como para indicar el porcentaje medio de tiempo que un vehículo está sobre o activando de otro modo un sensor; uno de múltiples niveles enumerados de congestión de carretera, tal como el medido basándose en una o más de otras medidas de condiciones de tráfico; etc.) y/o en términos relativos (por ejemplo, para representar una diferencia respecto lo normal o del máximo. The information on road traffic conditions obtained from mobile data sources can be used in several ways, either alone or in combination with other road traffic conditions information from one or more different sources (for example, from traffic sensors road traffic). In some embodiments, such road traffic conditions information obtained from mobile data sources is used to provide information similar to that of road sensors but for roads that do not have road sensors in operation (for example, for roads that lack sensors, such as for geographical areas that do not have road sensor networks and / or for main roads that are not significantly large to have road sensors, for road sensors that are broken, etc.), to verify duplicate information that is received from road sensors or other sources, to identify road sensors that provide inaccurate data (for example, due to temporary or ongoing problems), etc. In addition, road traffic conditions can be measured and represented in one or more of several ways, whether based on data samples from mobile data sources and / or traffic sensor data readings, such as in terms Absolutes (for example, average speed; traffic volume for a specified period of time; average time of occupation of one or more traffic sensors or other positions on a road, such as to indicate the average percentage of time a vehicle is over or otherwise activating a sensor; one of multiple enumerated levels of road congestion, such as that measured based on one or more other traffic conditions measures; etc.) and / or in relative terms (for example, to represent a difference from normal or maximum.

En algunas realizaciones, alguna información de condiciones de tráfico de carretera puede tomar la forma de muestras de datos proporcionadas por varias fuentes de datos, tales como fuentes de datos asociadas con vehículos para informar de las características del desplazamiento de los vehículos. Las muestras individuales de datos pueden incluir cantidades variables de información. Por ejemplo, las muestras de datos proporcionadas por fuentes móviles de datos pueden incluir uno o más de entre un identificador de fuente, una indicación de velocidad, una indicación de un rumbo o dirección, una indicación de una posición, una marca de tiempo y una identificación de estado. El identificador de fuente puede ser un número o una cadena de caracteres que identifica el vehículo (o persona u otro dispositivo) que actúa una fuente móvil de datos. En algunas realizaciones, el identificador de fuente móvil de datos puede estar asociado de manera permanente o temporal (por ejemplo, para la vida de la fuente móvil de datos; para una hora; para una sesión actual de uso, tal como asignar un nuevo identificador cada vez que un vehículo o dispositivo de fuente de datos son encendidos; etc.) con la fuente móvil de datos. En por lo menos algunas realizaciones, los identificadores de fuente se asocian con fuentes móviles de datos de tal manera que se minimizan las preocupaciones de privacidad relacionadas con los datos de las fuentes móviles de datos (asociadas ya sea permanente o temporalmente), tal como creando y/o manipulando los identificadores de fuente de una manera que impide que la fuente móvil de datos asociada con un identificador sea identificada basándose en el identificador. La indicación de velocidad puede reflejar la velocidad instantánea o media de la fuente móvil de datos expresada de varias maneras (por ejemplo, millas o kilómetros por hora). El rumbo puede reflejar una dirección de desplazamiento y ser un ángulo expresado en grados u otra medida (por ejemplo, en rumbos con base de brújula o radianes). La indicación de posición puede reflejar una posición física expresada de varias maneras (por ejemplo, parejas de latitud/longitud o coordenadas Universales Transversales de Mercator). La marca de tiempo puede denotar el momento en el que se registró una muestra dada de datos por parte de la fuente móvil de datos, tal como en la hora local o la hora UTC ("Universal Coordinated Time": Tiempo Universal Coordinado). Un indicador del estado puede indicar el estado de la fuente móvil de datos (por ejemplo, que el vehículo está moviéndose, parado, parado con el motor en marcha, etc.) y/o el estado de por lo menos parte de los dispositivos de detección, grabación y/o transmisión (por ejemplo, batería baja, mala fuerza de señal, etc.). In some embodiments, some road traffic conditions information may take the form of data samples provided by various data sources, such as data sources associated with vehicles to report the characteristics of vehicle displacement. Individual samples of data may include varying amounts of information. For example, data samples provided by mobile data sources may include one or more of a source identifier, an indication of speed, an indication of a heading or direction, an indication of a position, a timestamp and a state identification The source identifier can be a number or a string of characters that identifies the vehicle (or person or other device) that acts a mobile data source. In some embodiments, the mobile data source identifier may be permanently or temporarily associated (for example, for the life of the mobile data source; for one hour; for a current session of use, such as assigning a new identifier. each time a vehicle or data source device is turned on; etc.) with the mobile data source. In at least some embodiments, the source identifiers are associated with mobile data sources such that privacy concerns related to data from mobile data sources (associated either permanently or temporarily) are minimized, such as creating and / or manipulating source identifiers in a manner that prevents the mobile data source associated with an identifier from being identified based on the identifier. The speed indication may reflect the instantaneous or average speed of the mobile data source expressed in several ways (for example, miles or kilometers per hour). The heading may reflect a direction of travel and be an angle expressed in degrees or other measure (for example, in compass or radian-based directions). The position indication may reflect a physical position expressed in several ways (for example, latitude / longitude pairs or Universal Transverse Mercator coordinates). The timestamp may denote the time at which a given sample of data was recorded by the mobile data source, such as local time or UTC (Universal Coordinated Time). A status indicator may indicate the status of the mobile data source (for example, that the vehicle is moving, stopped, stopped with the engine running, etc.) and / or the status of at least part of the devices detection, recording and / or transmission (for example, low battery, bad signal strength, etc.).

En algunas realizaciones, la red de carreteras en una zona geográfica dada puede ser modelada o puede ser representada utilizando múltiples segmentos de carretera. Cada segmento de carretera puede ser utilizado para representar un tramo de una carretera (o de múltiples carreteras), tal como dividiendo una carretera física dada en múltiples segmentos de carretera (por ejemplo, con cada segmento de carretera siendo una longitud particular, tal como una longitud de una milla de carretera o con segmentos de carretera seleccionados para reflejar tramos de la carretera que comparten características similares de condiciones de tráfico) -tales múltiples segmentos de carretera pueden ser tramos sucesivos de la carretera, o como alternativa en algunas realizaciones superponerse o tener tramos de carretera intermedios de carretera que no son parte de ningún segmento de carretera. Además, un segmento de carretera puede representar uno o más carriles de desplazamiento en una carretera física dada. Por consiguiente, una carretera particular de varios carriles que tiene uno o más carriles para desplazarse en cada uno de los dos sentidos puede asociarse con por lo menos dos segmentos de carretera, con por lo menos un segmento de carretera asociado con el desplazamiento en un sentido y con por lo menos un segmento de carretera asociado con el desplazamiento en el otro sentido. Además, en algunas situaciones, múltiples carriles de una única carretera para el desplazamiento en un único sentido pueden ser representados por múltiples segmentos de carretera, tal como si los carriles tienen diferentes características de condiciones de desplazamiento. Por ejemplo, un sistema dado de autopista puede tener carriles de vehículos rápidos o de alta ocupación ("VAO") que pueden ser beneficiosos para representar mediante segmentos de carretera distintos de segmentos de carretera que representan carriles regulares (por ejemplo, que no son de VAO) que se desplazan en el mismo sentido que los carriles rápidos o de VAO. Los segmentos de carretera pueden conectarse además o asociarse de otro modo con otros segmentos adyacentes de carretera, formando de ese modo una red de segmentos de carretera. In some embodiments, the road network in a given geographical area can be modeled or can be represented using multiple road segments. Each road segment can be used to represent a section of a road (or multiple roads), such as dividing a given physical road into multiple road segments (for example, with each road segment being a particular length, such as a length of a mile of road or with road segments selected to reflect sections of the road that share similar characteristics of traffic conditions) - such multiple road segments may be successive sections of the road, or as an alternative in some embodiments overlap or have intermediate road sections of road that are not part of any road segment. In addition, a road segment may represent one or more travel lanes on a given physical road. Accordingly, a particular multi-lane road that has one or more lanes to move in each of the two directions can be associated with at least two road segments, with at least one road segment associated with one-way travel and with at least one road segment associated with displacement in the other direction. In addition, in some situations, multiple lanes of a single road for one-way travel can be represented by multiple road segments, just as if the lanes have different characteristics of travel conditions. For example, a given highway system may have fast or high occupancy ("VAO") vehicle lanes that may be beneficial to represent by road segments other than road segments representing regular lanes (for example, that are not of VAO) that move in the same direction as the fast or VAO lanes. The road segments may also be connected or otherwise associated with other adjacent road segments, thereby forming a network of road segments.

La Figura 1 es un diagrama de bloques que ilustra el flujo de datos entre componentes de una realización de sistema Gestor de Muestras de Datos. El diagrama de flujo de datos ilustrado está pensado para reflejar una representación lógica de flujo de datos entre fuentes de datos, los componentes de una realización de un sistema Gestor de Muestras de Datos y clientes de datos de tráfico. Es decir, el flujo de datos verdaderos puede producirse a través de una variedad de mecanismos que incluyen flujos directos (por ejemplo, implementados mediante el paso de parámetros o comunicaciones de redes tales como mensajes) y/o flujos indirectos a través de uno o más sistemas de base de datos u otros mecanismos de almacenamiento, tales como sistemas de archivos. El sistema ilustrado 100 Gestor de Muestras de Datos incluye un componente 104 Filtrador de Muestras de Datos, un componente 105 Acondicionador de Datos de Sensor, un componente 106 Eliminador de Valores Atípicos de Muestras de Datos, un componente 107 Evaluador de Velocidad de Muestras de Datos y un componente 108 Evaluador de Flujo de Muestras de Datos y un componente opcional 110 Totalizador de Datos de Sensor. Figure 1 is a block diagram illustrating the flow of data between components of an embodiment of the Data Sample Manager system. The illustrated data flow diagram is intended to reflect a logical representation of data flow between data sources, the components of an embodiment of a Data Sample Manager system and traffic data clients. That is, the flow of true data can occur through a variety of mechanisms that include direct flows (for example, implemented by passing parameters or communications from networks such as messages) and / or indirect flows through one or more database systems or other storage mechanisms, such as file systems. The illustrated system 100 Data Sample Manager includes a component 104 Data Sample Filter, a component 105 Sensor Data Conditioner, a component 106 Outlier of Sample Data Samples, a component 107 Data Sample Rate Evaluator and a component 108 Data Sample Flow Evaluator and an optional component 110 Sensor Data Totalizer.

En la realización ilustrada, los componentes 104-108 y 110 del sistema 100 Gestor de Muestras de Datos obtienen muestras de datos de varias fuentes de datos, incluyendo fuentes 101 de datos con base en vehículos, sensores 103 de tráfico de carretera y otras fuentes 102 de datos. Las fuentes 101 de datos con base en vehículos pueden incluir múltiples vehículos que se desplazan en una o más carreteras, que cada uno puede incluir uno o más sistemas de cálculo y/u otros dispositivos que proporcionan datos acerca del desplazamiento del vehículo. Según se ha descrito con más detalle en otra parte, cada vehículo puede incluir dispositivos GPS y/u otros de localización geográfica capaces de determinar la posición, la velocidad y/u otros datos relacionados con el desplazamiento del vehículo. Tales datos pueden obtenerse con los componentes del sistema Gestor de Muestras de Datos por enlaces de datos inalámbricos (por ejemplo, enlace ascendente de satélites y/o red celular) o de otras maneras (por ejemplo, a través de una conexión física cableada que se hace después de que un vehículo llegue a la posición con la posición física, tal como cuando un vehículo de flota vuelve a su base de operaciones). Los sensores 102 de tráfico de carretera pueden incluir múltiples sensores que se instalan en o cerca de varias calles, autovías u otras carreteras, tales como sensores de lazo empotrados en el pavimento que son capaces de medir el número de vehículos que pasan por encima del sensor por unidad de tiempo, la velocidad del vehículo y/u otros datos relacionados con el flujo de datos. Los datos pueden obtenerse asimismo de los sensores 102 del tráfico de carretera a través de enlaces de datos con cables o inalámbricos. Otras fuentes 103 de datos pueden incluir una variedad de otros tipos de fuentes de datos, incluyendo servicios de mapas y/o bases de datos que proporcionan información con respecto a redes de carreteras tales como las conexiones entre carreteras así como información de control de tráfico relacionada con tales carreteras (por ejemplo, la existencia y/o la posición de señales de control de tráfico y/o zonas de velocidad). In the illustrated embodiment, components 104-108 and 110 of the Data Sample Manager system 100 obtain data samples from various data sources, including vehicle-based data sources 101, road traffic sensors 103 and other sources 102 of data. The vehicle-based data sources 101 may include multiple vehicles traveling on one or more roads, each of which may include one or more calculation systems and / or other devices that provide data about the vehicle movement. As described in more detail elsewhere, each vehicle may include GPS and / or other geographic location devices capable of determining the position, speed and / or other data related to the vehicle's movement. Such data can be obtained with the components of the Data Sample Manager system via wireless data links (for example, satellite uplink and / or cellular network) or in other ways (for example, through a wired physical connection that is it does after a vehicle reaches the position with the physical position, such as when a fleet vehicle returns to its base of operations). The road traffic sensors 102 may include multiple sensors that are installed on or near several streets, highways or other roads, such as loop sensors embedded in the pavement that are capable of measuring the number of vehicles passing over the sensor per unit of time, vehicle speed and / or other data related to the data flow. The data can also be obtained from road traffic sensors 102 via wired or wireless data links. Other data sources 103 may include a variety of other types of data sources, including map services and / or databases that provide information regarding road networks such as road connections as well as related traffic control information. with such roads (for example, the existence and / or position of traffic control signals and / or speed zones).

Aunque las fuentes de datos ilustradas 101-103 en este ejemplo proporcionan muestras de datos directamente a varios componentes 104-108 y 110 del sistema 100 Gestor de Muestras de Datos, las muestras de datos pueden ser procesadas en cambio de varias maneras en otras realizaciones antes de proporcionarse a esos componentes. Tal procesamiento puede incluir el organizar y/o agregar muestras de datos en colecciones lógicas basadas en el tiempo, la posición, la región geográfica y/o la identidad de la fuente individual de datos (por ejemplo, vehículo, sensor de tráfico, etc.). Además, tal procesamiento puede incluir el fusionar o combinar de otro modo muestras de datos de orden superior, muestras de datos lógicas u otros valores. Por ejemplo, las muestras de datos obtenidas de múltiples sensores de tráfico de carretera localizados geográficamente pueden fundirse en una única muestra de datos lógicos mediante promedio o totalización. Además, tal procesamiento puede incluir la derivación o sintetización de otro modo de muestras de datos o elementos de muestras de datos basados en una o más muestras obtenidas de datos. Por ejemplo, en algunas realizaciones, por lo menos algunas fuentes de datos con base en vehículo pueden, cada una, proporcionar las muestras de datos que incluyen sólo un identificador de fuente y una posición geográfica, y si ése es el caso de grupos de múltiples muestras de datos distintas proporcionadas periódicamente en un intervalo particular de tiempo u otro período de tiempo pueden de ese modo ser asociadas entre sí como si hubieran sido proporcionados por un vehículo particular. Tales grupos de muestras de datos pueden entonces ser procesadas aún más con el fin de determinar otra información relacionada con el desplazamiento, tal como un rumbo para cada muestra de datos (por ejemplo calculando el ángulo entre la posición de una muestra de datos y la posición de una muestra de datos anterior y/o subsiguiente) y/o una velocidad para cada muestra de datos (por ejemplo, calculando la distancia entre la posición de una muestra de datos y la posición de una muestra de datos anterior y/o subsiguiente, y dividiendo la distancia por el tiempo correspondiente). Although the data sources illustrated 101-103 in this example provide data samples directly to various components 104-108 and 110 of the 100 Data Sample Manager system, the data samples may instead be processed in various ways in other embodiments before to be provided to those components. Such processing may include organizing and / or adding data samples in logical collections based on time, position, geographic region and / or the identity of the individual data source (eg, vehicle, traffic sensor, etc.). ). In addition, such processing may include merging or otherwise combining higher order data samples, logical data samples or other values. For example, data samples obtained from multiple geographically located road traffic sensors can be merged into a single logical data sample by average or totalization. In addition, such processing may include the derivation or otherwise synthesizing of data samples or elements of data samples based on one or more samples obtained from data. For example, in some embodiments, at least some vehicle-based data sources may each provide the data samples that include only a source identifier and a geographical position, and if that is the case with multiple groups Different data samples provided periodically in a particular time interval or other period of time can thus be associated with each other as if they had been provided by a particular vehicle. Such groups of data samples can then be further processed in order to determine other information related to displacement, such as a course for each data sample (for example by calculating the angle between the position of a data sample and the position of a previous and / or subsequent data sample) and / or a rate for each data sample (for example, by calculating the distance between the position of a data sample and the position of a previous and / or subsequent data sample, and dividing the distance by the corresponding time).

El componente 104 Filtrador de Muestras de dados obtiene muestras de datos de las fuentes 101 de datos con base en vehículo y las otras fuentes 102 de datos en la realización ilustrada, y a continuación filtra las muestras obtenidas de datos antes de proporcionarlas al componente 106 Eliminador de Valores Atípicos de Muestras de Datos y opcionalmente al componente 108 Evaluador de Flujo de Muestras de Datos. Como se ha comentado con mayor detalle en otra parte, tal filtrado puede incluir la asociación de muestras de datos con segmentos de carretera que corresponden a carreteras en una zona geográfica y/o la identificación de muestras de datos que no corresponden a segmentos de carreteras de interés o que reflejan de otro modo posiciones o actividades de vehículo que no son de interés. La asociación de muestras de datos con segmentos de carretera puede incluir la utilización de la posición y/o rumbo informados de cada muestra de datos para determinar si la posición y el rumbo corresponden a un segmento de carretera anteriormente definido. La identificación de muestras de datos que no corresponden a segmentos de carretas de interés puede incluir la eliminación o identificación de otro modo de tales muestras de datos de modo que esas no serán modeladas, consideradas o procesadas de otro modo por otros componentes del sistema 100 Gestor de Muestras de Datos -tales muestras de datos que se van a eliminar pueden incluir las correspondientes a carreteras de determinadas clases funcionales de carretera (por ejemplo, calles residenciales) que no son de interés, las correspondientes a carreteras o segmentos de carreteras particulares que no son de interés, las correspondientes a partes o tramos de carreteras que no son de interés (por ejemplo, rampas y carreteras secundarias/carriles de distribución/carreteras para autopistas), etc. La identificación de muestras de datos que reflejan de otro modo posiciones o actividades de vehículos que no son de interés puede incluir la identificación de muestras de datos que corresponden a vehículos que están en un estado parado (por ejemplo, aparcados con el motor en marcha), que se conducen en una estructura de aparcamientos (por ejemplo, dando círculos a una velocidad muy baja), etc. Además, el filtrado en algunas realizaciones incluye la identificación de segmentos de carretera que son (o no son) de interés para una presentación o un análisis adicional. Por ejemplo, tal filtrado puede incluir el análisis de la variabilidad del flujo de tráfico y/o nivel de congestión de varios segmentos de carretera en un período de tiempo particular (por ejemplo, hora, día, semana), tal como excluir algunos o todos los segmentos de carretera con baja variabilidad entre períodos de tiempo y/o baja congestión (por ejemplo, para segmentos de carretera para los que las lecturas de datos de sensor no están disponibles o cuya clase funcional de carretera indica de otro modo una carretera más pequeña o menos transitada) de un análisis adicional como que es de menos interés que otras carreteras o segmentos de carretera. The component 104 Sample Sample Filter obtains data samples from the vehicle-based data sources 101 and the other data sources 102 in the illustrated embodiment, and then filters the samples obtained from data before providing them to component 106 Data Eliminator Outliers of Data Samples and optionally component 108 Data Sample Flow Evaluator. As discussed in greater detail elsewhere, such filtering may include the association of data samples with road segments that correspond to roads in a geographical area and / or the identification of data samples that do not correspond to road segments of interest or otherwise reflect vehicle positions or activities that are not of interest. The association of data samples with road segments may include the use of the reported position and / or heading of each data sample to determine whether the position and heading correspond to a previously defined road segment. The identification of data samples that do not correspond to segments of carts of interest may include the elimination or otherwise identification of such data samples so that they will not be modeled, considered or otherwise processed by other components of the system 100 Manager of Data Samples - such data samples that are to be removed may include those corresponding to roads of certain functional road classes (for example, residential streets) that are not of interest, those corresponding to particular roads or segments of roads that are not are of interest, those corresponding to parts or sections of roads that are not of interest (for example, ramps and secondary roads / distribution lanes / highways), etc. The identification of data samples that otherwise reflect positions or activities of vehicles that are not of interest may include the identification of data samples that correspond to vehicles that are in a stationary state (for example, parked with the engine running) , which are conducted in a parking structure (for example, giving circles at a very low speed), etc. In addition, filtering in some embodiments includes the identification of road segments that are (or are not) of interest for a presentation or additional analysis. For example, such filtering may include the analysis of the traffic flow variability and / or congestion level of several road segments in a particular period of time (for example, time, day, week), such as excluding some or all road segments with low variability between periods of time and / or low congestion (for example, for road segments for which sensor data readings are not available or whose functional road class otherwise indicates a smaller road or less traveled) from an additional analysis such that it is of less interest than other roads or road segments.

El componente 105 Acondicionador de Datos de Sensor ayuda a rectificar muestras erróneas de datos, tal como detectando y corrigiendo errores en lecturas obtenidas de los sensores 103 de tráfico de carretera. Por ejemplo, las muestras de datos que son detectadas por el componente Acondicionador de Datos de Sensor como que no son fiables no son reenviadas a otros componentes para su uso (o se proporcionan indicaciones de la no fiabilidad de muestras particulares de datos para que los otros componentes puedan manejar esas muestras de datos en consecuencia), tal como al componente 106 Eliminador de Valores Atípicos de Muestras de Datos. Si ese es el caso, el componente Eliminador de Valores Atípicos de Muestras de Datos puede determinar entonces si hay disponibles suficientes muestras fiables de datos y si no iniciar una acción correctiva. Como alternativa, el componente Acondicionador de Datos de Sensor puede realizar además por lo menos algunas correcciones a las muestras de datos, tal como se comenta con mayor detalle más adelante y entonces proporcionar los datos corregidos al componente 110 Totalizador de Datos de Sensor (y opcionalmente a otros componentes tales como el componente Eliminador de Valores Atípicos de Muestras de Datos y/o el componente Evaluador de Flujo de Muestras de Datos). La detección de muestras erróneas de datos puede utilizar varias técnicas, incluyendo medidas estadísticas que comparan la distribución de muestras actuales de datos informadas por un sensor dado de tráfico de carretera con la distribución histórica de muestras de datos informadas por ese sensor de tráfico de carretera durante un correspondiente período de tiempo (por ejemplo, el mismo día de la semana y hora de día). La medida en la que difieren las distribuciones verdaderas e históricas puede calcularse mediante medidas estadísticas, tal como la divergencia de Kullback-Leibler, que proporciona una medida convexa de la similitud entre dos distribuciones de probabilidad y/o mediante entropía estadística de información. Además, algunos sensores de carretera pueden informar de indicaciones de la salud del sensor y tales indicaciones también pueden ser utilizadas para detectar errores en muestras obtenidas de datos. Si se detectan errores en muestras obtenidas de datos, las muestras erróneas de datos pueden ser rectificadas de diversas maneras, incluyendo la sustitución de tales muestras de datos por promedios de muestras de datos adyacentes (por ejemplo, vecinas) de sensores de carretera adyacentes/cercanos que se ha determinado que no son erróneos. Además, las muestras erróneas de datos pueden ser rectificadas utilizando en su lugar valores pronosticados y/o predichos con anterioridad o al mismo tiempo, tal como pueden ser proporcionados por un sistema predictivo de información de tráfico. Detalles adicionales con respecto a sistemas predictivos de información de tráfico se proporcionan en otra parte. Component 105 Sensor Data Conditioner helps rectify erroneous samples of data, such as detecting and correcting errors in readings obtained from road traffic sensors 103. For example, data samples that are detected by the Sensor Data Conditioner component as unreliable are not forwarded to other components for use (or indications of the unreliability of particular data samples are provided so that the others components can handle those data samples accordingly), such as component 106 Outlier of Data Samples. If that is the case, the Data Sample Atypical Eliminator component can then determine if sufficient reliable data samples are available and if not to initiate corrective action. Alternatively, the Sensor Data Conditioner component can also make at least some corrections to the data samples, as discussed in more detail below and then provide the corrected data to the Sensor Data Totalizer 110 component (and optionally to other components such as the Data Sample Atypical Value Eliminator component and / or the Data Sample Flow Evaluator component). The detection of erroneous data samples can use several techniques, including statistical measures that compare the distribution of current data samples reported by a given road traffic sensor with the historical distribution of data samples reported by that road traffic sensor during a corresponding period of time (for example, the same day of the week and time of day). The extent to which true and historical distributions differ can be calculated by statistical measures, such as the Kullback-Leibler divergence, which provides a convex measure of the similarity between two probability distributions and / or by statistical entropy of information. In addition, some road sensors can report indications of sensor health and such indications can also be used to detect errors in samples obtained from data. If errors are detected in samples obtained from data, erroneous data samples can be rectified in various ways, including replacing such data samples with averages of adjacent (e.g., neighboring) data samples of adjacent / nearby road sensors It has been determined that they are not wrong. In addition, erroneous data samples can be rectified using predicted and / or predicted values instead or at the same time, as they can be provided by a traffic information predictive system. Additional details regarding traffic information predictive systems are provided elsewhere.

El componente 106 Eliminador de Valores Atípicos de Muestras de Datos obtiene muestras filtradas de datos a partir del componente 104 Filtrador de Muestras de Datos y/o de muestras de datos acondicionadas o rectificadas de otro modo del componente 105 Acondicionador de Datos de Sensor, y a continuación identifica y elimina para no tomarse en consideración esas muestras de datos que no son representativas de desplazamientos verdaderos de vehículos en las carreteras o segmentos de carretera de interés. En la realización ilustrada, para cada segmento de carretera de interés, el componente analiza un grupo de muestras de datos que fueron registradas durante un período de tiempo particular y asociadas con el segmento de carretera (por ejemplo, por el componente 104 Filtrador de Muestras de Datos) con el fin de determinar cuál, si hay alguna, debe ser eliminada. Tales determinaciones de muestras poco representativas de datos pueden ser realizadas de varias maneras, incluyendo las basadas en técnicas que detectan muestras de datos que son valores atípicos estadísticos con respecto a las otras muestras de datos en el grupo de muestras de datos. Detalles adicionales con respecto a la eliminación de valores atípicos de muestras de datos se proporcionan en otra parte. Component 106 Atypical Data Sample Eliminator obtains filtered data samples from component 104 Data Sample Filter and / or otherwise conditioned or rectified data samples from component 105 Sensor Data Conditioner, and then identifies and eliminates not taking into consideration those samples of data that are not representative of true displacements of vehicles on the roads or road segments of interest. In the illustrated embodiment, for each road segment of interest, the component analyzes a group of data samples that were recorded for a particular period of time and associated with the road segment (for example, by component 104 Sample Sampler Data) in order to determine which, if any, should be deleted. Such determinations of poorly representative data samples can be performed in several ways, including those based on techniques that detect data samples that are statistical outliers relative to the other data samples in the data sample group. Additional details regarding the elimination of outliers from data samples are provided elsewhere.

El componente 107 Evaluador de Velocidad de Muestras de Datos según la presente invención obtiene muestras de datos del componente 106 Eliminador de Valores Atípicos de Muestras de Datos, de tal manera que las muestras obtenidas de datos en la realización ilustrada sean representativas del desplazamiento verdadero de vehículos en las carreteras y segmentos de carretera de interés. El componente Evaluador de Velocidad de Muestras de Datos analiza entonces las muestras obtenidas de datos para evaluar una o más velocidades de segmentos de carretera de interés para por lo menos un período de tiempo de interés basado en un grupo de muestras de datos que han sido asociadas con el segmento de carretera (por ejemplo, mediante el componente 104 Filtrador de Muestras de Datos o por lecturas de sensores de tráfico que forman parte del segmento de carretera) y el período de tiempo. En algunas realizaciones, la velocidad o velocidades evaluadas pueden incluir un promedio de las velocidades para múltiples muestras de datos del grupo, posiblemente ponderadas por uno o más atributos de las muestras de datos (por ejemplo, la edad, tal como para dar un mayor peso a muestras de datos más recientes y/o la fuente o el tipo de las muestras de datos, tal como variar el peso para muestras de datos de fuentes móviles de datos o de sensores de carretera para dar mayor peso a fuentes con una mayor fiabilidad o disponibilidad esperadas) o por otros factores. Más detalles con respecto a la evaluación de velocidad de muestras de datos se proporcionan en otra parte. Component 107 Data Sample Rate Evaluator according to the present invention obtains data samples from component 106 Outlier of Data Samples, such that the samples obtained from data in the illustrated embodiment are representative of true vehicle displacement on the roads and road segments of interest. The Data Sample Rate Evaluator component then analyzes the samples obtained from data to evaluate one or more speeds of road segments of interest for at least a period of time of interest based on a group of data samples that have been associated with the road segment (for example, by component 104 Data Sample Filter or by traffic sensor readings that are part of the road segment) and the time period. In some embodiments, the speed or speeds evaluated may include an average of the speeds for multiple data samples in the group, possibly weighted by one or more attributes of the data samples (eg, age, such as to give greater weight to more recent data samples and / or the source or type of data samples, such as varying the weight for data samples from mobile data sources or road sensors to give more weight to sources with greater reliability or expected availability) or by other factors. More details regarding the evaluation of data sample rate are provided elsewhere.

El componente 108 Evaluador de Flujo de Muestras de Datos evalúa la información de flujo de tráfico para segmentos de carretera de interés durante por lo menos un período de tiempo de interés, tal como para evaluar el volumen de tráfico (por ejemplo, expresado como un número total o medio de vehículos que llegan a, o atraviesan, un segmento de carretera en una cantidad particular de tiempo, tal como por minuto o por hora), para evaluar la densidad del tráfico (por ejemplo, expresada como un número promedio o total de vehículos por unidad de distancia, tal como por milla o kilómetro), para evaluar la ocupación del tráfico (por ejemplo, expresado como una cantidad promedio o total de tiempo que los vehículos ocupan un punto o zona particulares en una cantidad particular de tiempo, tal como por minuto o una hora), etc. La evaluación de la información de flujo de tráfico en la realización ilustrada se basa por lo menos en parte en la información relacionada con la velocidad del tráfico proporcionada por el componente 107 Evaluador de Velocidad de Muestras de Datos y el componente 106 Eliminador de Valores Atípicos de Muestras de Datos, y opcionalmente en información de muestras de datos de tráfico proporcionada por el componente 105 Acondicionador de Datos de Sensor y el componente 104 Filtrador de Muestras de Datos. Detalles adicionales con respecto a la evaluación de flujo de muestras de datos se proporcionan en otra parte. Component 108 Data Sample Flow Evaluator evaluates the traffic flow information for road segments of interest for at least a period of time of interest, such as to evaluate the volume of traffic (for example, expressed as a number Total or average vehicles arriving at, or crossing, a road segment in a particular amount of time, such as per minute or per hour, to assess traffic density (for example, expressed as an average or total number of vehicles per unit of distance, such as per mile or kilometer), to assess traffic occupancy (for example, expressed as an average or total amount of time that vehicles occupy a particular point or area in a particular amount of time, such as per minute or one hour), etc. The evaluation of the traffic flow information in the illustrated embodiment is based at least in part on the information related to the traffic speed provided by the Data Sample Rate Evaluator component 107 and the Atypical Value Eliminator component of Data Samples, and optionally in traffic data samples information provided by component 105 Sensor Data Conditioner and component 104 Data Samples Filter. Additional details regarding the evaluation of data sample flow are provided elsewhere.

Si está presente, el componente 110 Totalizador de Datos de Sensor totaliza la información de condiciones de tráfico basada en sensores proporcionada por el componente 105 Acondicionador de Datos de Sensor, tal como después de que el componente Acondicionador de Datos de Sensor haya eliminado cualquier muestra no fiable de datos y/o haya rectificado cualquier muestra de datos ausente y/o no fiable. Como alternativa, el componente Totalizador de Datos de Sensor puede realizar en su lugar cualquier eliminación y/o corrección de muestras de datos ausentes y/o no fiables. En algunos casos, el componente 110 Totalizador de Datos de Sensor puede proporcionar información de flujo de tráfico para cada uno de varios segmentos de carretera mediante la totalización (por ejemplo, promediando) de la información proporcionada por los múltiples sensores individuales de tráfico asociados con cada uno de esos segmentos de carretera. Como tal, cuando está presente, el componente 110 Totalizador de Datos de Sensor puede proporcionar información que sea complementaria a la información evaluada de las condiciones del tráfico proporcionada por componentes tales como el componente 107 Evaluador de Velocidad de Muestras de Datos y/o el componente 108 Evaluador de Flujo de Muestras de Datos, o en cambio puede ser utilizado si no hay disponibles muestras de datos de fuentes móviles de datos en absoluto o en cantidad suficiente de muestras fiables de datos para permitir que otros componentes tales como el componente 107 Evaluador de Velocidad de Muestras de Sensor y el componente 108 Evaluador de Flujo de Muestras de Datos proporcionen información evaluada precisa de las condiciones del tráfico de carretera. If present, the 110 Sensor Data Totalizer component totals the sensor-based traffic condition information provided by the 105 Sensor Data Conditioner component, such as after the Sensor Data Conditioner component has removed any sample not reliable data and / or rectified any missing and / or unreliable data sample. Alternatively, the Sensor Data Totalizer component can instead perform any deletion and / or correction of missing and / or unreliable data samples. In some cases, the Sensor Data Totalizer component 110 may provide traffic flow information for each of several road segments by totalizing (for example, averaging) the information provided by the multiple individual traffic sensors associated with each One of those road segments. As such, when present, the Sensor Data Totalizer component 110 may provide information that is complementary to the assessed information of the traffic conditions provided by components such as component 107 Data Sample Rate Evaluator and / or the component 108 Data Sample Flow Evaluator, or instead can be used if data samples are not available from mobile data sources at all or in sufficient quantity of reliable data samples to allow other components such as component 107 Data Evaluator Sensor Sample Rate and component 108 Data Sample Flow Evaluator provide accurate assessed information of road traffic conditions.

El uno o más clientes 109 de datos de tráfico pueden obtener información evaluada de condiciones de tráfico de carretera (por ejemplo, datos de velocidad y/o de flujo) proporcionada por el componente 107 Evaluador de Velocidad de Muestras de Datos y/o el componente 108 Evaluador de Flujo de Muestras de Datos, y pueden utilizar tales datos de varias maneras. Por ejemplo, los clientes 109 de datos de tráfico pueden incluir otros componentes y/o sistemas de información de tráfico manejados por el operario del sistema 100 Gestor de Muestras de Datos, tal como un sistema predictivo proveedor de información de tráfico que utiliza información de condiciones de tráfico para generar predicciones de futuras condiciones del tráfico en múltiples momentos futuros y/o una presentación de información de tráfico en tiempo real (o cercana a en tiempo real) o sistema proveedor que proporciona información de condiciones de tráfico en tiempo real (o cercana a en tiempo real) a usuarios finales y/o clientes de terceras partes. Además, los clientes 109 de datos de tráfico pueden incluir sistemas de cálculo manejados por terceros para proporcionar servicios de información de tráfico a sus clientes. Además, el uno o más clientes 109 de datos de tráfico pueden, opcionalmente en algunas circunstancias (por ejemplo, en casos en los que hay disponibles datos insuficientes para que el componente Evaluador de Velocidad de Muestras de Datos y/o el componente evaluador de Flujo de Muestras de Datos realicen evaluaciones precisas y/o si no hay datos disponibles de fuentes de datos con base en vehículos u otras), obtener información de condiciones de tráfico de carretera proporcionada por el componente 110 Totalizador de Datos de Sensor, ya sea en vez de o además de los datos del componente Evaluador de Velocidad de Muestras de Datos y/o el componente Evaluador de Flujo de Muestras de Datos. The one or more traffic data clients 109 may obtain evaluated information of road traffic conditions (eg speed and / or flow data) provided by component 107 Data Sample Rate Evaluator and / or the component 108 Data Sample Flow Evaluator, and can use such data in several ways. For example, traffic data clients 109 may include other components and / or traffic information systems operated by the operator of the Data Sample Manager system 100, such as a predictive traffic information provider system that uses condition information of traffic to generate predictions of future traffic conditions at multiple future moments and / or a presentation of real-time (or near real-time) traffic information or provider system that provides real-time (or near) traffic conditions information in real time) to end users and / or third party customers. In addition, traffic data customers 109 may include third-party calculation systems to provide traffic information services to their customers. In addition, the one or more traffic data clients 109 may, optionally in some circumstances (for example, in cases where insufficient data is available for the Data Sample Rate Evaluator component and / or the Flow evaluator component of Data Samples perform accurate assessments and / or if there is no data available from data sources based on vehicles or others), obtain information on road traffic conditions provided by component 110 Sensor Data Totalizer, either instead of or in addition to the data of the Data Sample Rate Evaluator component and / or the Data Sample Flow Evaluator component.

Con fines ilustrativos, más adelante se describen algunas realizaciones y aspectos relacionados con la presente invención en las que tipos específicos de condiciones de tráfico de carretera son evaluados de maneras específicas y en los que tal información evaluada de tráfico se utiliza de varias maneras específicas. For illustrative purposes, some embodiments and aspects related to the present invention are described below in which specific types of road traffic conditions are evaluated in specific ways and in which such evaluated traffic information is used in several specific ways.

Las Figuras 2A-2E ilustran ejemplos de evaluación de condiciones de tráfico de carretera basados en datos obtenidos de vehículos y otras fuentes móviles de datos, como puede realizarse con una realización del sistema Gestor de Muestras de Datos. En particular, la Figura 2A ilustra un ejemplo de filtrado de muestras de datos para una zona de ejemplo 200 con varias carreteras 201, 202, 203 y 204, y con una indicación de leyenda 209 que indica la dirección del norte. En este ejemplo, la carretera 202 es una carretera dividida de acceso limitado tal como una autopista o carretera de peaje, con dos grupos distintos de carriles 202a y 202b para el desplazamiento de vehículos en sentidos al oeste y al este, respectivamente. El grupo de carriles 202a incluye un carril de VAO 202a2 y otros múltiples carriles regulares 202a1, y el grupo de carriles 202b incluye similarmente un carril de VAO 202b2 y otros múltiples carriles regulares 202b1. La carretera 201 es una carretera principal con dos carriles 201a y 201b para el desplazamiento de vehículos en sentido sur y norte, respectivamente. La carretera 201 pasa por encima de la carretera 202 (por ejemplo, por un paso elevado o puente), y la carretera 204 es una rampa que conecta el carril hacia el norte 201b de la carretera 201 con el grupo de carriles hacia el este 202b de la carretera 202. La carretera 203 es una carretera local de servicio adyacente a la carretera 202. Figures 2A-2E illustrate examples of road traffic condition evaluation based on data obtained from vehicles and other mobile data sources, as can be done with an embodiment of the Data Sample Manager system. In particular, Figure 2A illustrates an example of filtering data samples for an example zone 200 with several roads 201, 202, 203 and 204, and with an indication of legend 209 indicating the north direction. In this example, highway 202 is a limited access divided highway such as a highway or toll road, with two distinct groups of lanes 202a and 202b for moving vehicles west and east, respectively. The lane group 202a includes a VAO lane 202a2 and other multiple regular lanes 202a1, and the lane group 202b similarly includes a VAO lane 202b2 and other multiple regular lanes 202b1. Highway 201 is a main road with two lanes 201a and 201b for moving vehicles south and north, respectively. Highway 201 passes over highway 202 (for example, over an overpass or bridge), and highway 204 is a ramp that connects the northbound lane 201b of highway 201 with the eastbound lane group 202b from Highway 202. Highway 203 is a local service highway adjacent to Highway 202.

