知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024180341
(43)【公開日】2024-12-26
(54)【発明の名称】排出の推定と異常
(51)【国際特許分類】
G06Q 10/04 20230101AFI20241219BHJP
G08G 1/00 20060101ALI20241219BHJP
【ＦＩ】
G06Q10/04
G08G1/00 C
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2024095393
(22)【出願日】2024-06-12
(31)【優先権主張番号】23382594.2
(32)【優先日】2023-06-15
(33)【優先権主張国・地域又は機関】EP
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(72)【発明者】
【氏名】ペーニャ ムノス・マニュエル
(72)【発明者】
【氏名】マカリウ・サヴァス
【テーマコード（参考）】
5H181
5L010
【Ｆターム（参考）】
5H181AA01
5H181BB04
5H181BB05
5H181BB20
5H181CC04
5H181EE03
5H181EE12
5L010AA04
(57)【要約】
【課題】 本発明は、排出の推定と異常に関する。
【解決手段】 コンピュータによって実施される方法であって、相互の類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成することと、平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択することと、ターゲット地理的領域に対応する代表交通データセットに基づいて、周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行することと、ターゲット地理的領域の交通予測プロセスを実行することと、複合交通予測に基づいて、ターゲット地理的領域の交通によって生成される排出を予測することと、を含む。
【選択図】 図１９
【解決手段】 コンピュータによって実施される方法であって、相互の類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成することと、平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択することと、ターゲット地理的領域に対応する代表交通データセットに基づいて、周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するためにモビリティ分析を実行することと、ターゲット地理的領域の交通予測プロセスを実行することと、複合交通予測に基づいて、ターゲット地理的領域の交通によって生成される排出を予測することと、を含む。
【選択図】 図１９
【特許請求の範囲】
【請求項1】
コンピュータ実装方法であって、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含むコンピュータ実施方法。
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含むコンピュータ実施方法。
【請求項2】
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
のいずれかを含む、請求項１に記載のコンピュータ実施方法。
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
のいずれかを含む、請求項１に記載のコンピュータ実施方法。
【請求項3】
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項4】
交通データは、関連する前記地理的領域内のセンサから取得されたデータを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項5】
交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項6】
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、請求項１又は２に記載のコンピュータ実施方法。
【請求項7】
前記地理的領域の交通データが、
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、請求項１又は２に記載のコンピュータ実施方法。
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項8】
前記ターゲット地理的領域の周期的交通予測を生成するステップは、関連する交通データに基づいて、前記交通データの周期的側面を定義するリグレッサーを生成するステップを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項9】
前記交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項10】
交通データは、関連する前記地理的領域で発生するイベントに関する情報を含み、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データを分析して、交通データと少なくとも１つのイベントとの間の少なくとも１つの相関を取得するステップ、
を更に含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、請求項１又は２に記載のコンピュータ実施方法。
前記ターゲット地理的領域の交通データを分析して、交通データと少なくとも１つのイベントとの間の少なくとも１つの相関を取得するステップ、
を更に含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項11】
前記排出を推定するステップは、以下：
速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、請求項１又は２に記載のコンピュータ実施方法。
速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項12】
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットは、第１期間に渡る交通データであり、前記複合交通予測は第１交通予測であり、前記コンピュータ実施方法は、
第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較することを含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、請求項１又は２に記載のコンピュータ実施方法。
第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較することを含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、請求項１又は２に記載のコンピュータ実施方法。
【請求項13】
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、請求項１又は２に記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
【請求項14】
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
【請求項15】
情報処理機器であって、メモリと前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含み、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
よう構成される、情報処理機器。
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含み、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
よう構成される、情報処理機器。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、排出の推定に関するものであり、特に、コンピュータ実施方法、コンピュータプログラム及び情報プログラミング機器に関する。
【背景技術】
【0002】
現実世界をデジタル世界として表現する傾向がある。スマートシティ、デジタルツイン（Digital Twin （DT））及びメタバースのような概念は、特に、データ、セキュリティ、モノのインターネット（Internet of Things （IoT））、電気通信のための第５世代技術標準（５G）、人工知能（AI）及び量子コンピューティングのような、これらの概念における新しいステップを可能にする新しい／改善された技術のために、少なくとも部分的に、より多くの注目を集めている。
【0003】
輸送モードからのCO２排出量、すなわち、人間の輸送活動の結果としての大気中への二酸化炭素の放出は、気候変動を促進する全体的な温室効果ガス排出に大きく寄与している。国際エネルギ機関によれば、輸送は、２０１９年に世界のエネルギ関連CO２排出の約２４%を占めた。交通予測、現在及び過去の交通観測に基づいて、短期的又は短期的な将来における将来の交通状態を予測するプロセスは、輸送モードからのCO２排出を削減するために、交通を理解し、処理する上で重要である。通常５分から１時間の範囲の次の時間間隔における交通量の予測を含む短期交通フロー予測は、交通渋滞の分野における重要な研究課題の１つであり、過去２０年間に多くの研究者によって取り組まれてきた（例えば、Kumar, S. V., Vanajakshi, L. Short-term traffic flow prediction using seasonal ARIMA model with limited input data. Eur. Transp. Res. Rev. ７, ２１ （２０１５）. https://doi.org/１０.１００７/s１２５４４-０１５-０１７０-８）。
【0004】
以上を踏まえ、排出の推定の向上が望まれる。
【発明の概要】
【0005】
第７の態様の実施形態によると、本願明細書には、コンピュータ実装方法であって、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記節交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータ実施方法が開示される。
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記節交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータ実施方法が開示される。
【0006】
任意の態様／実施形態に関連する特徴は、他の任意の態様／実施形態に適用することができる。
【図面の簡単な説明】
【0007】
例として、以下の添付の図面を参照する。
【図1】予測を理解するのに有用な図である。
【図2】システム及びアーキテクチャを示す図である。
【図3】システムを示す図である。
【図4】システムを示す図である。
【図5】方法を示す図である。
【図6】方法を示す図である。
【図7】モジュールを示す図である。
【図8】実施形態を理解するのに有用な図である。
【図9】モジュールを示す図である。
【図10】実施形態を理解するのに有用な図である。
【図11】実施形態を理解するのに有用な図である。
【図12】実施形態を理解するのに有用な図である。
【図13】モジュールを示す図である。
【図14】実施形態を理解するのに有用な図である。
【図15】実施形態を理解するのに有用な図である。
【図16】実施形態を理解するのに有用な図である。
【図17】予測を理解するのに有用な図である。
【図18】システム及びアーキテクチャを示す図である。
【図19】システムを示す図である。
【図20】システムを示す図である。
【図21】方法を示す図である。
【図22】モジュールを示す図である。
【図23】実施形態を理解するのに有用な図である。
【図24】実施形態を理解するのに有用なグラフを示す図である。
【図25】モジュールを示す図である。
【図26】機器を示す図である。
【発明を実施するための形態】
【0008】
本明細書に開示される態様は、排出、例えば、CO２排出を推定する問題、すなわち、過去、現在、及び将来の排出をどのように監視するかを処理することができる。態様は、排出の異常なピークを検出し、例えば、対策を適用することによって、ネットゼロ目標（Net Zero Targets （NZT））の達成を支援することができる。
【0009】
交通及び／又は排出を監視する従来の技術には、以下を含む欠点がある。
・従来のアプローチでは、遅延のない応答を必要とするリアルタイム環境のような高需要システムにおいて、周期的で粒度の低い予測は提供されない。
・従来の予測はコンテキストを考慮せず、複雑なパターン（例えば、相関する地域、市民の移動の流れ、将来の出来事など）も考慮しない。
・従来のアプローチでは、CO２異常はCO２レベルとして扱われるが、モビリティのコンポーネントとして詳細に分析されない。また、周期や傾向に依存しない側面も考慮されない。
・従来のアプローチでは、遅延のない応答を必要とするリアルタイム環境のような高需要システムにおいて、周期的で粒度の低い予測は提供されない。
・従来の予測はコンテキストを考慮せず、複雑なパターン（例えば、相関する地域、市民の移動の流れ、将来の出来事など）も考慮しない。
・従来のアプローチでは、CO２異常はCO２レベルとして扱われるが、モビリティのコンポーネントとして詳細に分析されない。また、周期や傾向に依存しない側面も考慮されない。
【0010】
本明細書に開示された側面は、過去、現在、及び将来の排出を監視するための大きなスケーラビリティを可能にする。これらは、排出の異常なピークを検出し、例えば、非常に短い応答期間で多数の領域を同時に管理する必要があるデジタルツイン（digital twin （DT））ソリューションに対策を適用することによって、ネットゼロ目標（Net Zero Targets （NZT））の達成を支援することができる。
【0011】
交通及び／又は排出を監視する従来の技術には、更に以下を含む欠点がある。
・DTソリューションの従来のアプローチは、１００から１０００の領域を同時に処理する必要があり、これは、数千の複雑なモデルをほぼリアルタイムで管理することを意味する。
・DTソリューションの従来のアプローチは、１００から１０００の領域を同時に処理する必要があり、これは、数千の複雑なモデルをほぼリアルタイムで管理することを意味する。
【0012】
本明細書に開示された側面は、以下を含む利点を達成することができる。
・DTシステムのためのスケーラブルな周期的予測。
・様々なレベルでのコンテキストを認識した予測と異常検出、シミュレーションとデジタルリハーサルの鍵。
・周期や傾向に依存しないことで、より正確な異常動作の検出。
・DTシステムの大規模な実行。
・複雑さの軽減。これは、リアルタイムDT環境などで、多くの領域を短い応答時間で同時に処理する必要がある場合に、必要な数のモデルを管理するために重要と考えられることがある。
・DTシステムのためのスケーラブルな周期的予測。
・様々なレベルでのコンテキストを認識した予測と異常検出、シミュレーションとデジタルリハーサルの鍵。
・周期や傾向に依存しないことで、より正確な異常動作の検出。
・DTシステムの大規模な実行。
・複雑さの軽減。これは、リアルタイムDT環境などで、多くの領域を短い応答時間で同時に処理する必要がある場合に、必要な数のモデルを管理するために重要と考えられることがある。
【0013】
以下の用語が説明で使用され得る。定義は網羅的ではない。
５G：電気通信の第５世代技術標準
ACF：Auto Correlation Function（自動相関機能）
AI：Artificial Intelligence（人工知能）
AR：Auto R egressive（自己回帰）
ARIMA：Auto Regressive IntegratedMovingAverage（自己回帰統合移動平均）
BN：Batch Normalisation（バッチ正規化）
CNN：Convolutional Neural Network（畳込みニューラルネットワーク）
DL：Deep Learning（深層学習）
DT：Digital Twin（デジタルツイン）
DX：Digital Transformation（デジタル変換）
FC：Fully Connected Network（全結合ネットワーク）
IoT：Internet of Things.（モノのインターネット）
ITS：Intelligent Transportation System（インテリジェント道路交通システム）
MA：Moving Average（移動平均）
LSTM：Long-Short Term Memory（短期記憶）
NZT：Net Zero Targets（ネットゼロ目標）
PACF：Partial Auto Correlation Function（部分自動相関機能）
SARIMA：Seasonal Auto Regressive Integrated Moving Average（周期的自己回帰統合移動平均）
SARIMAX：Seasonal Auto Regressive Integrated Moving Average with eXogenous features（外因性特徴を有する周期的自己回帰統合移動平均）
SDLTFP：Supervised Deep Learning Based Traffic Flow Prediction（教師有り深層学習に基づく交通フロー予測）
SVM：Support Vector Machine（サポートベクターマシン）
SVR：Support Vector Regression（サポートベクター回帰）
５G：電気通信の第５世代技術標準
ACF：Auto Correlation Function（自動相関機能）
AI：Artificial Intelligence（人工知能）
AR：Auto R egressive（自己回帰）
ARIMA：Auto Regressive IntegratedMovingAverage（自己回帰統合移動平均）
BN：Batch Normalisation（バッチ正規化）
CNN：Convolutional Neural Network（畳込みニューラルネットワーク）
DL：Deep Learning（深層学習）
DT：Digital Twin（デジタルツイン）
DX：Digital Transformation（デジタル変換）
FC：Fully Connected Network（全結合ネットワーク）
IoT：Internet of Things.（モノのインターネット）
ITS：Intelligent Transportation System（インテリジェント道路交通システム）
MA：Moving Average（移動平均）
LSTM：Long-Short Term Memory（短期記憶）
NZT：Net Zero Targets（ネットゼロ目標）
PACF：Partial Auto Correlation Function（部分自動相関機能）
SARIMA：Seasonal Auto Regressive Integrated Moving Average（周期的自己回帰統合移動平均）
SARIMAX：Seasonal Auto Regressive Integrated Moving Average with eXogenous features（外因性特徴を有する周期的自己回帰統合移動平均）
SDLTFP：Supervised Deep Learning Based Traffic Flow Prediction（教師有り深層学習に基づく交通フロー予測）
SVM：Support Vector Machine（サポートベクターマシン）
SVR：Support Vector Regression（サポートベクター回帰）
【0014】
自己回帰統合移動平均（ARIMA）のような時系列分析に基づく手法は、交通フローを予測するための最も正確な手法の１つであると報告されている（例えば、Mai T, Ghosh B, Wilson S （２０１２） Multivariate short-term traffic flow forecasting using Bayesian vector autoregressive moving average model. Proceedings of the ９１st Transportation Research Board Annual Meeting, Washington, D.C）。
【0015】