Las carreteras representadas en la Figura 2A puede representarse de varias maneras para el uso por parte del sistema Gestor de Muestras de Datos. Por ejemplo, uno o más segmentos de carretera pueden asociarse con cada carretera física, tal como para tener segmentos de carretera en sentido norte y en sentido sur con el carril hacia el norte 201b y el carril hacia el sur 201a respectivamente. Asimismo, por lo menos un segmento de carretera hacia el oeste y por lo menos un segmento de carretera hacia el este pueden asociarse con el grupo 202a de carriles hacia el oeste y el grupo 202b de carreteras hacia el este de la carretera 202, respectivamente. Por ejemplo, la parte del grupo 202b de carriles hacia el este al este de la carretera 201 pueden ser un segmento de carretera independiente de la parte del grupo 202b de carriles hacia el este al oeste de la carretera 201, tal como basándose en las condiciones del tráfico de carretera que a menudo o normalmente varían entre las partes de carretera (por ejemplo, debido a una entrada normalmente significativa de vehículos al grupo de carriles 202b al este de la carretera 201 desde la rampa 204, tal como que puede causar normalmente una mayor congestión en el grupo de carriles 202b al este de la carretera 201). Además, uno o más grupos de carriles pueden descomponerse en múltiples segmentos de carretera, tal como si diferentes carriles tienen normalmente o a menudo características diferentes de condiciones de tráfico de carretera (por ejemplo, para representar alguna parte dada del grupo de carriles 202b como un primer segmento de carretera que corresponde a los carriles 202b1 basado en esos carriles que comparten características similares de condiciones de tráfico, y como un segundo segmento de carretera que corresponde al carril de VAO 202b2 debido a sus diferentes características de condiciones de tráfico) -en otras de tales situaciones, puede utilizarse sólo un único segmento de carretera para tal grupo de carriles, pero algunas muestras de datos (por ejemplo, las correspondientes al carril de VAO 202b2) pueden excluirse de ser usadas (tal como por un componente Filtrador de Muestras de Datos y/o un componente Eliminador de Valores Atípicos de Muestras de Datos) al evaluar las condiciones de tráfico de carretera para el grupo de carriles. Como alternativa, algunas realizaciones pueden representar múltiples carriles de una carretera dada como un único segmento de carretera, incluso si los carriles se utilizan para el desplazamiento en sentidos opuestos, tal como si las condiciones del tráfico de carretera son normalmente similares en ambos sentidos -por ejemplo, la carretera de servicio 205a puede tener dos carriles opuestos de desplazamiento, pero puede representarse con un único segmento de carretera. Los segmentos de carretera pueden determinarse por lo menos en parte con otras diversas maneras, tales como asociarse con información geográfica (por ejemplo, dimensiones físicas y/o rumbo(s)) y/o información relacionada con el tráfico (por ejemplo, límites de velocidad). The roads represented in Figure 2A can be represented in several ways for use by the Data Sample Manager system. For example, one or more road segments may be associated with each physical road, such as to have road segments in the north and south direction with the northbound lane 201b and the southern lane 201a respectively. Likewise, at least one road segment to the west and at least one road segment to the east may be associated with group 202a of westbound lanes and group 202b of eastbound roads of highway 202, respectively. For example, the part of the group 202b of eastbound lanes east of the road 201 may be a road segment independent of the part of the group 202b of eastbound lanes west of the highway 201, such as based on the conditions of road traffic that often or normally varies between road parts (for example, due to a normally significant entry of vehicles to lane group 202b east of road 201 from ramp 204, such as can normally cause increased congestion in lane group 202b east of highway 201). In addition, one or more lane groups can be broken down into multiple road segments, such as if different lanes normally or often have different characteristics of road traffic conditions (for example, to represent a given part of the lane group 202b as a first road segment that corresponds to lanes 202b1 based on those lanes that share similar characteristics of traffic conditions, and as a second road segment that corresponds to VAO lane 202b2 due to its different traffic conditions characteristics) -in other such situations, only a single road segment can be used for such a group of lanes, but some data samples (for example, those corresponding to VAO lane 202b2) can be excluded from being used (such as by a Data Sample Filtering component and / or an outlier component for outlining data samples) when evaluating the Road traffic conditions for the lane group. Alternatively, some embodiments may represent multiple lanes of a given road as a single road segment, even if the lanes are used for displacement in opposite directions, such as if road traffic conditions are normally similar in both directions - by For example, the service road 205a may have two opposite travel lanes, but may be represented with a single road segment. Road segments can be determined at least in part with various other ways, such as associating with geographic information (for example, physical dimensions and / or heading (s)) and / or traffic-related information (for example, traffic limits speed).

La Figura 2A representa además múltiples muestras 205a-k de datos informadas por múltiples fuentes móviles de datos (por ejemplo, vehículos, que no se muestran) que se desplazan en la zona 200 durante un intervalo particular de tiempo u otro período de tiempo (por ejemplo 1 minuto, 5 minutos, 10 minutos, 15 minutos, etc.). Cada una de las muestras de datos 205a-k se representa como una flecha que indica un rumbo para la muestra de datos, según es informada por una de las múltiples fuentes móviles de datos. Las muestras 205a-k de datos se superponen sobre la zona 200 de tal manera que reflejen las posiciones informadas para cada una de las muestras de datos (por ejemplo, expresadas en unidades de latitud y longitud, tales como las basadas en lecturas GPS), que pueden ser diferentes de las posiciones verdaderas del vehículo cuando esa muestra de datos se registró (por ejemplo, debido a una lectura imprecisa o errónea, o debido a un grado de variabilidad que es inherente al mecanismo de detección de posición utilizado). Por ejemplo, la muestra 205g de datos muestra una posición que está ligeramente al norte de la carretera 202b, que puede reflejar un vehículo que fue arrastrado fuera del lado norte del carril 202b2 (por ejemplo, a causa de una disfunción mecánica), o en cambio puede reflejar una posición imprecisa para un vehículo que estaba de hecho desplazándose en sentido hacia el este en el carril 202b2 u otro carril. Además, una única fuente móvil de datos puede ser la fuente de más de una de la fuentes de datos ilustradas, tal como si ambas muestras 205i y 205h fueran informadas por un único vehículo basándose en su desplazamiento hacia el este por la carretera 202 durante el período de tiempo (por ejemplo, a través de una única transmisión que contiene múltiples muestras de datos para múltiples puntos previos de tiempo, tal como para informar de muestras de datos cada 5 minutos o cada 15 minutos). Más detalles con respecto a almacenar y proporcionar múltiples muestras adquiridas de datos se ilustran más adelante. Figure 2A also represents multiple samples 205a-k of data reported by multiple mobile sources of data (e.g., vehicles, not shown) that move in zone 200 during a particular time interval or other period of time (for example 1 minute, 5 minutes, 10 minutes, 15 minutes, etc.). Each of the data samples 205a-k is represented as an arrow indicating a direction for the data sample, as reported by one of the multiple mobile data sources. Data samples 205a-k overlap over zone 200 such that they reflect the positions reported for each of the data samples (for example, expressed in units of latitude and longitude, such as those based on GPS readings), which may be different from the true positions of the vehicle when that data sample was recorded (for example, due to inaccurate or erroneous reading, or due to a degree of variability that is inherent in the position sensing mechanism used). For example, sample 205g of data shows a position that is slightly north of highway 202b, which may reflect a vehicle that was dragged off the north side of lane 202b2 (for example, due to mechanical dysfunction), or in The change may reflect an inaccurate position for a vehicle that was in fact moving eastbound on lane 202b2 or another lane. In addition, a single mobile data source may be the source of more than one of the illustrated data sources, such as if both samples 205i and 205h were informed by a single vehicle based on their eastward movement on the highway 202 during the period of time (for example, through a single transmission that contains multiple data samples for multiple previous time points, such as to report data samples every 5 minutes or every 15 minutes). More details regarding storing and providing multiple acquired samples of data are illustrated below.

El sistema Gestor de Muestras de Datos puede filtrar las muestras obtenidas de datos, tal como para trazar muestras de datos en segmentos predefinidos de carretera y/o identificar muestras de datos que no se corresponden con tales segmentos de carretera de interés. Una muestra de datos puede asociarse con un segmento de carretera si su posición informada está dentro de una distancia predeterminada (por ejemplo, 5 metros) de la posición de una carretera y/o los carriles correspondientes al segmento de carretera y si su rumbo está dentro de un ángulo predeterminado (por ejemplo, más o menos 15 grados) del rumbo de la carretera y/o los carriles correspondientes del segmento de carretera. Los segmentos de carretera pueden asociarse con suficiente información basada en la posición (por ejemplo, rumbo del segmento de carretera, fronteras físicas del segmento de carretera, etc.) para hacer tal determinación, aunque también la asociación de muestras de datos con segmentos de carretera también puede realizarse antes de que las muestras de datos estén disponibles para el sistema Gestor de Muestras de Datos. The Data Sample Manager system can filter the samples obtained from data, such as to plot data samples in predefined road segments and / or identify data samples that do not correspond to such road segments of interest. A sample of data may be associated with a road segment if its reported position is within a predetermined distance (for example, 5 meters) of the position of a road and / or lanes corresponding to the road segment and if its heading is within of a predetermined angle (for example, plus or minus 15 degrees) of the road heading and / or the corresponding lanes of the road segment. Road segments can be associated with sufficient position-based information (for example, heading of the road segment, physical boundaries of the road segment, etc.) to make such a determination, but also the association of data samples with road segments It can also be performed before data samples are available for the Data Sample Manager system.

Como ejemplo ilustrativo, la muestra 205a de datos puede asociarse con un segmento de carretera que corresponde a la carretera 203, porque su posición informada cae dentro de los límites de la carretera 203 y su rumbo es el mismo (o casi el mismo) que por lo menos uno de los rumbos asociados con la carretera 203. En algún caso, cuando se utiliza un único segmento de carretera para representar múltiples carriles, algunos de los cuales se desplazan en sentidos opuestos, el rumbo de una muestra de datos puede compararse con ambos rumbos del segmento de carretera para determinar si la muestra de datos puede asociarse con el segmento de carretera. Por ejemplo, la muestra 205k de datos tiene un rumbo aproximadamente opuesto al de la muestra 205a de datos, pero también puede asociarse con el segmento de carretera que corresponde a la carretera 203, si ese segmento de carretera se utiliza para representar los dos carriles opuestos de la carretera 203. As an illustrative example, data sample 205a may be associated with a road segment corresponding to highway 203, because its reported position falls within the limits of highway 203 and its heading is the same (or almost the same) as by At least one of the directions associated with Highway 203. In some cases, when a single road segment is used to represent multiple lanes, some of which travel in opposite directions, the course of a data sample can be compared with both Road segment directions to determine if the data sample can be associated with the road segment. For example, sample 205k of data has a direction approximately opposite to that of sample 205a of data, but it can also be associated with the road segment corresponding to highway 203, if that road segment is used to represent the two opposite lanes of the highway 203.

Sin embargo, debido a la proximidad de la carretera 203 y el grupo de carriles 202a, también puede ser posible que la muestra 205k de datos refleje un vehículo que se desplaza en el grupo de carriles 202a, tal como si la posición informada de la muestra 205k de datos está dentro de un margen de error para posiciones de vehículos que se desplazan en uno o más de los carriles del grupo de carriles 202a, ya que el rumbo de la muestra 205k de datos es el mismo (o casi el mismo) que el rumbo del grupo de carriles 202a. En algunos casos, se puede eliminar la ambigüedad de tales casos de múltiples posibles segmentos de carretera para una muestra de datos basándose en otra información asociada con la muestra de datos -por ejemplo, en este caso, un análisis de la velocidad informada de la muestra 205k de datos puede utilizarse para ayudar a eliminar la ambigüedad, tal como si el grupo de carriles 202a corresponde a una autopista con un límite de la velocidad de 100 km/h (65 mph), la carretera 203 es una carretera local de servicio con un límite de velocidad de 50km/h (30 mph), y una velocidad informada de la muestra de datos son 120km/h (75 mph) (que tiene como resultado una asociación con los carriles de autopista que es mucho más probable que una asociación con la carretera local de servicio). Más generalmente, si la velocidad informada de la muestra 205k de datos es más similar a la velocidad observada o anunciada para la carretera 203 que la velocidad observada o anunciada para el grupo de carriles 202a, tal información puede ser utilizada como parte de la determinación para asociar la muestra de datos con la carretera 203 y no con el grupo de carriles 202a. Como alternativa, si la velocidad informada de muestra 205k de datos es más similar a la velocidad observada o anunciada para el grupo de carriles 202a que la velocidad observada o anunciada para la carretera 203, puede asociarse con el grupo de carriles 202a y no con la carretera 203. Similarmente puede utilizarse otro tipo de información como parte de tal eliminación de ambigüedad (por ejemplo, posición; rumbo; estado; información acerca de otras muestras relacionadas de datos, tales como otras muestras recientes de datos de la misma fuente móvil de datos; etc.), tal como parte de un análisis ponderado para reflejar un grado de coincidencia para cada tipo de información para una muestra de datos con un segmento de carretera candidato. However, due to the proximity of the road 203 and the lane group 202a, it may also be possible for the sample 205k of data to reflect a vehicle traveling in the lane group 202a, as if the reported position of the sample 205k of data is within a margin of error for vehicle positions that move in one or more of the lanes of the lane group 202a, since the heading of the sample 205k of data is the same (or almost the same) as the course of the 202a lane group. In some cases, the ambiguity of such cases of multiple possible road segments for a data sample can be eliminated based on other information associated with the data sample - for example, in this case, an analysis of the reported speed of the sample 205k of data can be used to help eliminate ambiguity, such as if the lane group 202a corresponds to a highway with a speed limit of 100 km / h (65 mph), Highway 203 is a local service road with a speed limit of 50km / h (30 mph), and an informed speed of the data sample are 120km / h (75 mph) (resulting in an association with the highway lanes that is much more likely than an association with the local service road). More generally, if the reported speed of the data sample 205k is more similar to the speed observed or announced for the road 203 than the speed observed or announced for the lane group 202a, such information may be used as part of the determination for Associate the data sample with the road 203 and not with the rail group 202a. Alternatively, if the reported sample speed 205k of data is more similar to the observed or advertised speed for the lane group 202a than the observed or announced speed for the highway 203, it may be associated with the lane group 202a and not with the Road 203. Similarly, other information may be used as part of such ambiguity removal (eg, position; heading; status; information about other related data samples, such as other recent data samples from the same mobile data source ; etc.), as part of a weighted analysis to reflect a degree of match for each type of information for a sample of data with a candidate road segment.

Por ejemplo, con respecto a la asociación de muestras de datos 205a con un segmento apropiado de carretera, su posición informada se produce en una superposición entre el carril 201b y el grupo de carriles 202a y está cerca del carril 201a así como de otras carreteras. Sin embargo, el rumbo informado de las muestra de datos (aproximadamente en sentido norte) coincide con el rumbo del carril 201b (en sentido norte) mucho más de cerca que de con el de otros carriles/carreteras candidatos, y se este modo se asociará probablemente con el segmento de carretera que corresponde al carril 201b en este ejemplo. Similarmente, la muestra 205c de datos incluye una posición informada que puede coincidir con múltiples carreteras/carriles (por ejemplo, el carril 201a, el carril 201b y el grupo de carriles 202a), pero su rumbo (aproximadamente hacia el oeste) puede utilizarse para seleccionar un segmento de carretera para el grupo de carriles 202a como el segmento de carretera más apropiado para la muestra de datos. For example, with respect to the association of data samples 205a with an appropriate road segment, its reported position occurs in an overlap between lane 201b and lane group 202a and is close to lane 201a as well as other roads. However, the reported course of the data samples (approximately northbound) coincides with the heading of lane 201b (northbound) much more closely than that of other candidate lanes / roads, and this mode will be associated probably with the road segment corresponding to lane 201b in this example. Similarly, the data sample 205c includes an informed position that can coincide with multiple roads / lanes (for example, lane 201a, lane 201b and lane group 202a), but its heading (approximately west) can be used to select a road segment for lane group 202a as the most appropriate road segment for the data sample.

Continuando con este ejemplo, la muestra 205d de datos no puede asociarse con cualquier segmento de carretera, porque su rumbo (aproximadamente hacia el este) está en sentido opuesto al del grupo de carriles 202a (hacia el oeste) cuya posición corresponde a la posición informada de las muestra de datos. Si no hay otros segmentos de carretera candidatos apropiados que estén suficientemente cerca (por ejemplo, dentro de una distancia predeterminada) a la posición informada de la muestra 205dde datos, tal como si el grupo de carriles 202b con un rumbo similar está demasiado lejos, durante el filtrado esta muestra de datos puede ser excluida del uso subsiguiente en el análisis de las muestras de datos. Continuing with this example, the sample 205d of data cannot be associated with any road segment, because its heading (approximately eastward) is in the opposite direction to the group of lanes 202a (westward) whose position corresponds to the reported position of the data samples. If there are no other appropriate candidate road segments that are sufficiently close (for example, within a predetermined distance) to the reported position of the data sample 205d, such as if the group of lanes 202b with a similar heading is too far away, during Filtering this data sample may be excluded from subsequent use in the analysis of the data samples.

La muestra 205e de datos puede asociarse con un segmento de carretera que corresponde al grupo de carriles 202a, tal como un segmento de carretera que corresponde a un carril de VAO 202a2, ya que su posición y rumbo informados corresponden a la posición y rumbo de ese carril, tal como si una técnica basada en la posición utilizada para la posición de la muestra de datos tiene suficiente resolución como para diferenciar entre carriles (por ejemplo, dispositivos de localización por GPS diferencial, infrarrojos, sonar o radar . Las muestras de datos también pueden asociarse con un carril particular de una carretera de múltiples carriles basándose en factores distintos de la información basada en la posición, tal como si los carriles tienen diferentes características de condiciones de tráfico. Por ejemplo, en algunos casos la velocidad informada de una muestra de datos puede utilizarse para fijar o emparejar la muestra de datos con un carril particular mediante modelado de una distribución esperada (por ejemplo, una distribución normal o gaussiana) de velocidades observadas (u otras medidas del flujo de tráfico) de muestras de datos para cada uno de tales carriles candidatos y determinar una mejor adaptación para la muestra de datos con las distribuciones esperadas. Por ejemplo, la muestra 205e de datos puede asociarse con el segmento de carretera que corresponde al carril de VAO 202a2 porque la velocidad informada de esa muestra de datos está más cerca de una velocidad media observada inferida o histórica de vehículos que se desplazan en el carril de VAO 202a2 que de una velocidad media observada inferida o histórica de vehículos que se desplazan en los carriles regulares 202a1, tal como por determinación de una velocidad media observada o inferida basándose en otras muestras de datos (por ejemplo, utilizando lecturas de datos proporcionados por uno o más sensores de tráfico de carretera) y/o el análisis de otros datos actuales relacionados. The sample 205e of data may be associated with a road segment corresponding to the group of lanes 202a, such as a road segment corresponding to a VAO lane 202a2, since its reported position and heading correspond to the position and heading of that lane, as if a technique based on the position used for the position of the data sample has sufficient resolution to differentiate between rails (for example, differential GPS tracking devices, infrared, sonar or radar. Data samples also they can be associated with a particular lane of a multi-lane road based on factors other than position-based information, such as if the lanes have different characteristics of traffic conditions, for example, in some cases the reported speed of a sample of data can be used to fix or match the data sample with a particular lane by modeling a Expected distribution (for example, a normal or Gaussian distribution) of observed speeds (or other traffic flow measurements) of data samples for each of such candidate lanes and determine a better adaptation for the data sample with the expected distributions . For example, data sample 205e may be associated with the road segment corresponding to VAO lane 202a2 because the reported speed of that data sample is closer to an inferred or historical average observed speed of vehicles traveling in the lane. of VAO 202a2 that of an average observed or inferred average speed of vehicles traveling on regular lanes 202a1, such as by determining an average observed or inferred speed based on other data samples (for example, using data readings provided by one or more road traffic sensors) and / or the analysis of other related current data.

De una manera similar, las muestras 205f, 205h, 205i, y 205j de datos pueden asociarse con los segmentos de carretera que corresponden al carril 201a, carriles 202b1, carriles 202b1 y rampa 204, respectivamente, porque sus posiciones y rumbos informados corresponden a las posiciones y los rumbos de esas carreteras o carriles. Similarly, samples 205f, 205h, 205i, and 205j of data can be associated with the road segments corresponding to lane 201a, lanes 202b1, lanes 202b1 and ramp 204, respectively, because their positions and reported directions correspond to positions and directions of those roads or lanes.

Las muestras 205g de datos pueden asociarse con un segmento de carretera que corresponde al grupo de carriles 202b (por ejemplo, un segmento de carretera para el carril de VAO 202b2) aunque su posición informada esté fuera de los límites de la carretera ilustrada, porque la posición informada puede estar dentro de la distancia predeterminada (por ejemplo, 5 metros) de la carretera. Como alternativa, La muestra 205g de datos no puede asociarse con ningún segmento de carretera si su posición informada es lo suficientemente distante de la carretera. En algunos casos, se pueden utilizar distancias predeterminadas diferentes para muestras de datos proporcionadas por fuentes diferentes de datos, tal como para reflejar un nivel conocido o esperado de precisión de la fuente de datos. Por ejemplo, las muestras de datos proporcionadas por fuentes móviles de datos que utilizan señales GPS sin corregir pueden utilizar una distancia predetermina relativamente alta (por ejemplo, 30 metros), mientras que muestras de datos proporcionadas por fuentes móviles de datos que utilizan dispositivos GPS corregidos por diferencial pueden compararse utilizando una distancia predeterminada relativamente baja (por ejemplo, 1 metro). Data samples 205g may be associated with a road segment that corresponds to the group of lanes 202b (for example, a road segment for the VAO lane 202b2) even if its reported position is outside the boundaries of the illustrated road, because the Informed position may be within the predetermined distance (for example, 5 meters) of the road. Alternatively, Sample 205g of data cannot be associated with any road segment if its reported position is sufficiently distant from the road. In some cases, different predetermined distances may be used for data samples provided by different data sources, such as to reflect a known or expected level of accuracy of the data source. For example, data samples provided by mobile data sources that use uncorrected GPS signals may use a relatively high predetermined distance (for example, 30 meters), while data samples provided by mobile data sources using corrected GPS devices by differential they can be compared using a relatively low predetermined distance (for example, 1 meter).

Además, el filtrado de muestras de datos puede incluir la identificación de muestras de datos que no corresponden a segmentos de carretera de interés y/o son poco representativas de desplazamiento verdadero de vehículos en las carreteras. Por ejemplo algunas muestras de datos pueden ser eliminadas de ser consideradas porque han sido asociadas con carreteras que no son consideradas por el sistema Gestor de Muestras de Datos. Por ejemplo, en algunos casos, pueden filtrarse las muestras de datos asociadas con carreteras de menores clases funcionales de carretera (por ejemplo, calles residenciales y/o carreteras principales). Haciendo referencia de nuevo a la Figura 2A, por ejemplo, las muestras 205a y/o 205k de datos pueden filtrarse porque la carretera 203 es una carretera local de servicio que es de una clasificación funcional lo suficientemente baja como para no ser considerada por el sistema Gestor de Muestras de Datos, o la muestra 205j de datos puede ser filtrada porque la rampa es demasiado corta para ser de interés independiente de la autopista. El filtrado puede basarse además en otros factores, tal como la actividad inferida o informada de fuentes móviles de datos con respeto a la actividad inferida o informada de otras fuentes móviles de datos en uno o más segmentos de carretera. Por ejemplo, una serie de muestras de datos asociadas con un segmento de carretera y proporcionada por una única fuente móvil de datos todas indicando la misma posición indica probablemente que la fuente móvil de datos se ha parado. Si todas las otras muestras de datos asociadas con el mismo segmento de carretera indican fuentes móviles de datos en movimiento, las muestras de datos que corresponden a la fuente móvil parada de datos pueden ser filtradas por ser poco representativas del desplazamiento verdadero del vehículo en el segmento de carretera, tal como debido a que la fuente móvil de datos es un vehículo aparcado. Además, en algunos casos, las muestras de datos pueden incluir indicaciones informadas del estado de conducción del vehículo (por ejemplo, que la transmisión del vehículo está en "aparcar" con el motor en marcha, tal como un vehículo parado para hacer una entrega), y si ése es el caso tales indicaciones pueden utilizarse similarmente para filtrar tales muestras de datos por ser poco representativas de vehículos verdaderos desplazándose. In addition, the filtering of data samples may include the identification of data samples that do not correspond to road segments of interest and / or are not representative of true displacement of vehicles on the roads. For example, some data samples can be eliminated if they are considered because they have been associated with roads that are not considered by the Data Sample Manager system. For example, in some cases, data samples associated with roads of smaller functional road classes (for example, residential streets and / or main roads) may be filtered. Referring again to Figure 2A, for example, samples 205a and / or 205k of data can be filtered because Highway 203 is a local service road that is of a functional classification low enough not to be considered by the system. Data Sample Manager, or sample 205j of data can be filtered because the ramp is too short to be of interest independent of the highway. Filtering may also be based on other factors, such as the inferred or reported activity of mobile data sources with respect to the inferred or reported activity of other mobile data sources in one or more road segments. For example, a series of data samples associated with a road segment and provided by a single mobile data source all indicating the same position probably indicates that the mobile data source has stopped. If all other data samples associated with the same road segment indicate mobile sources of moving data, the data samples corresponding to the mobile stop data source may be filtered because they are not representative of the true displacement of the vehicle in the segment road, such as because the mobile data source is a parked vehicle. In addition, in some cases, the data samples may include informed indications of the driving status of the vehicle (for example, that the vehicle's transmission is "parked" with the engine running, such as a vehicle stopped to make a delivery) , and if that is the case such indications can similarly be used to filter such data samples as they are not representative of real vehicles moving.

La Figura 2B ilustra una vista gráfica de múltiples muestras de datos asociadas con un único segmento de carretera obtenido de múltiples fuentes de datos durante un intervalo particular de tiempo u otro período de tiempo, con las muestras de datos trazadas en un gráfico 210 con tiempo medido en el eje x 210b y la velocidad medida en el eje y 210a. En este ejemplo, las muestras ilustradas de datos han sido obtenidas de múltiples fuentes móviles de datos así como de uno o más sensores de tráfico de carretera asociados con el segmento de carretera, y se muestran con formas diferentes según se ilustra en la leyenda mostrada (es decir, con diamantes oscurecidos (" • n) para muestras de datos obtenidas de sensores de tráfico de carretera, y con cuadrados vacíos (" Figure 2B illustrates a graphical view of multiple data samples associated with a single road segment obtained from multiple data sources during a particular time interval or other period of time, with the data samples plotted on a graph 210 with measured time. on the x 210b axis and the speed measured on the y axis 210a. In this example, the illustrated data samples have been obtained from multiple mobile data sources as well as from one or more road traffic sensors associated with the road segment, and are shown in different shapes as illustrated in the legend shown ( that is, with darkened diamonds ("• n) for data samples obtained from road traffic sensors, and with empty squares ("

S n) para muestras de datos obtenidas de fuentes móviles de datos). Las muestras ilustradas de datos de fuentes móviles de datos pueden haber sido asociadas con el segmento de carretera como se ha descrito con referencia a la Figura 2A. S n) for data samples obtained from mobile data sources). The illustrated data samples from mobile data sources may have been associated with the road segment as described with reference to Figure 2A.

Los ejemplos de muestras de datos incluyen las muestras 211a-c de datos de sensor de tráfico de carretera y las muestras 212a-d de datos de fuente móvil de datos. La velocidad informada y el tiempo de grabación de una muestra dada de datos pueden determinarse por su posición en el gráfico. Por ejemplo, la muestra 212d de datos de fuente móvil de datos tiene una velocidad informada de 15 millas por hora (u otra unidad de la velocidad) y fue registrada en un momento de aproximadamente 37 minutos (u otra unidad de tiempo) con respeto a algún punto de partida. Tal como se describirá con mayor detalla más adelante, algunos ejemplos de casos pueden analizar o procesar de otro modo las muestras obtenidas de datos dentro de intervalos de tiempo particulares durante el período de tiempo que se está representando, tal como el intervalo de tiempo 213. En este ejemplo, el intervalo de tiempo 213 contiene muestras de datos registradas durante un intervalo de tiempo de 10 minutos desde el momento de 30 minutos al momento de 40 minutos. Además, algunos ejemplos de casos pueden dividir aún más el grupo de muestras de datos que se producen dentro de un intervalo de tiempo particular en dos o más grupos, tal como el grupo 214a y el grupo 214b. Por ejemplo, cabe señalar que las muestras ilustradas de datos parecen reflejar una distribución de dos modos de velocidades informadas, con las mayoría de las muestras de datos informando de velocidades en el intervalo de 40-48 km/h (25-30 millas por hora) o en el intervalo de 0-13 km/h (0-8 millas por hora). Tal distribución de dos modos u otra de múltiples modos de velocidades puede producirse, por ejemplo, porque los patrones esenciales de flujo de tráfico no son uniformes, tal como debido a una señal de control del tráfico que hace que el tráfico fluya con un patrón de parada y avance, o al segmento de carretera que incluye múltiples carriles de tráfico que se mueve a velocidades diferentes (por ejemplo, un carril de VAO o rápido con velocidades relativamente más altas que otros carriles que no son de VAO). En presencia de tales distribuciones de varios modos de datos de velocidad, algunos ejemplos de casos pueden dividir las muestras de datos en dos o más grupos para un procesamiento adicional, tal como producir mejor precisión o resolución de procesamiento (por ejemplo, calculando distintas velocidades medias que reflejan con más precisión las velocidades de varios flujos de tráfico) así como información adicional de interés (por ejemplo, el diferencial de velocidad entre el tráfico de VAO y el tráfico que no es de VAO), o para identificar un grupo de muestras de datos a excluir (por ejemplo, no incluir el tráfico de VAO como parte de un análisis subsiguiente). Aunque no se ilustra en esta memoria, tales grupos distintos de muestras de datos pueden ser identificados de varias maneras, incluyendo el modelado de una distribución distinta (por ejemplo, una distribución normal o gaussiana) para las velocidades observadas de cada grupo. Examples of data samples include samples 211a-c of road traffic sensor data and samples 212a-d of data from mobile data source. The reported speed and recording time of a given sample of data can be determined by its position in the graph. For example, sample 212d of mobile data source data has an informed speed of 15 miles per hour (or another unit of speed) and was recorded at a time of approximately 37 minutes (or another unit of time) with respect to Some starting point. As will be described in more detail below, some case examples may analyze or otherwise process samples obtained from data within particular time intervals during the period of time being represented, such as time interval 213. In this example, time interval 213 contains samples of data recorded during a time interval of 10 minutes from the time of 30 minutes to the time of 40 minutes. In addition, some case examples may further divide the group of data samples that are produced within a particular time interval into two or more groups, such as group 214a and group 214b. For example, it should be noted that the illustrated data samples appear to reflect a two-way distribution of reported speeds, with most data samples reporting speeds in the range of 40-48 km / h (25-30 miles per hour). ) or in the range of 0-13 km / h (0-8 miles per hour). Such a two-way or other multi-speed distribution may occur, for example, because the essential traffic flow patterns are not uniform, such as due to a traffic control signal that causes traffic to flow with a traffic pattern. stop and forward, or to the road segment that includes multiple lanes of traffic that moves at different speeds (for example, a VAO or fast lane with relatively higher speeds than other non-VAO lanes). In the presence of such distributions of various speed data modes, some case examples may divide the data samples into two or more groups for further processing, such as producing better processing accuracy or resolution (for example, by calculating different average speeds which more accurately reflect the speeds of various traffic flows) as well as additional information of interest (for example, the speed differential between VAO traffic and non-VAO traffic), or to identify a group of samples of traffic data to exclude (for example, not including VAO traffic as part of a subsequent analysis). Although not illustrated herein, such distinct groups of data samples can be identified in several ways, including modeling a different distribution (eg, a normal or Gaussian distribution) for the observed rates of each group.

La figura 2C ilustra un ejemplo de realización de eliminación de valores atípicos de muestras de datos para filtrar o excluir de otro modo la consideración de esas muestras de datos que son poco representativas de vehículos que se desplazan en un segmento particular de carretera, que en este ejemplo se basa en la velocidad informada para las muestras de datos (aunque en otros casos uno o más atributos de las muestras de datos puedan ser utilizados en cambio como parte del análisis, ya sea en lugar o además de las velocidades informadas). En particular, la Figura 2C muestra una tabla 220 que ilustra la eliminación de valores atípicos de muestras de datos que se realiza en un grupo de ejemplo de diez muestras de datos (en el uso verdadero, el número de muestras de datos que se analizan puede ser mucho más grande). Las muestras ilustradas de datos pueden, por ejemplo, ser todas las muestras de datos que se producen dentro de un intervalo particular de tiempo (tal como el intervalo de tiempo 213 de la Figura 2B), o como alternativa pueden incluir sólo un subconjunto de las muestras de datos de un intervalo de tiempo particular (como los incluidos en el grupo 214a o 214b de la Figura 2B) o pueden incluir todas las muestras de datos disponibles para un período de tiempo más grande. Figure 2C illustrates an exemplary embodiment of eliminating outliers of data samples to filter or otherwise exclude the consideration of those data samples that are poorly representative of vehicles traveling on a particular road segment, which in this example is based on the speed reported for the data samples (although in other cases one or more attributes of the data samples may instead be used as part of the analysis, either in place or in addition to the speeds reported). In particular, Figure 2C shows a table 220 illustrating the elimination of outliers of data samples that is performed in an example group of ten data samples (in true use, the number of data samples that are analyzed can be be much bigger). The illustrated data samples may, for example, be all data samples that are produced within a particular time interval (such as the time interval 213 of Figure 2B), or alternatively they may include only a subset of the data samples of a particular time interval (such as those included in group 214a or 214b of Figure 2B) or may include all available data samples for a larger period of time.

5 En el presente ejemplo, las muestras poco representativas de datos son identificadas como que son valores atípicos estadísticos con respecto a otras muestras de datos en un grupo determinado de muestras de datos mediante la determinación de la desviación de la velocidad de cada muestra de datos en un grupo de muestras de datos a partir de la velocidad media de las otras muestras de datos en el grupo. La desviación de cada muestra de datos puede medirse, por ejemplo, en función del número de la diferencia de desviaciones típicas de la velocidad media de las otras muestras de datos en el grupo, con muestras de datos cuyas desviaciones son mayores que un umbral predeterminado (por ejemplo, 2 desviaciones típicas) que se identifican como valores atípicos y se excluyen de un procesamiento adicional (por ejemplo, siendo descartadas). 5 In the present example, poorly representative samples of data are identified as being atypical statistical values with respect to other data samples in a given group of data samples by determining the speed deviation of each data sample in a group of data samples from the average speed of the other data samples in the group. The deviation of each data sample can be measured, for example, based on the number of the difference in standard deviations from the average speed of the other data samples in the group, with data samples whose deviations are greater than a predetermined threshold ( for example, 2 typical deviations) that are identified as outliers and are excluded from further processing (for example, being discarded).

La tabla 220 incluye una fila de títulos 222 que describe el contenido de múltiples columnas 221a-f. Cada fila 223a-j de la tabla 220 ilustra un análisis de eliminación de valores atípicos de muestra de datos para la distinta de las diez 15 muestras de datos, con la columna 221a indicando la muestra de datos que se está analizando para cada fila cuando cada muestra de datos se analiza, es excluida de las otras muestras del grupo para determinar la diferencia resultante. La muestra de datos de la fila 223a puede ser denominada como la primera muestra de datos, la muestra de datos de la fila 223b puede denominarse como la segunda muestra de datos, etcétera. La columna 221b contiene la velocidad informada de cada una de las muestras de datos, medida en millas por hora. La columna 221c enumera las otras muestras de datos en el grupo frente a la que se comparará la muestra de datos de una fila dada y la columna 221d enumera la velocidad media aproximada del grupo de muestras de datos indicado por la columna 221c. La columna 221e contiene la desviación aproximada entre la velocidad de la muestra de datos excluida de la columna 221b y la velocidad media enumerada en la columna 221d de las otras muestras de datos, medido en el número de desviaciones típicas. La columna 221f indica si la muestra dada de datos sería eliminada, basándose en Table 220 includes a row of titles 222 describing the content of multiple columns 221a-f. Each row 223a-j of table 220 illustrates an analysis of elimination of outliers of data sample for the different of the ten 15 data samples, with column 221a indicating the data sample that is being analyzed for each row when each Data sample is analyzed, it is excluded from the other samples in the group to determine the resulting difference. The data sample of row 223a may be referred to as the first data sample, the data sample of row 223b may be referred to as the second data sample, and so on. Column 221b contains the reported speed of each of the data samples, measured in miles per hour. Column 221c lists the other data samples in the group against which the data sample of a given row will be compared and column 221d lists the approximate average speed of the group of data samples indicated by column 221c. Column 221e contains the approximate deviation between the speed of the data sample excluded from column 221b and the average speed listed in column 221d of the other data samples, measured in the number of typical deviations. Column 221f indicates whether the given sample of data would be deleted, based on

25 si la desviación enumerada en la columna 221e es más de 1,5 desviaciones típicas para los fines de este ejemplo. Además, la velocidad media 224 para las 10 muestras de datos se muestra como que es aproximadamente 25,7 millas por hora, y la desviación típica 225 de las 10 muestras de datos se muestran como que son aproximadamente 14,2. 25 if the deviation listed in column 221e is more than 1.5 standard deviations for the purposes of this example. In addition, the average speed 224 for the 10 data samples is shown to be approximately 25.7 miles per hour, and the standard deviation 225 of the 10 data samples is shown to be approximately 14.2.

Así, por ejemplo, la fila 223a ilustra que la velocidad de la muestra 1 de datos es 26 millas por hora. A continuación, la velocidad media de las otras muestras 2-10 de datos se calcula como aproximadamente 25,7 millas por hora. La desviación de la velocidad de la muestra 1 de datos respecto la velocidad media de las otras muestras 2-10 de datos se calcula entonces como que es aproximadamente 0,02 desviaciones típicas. Por último, la muestra 1 de datos es determinada que no es un valor atípico ya que su desviación está debajo del umbral de 1,5 desviaciones típicas. Además, la fila 223c ilustra que la velocidad de la muestra 3 de datos son 0 millas por hora y que la velocidad media Thus, for example, row 223a illustrates that the speed of the data sample 1 is 26 miles per hour. Next, the average speed of the other 2-10 data samples is calculated as approximately 25.7 miles per hour. The deviation of the speed of the data sample 1 from the average speed of the other data samples 2-10 is then calculated as being approximately 0.02 typical deviations. Finally, the sample 1 of data is determined to be not an outlier since its deviation is below the threshold of 1.5 typical deviations. In addition, row 223c illustrates that the speed of the data sample 3 is 0 miles per hour and that the average speed

35 de las otras muestras 1-2 y 4-10 de datos se calcula como aproximadamente 28,6 millas por hora. A continuación, la desviación de la velocidad de la muestra 3 de datos respecto la velocidad media de las otras muestras 1-2 y 4-10 de datos se calcula como que es aproximadamente 2,44 desviaciones típicas. Por último, la muestra 3 de datos es determinada para ser eliminada como valor atípico ya que su desviación está por encima del umbral de 1,5 desviaciones típicas. 35 of the other 1-2 and 4-10 data samples are calculated as approximately 28.6 miles per hour. Next, the deviation of the speed of the data sample 3 from the average speed of the other data samples 1-2 and 4-10 is calculated as being approximately 2.44 typical deviations. Finally, sample 3 of data is determined to be eliminated as an outlier since its deviation is above the threshold of 1.5 typical deviations.