時系列モデルは、長期的な傾向と周期的なパターンを分解することによって過去のデータからパターンを特定し、そのパターンを将来に外挿しようとする。交通フローパターンは、毎日多かれ少なかれ同じ時間に繰り返されるピークとオフピークの交通条件により強い周期的パターンを示すため、周期的ARIMA（SARIMA）モデルは交通流挙動をモデル化するのに特に適切であると言われている（例えば、Ghosh B, Basu B, Mahony MO （２００７） Bayesian time-series model for short-term traffic flow forecasting. J Transp Eng １３３（３）:１８０－１８９）。多くの研究において、SARIMAモデルは、ランダムウォーク、線形回帰、サポートベクトル回帰（SVR）、過去平均及び単純ARIMAに基づくモデルより良好に実行することが分かっている（例えば、Williams BM, Hoel LA （２００３） Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: theoretical basis and empirical results. J Transp Eng １２９（６）:６６４－６７２, in Ghosh B, Basu B, Mahony MO （２００５） Time-series modelling for forecasting vehicular traffic flow in Dublin. Proceedings of the ８５th Transportation Research Board Annual Meeting, Washington, D.C, and in Lippi M, Bertini M, Frasconi P （２０１３） Short-term traffic flow forecasting: an experimental comparison of time-series analysis and supervised learning. IEEE Trans intell Transp Syst １４（２）:８７１－８８２）。
【0016】
ARIMAモデルは、p、d,、qの３つの項で特徴づけられる。pはAR項の次数、qはMA項の次数、dは時系列を定常にするための差分数である。SARIMAモデルでは、s項は周期的パラメータを指し、通常は周期における観測数を表す。更に、SARIMAは外因性特徴で実装することもでき、その結果としてSARIMAXモデルが得られる（例えば、Khandelwal, R., ２０２０: Time series prediction using SARIMAXに記載されている）。これらの外因性特徴は、元の時系列とは起源が異なる。これは、特徴が時系列とは異なる観測の特性を記述することを意味する。これらの特徴の追加は、時系列のより正確な予測につながる可能性がある。これらの追加された特徴の例は、関心のある特定の地域で発生する各々の影響を持つ天気やイベントのリストである。
【0017】
パラメータp、d、qに正しい値を割り当てるための文献や研究における標準的な方法は、自己相関関数（ACF）と部分自己相関（PACF）プロットを使用することである。ACFプロットは、時系列とそのラグとの間の相関係数の棒グラフである。これは、p又はAR項の値を決定するのに役立つ。PACFプロットは、時系列とそれ自体のラグとの間の部分相関係数のプロットであり、q又はMA項の値を決定するのに役立つ。
【0018】
本明細書に開示されている幾つかの側面は、SARIMAXモデルの追加拡張と見なすことができる。本明細書に開示されている幾つかの側面は、予測及び異常検出のために多数の領域にスケールアップする能力を有する可能性がある。
【0019】
現在、多くの企業や政府は、将来に向けて従来のビジネスを進化させるために、深層DXプロセスに関与している。この移行において、DTは、現実世界をエミュレートし、行動モデルを模倣し、現実世界の将来ビジョンを適用するために適切に行われている。
【0020】
本明細書に開示されている側面は、DTソリューションの交通排出の予測及び異常挙動の検出を容易にする可能性がある。従来の予測アプローチは、特定の制約に対処できない可能性があり、DTでのリアルなデジタルリハーサル又は高度なシミュレーションを可能にする特別な機能などのDT環境に特定の機能を提供できない可能性がある。
【0021】
本明細書に開示された側面は、以下を達成することができる。
１．情報の粒度が小さく、リアルタイムに近い応答を持つ高需要システム向けのスケーラブルな周期的予測。
２．将来の排出に影響を与える複雑なパターンを検出することを目的としたデジタルリハーサルと事前シミュレーションを可能にする、様々なレベルでのコンテキスト認識交通予測。
３．周期及び傾向に依存しない異常検出。例えば、NZTの達成にペナルティを課すシナリオを強調表示する。
１．情報の粒度が小さく、リアルタイムに近い応答を持つ高需要システム向けのスケーラブルな周期的予測。
２．将来の排出に影響を与える複雑なパターンを検出することを目的としたデジタルリハーサルと事前シミュレーションを可能にする、様々なレベルでのコンテキスト認識交通予測。
３．周期及び傾向に依存しない異常検出。例えば、NZTの達成にペナルティを課すシナリオを強調表示する。
【0022】
本明細書で開示されているように、「交通」は車両交通を指す場合がある。「モビリティ」及び「交通」という用語は、両方ともセンサ及び／又はデジタルツインからの交通データを指すために使用できる。
【0023】
ここで、多数の実装例及び態様を含む第１実装について説明する。
【0024】
図１は、実際の使用例の表現を示す。ある領域のモビリティの分析を行い、モビリティがどのように振る舞うかについての洞察を得る。このような分析のために、履歴及びリアルタイムのデータを持つDT環境からの特定のデータを使用することができる。このDTデータとモビリティの洞察は、異なるレベルでのモビリティ（交通）の予測を取得/生成するために使用され、交通、相関地域、市民のモビリティフロー、イベント、天気、横断的な輸送モダリティなどの情報を用いて、モビリティのより広い視野を考慮する。次に、モビリティの（汚染物質排出に直接影響を与える）異常挙動の検出を行う。これらの異常は、以下の更に調査すべきシナリオを明らかにする：（１）潜在的な排出削減のための対策の適用における決定、又は（２）排出レベルの削減のためのベストプラクティスを得るためのシナリオの分析。更に、潜在的な異常の影響を含む予測交通に基づいて、汚染物質排出の推定を得る。
【0025】
DTシステムは、本明細書に開示された態様を組み込むことによって、将来の排出レベルと異常挙動を早期に認識することができる。以下の利点は、本明細書に開示された態様によって達成することができる：DT環境のような要求の高いシステムに対してリアルタイムに近い応答を提供し、及び予測の問題（すなわち、使用されるモデル及び必要な計算）の複雑さを軽減する。
【0026】
図２は、システム１００を組み込んだアーキテクチャの一般的な概要を示す。システム１００は、実世界のセンサから（ライブ、生）データを受信するために、インタフェースと通信することができる。インタフェースは、このようなセンサからのデータが経時的に格納されるデータ記憶層と接続することもできる。インタフェースはまた、例えば、シミュレートされたシナリオについての新たな洞察を提供するために、シミュレーションシステムに接続されてもよい。
【0027】
システム１００は、実装例において、以下の機能を有する以下のコンポーネントを含む。
【0028】
・DTモビリティ分析モジュール２０は、予測モデルを微調整するためのパラメータを提供する役割を担う（以下で更に説明する）。パラメータは、「最適」パラメータと呼ばれることがある。これは、例えば、パラメータが分析に基づいて生成され、有用であると考えられることを示すためである。このモジュールは、現実世界に配置されたセンサからのライブ情報と、永続層（データストレージ）に格納された履歴情報を受信し、予測モデルの最適な設定（パラメータ）を得るためのロジックを実行する。出力として、最適パラメータはDTモビリティ予測モジュール４０に提供される。
【0029】
・DTモビリティ予測モジュール４０は、予測を生成する。すなわち、このモジュールは、モビリティの異なる傾向の挙動を予測することを担う。履歴データ、モビリティフロー、イベント、天気などのデータを使用し、これらのすべての側面を分析した後に予測を実行する。出力として、このモジュールは、DTモビリティ異常検出モジュール６０及び排出推定エンジン８０により使用される特定の特徴など、交通の動作の予測（交通予測）を提供する。
【0030】
・DTモビリティ異常検出モジュール６０は、予測された交通における（汚染物質排出に影響を与える可能性がある）異常挙動を検出する。このモジュールは、DTモビリティ予測モジュールからの予測挙動（及び例えば、履歴交通データ）を入力として使用し、モビリティ（交通）の周期的要素又は現在の傾向に関係なく、異常挙動パターンを検出する。出力として、このモジュールは、パターンに関する情報（期待される挙動、予測される異常の種類、偏差）とともに検出された異常挙動を提供する。この情報は、排出推定エンジン８０に提供される。
【0031】
・排出推定エンジン８０は、DTモビリティ異常検出モジュール６０及びDTモビリティ予測モジュール４０の出力に基づいて、CO２又はその他の汚染物質などの排出を推定する。これには、車両数、車両の種類、乗客、運転挙動などの交通に関する特定の情報が含まれる場合がある。更に、このモジュールは、検出された異常挙動の影響を推定し、持続可能性の観点から各異常の影響を測定できる場合がある。このモジュールは、所与の交通状況に対する排出の定量化を提供する場合がある。
【0032】
図３は、システム１００を示し、矢印を使用して処理フローを示す。
【0033】
図４は、システム１００及び幾つかの入力/通信機能を示す。DT－Mobフットプリントは、地理的地域のデジタルツインから受信することができるデータを表し、車両数、車両の種類、速度、平均速度、最高速度、最低速度、混雑のレベル、交通渋滞（数）、道路ネットワークの使用レベル、最大輸送容量などのいずれかを含むことができる（各々が時間に渡るものである、すなわち時系列データである）。
【0034】
図５は、システム１００によって実行することができる方法を示す。ステップS２０は、第１期間に関して交通予測プロセスを実行することを含む。ステップS４０は、第２期間に関して交通予測プロセスを実行することを含む。ここで、期間に関して交通予測プロセスを実行することは、その期間をカバーする交通データを使用して交通予測プロセスを実行することを意味する。例えば、期間は、過去９０日間又は過去１年以上又はそれ以下であってもよい。第１期間は、第２期間と、第２期間より最近の追加期間とを含む。例えば、追加期間は、前の時間又は前の日又は前の週などであってもよい。幾つかの点で、追加期間をカバーする（履歴）交通データは、「ライブ（生）」交通データと考えられてもよい。
【0035】
本明細書で（本願全体で、第１及び第２実装について）使用される交通データは、実世界のセンサによって収集され、例えば、記憶装置（記憶層など）に格納されるデータを含んでもよい。代替的に、又は追加的に、本明細書で使用される交通データは、DTからのデータを含んでもよい。すなわち、地理的地域の交通データは、その地理的地域をモデル化／シミュレートするDTからのものであってもよい。DT自体は、実世界のセンサから得られた交通データを利用してもよい。DTからの交通データは、（例えば実世界のセンサから得られる交通データと比較して）幾つかの前処理段階を経ている場合があり、その中で、例えば、中間変数及び値が生成されている場合がある。すなわち、車両数及び車両の平均速度が与えられた場合の具体的な地域及び具体的な輸送モダリティの混雑レベルが生成されている場合がある。
【0036】
更に、本明細書で使用される交通データは、幾つかの実装例において、特定のシナリオ（及び、例えば、現実世界だけでない）をモデル化／シミュレートするDTからの交通データを含む場合がある。すなわち、DTは、例えば、介入シナリオ（つまり、特定の介入が行われた場合に（交通データに）何が起こるか）及び他の「仮定」シナリオのようなシナリオをモデル化／シミュレートすることができる。そのようなシナリオは、シミュレートされる一連のパラメータが与えられた場合に、シミュレートされた近未来又は将来のミラーを表すと考えることができる。複数のDTシナリオ（及び、従って、対応する交通データの複数のセット）が並行してシミュレートされる可能性がある。
【0037】
上述したように、本明細書で使用される交通データは、実世界のセンサから（例えば、記憶装置を介して）取得された交通データ及びDTからのデータを表す／含むことができる。
【0038】
ステップS２０及びS４０は、各々、第１交通予測及び第２交通予測をもたらす。
【0039】
ステップS６０は、第１交通予測を第１周期的成分、第１傾向成分及び第１ノイズ成分に分解することを含み、第２交通予測を第２周期的成分、第２傾向成分及び第２ノイズ成分に分解することを含む。ステップS６０は、LOESS（locally estimated scatterplot smoothing）を用いた周期傾向分解（STL）技術を使用することを含むことができる。
【0040】
ステップS８０は、ノイズ成分同士を比較して少なくとも１つの異常を検出することを含む。すなわち、ステップS８０は、第１交通予測の第１ノイズ成分を第２交通予測の第２ノイズ成分と比較して少なくとも１つの異常を検出することを含む。ステップS８０は、第１ノイズ成分と第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較することを含み、偏差の大きさが異常閾値より大きい場合、偏差を異常として分類することを含む。
【0041】
ステップS１００は、排出を推定することを含む。この推定は、第１交通予測に基づいており、少なくとも１つの検出された異常の影響を含むことができる。
【0042】
【0043】
ステップS２２は、ターゲット領域の周期的交通予測を生成することを含む。ステップS２２は、少なくとも１つの他の領域の少なくとも１つの他の周期的交通予測を生成することを含む。領域は、地理的地域内の複数の地理的領域のうちの地理的領域である。周期的交通予測の生成については、後述する。
【0044】
ステップS２６は、ターゲット領域及び少なくとも１つの他の領域のモビリティフローを分析して、ターゲット領域と少なくとも１つの他の領域との間の相関関係を決定することを含む。
【0045】
ステップS２８は、少なくとも１つの他の領域についての少なくとも１つの他の予測に基づいて、かつ決定された相関関係に基づいて、ターゲット領域についての周期的交通予測を調整することを含む。調整された予測は、複合交通予測、最終予測、累積予測、又は全体予測と呼ばれ、ターゲット領域についての最終交通予測とみなされてもよい。これらの用語は、本明細書において（第１及び第２実施形態において）互換的に使用されてもよい。
【0046】
ステップS１０１は、調整された／最終予測に基づいて排出を推定することを含む。方法は、ステップS１０１を含んでも含まなくてもよい。
【0047】
DTモビリティ分析モジュール２０
図７は、DTモビリティ分析モジュール２０の特定の実装例を示す図である。
図７は、DTモビリティ分析モジュール２０の特定の実装例を示す図である。
【0048】
このモジュールは、実世界のセンサからの情報／データ及びデータ記憶層に記憶され得る（履歴）交通データを受信する。このモジュールは、DTの挙動を分析し、予測モデルのための最適パラメータを見出す。DTモビリティ分析モジュール２０は、DTから要求されるすべての情報（上記のように、交通データは、センサ及び／又は記憶装置及び／又はDTから受信することができる）を提供し得るDT-Mobフットプリント及び「履歴」データを入力として受け取ると考えることができる。モビリティ分析モジュール２０は、受信した情報を分析し、モビリティの現在の傾向を識別し、予測モデルのための最適パラメータを設定する。このモジュールは、異なる角度からのモビリティ（例えば、車両数、速度、平均速度、最大速度、最低速度、混雑のレベル、交通渋滞（数）、道路網の使用レベル、最大輸送能力などのいずれか）を分析する能力を有する。車両数（すなわち、車両数又は複数のタイプの各々の車両数）及び（平均）速度は、幾つかの例では好ましい場合がある（例えば、これらの側面は、排出を計算するために使用され得るため）。車両の種類は、エンジンサイズ、平均排出量、及びメーカーのいずれかに対応し得る。
【0049】
最適パラメータは、パラメータセットを使用して実行をテストし、各構成のメトリックと誤差を比較し、最良のものを選択すること（すなわち、最小の誤差を与えるパラメータの選択）によって決定され得る。
【0050】
DTモビリティ分析モジュール２０は、周期的予測を生成することが、周期的予測のための最適パラメータを決定するために、最初に関連する交通データを分析することを含み得るという意味で、ステップS２２の一部及びステップS２４の一部を実行すると考えられ得る。
【0051】
図７に見られるように、この実装例では、DTモビリティ分析モジュール２０は、４つのコンポーネントを有する。
【0052】
定常性チェッカー２２
このコンポーネントは、交通データを分析し、年間傾向の異なるレベルの定常性を得る。つまり、このコンポーネントは、その年の期間に応じた履歴傾向（傾向）の変動を提供する。最適なパラメータを取得するために、このモジュールでは、周期的差の最適な程度を決定するためにCanova-Hansenなどの手法を使用できる。
このコンポーネントは、交通データを分析し、年間傾向の異なるレベルの定常性を得る。つまり、このコンポーネントは、その年の期間に応じた履歴傾向（傾向）の変動を提供する。最適なパラメータを取得するために、このモジュールでは、周期的差の最適な程度を決定するためにCanova-Hansenなどの手法を使用できる。
【0053】
回帰性チェッカー２４
このコンポーネントは、モビリティの現在のライブ情報に追加された履歴データを分析する。これは、単に交通データの分析と考えることができる。このモジュールは、履歴データ、現在のモビリティ傾向、及び将来の予測の間の関係を確立する。これは、過去のモビリティ傾向、より最近のモビリティ傾向、及び暫定的に予測されたモビリティ傾向の間の関係を決定すると考えることができる。最終的に、この実装例では、このコンポーネントは、正確な予測を達成するために、分析されたモビリティ傾向が従う「波」の数を提供する。
このコンポーネントは、モビリティの現在のライブ情報に追加された履歴データを分析する。これは、単に交通データの分析と考えることができる。このモジュールは、履歴データ、現在のモビリティ傾向、及び将来の予測の間の関係を確立する。これは、過去のモビリティ傾向、より最近のモビリティ傾向、及び暫定的に予測されたモビリティ傾向の間の関係を決定すると考えることができる。最終的に、この実装例では、このコンポーネントは、正確な予測を達成するために、分析されたモビリティ傾向が従う「波」の数を提供する。
【0054】
このモジュールで使用できる手法の例としては、Kwiatkowski－Phillips－Schmidt－Shin、AugmentedDicky-Fuller、又はPhillips－Perronの手法がある。
【0055】
予測チェッカー２６
このコンポーネントは、現在のモビリティ傾向が振動している値の範囲を確立する。言い換えると、このモジュールは、モビリティ傾向における将来の値の大きさの程度又は増加／減少の比率を確立する１つ以上のパラメータを決定する。これらのパラメータを決定する幾つかの技法には、自己相関関数（autocorrelation function （ACF））、部分自己相関関数（partial autocorrelation function （PACF））、及び／又は拡張自己相関関数（extended autocorrelation function （EACF））法が含まれる。
このコンポーネントは、現在のモビリティ傾向が振動している値の範囲を確立する。言い換えると、このモジュールは、モビリティ傾向における将来の値の大きさの程度又は増加／減少の比率を確立する１つ以上のパラメータを決定する。これらのパラメータを決定する幾つかの技法には、自己相関関数（autocorrelation function （ACF））、部分自己相関関数（partial autocorrelation function （PACF））、及び／又は拡張自己相関関数（extended autocorrelation function （EACF））法が含まれる。
【0056】
最適なパラメータを見つけるために、これらのモジュール２２、２４、２６は、赤池情報量基準、修正赤池情報量基準、ベイジアン情報量基準、Hannan-Quinn情報量基準、又は検証のための「アウトオブバッグ」などの技法を使用する。
【0057】
最適パラメータエンジン２８
このコンポーネントは、定常、回帰、及び予測パラメータ（例えば、次の段階で使用するために、正しいフィールドにパラメータを設定し、順序付けることができる）を集約する。
このコンポーネントは、定常、回帰、及び予測パラメータ（例えば、次の段階で使用するために、正しいフィールドにパラメータを設定し、順序付けることができる）を集約する。
【0058】
図８は、DTモビリティ分析モジュール２０に関するデータの例を示している。Aは、DT-mobフットプリントに含まれるデータの例を示している。Bは、データストレージに格納されている交通データの例を示している。AとBの両方を合わせて交通データと見なすことができる。Cは、最適パラメータエンジン２８によって一緒に集約されたパラメータの例を示す。
【0059】
最適パラメータはDTモビリティ予測モジュール４０に提供されてよい。
【0060】
DTモビリティ予測モジュール４０
図９は、DTモビリティ予測モジュール４０の特定の実装例を示す図である。
図９は、DTモビリティ予測モジュール４０の特定の実装例を示す図である。