Más formalmente, dadas N muestras de datos, v0, v1, v2,…,vn, registradas en el período de tiempo dado y asociadas con un segmento dado de carretera, una muestra de datos actuales vi será eliminada si More formally, given N data samples, v0, v1, v2,…, vn, recorded in the given period of time and associated with a given road segment, a sample of current data vi will be deleted if

dónde vi es la velocidad de la muestra de datos actuales que se está analizando; where I saw is the speed of the sample of current data being analyzed;

es el promedio de la velocidad de las otras muestras de datos (v0,…, vi-1, vi+1,…, vn); Oi es la desviación típica de las otras muestras de datos; y c es 45 un umbral constante (por ejemplo, 1,5). Además, como caso especial para manejar una potencial división por cero, is the average speed of the other data samples (v0, ..., vi-1, vi + 1, ..., vn); Oi is the standard deviation of the other data samples; and c is a constant threshold (for example, 1.5). In addition, as a special case to handle a potential division by zero,

la muestra actual vi será eliminada si la desviación típica de las otras muestras de datos, Oi, es cero y la velocidad de la muestra actual de datos no es igual a la velocidad media de las otras muestras de datos, the current sample vi will be eliminated if the standard deviation of the other data samples, Oi, is zero and the speed of the current data sample is not equal to the average speed of the other data samples,

Cabe señalar que para cada v i no es necesario iterar por todas las otras muestras de datos (v0,..., vi-1, vi+1,…, vn) con el fin de calcular la It should be noted that for each v It is not necessary to iterate through all other data samples (v0, ..., vi-1, vi + 1, ..., vn) in order to calculate the

media y la desviación típica O i. La vi media de las otras muestras de datos v0,…, vi-1,vi+1,..., vn puede expresarse de la siguiente manera: mean and standard deviation O i. The average vi of the other data samples v0, ..., vi-1, vi + 1, ..., vn can be expressed as follows:

y la desviación típica Oi, de las otras muestras de datos v0,…,vi-1,vi+1,…,vn puede expresarse de la siguiente manera: and the standard deviation Oi, of the other data samples v0, ..., vi-1, vi + 1, ..., vn can be expressed as follows:

dónde N es el número total de muestras de datos (incluyendo la muestra actual de datos ); where N is the total number of data samples (including the current data sample);

es el promedio de todas las muestras de datos v0, v1, v2,…, vn;vi es la muestra actual de datos, y O es la desviación típica de todas las muestras de datos v0 v1,v2,…, vn. Utilizando las fórmulas anteriores, se puede calcular con eficiencia las medias y las desviaciones típicas y en particular pueden calcularse para tiempo constante. Como el algoritmo anterior calcula un promedio y una desviación típica para cada muestra de datos en cada segmento de carretera, el algoritmo se ejecuta en un momento O(MN), en el que M es el número de segmentos de carretera y N es el número de muestras de datos por segmento de carretera. is the average of all data samples v0, v1, v2, ..., vn; vi is the current data sample, and O is the standard deviation of all data samples v0 v1, v2, ..., vn. Using the above formulas, the means and the standard deviations can be calculated efficiently and in particular they can be calculated for constant time. Since the above algorithm calculates an average and a standard deviation for each data sample in each road segment, the algorithm is executed at a time O (MN), in which M is the number of road segments and N is the number of data samples by road segment.

Otro algoritmo de detección de valores atípicos y/o de eliminación de datos comprende técnicas basadas en clasificadores neuronales de red, clasificadores simplistas bayesianas y/o modelado por regresión, así como técnicas en las que los grupos de múltiples muestras de datos se consideran a la vez (por ejemplo, si por lo menos algunas muestras de datos no son independientes de otras muestras de datos). Another atypical value detection and / or data elimination algorithm comprises techniques based on neural network classifiers, simplistic Bayesian classifiers and / or regression modeling, as well as techniques in which groups of multiple data samples are considered as time (for example, if at least some data samples are not independent of other data samples).

La figura 2D ilustra un ejemplo de realización de evaluación de velocidad media utilizando muestras de datos, y muestra ejemplos de muestras de datos similares a los representados en la Figura 2B para un segmento particular de carretera y el periodo de tiempo. Las muestras de datos han sido trazadas en un gráfico 230, con el tiempo medido en el eje x 230b y la velocidad medida en el eje y 230a. En algunas realizaciones, la velocidad media para un segmento dado de carretera puede calcularse de forma periódica (por ejemplo cada 5 minutos). Cada cálculo puede considerar múltiples muestras de datos dentro de un intervalo predeterminado de tiempo, tal como 10 minutos Figure 2D illustrates an exemplary embodiment of average speed evaluation using data samples, and shows examples of data samples similar to those depicted in Figure 2B for a particular road segment and time period. The data samples have been plotted on a graph 230, with the time measured on the x-axis 230b and the speed measured on the y-axis 230a. In some embodiments, the average speed for a given road segment can be calculated periodically (for example every 5 minutes). Each calculation can consider multiple data samples within a predetermined interval of time, such as 10 minutes

o 15 minutos. Si las velocidades medias son calculadas en tales intervalos de tiempo, tal como en o cerca del final de los intervalos de tiempo, las muestras de datos dentro de un intervalo de tiempo pueden ser ponderadas de varias maneras al totalizar las velocidades de las muestras de datos, tal como tener en cuenta la edad de las muestras de datos (por ejemplo, para descontar muestras más antiguas de datos basadas en la intuición y la esperanza de que no proporcionen información tan precisa como las condiciones verdaderas de tráfico al final del intervalo de tiempo u otro tiempo actual como muestras más recientes de datos registradas relativamente más cerca del momento actual debido a las condiciones cambiantes del tráfico). Similarmente, en algunas realizaciones pueden considerarse otros atributos de muestras de datos al ponderar muestras de datos, tal como un tipo de fuente de datos o una fuente particular de datos para una muestra de datos (por ejemplo, para ponderar muestras de datos con más peso si vienen de un tipo de fuente de datos o una fuente particular de datos que se cree que es más precisa que otras o que proporciona de otro modo mejores datos que otras), así como uno o más tipos de factores de ponderación. or 15 minutes If the average speeds are calculated at such time intervals, such as at or near the end of the time intervals, the data samples within a time interval can be weighted in several ways by totaling the data sample rates. , such as taking into account the age of data samples (for example, to discount older data samples based on intuition and hope that they do not provide information as accurate as true traffic conditions at the end of the time interval or other current time as more recent samples of recorded data relatively closer to the current time due to changing traffic conditions). Similarly, in some embodiments, other data sample attributes may be considered when weighting data samples, such as a type of data source or a particular data source for a data sample (for example, for weighing data samples with more weight if they come from a type of data source or a particular data source that is believed to be more accurate than others or that otherwise provides better data than others), as well as one or more types of weighting factors.

En el ejemplo ilustrado, una velocidad media para el ejemplo de segmento de carretera se calcula cada cinco minutos en un intervalo de tiempo de 15 minutos. El ejemplo representa los pesos relativos de dos muestras ilustrativas de datos, 231a y 231b, ya que contribuyen a la velocidad media calculada de cada uno de dos intervalos de tiempo, 235a y 235b. El intervalo de tiempo 235a incluye muestras de datos registradas entre los tiempos 30 y 45, y el intervalo de tiempo 235b incluye muestras de datos registradas entre los tiempos 35 y 50. Las dos muestras 231a y 231b de datos caen dentro de ambos intervalos de tiempo 235a y 235b. In the illustrated example, an average speed for the road segment example is calculated every five minutes over a 15 minute time interval. The example represents the relative weights of two illustrative data samples, 231a and 231b, since they contribute to the calculated average speed of each of two time intervals, 235a and 235b. The time interval 235a includes data samples recorded between times 30 and 45, and the time interval 235b includes data samples recorded between times 35 and 50. The two data samples 231a and 231b fall within both time intervals. 235a and 235b.

En el ejemplo ilustrado, cada muestra de datos en un intervalo dado de tiempo es ponderada en proporción a su edad. Eso es, las muestras más antiguas de datos pesan menos (y por lo tanto contribuyen menos a la velocidad media) que las muestras más recientes de datos. Específicamente, el peso de una muestra dada de datos disminuye de manera exponencial con la edad en este ejemplo. Esta función de ponderación en disminución se ilustra mediante dos gráficos de peso 232a y 232b que corresponden a los intervalos de tiempo 235a y 235b, respectivamente. Cada gráfico de peso 232a y 232b traza el tiempo de grabación de las muestras de datos en el eje x (horizontal) frente el peso en el eje y (vertical). Las muestras registradas más tarde en el tiempo (por ejemplo, más cerca del extremo del intervalo de tiempo) pesan más que las muestras registradas antes en el tiempo (por ejemplo, más cerca del principio del intervalo de tiempo). El peso para una muestra dada de datos puede visualizarse dejando caer una línea vertical hacia abajo de la muestra de datos en el gráfico 230 hasta donde se cruza con la curva del gráfico de pesos que corresponde al intervalo de tiempo de interés. Por ejemplo, el gráfico 232a de pesos corresponde al intervalo de tiempo 235a, y de acuerdo con las edades relativas de las muestras de datos 231a (más antigua) y 231b (más reciente), el peso 233a de la muestra 231a de datos es menor que el peso 233b de la muestra 231b de datos . Además, el gráfico 232b de pesos corresponde al intervalo de tiempo 235b, y similarmente puede verse que el peso 234a de la muestra 231a de datos es menor que el peso 234b de la muestra 231b de datos. Además, es evidente que el peso de una muestra dada de dados decae con el tiempo con respecto a intervalos subsiguientes de tiempo. Por ejemplo, el peso 233b, de la muestra 231b de datos en el intervalo de tiempo 235a es mayor que el peso 234b de la misma muestra 231b de datos en el intervalo de tiempo posterior 235b, porque la muestra 231b de datos es relativamente más reciente durante el intervalo de tiempo 235a comparado con el intervalo de tiempo 235b. In the illustrated example, each sample of data in a given interval of time is weighted in proportion to its age. That is, the oldest data samples weigh less (and therefore contribute less to the average speed) than the most recent data samples. Specifically, the weight of a given sample of data decreases exponentially with age in this example. This decreasing weighting function is illustrated by two weight charts 232a and 232b corresponding to time intervals 235a and 235b, respectively. Each weight chart 232a and 232b plots the recording time of the data samples on the x-axis (horizontal) versus the weight on the y-axis (vertical). Samples recorded later in time (for example, closer to the end of the time interval) weigh more than the samples recorded earlier in time (for example, closer to the beginning of the time interval). The weight for a given sample of data can be visualized by dropping a vertical line down the data sample in graph 230 to where it intersects with the curve of the weight graph corresponding to the time interval of interest. For example, the weight chart 232a corresponds to the time interval 235a, and according to the relative ages of the data samples 231a (oldest) and 231b (most recent), the weight 233a of the data sample 231a is smaller than the weight 233b of the sample 231b of data. In addition, the weight chart 232b corresponds to the time interval 235b, and similarly it can be seen that the weight 234a of the data sample 231a is less than the weight 234b of the data sample 231b. Furthermore, it is evident that the weight of a given sample of dice decays over time with respect to subsequent intervals of time. For example, the weight 233b of the data sample 231b in the time interval 235a is greater than the weight 234b of the same data sample 231b in the subsequent time interval 235b, because the data sample 231b is relatively more recent. during the time interval 235a compared to the time interval 235b.

Más formalmente, en una realización, el peso de una muestra de datos registrada en el momento T con respecto a una conclusión de tiempo en el momento T puede expresarse de la siguiente manera: More formally, in one embodiment, the weight of a sample of data recorded at time T with respect to a time conclusion at time T can be expressed as follows:

dónde e es la constante matemática muy conocida y a es un parámetro variable (por ejemplo, 0,2). Dado lo anterior, una velocidad media ponderada para N muestras de datos v0,v1, v2,…, vn, en una conclusión de intervalo de tiempo en el momento T puede expresarse de la siguiente manera, con ti siendo el momento que representa la muestra de datos vi (por ejemplo, el tiempo en que fue registrada): where e is the well-known mathematical constant and a is a variable parameter (for example, 0.2). Given the above, a weighted average velocity for N data samples v0, v1, v2, ..., vn, in a time interval conclusion at time T can be expressed as follows, with you being the moment the sample represents of data I saw (for example, the time it was recorded):

Velocidad media ponderada Weighted average speed

Además, una estimación de error para la velocidad media calculada puede calcularse de la siguiente manera: In addition, an error estimate for the calculated average speed can be calculated as follows:

l l

Estimación de error = N Error Estimate = N

dónde N es el número de muestras de datos yO es la desviación típica de las muestras v0,v1, v2,…, vn de la velocidad media. Similarmente pueden determinarse otras formas de valores de confianza para velocidades medias calculadas o generadas. where N is the number of data samples and O is the standard deviation of the samples v0, v1, v2, ..., vn of the average speed. Similarly, other forms of confidence values can be determined for average calculated or generated speeds.

Como se ha indicado, las muestras de datos pueden ponderarse basándose en otros factores, ya se en vez o además de cuán recientes son las muestras de datos. Por ejemplo, las muestras de datos pueden ser ponderadas con el tiempo como se ha descrito anteriormente pero utilizando diferentes funciones de peso (por ejemplo, que el peso de una muestra de datos disminuya linealmente, en vez de una manera exponencial, con la edad). Además, la ponderación de muestras de datos puede basarse aún más en el número total de muestras de datos en el intervalo de tiempo de interés. Por ejemplo, el parámetro variable a descrito anteriormente puede depender o variar de otro modo basándose en el número total de muestras de datos, de tal manera que números más grandes de muestras de datos tengan como resultado mayores penalizaciones (por ejemplo, pesos menores) para muestras más antiguas de datos, para reflejar el aumento de probabilidad de que habrá más muestras de datos de baja latencia (por ejemplo, más reciente) disponibles con el fin de calcular la velocidad media. Además, las muestras de datos pueden ponderarse basándose en otros factores, incluyendo el tipo de fuente de datos. Por ejemplo, puede darse el caso de que se sepa (por ejemplo, basándose en la información informada de estado) o se espere (por ejemplo, basándose en observaciones históricas) que fuentes particulares de datos (por ejemplo, sensores particulares de tráfico de carretera o todos los sensores de tráfico de una red particular) no sean fiables o sean de otro modo imprecisas. En tales casos, las muestras de datos obtenidas de tales sensores de tráfico de carretera (por ejemplo, tales como la muestra 211a de datos de la Figura 2B) pueden tener menos peso que las muestras de datos obtenidas de fuentes móviles de datos (por ejemplo, la muestra 212a de datos de la Figura 2B). As indicated, data samples can be weighted based on other factors, either instead or in addition to how recent the data samples are. For example, data samples may be weighted over time as described above but using different weight functions (for example, that the weight of a data sample decrease linearly, rather than exponentially, with age) . In addition, the weighting of data samples can be further based on the total number of data samples in the time interval of interest. For example, the variable parameter a described above may depend or vary in another way based on the total number of data samples, such that larger numbers of data samples result in higher penalties (eg, lower weights) for older samples of data, to reflect the increased likelihood that there will be more samples of low-latency (for example, more recent) data available to calculate the average speed. In addition, data samples can be weighted based on other factors, including the type of data source. For example, it may be the case that it is known (for example, based on the informed status information) or expected (for example, based on historical observations) that particular sources of data (for example, particular road traffic sensors) or all traffic sensors on a particular network) are unreliable or otherwise inaccurate. In such cases, data samples obtained from such road traffic sensors (for example, such as data sample 211a of Figure 2B) may have less weight than data samples obtained from mobile data sources (for example , sample 212a of data from Figure 2B).

La figura 2E facilita un ejemplo de realización de la evaluación de flujo de tráfico para segmentos de carretera basándose en muestras de datos, tal como puede incluir el inferir volúmenes, densidades y/o la ocupación de tráfico. En este ejemplo, el volumen de tráfico de un segmento dado de carretera se expresa como un número total de vehículos que fluyen en un intervalo dado de tiempo por el segmento de carretera o un número total de vehículos que llegan al segmento de carretera durante el intervalo de tiempo, la densidad del tráfico de un segmento dado de carretera se expresa como un número total de vehículos por unidad de distancia (por ejemplo, millas o kilómetros), y la ocupación del tráfico se expresa como una cantidad media de tiempo que un segmento particular de carretera o punto del segmento de carretera está ocupado por un vehículo. Figure 2E provides an example of carrying out the traffic flow evaluation for road segments based on data samples, such as including inferring volumes, densities and / or traffic occupancy. In this example, the traffic volume of a given road segment is expressed as a total number of vehicles that flow over a given interval of time through the road segment or a total number of vehicles that reach the road segment during the interval of time, the traffic density of a given road segment is expressed as a total number of vehicles per unit of distance (for example, miles or kilometers), and traffic occupancy is expressed as an average amount of time than a segment Particular road or point of the road segment is occupied by a vehicle.

Dadas varias fuentes móviles distintas de datos observadas desplazándose por un segmento dado de carretera durante un intervalo dado de tiempo, y un porcentaje conocido o esperado de vehículos totales que son fuentes móviles de datos, es posible inferir un volumen total de tráfico -el número total de vehículos (incluyendo los vehículos que no son fuentes móviles de datos) desplazándose por el segmento de carretera durante el intervalo de tiempo. A partir del volumen total inferido de tráfico y evaluando las velocidades medias para vehículos en el segmento de carretera, es posible calcular además la densidad del tráfico así como la ocupación de la carretera. Given several different mobile sources of data observed moving along a given segment of road during a given time interval, and a known or expected percentage of total vehicles that are mobile data sources, it is possible to infer a total volume of traffic - the total number of vehicles (including vehicles that are not mobile sources of data) moving along the road segment during the time interval. From the total inferred traffic volume and evaluating the average speeds for vehicles in the road segment, it is also possible to calculate the traffic density as well as the occupation of the road.

Un enfoque poco sofisticado para estimar el volumen total de tráfico de un segmento particular de carretera durante un intervalo particular de tiempo sería simplemente dividir el número fuentes móviles de muestras de datos para ese intervalo de tiempo por el porcentaje de vehículos verdaderos que se espera que sean fuentes móviles de muestras de datos -de este modo, por ejemplo, si se reciben muestras móviles de datos de 25 fuentes móviles de datos durante el intervalo de tiempo y se espera que el 10% del total de vehículos en el segmento de carretera sean fuentes móviles de muestras de datos, el volumen total estimado serían 250 vehículos verdaderos para la cantidad de tiempo del intervalo de tiempo. Sin embargo, este enfoque puede llevar a una gran variabilidad de las estimaciones de volumen para intervalos de tiempo adyacentes debido a la variabilidad inherente de las tasas de llegada de vehículos, particularmente si el porcentaje esperado de fuentes móviles de muestras de datos es An unsophisticated approach to estimate the total traffic volume of a particular road segment during a particular time interval would be to simply divide the number of mobile sources of data samples for that time interval by the percentage of true vehicles that are expected to be mobile sources of data samples - thus, for example, if mobile data samples are received from 25 mobile data sources during the time interval and 10% of the total vehicles in the road segment are expected to be sources Mobile data samples, the total estimated volume would be 250 true vehicles for the amount of time in the time interval. However, this approach can lead to great variability in volume estimates for adjacent time intervals due to the inherent variability of vehicle arrival rates, particularly if the expected percentage of mobile sources of data samples is

pequeño. Como una alternativa que proporciona un análisis más sofisticado, el volumen total de tráfico de un segmento dado de carretera puede ser inferido de la siguiente manera. Dada una observación de un determinado número de fuentes móviles distintas de datos (por ejemplo, vehículos individuales), n, en un segmento de carretera de longitud l, durante un periodo de tiempo dado 1, puede utilizarse la estadística bayesiana para inferir una tasa media esencial de llegada de fuentes móviles de datos,La llegada de fuentes móviles de datos en el tramo de small. As an alternative that provides a more sophisticated analysis, the total traffic volume of a given road segment can be inferred as follows. Given an observation of a certain number of mobile sources other than data (for example, individual vehicles), n, in a road segment of length l, for a given period of time 1, Bayesian statistics can be used to infer an average rate essential arrival of mobile data sources, The arrival of mobile data sources in the tranche of

A. carretera que corresponde al segmento de carretera puede ser modelada como un proceso aleatorio y discreto en el tiempo, y por lo tanto puede describirse con la estadística de Poisson, de tal manera que: A. Road corresponding to the road segment can be modeled as a random and discrete process over time, and therefore can be described with Poisson statistics, such that:

De la fórmula anterior, puede calcularse la probabilidad de que n fuentes móviles de datos sean observadas, dada una tasa media de llegada A yun número observado de vehículos n. Por ejemplo, suponiendo una tasa media de llegada de A=10 (vehículos/unidad de tiempo) y una observación de n = 5 vehículos. La sustitución produce From the above formula, the probability that n mobile sources of data can be observed can be calculated, given an average arrival rate A and an observed number of vehicles n. For example, assuming an average arrival rate of A = 10 (vehicles / unit of time) and an observation of n = 5 vehicles. The replacement produces

que indica una probabilidad del 3,8% de observar realmente n = 5 vehículos. Similarmente, la probabilidad de observar realmente 10 vehículos que llegan (es decir, n = 10) si la tasa media de llegada es A=10 (vehículos/unidad de tiempo) es aproximadamente el 12,5%. which indicates a 3.8% probability of actually observing n = 5 vehicles. Similarly, the probability of actually observing 10 arriving vehicles (that is, n = 10) if the average arrival rate is A = 10 (vehicles / unit of time) is approximately 12.5%.

La fórmula anterior puede utilizarse conjuntamente con el Teorema de Bayes con el fin de determinar la probabilidad de una tasa de llegada particular A dada una observación de n. Como es sabido, el teorema de Bayes es: The above formula can be used in conjunction with the Bayes Theorem in order to determine the probability of a particular arrival rate A given an observation of n. As is known, Bayes' theorem is:

Por sustitución y eliminación de constante, se puede obtener lo siguiente: By substitution and elimination of constant, the following can be obtained:

A partir de lo anterior, se puede calcular una probabilidad proporcional o relativa de una tasa de llegada A, dada una observación de fuentes móviles n de datos, puede calcularse, proporcionando una distribución de probabilidad acerca de valores posibles de A dados varios valores observados para n. Para un valor particular de n, la distribución de probabilidades en varios valores de la tasa de llegada permite que sea seleccionado un solo valor representativo de la tasa de llegada (por ejemplo, una media o un promedio) y un grado de confianza en ese valor que va a ser evaluado. From the above, a proportional or relative probability of an arrival rate A can be calculated, given an observation of mobile sources n of data, it can be calculated, providing a probability distribution about possible values of A given several observed values for n. For a particular value of n, the distribution of probabilities in several values of the arrival rate allows a single representative value of the arrival rate (for example, an average or an average) and a degree of confidence in that value to be selected That will be evaluated.

Además, dado un porcentaje q conocido de vehículos totales en la carretera que son fuentes móviles de datos, también denominado como el "factor de penetración", el volumen de la tasa de llegada de tráfico total puede calcularse como In addition, given a known percentage of total vehicles on the road that are mobile sources of data, also referred to as the "penetration factor," the volume of the total traffic arrival rate can be calculated as

ATO

Volumen total de tráfico = q Total traffic volume = q

El volumen total de tráfico para un segmento de carretera durante un período de tiempo puede expresarse alternativamente como un número total de vehículos k que fluyen en un tiempo por una longitud l del segmento de carretera. The total volume of traffic for a road segment over a period of time can alternatively be expressed as a total number of vehicles k that flow over time along a length l of the road segment.

La Figura 2E ilustra la distribución de probabilidades de varios volúmenes totales de tráfico dados unos tamaños observados de muestra, dado un factor de penetración de fuentes móviles de datos de ejemplo de q = 0,014 (1,4%). En particular, la Figura 2E representa un gráfico de tres dimensiones 240 que traza el número observado de fuentes móviles (n) de datos en el eje y 241 frente al volumen inferido de tasa de llegada de tráfico en el eje x 242 y frente a la probabilidad de cada valor inferido de volumen de tráfico en el eje z 243. Por ejemplo, el gráfico muestra que dado un número observado de fuentes móviles de datos de n = 0, la probabilidad de que el volumen verdadero de tráfico sea cerca de cero es aproximadamente 0,6 (o 60%), como se ilustra mediante la barra 244a, y la probabilidad de que el volumen verdadero de tráfico sea cercano a 143 vehículos por unidad de tiempo es aproximadamente 0,1, tal como se ilustra mediante la barra 244b. Además, dado un número observado de fuentes móviles de datos de n = 28, la probabilidad de que el volumen verdadero total de tráfico sea cercano a 2143 vehículos por unidad de tiempo (correspondiendo a aproximadamente 30 fuentes móviles de muestras de datos por unidad de tiempo, dado el factor de penetración de ejemplo) es aproximadamente 0,1, como se ilustra con la barra 244c, que parece ser cercano al valor mediano para el volumen total verdadero de tráfico. Figure 2E illustrates the probability distribution of several total traffic volumes given observed sample sizes, given a penetration factor of mobile sources of sample data of q = 0.014 (1.4%). In particular, Figure 2E depicts a three-dimensional graph 240 that plots the observed number of mobile sources (n) of data on the y-axis 241 against the inferred volume of traffic arrival rate on the x 242 axis and against the probability of each inferred traffic volume value on the z-axis 243. For example, the graph shows that given an observed number of mobile data sources of n = 0, the probability that the true traffic volume is near zero is approximately 0.6 (or 60%), as illustrated by bar 244a, and the probability that the true volume of traffic is close to 143 vehicles per unit of time is approximately 0.1, as illustrated by the bar 244b. In addition, given an observed number of mobile data sources of n = 28, the probability that the total true traffic volume is close to 2143 vehicles per unit of time (corresponding to approximately 30 mobile sources of data samples per unit of time , given the example penetration factor) is approximately 0.1, as illustrated by bar 244c, which appears to be close to the median value for the true total traffic volume.

Además, la ocupación y la densidad medias pueden calcularse utilizando el volumen inferido total de tasa de llegada In addition, the average occupancy and density can be calculated using the total inferred volume of arrival rate

5 de tráfico para un segmento dado de carretera (que representa un número vehículos k que llegan durante el tiempo 1 al segmento de carretera), la velocidad media evaluada v y una longitud media d de vehículo, de la siguiente manera: 5 of traffic for a given road segment (representing a number of vehicles k arriving at the road segment during time 1), the average speed evaluated v and an average vehicle length d, as follows:

kVehículos por milla,m = kVehicles per mile, m =

V1 V1

Ocupación = md Occupation = md

Como se ha descrito anteriormente, la velocidad media v de los vehículos en el segmento de carretera puede obtenerse utilizando técnicas de evaluación de velocidad, como las descritas haciendo referencia a la Figura 2D. As described above, the average speed v of the vehicles in the road segment can be obtained using speed evaluation techniques, such as those described with reference to Figure 2D.

Las Figuras 10A-10B ilustran ejemplos de acondicionamiento y rectificación de otro modo de muestras erróneas de datos de sensores de tráfico de carretera, tales como muestras no fiables y muestras perdidas de datos. En particular, la Figura 10A muestra varias lecturas de datos de ejemplo obtenidas de múltiples sensores de tráfico en Figures 10A-10B illustrate examples of conditioning and otherwise rectifying erroneous samples of road traffic sensor data, such as unreliable samples and lost data samples. In particular, Figure 10A shows several sample data readings obtained from multiple traffic sensors in

15 varios veces, organizadas en una tabla 1000. La tabla 1000 incluye múltiples de filas lecturas de datos 1004a-1004y, cada una incluyendo una ID ("identificación") 1002a de sensor de tráfico que identifica de manera única el sensor de tráfico que proporcionó la lectura, un valor 1002b de lectura datos de sensor de tráfico que incluye información de flujo de tráfico informada por el sensor del tráfico, un tiempo de lectura 1002c de datos de sensor de tráfico que refleja el momento en el que fue tomada la lectura de datos por el sensor del tráfico, y un estado 1002d de sensor de tráfico que incluye una indicación del estado funcional del sensor de tráfico. En este ejemplo, sólo se muestra información de velocidad, aunque tipos adicionales de información de flujo de tráfico pueden ser informados por sensores de tráfico (por ejemplo, volumen y ocupación de tráfico), y los valores pueden ser informados en otros formatos. 15 several times, organized in a 1000 table. Table 1000 includes multiple rows of data readings 1004a-1004y, each including a traffic sensor ID ("identification") 1002a that uniquely identifies the traffic sensor that provided the reading, a value 1002b of reading traffic sensor data that includes traffic flow information reported by the traffic sensor, a reading time 1002c of traffic sensor data reflecting the moment in which the reading of data by the traffic sensor, and a 1002d traffic sensor state that includes an indication of the functional status of the traffic sensor. In this example, only speed information is shown, although additional types of traffic flow information can be reported by traffic sensors (eg, volume and traffic occupancy), and the values can be reported in other formats.

En el ejemplo ilustrado, las lecturas 1004a-1004y de datos han sido tomadas por múltiples sensores de tráfico en In the illustrated example, readings 1004a-1004y of data have been taken by multiple traffic sensors in

25 varias veces y registradas como se representa en la tabla 1000. En algunos casos, las lecturas de datos pueden ser tomadas por sensores de tráfico de forma periódica (por ejemplo, cada minuto, cada cinco minutos, etc.) y/o ser informadas por los sensores de tráfico de tal forma periódica. Por ejemplo, el sensor de tráfico 123 toma lecturas de datos cada cinco minutos, como se muestra mediante las lecturas 1004a-1004d y 1004f-1004l de datos que ilustran varias lecturas de datos tomadas por el sensor de tráfico 123 entre las 10:25AM y las 10:40AM en dos días independientes (en este ejemplo, el 13/08/06 y el 14/08/06). 25 several times and recorded as shown in Table 1000. In some cases, data readings can be taken by traffic sensors periodically (for example, every minute, every five minutes, etc.) and / or be informed by traffic sensors periodically. For example, traffic sensor 123 takes data readings every five minutes, as shown by readings 1004a-1004d and 1004f-1004l of data that illustrate various data readings taken by traffic sensor 123 between 10:25 AM and 10:40 AM on two independent days (in this example, 08/13/06 and 08/14/06).

Cada lectura ilustrada 1004a-1004y de datos incluye un valor 1002b de lectura de datos que incluye información de flujo de tráfico observada u obtenida de otro modo por el sensor de datos. Tal información de flujo de tráfico puede incluir la velocidad de uno o más vehículos que se desplazan en, cerca o sobre un sensor de tráfico. Por ejemplo, las lecturas 1004a-1004d de datos muestran que el sensor de tráfico 123 observado, en cuatro momentos diferentes, 35 las velocidades de vehículo de 34 millas por hora (mph), 36 mph, 42 mph, y 38 mph, respectivamente. Además, la información de flujo de tráfico puede incluir sumas totales o en incrementos de vehículos que se desplazan en, cerca Each illustrated reading 1004a-1004y of data includes a value 1002b of data reading that includes traffic flow information observed or otherwise obtained by the data sensor. Such traffic flow information may include the speed of one or more vehicles traveling in, near or on a traffic sensor. For example, data readings 1004a-1004d show that the traffic sensor 123 observed, at four different times, 35 vehicle speeds of 34 miles per hour (mph), 36 mph, 42 mph, and 38 mph, respectively. In addition, traffic flow information may include total sums or in increments of vehicles moving in, near

o sobre un sensor de tráfico, ya sea en vez de o además de la velocidad y/u otra información. Las cuentas totales pueden ser un una cuenta acumulativa de vehículos observados por un sensor de tráfico desde que el sensor fue instalado o fue activado de otro modo. Las cuentas por incrementos pueden ser un una cuenta acumulativa de vehículos observados por un sensor de tráfico desde que el sensor tomó una lectura anterior. Las lecturas 1004w1004x de datos muestran que ese sensor de tráfico 166 contó, en dos momentos diferentes, 316 coches y 389 coches, respectivamente. En algunos casos, las lecturas registradas de datos pueden no incluir valores de lecturas de datos, tal como cuando un sensor dado de tráfico ha experimentado una disfunción de sensor, de tal manera que no puede hacer ni grabar una observación o informar de una observación (por ejemplo, debido a un fallo de la red). or on a traffic sensor, either instead of or in addition to speed and / or other information. The total accounts may be a cumulative account of vehicles observed by a traffic sensor since the sensor was installed or otherwise activated. The increment accounts may be a cumulative account of vehicles observed by a traffic sensor since the sensor took a previous reading. The 1004w1004x data readings show that that traffic sensor 166 counted, at two different times, 316 cars and 389 cars, respectively. In some cases, the recorded data readings may not include values of data readings, such as when a given traffic sensor has experienced a sensor dysfunction, such that it cannot make or record an observation or report an observation ( for example, due to a network failure).

45 Por ejemplo, la lectura 1004k de datos muestra que el sensor de tráfico 129 no era capaz de proporcionar un valor a las 10:25AM de lectura de datos en el día de 13/08/06, como se indica mediante un "-" en la columna 1002b de valores de lectura de datos. 45 For example, reading 1004k of data shows that traffic sensor 129 was not able to provide a value at 10:25 AM of data reading on the day of 08/13/06, as indicated by a "-" in column 1002b of data read values.

Además, un estado 1002d de sensor de tráfico puede asociarse con por lo menos algunas lecturas de datos, como si un sensor de tráfico y/o red de comunicaciones correspondiente proporcionara una indicación del estado funcional del sensor de tráfico. Los estados funcionales pueden incluir indicaciones de que un sensor funciona correctamente (por ejemplo, OK), que un sensor está en un estado apagado (por ejemplo APAGADO), que un sensor está atascado informando de un valor único (por ejemplo, ATASCADO), y/o que un enlace de comunicaciones con la red está caído (por ejemplo, COM_ABAJO), como se ilustra en las lecturas 1004m, 1004k, 1004o y 1004s de datos, respectivamente. En otros casos, puede proporcionarse información adicional y/o diferente relacionada con el estado In addition, a traffic sensor state 1002d may be associated with at least some data readings, as if a corresponding traffic sensor and / or communications network provided an indication of the functional status of the traffic sensor. Functional states may include indications that a sensor is functioning correctly (for example, OK), that a sensor is in an off state (for example, OFF), that a sensor is stuck reporting a unique value (for example, JAMED), and / or that a communication link with the network is down (for example, COM_DOWN), as illustrated in readings 1004m, 1004k, 1004o and 1004s of data, respectively. In other cases, additional and / or different information related to the state may be provided.

55 funcional de un sensor de tráfico, o tal información de estado funcional puede no estar disponible. Otros sensores de tráfico, tal como los sensores de tráfico 123 y 166 en este ejemplo, no se configuran para proporcionar indicaciones de estado de sensor de tráfico, como se indica mediante un "-" en la columna 1002d de estado de sensor de tráfico. 55 of a traffic sensor, or such functional status information may not be available. Other traffic sensors, such as traffic sensors 123 and 166 in this example, are not configured to provide traffic sensor status indications, as indicated by a "-" in column 1002d of traffic sensor status.

Las filas 1004e, 1004j, 1004n, 1004q, 1004v, y 1004y y la columna 1002e indican que pueden grabarse lecturas adicionales de datos de sensor de tráfico en algunos casos y/o que puede proporcionarse información adicional y/o grabarse como parte de cada lectura de datos. Igualmente, puede utilizarse menos información que la mostrada como una base para las técnicas descritas en esta memoria. Rows 1004e, 1004j, 1004n, 1004q, 1004v, and 1004y and column 1002e indicate that additional readings of traffic sensor data may be recorded in some cases and / or that additional information may be provided and / or recorded as part of each reading of data. Likewise, less information than that shown as a basis for the techniques described herein can be used.

La Figura 10B ilustra ejemplos de errores de detección en lecturas de datos de sensor de tráfico que pueden ser indicativos de sensores poco sanos de tráfico que funcionan incorrectamente. En particular, como muchos sensores de tráfico no pueden proporcionar una indicación del estado del sensor de tráfico, y como en algunos casos tales indicaciones de estado de sensor de tráfico pueden no ser fiables (por ejemplo, indicando que un sensor no funciona correctamente cuando de hecho sí lo hace, o indicando que un sensor funciona correctamente cuando de hecho no lo hace), puede ser deseable utilizar técnicas estadística y/o de otro tipo para detectar sensores de tráfico poco sanos basándose en los datos informados de lecturas de valores. Figure 10B illustrates examples of detection errors in traffic sensor data readings that may be indicative of poorly functioning traffic sensors. In particular, as many traffic sensors cannot provide an indication of the traffic sensor status, and as in some cases such traffic sensor status indications may not be reliable (for example, indicating that a sensor does not function properly when In fact it does, or indicating that a sensor works correctly when in fact it does not), it may be desirable to use statistical and / or other techniques to detect unhealthy traffic sensors based on the data reported from value readings.

Por ejemplo, un sensor poco sano de tráfico puede detectarse comparando una distribución actual de lecturas de datos informados por un sensor dado de tráfico durante un período de tiempo (por ejemplo, entre las 4:00PM y las 7:29PM) en un día particular con una distribución histórica de lecturas de datos informados por el sensor de tráfico durante el mismo período de tiempo en múltiples días pasados (por ejemplo, los pasados 120 días). Tales distribuidores pueden generarse, por ejemplo, procesando múltiples lecturas de datos obtenidas de un sensor de tráfico, como los mostrados en la Figura 10A. For example, an unhealthy traffic sensor can be detected by comparing a current distribution of data readings reported by a given traffic sensor over a period of time (for example, between 4:00 PM and 7:29 PM) on a particular day. with a historical distribution of data readings reported by the traffic sensor over the same period of time in multiple past days (for example, after 120 days). Such distributors can be generated, for example, by processing multiple readings of data obtained from a traffic sensor, such as those shown in Figure 10A.

La Figura 10B muestra tres histogramas 1020, 1030 y 1040 cada uno representa una distribución de lecturas de datos basada en lecturas de datos obtenidas del sensor 123 de tráfico durante un período de tiempo de interés. Los datos representados en los histogramas 1020, 1030 y 1040 están separados en 5 intervalos de milla por hora (por ejemplo, de 0 a 4 millas por hora, de 5 a 9 millas por hora, de 10 a 14 millas por hora, etc.) y están normalizados, de tal manera que cada barra (por ejemplo, la barra 1024) representa una probabilidad entre 0 y 1 de que las velocidades de vehículo dentro del abanico de 5 millas por hora para esa barra ocurrieron durante el período de tiempo (por ejemplo, basándose en un porcentaje de lecturas de datos durante el período de tiempo que se encuentra dentro del cubo). Por ejemplo, la barra 1024 indica que las velocidades de vehículo entre 50 y 54 millas por hora fueron observadas por el sensor de tráfico 123 con una probabilidad de aproximadamente 0,23, tal como basado en aproximadamente el 23% de las lecturas de datos obtenidas del sensor del tráfico 123 que había informado de las velocidades entre 50 y 54 millas por hora, inclusive. En otros casos, pueden utilizarse uno o más otros tamaños de abanico, ya sea además de o en vez de un abanico de 5 mph. Por ejemplo, un abanico de 1 mph puede proporcionar un nivel de detalle más fino del procesamiento, pero también puede causar una alta variabilidad entre abanicos adyacentes si no hay disponibles suficientes lecturas de datos para el período de tiempo, mientras que un abanico de 10 mph proporcionaría menos variabilidad pero también menos detalle. Aún más, si bien el ejemplo actual usa la velocidad media como la medida para el análisis y la comparación de lecturas de datos, pueden utilizarse una o más de otras medidas, ya sea en vez de o además de la velocidad media. Por ejemplo, se manera similar se puede utilizar el volumen y/o la ocupación de tráfico. Figure 10B shows three histograms 1020, 1030 and 1040 each representing a distribution of data readings based on data readings obtained from the traffic sensor 123 over a period of time of interest. The data represented in histograms 1020, 1030 and 1040 are separated into 5 mile intervals per hour (for example, 0 to 4 miles per hour, 5 to 9 miles per hour, 10 to 14 miles per hour, etc. ) and are standardized, so that each bar (for example, bar 1024) represents a probability between 0 and 1 that the vehicle speeds within the range of 5 miles per hour for that bar occurred during the period of time ( for example, based on a percentage of data readings during the period of time inside the cube). For example, bar 1024 indicates that vehicle speeds between 50 and 54 miles per hour were observed by traffic sensor 123 with a probability of approximately 0.23, such as based on approximately 23% of the data readings obtained of the 123 traffic sensor that had reported speeds between 50 and 54 miles per hour, inclusive. In other cases, one or more other fan sizes may be used, either in addition to or instead of a 5 mph fan. For example, a 1 mph fan can provide a finer level of processing detail, but it can also cause high variability between adjacent fans if not enough data readings are available for the period of time, while a 10 mph fan It would provide less variability but also less detail. Moreover, while the current example uses the average speed as the measure for the analysis and comparison of data readings, one or more other measurements can be used, either instead of or in addition to the average speed. For example, it is similar way you can use the volume and / or traffic occupancy.

En este ejemplo, el histograma 1020 representa una distribución histórica de lecturas de datos tomadas por el sensor de tráfico 123 entre las 9:00AM y las 12:29PM los lunes durante los últimos 120 días. El histograma 1030 representa una distribución de lecturas de datos tomadas por el sensor 123 entre las 9:00AM y las 12:29 en un lunes particular cuando el sensor de tráfico 123 funcionaba correctamente. Puede discernirse visiblemente que la forma del histograma 1030 se parece al histograma 1020, dados esos patrones de tráfico en un lunes particular se esperaría ser similar a los patrones de tráfico de os lunes en general, y el grado de similitud puede calcularse de varias maneras, como se comenta más adelante. El histograma 1040 representa una distribución de lecturas de datos tomadas por el sensor 123 entre las 9:00AM y las 12:29 en un lunes particular cuando el sensor de tráfico 123 no funcionaba correctamente, y en cambio estaba enviando lecturas de datos que no reflejaban el flujo verdadero de tráfico. La forma del histograma 1040 difiere notablemente de la del histograma 1020, como es visiblemente discernible, reflejando las lecturas erróneas de datos informadas por el sensor de tráfico 123. Por ejemplo, un pico grande en la distribución es visible en la barra 1048, que puede ser indicativo de que el sensor 123 estaba atascado durante por lo menos parte del tiempo entre las 9:00AM y las 12:30PM e informó de un número substancial de lecturas idénticas que no reflejaban los flujos verdaderos de tráfico. In this example, histogram 1020 represents a historical distribution of data readings taken by traffic sensor 123 between 9:00 AM and 12:29 PM on Mondays during the last 120 days. Histogram 1030 represents a distribution of data readings taken by sensor 123 between 9:00 AM and 12:29 on a particular Monday when traffic sensor 123 was functioning correctly. It can be visibly discerned that the shape of histogram 1030 resembles histogram 1020, given those traffic patterns on a particular Monday would be expected to be similar to traffic patterns on Mondays in general, and the degree of similarity can be calculated in several ways, as discussed below. Histogram 1040 represents a distribution of data readings taken by sensor 123 between 9:00 AM and 12:29 on a particular Monday when traffic sensor 123 was not working properly, and instead was sending data readings that did not reflect The true flow of traffic. The shape of the histogram 1040 differs markedly from that of the histogram 1020, as is visibly discernible, reflecting the erroneous readings of data reported by the traffic sensor 123. For example, a large peak in the distribution is visible in the bar 1048, which may be indicative that the sensor 123 was stuck for at least part of the time between 9:00 AM and 12:30 PM and reported a substantial number of identical readings that did not reflect true traffic flows.

En algunos casos, la divergencia de Kullback-Leibler entre dos distribuciones de datos de sensor de tráfico puede utilizarse para determinar la similitud entre las dos distribuciones, aunque en otras realizaciones las similitudes o diferencias entre distribuciones puedan ser calculadas en otras maneras. La divergencia de Kullback-Leibler es una medida convexa de la similitud de dos distribuciones de probabilidad P y Q. Puede expresarse de la siguiente manera, In some cases, the Kullback-Leibler divergence between two traffic sensor data distributions can be used to determine the similarity between the two distributions, although in other embodiments the similarities or differences between distributions can be calculated in other ways. The Kullback-Leibler divergence is a convex measure of the similarity of two probability distributions P and Q. It can be expressed as follows,

dónde Pi yQi son valores de las distribuciones de probabilidad separadas P y Q (Por ejemplo., cada Pi y Qi es la probabilidad de que se produzcan las velocidades dentro del abanico iésimo). En el ejemplo ilustrado, la divergencia de Kullback-Leibler ("DKL") 1038 entre la distribución de lecturas de datos mostrada en el histograma 1020 y la distribución de lectura de datos mostrada en el histograma 1030 para el sensor sano de tráfico es aproximadamente 0,076, mientras que la divergencia de Kullback-Leibler 1046 entre la distribución de lecturas de datos mostrada en el histograma 1020 y la distribución de lecturas de datos mostrada en el histograma 1040 para el sensor poco sano de tráfico es aproximadamente 0,568. Como se podría esperar, la DKL 1036 es significativamente más pequeño que la DKL 1046 (en este caso, aproximadamente el 13% de la DKL 1046), reflejando el hecho de que el histograma 1030 (por ejemplo, representando la salida del sensor de tráfico 123 mientras funcionaba apropiadamente) es más similar al histograma 1020 (por ejemplo, representando el comportamiento medio del sensor de tráfico 123) que el histograma 1040 (por ejemplo, representando el tráfico sensor 123 mientras fallaba) es similar al histograma 1020. where Pi and Qi are values of the separate probability distributions P and Q (For example, each Pi and Qi is the probability that velocities occur within the ith range). In the illustrated example, the Kullback-Leibler ("DKL") 1038 divergence between the distribution of data readings shown in histogram 1020 and the distribution of data reading shown in histogram 1030 for the sound traffic sensor is approximately 0.076 , while the Kullback-Leibler 1046 divergence between the distribution of data readings shown in histogram 1020 and the distribution of data readings shown in histogram 1040 for the unhealthy traffic sensor is approximately 0.568. As you might expect, the DKL 1036 is significantly smaller than the DKL 1046 (in this case, approximately 13% of the DKL 1046), reflecting the fact that the histogram 1030 (for example, representing the output of the traffic sensor 123 while operating properly) is more similar to histogram 1020 (for example, representing the average behavior of traffic sensor 123) than histogram 1040 (for example, representing sensor traffic 123 while failing) is similar to histogram 1020.

Además, algunos casos pueden utilizar otras medidas estadísticas para detectar lecturas erróneas de datos proporcionadas por sensores de tráfico, tal como entropía estadística de información, ya sea en vez de o además de una medida de similitud como la divergencia de Kullback-Leibler. La entropía estadística de una distribución de probabilidad es una medida de la diversidad de la distribución de probabilidad. La entropía estadística de una distribución de probabilidad P puede expresarse de la siguiente manera, In addition, some cases may use other statistical measures to detect erroneous readings of data provided by traffic sensors, such as statistical information entropy, either instead of or in addition to a similarity measure such as the Kullback-Leibler divergence. The statistical entropy of a probability distribution is a measure of the diversity of the probability distribution. The statistical entropy of a probability distribution P can be expressed as follows,

dónde Pi es un valor de las distribuciones de probabilidad separadas P (Por ejemplo, cada Pi es la probabilidad de que se produzcan las velocidades dentro del abanico iésimo del histograma para P). En el ejemplo ilustrado, la entropía estadística 1022 de la distribución mostrada en el histograma 1020 es aproximadamente 2,17, la entropía estadística 1032 de la distribución mostrada en el histograma 1030 es aproximadamente 2,14 y la entropía estadística 1042 de la distribución mostrada en el histograma 1040 es aproximadamente 2,22. Tal y como se podría esperar, la entropía estadística 1042 es mayor que la entropía estadística 1032 y que la entropía estadística 1022, reflejando el patrón de salida más caótico exhibido por sensor de tráfico 123 mientras fallaba. where Pi is a value of the separate probability distributions P (For example, each Pi is the probability that velocities occur within the ith range of the histogram for P). In the illustrated example, the statistical entropy 1022 of the distribution shown in histogram 1020 is approximately 2.17, the statistical entropy 1032 of the distribution shown in histogram 1030 is approximately 2.14 and the statistical entropy 1042 of the distribution shown in histogram 1040 is approximately 2.22. As you might expect, statistical entropy 1042 is greater than statistical entropy 1032 and that statistical entropy 1022, reflecting the more chaotic exit pattern exhibited by traffic sensor 123 while failing.

Además, la diferencia entre dos medidas de entropía estadística puede ser medida calculando la medida de diferencia de entropías. La medida de la diferencia de entropía entre dos distribuciones de probabilidad P y Q puede expresarse como In addition, the difference between two statistical entropy measures can be measured by calculating the entropy difference measure. The measure of the entropy difference between two probability distributions P and Q can be expressed as

donde H (P) y H (Q) son las entropías de las distribuciones de probabilidad P y Q, respectivamente, como se describió anteriormente. En el ejemplo ilustrado, la medición ("EM") 1034 de diferencia de entropía entre la distribución mostrada en el histograma 1020 y la distribución mostrada en el histograma 1030 es aproximadamente 0,0010, y la medición 1044 de diferencia de entropía entre la distribución mostrada en el histograma 1020 y la distribución mostrada en el histograma 1040 es aproximadamente 0,0023. Como se podría esperar, la medida 1044 de diferencia de entropía es significativamente más grande que la medida 1034 de diferencia de entropía (en este caso, más de dos veces mayor), reflejando la mayor diferencia entre la entropía estadística de la distribución mostrada en el histograma 1040 y la entropía estadística de la distribución mostrada en el histograma 1020, comparada a la diferencia entre la entropía estadística de la distribución mostrada en el histograma 1030 y la entropía estadística de la distribución mostrada en el histograma 1020. where H (P) and H (Q) are the entropies of the probability distributions P and Q, respectively, as described above. In the illustrated example, the measurement ("EM") 1034 of difference in entropy between the distribution shown in histogram 1020 and the distribution shown in histogram 1030 is approximately 0.0010, and measurement 1044 of difference in entropy between distribution shown in histogram 1020 and the distribution shown in histogram 1040 is approximately 0.0023. As might be expected, measure 1044 of entropy difference is significantly larger than measure 1034 of entropy difference (in this case, more than twice as large), reflecting the greatest difference between the statistical entropy of the distribution shown in the histogram 1040 and the statistical entropy of the distribution shown in histogram 1020, compared to the difference between the statistical entropy of the distribution shown in histogram 1030 and the statistical entropy of the distribution shown in histogram 1020.

Las medidas estadísticas descritas anteriormente pueden utilizarse de varias maneras para detectar sensores poco sanos de tráfico. En algunos casos, diversa información acerca de una distribución actual de lecturas de datos es proporcionada como entrada a un clasificador de salud de sensor (o fiabilidad de lectura de datos), tal como basándose en una red neurálgica, clasificador bayesiano, árbol de decisión, etc. Por ejemplo, la información de entrada al clasificador puede incluir, por ejemplo, la divergencia de Kullback-Leibler entre una distribución de lecturas de datos históricos para el sensor de tráfico y la distribución de lectura de datos actuales para el sensor de tráfico, y la entropía estadística de la distribución de lecturas de datos actuales. El clasificador entonces evalúa la salud del sensor de tráfico basándose en las entradas proporcionadas, y proporciona una salida que indica un sensor sano o poco sano. En algunos casos, también se puede proporcionar información adicional como entrada al clasificador, tal como una indicación de la hora de día (por ejemplo, un período de tiempo de 5:00AM a 9:00AM), día The statistical measures described above can be used in several ways to detect unhealthy traffic sensors. In some cases, various information about a current distribution of data readings is provided as input to a sensor health classifier (or data reading reliability), such as based on a neuralgic network, Bayesian classifier, decision tree, etc. For example, the input information to the classifier may include, for example, the Kullback-Leibler divergence between a distribution of historical data readings for the traffic sensor and the distribution of current data reading for the traffic sensor, and the Statistical entropy of the distribution of current data readings. The classifier then evaluates the health of the traffic sensor based on the inputs provided, and provides an output that indicates a healthy or unhealthy sensor. In some cases, additional information may also be provided as input to the classifier, such as an indication of the time of day (for example, a period of time from 5:00 AM to 9:00 AM), day

o días de semana (por ejemplo, de lunes a jueves, viernes, sábado o domingo) correspondiendo a la hora del día y/o día de la semana a la que corresponden las distribuciones de lecturas de datos históricos, el tamaño de los abanicos de mph, etc. Los clasificadores pueden ser entrenados utilizando lecturas previas verdaderas de datos, tales como las que incluyen indicaciones de estado de sensor de tráfico, como se ilustra en la Figura 10A. or weekdays (for example, from Monday to Thursday, Friday, Saturday or Sunday) corresponding to the time of day and / or day of the week to which the distributions of historical data readings correspond, the size of the fans of mph, etc. The classifiers can be trained using true previous data readings, such as those that include traffic sensor status indications, as illustrated in Figure 10A.

En otros casos, los sensores poco sanos de tráfico pueden ser identificados sin el uso de un clasificador. Por ejemplo, se puede determinar que un sensor de tráfico está poco sano si una o más medidas estadísticas están por encima de un valor predeterminado de umbral. Por ejemplo, se puede determinar que un sensor de tráfico está poco sano si la divergencia de Kullback-Leibler entre una distribución de lecturas de datos históricos para el sensor de tráfico y una distribución de lecturas de datos actuales para el sensor del tráfico está por encima de un primer valor de umbral, si la entropía estadística de la distribución de lecturas de datos actuales está por encima de un segundo valor de umbral, y/o si la medida de diferencia de entropía entre la distribución de lecturas de datos actuales y la distribución de lecturas de datos históricos está por encima de un tercer umbral. Además, puede utilizarse otra información no estadística, tal como si el sensor de tráfico está informando un estado de sensor que puede ser interpretado como sano o poco sano. In other cases, unhealthy traffic sensors can be identified without the use of a classifier. For example, it can be determined that a traffic sensor is unhealthy if one or more statistical measures are above a predetermined threshold value. For example, it can be determined that a traffic sensor is unhealthy if the Kullback-Leibler divergence between a distribution of historical data readings for the traffic sensor and a distribution of current data readings for the traffic sensor is above of a first threshold value, if the statistical entropy of the distribution of current data readings is above a second threshold value, and / or if the measure of entropy difference between the distribution of current data readings and the distribution of historical data readings is above a third threshold. In addition, other non-statistical information may be used, such as if the traffic sensor is reporting a sensor status that can be interpreted as healthy or unhealthy.

Según se indicó anteriormente, aunque las técnicas anteriores se describen principalmente en el contexto de sensores de tráfico que informan de información de velocidad de vehículo, las mismas técnicas pueden ser utilizadas con respecto a otra información de flujo de tráfico, incluyendo volumen, densidad y la ocupación de tráfico. As indicated above, although the above techniques are described primarily in the context of traffic sensors that report vehicle speed information, the same techniques can be used with respect to other traffic flow information, including volume, density and traffic occupancy

La Figura 3 es un diagrama de bloques que ilustra una realización de un sistema de cálculo 300 que es adecuado para realizar por lo menos algunas de las técnicas descritas, tal como la ejecución de una realización de un sistema Gestor de Muestras de Datos. El sistema de cálculo 300 incluye una unidad de procesamiento central ("CPU") 335, varios componentes de entrada-salida ("E/S") 305, un almacenamiento 340 y una memoria 345, con los componentes de E/S ilustrados incluyendo una pantalla 310, una conexión de red 315, una unidad 320 de medio legible por ordenador y otros dispositivos de E/S 330 (por ejemplo, teclados, ratones u otros dispositivos de señalización, micrófonos, altavoces, etc.). Figure 3 is a block diagram illustrating an embodiment of a calculation system 300 that is suitable for performing at least some of the techniques described, such as the execution of an embodiment of a Data Sample Manager system. The calculation system 300 includes a central processing unit ("CPU") 335, various input-output components ("I / O") 305, a storage 340 and a memory 345, with the illustrated I / O components including a screen 310, a network connection 315, a computer-readable media unit 320 and other I / O devices 330 (eg, keyboards, mice or other signaling devices, microphones, speakers, etc.).

En la realización ilustrada, se ejecutan varios sistemas en la memoria 345 con el fin de realizar por lo menos alguna de las técnicas descritas, incluyendo un sistema 350 Gestor de Muestras de Datos, un sistema 360 Proveedor Predictivo de Información de Tráfico, un sistema 361 Identificador de Carreteras Clave, un sistema 362 Determinante de Segmentos de Carretera, un sistema 363 Proveedor de Información RT y otros sistemas opcionales proporcionados por programas 369, con estos diversos sistemas de ejecución denominados generalmente en esta memoria descriptiva sistemas de información de tráfico. El sistema de cálculo 300 y sus sistemas de ejecución pueden comunicarse con otros sistemas de cálculo a través de una red 380 (por ejemplo, internet, una o más redes de telefonía móviles, etc.), tal como varios dispositivos 382 de cliente, fuentes 384 de datos y/o clientes con base en vehículos, sensores 386 de tráfico de carretera, otras fuentes 388 de datos y sistemas de cálculo 390 de terceros. In the illustrated embodiment, several systems are run in memory 345 in order to perform at least some of the techniques described, including a 350 Data Sample Manager system, a 360 Predictive Traffic Information Provider system, a 361 system Key Road Identifier, a 362 Road Segment Determining system, a 363 RT Information Provider system and other optional systems provided by programs 369, with these various execution systems generally referred to herein as traffic information systems. The calculation system 300 and its execution systems can communicate with other calculation systems through a network 380 (for example, the internet, one or more mobile telephone networks, etc.), such as various client devices 382, sources 384 of data and / or customers based on vehicles, road traffic sensors 386, other data sources 388 and third-party calculation systems 390.

En particular, el sistema 350 Gestor de Muestras de Datos obtiene diversa información con respecto a las condiciones actuales de tráfico y/o datos observados de casos anteriores de varias fuentes, tales como los sensores 386 de tráfico de carretera, las fuentes móviles 384 de datos con base en vehículos y/u otras fuentes móviles o no móviles 388 de datos. El sistema 350 Gestor de Muestras de Datos prepara a continuación los datos obtenidos para el uso por parte de otros componentes y/o sistemas mediante filtrado (por ejemplo, eliminando de la consideración algunas muestras de datos ) y/o acondicionamiento (por ejemplo, corrigiendo errores) de los datos, y luego evalúa las condiciones de tráfico de carretera tal como el flujo y/o la velocidad del tráfico para varios segmentos de carretera utilizando los datos preparados. En esta realización ilustrada, el sistema 350 Gestor de Muestras de Datos incluye un componente 352 Filtrador de Muestras de Datos, un componente 353 Acondicionador de Datos de Sensor, un componente 354 Eliminador de Valores Atípicos de Muestras de Datos, un componente 356 Evaluador de Velocidad de Muestras de Datos; un componente 358 Evaluador de Flujo de Muestras de Datos y un componente opcional 355 Totalizador de Datos de Sensor, con los componentes 352-358 realizando funciones similares a las descritas anteriormente para los componentes correspondientes de la Figura 1 (Tal como el componente 104 Filtrador de Muestras de Datos, el componente 105 Acondicionador de Datos de Sensor, el componente 106 Eliminador de Valores Atípicos de Muestras de Datos, el componente 107 Evaluador de Velocidad de Muestras de Datos, el componente 108 Evaluador de Flujo de Muestras de Datos y el componente opcional 110 Totalizador de Datos de Sensor). Además, en por lo menos algunas realizaciones el sistema Gestor de Muestras de Datos realiza su evaluación de las condiciones de tráfico de carretera substancialmente de manera en tiempo real o cerca de en tiempo real, tal como en de unos minutos tras obtener los datos esenciales (que pueden obtenerse de una manera substancialmente en tiempo real a partir de las fuentes de datos). In particular, the Data Sample Manager system 350 obtains various information regarding current traffic conditions and / or observed data from previous cases from various sources, such as road traffic sensors 386, mobile data sources 384 based on vehicles and / or other mobile or non-mobile data sources 388. The Data Sample Manager 350 system then prepares the data obtained for use by other components and / or systems by filtering (for example, eliminating some data samples from consideration) and / or conditioning (for example, correcting errors) of the data, and then evaluates road traffic conditions such as traffic flow and / or speed for several road segments using the prepared data. In this illustrated embodiment, the Data Sample Manager system 350 includes a component 352 Data Sample Filter, a component 353 Sensor Data Conditioner, a component 354 Atypical Data Sample Eliminator, a component 356 Speed Evaluator of Data Samples; a component 358 Data Sample Flow Evaluator and an optional component 355 Sensor Data Totalizer, with components 352-358 performing functions similar to those described above for the corresponding components of Figure 1 (such as component 104 Filter Filters Data Samples, Component 105 Sensor Data Conditioner, component 106 Outlier of Data Samples, component 107 Data Sample Rate Evaluator, component 108 Data Sample Flow Evaluator and optional component 110 Sensor Data Totalizer). In addition, in at least some embodiments the Data Sample Manager system performs its evaluation of road traffic conditions substantially in real time or near real time, such as in a few minutes after obtaining the essential data ( which can be obtained substantially in real time from the data sources).

Los otros sistemas 360-363 y 369 de información del tráfico y/o los sistemas de cálculo 390 de terceros pueden entonces utilizar los datos proporcionados por el sistema Gestor de Muestras de Datos de varias maneras. Por ejemplo, el sistema 360 Predictivo Proveedor de Información de Tráfico puede obtener (ya sea directa o indirectamente a través de un dispositivo de almacenamiento o base de datos) unos datos preparados para generar futuras predicciones de condiciones de tráfico para múltiples momentos futuros, y proporcionar la información predicha a otros uno o más recipientes, tal como otros uno o más sistemas de información de tráfico, dispositivos 382 de cliente, clientes 384 con base en vehículo y/o sistemas de cálculo 390 de terceros . Además, el sistema 363 Proveedor de Información RT puede obtener información acerca de las condiciones evaluadas de tráfico de carretera del sistema Gestor de Muestras de Datos y pone disponible la información de condiciones de tráfico de carretera para otros (por ejemplo, dispositivos 382 de clientes, clientes 384 con base en vehículos y/o sistemas de cálculo 390 de terceros) de una manera en tiempo real o cercana a en tiempo real -cuando el sistema Gestor de Muestras de Datos también realiza su evaluación de tal manera en tiempo real o cercana a en tiempo real, los recipientes de los datos del sistema Proveedor de Información RT pueden ser capaces de ver y utilizar la información acerca de las condiciones actuales de tráfico en uno o más segmentos de carretera basándose en el desplazamiento verdadero contemporáneo de vehículos en esos segmentos de carretera (según es informado por fuentes móviles de datos que se desplazan por esos segmentos de carretera y/o por sensores y otras fuentes de datos que proporcionan información acerca del desplazamiento verdadero de vehículos en esos segmentos de carretera). The other 360-363 and 369 traffic information systems and / or third-party calculation systems 390 may then use the data provided by the Data Sample Manager system in several ways. For example, the Predictive 360 Traffic Information Provider system can obtain (either directly or indirectly through a storage device or database) some data prepared to generate future traffic conditions predictions for multiple future moments, and provide the information predicted to one or more other recipients, such as other one or more traffic information systems, customer devices 382, vehicle-based customers 384 and / or third-party calculation systems 390. In addition, the 363 RT Information Provider system can obtain information about the evaluated road traffic conditions of the Data Sample Manager system and makes the road traffic conditions information available to others (e.g. customer devices 382, customers 384 based on third-party vehicles and / or calculation systems 390) in a real-time or near real-time manner - when the Data Sample Manager system also performs its evaluation in such a way in real time or close to in real time, recipients of data from the RT Information Provider system may be able to view and use information about current traffic conditions in one or more road segments based on the actual contemporary displacement of vehicles in those vehicle segments. road (as reported by mobile sources of data that move through those road segments and / or by sen sores and other data sources that provide information about the true displacement of vehicles in those road segments).

Los dispositivos 382 de cliente pueden adoptar varias formas y pueden incluir generalmente cualquier dispositivo de comunicación y otros dispositivos de cálculo capaces de hacer peticiones a y/o recibir información de los sistemas de información de tráfico. A veces, los dispositivos de cliente pueden ejecutar aplicaciones interactivas de consola (por ejemplo, navegadores de internet) que los usuarios pueden utilizar para hacer peticiones de información relacionada con el tráfico (por ejemplo, información predicha de futuras condiciones de tráfico, información de condiciones actuales tráfico en tiempo real o cercana a en tiempo real, etc.), mientras que en otros casos por lo menos alguna información relacionada con el tráfico puede ser enviada automáticamente a los dispositivos de cliente (por ejemplo, como mensajes de texto, nuevas páginas web, actualizaciones de datos de programas especializados, etc.) de uno o más de los sistemas de información de tráfico. Client devices 382 may take various forms and may generally include any communication device and other calculation devices capable of making requests to and / or receiving information from traffic information systems. Sometimes, client devices can run interactive console applications (for example, internet browsers) that users can use to make requests for traffic-related information (for example, predicted information of future traffic conditions, condition information current traffic in real time or near real time, etc.), while in other cases at least some traffic related information can be automatically sent to client devices (for example, as text messages, new pages web, data updates of specialized programs, etc.) of one or more of the traffic information systems.

Los sensores 386 de tráfico de carretera incluyen múltiples sensores que se instalan en, o cerca de, varias calles, autovías u otras carreteras, tal como para una o más zonas geográficas. Estos sensores pueden incluir sensores de lazo que son capaces de medir el número de vehículos que pasan por encima del sensor por unidad de tiempo, la velocidad del vehículo y/u otros datos relacionados con el flujo de tráfico. Además, tales sensores pueden incluir cámaras, sensores de movimiento, dispositivos de localización por radar, dispositivos basados en RFID y otros tipos de sensores que se sitúan adyacentes a, o de otro modo cerca de, una carretera. Los sensores 386 de tráfico de carretera pueden proporcionar de forma periódica o continua lecturas medidas de datos a través de enlaces de datos con cables o inalámbricos al sistema 350 Gestor de Muestras de Datos a través de la red 380 utilizando uno o más mecanismos de intercambio de datos (por ejemplo, empuje (push), tirón (pull), sondeo (polling), peticiónrespuesta, entre iguales (peer to peer), etc.). Además, si bien no se ilustra en esta memoria, uno o más totalizadores de tal información de sensor de tráfico de carretera (por ejemplo, un organismo de transporte gubernamental que maneja los sensores) puede obtener en su lugar los datos sin procesar y hacer que los datos estén disponibles para los sistemas de información de tráfico (ya sea en forma sin procesar o después de que sea procesada). Road traffic sensors 386 include multiple sensors that are installed in, or near, several streets, highways, or other roads, such as for one or more geographic areas. These sensors may include loop sensors that are capable of measuring the number of vehicles that pass over the sensor per unit of time, vehicle speed and / or other data related to traffic flow. In addition, such sensors may include cameras, motion sensors, radar tracking devices, RFID-based devices and other types of sensors that are adjacent to, or otherwise near, a road. Road traffic sensors 386 may periodically or continuously provide measured data readings through wired or wireless data links to the Data Sampler System 350 via network 380 using one or more exchange mechanisms. data (for example, push (push), pull (pull), polling, polling, peer-to-peer, etc.). In addition, while this memory is not illustrated, one or more totalizers of such road traffic sensor information (for example, a government transport agency that handles the sensors) can instead obtain the raw data and make The data is available for traffic information systems (either in unprocessed form or after it is processed).

Las otras fuentes 388 de datos incluyen una diversidad de tipos de otras fuentes de datos que pueden ser utilizadas por uno o por más de los sistemas de información de tráfico para proporcionar información relacionada con el tráfico a los usuarios, los clientes y/o otros sistemas de cálculo. Tales fuentes de datos pueden incluir servicios de mapas y/o bases de datos que proporcionan información con respecto a redes de carreteras tales como la conectividad entre carreteras así como información de control de tráfico relacionada con tales carreteras (por ejemplo, la existencia y/o la posición de señales de control de tráfico y/o zonas de velocidad). Otras fuentes de datos también pueden incluir fuentes de información acerca de acontecimientos y/o condiciones que impactan en y/o reflejan las condiciones de tráfico, tal como pronósticos del clima a corto plazo y a largo plazo, horarios y/o calendarios de escuelas, horarios y/o calendarios de acontecimientos, informes de incidentes de tráfico proporcionados por operarios humanos (por ejemplo, primeros auxilios, personal de aplicación de la ley, personal de autovías, medios de noticias, viajeros, etc.), información de obras en carretera, horarios de vacaciones, etc. The other data sources 388 include a variety of types of other data sources that can be used by one or more of the traffic information systems to provide traffic-related information to users, customers and / or other systems. Calculation Such data sources may include map and / or database services that provide information regarding road networks such as road connectivity as well as traffic control information related to such roads (for example, the existence and / or the position of traffic control signals and / or speed zones). Other sources of data may also include sources of information about events and / or conditions that impact and / or reflect traffic conditions, such as short-term and long-term weather forecasts, schedules and / or school calendars, schedules and / or event calendars, reports of traffic incidents provided by human operators (for example, first aid, law enforcement personnel, highway staff, news media, travelers, etc.), road works information, holiday schedules, etc.

Las fuentes 384 clientes/datos con base en vehículos en este ejemplo pueden cada una ser un sistema de cálculo y/o sistema de comunicación situado dentro de un vehículo que proporciona datos a uno o a más sistemas de información de tráfico y/o que recibe datos de uno o más de esos sistemas. En algunos casos, el sistema 350 Gestor de Muestras de Datos puede utilizar una red distribuida de fuentes móviles de datos con base en vehículo y/u otras fuentes móviles de datos con base en usuario (no se muestran) que proporcionan información relacionada con las condiciones actuales de tráfico para el uso por parte de los sistemas de información de tráfico. Por ejemplo, cada vehículo u otra fuente móvil de datos puede tener un dispositivo GPS ("Sistema de Localización Global") (por ejemplo, un teléfono móvil con capacidades GPS, un dispositivo GPS autónomo, etc.) y/u otro dispositivo de localización geográfica capaz de determinar la posición geográfica y posiblemente otra información tal como la velocidad, la dirección, la altura y/u otros datos relacionados con el desplazamiento del vehículo, con los dispositivos de localización geográfica u otros dispositivos distintos de comunicación obteniendo y proporcionando tales datos para uno o más de los sistemas de información de tráfico (por ejemplo, mediante de una conexión inalámbrica) de vez en cuando. Tales fuentes móviles de datos se comentan con mayor detalle en otra parte. The vehicle-based sources 384 customers / data in this example may each be a calculation system and / or communication system located within a vehicle that provides data to one or more traffic information systems and / or that receives data of one or more of those systems. In some cases, the Data Sample Manager system 350 may use a distributed network of mobile data sources based on vehicle and / or other mobile data sources based on user (not shown) that provide information related to the conditions Current traffic for use by traffic information systems. For example, each vehicle or other mobile data source may have a GPS device ("Global Location System") (for example, a mobile phone with GPS capabilities, a stand-alone GPS device, etc.) and / or another tracking device Geographic capable of determining the geographical position and possibly other information such as speed, direction, height and / or other data related to the movement of the vehicle, with geographical location devices or other communication devices obtaining and providing such data for one or more of the traffic information systems (for example, via a wireless connection) from time to time. Such mobile sources of data are discussed in more detail elsewhere.

Como alternativa, cada una de algunas o todas las fuentes 384 de clientes/datos con base en vehículos puede tener un sistema de cálculo y/o sistema de comunicación situado dentro de un vehículo para obtener información de uno o más de los sistemas de información de tráfico, tal como para el uso por parte de un ocupante del vehículo. Por ejemplo, el vehículo puede contener un sistema de navegación en la consola con un navegador de Internet instalado u otra aplicación de consola que un usuario puede utilizar para hacer peticiones de información relacionada con el tráfico a través de una conexión inalámbrica de uno de los sistemas de información de tráfico, tal como el sistema Predictivo Proveedor de Información de Tráfico y/o sistema Proveedor de Información RT, o en su lugar tales peticiones pueden hacerse desde un dispositivo portátil de un usuario en el Vehículo. Además, uno o más de los sistemas de información de tráfico puede transmitir automáticamente información relacionada con el tráfico al dispositivo del cliente con base en vehículo basándose en la recepción o la generación de información actualizada. Alternatively, each of some or all of the vehicle-based customer / data sources 384 may have a calculation system and / or communication system located within a vehicle to obtain information from one or more of the information systems of traffic, such as for use by a vehicle occupant. For example, the vehicle may contain a navigation system in the console with an Internet browser installed or another console application that a user can use to make requests for traffic-related information through a wireless connection of one of the systems of traffic information, such as the Predictive Traffic Information Provider system and / or RT Information Provider system, or instead such requests can be made from a user's portable device in the Vehicle. In addition, one or more of the traffic information systems can automatically transmit traffic-related information to the vehicle-based customer device based on reception or generation of updated information.

Los sistemas de cálculo 390 de terceros incluyen uno o más sistemas opcionales de cálculo que son manejados por otras partes distintas a los operarios de los sistemas de información de tráfico, tal como las partes que reciben los datos relacionados con el tráfico de uno o más de los sistemas de información de tráfico y que utilizan los datos de alguna manera. Por ejemplo, los sistemas de cálculo 390 de terceros pueden ser sistemas que reciben información de tráfico de uno o más de los sistemas de información de tráfico, y que proporcionan información relacionada (ya sea la información recibida u otra información basada en la información recibida) para usuarios u otros (por ejemplo, a través de servicios de suscripción o portales web). Como alternativa, los sistemas de cálculo 390 de terceros pueden ser manejados por otros tipos de partes, tales como organizaciones de medios que reúnen e informan de las condiciones del tráfico a sus consumidores, o compañías de mapas en línea que proporcionan información relacionada con el tráfico a sus usuarios como parte de unos servicios de planificación de viajes. Third-party calculation systems 390 include one or more optional calculation systems that are handled by parties other than the operators of traffic information systems, such as the parties receiving traffic-related data from one or more of traffic information systems and they use the data in some way. For example, third-party calculation systems 390 may be systems that receive traffic information from one or more of the traffic information systems, and that provide related information (either the information received or other information based on the information received) for users or others (for example, through subscription services or web portals). Alternatively, third-party calculation systems 390 may be managed by other types of parties, such as media organizations that gather and report traffic conditions to their consumers, or online map companies that provide traffic-related information. to its users as part of travel planning services.

Según se indicó anteriormente, el sistema 360 Predictivo Proveedor de Información de Tráfico puede utilizar los datos preparados por el sistema 350 Gestor de Muestras de Datos y otros componentes para generar futuras predicciones de condiciones de tráfico para futuros múltiples momentos. En algunos casos, las predicciones son generadas utilizando técnicas de probabilidad que incorporan varios tipos de datos de entrada para producir repetidas veces futuras predicciones en series cronológicas para cada uno de numerosos segmentos de carretera, tal como de una manera en tiempo real basada en condiciones actuales cambiantes para una red de carreteras en una zona geográfica dada. Además, uno o más modelos predictivos bayesianos u otros (por ejemplo, árboles de decisión) puede crearse automáticamente para el uso en la generación de las futuras predicciones de condiciones de tráfico para cada zona geográfica de interés, tal como basadas en condiciones históricas observadas de tráfico para esas zonas geográficas. La futura información predicha de condiciones de tráfico puede utilizarse de diversas maneras para ayudar con fines de desplazamiento u otros fines, como planear rutas óptimas por una red de carreteras basándose en predicciones acerca de condiciones de tráfico para las carreteras en múltiples momentos futuros. As indicated above, the Predictive 360 Traffic Information Provider system can use the data prepared by the 350 Data Sample Manager system and other components to generate future traffic conditions predictions for future multiple moments. In some cases, the predictions are generated using probability techniques that incorporate various types of input data to repeatedly produce future predictions in chronological series for each of numerous road segments, such as in a real-time manner based on current conditions. changers for a road network in a given geographical area. In addition, one or more Bayesian or other predictive models (for example, decision trees) can be automatically created for use in generating future traffic conditions predictions for each geographic area of interest, such as based on observed historical conditions of Traffic for those geographical areas. Future predicted traffic conditions information can be used in various ways to help with travel or other purposes, such as planning optimal routes on a road network based on predictions about traffic conditions for roads at multiple future times.

Además, el sistema 362 Determinante de Segmentos de Carretera puede utilizar servicios de mapa y/o bases de datos que proporcionan información con respecto a redes de carreteras en una o más zonas geográficas para determinar automáticamente y manejar la información relacionada con las carreteras que puede ser utilizada por otros sistemas de información de tráfico. Tal información relacionada con carreteras puede incluir determinaciones de partes particulares de carreteras para ser tratadas como segmentos de interés de carreteras (por ejemplo, basados en condiciones de tráfico de esas partes de carreteras y otras partes cercanas de carretera), así como asociaciones o relaciones generadas automáticamente entre segmentos en una red dada de carreteras e indicaciones de otra información de interés (por ejemplo, posiciones físicas de sensores de tráfico de carretera, lugares de presentación de acontecimientos y señales geográficas; información acerca de clases funcionales de carreteras y otras características relacionadas con el tráfico; etc.). En algunos casos, el sistema 362 Determinante de Segmentos de Carreteras puede ejecutar periódicamente y almacenar la información que produce en el almacenamiento 340 o en una base de datos (no se muestra) para ser usada por otros sistemas de información de tráfico. In addition, the Road Segment Determinant system 362 may use map services and / or databases that provide information regarding road networks in one or more geographic areas to automatically determine and manage information related to roads that may be used by other traffic information systems. Such road-related information may include determinations of particular parts of roads to be treated as segments of interest of roads (for example, based on traffic conditions of those parts of roads and other nearby road parts), as well as associations or relationships generated automatically between segments in a given road network and indications of other information of interest (for example, physical positions of road traffic sensors, locations of events and geographical signals; information about functional road classes and other characteristics related to traffic; etc.) In some cases, the Road Segment Determinant system 362 may periodically run and store the information it produces in storage 340 or in a database (not shown) for use by other traffic information systems.

Además, el sistema 361 Identificador de Carreteras Clave utiliza una red de carreteras que representa una zona geográfica dada e información de las Condiciones del tráfico para esa zona geográfica para identificar automáticamente las carreteras que son de interés para rastreo y evaluación de condiciones de tráfico de carretera, tal como para ser utilizados por otros sistemas de información de tráfico y/o clientes de datos de tráfico. En algunos casos, la identificación automática de una carretera (o de uno o más segmentos de la carretera) como que es de interés puede basarse por lo menos en parte en factores tales como la magnitud de volumen máximo de tráfico u otro flujo, la magnitud de la congestión máxima de tráfico, la variabilidad entre días del volumen de tráfico u otro flujo, la variabilidad entre días de la congestión para la carretera, la variabilidad entre días del volumen de tráfico u otro flujo y/o la variabilidad entre días de la congestión para la carretera. Tales factores pueden ser analizados mediante, por ejemplo, análisis de componentes principales, tal como calculando primero una matriz S de covarianza de información de condiciones de tráfico para todas las carreteras (o segmentos de carretera) en una zona geográfica dada, y luego calcular una descomposición de Eigen de la matriz S de covarianza. En orden decreciente de Eigenvalor, los Eigenvectores de S representan entonces las combinaciones de carreteras (o segmentos de carretera) que contribuyen independientemente de manera más fuerte a la varianza de las condiciones observadas del tráfico In addition, the 361 Key Road Identifier system uses a road network that represents a given geographical area and traffic conditions information for that geographical area to automatically identify the roads that are of interest for tracking and evaluating road traffic conditions , such as to be used by other traffic information systems and / or traffic data clients. In some cases, the automatic identification of a road (or one or more road segments) as being of interest may be based at least in part on factors such as the magnitude of maximum traffic volume or other flow, the magnitude of maximum traffic congestion, daytime variability of traffic volume or other flow, daytime variability of road congestion, daytime variability of traffic volume or other flow and / or daytime variability of traffic congestion for the road. Such factors can be analyzed by, for example, principal component analysis, such as first calculating a covariance matrix S of traffic conditions information for all roads (or road segments) in a given geographical area, and then calculating a Eigen decomposition of the covariance matrix S. In descending order of Eigenvalue, the Eigenvectors of S then represent the combinations of roads (or road segments) that contribute independently more strongly to the variance of the observed traffic conditions

Además, mediante un sistema Proveedor de Información RT puede proporcionarse un sistema proveedor o presentador de información de tráfico en tiempo real, o en su lugar mediante uno o por más de los otros programas In addition, a real-time traffic information provider or presenter system can be provided through an RT Information Provider system, or instead by one or more of the other programs

369. El sistema proveedor de información puede utilizar datos analizados y proporcionados por el sistema 350 Gestor de Muestras de Datos y/u otros componentes (tal como el sistema 360 Proveedor Predictivo de Información de Tráfico) con el fin de proporcionar servicios de información de tráfico a consumidores y/o entidades de negocio que manejan o utilizan de otro modo dispositivos cliente 382, clientes 384 con base en vehículo, sistemas de cálculo 390 de terceros, etc., tal como proporcionar datos de una manera en tiempo real o cercana a en tiempo real basados por lo menos en parte en muestras de datos obtenidas de vehículos y otras fuentes móviles de datos. 369. The information provider system may use data analyzed and provided by the 350 Data Sample Manager system and / or other components (such as the 360 Predictive Traffic Information Provider system) in order to provide traffic information services to consumers and / or business entities that handle or otherwise use client devices 382, vehicle-based customers 384, third-party calculation systems 390, etc., such as providing data in a real-time manner or close to real time based at least in part on samples of data obtained from vehicles and other mobile data sources.