【0061】
DTモビリティ予測モジュール４０は、モビリティの様々な傾向の挙動を予測する。このモジュールは、履歴モビリティ、モビリティフロー、イベント、及び天気などのデータセット（これらをまとめて交通データと呼ぶことがある）のデータを入力として使用し、そのような側面を分析した後に予測を実行する。出力として、このモジュールは、DTモビリティ異常検出モジュール６０及び排出推定エンジン８０により使用される特定の特徴など、交通の挙動の予測（交通予測）を提供する。モビリティのデータは交通データと見なすことができる。
【0062】
図９に示すこの実装例のDTモビリティ予測モジュール４０には、５つのコンポーネントがある。
【0063】
リグレッサービルダー４１
リグレッサービルダー４１は、スケーラブルな周期的予測に貢献する。このコンポーネントは、モビリティ（すなわち交通データ）の履歴データを分析し、予測の周期的側面を定義するリグレッサー（Regressors、予測変数）を生成する。これらのリグレッサーは、周期的予測モデルモジュール４４に提供される。従って、予測の周期的成分を推定するための計算コストは、周期的予測の生成から分離され、周期的予測モデルモジュール４４の代わりにリグレッサービルダー４１によって実行される。これにより、複雑さと計算コストを削減できる。リグレッサービルダー４１は、リグレッサーをフーリエ係数として周期的予測モデルモジュール４４に提供できる。リグレッサービルダー４１は、フーリエ変換、正弦波分解、時間と周波数の関数などの手法を使用できる。
リグレッサービルダー４１は、スケーラブルな周期的予測に貢献する。このコンポーネントは、モビリティ（すなわち交通データ）の履歴データを分析し、予測の周期的側面を定義するリグレッサー（Regressors、予測変数）を生成する。これらのリグレッサーは、周期的予測モデルモジュール４４に提供される。従って、予測の周期的成分を推定するための計算コストは、周期的予測の生成から分離され、周期的予測モデルモジュール４４の代わりにリグレッサービルダー４１によって実行される。これにより、複雑さと計算コストを削減できる。リグレッサービルダー４１は、リグレッサーをフーリエ係数として周期的予測モデルモジュール４４に提供できる。リグレッサービルダー４１は、フーリエ変換、正弦波分解、時間と周波数の関数などの手法を使用できる。
【0064】
周期的予測モデルモジュール４４
周期的予測モデルモジュール４４は、モビリティの周期的予測を担当する。このモジュールは、履歴交通情報（すなわち交通データ）とリグレッサーを使用する。リグレッサーとしてフーリエ係数を使用すると、トレーニングの複雑さが軽減される可能性がある。トレーニングフェーズでは、トレーニングデータセットに基づいてモデル（周期的予測モデル）のパラメータを構成できる。このモデルには、定常／周期的部分と非定常／非周期的部分の幾つかのコンポーネントがある。リグレッサーは、周期的成分の情報を提供すると考えることができる。これにより、非定常／非周期的部分をトレーニングする必要があるだけなので、モデルのセットアップが簡単になり、周期的予測モデルのセットアップ／トレーニングの時間と複雑さが軽減される。
周期的予測モデルモジュール４４は、モビリティの周期的予測を担当する。このモジュールは、履歴交通情報（すなわち交通データ）とリグレッサーを使用する。リグレッサーとしてフーリエ係数を使用すると、トレーニングの複雑さが軽減される可能性がある。トレーニングフェーズでは、トレーニングデータセットに基づいてモデル（周期的予測モデル）のパラメータを構成できる。このモデルには、定常／周期的部分と非定常／非周期的部分の幾つかのコンポーネントがある。リグレッサーは、周期的成分の情報を提供すると考えることができる。これにより、非定常／非周期的部分をトレーニングする必要があるだけなので、モデルのセットアップが簡単になり、周期的予測モデルのセットアップ／トレーニングの時間と複雑さが軽減される。
【0065】
リグレッサーを使用すると、モデルの実行中の複雑さも軽減される。モデルは、以下の式により定められる。周期的予測モデルモジュール４４は、予測／予測で使用されるモデルの最適なセットアップを提供することを目的として、DTモビリティ分析モジュール２０によって提供される最適パラメータを使用する。
【0066】
周期的予測を生成するために周期的予測モデルモジュール４４で使用されるモデルは、次式で定義することができる：
周期的予測モデルモジュール４４は、ステップS２２及びS２４を実行すると考えることができる。
【数1】
【0067】
リグレッサーの生成は、リグレッサービルダー４１の代わりに周期的予測モデルモジュール４４によって実行することができる。上記以外の方程式を使用して、周期的予測を生成することができる。
【0068】
モビリティフロー分析部４２
モビリティフロー分析部４２は、領域が互いにどのように関連しているか、ある領域のモビリティが他の領域のモビリティとどのように相関しているか、最終的には異なる領域の交通予測が互いにどのように相関しているかについての洞察を提供する。このコンポーネントは、例えば図１２に示すように、３つのレベルでのモビリティフロー分析を可能にする。例えば、以下を考慮して、相関を検索することができる：（１）領域レベル（すなわち、地理的領域内）で、（２）隣接領域を考慮して、又は（３）モビリティフロー解析に基づいてターゲット領域に影響を与える領域を考慮して。最後に、このモジュールは、現実的な予測のために考慮する必要がある領域を最終結果として提供する。すなわち、モビリティフロー分析部４２は、分析された交通データに基づいて、交通データがターゲット領域の交通データに影響を与える少なくとも１つの領域を示す情報を出力することができる。また、モビリティフロー分析部４２は、少なくとも１つの相関を決定し、この情報を出力するか、又は少なくとも１つの相関は予測エンジン４５によって決定することができる。
モビリティフロー分析部４２は、領域が互いにどのように関連しているか、ある領域のモビリティが他の領域のモビリティとどのように相関しているか、最終的には異なる領域の交通予測が互いにどのように相関しているかについての洞察を提供する。このコンポーネントは、例えば図１２に示すように、３つのレベルでのモビリティフロー分析を可能にする。例えば、以下を考慮して、相関を検索することができる：（１）領域レベル（すなわち、地理的領域内）で、（２）隣接領域を考慮して、又は（３）モビリティフロー解析に基づいてターゲット領域に影響を与える領域を考慮して。最後に、このモジュールは、現実的な予測のために考慮する必要がある領域を最終結果として提供する。すなわち、モビリティフロー分析部４２は、分析された交通データに基づいて、交通データがターゲット領域の交通データに影響を与える少なくとも１つの領域を示す情報を出力することができる。また、モビリティフロー分析部４２は、少なくとも１つの相関を決定し、この情報を出力するか、又は少なくとも１つの相関は予測エンジン４５によって決定することができる。
【0069】
モビリティフローは、ある領域の交通データが他の任意の領域の交通データに与える影響として定義することができる。モビリティフローは、人々が輸送モダリティに関係なく、ある領域から他の領域へどのように移動するか（例えば、彼らの目的地）として定義することができる。
【0070】
呼詳細記録（call detail record （CDR））laからモビリティ又は発信地-宛先（origin-destination （OD））マトリクスを分析するために、次の２つのアプローチを考慮することができる。（a）時間ベースのマトリクスでは、分析はCDRのシーケンスから直接モビリティを推定することに焦点を当てることができる。（b）ルーチンベースのマトリクス（目的別OD）では、分析は、トリップ生成モデルから導出された、自宅－職場通勤などの日常的な種類の移動に焦点を当てることができる。更に、このモジュールは、具体的な期間のOD座標を領域の分布にマッピングすることができる。
【0071】
モビリティフロー分析部４２は、ステップS２６を実行すると考えることができる。
【0072】
外部イベント分析部４３
外部イベント分析部４３は、最終予測のために外部要因がどのように考慮されるかについての洞察を提供する。このコンポーネントは、このような外部要因（例えば、イベント、気象状況、複雑な相関パターン、又はモビリティに影響を与える他の要因、すなわち交通情報）と交通情報との相関関係を分析する。このような相関関係は予測エンジン４５に送信され、交通予測を調整するために将来の可能性のあるイベントと共に考慮される場合がある。
外部イベント分析部４３は、最終予測のために外部要因がどのように考慮されるかについての洞察を提供する。このコンポーネントは、このような外部要因（例えば、イベント、気象状況、複雑な相関パターン、又はモビリティに影響を与える他の要因、すなわち交通情報）と交通情報との相関関係を分析する。このような相関関係は予測エンジン４５に送信され、交通予測を調整するために将来の可能性のあるイベントと共に考慮される場合がある。
【0073】
外部イベント分析部４３は、時系列相関（ピアソン相関法や線形回帰法）、ネットワーク相関（グラフレットネットワーク距離、アラインメントベースの方法、スペクトル方法、又はその他の方法）、データマイニング方法などの手法を使用して、イベントと幾つかの変数との間の相関関係を分析することができる。
【0074】
予測エンジン４５
予測エンジン４５は、DTモビリティ予測モジュール４０によって出力される最終予測を提供する。予測エンジン４５は、周期的予測モデルモジュール４４、モビリティフロー分析部４２、及び外部イベント分析部４３から情報を受信する。予測エンジン４５は、ターゲット領域の周期的予測を選択し、次の影響を分析する：他の可能な要因の中でも特に、（１）モビリティフロー、（２）周囲の／相関する領域の挙動、（３）将来発生するイベント、（４）天候の影響、及び（５）モビリティ予測に影響を与える他の複雑なパターン間の相関。予測エンジン４５は、これらの要因のいずれかに基づいて周期的予測を調整する。予測エンジン４５は、調整された予測を計算するために以下の式を使用することができ、これは最終予測と呼ばれることがある。予測エンジン４５は、（例えば、トレーニング及び／又は統計的干渉を通じて）事前に決定することができ、以下の式の係数として使用することができる相関重みを受信することができる。
予測エンジン４５は、DTモビリティ予測モジュール４０によって出力される最終予測を提供する。予測エンジン４５は、周期的予測モデルモジュール４４、モビリティフロー分析部４２、及び外部イベント分析部４３から情報を受信する。予測エンジン４５は、ターゲット領域の周期的予測を選択し、次の影響を分析する：他の可能な要因の中でも特に、（１）モビリティフロー、（２）周囲の／相関する領域の挙動、（３）将来発生するイベント、（４）天候の影響、及び（５）モビリティ予測に影響を与える他の複雑なパターン間の相関。予測エンジン４５は、これらの要因のいずれかに基づいて周期的予測を調整する。予測エンジン４５は、調整された予測を計算するために以下の式を使用することができ、これは最終予測と呼ばれることがある。予測エンジン４５は、（例えば、トレーニング及び／又は統計的干渉を通じて）事前に決定することができ、以下の式の係数として使用することができる相関重みを受信することができる。
【数2】
【0075】
予測エンジン４５は、ステップS２８を実行すると考えることができる。
【0076】
上に示した以外の式、例えば、他の可能な式の中で、上の式のすべての項を含まない式を使用することもできる。
【0077】
図１０は、DTモビリティ予測モジュール４０に入力され得る幾つかの例示的なデータを示している。Aは、「履歴交通データ」の例を示している。Bは、領域情報の例を示している。Cは、「モビリティフロー」データの例を示している。図１１は、さらなるデータ例を示している。Aは、外部イベントデータの例を示している。Bは、リグレッサーに関するデータ例を示している。Cは、交通予測（この例では、具体的には車両数が表示されている）に関連するデータ例を示している。DTモビリティ予測モジュール４０に入力されるデータは、単に交通データと呼ぶことができる。すなわち、本明細書で使用される交通データは、イベント、モビリティフロー、領域情報などに関するデータを含むことができる。
【0078】
DTモビリティ異常検出部６０
図１３は、DTモビリティ異常検出部６０の特定の実施例を示す図である。
図１３は、DTモビリティ異常検出部６０の特定の実施例を示す図である。
【0079】
DTモビリティ異常検出モジュールは、汚染物質排出に影響を与える可能性がある、予測された交通における異常挙動を検出する。DTモビリティ異常検出部６０は、DTモビリティ予測モジュールからの履歴交通データ及び特定の予測された挙動を入力として使用し、モビリティの周期的成分又は現在の傾向に関係なく（agnostic to）、異常挙動パターンを検出する。図１３に示すように、DTモビリティ異常検出部６０は、この実装例では、以下の３つのモジュールを含む。２つの周期的分解モジュール６２、６４：一方は「期待される（expected）」交通挙動を分解し、他方は「予測される（forecasted）」交通挙動を分解する。並びに、２つの周期的分解モジュール６２、６４の出力に基づいて異常を検出する異常検出モジュール６５。
【0080】
出力として、DTモビリティ異常検出部６０は、パターンに関する情報（期待される挙動、予測された、異常の種類、偏差）と共に検出された異常挙動を提供することができる。この情報は、排出推定エンジン８０に提供することができる。
【0081】
周期的分解モジュール６２、６４
各周期的分解モジュール６２、６４は、交通挙動を３つの側面／成分：（１）周期的成分、（２）傾向、及び（３）ノイズ、に分解する。
各周期的分解モジュール６２、６４は、交通挙動を３つの側面／成分：（１）周期的成分、（２）傾向、及び（３）ノイズ、に分解する。
【0082】
周期的側面／成分は、選択された時間スケールに基づく交通データの繰り返し変動に関する情報を含む。つまり、周期的（seasonal、季節）成分は、選択された周期性に基づく交通データに存在する繰り返しの時間的パターンを示す。選択された周期性は、他の周期性の中でも、例えば、毎月、毎年、又は毎週であり得る。
【0083】
傾向側面／成分は、周期性によって定義された期間よりも長い期間にわたる交通データの変動に関する情報を含む。例えば、毎月の周期性が選択された場合、傾向成分は、数ヶ月にわたる交通データの長期的変動を示す。傾向成分は、周期的成分を除去／減算した交通データ、又は周期的変動を除去した交通データと見なすことができる（及び定義することができる）。
【0084】
ノイズ側面／成分は、剰余（remainder）成分と呼ぶことができる。剰余成分は、交通データから周期的成分と傾向成分の値を減算することによって計算できる。剰余値は、交通データに存在するノイズの量を示す。ゼロに近い値は、交通データの記述において周期的成分と傾向成分が正確であることを示し、剰余値が大きいほどノイズの存在を示す。
【0085】
周期的分解部６２は、履歴交通挙動を入力として使用し、期待される挙動を周期的成分、傾向成分、及びノイズ成分に分解する。もう一方の周期的分解部６４は、履歴交通データとDTモビリティ予測モジュールからの予測値を入力として使用し、予測された挙動を周期的成分、傾向成分、及びノイズ成分に分解する。
【0086】
この分解は、LOESSによる周期的分解（STL）（https:／／doc.arcgis.com／en／insights／latest／analyze／stl.htm）などを使用して実行できる。両方の周期的分解モジュール６２、６４からの出力は、異常検出モジュール６５への入力として使用される。
【0087】
異常検出モジュール６５
異常検出モジュール６５は、「期待された」挙動と「予測された」挙動との差に基づいて検出された潜在的な異常を強調表示する役割を担う。この推定は、周期及び傾向に依存しない観点から行われ、挙動の「ノイズ」又は「偏差」の側面／成分のみが分析される。従って、周期又は傾向要因による交通の変動は、正常であり、異常とみなされるべきではないが、異常を検出する際の考慮から除外される。
異常検出モジュール６５は、「期待された」挙動と「予測された」挙動との差に基づいて検出された潜在的な異常を強調表示する役割を担う。この推定は、周期及び傾向に依存しない観点から行われ、挙動の「ノイズ」又は「偏差」の側面／成分のみが分析される。従って、周期又は傾向要因による交通の変動は、正常であり、異常とみなされるべきではないが、異常を検出する際の考慮から除外される。
【0088】
上述のように、DTモビリティ異常検出部６０は、履歴データ（交通データ）及び予測された挙動を入力として受け取ることができる。その代わりに、DT異常検出部６０は、DTモビリティ予測モジュール４０によって生成された第１及び第２交通予測を入力として受信することができ、図５に関して説明したように、第１交通予測は、第１期間をカバーする交通データに基づき、第２交通予測は、第２期間をカバーする交通データに基づき、第１期間は、第２期間と、第２期間よりも新しい追加期間とを含む。第１交通予測は「予測された」挙動と考えることができ、第２交通予測は「期待された」挙動と考えることができる。第２交通予測は、交通基準予測と呼ぶことができる。
【0089】
図１４は、領域内の車両数が時間とともにどのように変化するかという観点から、第１及び第２交通予測を示している。薄い灰色の破線の「交通予測」は「予測された挙動」又は第１交通予測であり、濃い灰色／黒の破線の「交通基準予測」は「期待された行動」又は第２交通予測である。黒の実線は、特定の時点（図１４では「現在」とマークされている）までの実際の交通データを示している。図１４のグラフは、分解後の予測／データの偏差／ノイズ成分を示す。
【0090】
異常検出モジュール６５は、第１及び第２交通予測のノイズ成分間の偏差／差を閾値（異常閾値）と比較し、偏差の大きさが閾値より大きい場合、偏差を異常として分類する。パーセンテージ差、すなわち、関心時点における第１又は第２交通予測のノイズ成分の値のパーセンテージとしての偏差を使用することができる。
【0091】
異常検出モジュール６５は、出力として、基準交通予測、交通予測、検出された異常、及び各異常ごとの偏差のパーセンテージを提供することができる。この出力は、汚染物質の観点から異常を強調表示するために、排出推定エンジン８０に提供される。異常検出モジュール６５は、交通の異なる側面（例えば、車両台数、速度（平均）、車両の種類、各種類の車両の台数、道路ネットワーク密度、最高速度、最低速度、交通混雑レベル、交通渋滞の数などのいずれか）に基づいて異常を検出することができる。実施例では、車両の数及び車両の平均速度に基づいて異常が検出される。
【0092】
DT異常検出部６０は、ステップS６０及びS８０を実行すると考えることができる。
【0093】
図１５は、DT異常検出部６０に関するデータの例を示している。Aは、「履歴」交通データの例を示している。Bは、予測された挙動の例を示している。図１６は、異常検出モジュール６５の出力データの例を示している。
【0094】
排出推定エンジン６５
排出推定エンジン６５は、車両数、車両の種類、乗客、運転挙動など、予測された交通の情報に基づいて、排出又はその他の汚染物質の排出を推定する。従って、このモジュールは、DTモビリティ予測モジュールの出力（すなわち、第１交通予測）に基づいて、将来の排出の予測値を提供する。任意の排出を予測できる。例えば、CO２、NO、NO２、CO、炭化水素、CH４、ベンゼン、ホルムアルデヒド、クロロフルオロカーボン、CHCIF２、ラドンのいずれかの排出を予測できる。例えば、二酸化炭素（CO２）、一酸化炭素（CO）、窒素酸化物（NO及び／又はNO２）、メタン（CH４）、クロロジフルオロメタン（CHClF２）、ラドン（Rn）のいずれかの排出を予測できる。CH４の代わりに、又はCH４に加えて、任意の炭化水素の排出を予測できる。CHClF２の代わりに、又はCHClF２に加えて、任意のクロロフルオロカーボンの排出を予測できる。
排出推定エンジン６５は、車両数、車両の種類、乗客、運転挙動など、予測された交通の情報に基づいて、排出又はその他の汚染物質の排出を推定する。従って、このモジュールは、DTモビリティ予測モジュールの出力（すなわち、第１交通予測）に基づいて、将来の排出の予測値を提供する。任意の排出を予測できる。例えば、CO２、NO、NO２、CO、炭化水素、CH４、ベンゼン、ホルムアルデヒド、クロロフルオロカーボン、CHCIF２、ラドンのいずれかの排出を予測できる。例えば、二酸化炭素（CO２）、一酸化炭素（CO）、窒素酸化物（NO及び／又はNO２）、メタン（CH４）、クロロジフルオロメタン（CHClF２）、ラドン（Rn）のいずれかの排出を予測できる。CH４の代わりに、又はCH４に加えて、任意の炭化水素の排出を予測できる。CHClF２の代わりに、又はCHClF２に加えて、任意のクロロフルオロカーボンの排出を予測できる。
【0095】
更に、このモジュールは、DTモビリティ異常検出部６０によって検出された異常挙動／異常の影響を推定する。つまり、排出推定エンジン６５は、持続可能性の観点から各異常の影響を測定する。このモジュールは、所与の交通状況に対する排出の定量化を提供する。
【0096】