Se apreciará que los sistemas de cálculo ilustrados son solamente ilustrativos y no están pensados para limitar el alcance de la presente invención. El sistema de cálculo 300 puede conectarse a otros dispositivos que no se ilustran, incluyendo a través de una o más redes tal como internet o a través de la Web. Más generalmente, un sistema o dispositivo de cálculo "cliente" o "servidor", o sistema y/o componente de información de tráfico, puede comprender cualquier combinación de hardware o software que puede interaccionar y realizar los tipos descritos de funcionalidad, incluyendo sin limitación ordenadores de escritorio u otros, servidores de bases de datos, dispositivos de almacenamiento de redes y otros dispositivos de red, PDA, teléfonos móviles, teléfonos inalámbricos, buscapersonas, organizadores electrónicos, aparatos de Internet, sistemas basados en televisión (por ejemplo, utilizando cajas de encima de aparatos y/o grabadoras de vídeo personal/digital), y otros diversos productos de consumidor que incluyen las capacidades apropiadas de intercomunicación. Además, la funcionalidad proporcionada por los componentes ilustrados de sistema puede combinarse en menos componentes o distribuirse en componentes adicionales. Similarmente, puede no proporcionarse la funcionalidad de algunos de los componentes ilustrados y/o puede estar disponible otra funcionalidad adicional. It will be appreciated that the calculation systems illustrated are illustrative only and are not intended to limit the scope of the present invention. The calculation system 300 can be connected to other devices that are not illustrated, including through one or more networks such as the Internet or through the Web. More generally, a "client" or "server" calculation system or device, or system and / or traffic information component, may comprise any combination of hardware or software that can interact and perform the described types of functionality, including without limitation desktop or other computers, database servers, network storage devices and other network devices, PDAs, mobile phones, cordless phones, pagers, electronic organizers, Internet devices, television-based systems (for example, using boxes on top of personal / digital video recorders and devices), and various other consumer products that include the appropriate intercom capabilities. In addition, the functionality provided by the illustrated system components can be combined into fewer components or distributed into additional components. Similarly, the functionality of some of the illustrated components may not be provided and / or other additional functionality may be available.

Además, si bien se ilustran varios elementos como que están almacenados en la memoria o en el almacenamiento mientras se utilizan, estos elementos o partes de ellos pueden ser transferidos entre la memoria y otros dispositivos de almacenamiento para fines de gestión de memoria y/o integridad de datos. Como alternativa, algunos o todos los componentes de software y/o módulos pueden ejecutarse en memoria en otro dispositivo y comunicarse con el sistema ilustrado de cálculo a través de comunicación entre ordenadores. Algunos o todos los componentes de sistema o estructuras de datos también pueden almacenarse (por ejemplo, como instrucciones de software o datos estructurados) en un medio legible por ordenador, tal como un disco duro, una memoria, una red o un artículo portátil de medios para ser leídos por una unidad apropiada o a través de una conexión apropiada. Los componentes de sistema y estructuras de datos también pueden ser transmitidos como señales generadas de datos (por ejemplo, como parte de una onda de portador u otra señal analógica o digital propagada) en una diversidad de medios de transmisión legibles por ordenador, incluyendo medios inalámbricos y con cables, y pueden adoptar diversas formas (por ejemplo, como parte de una señal analógica individual o multiplexada, o como múltiples paquetes o marcos digitales discretos). Tales productos de programa informático también pueden adoptar otras formas. Por consiguiente, la presente invención puede ponerse en práctica con otras configuraciones de sistemas de ordenador. In addition, while various elements are illustrated as being stored in memory or in storage while they are being used, these elements or parts thereof can be transferred between memory and other storage devices for memory management and / or integrity purposes. of data. Alternatively, some or all of the software components and / or modules can be run in memory on another device and communicate with the illustrated calculation system through communication between computers. Some or all of the system components or data structures may also be stored (for example, as software instructions or structured data) on a computer-readable medium, such as a hard disk, a memory, a network or a portable media article to be read by an appropriate unit or through an appropriate connection. System components and data structures can also be transmitted as data generated signals (for example, as part of a carrier wave or other propagated analog or digital signal) on a variety of computer readable transmission media, including wireless media and with cables, and can take various forms (for example, as part of an individual or multiplexed analog signal, or as multiple discrete digital packets or frames). Such software products may also take other forms. Accordingly, the present invention can be practiced with other computer system configurations.

La Figura 4 es un diagrama de flujo de un ejemplo de realización de una rutina 400 de Filtrador de Muestras de Datos relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución de una realización de un componente 352 Filtrador de Muestras de Datos de la Figura 3 y/o el componente 104 Filtrador de Muestras de Datos de la Figura 1, tal como para recibir muestras de datos correspondientes a carreteras en una zona geográfica y para filtrar muestras de datos que no son de interés para las evaluaciones posteriores. Las muestras filtradas de datos pueden ser utilizadas entonces posteriormente de varias maneras, tal como para utilizar las muestras filtradas de datos para calcular velocidades medias para segmentos particulares de carreteras de interés y para calcular otras características relacionadas con el flujo de tráfico para tales segmentos de carretera. Figure 4 is a flow chart of an exemplary embodiment of a Data Sample Filter routine 400 related to the present invention. The routine may be provided, for example, by the execution of an embodiment of a component 352 Data Sample Filter of Figure 3 and / or the component 104 Data Sample Filter of Figure 1, such as to receive samples from data corresponding to roads in a geographical area and to filter samples of data that are not of interest for subsequent evaluations. The filtered data samples can then be used subsequently in several ways, such as to use the filtered data samples to calculate average speeds for particular segments of roads of interest and to calculate other characteristics related to traffic flow for such road segments. .

La rutina empieza en la etapa 405, donde se recibe un grupo de muestras de datos para una zona geográfica para un periodo de tiempo particular. En la etapa 410, la rutina genera entonces opcionalmente información adicional para algunas o todas las muestras de datos basándose en otras muestras relacionadas de datos. Por ejemplo, si una muestra particular de datos para un vehículo u otra fuente móvil de datos carece de información de interés (como la velocidad y/o el rumbo o la orientación para la fuente móvil de datos), tal información puede ser determinada conjuntamente con una o las dos muestras anterior y subsiguiente de datos para la misma fuente móvil de datos. Además, en por lo menos algunas realizaciones la información de múltiples muestras de datos para una fuente móvil particular de datos puede ser totalizada con el fin de evaluar tipos adicionales de información con respecto a la fuente de datos, tal como para evaluar una actividad de la fuente de datos en un periodo de tiempo que se expande por múltiples muestras de datos (por ejemplo, para determinar si un vehículo se ha aparcado durante varios minutos en vez de pararse temporalmente durante un minuto o dos como parte del flujo normal de tráfico, tal como en una señal de stop o luz de detención). The routine begins at step 405, where a group of data samples is received for a geographical area for a particular period of time. In step 410, the routine then optionally generates additional information for some or all data samples based on other related data samples. For example, if a particular sample of data for a vehicle or other mobile data source lacks information of interest (such as speed and / or heading or orientation for the mobile data source), such information can be determined in conjunction with one or both previous and subsequent data samples for the same mobile data source. In addition, in at least some embodiments the information from multiple data samples for a particular mobile data source may be aggregated in order to evaluate additional types of information with respect to the data source, such as to evaluate an activity of the data. data source over a period of time that is expanded by multiple data samples (for example, to determine if a vehicle has been parked for several minutes instead of temporarily stopping for a minute or two as part of the normal traffic flow, such as in a stop sign or stop light).

Después de la etapa 410, la rutina continúa con la etapa 415 para intentar asociar cada muestra de datos con una carretera en la zona geográfica y un segmento particular de carretera de esa carretera, aunque en otras realizaciones esta etapa puede no realizarse o puede realizarse de otras maneras, tal como si por lo menos una asociación inicial de una muestra de datos con una carretera y/o segmento de carretera es recibida en cambio en la etapa 405, o en cambio si se realiza toda la rutina de una sola vez para un único segmento de carretera de tal manera que todas las muestras de datos recibidas en la etapa 405 como un grupo corresponden a un único segmento de carretera. En la realización ilustrada, la asociación de una muestra de datos con una carretera y segmento de carretera puede realizarse de varias maneras, tal como hacer una asociación inicial basada únicamente en una posición geográfica asociada con la muestra de datos (por ejemplo, para asociar la muestra de datos con la carretera y segmento de carretera más cercanos). Además, la asociación puede incluir opcionalmente un análisis adicional para refinar o revisar esa asociación inicial -por ejemplo, si un análisis basado en la posición indica múltiples posibles segmentos de carretera para una muestra de datos (tal como múltiples segmentos de carretera para una carretera particular, o en cambio múltiples segmentos de carretera para carreteras cercanas pero relacionadas de otro modo), tal análisis adicional puede utilizar otra información tal como la velocidad y la orientación para efectuar la asociación (por ejemplo, combinando la información de posición y uno o más de tales factores de una manera ponderada). De este modo, por ejemplo, si la posición informada de una muestra de datos está entre una autopista y una carretera de servicio cercana, la información acerca de la velocidad informada de la muestra de datos puede utilizarse para ayudar a la asociación de la muestra de datos con la carretera apropiada (por ejemplo, determinando que una muestra de datos con una velocidad asociada de 70 millas por hora es improbable que se origine en una carretera de servicio con un límite de velocidad de 25 millas por hora). Además, en situaciones en las que un tramo particular de carretera u otra parte de la carretera está asociado con múltiples segmentos distintos de carretera (por ejemplo, para una carretera de dos carriles en la que el desplazamiento en un sentido está modelado como un primer segmento de carretera y en el que el desplazamiento en el otro sentido está modelado como un segundo segmento distinto de carretera, o en su lugar una autopista de múltiples carriles en la que un carril de VAO se modela como un segmento de carretera independiente de los uno o más carriles adyacentes que no son de VAO), puede utilizarse información adicional acerca de la muestra de datos tal como la velocidad y/o la orientación para seleccionar el segmento de carretera más probable de la carretera para la muestra de datos. After step 410, the routine continues with step 415 to attempt to associate each data sample with a road in the geographical area and a particular road segment of that road, although in other embodiments this stage may not be performed or may be performed in other ways, such as if at least an initial association of a data sample with a road and / or road segment is received instead in step 405, or instead if the entire routine is performed at one time for a single road segment such that all data samples received in step 405 as a group correspond to a single road segment. In the illustrated embodiment, the association of a data sample with a road and road segment can be accomplished in several ways, such as making an initial association based solely on a geographic position associated with the data sample (for example, to associate the sample data with the nearest road and road segment). In addition, the association may optionally include an additional analysis to refine or revise that initial association - for example, if a position-based analysis indicates multiple possible road segments for a sample of data (such as multiple road segments for a particular road , or instead multiple road segments for nearby but otherwise related roads), such additional analysis may use other information such as speed and orientation to effect association (for example, by combining position information and one or more of such factors in a weighted way). Thus, for example, if the informed position of a data sample is between a highway and a nearby service road, information about the reported speed of the data sample can be used to help the association of the data sample. data with the appropriate road (for example, determining that a sample of data with an associated speed of 70 miles per hour is unlikely to originate on a service road with a speed limit of 25 miles per hour). In addition, in situations where a particular section of road or other part of the road is associated with multiple different road segments (for example, for a two-lane road where one-way travel is modeled as a first segment of road and in which the displacement in the other direction is modeled as a second distinct segment of road, or instead a multi-lane highway in which a VAO lane is modeled as a road segment independent of the one or more adjacent lanes that are not VAO), additional information about the data sample such as speed and / or orientation can be used to select the most likely road segment of the road for the data sample.

Después de la etapa 415, la rutina continúa a la etapa 420 para filtrar cualquier muestra de datos que no esté asociada con segmentos de carretera que sea de interés para un posterior procesamiento, incluyendo muestras de datos (si las hay) que no estén asociadas con ningún segmento de carretera. Por ejemplo, determinadas carreteras After step 415, the routine continues to step 420 to filter any data sample that is not associated with road segments that are of interest for further processing, including data samples (if any) that are not associated with No road segment. For example, certain roads

o partes de carreteras pueden no ser de interés para un análisis posterior, tal como excluir carreteras de determinadas clases funcionales de carretera (por ejemplo, si el tamaño de la carretera y/o su cantidad de tráfico no es lo suficientemente grande como para ser de interés), o excluir partes de carreteras tales como una rampa de autopista, carretera secundaria o carretera de distribución, ya que las características del tráfico de tales partes de carretera no son reflejo de la autopista en su conjunto. Similarmente, en situaciones en las que múltiples segmentos de carretera se asocian con una parte particular de la carretera, algunos segmentos de carretera pueden no ser de interés para algunos fines, tal como excluir un carril de VAO para una autopista si solamente solo es de interés el comportamiento de los carriles que no son de VAO para una finalidad particular, o si solamente es de interés un sentido de una carretera de doble sentido. Después de la etapa 420, la rutina continúa a la etapa 425 para determinar si se han de filtrar las muestras de datos basadas en la actividad de las fuentes de datos, aunque en otras realizaciones tal filtrado puede no realizarse o puede realizarse siempre. En la realización ilustrada, si el filtrado se va a realizar basándose en la actividad de fuente, la rutina continúa a la etapa 430 para realizar tal filtrado, tal como eliminar muestras de datos que corresponden a fuentes de datos cuyo comportamiento no refleja la actividad del flujo de tráfico de interés que se va a medir (por ejemplo, para excluir vehículos que están aparcados con sus motores en marcha durante un periodo de tiempo prolongado, para excluir vehículos que se están conduciendo alrededor de un aparcamiento, garaje o en otra pequeña zona durante un espacio de tiempo prolongado, etc.). Después de la etapa 430, o si en cambio se determina en la etapa 425 que no se ha de filtrar basándose en la actividad de la fuente de datos, la rutina continúa a la etapa 490 para almacenar los datos filtrados para un uso posterior, aunque en otras realizaciones los datos filtrados puedan ser proporcionados en cambio directamente a uno o más clientes. La rutina entonces continúa a la etapa 495 para determinar si se continúa. Si ese es el caso, la rutina regresa a la etapa 405, y si no continúa a la etapa 499 y finaliza. or parts of roads may not be of interest for further analysis, such as excluding roads of certain functional road classes (for example, if the size of the road and / or its amount of traffic is not large enough to be of interest), or exclude parts of roads such as a highway ramp, secondary road or distribution road, since the traffic characteristics of such road parts are not a reflection of the highway as a whole. Similarly, in situations where multiple road segments are associated with a particular part of the road, some road segments may not be of interest for some purposes, such as excluding a VAO lane for a highway if it is only of interest only. the behavior of non-VAO lanes for a particular purpose, or if only a sense of a two-way road is of interest. After step 420, the routine continues to step 425 to determine if the data samples are to be filtered based on the activity of the data sources, although in other embodiments such filtering may not be performed or may always be performed. In the illustrated embodiment, if the filtering is to be performed based on the source activity, the routine continues to step 430 to perform such filtering, such as removing data samples that correspond to data sources whose behavior does not reflect the activity of the traffic flow of interest to be measured (for example, to exclude vehicles that are parked with their engines running for a prolonged period of time, to exclude vehicles that are being driven around a parking lot, garage or other small area for a prolonged period of time, etc.). After step 430, or if instead it is determined in step 425 that it is not to be filtered based on the activity of the data source, the routine continues to step 490 to store the filtered data for later use, although In other embodiments, filtered data may instead be provided directly to one or more customers. The routine then continues to step 495 to determine if it is continued. If that is the case, the routine returns to stage 405, and if it does not continue to stage 499 and ends.

La Figura 5 es un diagrama de flujo de un ejemplo de realización de una rutina 500 de Eliminador de Valores Atípicos de Muestras de Datos relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución de una realización de un componente 354 Eliminador de Valores Atípicos de Muestras de Datos de la Figura 3 y/o el componente 106 Eliminador de Valores Atípicos de Muestras de Datos de la Figura 1, tal como para eliminar muestras de datos para un segmento de carretera que son valores atípicos con respecto a las muestras de datos para el segmento de carretera. Figure 5 is a flow chart of an exemplary embodiment of a Data Sample Eliminator routine 500 related to the present invention. The routine can be provided, for example, by the execution of an embodiment of a component 354 Atypical Value Eliminator of Data Samples of Figure 3 and / or the component 106 Atypical Value Eliminator of Data Samples of Figure 1, such as to eliminate data samples for a road segment that are outliers with respect to data samples for the road segment.

La rutina empieza en la etapa 505, donde se recibe un conjunto de muestras de datos para un segmento de carretera y un periodo de tiempo. Las muestras recibidas de datos pueden ser, por ejemplo, muestras filtradas de datos obtenidas de la salida de la rutina de Filtrador de Muestras de Datos. En la etapa 510, la rutina entonces separa opcionalmente las muestras de datos en múltiples grupos para reflejar distintas partes del segmento de carretera y/o comportamientos distintos. Por ejemplo, si se incluyen juntos múltiples carriles de autopista como parte de un único segmento de carretera y los múltiples carriles incluyen por lo menos un carril de VAO y uno o más carriles que no son de VAO, los vehículos en los carriles de VAO pueden ser separados de los vehículos en los otros carriles si el flujo de tráfico durante el período de tiempo es significativamente diferente entre los carriles de VAO y los que no son de VAO. Tal agrupamiento puede realizarse de varias maneras, tal como filtrando las muestras de datos con múltiples curvas que representan cada una la variabilidad normal de muestras de datos dentro de un grupo particular de muestras de datos (por ejemplo, una curva normal o gaussiana). En otras realizaciones, tal agrupamiento puede no ser realizado, tal como si el segmento de carretera se divide en su lugar de tal manera que todas las muestras de datos para el segmento de carretera reflejan un comportamiento similar (por ejemplo, si una autopista con un carril de VAO y otros carriles que no son de VAO se dividen en cambio en múltiples segmentos de carretera). The routine begins at step 505, where a set of data samples is received for a road segment and a period of time. Samples received from data can be, for example, filtered samples of data obtained from the output of the Data Sampler routine. In step 510, the routine then optionally separates the data samples into multiple groups to reflect different parts of the road segment and / or different behaviors. For example, if multiple highway lanes are included together as part of a single road segment and the multiple lanes include at least one VAO lane and one or more non-VAO lanes, vehicles on the VAO lanes may be separated from the vehicles on the other lanes if the traffic flow over the period of time is significantly different between the VAO lanes and non-VAO lanes. Such grouping can be done in several ways, such as filtering the data samples with multiple curves each representing the normal variability of data samples within a particular group of data samples (for example, a normal or Gaussian curve). In other embodiments, such grouping may not be performed, such as if the road segment is divided in place such that all data samples for the road segment reflect similar behavior (for example, if a highway with a VAO lane and other non-VAO lanes are instead divided into multiple road segments).

La rutina continúa luego a la etapa 515, para cada uno del uno o más grupos de muestras de datos (con todas las muestras de datos siendo tratadas como un único grupo si no se realiza la separación de la muestra de datos de la etapa 510), para calcular características medias de condiciones de tráfico para todas las muestras de datos. Tales características medias de condiciones de tráfico pueden incluir, por ejemplo, una velocidad media, así como correspondiente información estadística tal como una desviación típica de la media. La rutina entonces continúa a la etapa 520, para cada uno del uno o más grupos de muestras de datos, para realizar sucesivamente un análisis dejando una fuera de tal manera que se selecciona una muestra particular objetivo de datos para ser dejada provisionalmente fuera y se determinan las características promedio de condiciones de tráfico para las características restantes de condiciones de tráfico. Cuanto mayor es la diferencia entre las características medias de condiciones de tráfico para las muestras restantes de datos y las características medias de condiciones de tráfico para todas las muestras de datos de la etapa 515, más grande es la probabilidad de que las muestras objetivo de datos de objetivo dejadas fuera sean valores atípicos que no reflejan las características comunes de las restantes muestras de datos. En la etapa 525, la rutina realiza entonces opcionalmente uno o más tipos adicionales de análisis de valores atípicos, tal como dejar fuera sucesivamente grupos de dos o más muestras objetivo de datos con el fin de evaluar su efecto de unión, aunque en algunas realizaciones tal análisis adicional de valores atípicos puede no ser realizado. Después de la etapa 522, la rutina continúa a la etapa 590 para eliminar las muestras de datos que están identificadas como valores atípicos en las etapas 520 y/o 525, y almacenar las muestras restantes de datos para un uso posterior. En otros casos, la rutina puede en cambio enviar las muestras restantes de datos a uno o más clientes para su uso. La rutina entonces continúa a la etapa 595 para determinar si se continúa. Si ese es el caso, la rutina regresa a la etapa 505, y si no la rutina continúa a la etapa 599 y finaliza. The routine then continues to step 515, for each of the one or more groups of data samples (with all data samples being treated as a single group if separation of the data sample from step 510 is not performed) , to calculate average characteristics of traffic conditions for all data samples. Such average characteristics of traffic conditions may include, for example, an average speed, as well as corresponding statistical information such as a standard deviation from the average. The routine then continues to step 520, for each of the one or more groups of data samples, to successively perform an analysis leaving one out in such a way that a particular objective sample of data is selected to be provisionally left out and determined. the average characteristics of traffic conditions for the remaining characteristics of traffic conditions. The greater the difference between the average characteristics of traffic conditions for the remaining data samples and the average characteristics of traffic conditions for all data samples in step 515, the greater is the probability that the objective data samples of target left out are outliers that do not reflect the common characteristics of the remaining data samples. In step 525, the routine then optionally performs one or more additional types of outlier analysis, such as successively leaving out groups of two or more target data samples in order to evaluate their binding effect, although in some embodiments such Additional analysis of outliers may not be performed. After step 522, the routine continues to step 590 to remove the data samples that are identified as outliers in steps 520 and / or 525, and store the remaining data samples for later use. In other cases, the routine may instead send the remaining data samples to one or more clients for use. The routine then continues to step 595 to determine if it is continued. If that is the case, the routine returns to step 505, and if not, the routine continues to step 599 and ends.

La Figura 6 es un diagrama de flujo de un ejemplo de realización de una rutina 600 de Evaluador de Velocidad de Muestras de Datos según la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución de un componente 356 Evaluador de Velocidad de Muestras de Datos de la Figura 3 y/o el componente 107 Evaluador de Velocidad de Muestras de Datos de la Figura 1, tal como para evaluar la velocidad actual para un segmento de carretera durante un periodo de tiempo basándose en varias muestras de datos para el segmento de carretera. En este ejemplo de realización, la rutina realizará cálculos sucesivos de la velocidad media para el segmento de carretera para cada uno de múltiples intervalos de tiempo durante el periodo de tiempo, aunque en otras realizaciones cada invocación de la rutina pueda ser en cambio para un único intervalo de tiempo (por ejemplo, con múltiples intervalos de tiempo evaluados a través de múltiples invocaciones de la rutina). Por ejemplo, si el período de tiempo es de treinta minutos, cada cinco minutos puede realizarse un nuevo cálculo de velocidad media, tal como con intervalos de tiempo de 5 minutos (y así con cada intervalo de tiempo que no se superpone con intervalos de tiempo anteriores o sucesivos), ni con intervalos de tiempo de 10 minutos (y de este modo superponerse a intervalos de tiempo adyacentes). Figure 6 is a flow chart of an exemplary embodiment of a Data Sample Rate Evaluator routine 600 according to the present invention. The routine can be provided, for example, by the execution of a Data Sample Rate Evaluator component 356 of Figure 3 and / or the Data Sample Rate Evaluator component 107 of Figure 1, such as to evaluate the Current speed for a road segment over a period of time based on several data samples for the road segment. In this exemplary embodiment, the routine will perform successive calculations of the average speed for the road segment for each of multiple time intervals during the time period, although in other embodiments each invocation of the routine may instead be for a single time interval (for example, with multiple time intervals evaluated through multiple invocations of the routine). For example, if the time period is thirty minutes, every five minutes a new average speed calculation can be performed, such as with 5 minute time intervals (and so with each time interval that does not overlap with time intervals previous or successive), or with time intervals of 10 minutes (and thus overlap adjacent time intervals).

La rutina empieza en la etapa 605, donde se recibe una indicación de muestras de datos (por ejemplo, muestras de datos de fuentes móviles de datos y lecturas físicas de datos de sensor) para un segmento de carretera para un periodo de tiempo, o de datos insuficientes para un segmento de carretera para un periodo de tiempo, aunque en algunas realizaciones puede recibirse sólo una de las muestras de datos de fuentes móviles de datos y de lecturas de datos de sensor. Las muestras recibidas de datos pueden obtenerse, por ejemplo, de la salida de la rutina de Eliminador de Valores Atípicos de Muestras de Datos. Similarmente, la indicación de datos insuficientes puede ser recibida de la rutina de Eliminador de Valores Atípicos de Muestras de Datos. En algunos casos, la indicación de datos insuficientes puede basarse en tener un número insuficiente de muestras de datos, tal como cuando no haya muestras de datos de fuentes móviles de datos asociadas con el segmento de carretera para el periodo de tiempo y/o cuando algunas o todas las lecturas de datos de sensor para el segmento de carretera se pierden o se ha detectado que son erróneas (por ejemplo, por el componente 105 Acondicionador de Datos de Sensor de la Figura 1). En este ejemplo, la rutina continúa en la etapa 610 para determinar si se ha recibido una indicación de datos insuficientes. Si ese es el caso, la rutina continúa a la etapa 615, y si no la rutina continúa a la etapa 625. The routine begins at step 605, where an indication of data samples (for example, data samples from mobile data sources and physical sensor data readings) is received for a road segment for a period of time, or from insufficient data for a road segment for a period of time, although in some embodiments only one of the data samples can be received from mobile data sources and sensor data readings. Samples received from data can be obtained, for example, from the output of the Atypical Data Eliminator routine of Data Samples. Similarly, the indication of insufficient data can be received from the Eliminator of Outlier of Data Samples routine. In some cases, the indication of insufficient data may be based on having an insufficient number of data samples, such as when there are no data samples from mobile data sources associated with the road segment for the period of time and / or when some or all sensor data readings for the road segment are lost or found to be wrong (for example, by the Component 105 Sensor Data Conditioner of Figure 1). In this example, the routine continues in step 610 to determine if an indication of insufficient data has been received. If that is the case, the routine continues to step 615, and if not the routine continues to step 625.

En la etapa 615, la rutina ejecuta una realización de la rutina de Evaluador de Flujo de Tráfico (descrita con referencia a la Figura 14) con el fin de obtener la velocidad media estimada del tráfico para el segmento de carretera para el periodo de tiempo. En la etapa 620, la rutina proporciona entonces una indicación de la velocidad media estimada. En la etapa 625, la rutina selecciona el próximo intervalo de tiempo para el que se ha de evaluar una velocidad media, empezando con el primer intervalo de tiempo. En la etapa 630, la rutina calcula entonces una velocidad media ponderada del tráfico para las muestras de datos dentro del intervalo de tiempo, basándose la ponderación de las muestras de datos en uno o más factores. Por ejemplo, en la realización ilustrada, el peso para cada muestra de datos se varía (por ejemplo, de una manera lineal, exponencial o escalonada) basándose en el estado latente de la muestra de datos, tal como para dar mayor peso a muestras de datos cerca del final del intervalo de tiempo (ya que pueden reflejar más la velocidad media verdadera al final del intervalo de tiempo). Además, las muestras de datos pueden recibir más peso en la realización ilustrada basándose en la fuente de los datos, tal como dar un peso a las lecturas de datos de sensores físicos de forma distinta a muestras de datos de vehículos y otras fuentes móviles de datos, ya sea dar más o menos peso. Además, en otras realizaciones, en la ponderación se pueden utilizar otros diversos factores, incluyendo en una base a la muestra -por ejemplo, una lectura de datos de un sensor físico pueden recibir un peso distinto que una lectura de datos de otro sensor físico, tal como para reflejar información disponible acerca de los sensores (por ejemplo, que uno de los sensores físicos está intermitentemente defectuoso o tiene una resolución de lectura de datos menos precisa que otro sensor), y una muestra de datos de un vehículo u otra fuente móvil de datos puede recibir un peso distinto de la de otro vehículo o fuente móvil de datos basándose en la información acerca de las fuentes móviles de datos. Otros tipos de factores que en algunas realizaciones pueden utilizarse en la ponderación incluyen valores de confianza u otras estimaciones del posible error en una muestra particular de datos, un grado de confianza que una muestra particular de datos debe asociarse con un segmento particular de carretera, etc. In step 615, the routine executes an embodiment of the Traffic Flow Evaluator routine (described with reference to Figure 14) in order to obtain the estimated average traffic speed for the road segment for the period of time. In step 620, the routine then provides an indication of the estimated average speed. In step 625, the routine selects the next time interval for which an average speed is to be evaluated, starting with the first time interval. In step 630, the routine then calculates a weighted average traffic speed for the data samples within the time interval, based on the weighting of the data samples on one or more factors. For example, in the illustrated embodiment, the weight for each data sample is varied (for example, in a linear, exponential or stepwise manner) based on the latent state of the data sample, such as to give more weight to samples of data. data near the end of the time interval (since they may more reflect the true average speed at the end of the time interval). In addition, data samples may receive more weight in the illustrated embodiment based on the data source, such as giving weight to physical sensor data readings differently from vehicle data samples and other mobile data sources. , either give more or less weight. In addition, in other embodiments, various factors can be used in the weighting, including on a sample basis - for example, a reading of data from a physical sensor may receive a different weight than a reading of data from another physical sensor, such as to reflect available information about the sensors (for example, that one of the physical sensors is intermittently defective or has a resolution of data reading less accurate than another sensor), and a sample of data from a vehicle or other mobile source of data may receive a different weight from that of another vehicle or mobile data source based on information about mobile data sources. Other types of factors that in some embodiments may be used in the weighting include confidence values or other estimates of the possible error in a particular sample of data, a degree of confidence that a particular sample of data should be associated with a particular road segment, etc. .

Después de la etapa 630, la rutina continúa a la etapa 635 para proporcionar una indicación de la velocidad media calculada del tráfico para el intervalo de tiempo, tal como para almacenar la información para un uso posterior y/o para proporcionar la información a un cliente. En la etapa 640, la rutina obtiene entonces opcionalmente muestras adicionales de datos para el período de tiempo que ha llegado a ser disponible a continuación de la recepción de información en la etapa 605. Entonces se determina en la etapa 645 si se han de calcular más intervalos de tiempo para el período de tiempo, y si ése es el caso la rutina regresa a la etapa 625. Si en cambio no hay más intervalos de tiempo, o después de la etapa 620, la rutina continúa a la etapa 695 para determinar si se debe continuar. Si ese es el caso, la rutina regresa a la etapa 605, y si no continúa a la etapa 699 y finaliza. After step 630, the routine continues to step 635 to provide an indication of the calculated average traffic speed for the time interval, such as to store the information for later use and / or to provide the information to a customer. . In step 640, the routine then optionally obtains additional data samples for the period of time that has become available following the receipt of information in step 605. Then it is determined in step 645 if more are to be calculated. time intervals for the period of time, and if that is the case the routine returns to step 625. If instead there are no more time intervals, or after step 620, the routine continues to step 695 to determine if It must continue. If that is the case, the routine returns to stage 605, and if it does not continue to stage 699 and ends.

La Figura 7 es un diagrama de flujo de un ejemplo de realización de una rutina 700 de Evaluador de Flujo de Muestras de Datos relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución de una realización de un componente 358 Evaluador de Flujo de Muestras de Datos de la Figura 3 y/o el componente 108 Evaluador de Flujo de Muestras de Datos de la Figura 1, tal como evaluar características de las condiciones de flujo de tráfico distintas de la velocidad media para un segmento particular de carretera durante un periodo particular de tiempo. En este ejemplo de realización, las características de flujo a evaluar incluyen un volumen total de vehículos (u otras fuentes móviles de datos) que llegan a, o están presentes en, un segmento particular de carretera durante un periodo de tiempo, y una ocupación porcentual para el segmento de carretera durante el periodo de tiempo para reflejar el porcentaje de tiempo que un punto o zona del segmento de carretera está cubierto por un vehículo. Figure 7 is a flow chart of an exemplary embodiment of a Data Sample Flow Evaluator routine 700 related to the present invention. The routine can be provided, for example, by the execution of an embodiment of a component 358 Data Sample Flow Evaluator of Figure 3 and / or the component 108 Data Sample Flow Evaluator of Figure 1, such as evaluate characteristics of traffic flow conditions other than the average speed for a particular road segment for a particular period of time. In this exemplary embodiment, the flow characteristics to be evaluated include a total volume of vehicles (or other mobile data sources) that arrive at, or are present in, a particular road segment over a period of time, and a percentage occupancy. for the road segment during the period of time to reflect the percentage of time that a point or area of the road segment is covered by a vehicle.

La rutina empieza en la etapa 705, donde se recibe una indicación de muestras de datos para un segmento de carretera durante un periodo de tiempo y una velocidad media para el segmento de carretera durante el periodo de tiempo, o de datos insuficientes para un segmento de carretera para un periodo de tiempo. Las muestras de datos pueden obtenerse de, por ejemplo, la salida de la rutina de Eliminador de Valores Atípicos de Muestras de Datos y la velocidad media puede obtenerse de, por ejemplo, la salida de la rutina de Evaluador de Velocidad Muestras de Datos. La indicación de datos insuficientes puede obtenerse de, por ejemplo, la salida de la rutina de Eliminador de Valores Atípicos de Muestras de Datos. En algunos casos, la indicación de datos insuficientes puede basarse en tener un número insuficiente de muestras de datos, tal como cuando no haya muestras de datos de fuentes móviles de datos asociadas con el segmento de carretera para el periodo de tiempo y/o cuando algunas o todas las lecturas de datos de sensor para el segmento de carretera se pierden o se ha detectado que son erróneas (por ejemplo, por el componente 105 Acondicionador de Datos de Sensor de la Figura 1). La rutina continúa entonces en la etapa 706 para determinar si se ha recibido una indicación de datos insuficientes. Si ese es el caso, la rutina continúa a la etapa 750, y si no la rutina continúa a la etapa 710. The routine begins at step 705, where an indication of data samples is received for a road segment over a period of time and an average speed for the road segment during the period of time, or insufficient data for a segment of Road for a period of time. Data samples can be obtained from, for example, the output of the Atypical Data Sample Eliminator routine and the average speed can be obtained from, for example, the output of the Data Sample Rate Evaluator routine. The indication of insufficient data can be obtained from, for example, the output of the Atypical Data Eliminator routine of Data Samples. In some cases, the indication of insufficient data may be based on having an insufficient number of data samples, such as when there are no data samples from mobile data sources associated with the road segment for the period of time and / or when some or all sensor data readings for the road segment are lost or found to be wrong (for example, by the Component 105 Sensor Data Conditioner of Figure 1). The routine is then continued in step 706 to determine if an indication of insufficient data has been received. If that is the case, the routine continues to step 750, and if not the routine continues to step 710.

En la etapa 750, la rutina ejecuta una realización de la rutina de Estimador de Flujo de Tráfico (descrita con referencia a la Figura 14) con el fin de obtener el volumen y la ocupación totales estimados del tráfico para el segmento de carretera durante el periodo de tiempo. En la etapa 755, la rutina proporciona entonces una indicación del volumen y la ocupación totales estimados. In step 750, the routine executes an embodiment of the Traffic Flow Estimator routine (described with reference to Figure 14) in order to obtain the estimated total traffic volume and occupancy for the road segment during the period of time. In step 755, the routine then provides an indication of the estimated total volume and occupancy.

En la etapa 710, la rutina determina varios vehículos (u otras fuentes móviles de datos) que proporcionaron las muestras de datos, tal como asociando cada muestra de datos con una fuente móvil particular de datos. En la etapa 720, la rutina determina entonces por probabilidades el régimen de llegada más probable al segmento de carretera de los vehículos que proporcionan las muestras de datos, basándose en parte en el número determinado de vehículos. En algunas realizaciones, la determinación en base a probabilidades puede utilizar además información de uso acerca de la probabilidad a priori del número de tales vehículos y la probabilidad a priori de una tasa particular de llegada. En la etapa 730, la rutina entonces infiere el volumen total de todos los vehículos que pasan por el segmento de carretera durante el periodo de tiempo, tal como basándose en el número determinado de vehículos y la información acerca de qué porcentaje del número total de vehículos son vehículos que proporcionan muestras de datos y evalúa además un intervalo de confianza para el volumen total inferido. En la etapa 740, la rutina infiere entonces la ocupación porcentual para el segmento de carretera durante el periodo de tiempo basándose en el volumen total inferido, la velocidad media y una longitud media de vehículo. Otros tipos de características de interés de flujo de tráfico pueden evaluarse similarmente en otras realizaciones. En la realización ilustrada, la rutina continúa entonces a la etapa 790 para proporcionar indicaciones del volumen total inferido y la ocupación porcentual inferida. Después de las etapas 755 o 790, si entonces se determina en la etapa 795 que se ha de continuar; la rutina regresa a la etapa 705, y si no continúa a la etapa 799 y finaliza. In step 710, the routine determines several vehicles (or other mobile data sources) that provided the data samples, such as associating each data sample with a particular mobile data source. In step 720, the routine then determines by probabilities the most likely arrival regime to the road segment of the vehicles providing the data samples, based in part on the determined number of vehicles. In some embodiments, the probability-based determination may also use usage information about the a priori probability of the number of such vehicles and the a priori probability of a particular arrival rate. In step 730, the routine then infers the total volume of all vehicles passing through the road segment during the period of time, such as based on the determined number of vehicles and information about what percentage of the total number of vehicles. they are vehicles that provide data samples and also evaluate a confidence interval for the total volume inferred. In step 740, the routine then infers the percentage occupancy for the road segment during the period of time based on the total volume inferred, the average speed and an average vehicle length. Other types of traffic flow interest characteristics can be similarly evaluated in other embodiments. In the illustrated embodiment, the routine then continues to step 790 to provide indications of the total volume inferred and the percentage occupancy inferred. After steps 755 or 790, if it is then determined in step 795 to be continued; the routine returns to stage 705, and if it does not continue to stage 799 and ends.

La Figura 11 es un diagrama de flujo de un ejemplo de realización de una rutina 1100 de Detector de Errores de Lecturas de Datos de Sensor relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución del componente 353 Acondicionador de Datos de Sensor de la Figura 3 y/o el componente 105 Acondicionador de Datos de Sensor de la Figura 1, tal como para determinar la salud de uno o más sensores de tráfico. En este ejemplo de realización, la rutina es realizada en varios momentos del día para determinar la salud de uno o más sensores de tráfico, basándose en lecturas de datos de sensor de tráfico obtenidas recientemente durante un período de tiempo indicado. Además, los datos que son producidos por un sensor de tráfico para uno o más de los diversos tipos de medidas de condiciones de tráfico pueden ser analizados por la rutina en varias realizaciones, tal como la velocidad, el volumen, la ocupación del tráfico, etc. Además, los datos para por lo menos alguna de las condiciones de tráfico puede medirse y/o totalizarse de varias maneras, tal como en varios niveles de grado de detalle (por ejemplo, abanicos de 5 mph de grupos de datos para la información de velocidad), y la rutina puede en algunas realizaciones analizar los datos para un sensor particular de tráfico en cada uno de uno o más niveles de grado de detalle (u otro nivel de totalización) para cada uno de una o más medidas de condiciones de tráfico. Figure 11 is a flow chart of an exemplary embodiment of a Sensor Data Read Error Detector routine 1100 related to the present invention. The routine may be provided, for example, by the execution of the Sensor Data Conditioner component 353 of Figure 3 and / or the Sensor Data Conditioner component of Figure 1, such as to determine the health of one or more traffic sensors In this exemplary embodiment, the routine is performed at various times of the day to determine the health of one or more traffic sensors, based on readings of traffic sensor data recently obtained over a specified period of time. In addition, the data that is produced by a traffic sensor for one or more of the various types of traffic condition measurements can be analyzed by the routine in various embodiments, such as speed, volume, traffic occupancy, etc. . In addition, data for at least some of the traffic conditions can be measured and / or totalized in various ways, such as at various levels of degree of detail (e.g., 5 mph fans of data groups for speed information ), and the routine may in some embodiments analyze the data for a particular traffic sensor at each of one or more levels of degree of detail (or another level of totalization) for each of one or more traffic condition measurements.