実装例では、排出は、以下：速度に基づく車両の平均排出を示す情報、交通予測からの車両数、交通予測からの車両の平均速度、に基づいて、計算される。排出の推定は、異なる種類の車両を考慮することもでき、各種類の車両について、その種類の車両の速度に基づく平均排出を示す情報を利用することもできる。平均排出を示す情報は、車両メーカーによって提供される情報に基づくことも、テストによって決定されることもできる。平均速度に代えて又はそれに加えて、平均挙動を使用することもできる。平均挙動は、速度変化、加速、旅の頻度などを含むことができる。
【0097】
ここで、多数の実装例及び態様を含む第２実装について説明する。
【0098】
本明細書に開示された態様は、交通排出を予測し、必要に応じてDTソリューションの異常挙動を検出するための大規模なソリューションの管理を実現にすることができる。交通予測のための従来の技術は、特定の制約に対処し、DT環境に対して特定の特徴を提供することができない可能性がある。従来の技術は、大規模なソリューション、すなわち、場合によっては応答時間を短縮して、同時に多くの領域を処理することに苦労する可能性がある。
【0099】
本明細書に開示された側面は、特に以下の利益を達成することができる。
１．需要の高いシステムのための予測と異常検出のための大規模でスケーラブルな実行。
２．大規模なシナリオでの複雑さの軽減。
１．需要の高いシステムのための予測と異常検出のための大規模でスケーラブルな実行。
２．大規模なシナリオでの複雑さの軽減。
【0100】
図１７は、多数の領域の交通予測の表現を示している。場合によっては、数百又は数千個の領域を使用する従来のアプローチを使用してDT及び交通予測に必要なすべてのモデルの管理することは最適ではない。ここで開示されている側面では、複数の領域のモビリティを分析して、モビリティがどのように振る舞っているかについての洞察を得る。「履歴」及び「リアルタイム」のデータと共に、DT環境からのデータを使用することができる。このようなデータは、モビリティの洞察と共に、DTによってカバーされ管理される複数の領域の分類を取得するために使用できる。この分類は、各領域ごとのモビリティの挙動パターンに基づいて推論される。各領域にはカテゴリが割り当てられ、カテゴリの数は管理される領域の数よりも少なくなる。
【0101】
各カテゴリに対して、カテゴリ内のすべての領域を表すために使用される挙動パターンである代表挙動が選択される。この代表挙動は、同じカテゴリの他の領域の挙動パターン、又は領域の挙動パターン（交通データ）の平均との差が最小である領域の挙動パターンを選択することによって決定することができる。つまり、差を最小にするように領域を選択することができる。
【0102】
カテゴリの数と分類プロセスによって導入されるエラーとの間の関係を決定することができる（例えば、第２実装のテスト及び／又は例示的な実装に基づく）。カテゴリの数が少ない場合、導入されるエラーは大きくなり、その逆も同様である。カテゴリの数及び／又は「許容可能な」エラーを定義する構成パラメータを設定することができる（ここから、関係に基づいてカテゴリの数を決定することができる）。カテゴリの数及び／又は「許容可能な」エラーに関連する近さ閾値を実装することができる。近さ閾値は、交通データセットをクラスタリングするときに使用することができる。これは、近さ閾値が、２つの交通データセットが同じカテゴリ／クラスタにグループ化されるために共有しなければならない類似性のレベルを定義することができるという意味である。言い換えると、実装例では、２つの交通データセット間（例えば、重心と他の交通データセットとの間）の類似性を近さ閾値と比較することができ、類似性が閾値を超える場合、交通データセットを一緒にクラスタリング／分類することができ、そうでない場合は、それらをクラスタリング／分類しないことができる。カテゴリの数及び／又は「許容可能な」エラーの代わりに又はそれに加えて、近さ閾値を実装することができる。
【0103】
分類プロセスによって導入されるエラーを考慮すると、分類プロセスは、エラーが導入されるという代償を払って問題の複雑さを軽減すると言えるが、これは、適切な数のカテゴリを選択することによって、ある程度軽減／小さく保つことができる（従って、最終的な出力（排出推定）の精度をある程度維持することができる）。前述のように、分類プロセスは、DT環境での大規模な実行の管理を実現する。
【0104】
代表挙動は、周期的予測のための最適パラメータを決定するために使用される。予測及び異常検出は、決定された最適パラメータに基づいて（例えば、第１実施形態に関して説明したように）実行される。これにより、各領域の予測のための最適パラメータを個別に決定する場合と比較して、計算能力及び時間が節約される。
【0105】
代表挙動のクラスタリング／分類及び選択は、間隔を置いて、又はDT／実世界センサから新しい交通データが取得されるたびに繰り返されてもよい。
【0106】
【0107】
システム１００とシステム３００の違いは、システム３００が追加のコンポーネントであるDTモビリティ分類モジュール３１０を含むことである。
【0108】
DTモビリティ分類モジュール３１０は、多数の領域の処理を支援する。このモジュールは、履歴及びライブ情報（まとめて交通データと呼ぶことができる）を分析し、複数の領域のモビリティ挙動パターンに基づいて該複数の領域を分類し、考慮されるすべての領域の挙動を表す多数の代表領域を選択する。出力として、代表領域は、DTモビリティ分析モジュール３２０及びDTモビリティ予測モジュール３４０に提供される。
【0109】
図１９は、実装例によるシステム３００を示す図である。図２０は、システム３００及び幾つかの入力/通信機能を示す図である。DT－Mobフットプリントは、地理的地域のデジタルツインから受信することができるデータを表し、車両数、車両の種類、速度、平均速度、最高速度、最低速度、混雑のレベル、交通渋滞（数）、道路ネットワークの使用レベル、最大輸送容量などのいずれかを含むことができる。
【0110】
図２１は、方法を示す図である。ステップS２１２は、交通データセットをクラスタリングするステップを含む。各交通データセットは、地理的領域に対応する交通データである。交通データは、例えば第１実施形態において本明細書に記載されたものであってもよい。
【0111】
ステップS２１４は、各クラスタについて代表交通データセット（交通データの代表セット）を選択することを含む。
【0112】
ステップS２１６は、代表交通データセットに対してモビリティ分析を実行して、（代表交通データセットに対応する領域の）周期的予測のための最適パラメータを生成することを含む。
【0113】
図２２は、実装例によるDTモビリティ分類部１０を示す図である。DTモビリティ分類部１０は、ステップS２１２及びS２１４を実行すると考えることができる。
【0114】
前述のように、DTモビリティ分類部１０は、履歴及びライブ情報（まとめて交通データと呼ぶことができる）を分析し、領域のモビリティ挙動パターンに基づいて該領域を分類し、すべての領域の挙動を表す多数の代表領域／挙動パターンを選択する。モビリティ挙動パターンは、異なる角度から、すなわち、車両数、平均速度、最大-最小速度、混雑レベル、交通渋滞（数）、道路ネットワークの使用レベル、最大輸送能力などを含む異なる側面に基づいて分析することができる。幾つかの例では、車両数及び（平均）速度が好ましい（例えば、これらの側面は、排出を計算するために使用することができるため）。
【0115】
DTモビリティ分類部１０は、DTによって管理される領域の履歴交通データ及び情報（まとめて交通データと呼ぶことができる）を入力として受信する。図２２に示すように、特定の実装例におけるDTモビリティ分類部１０は、以下の３つのコンポーネント：TS類似性エンジン１２、モビリティ分類部１４、及び代表挙動パターンモジュール１６、を含む。
【0116】
出力として、DTモビリティ分類部１０は、以下を提供することができる：（１）領域（例えば、関連するDTソリューションによって管理されるもの）が分類されるカテゴリ／クラスタのセット、及び（２）各カテゴリ／クラスタを表す代表プロファイルのセット（代表挙動／挙動パターン、又は代表交通データセット）。
【0117】
TS類似性エンジン１２
TS類似性エンジン１２は、すべての領域の履歴モビリティデータ（すなわち交通データ）を分析し、すべての領域間の類似性特徴を提供する。TS類似性エンジン１２は、交通データを分析し、各領域の平均挙動を決定する。次に、TS類似性エンジン１２は類似性検索を実行し、モビリティ分類部１４によって使用される類似性特徴のセットを提供する。類似性特徴は、２つの時系列がどの程度類似しているかを決定するメトリックのセット、すなわち、時間に対する時系列の差（正と負）の値である。類似性特徴には、ベクトル構成に基づく差、又は時系列における１つ以上のパターンに基づく差を含めることができる。
TS類似性エンジン１２は、すべての領域の履歴モビリティデータ（すなわち交通データ）を分析し、すべての領域間の類似性特徴を提供する。TS類似性エンジン１２は、交通データを分析し、各領域の平均挙動を決定する。次に、TS類似性エンジン１２は類似性検索を実行し、モビリティ分類部１４によって使用される類似性特徴のセットを提供する。類似性特徴は、２つの時系列がどの程度類似しているかを決定するメトリックのセット、すなわち、時間に対する時系列の差（正と負）の値である。類似性特徴には、ベクトル構成に基づく差、又は時系列における１つ以上のパターンに基づく差を含めることができる。
【0118】
図２３は、類似性特徴を生成するために使用することができる２つの技術を示している。DTWは時間範囲内で最も近い値を探し、一方、ユークリッドはその時間内の各具体的な値の類似性を探す。
【0119】
モビリティ分類部１４
モビリティ分類部１４は、TS類似性エンジン１２によって提供される類似性特徴とともに、（例えば、DTが管理する）すべての領域からの情報及び（交通データと一緒に参照することができる）履歴モビリティデータを入力として使用する。更に、モビリティ分類部１４は、カテゴリの数及び／又は「許容可能な」エラーを定義するパラメータを受け取ることができる。このパラメータは、交通データセットが同じカテゴリにクラスタリングされるためにどの程度類似していなければならないかを定義する「近さ」閾値の形式を取ることができる。
モビリティ分類部１４は、TS類似性エンジン１２によって提供される類似性特徴とともに、（例えば、DTが管理する）すべての領域からの情報及び（交通データと一緒に参照することができる）履歴モビリティデータを入力として使用する。更に、モビリティ分類部１４は、カテゴリの数及び／又は「許容可能な」エラーを定義するパラメータを受け取ることができる。このパラメータは、交通データセットが同じカテゴリにクラスタリングされるためにどの程度類似していなければならないかを定義する「近さ」閾値の形式を取ることができる。
【0120】
異なるカテゴリの生成（クラスタリング）のために、モビリティ分類部１４は以下のアルゴリズムを実行する。
【数3】
【0121】
ここでは、類似度を計算するために動的タイムワープが使用されるが、他の技術、例えば、ユークリッド距離、ベクトル空間類似度、shapelets類似度、bag of features/patternsなどを使用することもできる。
【0122】
アルゴリズムの実行後、モビリティ分類部１４は、生成された異なるカテゴリと、各領域がどのカテゴリに属するかに関する情報を提供する。
【0123】
代表挙動パターンモジュール１６
代表挙動パターンモジュール１６は、各カテゴリに対して、そのクラスタ／カテゴリの重心（クラスタ／カテゴリの「平均挙動」に対応する重心）に最も近い交通データセットを提供する。代表挙動パターンモジュール１６は、履歴交通データ（すなわち、交通データ／交通データセット）、カテゴリの情報、及び各領域がどのカテゴリに属するかに関する情報を入力として使用する。
代表挙動パターンモジュール１６は、各カテゴリに対して、そのクラスタ／カテゴリの重心（クラスタ／カテゴリの「平均挙動」に対応する重心）に最も近い交通データセットを提供する。代表挙動パターンモジュール１６は、履歴交通データ（すなわち、交通データ／交通データセット）、カテゴリの情報、及び各領域がどのカテゴリに属するかに関する情報を入力として使用する。
【0124】
図２４は、多数のクラスタに対する交通データを示す。クラスタが多数の領域を含む場合、図２４は、代表履歴データセット又は「代表挙動パターン」（濃い色の線を使用）、及びクラスタ内の他の領域に対応する他の交通データセット（薄い色の線を使用）を示す。図２４に見られるように、多数の挙動パターン又は領域を集約する幾つかのカテゴリ、及びそれらのうちのわずかな、又は１つだけを有する他のカテゴリが存在する。このような具体的な詳細は、例によって異なり、少なくとも部分的に、近さ閾値、又はカテゴリ又は「許容可能な」エラーの数を定義する他のパラメータに依存する可能性がある。
【0125】
最後に、クラスタの代表挙動パターン又は代表交通データセットがDTモビリティ分析部３２０に提供され、予測及び異常検出モジュール３４０、３６０にも提供され得る。複数の領域の交通データセットの分類／クラスタリング及び代表交通データセットの選択は、特に多数の領域を管理する場合に効率の改善を促進し、スケーラビリティを促進し、両方とも高レベルの精度を維持する。
【0126】
DTモビリティ分析部３２０が分析する各領域に対して、DTモビリティ分析部３２０は、（領域の実際の交通データではなく）その領域のクラスタ／カテゴリの代表交通データセットを使用して、最適パラメータを決定する。その他の場合、DTモビリティ分析部３２０は、第１実装に関して説明したのと同じ方法で動作してもよく、重複する説明は省略する。
【0127】
DTモビリティ予測モジュール３４０（具体的には、周期的予測モデルモジュール４４）は、DTモビリティ分析部３２０によって提供される最適パラメータを使用する。その他の場合、その動作は、第１実装に関して説明したのと同じであってもよい。図２５は、DTモビリティ予測モジュール３４０を示しており、周期的予測モデルモジュール４４が、このモジュール４４が、代表交通データセットに基づいて、DTモビリティ分析部３２０から最適パラメータを受信することを示すために、「代表プロファイル」を受信することを示している。最適パラメータとは別に、周期的予測モデルモジュール４４及びDTモビリティ予測モデル３４０は、一般に、関係する領域の実際のデータを使用してもよい（すなわち、代表プロファイルではない）。
【0128】
第２実装は、図２１に関して説明した方法と、図６及び／又は図５に関して説明した方法とを含む方法を更に含む。例えば、図２１に関連して説明される方法は、図６に関連して説明される方法における方法ステップS２１として実施され得る。この場合、周期的交通予測は、領域の実際の交通データ自体ではなく、検討中の領域に対応する代表データセットに基づいて決定された最適パラメータを使用してもよい。上述したように、最適パラメータ決定とは別に、予測は、一般に、関係領域の実際の交通データを使用することができる。すなわち、代表交通データセットではない。
【0129】
同様に、第１実装の態様は、第２実装の態様又はその一部を含むことができる。
【0130】
幾つかの態様において、第２実装は、DT異常検出部３６０、又はDT異常検出部３６０によって実行され得る方法ステップを含まないことができる（図１８～図２０において破線で概説されているこのモジュールによって示される）。
【0131】
第１又は第２実装の幾つかの態様において、交通予測を生成することは、上述した交通予測生成と比較して単純化されてもよく、少なくとも１つの他の領域の少なくとも１つの他の予測に基づくターゲット領域の予測の調整は実行されなくてもよい。
【0132】
第１及び第２実装の交通データは、時系列データである。
【0133】
第１及び第２実装において本明細書に開示された態様は、交通モビリティに関して予測及びシミュレートされたシナリオを改善する。排出予測／推定が提供される。本明細書に開示された態様は、人間のモビリティに関して予測及びシミュレートされたシナリオを改善することもできる。地理的領域を含む地理的地域は、都市部、例えば、町又は都市であってもよい。
【0134】
本明細書で開示される幾つかの態様の利点は以下を含む。
・スケーラブルな周期的予測：大きな周期的範囲と小さな粒度（１年／５～１５分の粒度）で、予測値及び異常についての精度を維持する。
・様々なレベルでのコンテキストを認識した予測と異常検出、シミュレーションとデジタルリハーサルの鍵。
・周期や傾向に依存しないことで、他のアプローチより正確な異常動作の検出。
・高需要応答。DTソリューションなどの高周波数システム（２～５秒）の要求に応じたほぼリアルタイムの応答。増分トレーニングの時間を短縮する。
・複雑さの削減、スペースの削減。デジタルツイン環境に適したモデルのサイズと複雑さを最小限に抑える。
・大規模な実行への適合性。予測及び／又は異常検出モデルをスケールアップする必要がある場合に、時間、サイズ、及び計算リソースのニーズを最小限に抑えることができる。
・複雑さの低減：高精度を維持しながら、デジタルツイン環境に適合するために、モデルの数及び複雑さを最小限に抑える。
・スケーラブルな周期的予測：大きな周期的範囲と小さな粒度（１年／５～１５分の粒度）で、予測値及び異常についての精度を維持する。
・様々なレベルでのコンテキストを認識した予測と異常検出、シミュレーションとデジタルリハーサルの鍵。
・周期や傾向に依存しないことで、他のアプローチより正確な異常動作の検出。
・高需要応答。DTソリューションなどの高周波数システム（２～５秒）の要求に応じたほぼリアルタイムの応答。増分トレーニングの時間を短縮する。
・複雑さの削減、スペースの削減。デジタルツイン環境に適したモデルのサイズと複雑さを最小限に抑える。
・大規模な実行への適合性。予測及び／又は異常検出モデルをスケールアップする必要がある場合に、時間、サイズ、及び計算リソースのニーズを最小限に抑えることができる。
・複雑さの低減：高精度を維持しながら、デジタルツイン環境に適合するために、モデルの数及び複雑さを最小限に抑える。
【0135】
本明細書に開示された側面は、以下のいずれかを含み得る：
・DTモビリティ予測：DTソリューションにとって重要な特定の特徴を考慮して、モビリティの近未来の挙動を予測するためのメカニズム。例えば、小さな粒度での大きな期間における周期性、予測の迅速性、最小化されたモデル、モビリティフロー分析、及び様々なレベルでのコンテキスト認識予測、デジタルリハーサルのために重要なもの、及び複雑なパターン認識（イベント、相関地域、天気など）などがある。
・DTモビリティ異常検出部：予測に対して、期待される挙動からの交通の異常と周期及び傾向の側面に依存しない汚染とを検出するプロセス。
・DTモビリティ分類部：デジタルツインソリューションの交通における汚染物質の排出及び潜在的な挙動異常を予測するための大規模なシナリオを管理する能力を高めるためのメカニズム。このコンポーネントは、リアルタイム環境にとって重要な応答の精度と迅速性を維持しながら、スケールアップに必要な計算要件とモデルを最小化する。
・DTモビリティ予測：DTソリューションにとって重要な特定の特徴を考慮して、モビリティの近未来の挙動を予測するためのメカニズム。例えば、小さな粒度での大きな期間における周期性、予測の迅速性、最小化されたモデル、モビリティフロー分析、及び様々なレベルでのコンテキスト認識予測、デジタルリハーサルのために重要なもの、及び複雑なパターン認識（イベント、相関地域、天気など）などがある。
・DTモビリティ異常検出部：予測に対して、期待される挙動からの交通の異常と周期及び傾向の側面に依存しない汚染とを検出するプロセス。
・DTモビリティ分類部：デジタルツインソリューションの交通における汚染物質の排出及び潜在的な挙動異常を予測するための大規模なシナリオを管理する能力を高めるためのメカニズム。このコンポーネントは、リアルタイム環境にとって重要な応答の精度と迅速性を維持しながら、スケールアップに必要な計算要件とモデルを最小化する。
【0136】
図２６は、本発明を具体化し、本発明を具体化する方法の動作の一部又は全部を実施し、実施形態の装置のタスクの一部又は全部を実施するために使用され得る、データ記憶サーバなどの情報処理機器９００又はコンピューティング装置９００のブロック図である。図２６及びその説明は、第１実施形態及び第２実施形態に関連する／適用される。
【0137】
コンピューティング装置９００は、上記の方法ステップのいずれか、例えばステップS２０～S１００、S２２～S２８、S１０１、S２１２～S２１６のいずれかを実装するために使用することができる。
【0138】
コンピューティング装置９００は、プロセッサ９９３とメモリ９９４を含む。任意に、コンピューティング装置はまた、他のこのようなコンピューティング装置、例えば、本発明の実施形態の他のコンピューティング装置と通信するためのネットワークインタフェース９９７を含む。任意で、コンピューティング装置は、キーボード及びマウス９９６のような１つ以上の入力メカニズム、及び１つ以上のモニタ９９５のような表示ユニットも含む。これらの要素は、ユーザの操作を容易にする場合がある。構成要素は、バス９９２を介して互いに接続可能である。
【0139】
メモリ９９４は、コンピュータ可読媒体を含んでもよく、この用語は、コンピュータ実行可能命令を運ぶように構成された、単一の媒体又は複数の媒体（例えば、集中型又は分散型のデータベース及び／又は関連するキャッシュ及びサーバ）を参照してもよい。コンピュータ実行可能命令は、例えばコンピュータ（例えば、１つ以上のプロセッサ）によってアクセス可能であり、１つ以上の機能又は操作を実行させる命令及びデータを含んでもよい。例えば、コンピュータ実行可能命令は、ここに開示されている方法、又はここに開示されている任意の方法、例えばステップS２０～S１００、S２２～S２８、S１０１、S２１２～S２１６を実装するための命令を含むことができる。用語「コンピュータ可読記憶媒体」は、機械による実行のための命令セットを記憶、符号化、又は保持することが可能であり、機械に本開示の方法のステップのいずれか１つ以上を実行させる任意の媒体を含んでもよく、従って、「コンピュータ可読記憶媒体」という用語は、固体メモリ、光媒体及び磁気媒体を含むが、これらに限定されない。例えば、限定するものではないが、用語「コンピュータ可読記憶媒体」は、固体メモリ、光学媒体、及び磁気媒体を含んでもよい。例として、限定ではなく、このようなコンピュータ可読媒体は、ランダムアクセスメモリ（RAM）、読み出し専用メモリ（ROM）、電気的消去可能なプログラマブル読み出し専用メモリ（EEPROM）、コンパクトディスク読み出し専用メモリ（CD-ROM）、又は他の光ディスク記憶装置、磁気ディスク記憶装置、又は他の磁気記憶装置、フラッシュメモリ素子（例えば、個体メモリ装置）、を含む非一時的コンピュータ可読媒体を含んでよい。
【0140】
プロセッサ９９３は、コンピューティング装置を制御し、例えば、ここに記載された方法ステップのいずれかを実施するために、メモリ９９４に記憶されたコンピュータプログラムコードを実行するなどの処理動作を実行するように構成される。メモリ９９４は、プロセッサ９９３によって読み書きされるデータを格納し、上述した交通データ及び／又はモビリティ情報及び／又はモビリティフロー情報及び／又は係数／パラメータ及び／又は予測及び／又は予測情報及び／又は外部イベント情報／データ及び／又は領域情報及び／又は相関情報及び／又はカテゴリ情報及び／又は閾値及び／又は類似性情報及び／又は式／アルゴリズム及び／又は入力データ及び／又は他のデータ、及び／又は上述した方法ステップのいずれかを実行するためのプログラムを格納することができる。本明細書で言及するように、プロセッサは、マイクロプロセッサ、中央処理装置などの１つ以上の汎用処理装置を含んでもよい。プロセッサは、複雑命令セット計算（CISC）マイクロプロセッサ、縮小命令セット計算（RISC）マイクロプロセッサ、超長命令ワード（VLIW）マイクロプロセッサ、又は命令セットの組み合わせを実施する他の命令セット又はプロセッサを実施するプロセッサを含んでもよい。また、プロセッサは、特定用途向け集積回路（ASIC）、フィールドプログラマブルゲートアレイ（FPGA）、デジタル信号プロセッサ（DSP）、ネットワークプロセッサなどの１つ以上の特殊目的の処理装置を含んでもよい。１つ以上の実施形態では、プロセッサは、本明細書で議論される操作及び操作を実行するための命令を実行するように構成される。プロセッサ９９３は、上述の任意のモジュールを含むと考えることができる。モジュールによって実施されるように記述された任意の動作は、コンピュータ、例えばプロセッサ９９３によって方法として実施されてもよい。
【0141】
ディスプレイユニット９９５は、交通データ及び／又はモビリティ情報及び／又はモビリティフロー情報及び／又は係数／パラメータ及び／又は予測及び／又は予測情報及び／又は外部イベント情報／データ及び／又は領域情報及び／又は相関情報及び／又はカテゴリ情報及び／又は閾値及び／又は類似性情報及び／又は式／アルゴリズム及び／又は入力データ及び／又は他のデータ及び／又はGUIウィンドウ及び／又はユーザが例えばドラッグ＆ドロップ又は選択操作によって装置９００と対話することを可能にする対話式表示、及び／又は上述の任意の他の出力の表示など、コンピューティング装置によって記憶されたデータの表示を表示することができ、また、ユーザとコンピューティング装置に記憶されたプログラム及びデータとの間の対話を可能にするカーソル及びダイアログボックス及びスクリーンを表示することもできる。入力機構９９６は、ユーザが上述の任意のユーザ入力を入力できるようにするなど、ユーザがコンピューティング装置にデータと命令を入力できるようにすることができる。
【0142】
ネットワークインタフェース（ネットワークＩ／Ｆ）９９７は、インターネットのようなネットワークに接続することができ、ネットワークを介して他のこのような計算装置に接続することができる。ネットワークI/F９９７は、ネットワークを介して他の装置との入出力データを制御することができる。
【0143】
マイクロフォン、スピーカ、プリンタ、電源ユニット、ファン、ケース、スキャナ、トラッカーボール等の他の周辺装置が、計算装置に含まれてもよい。
【0144】
本発明を具体化する方法は、図２６に示すようなコンピューティング装置／機器９００で実行することができる。このようなコンピューティング装置は、図２６に示すすべての構成要素を有する必要はなく、これらの構成要素のサブセットで構成することができる。例えば、機器９００はプロセッサ９９３とプロセッサ９９３に結合されたメモリ９９４とを含む。或いは、機器９００は、プロセッサ９９３と、プロセッサ９９３に結合されたメモリ９９４と、ディスプレイ９９５とを含む。本発明を具体化する方法は、ネットワークを介して１つ以上のデータ記憶サーバと通信する単一のコンピューティング装置によって実行することができる。コンピューティング装置は、データの少なくとも一部を記憶するデータ記憶装置であってもよい。
【0145】
本発明を具体化する方法は、互いに協働して動作する複数のコンピューティング装置によって実行することができる。複数のコンピューティング装置のうちの１つ以上は、データの少なくとも一部を記憶するデータ記憶サーバであってもよい。
【0146】
本発明は、デジタル電子回路で実装することもできるし、コンピュータハードウェア、ファームウェア、ソフトウェア、又はそれらの組み合わせで実装することもできる。本発明は、コンピュータプログラム又はコンピュータプログラムプロダクト、すなわち、１つ以上のハードウェアモジュールによる実行、又はその動作を制御するために、非一時的情報キャリア、例えば、機械可読記憶装置、又は伝播される信号に具体化されたコンピュータプログラムとして実装することができる。
【0147】
コンピュータプログラムは、スタンドアロンプログラム、コンピュータプログラム部分、又は複数のコンピュータプログラムの形式であってよく、コンパイル言語又はインタープリタ言語を含む任意の形式のプログラミング言語で記述することができ、スタンドアロンプログラムとして又はモジュール、コンポーネント、サブルーチン、又はデータ処理環境での使用に適する他のユニットとしてなど、任意の形式で展開することができる。コンピュータプログラムは、１つの場所に置かれた若しくは複数の場所に分散されて通信ネットワークにより相互接続される１つのモジュール又は複数のモジュール上で、実行されるよう展開されてよい。
【0148】
本発明の方法のステップは、入力データに作用し及び出力を生成することにより本発明の機能を実行するためにコンピュータプログラムを実行する１つ以上のプログラマブルプロセッサにより実行できる。本発明の機器は、プログラムされたハードウェアとして、又はFPGA（Field Programmable Gate Array）やASIC（Application-Specific Integrated Circuit）などを含む専用の論理回路として実装することができる。
【0149】
コンピュータプログラムの実行に適するプロセッサは、例えば、汎用及び特定用途向けマイクロプロセッサの両方、及び任意の種類のデジタルコンピュータの任意の１つ以上のプロセッサを含む。通常、プロセッサは、命令及びデータを読み出し専用メモリ又はランダムアクセスメモリ又は両者から受信する。コンピュータの基本的要素は、命令及びデータを格納する１つ以上のメモリに結合された、命令を実行するプロセッサである。
【0150】
本発明の上述の実施形態は、有利には、実施形態のいずれかの他の実施形態から独立して、又は実施形態の１つ以上の他の実施形態と任意の実現可能な組み合わせで使用され得る。例えば、第１／第２実装の特徴及び／又は態様は、第１／第２実装の他の特徴及び／又は態様に組み込むことができる。
【0151】
本開示は以下のステートメント（S）に拡張される。
（S１）
コンピュータ実施方法であって、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を含む、コンピュータ実施方法。
（S２）
前記交通データは、複数の地理的領域に各々対応する交通データセットの形式であり、前記複数の地理的領域は、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域を含み、
前記コンピュータ実施方法は、パラメータ決定プロセスを実行するステップを含み、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの前記交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
前記ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための最適パラメータを決定し、前記少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための最適パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定された最適パラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１に記載のコンピュータ実施方法。
（S３）
前記第１期間の交通データは、複数の地理的領域に各々対応する交通データセットの形態であってもよく、前記複数の地理的領域は、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域を含む、ステートメントS１に記載のコンピュータ実施方法。（S４）
パラメータ決定プロセスを実行するステップを含み、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記第１期間の前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの前記交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
前記ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための最適パラメータを決定し、前記少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための最適パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１に記載のコンピュータ実施方法。
（S５）（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための決定されたパラメータとを用いることを含む、ステートメントS２又はS４に記載のコンピュータ実施方法。
（S６）
前記パラメータは第１パラメータであり、前記コンピュータ実施方法は、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記パラメータ決定プロセスを行うことにより、前記ターゲット地理的領域の周期的交通予測のための第２パラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための第２パラメータとを決定するステップ、を更に含み、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記決定された第２パラメータを用いることを含む、ステートメントS２又はS４に記載のコンピュータ実施方法。
（S７）
前記交通データは、車両の交通データを含む、ステートメントS１～６のいずれかに記載のコンピュータ実施方法。
（S８）
前記交通データは、前記地理的領域（を含む地理的地域）のセンサから取得したデータを含む、ステートメントS１～７に記載のコンピュータ実施方法。
（S９）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、ステートメントS１～８のいずれかに記載のコンピュータ実施方法。
（S１０）
前記交通データは、関連する前記地理的領域を含む地理的地域のデジタルツインから取得したデータを含む、ステートメントS１～９に記載のコンピュータ実施方法。
（S１１）
前記交通データは、関連する前記地理的領域（を含む地理的地域）のセンサから取得したデータ、及び関連する前記地理的領域（を含む地理的地域）のデジタルツインから取得したデータを含む、ステートメントS１～１０に記載のコンピュータ実施方法。
（S１２）
前記デジタルツインから得られたデータは、関連する前記地理的地域／地理的領域のセンサから得られたデータに基づく、ステートメントS９又はS１０又はS１１に記載のコンピュータ実施方法。
（S１３）
前記デジタルツインは、前記地理的地域／領域のモデル/シミュレーションである、ステートメントS９～１２のいずれかに記載のコンピュータ実施方法。
（S１４）
前記デジタルツインは、前記地理的領域（を含む地理的領域）のモデル／シミュレーションであり、（シナリオをモデル化するために）実際の地理的地域／領域と比較して幾らかの修正を加えたものである、ステートメントS９～１３のいずれかに記載のコンピュータ実施方法。
（S１５）
前記センサから得られるデータに基づいて前記デジタルツインから得られるデータは、中間変数及び／又は値の生成を任意に含む少なくとも１つの前処理段階を経たデータを含む、ステートメントS９～１４のいずれかに記載のコンピュータ実施方法。
（S１６）
前記少なくとも１つの他の地理的領域は、複数の地理的領域を含む（及び、前記交通予測プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測を生成することを含むことができる）（及び、前記パラメータ決定プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測の各々について（最適な）パラメータを決定することを含むことができる）、ステートメントS１～１５のいずれかに記載のコンピュータ実施方法。
（S１７）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、ステートメント１～１６のいずれかに記載のコンピュータ実施方法。
（S１８）
前記地理的地域は、都市部又は町又は市を含む、ステートメントS１～１７のいずれかに記載のコンピュータ実施方法。
（S１９）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）が、
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメント１～１８のいずれかに記載のコンピュータ実施方法。
（S２０）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）は、前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度を含む、ステートメントS１～１９のいずれかに記載のコンピュータ実施方法。
（S２１）
前記交通予測は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
を含む予測交通データを含む、ステートメント１～２０のいずれかに記載のコンピュータ実施方法。
（S２２）
前記交通予測は、以下：前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、を含む予測交通データを含む、ステートメントS１～２１のいずれかに記載のコンピュータ実施方法。
（S２３）
前記センサが、以下：少なくとも１つの車載センサ、少なくとも１つのユーザ機器、少なくとも１つのカメラ、及び少なくとも１つの速度センサ、のいずれかを含む、ステートメントS８～S２２のいずれかに記載のコンピュータ実施方法。
（S２４）
前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定し、前記少なくとも１つの他の地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を更に含み、及び／又は、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１～２３のいずれかに記載のコンピュータ実施方法。
（S２５）
前記モビリティ分析を実行するステップは、前記関連する交通データの傾向を識別するステップを含む、ステートメントS２４に記載のコンピュータ実施方法。
（S２６）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントS２４又はS２５に記載のコンピュータ実施方法。
（S２７）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得し及び定常性パラメータを決定するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得し及び回帰パラメータを決定するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得し及び予測パラメータを決定するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントS２４又はS２５又はS２６に記載のコンピュータ実施方法。
（S２８）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連する交通データに基づいて、データの周期的側面を定義するリグレッサーを生成するステップ（オプションでフーリエ変換又は正弦波分解を使用し、オプションでリグレッサーがフーリエ因子として生成される）を含む、ステートメントS１～２７のいずれかに記載のコンピュータ実施方法。
（S２９）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連するリグレッサー、関連する交通データ、及び関連するパラメータに基づいて、周期的交通予測を生成するステップを含む、ステートメントS２８に記載のコンピュータ実施方法。
（S３０）
前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを更に含む、ステートメント１～２９のいずれかに記載のコンピュータ実施方法。
（S３１）
前記交通データは、前記関連する地理的領域で発生するイベントに関する情報を含み、前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット領域の交通データを分析して、交通データと少なくとも１つの（外部）イベントとの間の少なくとも１つの相関を取得するステップ、
を含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、ステートメント１～３０のいずれかに記載のコンピュータ実施方法。
（S３２）
前記少なくとも１つのイベントが、気象イベント、交通イベント、事故イベント、及び娯楽イベントのいずれかを含む、ステートメントS３１に記載のコンピュータ実施方法。
（S３３）
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップは、LOESSを用いた周期傾向分解（STL）技術を使用するステップを含む、ステートメント１～３２のいずれかに記載のコンピュータ実施方法。
（S３４）
前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較するステップは、パーセント偏差を前記異常閾値と比較するステップを含む、ステートメント１～３３のいずれかに記載のコンピュータ実施方法。
（S３５）
前記パーセント偏差は、（関連時点における）前記第１又は第２ノイズ成分の値のパーセントとしての偏差である、ステートメントS３４に記載のコンピュータ実施方法。
（S３６）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメント１～３５のいずれかに記載のコンピュータ実施方法。
（S３７）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS１～３６のいずれかに記載のコンピュータ実施方法。
（S３８）
前記排出を推定するステップは、以下：
前記速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、ステートメント１～３７のいずれかに記載のコンピュータ実施方法。
（S３９）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、ステートメント１～３８のいずれかに記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（S４０）
前記複数の領域の予測排出（及び検出された異常の予測された影響）を集計して、（検出された異常の影響を含む）前記地理的地域で発生する排出の予測を得るステップを含む、ステートメントS３９に記載のコンピュータ実施方法。
（S４１）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントS２又はS４～４０のいずれかに記載のコンピュータ実施方法。