La rutina empieza en la etapa 1105 y recibe una indicación de uno o más sensores de tráfico y de una categoría seleccionada de tiempo (por ejemplo, la categoría de tiempo más reciente, si la rutina se ejecuta después de cada categoría de tiempo para proporcionar resultados de una manera cercana a en tiempo real, o una o más categorías de tiempo previo seleccionadas para el análisis), aunque en otras realizaciones se pueden indicar en cambio múltiples categorías de tiempo. En algunas realizaciones, el tiempo puede ser modelado por medio de categorías de tiempo cada una incluyendo una categoría de la momento del día (por ejemplo, de 12:00AM a 5:29AM y de 7:30PM a 11:59PM, de 5:30AM a 8:59AM, de 9:00AM a 12:29PM, de 12:30PM a 3:59PM, de 4:00PM a 7:29PM, y de 12:00AM a 11:59PM) y/o una categoría del día de la semana (por ejemplo, de lunes a jueves, el viernes, el sábado y el domingo, o en su lugar con el sábado y el domingo agrupados juntos). Las categorías particulares de tiempo pueden seleccionarse de varias maneras en varias realizaciones, incluyendo para reflejar períodos de tiempo durante los que se espera que el tráfico tenga características similares (por ejemplo, basándose en tiempos y patrones de cálculo, u otras actividades coherentes que afectan al tráfico), tal como agrupar juntas las horas de la tarde y las primeras de la mañana si el tráfico normalmente es relativamente escaso durante esos momentos. Además, en algunas realizaciones las categorías de tiempo pueden seleccionarse para diferir para sensores diferentes de tráfico (por ejemplo, por zona geográfica, carretera, sensor individual, etc.), ya sea manualmente o de una manera automatizada al analizar los datos históricos para determinar períodos de tiempo que tienen características similares de flujo de tráfico. The routine begins at step 1105 and receives an indication of one or more traffic sensors and a selected time category (for example, the most recent time category, if the routine is executed after each time category to provide results in a manner close to real time, or one or more previous time categories selected for the analysis), although in other embodiments multiple time categories may be indicated instead. In some embodiments, time can be modeled by means of time categories each including a time of day category (for example, from 12:00 AM to 5:29 AM and from 7:30 PM to 11:59 PM, from 5: 30AM to 8:59 AM, 9:00 AM to 12:29 PM, 12:30 PM to 3:59 PM, 4:00 PM to 7:29 PM, and 12:00 AM to 11:59 PM) and / or a category of the day of the week (for example, Monday through Thursday, Friday, Saturday and Sunday, or instead with Saturday and Sunday grouped together). Particular time categories can be selected in various ways in various embodiments, including to reflect periods of time during which traffic is expected to have similar characteristics (e.g., based on times and calculation patterns, or other consistent activities that affect the traffic), such as grouping together the hours of the afternoon and the first hours of the morning if traffic is usually relatively scarce during those times. In addition, in some embodiments the time categories may be selected to differ for different traffic sensors (for example, by geographical area, road, individual sensor, etc.), either manually or in an automated manner when analyzing historical data to determine Time periods that have similar traffic flow characteristics.

En las etapas 1110 a 1150, la rutina realiza entonces un bucle en el que analiza lecturas de datos de sensor de tráfico de cada uno de uno o más sensores de tráfico indicados para las categorías indicadas de tiempo con el fin de determinar el estado de la salud del sensor de tráfico de cada uno de los sensores de tráfico durante esa categoría de tiempo. En la etapa 1110, la rutina selecciona el próximo sensor de tráfico de los uno o más sensores del tráfico indicados, empezando con el primero, y selecciona la categoría indicada de tiempo (o, si en cambio se indicaron múltiples categorías de tiempo en la etapa 1105, la próxima combinación de sensor de tráfico y categoría indicada de tiempo). En la etapa 1115, la rutina recupera una distribución histórica media de lecturas de datos para el sensor de tráfico durante la categoría seleccionada de tiempo. En algunas realizaciones, la distribución histórica de lecturas de datos puede basarse en lecturas de datos proporcionadas por el sensor de tráfico durante la categoría seleccionada de tiempo (por ejemplo, entre 4:00PM y 7:29PM en días de la semana que incluye de lunes a jueves) en un período de tiempo prolongado, tal como los últimos 120 días o un período reciente de 120 días). In steps 1110 to 1150, the routine then performs a loop in which it analyzes readings of traffic sensor data from each of one or more indicated traffic sensors for the indicated categories of time in order to determine the status of the traffic sensor health of each of the traffic sensors during that time category. In step 1110, the routine selects the next traffic sensor of the one or more indicated traffic sensors, starting with the first, and selects the indicated time category (or, if multiple time categories were indicated instead on the stage 1105, the next combination of traffic sensor and indicated time category). In step 1115, the routine retrieves an average historical distribution of data readings for the traffic sensor during the selected time category. In some embodiments, the historical distribution of data readings may be based on data readings provided by the traffic sensor during the selected time category (for example, between 4:00 PM and 7:29 PM on days of the week that includes Monday to Thursday) over a prolonged period of time, such as the last 120 days or a recent period of 120 days).

En la etapa 1120, la rutina determina una distribución objetivo de datos de sensor para el sensor de tráfico seleccionado durante la categoría seleccionada de tiempo. En la etapa 1125, la rutina determina entonces la similitud de la distribución objetivo de lecturas de datos de sensor de tráfico y la distribución histórica de lecturas de datos de sensor de tráfico. Según se ha descrito con más detalle en otra parte, en algunas realizaciones, tal medida de similitud puede determinarse calculando la divergencia de Kullback-Leibler entre la distribución objetivo de lecturas de datos de sensor de tráfico y la distribución histórica de lecturas de datos de sensor de tráfico. En la etapa 1130, la rutina determina luego la entropía de información de la distribución objetivo de lecturas de datos de sensor de tráfico, según se comenta con mayor detalle en otra parte. In step 1120, the routine determines an objective distribution of sensor data for the selected traffic sensor during the selected time category. In step 1125, the routine then determines the similarity of the objective distribution of traffic sensor data readings and the historical distribution of traffic sensor data readings. As described in more detail elsewhere, in some embodiments, such a measure of similarity can be determined by calculating the Kullback-Leibler divergence between the objective distribution of traffic sensor data readings and the historical distribution of sensor data readings. of traffic. In step 1130, the routine then determines the information entropy of the target distribution of traffic sensor data readings, as discussed in greater detail elsewhere.

En la etapa 1135, la rutina evalúa a continuación la salud del sensor seleccionado de tráfico para la categoría seleccionada de tiempo utilizando diversa información para realizar una clasificación de la salud (por ejemplo, una indicación de "sano" o "poco sano", o de un valor en una escala de "salud" tal como de 1 a 100), que en este ejemplo incluye la similitud determinada, la entropía determinada y la categoría seleccionada de tiempo (por ejemplo, la categoría seleccionada de momento del día, tal como de 4:00PM a 7:29PM, y/o la categoría seleccionada de día de la semana, tal como de lunes a jueves). En otras realizaciones, se podrían utilizar otros tipos de información, tal como una indicación de un grado de detalle de los datos que se están midiendo (por ejemplo, abanicos 5 de mph de grupos de datos para la información de velocidad). En una realización, puede utilizarse una red neurálgica para la clasificación, mientras que en otras realizaciones se pueden utilizar otras diversas técnicas de clasificación, incluyendo árboles de decisión, clasificadores bayesianos, etc. In step 1135, the routine then evaluates the health of the selected traffic sensor for the selected time category using various information to perform a health classification (for example, an indication of "healthy" or "unhealthy", or of a value on a "health" scale such as 1 to 100), which in this example includes the determined similarity, the determined entropy and the selected category of time (for example, the selected category of moment of day, such as from 4:00 PM to 7:29 PM, and / or the selected category of day of the week, such as Monday through Thursday). In other embodiments, other types of information could be used, such as an indication of a degree of detail of the data being measured (eg, 5 mph fans of data groups for speed information). In one embodiment, a neuralgic network can be used for classification, while in other embodiments various other classification techniques can be used, including decision trees, Bayesian classifiers, etc.

En la etapa 1140, la rutina determina entonces el estado de salud de sensor de tráfico para el sensor seleccionado de tráfico y categoría seleccionada de tiempo (en este ejemplo como sano o poco sano) basándose en la salud evaluada de sensor de tráfico y/u otros factores. En algunas realizaciones, el estado de salud para un sensor de tráfico puede determinarse que es sano siempre que la salud de sensor de tráfico para la categoría seleccionada de tiempo sea evaluada como sano en la etapa 1135. Además, el estado de salud para el sensor de tráfico puede determinarse que es poco sano siempre que la salud de sensor de tráfico para la categoría seleccionada de tiempo sea evaluada como poco sano (por ejemplo, en la etapa 1135), y la categoría seleccionada de tiempo tiene una categoría asociada de momento del día que abarca un período de tiempo lo suficientemente grande (por ejemplo, por lo menos 12 o 24 horas). Además, en algunas realizaciones la información acerca de categorías de tiempo relacionadas (por ejemplo, para uno o más períodos de tiempo previos y/o subsiguientes) puede ser recuperada y puede utilizarse, tal como para clasificar la salud de sensor de tráfico en un periodo de tiempo más largo (por ejemplo, un día). Tal lógica puede reducir el riesgo de una falsa determinación negativa de estado de salud de sensor (por ejemplo, determinando el estado de salud de sensor de tráfico como poco sano cuando de hecho el sensor de tráfico está sano) basándose en patrones temporales excepcionales de tráfico que el sensor de tráfico informa con precisión. In step 1140, the routine then determines the traffic sensor health status for the selected traffic sensor and selected time category (in this example as healthy or unhealthy) based on the evaluated health of the traffic sensor and / or Other factors In some embodiments, the health status for a traffic sensor can be determined to be healthy as long as the traffic sensor health for the selected time category is evaluated as healthy in step 1135. In addition, the health status for the sensor of traffic can be determined to be unhealthy provided that the traffic sensor health for the selected time category is evaluated as unhealthy (for example, in step 1135), and the selected time category has an associated category of time day that covers a sufficiently large period of time (for example, at least 12 or 24 hours). In addition, in some embodiments the information about related time categories (for example, for one or more prior and / or subsequent time periods) may be retrieved and used, such as to classify traffic sensor health in a period. of longer time (for example, one day). Such logic can reduce the risk of a false negative determination of sensor health status (for example, determining the traffic sensor health status as unhealthy when in fact the traffic sensor is healthy) based on exceptional temporary traffic patterns that the traffic sensor reports accurately.

Por ejemplo, pueden producirse falsas determinaciones negativas debido a una substancial variabilidad entre días en lecturas de datos debido a factores externos (por ejemplo, accidentes de tráfico, incidentes climáticos, etc.). Un accidente de automóvil que se produce en o cerca de un sensor particular de tráfico, por ejemplo, puede tener como resultado que ese sensor de tráfico proporcione lecturas atípicas y erráticas de datos durante un período de tiempo relativamente corto (por ejemplo, una a dos horas). Si una determinación de estado de salud de sensor se basa únicamente en lecturas de datos obtenidas principalmente durante el tiempo de perturbación causado por el accidente de tráfico, probablemente se producirá una determinación negativa falsa. Basando la determinación de estado de sensor poco sano en lecturas de datos obtenidas en períodos de tiempo relativamente más grandes (por ejemplo, 12 o 24 horas) puede reducirse el riesgo de tales determinaciones negativas falsas. Por otro lado, las determinaciones positivas falsas (por ejemplo, determinar la salud de sensor de tráfico como sano cuando de hecho es poco sano) puede ser en general menos probable, porque es improbable que los sensores de tráfico que fallan proporcionen lecturas de datos que sean similares a lecturas históricas de datos (por ejemplo, reflejando patrones de tráfico ordinario). Como tal, puede ser apropiado determinar un estado de salud de sensor de tráfico como sano basándose en períodos de tiempo relativamente más pequeños. For example, false negative determinations may occur due to substantial variability between days in data readings due to external factors (eg, traffic accidents, weather incidents, etc.). A car accident that occurs at or near a particular traffic sensor, for example, can result in that traffic sensor providing atypical and erratic data readings for a relatively short period of time (for example, one to two hours). If a sensor health status determination is based solely on data readings obtained primarily during the disturbance time caused by the traffic accident, a false negative determination will probably occur. Basing the determination of unhealthy sensor status on data readings obtained in relatively larger periods of time (for example, 12 or 24 hours) can reduce the risk of such false negative determinations. On the other hand, false positive determinations (for example, determining traffic sensor health as healthy when in fact it is unhealthy) may be generally less likely, because failing traffic sensors are unlikely to provide data readings that are similar to historical data readings (for example, reflecting ordinary traffic patterns). As such, it may be appropriate to determine a traffic sensor health status as healthy based on relatively smaller periods of time.

Tal lógica diferencial puede efectuarse ejecutando la rutinaria ilustrada muchas veces por día, siendo la categoría de tiempo reflejo de períodos de tiempo más cortos (por ejemplo, ejecutar la rutina cada tres horas con una categoría de tiempo que tenga una categoría de momento del día que se extiende por las tres horas anteriores) y por lo menos una vez por día con una categoría de tiempo que refleje el día anterior entero (por ejemplo, ejecutar la rutina a medianoche con una categoría de tiempo que tenga una categoría de momento del día que se extienda por las 24 horas anteriores). Such differential logic can be performed by executing the routine illustrated many times per day, the time category being a reflection of shorter periods of time (for example, executing the routine every three hours with a time category having a category of moment of day that it extends for the previous three hours) and at least once a day with a time category that reflects the entire previous day (for example, running the routine at midnight with a time category that has a time of day category that extend for the previous 24 hours).

Además, la determinación de estado de salud de sensor puede basarse en otros factores, tal como si puede obtenerse un número suficiente de lecturas de datos para la categoría seleccionada de tiempo (por ejemplo, porque el sensor de tráfico informa intermitentemente de las lecturas de datos) y/o basándose en indicaciones de estado de sensor proporcionadas por el sensor de tráfico (por ejemplo, que el sensor de tráfico está atascado). In addition, the determination of sensor health status may be based on other factors, such as if a sufficient number of data readings can be obtained for the selected time category (for example, because the traffic sensor intermittently reports data readings ) and / or based on sensor status indications provided by the traffic sensor (for example, that the traffic sensor is stuck).

En la etapa 1145, la rutina proporciona el estado determinado de salud de sensor de tráfico. El estado de salud de sensor de tráfico puede almacenarse (por ejemplo, en un sistema de archivos o base de datos) para el uso posterior por parte de otros componentes (por ejemplo, el componente 110 Totalizador de Datos de Sensor de la figura 1) y/o proporcionarse directamente a otros componentes (por ejemplo, un componente Eliminador de Valores Atípicos de Muestras de Datos). En la etapa 1150, la rutina determina si hay que procesar más sensores de tráfico (o combinaciones de sensores de tráfico y categorías de tiempo). Si ese es el caso, la rutina continúa a la etapa 1110, y si no continúa a la etapa 1155 y realiza otras acciones según sea apropiado. Tales otras acciones pueden incluir, por ejemplo; volver a calcular periódicamente (por ejemplo, una vez al día, una vez a la semana, etc.) o distribuciones históricas de lecturas de datos (por ejemplo, para los últimos 120 días) para cada una de la una o más categorías de tiempo para cada uno de múltiples sensores de tráfico. Calculando de nuevo periódicamente distribuciones históricas de lecturas de datos, la rutina puede continuar para proporcionar determinaciones precisas de estado de salud de sensor de tráfico a la vista de las condiciones de tráfico que cambian gradualmente (por ejemplo, debido a la iniciación o la finalización de proyectos de construcción de carreteras). Después de la etapa 1155, la rutina continúa a la etapa 1199 y regresa. In step 1145, the routine provides the determined state of traffic sensor health. The traffic sensor health status can be stored (for example, in a file system or database) for later use by other components (for example, the Component 110 Sensor Data Totalizer of Figure 1) and / or be provided directly to other components (for example, an Outlier of Data Samples Eliminator component). In step 1150, the routine determines whether more traffic sensors (or combinations of traffic sensors and time categories) must be processed. If that is the case, the routine continues to stage 1110, and if it does not continue to stage 1155 and performs other actions as appropriate. Such other actions may include, for example; recalculate periodically (for example, once a day, once a week, etc.) or historical distributions of data readings (for example, for the last 120 days) for each of the one or more time categories for each of multiple traffic sensors. By periodically re-calculating historical distributions of data readings, the routine can continue to provide accurate determinations of traffic sensor health status in view of gradually changing traffic conditions (for example, due to the initiation or termination of road construction projects). After stage 1155, the routine continues to stage 1199 and returns.

La Figura 12 es un diagrama de flujo de un ejemplo de realización de una rutina 1200 de Corrector de Errores de Lecturas de Datos de Sensor relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución del componente 353 Acondicionador de Datos de Sensor de la Figura 3 y/o el componente 105 Acondicionador de Datos de Sensor de la Figura 1, tal como para determinar lecturas corregidas de datos para uno Figure 12 is a flow chart of an exemplary embodiment of a Sensor Data Read Error Corrector routine 1200 related to the present invention. The routine can be provided, for example, by the execution of the Sensor Data Conditioner component 353 of Figure 3 and / or the Sensor Data Conditioner component of Figure 1, such as to determine corrected data readings for one

o más sensores de tráfico asociados con un segmento de carretera. En la realización ilustrada de ejemplo, esta rutina puede ejecutarse periódicamente (por ejemplo, cada 5 minutos) para corregir lecturas de datos para sensores de tráfico que han sido identificados como poco sanos por la rutina de Corrector de Errores de Lecturas de Datos de Sensor. En otras realizaciones, la rutina puede ejecutarse bajo petición, tal como por la rutina de Totalizador de Datos de Sensor, para obtener lecturas corregidas de datos para un segmento particular de carretera, o en cambio puede no utilizarse en diversas circunstancias. Por ejemplo, el análisis y corrección de datos pueden realizarse más generalmente determinando si todas las muestras de datos (por ejemplo, de múltiples fuentes de datos, tal como de múltiples tipos que pueden incluir sensores de tráfico y uno o más tipos distintos de fuentes móviles de datos) para un segmento particular de carretera proporciona datos suficientes para analizar condiciones de flujo de tráfico para ese segmento de carretera, y si ése es el caso, no realizar ninguna corrección de datos de sensores individuales de tráfico . or more traffic sensors associated with a road segment. In the exemplified embodiment of this example, this routine can be executed periodically (for example, every 5 minutes) to correct data readings for traffic sensors that have been identified as unhealthy by the Sensor Data Read Error Corrector routine. In other embodiments, the routine may be executed upon request, such as by the Sensor Data Totalizer routine, to obtain corrected data readings for a particular road segment, or instead may not be used in various circumstances. For example, data analysis and correction can be performed more generally by determining whether all data samples (for example, from multiple data sources, such as from multiple types that may include traffic sensors and one or more different types of mobile sources of data) for a particular road segment provides sufficient data to analyze traffic flow conditions for that road segment, and if that is the case, do not perform any data correction of individual traffic sensors.

La rutina empieza en la etapa 1205, donde recibe una indicación de un segmento de carretera con el que están asociados uno o más sensores de tráfico (por ejemplo, basándose en resultados de la rutina de Detector de Errores de Lecturas de Datos de Sensor de que uno o más de los sensores asociados de tráfico han sido clasificados como poco sanos), y opcionalmente de una o más categorías de tiempo que se van a procesar (por ejemplo, categorías de tiempo durante las que por lo menos uno de los sensores asociados de tráfico han sido clasificados como por lo menos potencialmente poco sanos). En otras realizaciones, uno o más sensores de tráfico de interés pueden ser indicados de otras maneras, tal como recibiendo directamente indicaciones de uno o más sensores de tráfico. En las etapas 1210 a 1235, la rutina realiza un bucle en el que procesa sensores poco sanos de tráfico en el segmento indicado de carretera para determinar y proporcionar lecturas corregidas de datos para esos sensores de tráfico durante una o más categorías de tiempo (por ejemplo, las categorías de tiempo indicadas en la etapa 1205). The routine begins at step 1205, where it receives an indication of a road segment with which one or more traffic sensors are associated (for example, based on results of the Sensor Data Read Error Detector routine from which one or more of the associated traffic sensors have been classified as unhealthy), and optionally of one or more time categories to be processed (for example, time categories during which at least one of the associated sensors of traffic have been classified as at least potentially unhealthy). In other embodiments, one or more traffic sensors of interest may be indicated in other ways, such as directly receiving indications of one or more traffic sensors. In steps 1210 to 1235, the routine performs a loop in which it processes unhealthy traffic sensors in the indicated road segment to determine and provide corrected data readings for those traffic sensors for one or more time categories (for example , the time categories indicated in step 1205).

En la etapa 1210, la rutina selecciona el próximo sensor poco sano de tráfico en el segmento indicado de carretera, empezando con el primero. La rutina también selecciona una categoría de tiempo a utilizar, tal como una de las una In step 1210, the routine selects the next unhealthy traffic sensor in the indicated road segment, starting with the first. The routine also selects a time category to use, such as one of the one

o más categorías de tiempo indicadas en la etapa 1205, seleccionando una de las una o más categorías de tiempo durante la que el sensor de tráfico fue designado anteriormente que era poco sano, etc. En la etapa 1215, la rutina determina si hay otros suficientes sensores de tráfico en el segmento indicado de carretera que son sanos y pueden ser utilizados para ayudar en la corrección de las lecturas para el sensor poco sano de tráfico para la categoría seleccionada de tiempo. Esta determinación puede basarse en si hay por lo menos un número predeterminado (por ejemplo, por lo menos dos) y/o un porcentaje predeterminado (por ejemplo, por lo menos 30%) de sensores sanos de tráfico en el segmento indicado de carretera durante la categoría seleccionada de tiempo, y puede considerar además la posición relativa de los sensores sanos de tráfico en el segmento indicado de carretera (por ejemplo, pueden preferirse sensores vecinos de tráfico o de otro modo cercanos a sensores de tráfico que están más lejos del sensor poco sano de tráfico). Si se determina en la etapa 1215 que hay suficientes sensores sanos de tráfico, la rutina continúa a la etapa 1220, donde determina una lectura corregida de datos para el sensor poco sano de tráfico basándose en lecturas de datos de otros sensores sanos de tráfico en el segmento de carretera para la categoría seleccionada de tiempo. Una lectura corregida de datos puede determinarse de varias maneras, tal como calculando el promedio de dos o más lecturas de datos obtenidas de sensores sanos de tráfico en el segmento indicado de carretera para la categoría seleccionada de tiempo. En algunas realizaciones, todos los sensores sanos de tráfico pueden ser utilizados para el promedio, mientras en otras realizaciones sólo pueden utilizarse sensores sanos seleccionados de tráfico. Por ejemplo, si un porcentaje predeterminado (por ejemplo, por lo menos 30%) de sensores de tráfico en el segmento indicado de carretera son sanos durante la categoría seleccionada de tiempo, pueden utilizarse todos los sensores sanos de tráfico para el promedio, y de otro modo sólo puede utilizarse un número predeterminado (por ejemplo, por lo menos dos) de los más cercanos sensores sanos de tráfico. or more time categories indicated in step 1205, selecting one of the one or more time categories during which the traffic sensor was previously designated as unhealthy, etc. In step 1215, the routine determines whether there are other sufficient traffic sensors in the indicated road segment that are healthy and can be used to aid in the correction of readings for the unhealthy traffic sensor for the selected time category. This determination can be based on whether there is at least a predetermined number (for example, at least two) and / or a predetermined percentage (for example, at least 30%) of sound traffic sensors in the indicated road segment during the selected time category, and can also consider the relative position of the healthy traffic sensors in the indicated road segment (for example, neighboring traffic sensors or otherwise close to traffic sensors that are further from the sensor may be preferred unhealthy traffic). If it is determined in step 1215 that there are sufficient sound traffic sensors, the routine continues to step 1220, where it determines a corrected reading of data for the unhealthy traffic sensor based on data readings of other sound traffic sensors in the Road segment for the selected time category. A corrected reading of data can be determined in several ways, such as calculating the average of two or more data readings obtained from sound traffic sensors in the indicated road segment for the selected time category. In some embodiments, all healthy traffic sensors can be used for the average, while in other embodiments only healthy traffic sensors selected can be used. For example, if a predetermined percentage (for example, at least 30%) of traffic sensors in the indicated road segment are healthy during the selected time category, all healthy traffic sensors can be used for the average, and of otherwise, only a predetermined number (for example, at least two) of the closest sound traffic sensors can be used.

Si en la etapa 1215 se determina que no hay suficientes sensores sanos de tráfico en el segmento indicado de carretera para la categoría selecciona de tiempo, la rutina continúa a la etapa 1225, donde intenta determinar una lectura corregida de datos para el sensor poco sano de tráfico basándose en otra información relacionada con el sensor de tráfico y/o el segmento de carretera. Por ejemplo, tal información puede incluir información predicha de condiciones de tráfico para el segmento de carretera y/o el sensor poco sano de tráfico, información de pronóstico de condiciones de tráfico para el segmento de carretera y/o el sensor poco sano de tráfico, y/o información histórica media de condiciones de tráfico para el segmento de carretera y/o el sensor poco sano de tráfico. Pueden implementarse diversas lógicas para reflejar la fiabilidad relativa de diversos tipos de información. Por ejemplo, en algunas realizaciones, la información predicha de condiciones de tráfico puede ser utilizada prefiriéndose a (por ejemplo, siempre que esté disponible) pronosticar información de condiciones de tráfico, que a su vez puede utilizarse prefiriéndose a la información media histórica de condiciones de tráfico. Detalles adicionales relacionados con la predicción y pronóstico de futuras condiciones de flujo de tráfico están disponibles en la solicitud de patente de EEUU nº 11/367.463, presentada el 3 de marzo de 2006 y titulada "Predicción Dinámica de Series Cronológicas de Futuras Condiciones del Tráfico" que se incorpora en la presente memoria como referencia en su totalidad. En otras realizaciones, las etapas 1215 y 1225 pueden no realizarse, tal como si la corrección de lecturas de datos en la etapa 1220 se realiza siempre basándose en los mejores datos que están disponibles de otros sensores sanos de tráfico durante la categoría seleccionada de tiempo y/o categorías relacionadas de tiempo. Por ejemplo, la corrección de lecturas de datos puede basarse en todos los sensores sanos de tráfico en el segmento indicado de carretera para la categoría seleccionada de tiempo si por lo menos son sanos un porcentaje predeterminado (por ejemplo, por lo menos 30%) de ésos sensores de tráfico, o de otro modo en los sensores sanos más cercanos de tráfico en el segmento indicado y/o cercano de carretera durante la categoría seleccionada de tiempo y/o categorías relacionadas de tiempo. If in step 1215 it is determined that there are not enough healthy traffic sensors in the indicated road segment for the selected time category, the routine continues to step 1225, where it attempts to determine a corrected reading of data for the unhealthy sensor of traffic based on other information related to the traffic sensor and / or the road segment. For example, such information may include predicted traffic conditions information for the road segment and / or the unhealthy traffic sensor, traffic conditions forecast information for the road segment and / or the unhealthy traffic sensor, and / or average historical traffic conditions information for the road segment and / or the unhealthy traffic sensor. Various logics can be implemented to reflect the relative reliability of various types of information. For example, in some embodiments, the predicted traffic conditions information may be used in preference to (for example, whenever available) forecast traffic conditions information, which in turn can be used in preference to the historical average information of traffic conditions. traffic. Additional details related to the prediction and forecast of future traffic flow conditions are available in US Patent Application No. 11 / 367,463, filed on March 3, 2006 and entitled "Dynamic Prediction of Chronological Series of Future Traffic Conditions" which is incorporated herein by reference in its entirety. In other embodiments, steps 1215 and 1225 may not be performed, such as if the correction of data readings in step 1220 is always performed based on the best data available from other sound traffic sensors during the selected time category and / or related time categories. For example, correction of data readings can be based on all sound traffic sensors in the indicated road segment for the selected time category if at least a predetermined percentage (for example, at least 30%) of those traffic sensors, or otherwise in the nearest healthy traffic sensors in the indicated and / or near road segment during the selected time category and / or related time categories.

Después de las etapas 1220 o 1225, la rutina continúa a la etapa 1230 y proporciona las lecturas determinadas de datos de sensor de tráfico para su uso como una lectura corregida para el sensor de tráfico durante la categoría seleccionada de tiempo. En algunas realizaciones, la lectura determinada de datos de sensor de tráfico puede almacenarse (por ejemplo, en un sistema de archivos o base de datos) para el uso posterior por parte de otros componentes (por ejemplo, el componente 110 Totalizador de Datos de Sensor de Figura 1). En la etapa 1235, la rutina determina si hay que procesar combinaciones adicionales de sensores de tráfico y categorías de tiempo. Si ese es el caso, la rutina regresa a la etapa 1210, y si no continúa a la etapa 1299 y regresa. After steps 1220 or 1225, the routine continues to step 1230 and provides the determined readings of traffic sensor data for use as a corrected reading for the traffic sensor during the selected time category. In some embodiments, the determined reading of traffic sensor data may be stored (for example, in a file system or database) for later use by other components (e.g., component 110 Sensor Data Totalizer of Figure 1). In step 1235, the routine determines whether additional combinations of traffic sensors and time categories must be processed. If that is the case, the routine returns to stage 1210, and if it does not continue to stage 1299 and returns.

La Figura 13 es un diagrama de flujo de un ejemplo de realización de una rutina 1300 de Totalizador de Lecturas de Datos de Sensor relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución del componente 355 Totalizador de Datos de Sensor de la Figura 3 y/o el componente 110 Totalizador de Datos de Sensor de la Figura 1, tal como para determinar y proporcionar información de condiciones de tráfico para múltiples sensores de tráfico durante una categoría particular de tiempo u otro periodo de tiempo, tal como para múltiples sensores de tráfico asociados con un segmento particular de carretera. En la realización ilustrada de ejemplo, la rutina se realiza para segmentos particulares de carretera, pero en otras realizaciones puede totalizar información de otros tipos de grupos de múltiples sensores de tráfico. Además, esta rutina puede proporcionar información de condiciones de tráfico que es complementaria a la información proporcionada por otras rutinas que realizan evaluaciones de información de condiciones de tráfico (por ejemplo, la rutina de Evaluador de Flujo de Muestras de Datos), tal como proporcionar información de condiciones de tráfico en situaciones en las que otras rutinas no pueden proporcionar evaluaciones precisas (por ejemplo, debido a datos insuficientes). Figure 13 is a flow chart of an exemplary embodiment of a Sensor Data Read Totalizer routine 1300 related to the present invention. The routine may be provided, for example, by the execution of the 355 Sensor Data Totalizer component of Figure 3 and / or the 110 Sensor Data Totalizer component of Figure 1, such as to determine and provide condition information. traffic for multiple traffic sensors during a particular time category or other period of time, such as for multiple traffic sensors associated with a particular road segment. In the exemplary embodiment illustrated, the routine is performed for particular road segments, but in other embodiments it can total information from other types of groups of multiple traffic sensors. In addition, this routine may provide traffic condition information that is complementary to the information provided by other routines that perform traffic condition information evaluations (for example, the Data Sample Flow Evaluator routine), such as providing information. of traffic conditions in situations where other routines cannot provide accurate assessments (for example, due to insufficient data).

La rutina empieza en la etapa 1305 y recibe una indicación de uno o más segmentos de carretera y de una o más categorías de tiempo u otros períodos de tiempo. En la etapa 1310, la rutina selecciona el próximo segmento de carretera del uno o más segmentos de carretera, empezando con el primero. En la etapa 1315, la rutina obtiene algunas o todas las lecturas disponibles de datos de sensor de tráfico tomadas durante los períodos de tiempo indicados por todos los sensores de tráfico asociados con el segmento de carretera. Tal información puede obtenerse de, por ejemplo, el componente 105 Acondicionador de Datos de Sensor de la Figura 1 y/o el componente 353 Acondicionador de Datos de Sensor de la Figura 1. En particular, en algunos casos la rutina puede obtener lecturas de datos de sensor de tráfico para sensores de tráfico determinados como sanos y/o lecturas corregidas de datos de sensor de tráfico para sensores de tráfico determinados como poco sanos, tal como los proporcionados o determinados por la rutina de Corrector de Errores de Lecturas de Datos de Sensor de la Figura 12. The routine begins at step 1305 and receives an indication of one or more road segments and one or more time categories or other periods of time. In step 1310, the routine selects the next road segment of the one or more road segments, starting with the first. In step 1315, the routine obtains some or all available readings of traffic sensor data taken during the time periods indicated by all traffic sensors associated with the road segment. Such information can be obtained from, for example, component 105 Sensor Data Conditioner of Figure 1 and / or component 353 Sensor Data Conditioner of Figure 1. In particular, in some cases the routine can obtain data readings of traffic sensor for traffic sensors determined as healthy and / or corrected readings of traffic sensor data for traffic sensors determined to be unhealthy, such as those provided or determined by the Sensor Data Read Error Corrector routine of Figure 12.

En la etapa 1320, la rutina genera entonces las lecturas obtenidas de datos de una o más de diversas maneras, tal como para determinar la velocidad media, el volumen y/o la ocupación para el segmento de carretera durante los períodos de tiempo indicados. La velocidad media puede, por ejemplo, ser determinada promediando lecturas de datos que reflejan la velocidad de vehículos que pasan por encima de uno o más sensores de tráfico. El volumen de tráfico puede ser determinado con referencia a lecturas de datos que informan de cuentas de vehículos. Por ejemplo, dado un sensor de lazo que informa de un número acumulado de vehículos que pasan por encima del sensor desde que el sensor fue activado, puede inferirse un volumen de tráfico simplemente restando dos lecturas de datos obtenidas durante el período de tiempo indicado y dividiendo el resultado por el intervalo de tiempo entre las lecturas de datos. Además, la densidad puede ser determinada basándose en la velocidad media determinada, en el volumen y en una longitud media de vehículo, como se ha descrito con más detalle en otra parte. En algunos casos, las lecturas de datos pueden recibir pesos de diversas maneras (por ejemplo, por la edad), de tal manera que lecturas más recientes de datos tengan un impacto más grande que lecturas más antiguas de datos en una determinación del flujo medio. In step 1320, the routine then generates the readings obtained from data in one or more of different ways, such as to determine the average speed, volume and / or occupancy for the road segment during the indicated time periods. The average speed can, for example, be determined by averaging data readings that reflect the speed of vehicles passing over one or more traffic sensors. The volume of traffic can be determined with reference to data readings that report vehicle accounts. For example, given a loop sensor that reports an accumulated number of vehicles that pass over the sensor since the sensor was activated, a traffic volume can be inferred simply by subtracting two readings of data obtained during the indicated time period and dividing the result by the time interval between the data readings. In addition, the density can be determined based on the determined average speed, volume and average vehicle length, as described in more detail elsewhere. In some cases, data readings can receive weights in various ways (for example, by age), such that more recent data readings have a larger impact than older data readings in a mean flow determination.

En la etapa 1325, la rutina determina entonces si hay que procesar más segmentos de carretera (u otros grupos de múltiples sensores de tráfico). Si ese es el caso, la rutina regresa a la etapa 1310, y de lo contrario continúa a la etapa 1330 para proporcionar la información determinada de flujo de tráfico. En algunas realizaciones, la información determinada de flujo puede ser almacenada (por ejemplo, en un sistema de archivos o base de datos) para la provisión posterior a clientes 109 de datos de tráfico de la Figura 1 y/o al sistema 363 Proveedor de Información RT de Figura 3. Después, la rutina continúa a la etapa 1339 y regresa. In step 1325, the routine then determines whether more road segments (or other groups of multiple traffic sensors) must be processed. If that is the case, the routine returns to step 1310, and otherwise continues to step 1330 to provide the determined traffic flow information. In some embodiments, the determined flow information may be stored (for example, in a file or database system) for the subsequent provision to customers 109 of traffic data of Figure 1 and / or the System 363 Information Provider RT of Figure 3. Next, the routine continues to step 1339 and returns.

La Figura 14 es un diagrama de flujo de un ejemplo de realización de una rutina 1400 de Estimador de Flujo de Tráfico relacionada con la presente invención. La rutina puede ser proporcionada, por ejemplo, por la ejecución de un componente Estimador de Flujo de Tráfico (no se muestra), tal como para estimar diversos tipos de información de flujo de tráfico para un segmento de carretera de varias maneras. En esta realización de ejemplo, la rutina puede ser invocada por la rutina de Evaluador de Velocidad de Muestras de Datos de la Figura 6 para obtener estimaciones de la velocidad media y/o por la rutina de Evaluador de Flujo de Muestras de Datos de la Figura 7 para obtener estimaciones de volumen y/u ocupación, tal como en situaciones en las que esas rutinas no son capaces de obtener los datos suficientes para de otro modo realizar con precisión sus respectivas evaluaciones. Figure 14 is a flow chart of an exemplary embodiment of a Traffic Flow Estimator routine 1400 related to the present invention. The routine can be provided, for example, by the execution of a Traffic Flow Estimator component (not shown), such as to estimate various types of traffic flow information for a road segment in several ways. In this exemplary embodiment, the routine may be invoked by the Data Sample Rate Evaluator routine of Figure 6 to obtain estimates of the average speed and / or by the Data Sample Flow Evaluator routine of Figure 7 to obtain estimates of volume and / or occupancy, such as in situations where these routines are not able to obtain sufficient data to otherwise accurately perform their respective evaluations.

La rutina empieza en la etapa 1405 y recibe una indicación de un segmento de carretera, una o más categorías de tiempo u otros períodos de tiempo, y de uno o más tipos de información de flujo de tráfico, tal como la velocidad, el volumen, la densidad, la ocupación, etc. En la etapa 1410, la rutina determina si se ha de estimar el tipo indicado de información de flujo de tráfico basándose en uno o más segmentos relacionados de carretera, tal como basándose en si tales segmentos de carretera tienen información precisa para el uno o más tipos de información de flujo de tráfico durante el uno o más períodos indicados de tiempo. Los segmentos relacionados de carretera pueden ser identificados de varias maneras. Por ejemplo, en algunos casos, la información acerca de segmentos de carretera puede incluir información acerca de relaciones entre segmentos de carretera, tal como un primer segmento de carretera que normalmente tiene similares patrones de tráfico a un segundo (por ejemplo, vecino) segmento de carretera, de tal manera que se puede utilizar información de flujo de tráfico para el segundo segmento de carretera para estimar el flujo de tráfico en el primer segmento de carretera. En algunos casos, tales relaciones pueden ser determinadas automáticamente, tal como basándose en un análisis estadístico de los respectivos patrones de flujo de tráfico en los dos segmentos de carretera (por ejemplo, de una manera similar a la que se comentó anteriormente con respecto a la identificación de distribuciones similares de datos para un sensor dado del tráfico en momentos diferentes, pero analizando en cambio la similitud entre dos o más sensores diferentes de tráfico, tal como al mismo tiempo), si se realizó un análisis anteriormente y/o dinámicamente. Como alternativa, uno o más segmentos vecinos de carretera pueden ser seleccionados como que están relacionados para un segmento indicado de carretera sin haber realizado ninguna determinación de una relación particular entre segmentos de carretera. Si se determina que se ha de estimar información de flujo de tráfico basándose en segmentos relacionados de carretera, la rutina continúa a la etapa 1415 y estima valores para los tipos indicados de información de flujo de tráfico basándose en los mismos tipos de información de flujo de tráfico para el uno o más segmentos relacionados de carretera. Por ejemplo, la velocidad media del segmento de carretera puede ser determinada basándose en la velocidad media del tráfico de uno o más segmentos vecinos de carretera (por ejemplo, utilizando la velocidad del tráfico de un segmento vecino de carretera o promediando las velocidades del tráfico de dos o más segmentos vecinos de carretera). The routine begins at step 1405 and receives an indication of a road segment, one or more time categories or other time periods, and one or more types of traffic flow information, such as speed, volume, density, occupation, etc. In step 1410, the routine determines whether the indicated type of traffic flow information is to be estimated based on one or more related road segments, such as based on whether such road segments have accurate information for the one or more types. of traffic flow information during the one or more indicated periods of time. Related road segments can be identified in several ways. For example, in some cases, information about road segments may include information about relationships between road segments, such as a first road segment that normally has similar traffic patterns to a second (for example, neighbor) road segment. road, in such a way that traffic flow information can be used for the second road segment to estimate the traffic flow in the first road segment. In some cases, such relationships can be determined automatically, such as based on a statistical analysis of the respective traffic flow patterns in the two road segments (for example, in a manner similar to the one discussed above regarding the Identification of similar distributions of data for a given traffic sensor at different times, but instead analyzing the similarity between two or more different traffic sensors, such as at the same time), if an analysis was done previously and / or dynamically. Alternatively, one or more neighboring road segments may be selected as being related to an indicated road segment without having made any determination of a particular relationship between road segments. If it is determined that traffic flow information is to be estimated based on related road segments, the routine continues to step 1415 and estimates values for the indicated types of traffic flow information based on the same types of traffic flow information. traffic for the one or more related road segments. For example, the average speed of the road segment can be determined based on the average traffic speed of one or more neighboring road segments (for example, using the traffic speed of a neighboring road segment or averaging the traffic speeds of two or more neighboring road segments).