（S４２）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS２又はS４～４０のいずれかに記載のコンピュータ実施方法。
（S４３）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントS２又はS４～４２のいずれかに記載のコンピュータ実施方法。
（S４４）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数、又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS２又はS４～４３のいずれかに記載のコンピュータ実施方法。
（S４５）
互いの類似性に基づいて前記交通データセットをクラスタリングすることは、互いの対応する挙動表現の類似性に基づいて前記交通データセットをクラスタリングすることを含む、S４３又はS４４に記載のコンピュータ実施方法。
（S４６）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は前記挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、S２又はS４～S４５のいずれかに記載のコンピュータ実施方法。
（S４７）
コンピュータ実施方法であって、
第１期間の（過去の）交通データとターゲット地理的領域の（過去の）交通データとに基づき、前記ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップと、
第２期間の（過去の）交通データと前記ターゲット地理的領域の（過去の）交通データとに基づき、前記ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップと、
前記第１交通予測に基づき、前記ターゲット地理的領域の交通により生成される排出を予測するステップであって、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、ステップと、
を含むコンピュータ実施方法。
（S４８）
前記第１期間の交通データは、（前記第１期間にわたって）前記地理的地域の少なくとも１つの他の領域の交通データを含み、前記第２期間の交通データは、（前記第２期間にわたって）前記地理的地域の前記少なくとも１つの他の領域の交通データを含み、前記第１交通予測を生成することは、前記第１期間の交通データを使用して交通予測プロセスを実行することを含み、前記交通予測プロセスは、前記ターゲット地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することにより）前記ターゲット地理的領域の周期的な交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することにより）前記ターゲット地理的領域の周期的交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記地理的地域の前記少なくとも１つの他の領域の交通データに基づき、（前記少なくとも１つの他の領域の交通データの周期的成分を推定することにより）前記少なくとも１つの他の領域の少なくとも１つの他の周期的交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づき、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関を決定することと、
前記少なくとも１つの他の周期的予測及び前記決定した少なくとも１つの相関に基づき、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成することと、
を含み、
前記第２交通予測を生成することは、（前記第１期間の交通データの代わりに）前記第２期間の交通データを使用して前記交通予測プロセスを実行することを含む、ステートメントS４７に記載のコンピュータ実施方法。
（S４９）
コンピュータ実施方法であって、
（履歴）交通データを使用して交通予測プロセスを実行するステップを含み、前記交通予測プロセスは、
（地理的地域の）ターゲット地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
（前記地理的地域の）少なくとも１つの他の地理的領域の交通データに基づいて、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測と前記決定された少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、前記ターゲット地理的領域の複合交通予測（又は最終予測、累積予測、又は全体予測）を生成するステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域の交通によって生成される排出を予測するステップと、
を含む、コンピュータ実装方法。
（S５０）
前記交通データは第１期間に渡る交通データであり、前記最終交通予測は第１交通予測であり、前記コンピュータ実施方法は、
（前記第１期間に渡る交通データの代わりに）第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含み得る、ステートメントS４９に記載のコンピュータ実施方法。
（S５１）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を含む、コンピュータプログラム。
（S５２）
情報処理装置であって、メモリと、前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を実行するよう構成される、情報処理機器。
（S１）
コンピュータ実施方法であって、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を含む、コンピュータ実施方法。
（S２）
前記交通データは、複数の地理的領域に各々対応する交通データセットの形式であり、前記複数の地理的領域は、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域を含み、
前記コンピュータ実施方法は、パラメータ決定プロセスを実行するステップを含み、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの前記交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
前記ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための最適パラメータを決定し、前記少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための最適パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定された最適パラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１に記載のコンピュータ実施方法。
（S３）
前記第１期間の交通データは、複数の地理的領域に各々対応する交通データセットの形態であってもよく、前記複数の地理的領域は、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域を含む、ステートメントS１に記載のコンピュータ実施方法。（S４）
パラメータ決定プロセスを実行するステップを含み、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記第１期間の前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの前記交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
前記ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための最適パラメータを決定し、前記少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための最適パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１に記載のコンピュータ実施方法。
（S５）（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための決定されたパラメータとを用いることを含む、ステートメントS２又はS４に記載のコンピュータ実施方法。
（S６）
前記パラメータは第１パラメータであり、前記コンピュータ実施方法は、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記パラメータ決定プロセスを行うことにより、前記ターゲット地理的領域の周期的交通予測のための第２パラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための第２パラメータとを決定するステップ、を更に含み、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記決定された第２パラメータを用いることを含む、ステートメントS２又はS４に記載のコンピュータ実施方法。
（S７）
前記交通データは、車両の交通データを含む、ステートメントS１～６のいずれかに記載のコンピュータ実施方法。
（S８）
前記交通データは、前記地理的領域（を含む地理的地域）のセンサから取得したデータを含む、ステートメントS１～７に記載のコンピュータ実施方法。
（S９）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、ステートメントS１～８のいずれかに記載のコンピュータ実施方法。
（S１０）
前記交通データは、関連する前記地理的領域を含む地理的地域のデジタルツインから取得したデータを含む、ステートメントS１～９に記載のコンピュータ実施方法。
（S１１）
前記交通データは、関連する前記地理的領域（を含む地理的地域）のセンサから取得したデータ、及び関連する前記地理的領域（を含む地理的地域）のデジタルツインから取得したデータを含む、ステートメントS１～１０に記載のコンピュータ実施方法。
（S１２）
前記デジタルツインから得られたデータは、関連する前記地理的地域／地理的領域のセンサから得られたデータに基づく、ステートメントS９又はS１０又はS１１に記載のコンピュータ実施方法。
（S１３）
前記デジタルツインは、前記地理的地域／領域のモデル/シミュレーションである、ステートメントS９～１２のいずれかに記載のコンピュータ実施方法。
（S１４）
前記デジタルツインは、前記地理的領域（を含む地理的領域）のモデル／シミュレーションであり、（シナリオをモデル化するために）実際の地理的地域／領域と比較して幾らかの修正を加えたものである、ステートメントS９～１３のいずれかに記載のコンピュータ実施方法。
（S１５）
前記センサから得られるデータに基づいて前記デジタルツインから得られるデータは、中間変数及び／又は値の生成を任意に含む少なくとも１つの前処理段階を経たデータを含む、ステートメントS９～１４のいずれかに記載のコンピュータ実施方法。
（S１６）
前記少なくとも１つの他の地理的領域は、複数の地理的領域を含む（及び、前記交通予測プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測を生成することを含むことができる）（及び、前記パラメータ決定プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測の各々について（最適な）パラメータを決定することを含むことができる）、ステートメントS１～１５のいずれかに記載のコンピュータ実施方法。
（S１７）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、ステートメント１～１６のいずれかに記載のコンピュータ実施方法。
（S１８）
前記地理的地域は、都市部又は町又は市を含む、ステートメントS１～１７のいずれかに記載のコンピュータ実施方法。
（S１９）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）が、
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメント１～１８のいずれかに記載のコンピュータ実施方法。
（S２０）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）は、前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度を含む、ステートメントS１～１９のいずれかに記載のコンピュータ実施方法。
（S２１）
前記交通予測は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
を含む予測交通データを含む、ステートメント１～２０のいずれかに記載のコンピュータ実施方法。
（S２２）
前記交通予測は、以下：前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、を含む予測交通データを含む、ステートメントS１～２１のいずれかに記載のコンピュータ実施方法。
（S２３）
前記センサが、以下：少なくとも１つの車載センサ、少なくとも１つのユーザ機器、少なくとも１つのカメラ、及び少なくとも１つの速度センサ、のいずれかを含む、ステートメントS８～S２２のいずれかに記載のコンピュータ実施方法。
（S２４）
前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定し、前記少なくとも１つの他の地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を更に含み、及び／又は、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントS１～２３のいずれかに記載のコンピュータ実施方法。
（S２５）
前記モビリティ分析を実行するステップは、前記関連する交通データの傾向を識別するステップを含む、ステートメントS２４に記載のコンピュータ実施方法。
（S２６）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントS２４又はS２５に記載のコンピュータ実施方法。
（S２７）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得し及び定常性パラメータを決定するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得し及び回帰パラメータを決定するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得し及び予測パラメータを決定するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントS２４又はS２５又はS２６に記載のコンピュータ実施方法。
（S２８）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連する交通データに基づいて、データの周期的側面を定義するリグレッサーを生成するステップ（オプションでフーリエ変換又は正弦波分解を使用し、オプションでリグレッサーがフーリエ因子として生成される）を含む、ステートメントS１～２７のいずれかに記載のコンピュータ実施方法。
（S２９）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連するリグレッサー、関連する交通データ、及び関連するパラメータに基づいて、周期的交通予測を生成するステップを含む、ステートメントS２８に記載のコンピュータ実施方法。
（S３０）
前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを更に含む、ステートメント１～２９のいずれかに記載のコンピュータ実施方法。
（S３１）
前記交通データは、前記関連する地理的領域で発生するイベントに関する情報を含み、前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット領域の交通データを分析して、交通データと少なくとも１つの（外部）イベントとの間の少なくとも１つの相関を取得するステップ、
を含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、ステートメント１～３０のいずれかに記載のコンピュータ実施方法。
（S３２）
前記少なくとも１つのイベントが、気象イベント、交通イベント、事故イベント、及び娯楽イベントのいずれかを含む、ステートメントS３１に記載のコンピュータ実施方法。
（S３３）
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップは、LOESSを用いた周期傾向分解（STL）技術を使用するステップを含む、ステートメント１～３２のいずれかに記載のコンピュータ実施方法。
（S３４）
前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較するステップは、パーセント偏差を前記異常閾値と比較するステップを含む、ステートメント１～３３のいずれかに記載のコンピュータ実施方法。
（S３５）
前記パーセント偏差は、（関連時点における）前記第１又は第２ノイズ成分の値のパーセントとしての偏差である、ステートメントS３４に記載のコンピュータ実施方法。
（S３６）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメント１～３５のいずれかに記載のコンピュータ実施方法。
（S３７）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS１～３６のいずれかに記載のコンピュータ実施方法。
（S３８）
前記排出を推定するステップは、以下：
前記速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、ステートメント１～３７のいずれかに記載のコンピュータ実施方法。
（S３９）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、ステートメント１～３８のいずれかに記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（S４０）
前記複数の領域の予測排出（及び検出された異常の予測された影響）を集計して、（検出された異常の影響を含む）前記地理的地域で発生する排出の予測を得るステップを含む、ステートメントS３９に記載のコンピュータ実施方法。
（S４１）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントS２又はS４～４０のいずれかに記載のコンピュータ実施方法。
（S４２）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS２又はS４～４０のいずれかに記載のコンピュータ実施方法。
（S４３）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントS２又はS４～４２のいずれかに記載のコンピュータ実施方法。
（S４４）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数、又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントS２又はS４～４３のいずれかに記載のコンピュータ実施方法。
（S４５）
互いの類似性に基づいて前記交通データセットをクラスタリングすることは、互いの対応する挙動表現の類似性に基づいて前記交通データセットをクラスタリングすることを含む、S４３又はS４４に記載のコンピュータ実施方法。
（S４６）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は前記挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、S２又はS４～S４５のいずれかに記載のコンピュータ実施方法。
（S４７）
コンピュータ実施方法であって、
第１期間の（過去の）交通データとターゲット地理的領域の（過去の）交通データとに基づき、前記ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップと、
第２期間の（過去の）交通データと前記ターゲット地理的領域の（過去の）交通データとに基づき、前記ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップと、
前記第１交通予測に基づき、前記ターゲット地理的領域の交通により生成される排出を予測するステップであって、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、ステップと、
を含むコンピュータ実施方法。
（S４８）