Si en cambio en la etapa 1410 se determina no estimar la información de flujo de tráfico para el segmento indicado de carretera basándose en segmentos relacionados de carretera, la rutina continúa a la etapa 1420 y determina si se ha de estimar información de flujo de tráfico para el segmento indicado de carretera durante el uno o más períodos indicados de tiempo basándose en la información predicha para el segmento indicado de carretera y en períodos de tiempo indicados. En algunas realizaciones, tal información predicha puede estar disponible sólo bajo determinadas condiciones, tales como si se hacen predicciones de manera repetida para múltiples futuros momentos (por ejemplo cada 15 minutos para las próximas tres horas) mientras están disponibles los datos actuales precisos. Como tal, si llega a haber disponibles datos de entrada precisos para generar predicciones para un tiempo prolongado (por ejemplo, durante más de tres horas), puede no ser posible obtener futuras predicciones de información de condiciones de tráfico que puedan ser utilizadas por esta rutina. Como alternativa, en algunas realizaciones tal futura información predicha de condiciones de tráfico puede no estar disponible por otras razones, tal como debido no ser utilizada en esa realización, Si en la etapa 1420 se determina que se ha de estimar información de flujo de tráfico basada en la información predicha, la rutina continúa a la etapa 1425 y estima los tipos indicados de información de flujo de tráfico para el segmento indicado de carretera y períodos de tiempo indicados basándose en la información predicha obtenida de, por ejemplo, el sistema 360 Predictivo Proveedor de Información de Tráfico de la Figura 3. Detalles adicionales relacionados con la predicción y pronóstico de futuras condiciones de flujo de tráfico están disponibles en la solicitud de patente de EEUU nº 11/367.463, presentada el 3 de marzo de 2006 y titulada "Predicción Dinámica de Serie Cronológicas de Futuras Condiciones del Tráfico" que se incorpora en su totalidad en la presente memoria como referencia. If instead in step 1410 it is determined not to estimate the traffic flow information for the indicated road segment based on related road segments, the routine continues to step 1420 and determines whether traffic flow information is to be estimated for the indicated road segment during the one or more indicated periods of time based on the predicted information for the indicated road segment and in indicated periods of time. In some embodiments, such predicted information may be available only under certain conditions, such as if repeated predictions are made for multiple future moments (for example every 15 minutes for the next three hours) while accurate current data is available. As such, if accurate input data becomes available to generate predictions for a long time (for example, for more than three hours), it may not be possible to obtain future predictions of traffic condition information that may be used by this routine. . Alternatively, in some embodiments such future predicted traffic conditions information may not be available for other reasons, such as due not to be used in that embodiment, if it is determined in step 1420 that traffic flow information is to be estimated based In the predicted information, the routine continues to step 1425 and estimates the indicated types of traffic flow information for the indicated road segment and indicated time periods based on the predicted information obtained from, for example, the Predictive Supplier 360 system of Traffic Information in Figure 3. Additional details related to the prediction and forecast of future traffic flow conditions are available in US Patent Application No. 11 / 367,463, filed on March 3, 2006 and entitled "Dynamic Prediction of Chronological Series of Future Traffic Conditions "which is fully incorporated herein Memory as reference.

Si en cambio en la etapa 1420 se determina no estimar la información de flujo de tráfico para el segmento indicado basándose en información predicha (por ejemplo debido a la información que no está disponible), la rutina continúa a la etapa 1430 y determina si se ha de estimar información de flujo de tráfico para el segmento indicado de carretera durante el uno o más períodos indicados de tiempo basándose en información de pronóstico para el segmento de carretera y los períodos de tiempo. En algunas realizaciones, las condiciones de tráfico pueden ser pronosticadas para futuros tiempos más allá de ésos para los que se predicen las condiciones de tráfico, tal como de una manera que no utiliza por lo menos alguna información de condiciones actuales. Como tal, si no hay disponible información predicha (por ejemplo, debido a que durante más de tres horas no ha habido disponibles datos de entrada precisos para generar predicciones), todavía puede ser posible utilizar información de pronóstico, tal como información generada significativamente por adelantado. Si en la etapa 1430 se determina que se ha de estimar información de flujo de tráfico basada en la información de pronóstico, la rutina continúa a la etapa 1435 y estima los tipos indicados de información de flujo de tráfico para el segmento indicado de carretera y períodos de tiempo basándose en la información de pronóstico obtenida de, por ejemplo, el sistema 360 Predictivo Proveedor de Información de Tráfico. If instead in step 1420 it is determined not to estimate the traffic flow information for the indicated segment based on predicted information (for example due to the information that is not available), the routine continues to step 1430 and determines if it has been of estimating traffic flow information for the indicated road segment during the one or more indicated periods of time based on forecast information for the road segment and time periods. In some embodiments, traffic conditions may be predicted for future times beyond those for which traffic conditions are predicted, such as in a way that does not use at least some current conditions information. As such, if predicted information is not available (for example, because accurate input data for generating predictions has not been available for more than three hours), it may still be possible to use forecasting information, such as information generated significantly in advance. . If in step 1430 it is determined that traffic flow information is to be estimated based on the forecast information, the routine continues to step 1435 and estimates the indicated types of traffic flow information for the indicated road segment and periods of time based on the forecast information obtained from, for example, the Predictive 360 Traffic Information Provider system.

Si en la etapa 1430 se determina en cambio no estimar información de flujo de tráfico para el segmento indicado de carretera basándose en la información de pronóstico (por ejemplo, debido a que la información no está disponible), la rutina continúa a la etapa 1440 y estima los tipos indicados de información de flujo de tráfico para los segmentos indicados de carretera y los períodos de tiempo basándose en la información media histórica de flujo para el segmento indicado de carretera (por ejemplo, para el mismo período de tiempo u otro correspondiente, tal como basándose en categorías de tiempo que incluyen una categoría de momento del día y/o categoría de día de la semana). Por ejemplo, si no hay disponible información de pronóstico (por ejemplo, porque los datos de entrada no han estado disponibles durante más tiempo que el período para el que se generó la predicción y el pronóstico más recientes, de tal manera que no se pueden generar nuevas predicciones ni nuevos pronósticos), la rutina puede utilizar información media histórica de flujo para el segmento indicado de carretera. Los detalles adicionales relacionados con la generación de información histórica media de flujo están disponibles en la solicitud de patente de EEUU nº. (Número de Expediente de Apoderado 480234.410P1), presentada concurrentemente y titulada "Generación de Información Representativa de Flujo de Tráfico de Carretera de Datos Históricos", que se incorpora en su totalidad en esta memora como referencia. If in step 1430 it is determined instead not to estimate traffic flow information for the indicated road segment based on the forecast information (for example, because the information is not available), the routine continues to step 1440 and estimates the indicated types of traffic flow information for the indicated road segments and time periods based on the historical average flow information for the indicated road segment (for example, for the same or corresponding time period, such such as based on time categories that include a category of moment of day and / or category of day of the week). For example, if forecast information is not available (for example, because the input data has not been available for longer than the period for which the most recent forecast and forecast was generated, such that it cannot be generated new predictions or new forecasts), the routine can use historical average flow information for the indicated road segment. Additional details related to the generation of average historical flow information are available in US patent application no. (Representative File Number 480234.410P1), presented concurrently and entitled "Generation of Representative Information of Road Traffic of Historical Data Traffic", which is incorporated in its entirety in this memorandum as a reference.

Después de las etapas 1415, 1425, 1435 o 1440, la rutina continúa a la etapa 1445 y proporciona información estimada de flujo de tráfico de los tipos indicados para el segmento indicado de carretera y períodos de tiempo indicados. La información proporcionada puede, por ejemplo, ser devuelta a una rutina (por ejemplo, la rutina de Evaluador de Flujo de Muestras de Datos) que llamó a la rutina y/o ser almacenada (por ejemplo, en un sistema de archivos o base de datos) para una utilización posterior. Después de la etapa 1445, la rutina continúa a la etapa 1499 y regresa. After steps 1415, 1425, 1435 or 1440, the routine continues to step 1445 and provides estimated traffic flow information of the types indicated for the indicated road segment and indicated time periods. The information provided may, for example, be returned to a routine (for example, the Data Sample Flow Evaluator routine) that called the routine and / or be stored (for example, in a file system or database base). data) for later use. After stage 1445, the routine continues to stage 1499 and returns.

Las Figuras 9A-9C ilustran ejemplos de acciones de fuentes móviles de datos al obtener y proporcionar información acerca de condiciones de tráfico de carretera. La información acerca de condiciones de tráfico de carretera puede obtenerse de dispositivos móviles (ya sea dispositivos con base en vehículo y/o dispositivos de usuario) de varias maneras, tal como siendo transmitida utilizando una conexión inalámbrica (por ejemplo, enlace ascendente de satélite, la red de telefonía móvil, WI-FI, radio de paquetes, etc.) y/o ser descargada físicamente cuando el dispositivo alcanza una estación apropiada u otro punto de conexión (por ejemplo, para descargar información de un vehículo de flota una vez que ha vuelto a su base primaria de operaciones u otro destino con el equipo apropiado para realizar la descarga de información). Si bien la información acerca de las condiciones de tráfico de carretera en un primer tiempo que se obtienen en un segundo tiempo posterior proporciona varios beneficios (por ejemplo, la verificación de predicciones acerca del primer tiempo, para el uso como datos observados de caso en una mejora posterior de un proceso de predicción, etc.), tal como puede ser el caso para información que es descargada físicamente de un dispositivo, tal información de condiciones de tráfico de carretera proporciona beneficios adicionales cuando se obtiene de una manera en tiempo real o cercana a en tiempo real. Por consiguiente, en por lo menos algunas realizaciones unos dispositivos móviles con capacidades inalámbricas de comunicación pueden proporcionar por lo menos alguna información adquirida acerca de las condiciones de tráfico de carretera de manera frecuente, tal como periódicamente (por ejemplo, cada 30 segundos, 1 minuto, 5 minutos, etc.) y/o cuando hay disponible una cantidad suficiente de información adquirida (por ejemplo, para cada adquisición de un punto de datos relacionado con la información de la condiciones de tráfico de carretera; para cada N adquisiciones de tales datos, tal como cuando N es un número que se puede configurar; cuando los datos adquiridos alcanzan un determinado tamaño de almacenamiento y/o de transmisión; etc.). En algunas realizaciones, tales comunicaciones inalámbricas frecuentes de información adquirida de condiciones de tráfico de carretera pueden ser complementadas aún más por información adquirida adicional de condiciones de tráfico de carretera en otros momentos (por ejemplo, tras una descarga física subsiguiente desde un dispositivo, a través de comunicaciones inalámbricas menos frecuentes que contienen una cantidad más grande de datos, etc.), tal como incluir datos adicionales que corresponden a cada punto de datos, para incluir información agregada acerca de múltiples puntos de datos, etc. Figures 9A-9C illustrate examples of actions from mobile data sources in obtaining and providing information about road traffic conditions. Information about road traffic conditions can be obtained from mobile devices (either vehicle-based devices and / or user devices) in several ways, such as being transmitted using a wireless connection (e.g., satellite uplink, the mobile telephone network, WI-FI, packet radio, etc.) and / or be physically downloaded when the device reaches an appropriate station or other connection point (for example, to download information from a fleet vehicle once has returned to its primary base of operations or other destination with the appropriate equipment to download the information). While information about road traffic conditions at a first time that is obtained at a second time later provides several benefits (for example, the verification of predictions about the first time, for use as observed case data in a subsequent improvement of a prediction process, etc.), as may be the case for information that is physically downloaded from a device, such road traffic conditions information provides additional benefits when obtained in a real-time or nearby manner. in real time. Therefore, in at least some embodiments mobile devices with wireless communication capabilities can provide at least some information acquired about road traffic conditions on a frequent basis, such as periodically (for example, every 30 seconds, 1 minute , 5 minutes, etc.) and / or when a sufficient amount of acquired information is available (for example, for each acquisition of a data point related to road traffic conditions information; for each N acquisitions of such data , such as when N is a number that can be configured; when the acquired data reaches a certain storage and / or transmission size; etc.). In some embodiments, such frequent wireless communications of information acquired from road traffic conditions may be further supplemented by additional information acquired from road traffic conditions at other times (for example, following a subsequent physical discharge from a device, through less frequent wireless communications containing a larger amount of data, etc.), such as including additional data corresponding to each data point, to include aggregate information about multiple data points, etc.

Si bien se proporcionan varios beneficios al obtener información adquirida de condiciones de tráfico de carretera de dispositivos móviles de una manera en tiempo real u otra manera frecuente, en algunas realizaciones tales comunicaciones inalámbricas de información adquirida de condiciones de tráfico de carretera pueden ser limitadas de varias maneras. Por ejemplo, en algunos casos la estructura de costes de transmitir los datos desde un dispositivo móvil a través de una conexión inalámbrica particular (por ejemplo, enlace ascendente de satélite) puede ser de tal manera que las transmisiones se producen en intervalos menos frecuentes (por ejemplo, cada 15 minutos), o los dispositivos móviles pueden haber sido programados previamente para transmitir en tales intervalos. En otros casos, un dispositivo móvil puede perder temporalmente una capacidad de transmitir los datos por una conexión inalámbrica, tal como debido a una falta de cobertura inalámbrica en una zona del dispositivo móvil (por ejemplo, debido a que no hay cerca una estación receptora de telefonía móvil), debido a que se están realizando otras actividades por parte del dispositivo móvil o un usuario del dispositivo, o debido a un problema temporal con el dispositivo móvil o un transmisor asociado. While several benefits are provided by obtaining information acquired from road traffic conditions of mobile devices in a real-time or other frequent manner, in some embodiments such wireless communications of information acquired from road traffic conditions may be limited in several ways. ways. For example, in some cases the cost structure of transmitting data from a mobile device through a particular wireless connection (for example, satellite uplink) may be such that transmissions occur at less frequent intervals (for example, every 15 minutes), or the mobile devices may have been previously programmed to transmit at such intervals. In other cases, a mobile device may temporarily lose an ability to transmit data over a wireless connection, such as due to a lack of wireless coverage in an area of the mobile device (for example, because there is no nearby receiving station. mobile telephony), because other activities are being carried out by the mobile device or a user of the device, or due to a temporary problem with the mobile device or an associated transmitter.

Por consiguiente, en algunas realizaciones por lo menos algunos de tales dispositivos móviles pueden diseñarse o configurarse de otro modo para almacenar múltiples muestras de datos (o para hacer que tales múltiples muestras de datos sean almacenadas en otro dispositivo asociado) de modo que por lo menos alguna información para las múltiples muestras de datos pueda ser transmitida a la vez durante una única transmisión inalámbrica. Por ejemplo, en algunas realizaciones por lo menos algunos dispositivos móviles se configuran para almacenar muestras adquiridas de datos de información de condiciones de tráfico de carretera durante períodos en los que el dispositivo móvil puede no ser capaz de transmitir los datos por una conexión inalámbrica (por ejemplo, tal como para un dispositivo móvil que transmite normalmente cada muestra de datos individualmente, tal como cada 30 segundos o 1 minuto), y entonces transmitir esas muestras de datos almacenadas a la vez (o un subconjunto y/o agrupación de esas muestras) durante la próxima transmisión inalámbrica que se produzca. Algunos dispositivos móviles también pueden configurarse para realizar transmisiones inalámbricas periódicamente (por ejemplo, cada 15 minutos, o cuando hay disponible una cantidad especificada de datos para ser transmitida), y en por lo menos algunas realizaciones pueden configurarse además para adquirir y almacenar múltiples muestras de datos de información de condiciones de tráfico de carretera (por ejemplo, con un régimen predeterminado de muestreo, tal como 30 segundos o un minuto) en el intervalo de tiempo entre transmisiones inalámbricas y entonces transmitir similarmente a la vez esas muestras de datos almacenadas (o un subconjunto y/o agrupación de esas muestras) durante la próxima transmisión inalámbrica. Como ejemplo, si una transmisión inalámbrica de hasta 1000 unidades de información cuesta $0,25 y cada muestra de datos tiene un tamaño de 50 unidades, puede ser ventajoso muestrear cada minuto y enviar un conjunto de datos que comprende 20 muestras cada 20 minutos (en vez de enviar cada muestra individualmente cada minuto). En tales realizaciones, si bien las muestras de datos pueden ser retrasadas ligeramente (en el ejemplo de las transmisiones periódicas, de media la mitad del período de tiempo entre transmisiones, suponiendo adquisiciones regulares de muestras de datos), la información de condiciones de tráfico de carretera obtenida de las transmisiones todavía proporciona información cercana a en tiempo real . Además, en algunas realizaciones se puede generar información adicional y puede ser proporcionada por un dispositivo móvil basado en múltiples muestras de datos almacenadas. Por ejemplo, si un dispositivo móvil particular puede adquirir sólo información acerca de una posición instantánea actual durante cada muestra de datos, pero no puede adquirir información relacionada adicional tal como la velocidad y/o la dirección, tal información relacionada adicional puede ser calculada o determinada de otro modo basándose en múltiples muestras subsiguientes de datos. Accordingly, in some embodiments at least some of such mobile devices may be designed or otherwise configured to store multiple data samples (or to have such multiple data samples stored in another associated device) so that at least Some information for multiple data samples can be transmitted at the same time during a single wireless transmission. For example, in some embodiments at least some mobile devices are configured to store acquired samples of road traffic conditions information data during periods when the mobile device may not be able to transmit the data over a wireless connection (for example, such as for a mobile device that normally transmits each individual data sample, such as every 30 seconds or 1 minute), and then transmit those stored data samples at once (or a subset and / or grouping of those samples) during the next wireless transmission that occurs. Some mobile devices can also be configured to perform wireless transmissions periodically (for example, every 15 minutes, or when a specified amount of data is available to be transmitted), and in at least some embodiments can also be configured to acquire and store multiple samples of Road traffic conditions information data (for example, with a predetermined sampling rate, such as 30 seconds or one minute) in the time interval between wireless transmissions and then similarly transmitting those stored data samples at the same time (or a subset and / or grouping of those samples) during the next wireless transmission. As an example, if a wireless transmission of up to 1000 units of information costs $ 0.25 and each sample of data is 50 units in size, it can be advantageous to sample every minute and send a data set comprising 20 samples every 20 minutes (in instead of sending each sample individually every minute). In such embodiments, although data samples may be slightly delayed (in the example of periodic transmissions, on average half of the period of time between transmissions, assuming regular acquisitions of data samples), the traffic conditions information of Road obtained from transmissions still provides near real-time information. In addition, in some embodiments additional information may be generated and may be provided by a mobile device based on multiple samples of stored data. For example, if a particular mobile device can acquire only information about a current instantaneous position during each sample of data, but cannot acquire additional related information such as speed and / or address, such additional related information can be calculated or determined. otherwise based on multiple subsequent samples of data.

En particular, la Figura 9A representa una zona de ejemplo 955 con varias carreteras interconectadas 925, 930, 935 y 940, y una indicación de leyenda 950 indica la dirección Norte para las carreteras (discurriendo las carreteras 925 y 935 en dirección norte-sur, y discurriendo las carreteras 930 y 940 en dirección este-oeste). Si bien sólo se indica un número limitado de carreteras, pueden representar una zona geográfica grande, tal como autopistas interconectadas en numerosas millas, o un subconjunto de calles de ciudad que atraviesan numerosos bloques. En este ejemplo, una fuente móvil de datos (por ejemplo, un vehículo, no mostrado) se ha desplazado desde la posición 945a a 945c en un período de 30 minutos, y se configura para adquirir y transmitir una muestra de datos que indica las condiciones de tráfico actual cada 15 minutos. Por consiguiente, cuando la fuente móvil de datos comienza a desplazarse, adquiere y transmite una primera muestra de datos en la posición 945a (según lo indicado en este ejemplo con un asterisco "*"), adquiere y transmite una segunda muestra de datos 15 minutos después en la posición 945b, y adquiere y transmite una tercera muestra de datos un total de 30 minutos después en la posición 945c. En este ejemplo, cada muestra de datos incluye una indicación de la posición actual (por ejemplo, en coordenadas GPS), dirección actual (por ejemplo, en dirección norte), la velocidad actual (por ejemplo, 30 millas por hora), y tiempo actual, tal como se representa para la transmisión 945a utilizando los valores de datos Pa, Da, Sa y Ta, y también puede incluir opcionalmente otra información (por ejemplo, un identificador para indicar la fuente móvil de datos). Si bien tal información adquirida y proporcionada de condiciones actuales de tráfico proporciona algún beneficio, numerosos detalles no pueden ser determinados de tales datos, incluyendo si la ruta desde la posición 945b a 945c ocurrió en parte por la carretera 930 o por la 940. Además, tal muestra de datos no permite que, por ejemplo, partes de carretera 925 entre las posiciones 945a y 945b sean tratadas como distintos segmentos de carretera para los que se pueden informar y predecir condiciones distintas de tráfico. In particular, Figure 9A depicts an example zone 955 with several interconnected roads 925, 930, 935 and 940, and an indication of legend 950 indicates the north direction for the roads (running roads 925 and 935 in a north-south direction, and running the 930 and 940 roads in an east-west direction). While only a limited number of roads are indicated, they can represent a large geographical area, such as highways interconnected on numerous miles, or a subset of city streets that span numerous blocks. In this example, a mobile data source (for example, a vehicle, not shown) has moved from position 945a to 945c over a period of 30 minutes, and is configured to acquire and transmit a sample of data indicating the conditions of current traffic every 15 minutes. Therefore, when the mobile data source begins to move, it acquires and transmits a first sample of data at position 945a (as indicated in this example with an asterisk "*"), it acquires and transmits a second sample of data 15 minutes then at position 945b, and acquires and transmits a third sample of data a total of 30 minutes later at position 945c. In this example, each data sample includes an indication of the current position (for example, in GPS coordinates), current address (for example, northbound), current speed (for example, 30 miles per hour), and time current, as depicted for transmission 945a using the data values Pa, Da, Sa and Ta, and may also optionally include other information (for example, an identifier to indicate the mobile data source). While such information acquired and provided with current traffic conditions provides some benefit, numerous details cannot be determined from such data, including whether the route from position 945b to 945c occurred in part on highway 930 or 940. In addition, Such a sample of data does not allow, for example, parts of road 925 between positions 945a and 945b to be treated as different road segments for which different traffic conditions can be reported and predicted.

De una manera similar a la Figura 9A, la Figura 9B representa un ejemplo 905 con una fuente móvil de datos que se desplaza por carreteras interconectadas 925, 930, 935 y 940 desde las posiciones 945a a 945c en un período de 30 minutos, y con la fuente móvil de datos transmitiendo información acerca de condiciones de tráfico cada 15 minutos (como se indica mediante los asteriscos mostrados en las posiciones 945a, 945b y 945c). Sin embargo, en este ejemplo la fuente móvil de datos se configura para adquirir y almacenar muestras de datos cada minuto, con una transmisión subsiguiente que incluye datos de cada una de las muestras de datos durante los 15 minutos previos. Por consiguiente, como la fuente móvil de datos se desplaza entre las posiciones 945a y 945b, la fuente móvil de datos adquiere un conjunto 910b de 15 muestras de datos 910b1-910b15, con cada muestra de datos indicada en este ejemplo con una flecha que apunta en la dirección de la fuente móvil de datos en el momento de muestra de datos. En este ejemplo, cada muestra de datos incluye similarmente una indicación de la posición actual, la dirección actual, la velocidad actual y el momento actual, y la transmisión subsiguiente en la posición 945b incluye esos valores de datos para cada una de las muestras 910b de datos. Similarmente, cuando la fuente móvil de datos se desplaza entre las posicione 945b y 945c, la fuente móvil de datos adquiere 15 muestras 910c1-910c15 de datos y la transmisión subsiguiente en la posición 945c incluye los valores adquiridos de datos para cada una de esas 15 muestras de datos. Al proporcionar tales muestras adicionales de datos, se puede obtener diversa información adicional. Por ejemplo, ahora se determina fácilmente que la ruta desde la posición 945b a la 945c se produjo en parte por la carretera 930 en vez de por la carretera 940, permitiendo que la correspondiente información de condiciones de tráfico sea atribuida a la carretera 930. Además, muestras particulares de datos y sus muestras adyacentes de datos pueden proporcionar diversa información acerca de tramos más pequeños de carreteras, tal como para permitir que la carretera 925 entre las posiciones 945a y 945b sea representada como, por ejemplo, hasta 15 segmentos distintos de carretera (por ejemplo, asociando cada muestra de datos con un segmento distinto de carretera) que cada uno tiene condiciones potencialmente distintas de tráfico de carretera. Por ejemplo, puede observarse visualmente que la velocidad media para las muestras 910b1-910b6 de datos es aproximadamente constante (ya que las muestras de datos están separadas aproximadamente igual), que la velocidad media aumentó para las muestras 910b7 y 910b8 de datos (ya que las muestras de datos corresponden a posiciones que están bastante separadas, reflejando que se recorrió mayor distancia durante el intervalo de 1 minuto dado entre muestras de datos para este ejemplo), y que la velocidad media disminuyó para las muestras 910b11-910b15 de datos. Si bien las muestras de datos en este ejemplo proporcionan directamente información acerca de tal velocidad, en otras realizaciones tal información de velocidad puede derivarse de información de muestras de datos que incluye sólo la posición actual. In a manner similar to Figure 9A, Figure 9B depicts an example 905 with a mobile data source that travels on interconnected roads 925, 930, 935 and 940 from positions 945a to 945c over a period of 30 minutes, and with the mobile data source transmitting information about traffic conditions every 15 minutes (as indicated by the asterisks shown in positions 945a, 945b and 945c). However, in this example the mobile data source is configured to acquire and store data samples every minute, with a subsequent transmission that includes data from each of the data samples during the previous 15 minutes. Therefore, as the mobile data source moves between positions 945a and 945b, the mobile data source acquires a set 910b of 15 data samples 910b1-910b15, with each data sample indicated in this example with an arrow pointing at the address of the mobile data source at the time of data display. In this example, each data sample similarly includes an indication of the current position, the current address, the current speed and the current moment, and the subsequent transmission at position 945b includes those data values for each of the samples 910b of data. Similarly, when the mobile data source moves between positions 945b and 945c, the mobile data source acquires 15 samples 910c1-910c15 of data and the subsequent transmission at position 945c includes the acquired data values for each of those 15 data samples By providing such additional samples of data, various additional information can be obtained. For example, it is now easily determined that the route from position 945b to 945c was partly produced by highway 930 instead of highway 940, allowing the corresponding traffic conditions information to be attributed to highway 930. In addition , particular data samples and their adjacent data samples may provide various information about smaller sections of roads, such as to allow the road 925 between positions 945a and 945b to be represented as, for example, up to 15 different road segments (for example, by associating each data sample with a different road segment) that each one has potentially different road traffic conditions. For example, it can be seen visually that the average speed for data samples 910b1-910b6 is approximately constant (since the data samples are approximately equal), that the average speed increased for data samples 910b7 and 910b8 (since the data samples correspond to positions that are quite separate, reflecting that greater distance was traveled during the given 1 minute interval between data samples for this example), and that the average speed decreased for data samples 910b11-910b15. While the data samples in this example directly provide information about such speed, in other embodiments such speed information may be derived from data sample information that includes only the current position.

La Figura 9B representa un tercer ejemplo 990 con una fuente móvil de datos que se desplaza por una parte de las carreteras interconectadas 965a a 965c en un período de 30 minutos, y con la fuente móvil de datos transmitiendo información acerca de las condiciones de tráfico cada 15 minutos (como se indica mediante los asteriscos mostrados en las posiciones 965a, 945b y 945c). Como en la figura 9C, la fuente móvil de datos se configura en este ejemplo para adquirir y almacenar muestras de datos cada minuto, con una transmisión subsiguiente que incluye datos de cada una de por lo menos algunas de las muestras de datos durante los 15 minutos previos. Por consiguiente, cuando la fuente móvil de datos se desplaza entre las posiciones 965a y 965b, la fuente móvil de datos adquiere un conjunto 960b de 15 muestras 960b1-960b15 de datos. Sin embargo, tal como se ilustra con las muestras situadas 960b5-b13 de datos (utilizando círculos en este caso en vez de flechas porque no se detectó ningún movimiento para estas muestras de datos, pero mostrados por separado en vez de uno encima de otro con fines de claridad), en este ejemplo la fuente móvil de datos se ha parado durante aproximadamente 9 minutos en una posición al lado de la carretera 925 (por ejemplo, para parar en una cafetería). Por consiguiente, cuando se produce la próxima transmisión en la posición 965b, la transmisión puede en algunas realizaciones incluir toda la información para todas las muestras de datos, o en cambio puede omitir por lo menos algo de tal información (por ejemplo, omitir información para las muestras 960b6-960b12 de datos, ya que en esta situación ellas no proporcionan información útil adicional si se sabe que la fuente móvil de datos se quedó inmóvil entre las muestras 960b5 y 960b13 de datos). Además, si bien no se ilustra aquí, en otras realizaciones en las que se omite la información para una o más de tales muestras de datos, la transmisión subsiguiente puede ser retrasada hasta que haya disponibles 15 muestras de datos para ser transmitidas (por ejemplo, si las transmisiones periódicas se realizan basándose en la cantidad de datos a enviar en vez de en el tiempo). Además, cuando la fuente móvil de datos se desplaza entre las posiciones 965b y 965c, la fuente móvil de datos adquiere las muestras 960c13 y 960c14 de datos en una zona en la que las comunicaciones inalámbricas no están actualmente disponibles (como se indica en este ejemplo, con círculos abiertos en vez de flechas). En otras realizaciones en las que cada muestra de datos es transmitida individualmente cuando se adquiere pero por el contrario no se guarda, estas muestras de datos se perderían, pero en este ejemplo son almacenadas en cambio y son transmitidas junto con las otras muestras 960c1-960c12 y 960c15 de datos en la posición 965c. Si bien no se muestra aquí, en algunas situaciones una fuente móvil de datos puede además perder temporalmente la capacidad de obtener una o más muestras de datos utilizando unos medios principales de adquisición de datos (por ejemplo, si una fuente móvil de datos pierde la capacidad de obtener lecturas GPS durante unos minutos) -si ese es el caso, la fuente móvil de datos puede en algunas realizaciones informar de las otras muestras obtenidas de datos sin acción adicional (por ejemplo, tal como para permitir al recipiente interpolar o estimar de otro modo esas muestras de datos si así se desea), si bien en otras realizaciones se puede procurar obtener muestras de datos de otras maneras (por ejemplo, utilizando un mecanismo menos preciso para determinar la posición, tal como triangulación de torres de telefonía móvil o estimando la posición actual basándose en una posición conocida previa y la velocidad media y el rumbo subsiguientes, tal como a través de navegación por estimación), incluso si esas muestras de datos tienen menos precisión o certeza (por ejemplo, que pueden reflejarse por incluir un grado menor de confianza o grado mayor de posibles errores con esas muestras de datos, o por inclusión de otro modo de una indicación de cómo fueron generadas ésas y/u otras muestras de datos). Figure 9B depicts a third example 990 with a mobile data source that travels through a portion of interconnected roads 965a to 965c over a period of 30 minutes, and with the mobile data source transmitting information about traffic conditions each 15 minutes (as indicated by the asterisks shown in positions 965a, 945b and 945c). As in Figure 9C, the mobile data source is configured in this example to acquire and store data samples every minute, with a subsequent transmission that includes data from each of at least some of the data samples during the 15 minutes previous. Therefore, when the mobile data source moves between positions 965a and 965b, the mobile data source acquires a set 960b of 15 data samples 960b1-960b15. However, as illustrated by the 960b5-b13 data samples (using circles in this case instead of arrows because no movement was detected for these data samples, but shown separately instead of one on top of the other with for clarity purposes), in this example the mobile data source has stopped for approximately 9 minutes at a position next to the 925 road (for example, to stop at a cafeteria). Therefore, when the next transmission occurs at position 965b, the transmission may in some embodiments include all the information for all data samples, or instead may omit at least some of such information (for example, omit information for the data samples 960b6-960b12, since in this situation they do not provide additional useful information if it is known that the mobile data source remained motionless between the data samples 960b5 and 960b13). In addition, while not illustrated here, in other embodiments in which the information for one or more such data samples is omitted, subsequent transmission may be delayed until 15 data samples are available for transmission (e.g., if periodic transmissions are made based on the amount of data to be sent instead of time). In addition, when the mobile data source moves between positions 965b and 965c, the mobile data source acquires samples 960c13 and 960c14 of data in an area where wireless communications are not currently available (as indicated in this example , with open circles instead of arrows). In other embodiments in which each data sample is transmitted individually when it is acquired but on the contrary it is not saved, these data samples would be lost, but in this example they are stored instead and are transmitted together with the other samples 960c1-960c12 and 960c15 of data at position 965c. Although it is not shown here, in some situations a mobile data source may also temporarily lose the ability to obtain one or more data samples using a main means of data acquisition (for example, if a mobile data source loses capacity of obtaining GPS readings for a few minutes) - if that is the case, the mobile data source may in some embodiments report the other samples obtained from data without additional action (for example, such as to allow the interpolar vessel or estimate of another mode such data samples if desired), although in other embodiments it may be attempted to obtain data samples in other ways (for example, using a less precise mechanism to determine the position, such as triangulation of mobile phone towers or estimating the current position based on a previous known position and subsequent average speed and heading, such as through navigation p or estimate), even if those data samples have less accuracy or certainty (for example, that may be reflected by including a lesser degree of confidence or greater degree of possible errors with those data samples, or by otherwise including an indication of how those and / or other data samples were generated).

Si bien las muestras de datos de ejemplo en cada una de las Figuras 9B y 9C se ilustran para un único vehículo u otra fuente móvil de datos con fines de claridad, en otras realizaciones las múltiples muestras de datos para una fuente móvil particular de datos no pueden ser utilizadas para determinar una ruta particular tomada por esa fuente móvil de datos y más generalmente no pueden incluso ni asociarse entre sí (por ejemplo, si la fuente de cada muestra móvil de datos es anónima o no se puede diferenciar de otro modo de otras fuentes). Por ejemplo, si múltiples muestras de datos de una fuente móvil particular de datos no son utilizadas por un recipiente para generar los datos totalizados relacionados con esas muestras de datos (por ejemplo, para generar información de velocidad y/o dirección basada en muestras sucesivas de datos que proporcionan sólo información de posición), tal como cuando tales datos totalizados se incluyen con cada muestra de datos o no se utilizan, tal recipiente no puede proporcionarse en algunas realizaciones con datos de identificación relacionados con la fuente de las muestras móviles de datos y/o con indicaciones de que las múltiples muestras de datos son de la misma fuente móvil de datos (por ejemplo, basándose en una decisión de diseño para aumentar la privacidad relacionada con las fuentes móviles de datos). While the sample data samples in each of Figures 9B and 9C are illustrated for a single vehicle or other mobile data source for clarity purposes, in other embodiments the multiple data samples for a particular mobile data source are not they can be used to determine a particular route taken by that mobile data source and more generally they cannot even associate with each other (for example, if the source of each mobile data sample is anonymous or cannot be differentiated from other ways sources). For example, if multiple data samples from a particular mobile data source are not used by a recipient to generate the totalized data related to those data samples (for example, to generate speed and / or address information based on successive samples of data data that provide only position information), such as when such totalized data is included with each data sample or not used, such a container cannot be provided in some embodiments with identification data related to the source of the mobile data samples and / or with indications that multiple data samples are from the same mobile data source (for example, based on a design decision to increase privacy related to mobile data sources).

En cambio, en por lo menos algunas de tales realizaciones, múltiples fuentes móviles de datos se utilizan juntas para determinar información de condiciones de carretera de interés, tal como utilizar múltiples muestras de datos de todas las fuentes móviles de datos para un segmento particular de carretera (u otro tramo de una carretera) para determinar información totalizada para ese segmento de carretera. Así, por ejemplo, durante un periodo de tiempo de interés (por ejemplo, 1 minuto, 5 minutos, 15 minutos, etc.), numerosas fuentes móviles no relacionadas de datos se pueden proporcionar una o más muestras de datos relacionadas con su propio desplazamiento en un segmento particular de carretera durante ese período de tiempo, y si cada una de tales muestras de datos incluye información de velocidad y dirección (por ejemplo), puede determinarse una velocidad totalizada media para ese período de tiempo y ese segmento de carretera para todas las fuentes móviles de datos que se mueven generalmente en el mismo sentido, tal como de una manera similar a un sensor de carretera que totaliza información para múltiples vehículos que pasan por el sensor. Una muestra particular de datos puede asociarse con un segmento particular de carretera de varias maneras, tal como asociando la posición de las muestras de datos con la carretera (o segmento de carretera) teniendo la posición más cercana (ya sea para alguna carretera o sólo para carreteras que cumplen criterios especificados, tal como ser de una o más de las clases funcionales indicadas de carretera) y luego seleccionando el segmento apropiado de carretera para esa carretera, o utilizando una indicación proporcionada por una fuente móvil de datos junto con una muestra de datos de una carretera asociada (o segmento de carretera). Además, en por lo menos algunas realizaciones, las carreteras distintas a las carreteras de un sentido serán tratadas como carreteras distintas para los fines de asignación de muestras de datos a carreteras y para otros fines (por ejemplo, para tratar los carriles hacia el norte de una autopista como que son una carretera distinta a los carriles hacia el sur de la autopista), y si ése es el caso la dirección para una muestra móvil de datos puede ser utilizada además para determinar la carretera apropiada con la que se asocia la muestra de datos -en otras realizaciones sin embargo, las carreteras se pueden modelar de otras maneras, tal como tratar una calle de ciudad de doble sentido como una única carretera (por ejemplo, con condiciones medias de tráfico informadas y predichas para vehículos que se mueven en ambos sentidos), tratar cada carril de una autopista de múltiples carriles u otras carreteras como una carretera lógica distinta, etc. In contrast, in at least some of such embodiments, multiple mobile data sources are used together to determine road condition information of interest, such as using multiple data samples from all mobile data sources for a particular road segment. (or another section of a road) to determine totalized information for that road segment. Thus, for example, during a period of time of interest (for example, 1 minute, 5 minutes, 15 minutes, etc.), numerous unrelated mobile sources of data can provide one or more data samples related to their own displacement. in a particular road segment during that period of time, and if each such data sample includes speed and direction information (for example), an average total speed can be determined for that period of time and that road segment for all mobile sources of data that generally move in the same direction, such as in a similar way to a road sensor that totals information for multiple vehicles passing through the sensor. A particular sample of data can be associated with a particular road segment in several ways, such as associating the position of the data samples with the road (or road segment) having the closest position (either for some road or just for roads that meet specified criteria, such as being one or more of the indicated functional classes of road) and then selecting the appropriate road segment for that road, or using an indication provided by a mobile data source along with a sample of data of an associated road (or road segment). In addition, in at least some embodiments, roads other than one-way roads will be treated as separate roads for the purposes of assigning data samples to roads and for other purposes (for example, to treat lanes north of a highway such as a highway other than the lanes to the south of the highway), and if that is the case the direction for a mobile data sample can also be used to determine the appropriate road with which the sample of road is associated data - in other embodiments however, roads can be modeled in other ways, such as treating a two-way city street as a single road (for example, with average traffic conditions reported and predicted for vehicles moving on both senses), treat each lane of a multi-lane highway or other roads as a distinct logical road, etc.