前記第１期間の交通データは、（前記第１期間にわたって）前記地理的地域の少なくとも１つの他の領域の交通データを含み、前記第２期間の交通データは、（前記第２期間にわたって）前記地理的地域の前記少なくとも１つの他の領域の交通データを含み、前記第１交通予測を生成することは、前記第１期間の交通データを使用して交通予測プロセスを実行することを含み、前記交通予測プロセスは、前記ターゲット地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することにより）前記ターゲット地理的領域の周期的な交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することにより）前記ターゲット地理的領域の周期的交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記地理的地域の前記少なくとも１つの他の領域の交通データに基づき、（前記少なくとも１つの他の領域の交通データの周期的成分を推定することにより）前記少なくとも１つの他の領域の少なくとも１つの他の周期的交通予測を生成すること（将来の期間の交通データを予測すること）と、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づき、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関を決定することと、
前記少なくとも１つの他の周期的予測及び前記決定した少なくとも１つの相関に基づき、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成することと、
を含み、
前記第２交通予測を生成することは、（前記第１期間の交通データの代わりに）前記第２期間の交通データを使用して前記交通予測プロセスを実行することを含む、ステートメントS４７に記載のコンピュータ実施方法。
（S４９）
コンピュータ実施方法であって、
（履歴）交通データを使用して交通予測プロセスを実行するステップを含み、前記交通予測プロセスは、
（地理的地域の）ターゲット地理的領域の交通データに基づいて、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
（前記地理的地域の）少なくとも１つの他の地理的領域の交通データに基づいて、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測と前記決定された少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、前記ターゲット地理的領域の複合交通予測（又は最終予測、累積予測、又は全体予測）を生成するステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域の交通によって生成される排出を予測するステップと、
を含む、コンピュータ実装方法。
（S５０）
前記交通データは第１期間に渡る交通データであり、前記最終交通予測は第１交通予測であり、前記コンピュータ実施方法は、
（前記第１期間に渡る交通データの代わりに）第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含み得る、ステートメントS４９に記載のコンピュータ実施方法。
（S５１）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を含む、コンピュータプログラム。
（S５２）
情報処理装置であって、メモリと、前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
第１期間の（履歴、historical）交通データを使用して交通予測プロセスを実行して、ターゲット地理的領域の第１交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の及び前記第１期間の交通データに基づいて、（ターゲット地理的領域及び第１期間の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的地域の少なくとも１つの他の領域の及び前記第１期間の交通データに基づいて、（少なくとも１つの他の地理的領域の交通データ及び第１期間の交通データの周期的成分を推定することにより）前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記ターゲット地理的領域の交通データ及び前記少なくとも１つの他の地理的領域の交通データに基づいて、前記ターゲット地理的領域の及び前記少なくとも１つの他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域と（の交通データ（の傾向））の間の少なくとも１つの相関を決定するステップと、
前記少なくとも１つの他の周期的予測及び決定された前記少なくとも１つの相関に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、（第１）交通予測を生成するステップと、
を含む、ステップと、
前記第１期間の代わりに第２期間の（履歴）交通データを使用して前記交通予測プロセスを実行して、ターゲット地理的領域の第２交通予測を生成する（将来の期間の交通データを予測する）ステップであって、前記第１期間は、前記第２期間及び前記第２期間よりも新しい追加期間を含む、ステップと、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の前記第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合は、前記偏差を異常として分類すること）を含む、ステップと
前記第１交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップであって、少なくとも１つの異常が検出されたときに、少なくとも１つの検出された前記異常の排出に対する影響を予測することを含む、ステップと、
を実行するよう構成される、情報処理機器。
【0152】
本開示は以下のステートメント（Ｂ）に拡張される。
（B１）
コンピュータ実装方法であって、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、ステートメントB２記載のコンピュータ実施方法。
（B２）
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットは、第１期間に渡る交通データであり、前記最終交通予測は第１交通予測であり、前記コンピュータ実施方法は、
（前記第１期間に渡る交通データの代わりに）第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、ステートメントB１に記載のコンピュータ実施方法。
（B３）
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記ターゲット地理的領域の前記周期的交通予測のための決定されたパラメータと、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータとを用いることを含む、ステートメントB２に記載のコンピュータ実施方法。
（B４）
前記パラメータは第１パラメータであり、前記コンピュータ実施方法は、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記パラメータ決定プロセスを行うことにより、前記ターゲット地理的領域の周期的交通予測のための第２パラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための第２パラメータとを決定するステップ、を含み、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記決定された第２パラメータを用いることを含む、ステートメントB２～B４のいずれかに記載のコンピュータ実施方法。
（B５）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントB１～B４のいずれかに記載のコンピュータ実施方法。
（B６）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB１～B５のいずれかに記載のコンピュータ実施方法。
（B７）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントB１～B６のいずれかに記載のコンピュータ実施方法。
（B８）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数、又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB１～B７のいずれかに記載のコンピュータ実施方法。
（B９）
互いの類似性に基づいて前記交通データセットをクラスタリングすることは、互いの対応する挙動表現の類似性に基づいて前記交通データセットをクラスタリングすることを含む、B１～B８に記載のコンピュータ実施方法。
（B１０）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は前記挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、B１～B９のいずれかに記載のコンピュータ実施方法。
（B１１）
前記交通データは、車両の交通データを含む、ステートメントB１～B１０のいずれかに記載のコンピュータ実施方法。
（B１２）
前記交通データは、前記地理的領域（を含む地理的地域）のセンサから取得したデータを含む、ステートメントB１～B１１に記載のコンピュータ実施方法。
（B１３）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、ステートメントB１～B１２のいずれかに記載のコンピュータ実施方法。
（B１４）
前記交通データは、関連する前記地理的領域を含む地理的地域のデジタルツインから取得したデータを含む、ステートメントB１～B１３に記載のコンピュータ実施方法。
（B１５）
前記交通データは、関連する前記地理的領域（を含む地理的地域）のセンサから取得したデータ、及び関連する前記地理的領域（を含む地理的地域）のデジタルツインから取得したデータを含む、ステートメントB１～B１４に記載のコンピュータ実施方法。
（B１６）
前記デジタルツインから得られたデータは、関連する前記地理的地域／地理的領域のセンサから得られたデータに基づく、ステートメントB１３～B１５に記載のコンピュータ実施方法。
（B１７）
前記デジタルツインは、前記地理的地域／領域のモデル/シミュレーションである、ステートメントB１３～B１６のいずれかに記載のコンピュータ実施方法。
（B１８）
前記デジタルツインは、前記地理的領域（を含む地理的領域）のモデル／シミュレーションであり、（シナリオをモデル化するために）実際の地理的地域／領域と比較して幾らかの修正を加えたものである、ステートメントB１３～B１７のいずれかに記載のコンピュータ実施方法。
（B１９）
前記センサから得られるデータに基づいて前記デジタルツインから得られるデータは、中間変数及び／又は値の生成を任意に含む少なくとも１つの前処理段階を経たデータを含む、ステートメントB１３～B１８のいずれかに記載のコンピュータ実施方法。
（B２０）
前記少なくとも１つの他の地理的領域は、複数の地理的領域を含む（及び、前記交通予測プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測を生成することを含む）（及び、前記パラメータ決定プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測の各々について（最適な）パラメータを決定することを含む）、ステートメントB１～B１９のいずれかに記載のコンピュータ実施方法。
（B２１）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、ステートメントB１～B２０のいずれかに記載のコンピュータ実施方法。
（B２２）
前記地理的地域は、都市部又は町又は市を含む、ステートメントB１～B２１のいずれかに記載のコンピュータ実施方法。
（B２３）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）が、
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメントB１～B２２のいずれかに記載のコンピュータ実施方法。
（B２４）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）は、前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度を含む、ステートメントB１～B２３のいずれかに記載のコンピュータ実施方法。
（B２５）
前記交通予測は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
を含む予測交通データを含む、ステートメントB１～B２４のいずれかに記載のコンピュータ実施方法。
（B２６）
前記交通予測は、以下：前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、を含む予測交通データを含む、ステートメントB１～B２５のいずれかに記載のコンピュータ実施方法。
（B２７）
前記センサが、以下：少なくとも１つの車載センサ、少なくとも１つのユーザ機器、少なくとも１つのカメラ、及び少なくとも１つの速度センサ、のいずれかを含む、ステートメントB１２～B２６のいずれかに記載のコンピュータ実施方法。
（B２８）
前記ターゲット地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定し、前記少なくとも１つの他の地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントB１～B２７のいずれかに記載のコンピュータ実施方法。
（B２９）
前記モビリティ分析を実行するステップは、前記関連する交通データの傾向を識別するステップを含む、ステートメントB２８に記載のコンピュータ実施方法。
（B３０）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得するステップ（周期性差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントB２８又はB２９に記載のコンピュータ実施方法。
（B３１）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得し及び定常性パラメータを決定するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得し及び回帰パラメータを決定するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得し及び予測パラメータを決定するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントB２８又はB２９又はB３０に記載のコンピュータ実施方法。
（B３２）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連する交通データに基づいて、データの周期的側面を定義するリグレッサーを生成するステップ（オプションでフーリエ変換又は正弦波分解を使用し、オプションでリグレッサーがフーリエ因子として生成される）を含む、ステートメントB１～B３１のいずれかに記載のコンピュータ実施方法。
（B３３）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連するリグレッサー、関連する交通データ、及び関連するパラメータに基づいて、周期的交通予測を生成するステップを含む、ステートメントB１～B３２のいずれかに記載のコンピュータ実施方法。
（B３４）
前記コンピュータ実施方法／交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを含む、ステートメントB１～B３３のいずれかに記載のコンピュータ実施方法。
（B３５）
前記交通データは、前記関連する地理的領域で発生するイベントに関する情報を含み、前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット領域の交通データを分析して、交通データと少なくとも１つの（外部）イベントとの間の少なくとも１つの相関を取得するステップ、
を含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、ステートメントB１～B３４のいずれかに記載のコンピュータ実施方法。
（B３６）
前記少なくとも１つのイベントが、気象イベント、交通イベント、事故イベント、及び娯楽イベントのいずれかを含む、ステートメントB３５に記載のコンピュータ実施方法。
（B３７）
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップは、LOESSを用いた周期傾向分解（STL）技術を使用するステップを含む、ステートメントB２～B３６のいずれかに記載のコンピュータ実施方法。
（B３８）
前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較するステップは、パーセント偏差を前記異常閾値と比較するステップを含む、ステートメントB２～B３７のいずれかに記載のコンピュータ実施方法。
（B３９）
前記パーセント偏差は、（関連時点における）前記第１又は第２ノイズ成分の値のパーセントとしての偏差である、ステートメントB１に記載のコンピュータ実施方法。
（B４０）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメントB２～B３９のいずれかに記載のコンピュータ実施方法。
（B４１）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB２～B４０のいずれかに記載のコンピュータ実施方法。
（B４２）
前記排出を推定するステップは、以下：
前記速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出を計算するステップを含む、ステートメントB１～B４１のいずれかに記載のコンピュータ実施方法。
（B４３）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、ステートメントB１～B４２のいずれかに記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（B４４）
前記複数の領域の予測排出（及び検出された異常の予測された影響）を集計して、（検出された異常の影響を含む）前記地理的地域で発生する排出の予測を得るステップを含む、ステートメントB４３に記載のコンピュータ実施方法。
（B４５）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
（B４６）
情報処理機器であって、メモリと前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含み、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
ように構成される、情報処理機器。
以上の実施形態に加えて、更に以下の付記を開示する。
（付記１）
コンピュータ実装方法であって、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含むコンピュータ実施方法。
（付記２）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
のいずれかを含む、付記１に記載のコンピュータ実施方法。
（付記３）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記４）
前記交通データは、関連する前記地理的領域内のセンサから取得されたデータを含む、付記１又は２に記載のコンピュータ実施方法。
（付記５）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、付記１又は２に記載のコンピュータ実施方法。
（付記６）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、付記１又は２に記載のコンピュータ実施方法。
（付記７）
前記地理的領域の交通データが、
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、付記１又は２に記載のコンピュータ実施方法。
（付記８）
前記ターゲット地理的領域の周期的交通予測を生成するステップは、関連する交通データに基づいて、前記交通データの周期的側面を定義するリグレッサーを生成するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記９）
前記交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１０）
交通データは、関連する前記地理的領域で発生するイベントに関する情報を含み、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データを分析して、交通データと少なくとも１つのイベントとの間の少なくとも１つの相関を取得するステップ、
を更に含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、付記１又は２に記載のコンピュータ実施方法。
（付記１１）