En algunas realizaciones, para facilitar el uso de múltiples fuentes móviles de datos con el fin de determinar información de condiciones de carretera de interés, los vehículos de flota pueden configurarse de varias maneras para proporcionar las muestras de datos de uso. Por ejemplo, si en una flota grande de vehículos cada uno deja el mismo punto de origen en un momento similar cada día, varios de los vehículos de flota pueden configurarse de forma distinta con respecto a cuándo y con qué frecuencia empezar a proporcionar muestras de datos, tal como minimizar un número muy grande de puntos de datos todos ellos cerca del punto único de origen y/o proporcionar la variabilidad para cuando las muestras de datos serán adquiridas y transmitidas. Más generalmente, un dispositivo de fuente móvil de datos puede configurarse de varias maneras con respecto a cómo y cuándo adquirir muestras de datos, incluyendo basándose en la distancia total cubierta desde un punto de partida (por ejemplo, un punto de origen para un grupo de vehículos de flota), la distancia cubierta desde una última adquisición y/o transmisión de muestra de datos, tiempo total transcurrido desde que un momento inicial (por ejemplo, una hora de salida de un vehículo de flota de un punto de origen), el tiempo transcurrido desde una última adquisición y/o transmisión de muestra de datos, una relación indicada que ha ocurrido con respecto a una o más posiciones indicadas (por ejemplo, pasar por, llegar a, partir de, etc.), etc. Similarmente, un dispositivo de fuente móvil de datos puede configurarse de varias maneras con respecto a cómo y cuándo transmitir o proporcionar de otro modo una o más muestras adquiridas de datos, tal como cuando se cumplen condiciones predefinidas, incluyendo las basadas en la distancia total cubierta desde un punto de partida, la distancia cubierta desde que una última adquisición y/o transmisión de muestra de datos, tiempo total transcurrido desde una hora de inicio, el tiempo total transcurrido desde una última adquisición y/o transmisión de muestra de datos, una relación indicada que ha ocurrido con respecto a una o más posiciones indicadas, un número indicado de muestras de datos que se han reunido, una cantidad indicada de datos que se han reunido (por ejemplo, una cantidad tal como llenar o substancialmente llenar una caché que se utiliza para almacenar las muestras de datos en el dispositivo móvil, o una cantidad tal como llenar In some embodiments, to facilitate the use of multiple mobile data sources in order to determine information on road conditions of interest, fleet vehicles can be configured in various ways to provide samples of usage data. For example, if in a large fleet of vehicles each leaves the same point of origin at a similar time each day, several of the fleet vehicles can be configured differently with respect to when and how often to start providing data samples , such as minimizing a very large number of data points all of them near the single point of origin and / or providing variability for when the data samples will be acquired and transmitted. More generally, a mobile data source device can be configured in several ways with respect to how and when to acquire data samples, including based on the total distance covered from a starting point (for example, an origin point for a group of data sources). fleet vehicles), the distance covered since a last acquisition and / or transmission of data sample, total time elapsed since an initial moment (for example, an hour of departure of a fleet vehicle from a point of origin), the time elapsed since a last acquisition and / or transmission of data sample, an indicated relationship that has occurred with respect to one or more indicated positions (for example, going through, arriving at, starting from, etc.), etc. Similarly, a mobile data source device can be configured in various ways with respect to how and when to transmit or otherwise provide one or more acquired samples of data, such as when predefined conditions are met, including those based on the total distance covered. from a starting point, the distance covered since a last acquisition and / or transmission of data sample, total time elapsed since a start time, the total time elapsed since a last acquisition and / or transmission of data sample, a indicated relationship that has occurred with respect to one or more indicated positions, an indicated number of data samples that have been collected, an indicated amount of data that has been collected (for example, an amount such as filling or substantially filling a cache that It is used to store the data samples on the mobile device, or an amount such as fill

o substancialmente llenar una cantidad indicada de tiempo para una transmisión) etc. or substantially fill an indicated amount of time for a transmission) etc.

La Figura 8 es un diagrama de flujo de un ejemplo de realización de una rutina 800 de Provisión de Información de Fuente Móvil de Datos relacionada con la presente invención, tal como puede ser proporcionada , por ejemplo, por el manejo de un dispositivo de fuente móvil de datos para cada una de la una o más de las fuentes 384 de datos con base en vehículo de la Figura 3 y/u otras fuentes 388 de datos (por ejemplo, dispositivos de usuario) de la Figura 3 y/o fuentes 101 de datos con base en vehículo de la Figura 1 y/u otras fuentes 102 de datos de la Figura 1. En este ejemplo, la rutina adquiere muestras de datos para una fuente móvil particular de datos para indicar condiciones actuales de tráfico, y almacena las muestras de datos según sea apropiado de tal manera que una transmisión subsiguiente pueda incluir información para múltiples muestras de datos. Figure 8 is a flowchart of an exemplary embodiment of a Mobile Data Source Information Provision routine 800 related to the present invention, as can be provided, for example, by the handling of a mobile source device. of data for each of the one or more of the vehicle-based data sources 384 of Figure 3 and / or other data sources 388 (eg, user devices) of Figure 3 and / or sources 101 of vehicle-based data of Figure 1 and / or other data sources 102 of Figure 1. In this example, the routine acquires data samples for a particular mobile source of data to indicate current traffic conditions, and stores the samples of data as appropriate so that a subsequent transmission may include information for multiple data samples.

La rutina empieza en la etapa 805, en la que se recuperan parámetros que serán utilizados como parte de la adquisición y provisión de muestras de datos, tal como parámetros que se pueden configurar para indicar cuándo deben ser adquiridas muestras de datos y cuando deben ocurrir las transmisiones con información correspondiente a una o más muestras de datos. La rutina continúa a la etapa 810 para esperar hasta que sea el momento de adquirir una muestra de datos, tal como basándose en los parámetros recuperados y/u otra información (por ejemplo, una cantidad indicada de tiempo que ha pasado desde una adquisición previa de muestras de datos, una distancia indicada que se ha recorrido desde una adquisición previa de muestras de datos, una indicación para adquirir muestras de datos de una manera substancialmente continua, etc.). La rutina entonces continúa a la etapa 815 para adquirir una muestra de datos basándose en la posición y el movimiento actuales de la fuente móvil de datos y almacena la muestra de datos en la etapa 820. Si en la etapa 825 se determina que todavía no es momento de transmitir los datos, tal como basándose en los parámetros recuperados y/u otra información (por ejemplo, una cantidad indicada de tiempo que ha pasado desde una transmisión previa, una distancia indicada que se ha recorrido desde una transmisión previa, una indicación para transmitir muestras de datos tan pronto como llegan a estar disponibles o de una manera substancialmente continua, etc.), la rutina regresa a la etapa 810. The routine begins at step 805, in which parameters that will be used as part of the acquisition and provision of data samples are retrieved, such as parameters that can be configured to indicate when data samples should be acquired and when the data should occur. transmissions with information corresponding to one or more data samples. The routine continues to step 810 to wait until it is time to acquire a sample of data, such as based on the recovered parameters and / or other information (for example, an indicated amount of time that has passed since a previous acquisition of data samples, an indicated distance that has been traveled since a previous acquisition of data samples, an indication to acquire data samples in a substantially continuous manner, etc.). The routine then proceeds to step 815 to acquire a data sample based on the current position and movement of the mobile data source and stores the data sample in step 820. If in step 825 it is determined that it is not yet time to transmit the data, such as based on the parameters retrieved and / or other information (for example, an indicated amount of time that has passed since a previous transmission, a distance indicated that has been traveled since a previous transmission, an indication for transmitting data samples as soon as they become available or in a substantially continuous manner, etc.), the routine returns to step 810.

De otro modo, la rutina continúa a la etapa 830 para recuperar y seleccionar cualquier muestra almacenada de datos desde la transmisión previa (o desde la puesta en marcha, para la primera transmisión). La rutina entonces opcionalmente en la etapa 835 genera datos totalizados basados en múltiples de las muestras seleccionadas de datos (por ejemplo, una velocidad media general para todas las muestras de datos, una velocidad media y una dirección para cada muestra de datos si la información adquirida proporciona sólo información de posición, etc.), aunque en otras realizaciones tal generación totalizada de datos no pueda ser realizada. En la etapa 840, la rutina elimina entonces opcionalmente algo o toda la información adquirida para algunas o todas las muestras de datos del conjunto seleccionado de muestras de datos (por ejemplo, para transmitir sólo tipos seleccionados de datos para cada muestra de datos, para eliminar muestras de datos que parecen ser valores atípicos o erróneos de otro modo, para eliminar muestras de datos que no corresponden al movimiento verdadero de la fuente móvil de datos, etc.), aunque en otras realizaciones tal eliminación de información puede no ser realizada. En la etapa 845, la rutina transmite entonces la información actual en el conjunto actual de muestras de datos y cualquier información totalizada para un recipiente que utilizará los datos de una manera apropiada. En la etapa 895, la rutina determina si continuar (por ejemplo, si la fuente móvil de datos continúa estando en uso y móvil), y si ése es el caso regresar a la etapa 610. De lo contrario, la rutina continúa a la etapa 899 y finaliza. En realizaciones y situaciones en las que una fuente móvil de datos no es capaz de transmitir datos, ya sea debido a condiciones temporales o en cambio para reflejar la configuración o las limitaciones de la fuente móvil de datos, las etapas 830-845 pueden no ser realizadas hasta tal momento en el que la fuente móvil de datos sea capaz de transmitir o proporcionar de otro modo (por ejemplo, a través de descarga física) algunas o todas las muestras de datos que han sido adquiridas y almacenadas desde una transmisión previa. Otherwise, the routine continues to step 830 to retrieve and select any stored sample of data from the previous transmission (or from commissioning, for the first transmission). The routine then optionally at step 835 generates totalized data based on multiple of the selected data samples (for example, a general average speed for all data samples, an average speed and an address for each data sample if the information acquired it provides only position information, etc.), although in other embodiments such totalized data generation cannot be performed. In step 840, the routine then optionally removes some or all of the information acquired for some or all of the data samples from the selected set of data samples (for example, to transmit only selected types of data for each data sample, to eliminate data samples that appear to be outliers or otherwise erroneous, to eliminate data samples that do not correspond to the true movement of the mobile data source, etc.), although in other embodiments such deletion of information may not be performed. In step 845, the routine then transmits the current information in the current set of data samples and any totalized information to a recipient who will use the data in an appropriate manner. In step 895, the routine determines whether to continue (for example, if the mobile data source is still in use and mobile), and if that is the case return to step 610. Otherwise, the routine continues to the stage. 899 and ends. In embodiments and situations where a mobile data source is not able to transmit data, either due to temporary conditions or instead to reflect the configuration or limitations of the mobile data source, steps 830-845 may not be performed until such time when the mobile data source is capable of transmitting or otherwise providing (for example, through physical download) some or all of the data samples that have been acquired and stored since a previous transmission.

Según se ha indicado anteriormente, una vez que se ha obtenido la información acerca de las condiciones de tráfico de carretera, tal como de una o más fuentes móviles de datos y/o de una o más de otras fuentes, la información de condiciones de tráfico de carretera puede ser utilizada de varias maneras, tal como para informar de condiciones actuales de tráfico de carretera de una manera substancialmente en tiempo real, o para utilizar información pasada y actual de condiciones de tráfico de carretera para predecir futuras condiciones de tráfico en cada uno de múltiples momentos futuros. En algunas realizaciones, los tipos de datos de entrada que se utilizan para generar predicciones de futuras condiciones de tráfico pueden incluir una variedad de condiciones actuales, previas y esperadas en el futuro, y las salidas del proceso de predicción pueden incluir las predicciones generadas de las condiciones esperadas de tráfico en cada uno de múltiples segmentos objetivo de carretera de interés para cada uno de futuros múltiples momentos (por ejemplo, cada 5, 15 o 60 minutos en el futuro) dentro de un intervalo de tiempo predeterminado (por ejemplo, tres horas, o un día), según lo comentado con mayor detalle en otra parte. Por ejemplo, los tipos de datos de entrada pueden incluir lo siguiente: información acerca de cantidades de tráfico pasadas y actuales para varios segmentos objetivo de carretera de interés en un zona geográfica, tal como para una red de carreteras seleccionadas en la zona geográfica; información acerca de accidentes de tráfico recientes y actuales; información acerca de obras recientes y actuales; información acerca de condiciones climáticas actuales, pasadas y futuras según lo esperado (por ejemplo, la precipitación, la temperatura, la dirección del viento, la velocidad del viento, etc.); información acerca de por lo menos algún acontecimiento planificado actual, pasado y futuro (por ejemplo, el tipo de acontecimiento, las horas esperadas de comienzo y finalización del acontecimiento, y/o un lugar de actuación u otra posición del acontecimiento, etc., tal como para todos los acontecimientos, los acontecimientos de tipos indicados, los acontecimientos que son lo suficientemente grandes, tal como los que tienen una asistencia esperada por encima de un umbral indicado (por ejemplo, 1000 o 5000 asistentes esperados), etc.); y la información acerca de los horarios de escuela (por ejemplo, si la escuela está en temporada y/o la posición de una As indicated above, once information about road traffic conditions, such as one or more mobile sources of data and / or one or more other sources, has been obtained, information on traffic conditions Road can be used in various ways, such as to report current road traffic conditions in a substantially real-time manner, or to use past and current road traffic conditions information to predict future traffic conditions in each of multiple future moments. In some embodiments, the types of input data that are used to generate predictions of future traffic conditions may include a variety of current, prior and expected conditions in the future, and the outputs of the prediction process may include the predictions generated from the expected traffic conditions in each of multiple target road segments of interest for each of future multiple moments (for example, every 5, 15 or 60 minutes in the future) within a predetermined time interval (for example, three hours , or one day), as discussed in more detail elsewhere. For example, the types of input data may include the following: information about past and current traffic amounts for several target road segments of interest in a geographical area, such as for a selected road network in the geographical area; information about recent and current traffic accidents; information about recent and current works; information about current, past and future weather conditions as expected (for example, precipitation, temperature, wind direction, wind speed, etc.); information about at least some current, past and future planned event (for example, the type of event, the expected start and end times of the event, and / or a place of action or other position of the event, etc., such as for all events, events of indicated types, events that are large enough, such as those with an expected attendance above a specified threshold (for example, 1000 or 5000 expected attendees), etc.); and information about school schedules (for example, if the school is in season and / or the position of a

o más escuelas). Además, si bien en algunas realizaciones los futuros múltiples momentos en los que se predicen futuras condiciones de tráfico son cada uno de los puntos en el tiempo, en otras realizaciones tales predicciones pueden representar en cambio múltiples puntos de tiempo (por ejemplo, un periodo de tiempo), tal como representando un promedio u otra medida totalizada de las futuras condiciones de tráfico durante esos múltiples puntos de tiempo. Además, algunos o todos los datos de entrada pueden conocerse y representarse con grados variables de certeza (por ejemplo, el clima esperado), y puede generarse información adicional para representar grados de confianza y/u otros datos que describen datos para las predicciones generadas. Además, la predicción de futuras condiciones de tráfico puede ser iniciada por varias razones y en varias veces, tal como de una manera periódica, (por ejemplo, cada cinco minutos), cuando se recibe cualquier o suficientes nuevos datos de entrada, en respuesta a una petición de un usuario, etc. or more schools). In addition, although in some embodiments the future multiple moments in which future traffic conditions are predicted are each of the points in time, in other embodiments such predictions may instead represent multiple time points (e.g., a period of time), such as representing an average or other totalized measure of future traffic conditions during those multiple time points. In addition, some or all of the input data can be known and represented with varying degrees of certainty (for example, the expected climate), and additional information can be generated to represent degrees of confidence and / or other data describing data for the generated predictions. In addition, the prediction of future traffic conditions may be initiated for several reasons and on several occasions, such as on a periodic basis, (for example, every five minutes), when any or sufficient new input data is received, in response to a request from a user, etc.

Algunos de los mismos tipos de datos de entrada pueden utilizarse para generar similarmente pronósticos a más largo plazo de futuras condiciones del tráfico (por ejemplo, una semana en el futuro o en un mes en el futuro) en algunas realizaciones, pero tales pronósticos a más largo plazo no pueden utilizar algunos de los tipos de datos de entrada, tal como información acerca de condiciones actuales en el momento de la generación del pronóstico (por ejemplo, el tráfico actual, el tiempo u otras condiciones). Además, pueden generarse tales pronósticos a más largo plazo con menos frecuencia que las predicciones a más a corto plazo, y pueden hacerse para reflejar futuros períodos de tiempo diferentes que para predicciones más a corto plazo (por ejemplo, para cada hora en vez de cada 15 minutos). Some of the same types of input data can be used to similarly generate longer-term forecasts of future traffic conditions (for example, a week in the future or a month in the future) in some embodiments, but such forecasts at more In the long term, they cannot use some of the types of input data, such as information about current conditions at the time of forecast generation (for example, current traffic, weather or other conditions). In addition, such longer-term forecasts can be generated less frequently than shorter-term forecasts, and can be made to reflect different future time periods than for more short-term forecasts (for example, for each hour instead of each 15 minutes).

Las carreteras y/o segmentos de carretera para los que se generan futuras predicciones y/o pronósticos de condiciones de tráfico también pueden seleccionarse de varias maneras en varias realizaciones. En algunas realizaciones, las futuras predicciones y/o pronósticos de condiciones del tráfico son generados para cada una de múltiples zonas geográficas (por ejemplo, áreas metropolitanas), con cada zona geográfica que tiene una red de múltiples carreteras interconectadas -tales zonas geográficas pueden seleccionarse de varias maneras, tal como basándose en zonas en las que hay fácilmente disponible información actual de condiciones de tráfico (por ejemplo, basándose en redes de sensores de carretera para por lo menos algunas de las carreteras en la zona) y/o en la que la congestión del tráfico es un problema significativo. En algunas de tales realizaciones, las carreteras para las que se generan futuras predicciones y/o pronósticos de condiciones de tráfico, incluyendo esas carreteras para las que está fácilmente disponible información actual de condiciones de tráfico, mientras que en otras realizaciones la selección de tales carreteras puede basarse por lo menos en parte en uno o más de otros factores (por ejemplo, basándose en el tamaño o la capacidad de las carreteras, tal como incluir autopistas y autovías mayores; basándose en el papel que juegan las carreteras para llevar el tráfico, tal como incluir las carreteras principales y carreteras de distribución que son alternativas primarias a carreteras de mayor capacidad tales como autopistas y autovías mayores; basándose en la clase funcional de las carreteras, tal como designa la Administración Federal de Autovías; etc.). En otras realizaciones, las futuras predicciones y/o pronósticos de condiciones de tráfico pueden hacerse para una única carretera, independientemente de su tamaño y/o la relación con otras carreteras. Además, los segmentos de carretera para los que se generan futuras predicciones y/o pronósticos de condiciones de tráfico pueden seleccionarse de varias maneras, tal como tratar cada sensor de carretera como un segmento distinto; agrupar juntos múltiples sensores de carretera para cada segmento de carretera (por ejemplo, para reducir el número de predicciones y/o pronósticos independientes que se hacen, tal como agrupando juntos números específicos de sensores de carretera); seleccionar segmentos de carretera para reflejar tramos relacionados lógicamente de una carretera en la que las condiciones de tráfico son normalmente las mismas o suficientemente similares (por ejemplo, relacionados fuertemente), tal como basándose en información de condiciones de tráfico de sensores de tráfico y/o de otras fuentes (por ejemplo, datos generados de vehículos y/o usuarios que se desplazan por las carreteras, tal como se comenta con mayor detalle en otra parte); etc. Roads and / or road segments for which future predictions and / or forecasts of traffic conditions are generated can also be selected in several ways in various embodiments. In some embodiments, future predictions and / or forecasts of traffic conditions are generated for each of multiple geographic areas (e.g., metropolitan areas), with each geographic area having a network of multiple interconnected roads - such geographical areas can be selected. in various ways, such as based on areas where current traffic conditions information is readily available (for example, based on road sensor networks for at least some of the roads in the area) and / or where Traffic congestion is a significant problem. In some such embodiments, the roads for which future predictions and / or forecasts of traffic conditions are generated, including those roads for which current traffic conditions information is readily available, while in other embodiments the selection of such roads it can be based at least in part on one or more other factors (for example, based on the size or capacity of roads, such as including highways and major highways; based on the role that roads play in carrying traffic, such as including main roads and distribution roads that are primary alternatives to higher capacity roads such as highways and major highways; based on the functional class of roads, as designated by the Federal Highway Administration; etc.). In other embodiments, future predictions and / or forecasts of traffic conditions can be made for a single road, regardless of its size and / or the relationship with other roads. In addition, the road segments for which future predictions and / or forecasts of traffic conditions are generated can be selected in several ways, such as treating each road sensor as a distinct segment; grouping together multiple road sensors for each road segment (for example, to reduce the number of independent predictions and / or forecasts made, such as grouping together specific numbers of road sensors); select road segments to reflect logically related sections of a road where traffic conditions are normally the same or sufficiently similar (for example, strongly related), such as based on traffic condition information from traffic sensors and / or from other sources (for example, data generated from vehicles and / or users traveling on the roads, as discussed in more detail elsewhere); etc.

Además, información futura de predicciones y/o de pronóstico de condiciones de tráfico puede ser utilizada de diversas maneras en varias realizaciones, tal como se comenta con mayor detalle en otra parte, incluyendo proporcionar tal información a usuarios y/u organizaciones en diversos momentos (por ejemplo, en respuesta a peticiones, enviando periódicamente la información, etc.) y de varias maneras (por ejemplo, transmitiendo la información a teléfonos móviles y/u otros dispositivos portátiles de consumo; mostrando información a usuarios, tal como a través de programas de aplicación y de navegadores de internet; proporcionando la información a otras organizaciones y/o entidades que proporcionan por lo menos algo de información a usuarios, tal como terceras partes que proporcionan la información después de analizar y/o modificar la información; etc.). Por ejemplo, en algunas realizaciones, la información de predicción y/o pronóstico es utilizada para determinar rutas sugeridas y/o tiempos de desplazamiento, tal como una ruta óptima entre una posición de partida y una posición de finalización por una red de carreteras y/o un tiempo óptimo para realizar el desplazamiento indicado, con tales determinaciones basadas en información predicha y/o de pronóstico en cada uno de múltiples futuros momentos para una o más carreteras y/o segmentos de carretera. In addition, future prediction and / or traffic condition forecast information may be used in various ways in various embodiments, as discussed in greater detail elsewhere, including providing such information to users and / or organizations at various times ( for example, in response to requests, periodically sending the information, etc.) and in various ways (for example, transmitting the information to mobile phones and / or other portable consumer devices; showing information to users, such as through programs application and internet browsers; providing information to other organizations and / or entities that provide at least some information to users, such as third parties that provide the information after analyzing and / or modifying the information; etc.) . For example, in some embodiments, the prediction and / or forecast information is used to determine suggested routes and / or travel times, such as an optimal route between a starting position and an ending position on a road network and / or an optimal time to perform the indicated displacement, with such determinations based on predicted and / or forecast information at each of multiple future moments for one or more roads and / or road segments.

Además, varias realizaciones proporcionan varios mecanismos para usuarios y otros clientes para interaccionar con uno o más de los sistemas de información de tráfico (por ejemplo, el sistema 350 Gestor de Muestras de Datos, el 5 sistema 363 Proveedor de información RT y/o el sistema 360 Predictivo Proveedor de información de Tráfico de la Figura 3, etc.). Por ejemplo, algunas realizaciones pueden proporcionar una consola interactiva (por ejemplo un programa de cliente que proporciona una interfaz interactiva de usuario, una interfaz basada en navegador de Internet, etc.) desde las que los clientes pueden hacer peticiones y recibir correspondientes respuestas, tales como peticiones de información relacionada con las condiciones actuales y/o predichas de tráfico y/o peticiones para In addition, various embodiments provide various mechanisms for users and other customers to interact with one or more of the traffic information systems (for example, the 350 Data Sample Manager system, the 536 RT Information Provider system and / or the Predictive 360 system Traffic Information Provider of Figure 3, etc.). For example, some embodiments may provide an interactive console (for example a client program that provides an interactive user interface, an Internet browser-based interface, etc.) from which customers can make requests and receive corresponding responses, such as requests for information related to current and / or predicted traffic conditions and / or requests for

10 analizar, seleccionar y/o proporcionar información relacionada con rutas de viaje. Además, algunas realizaciones proporcionan una API ("Application Programmer Interface": Interfaz de Programación de Aplicaciones) que le permite al cliente calcular sistemas para hacer en forma de programación algunas o todas de tales peticiones, tal como a través de protocolos de mensajes de red (por ejemplo, servicios Web) y/u otros mecanismos de comunicación. 10 analyze, select and / or provide information related to travel routes. In addition, some embodiments provide an API ("Application Programmer Interface") that allows the customer to calculate systems to do some or all such requests in the form of programming, such as through network message protocols (for example, Web services) and / or other communication mechanisms.

De lo precedente se apreciará que, aunque en esta memoria se han descrito con fines de ilustración realizaciones From the foregoing it will be appreciated that, although embodiments herein have been described for purposes of illustration

15 específicas según la presente invención y aspectos adicionales relacionados con la presente invención, se pueden hacer diversas modificaciones sin desviarse del alcance de la invención. Por consiguiente, la invención no está limitada excepto por las reivindicaciones anexas y los elementos relatados en ellas. Además, si bien ciertos aspectos de la invención se explican en determinadas formas de reivindicación, los inventores contemplan los diversos aspectos de la invención en cualquier forma disponible de reivindicación. Por ejemplo, si bien actualmente sólo In accordance with the present invention and additional aspects related to the present invention, various modifications can be made without departing from the scope of the invention. Accordingly, the invention is not limited except by the appended claims and the elements related therein. Furthermore, while certain aspects of the invention are explained in certain claim forms, the inventors contemplate the various aspects of the invention in any available form of claim. For example, although currently only

20 pueden relatarse algunos aspectos de la invención como que se incorporan en un medio legible por ordenador, igualmente pueden incorporarse otros aspectos. Some aspects of the invention can be related as being incorporated in a computer-readable medium, other aspects can also be incorporated.

Claims (15)

REIVINDICACIONES 1. Un método implementado en ordenador para determinar información de velocidad media estimada para vehículos que se desplazan en carreteras sobre la base de muestras de datos que reflejan el desplazamiento en esas carreteras, el método comprende: 1. A method implemented in a computer to determine estimated average speed information for vehicles traveling on roads based on data samples that reflect the movement on those roads, the method comprises: recibir indicaciones de uno o más segmentos de una o más carreteras, cada segmento de carretera tiene múltiples muestras asociadas de datos, cada una reflejando una velocidad informada de un vehículo en el segmento de carretera en un momento informado; receiving indications of one or more segments of one or more roads, each road segment has multiple associated data samples, each reflecting an informed speed of a vehicle in the road segment at an informed time; para cada uno de por lo menos uno de los segmentos de carretera, estimar automáticamente una velocidad media del tráfico de vehículos que se desplazan por el segmento de carretera durante un periodo de tiempo mediante, for each of at least one of the road segments, automatically estimate an average traffic speed of vehicles traveling through the road segment for a period of time using, identificar un grupo de las múltiples muestras de datos asociadas con el segmento de carretera cuyos momentos informados ocurren durante el periodo de tiempo; identify a group of the multiple data samples associated with the road segment whose reported moments occur during the period of time; determinar pesos para las muestras de datos del grupo basándose en uno o más atributos de esas muestras de datos que afectan a la precisión de las velocidades informadas de esas muestras de datos, en el que las muestras de datos del grupo incluyen muestras de datos suministradas de múltiples fuentes, y en el que el uno determine weights for group data samples based on one or more attributes of those data samples that affect the accuracy of the reported speeds of those data samples, in which the group data samples include data samples supplied from multiple sources, and in which the one o más atributos de las muestras de datos del grupo que se utilizan para la determinación de pesos incluyen las fuentes de muestras de datos de tal manera que las muestras de datos del grupo desde una o más de las múltiples fuentes de muestras de datos reciben diferentes pesos determinados que las muestras del grupo desde otras de la una o más de las múltiples fuentes; y or more attributes of the group data samples that are used for weight determination include the data sample sources such that the group data samples from one or more of the multiple data sample sources receive different weights determined that group samples from others from one or more of the multiple sources; Y determinar la velocidad estimada media del tráfico de vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo basándose por lo menos en parte en una media ponderada de las velocidades informadas de las muestras de datos del grupo, la media ponderada calculada utilizando los pesos determinados; y determine the estimated average traffic speed of vehicles traveling through the road segment over the period of time based on at least in part a weighted average of the reported speeds of the group data samples, the weighted average calculated using the determined weights; Y utilizar una o más de las velocidades estimadas medias de tráfico para facilitar los desplazamientos en la una o más carreteras. use one or more of the estimated average traffic speeds to facilitate travel on the one or more roads. 2. El método de la reivindicación 1, en el que las indicaciones recibidas del uno o más segmentos de la una o más carreteras incluyen indicaciones de múltiples segmentos de carretera de la una o más carreteras, en el que la estimación automática de la velocidad media del tráfico de los vehículos que se desplazan por cada uno del por lo menos un segmento de carretera durante un periodo de tiempo se realiza para cada uno de múltiples periodos de tiempo, en el que la identificación del grupo de las múltiples muestras de datos asociadas con por lo menos un segmento de carretera cuyos tiempos informados se produjeron durante un periodo de tiempo incluye: 2. The method of claim 1, wherein the indications received from the one or more segments of the one or more roads include indications of multiple road segments of the one or more roads, wherein the automatic estimation of the average speed of the traffic of vehicles traveling through each of the at least one road segment over a period of time is made for each of multiple periods of time, in which the group identification of the multiple data samples associated with At least one road segment whose reported times occurred over a period of time includes: recibir información relacionada con condiciones actuales de tráfico de los múltiples segmentos de carretera durante el periodo de tiempo, la información recibida incluye una pluralidad de muestras de datos para el periodo de tiempo que cada una es informada desde uno de múltiples vehículos y reflejan una velocidad informada del un vehículo en una ubicación informada en uno de los segmentos de carretera en un momento informado durante el periodo de tiempo, los múltiples vehículos son un subconjunto de todos los vehículos que se desplazan por los segmentos de carretera durante el periodo de tiempo, la información recibida incluye además una pluralidad de muestras adicionales de datos para el periodo de tiempo que cada una es informada desde uno de múltiples sensores de tráfico que vigilan los múltiples segmentos de carretera y reflejan una velocidad informada basándose en una o más lecturas de velocidad para uno o más vehículos en una ubicación en uno de los segmentos de carretera para uno o más momentos informados durante el periodo de tiempo; y receive information related to current traffic conditions of the multiple road segments during the period of time, the information received includes a plurality of data samples for the period of time that each is reported from one of multiple vehicles and reflects an informed speed of a vehicle at an informed location in one of the road segments at an informed time during the period of time, the multiple vehicles are a subset of all the vehicles that travel along the road segments during the period of time, the information received also includes a plurality of additional data samples for the period of time each is reported from one of multiple traffic sensors that monitor multiple road segments and reflect an informed speed based on one or more speed readings for one or more more vehicles at a location in one of the segment s road for one or more times reported during the time period; Y para cada uno de los múltiples segmentos de carretera, identificar un grupo de múltiples muestras de datos para el segmento de carretera para el periodo de tiempo, las múltiples muestras de datos son desde por lo menos una de la pluralidad de muestras de datos y la pluralidad de muestras adicionales de datos, For each of the multiple road segments, identify a group of multiple data samples for the road segment for the period of time, the multiple data samples are from at least one of the plurality of data samples and the plurality of additional data samples, y en el que el uno o más atributos de las muestras de datos del grupo en el que se determinan los pesos para las muestras incluyen la cercanía temporal del momento informado de una muestra de datos y una fuente de una muestra de datos, de tal manera que a las muestras de datos cuyos momentos informados son menos recientes se les da menos peso que a las muestras de datos cuyos momentos informados son más recientes, y de tal manera que a las muestras de datos informadas desde los vehículos en la una o más carreteras se les dan diferentes pesos que a las muestras de datos informadas desde sensores de tráfico, and in which the one or more attributes of the data samples of the group in which the weights for the samples are determined include the temporal proximity of the reported moment of a data sample and a source of a data sample, such that data samples whose reported moments are less recent are given less weight than data samples whose reported moments are more recent, and in such a way that data samples reported from vehicles on one or more roads they are given different weights than the data samples reported from traffic sensors, de modo que las velocidades medias del tráfico son determinadas para segmentos de carretera basándose en muestras de datos que reflejan el desplazamiento verdadero de vehículos en los segmentos de carretera que son ponderados para reflejar la cercanía temporal de las muestras de datos y la fuente de las muestras de datos. so that the average traffic speeds are determined for road segments based on data samples that reflect the true displacement of vehicles on the road segments that are weighted to reflect the temporal proximity of the data samples and the source of the samples of data.

3. 3.

El método de la reivindicación 2, que comprende además, para cada uno de por lo menos uno de los periodos de tiempo y cada uno de por lo menos uno de los segmentos de carretera, dividir el periodo de tiempo en múltiples intervalos de tiempo superpuestos y realizar la estimación de la velocidad media del tráfico de vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo para cada uno de los intervalos de tiempo utilizando las muestras de datos cuyos momentos informados son durante el intervalo de tiempo, de tal manera que por lo menos algunas de las muestras de datos son utilizadas para múltiples intervalos de tiempo y se les dan diferentes pesos determinados para ésos intervalos de tiempo. The method of claim 2, further comprising, for each of at least one of the time periods and each of at least one of the road segments, dividing the time period into multiple overlapping time intervals and Perform the estimation of the average speed of the traffic of vehicles traveling through the road segment during the time period for each of the time intervals using the data samples whose reported moments are during the time interval, in such a way that at least some of the data samples are used for multiple time intervals and are given different weights determined for those time intervals.

4. Four.

El método de la reivindicación 2, en el que, para cada uno de por lo menos uno de los periodos de tiempo y cada uno de por lo menos uno de los segmentos de carretera, la determinación de la velocidad media estimada del tráfico de vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo incluye generar un valor de confianza para la velocidad media estimada del tráfico para reflejar un grado de error posible en la velocidad media estimada del tráfico, y en el que la utilización de la una o más velocidades medias estimadas del tráfico para el periodo de tiempo incluye utilizar los valores generados de confianza para facilitar futuros desplazamientos en la una o más carreteras. The method of claim 2, wherein, for each of at least one of the time periods and each of at least one of the road segments, the determination of the estimated average speed of vehicle traffic that traveling along the road segment during the period of time includes generating a confidence value for the estimated average speed of traffic to reflect a degree of possible error in the estimated average speed of traffic, and in which the use of the one or More estimated average traffic speeds for the period of time include using confidence-generated values to facilitate future travel on one or more roads.

5. 5.

El método de la reivindicación 1, en el que, para cada uno del uno o más del por lo menos algún segmento de carretera, el uno o más atributos de las muestras de datos del grupo que se utiliza para la determinación de los pesos incluye además la cercanía temporal de los tiempos informados para las muestras de datos. The method of claim 1, wherein, for each of the one or more of the at least some road segment, the one or more attributes of the group data samples that are used for weight determination further includes the temporal proximity of the times reported for the data samples.

6. 6.

El método de la reivindicación 1, en el que, para cada uno del uno o más del por lo menos algún segmento de carretera, las muestras de datos asociadas con el segmento de carretera incluye muestras de datos suministradas desde múltiples fuentes, y en el que el uno o más atributos de las muestras de datos del grupo que se utiliza para la determinación de los pesos incluye las fuentes de las muestras de datos. The method of claim 1, wherein, for each of the one or more of the at least some road segment, the data samples associated with the road segment include data samples supplied from multiple sources, and wherein The one or more attributes of the data samples of the group that is used for the determination of the weights includes the sources of the data samples.

7. 7.

El método de la reivindicación 6, en el que, para cada uno de por lo menos uno del uno o más segmentos de carretera, una de las múltiples fuentes para las muestras de datos incluye uno o más vehículos que se desplazan por el segmento de carretera y que informan de muestras de datos basándose en los desplazamientos, y otra de las múltiples fuentes para las muestras de datos incluye uno o más sensores de tráfico que vigilan el segmento de carretera y que informan de muestras de datos basándose en lecturas que reflejan los vehículos que pasan. The method of claim 6, wherein, for each of at least one of the one or more road segments, one of the multiple sources for the data samples includes one or more vehicles moving along the road segment. and that report data samples based on displacements, and another of the multiple sources for data samples includes one or more traffic sensors that monitor the road segment and report data samples based on readings that reflect vehicles that happen

8. 8.

El método de la reivindicación 6, en el que, para cada uno de por lo menos uno del uno o más segmentos de carretera, las múltiples fuentes para las muestras de datos incluyen múltiples vehículos que se desplazan por el segmento de carretera y que cada una informa de una o más muestras de datos para reflejar una ubicación y/o velocidad del vehículo. The method of claim 6, wherein, for each of at least one of the one or more road segments, the multiple sources for the data samples include multiple vehicles that move along the road segment and each reports one or more data samples to reflect a location and / or vehicle speed.

9. 9.

El método de la reivindicación 6, en el que, para cada uno de por lo menos uno del uno o más segmentos de carretera, las múltiples fuentes para las muestras de datos incluyen múltiples sensores de tráfico que vigilan el segmento de carretera y que cada una informa de una o más muestras de datos basándose en lecturas que cada una refleja uno o más vehículos que pasan. The method of claim 6, wherein, for each of at least one of the one or more road segments, the multiple sources for the data samples include multiple traffic sensors that monitor the road segment and that each reports one or more data samples based on readings that each reflects one or more passing vehicles.

10. 10.

El método de la reivindicación 6, que comprende además, para cada uno de por lo menos uno del uno o más segmentos de carretera, evaluar la fiabilidad de cada una de las múltiples fuentes para las muestras de datos para el segmento de carretera, y en el que la determinación del peso para esas muestras de datos basándose en las fuentes de las muestras de datos es realizada de tal manera que a las muestras de datos cuyas fuentes tengan menor fiabilidad evaluada se les da menos peso que a las muestras de datos cuyas fuentes tengan mayor fiabilidad evaluada. The method of claim 6, further comprising, for each of at least one of the one or more road segments, assessing the reliability of each of the multiple sources for data samples for the road segment, and in that the determination of the weight for these data samples based on the sources of the data samples is carried out in such a way that the data samples whose sources have less evaluated reliability are given less weight than the data samples whose sources have greater reliability evaluated.

11. eleven.

El método de la reivindicación 1, en el que, para cada uno del uno o más del por lo menos algún segmento de carretera, el uno o más atributos de las muestras de datos del grupo que se utiliza para la determinación de los pesos incluye una cantidad total de las muestras de datos del grupo. The method of claim 1, wherein, for each of the one or more of the at least some road segment, the one or more attributes of the group data samples that are used for weight determination includes a Total amount of group data samples.

12. 12.

El método de la reivindicación 1, en el que, para cada uno de uno o más del por lo menos algún segmento de carretera, las muestras de datos asociadas con el segmento de carretera del grupo identificado son muestras de datos suministradas desde uno o más vehículos que se están desplazando por el segmento de carretera durante el periodo de tiempo y que informa de las muestras de datos basándose en los desplazamientos, el uno o más vehículos es un subconjunto de todos los vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo, y en el que la velocidad media estimada de tráfico de vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo es determinada de tal manera como para estimar la velocidad media del tráfico de todos los vehículos que se desplazan por el segmento de carretera durante el periodo de tiempo. The method of claim 1, wherein, for each of one or more of the at least one road segment, the data samples associated with the road segment of the identified group are data samples supplied from one or more vehicles. that are moving along the road segment during the period of time and reporting data samples based on the displacements, the one or more vehicles is a subset of all the vehicles that travel along the road segment during the period of time, and in which the estimated average traffic speed of vehicles traveling along the road segment during the period of time is determined in such a way as to estimate the average traffic speed of all vehicles traveling through the road segment during the period of time.

13. 13.

El método de la reivindicación 1, en el que, para cada uno de uno o más del por lo menos algún segmento de carretera, la estimación de la velocidad media del tráfico de los vehículos que se desplazan por el segmento de carretera durante un periodo de tiempo es realizada para cada uno de múltiples intervalos de tiempo superpuestos de tiempo durante el periodo de tiempo, de tal manera que por lo menos parte de las muestras asociadas de datos para el segmento de carretera es utilizada para cada uno de los múltiples intervalos de tiempo. The method of claim 1, wherein, for each of one or more of the at least some road segment, the estimation of the average traffic speed of the vehicles traveling through the road segment during a period of time is made for each of multiple time intervals overlaid during the time period, such that at least part of the associated data samples for the road segment is used for each of the multiple time intervals .

14. 14.

Un soporte de almacenamiento legible por ordenador cuyo contenido almacenado configura un dispositivo de cálculo para realizar el método de cualquiera de las reivindicaciones 1-13. A computer readable storage medium whose stored content configures a calculation device to perform the method of any of claims 1-13.

15. fifteen.

Un sistema informático, que comprende: uno o más procesadores; y uno o más componentes que están configurados para realizar el método de cualquiera de las reivindicaciones A computer system, comprising: one or more processors; and one or more components that are configured to perform the method of any of the claims

11 -13. 11-13.