前記排出を推定するステップは、以下：
速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１２）
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットは、第１期間に渡る交通データであり、前記複合交通予測は第１交通予測であり、前記コンピュータ実施方法は、
第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較することを含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１３）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、付記１又は２に記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（付記１４）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
（付記１５）
情報処理機器であって、メモリと前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含み、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
よう構成される、情報処理機器。
（B１）
コンピュータ実装方法であって、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、ステートメントB２記載のコンピュータ実施方法。
（B２）
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットは、第１期間に渡る交通データであり、前記最終交通予測は第１交通予測であり、前記コンピュータ実施方法は、
（前記第１期間に渡る交通データの代わりに）第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較すること（及び、前記偏差の大きさが前記異常閾値より大きい場合に、前記偏差を異常として分類すること）を含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、ステートメントB１に記載のコンピュータ実施方法。
（B３）
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記ターゲット地理的領域の前記周期的交通予測のための決定されたパラメータと、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータとを用いることを含む、ステートメントB２に記載のコンピュータ実施方法。
（B４）
前記パラメータは第１パラメータであり、前記コンピュータ実施方法は、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記パラメータ決定プロセスを行うことにより、前記ターゲット地理的領域の周期的交通予測のための第２パラメータと、前記少なくとも１つの他の地理的領域の周期的交通予測のための第２パラメータとを決定するステップ、を含み、
（前記第１期間の交通データの代わりに）前記第２期間の交通データを用いて前記交通予測プロセスを行うことにより前記第２交通予測を生成するステップは、前記決定された第２パラメータを用いることを含む、ステートメントB２～B４のいずれかに記載のコンピュータ実施方法。
（B５）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントB１～B４のいずれかに記載のコンピュータ実施方法。
（B６）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、前記交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB１～B５のいずれかに記載のコンピュータ実施方法。
（B７）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
のいずれかを含む、ステートメントB１～B６のいずれかに記載のコンピュータ実施方法。
（B８）
前記パラメータ決定プロセスが、前記クラスタリングの前に、各交通データセットの挙動表現を取得するステップを含み、前記挙動表現は、前記データの少なくとも１つの側面に基づき、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数、又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB１～B７のいずれかに記載のコンピュータ実施方法。
（B９）
互いの類似性に基づいて前記交通データセットをクラスタリングすることは、互いの対応する挙動表現の類似性に基づいて前記交通データセットをクラスタリングすることを含む、B１～B８に記載のコンピュータ実施方法。
（B１０）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は前記挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、B１～B９のいずれかに記載のコンピュータ実施方法。
（B１１）
前記交通データは、車両の交通データを含む、ステートメントB１～B１０のいずれかに記載のコンピュータ実施方法。
（B１２）
前記交通データは、前記地理的領域（を含む地理的地域）のセンサから取得したデータを含む、ステートメントB１～B１１に記載のコンピュータ実施方法。
（B１３）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、ステートメントB１～B１２のいずれかに記載のコンピュータ実施方法。
（B１４）
前記交通データは、関連する前記地理的領域を含む地理的地域のデジタルツインから取得したデータを含む、ステートメントB１～B１３に記載のコンピュータ実施方法。
（B１５）
前記交通データは、関連する前記地理的領域（を含む地理的地域）のセンサから取得したデータ、及び関連する前記地理的領域（を含む地理的地域）のデジタルツインから取得したデータを含む、ステートメントB１～B１４に記載のコンピュータ実施方法。
（B１６）
前記デジタルツインから得られたデータは、関連する前記地理的地域／地理的領域のセンサから得られたデータに基づく、ステートメントB１３～B１５に記載のコンピュータ実施方法。
（B１７）
前記デジタルツインは、前記地理的地域／領域のモデル/シミュレーションである、ステートメントB１３～B１６のいずれかに記載のコンピュータ実施方法。
（B１８）
前記デジタルツインは、前記地理的領域（を含む地理的領域）のモデル／シミュレーションであり、（シナリオをモデル化するために）実際の地理的地域／領域と比較して幾らかの修正を加えたものである、ステートメントB１３～B１７のいずれかに記載のコンピュータ実施方法。
（B１９）
前記センサから得られるデータに基づいて前記デジタルツインから得られるデータは、中間変数及び／又は値の生成を任意に含む少なくとも１つの前処理段階を経たデータを含む、ステートメントB１３～B１８のいずれかに記載のコンピュータ実施方法。
（B２０）
前記少なくとも１つの他の地理的領域は、複数の地理的領域を含む（及び、前記交通予測プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測を生成することを含む）（及び、前記パラメータ決定プロセスは、前記複数の他の地理的領域についての複数の他の周期的交通予測の各々について（最適な）パラメータを決定することを含む）、ステートメントB１～B１９のいずれかに記載のコンピュータ実施方法。
（B２１）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、ステートメントB１～B２０のいずれかに記載のコンピュータ実施方法。
（B２２）
前記地理的地域は、都市部又は町又は市を含む、ステートメントB１～B２１のいずれかに記載のコンピュータ実施方法。
（B２３）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）が、
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメントB１～B２２のいずれかに記載のコンピュータ実施方法。
（B２４）
前記地理的領域の交通データ（第１及び／又は第２交通データ及び／又は前記地理的領域の交通データ及び／又は前記地理的領域の交通データセット）は、前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数、及び（経時的）地理的領域内の複数の車両の各々の平均速度を含む、ステートメントB１～B２３のいずれかに記載のコンピュータ実施方法。
（B２５）
前記交通予測は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
を含む予測交通データを含む、ステートメントB１～B２４のいずれかに記載のコンピュータ実施方法。
（B２６）
前記交通予測は、以下：前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、を含む予測交通データを含む、ステートメントB１～B２５のいずれかに記載のコンピュータ実施方法。
（B２７）
前記センサが、以下：少なくとも１つの車載センサ、少なくとも１つのユーザ機器、少なくとも１つのカメラ、及び少なくとも１つの速度センサ、のいずれかを含む、ステートメントB１２～B２６のいずれかに記載のコンピュータ実施方法。
（B２８）
前記ターゲット地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定し、前記少なくとも１つの他の地理的領域の交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の前記少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含み、
前記交通予測プロセスは、前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の周期的交通予測を生成し、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための最適パラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップを含む、ステートメントB１～B２７のいずれかに記載のコンピュータ実施方法。
（B２９）
前記モビリティ分析を実行するステップは、前記関連する交通データの傾向を識別するステップを含む、ステートメントB２８に記載のコンピュータ実施方法。
（B３０）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得するステップ（周期性差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントB２８又はB２９に記載のコンピュータ実施方法。
（B３１）
モビリティ解析を実行するステップが、年間傾向の定常性のレベルを取得し及び定常性パラメータを決定するステップ（周期的差の程度を決定するステップ（Canova-Hansen法を用いる）を含む）、及び／又は、
異なる期間のデータ間の関係を取得し及び回帰パラメータを決定するステップ（Kwiatkowski－Phillips－Schmidt－Shin法、拡張Dicky-Fuller法、又はPhillips－Perron法のいずれかを用いる）、及び／又は、
モビリティ傾向が振動する値の範囲を取得し及び予測パラメータを決定するステップ（自己相関関数法、部分自己相関関数法及び／又は拡張自己相関関数法を用いてる）、
を含む、ステートメントB２８又はB２９又はB３０に記載のコンピュータ実施方法。
（B３２）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連する交通データに基づいて、データの周期的側面を定義するリグレッサーを生成するステップ（オプションでフーリエ変換又は正弦波分解を使用し、オプションでリグレッサーがフーリエ因子として生成される）を含む、ステートメントB１～B３１のいずれかに記載のコンピュータ実施方法。
（B３３）
前記ターゲット地理的領域（又は前記地理的領域）の周期的交通予測を生成するステップが、関連するリグレッサー、関連する交通データ、及び関連するパラメータに基づいて、周期的交通予測を生成するステップを含む、ステートメントB１～B３２のいずれかに記載のコンピュータ実施方法。
（B３４）
前記コンピュータ実施方法／交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを含む、ステートメントB１～B３３のいずれかに記載のコンピュータ実施方法。
（B３５）
前記交通データは、前記関連する地理的領域で発生するイベントに関する情報を含み、前記コンピュータ実施方法／交通予測プロセスは、
前記ターゲット領域の交通データを分析して、交通データと少なくとも１つの（外部）イベントとの間の少なくとも１つの相関を取得するステップ、
を含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、（前記第１）交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、ステートメントB１～B３４のいずれかに記載のコンピュータ実施方法。
（B３６）
前記少なくとも１つのイベントが、気象イベント、交通イベント、事故イベント、及び娯楽イベントのいずれかを含む、ステートメントB３５に記載のコンピュータ実施方法。
（B３７）
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップは、LOESSを用いた周期傾向分解（STL）技術を使用するステップを含む、ステートメントB２～B３６のいずれかに記載のコンピュータ実施方法。
（B３８）
前記第１ノイズ成分と前記第２ノイズ成分との間の少なくとも１つの偏差を異常閾値と比較するステップは、パーセント偏差を前記異常閾値と比較するステップを含む、ステートメントB２～B３７のいずれかに記載のコンピュータ実施方法。
（B３９）
前記パーセント偏差は、（関連時点における）前記第１又は第２ノイズ成分の値のパーセントとしての偏差である、ステートメントB１に記載のコンピュータ実施方法。
（B４０）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
（経時的）前記地理的領域内の車両の数、
（経時的）前記地理的領域内の複数の種類の車両の各々の数、
（経時的）前記地理的領域内の複数の車両の各々の位置、
（経時的）前記地理的領域内の複数の車両の各々の進行方向、
（経時的）前記地理的領域内の複数の車両の各々の速度、
（経時的）前記地理的領域内の複数の車両の各々の平均速度、
（経時的）前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
（経時的）前記地理的領域内の混雑レベル、
（経時的）前記地理的領域内の交通渋滞の数、
（経時的）前記地理的領域内の道路ネットワークの使用レベル、
（経時的）前記地理的領域内の（道路ネットワークの）最大輸送容量、
（経時的）前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、ステートメントB２～B３９のいずれかに記載のコンピュータ実施方法。
（B４１）
前記第１及び第２交通予測を成分に分解するステップは、前記第１及び第２交通予測の少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面を分解するステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の（経時的）車両数又は（経時的）地理的領域内の複数の種類の車両の各々の数;及び（経時的）地理的領域内の複数の車両の各々の平均速度、のいずれかを含む、ステートメントB２～B４０のいずれかに記載のコンピュータ実施方法。
（B４２）
前記排出を推定するステップは、以下：
前記速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出を計算するステップを含む、ステートメントB１～B４１のいずれかに記載のコンピュータ実施方法。
（B４３）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、ステートメントB１～B４２のいずれかに記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（B４４）
前記複数の領域の予測排出（及び検出された異常の予測された影響）を集計して、（検出された異常の影響を含む）前記地理的地域で発生する排出の予測を得るステップを含む、ステートメントB４３に記載のコンピュータ実施方法。
（B４５）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含む、ステップと、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
（B４６）
情報処理機器であって、メモリと前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
複数の地理的領域の複数の（履歴）交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、交通データセットの複数のクラスタを生成し、複数の交通データセットを含む各クラスタについて、クラスタの交通データセットの平均に最も類似するクラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のための（最適）パラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための（最適）パラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、（前記ターゲット地理的領域の交通データの周期的成分を推定することによって）前記ターゲット地理的領域の前記周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、（前記少なくとも１つの他の地理的領域の交通データの周期的成分を推定することによって）前記少なくとも１つの他の地理的領域の周期的交通予測を生成する（将来の期間の交通データを予測する）ステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域（の交通データ（の傾向））の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測（又は最終予測又は累積予測又は全体予測）を生成するステップと、
を含み、
前記最終交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
ように構成される、情報処理機器。
以上の実施形態に加えて、更に以下の付記を開示する。
（付記１）
コンピュータ実装方法であって、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含むコンピュータ実施方法。
（付記２）
相互の類似性に基づいて前記交通データセットをクラスタリングするステップが、交通データの少なくとも１つの側面に基づいて前記交通データセットをクラスタリングするステップを含み、前記少なくとも１つの側面は、以下：
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
のいずれかを含む、付記１に記載のコンピュータ実施方法。
（付記３）
前記互いに対する類似性に基づいて前記交通データセットをクラスタリングするステップは、前記交通データセット間又は挙動表現間の動的時間ワープマッチング又はユークリッドマッチングを用いるステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記４）
前記交通データは、関連する前記地理的領域内のセンサから取得されたデータを含む、付記１又は２に記載のコンピュータ実施方法。
（付記５）
前記交通データは、関連する前記地理的領域のデジタルツインから取得されたデータを含む、付記１又は２に記載のコンピュータ実施方法。
（付記６）
前記ターゲット地理的領域及び前記少なくとも１つの他の地理的領域は、都市部又は町又は市の各々の領域である、付記１又は２に記載のコンピュータ実施方法。
（付記７）
前記地理的領域の交通データが、
前記地理的領域内の車両の数、
前記地理的領域内の複数の種類の車両の各々の数、
前記地理的領域内の複数の車両の各々の位置、
前記地理的領域内の複数の車両の各々の進行方向、
前記地理的領域内の複数の車両の各々の速度、
前記地理的領域内の複数の車両の各々の平均速度、
前記地理的領域内の複数の車両の各々の最小及び／又は最大速度、
前記地理的領域内の混雑レベル、
前記地理的領域内の交通渋滞の数、
前記地理的領域内の道路ネットワークの使用レベル、
前記地理的領域内の最大輸送容量、
前記地理的領域内の複数の車両の各々の識別子、
のいずれかを含む、付記１又は２に記載のコンピュータ実施方法。
（付記８）
前記ターゲット地理的領域の周期的交通予測を生成するステップは、関連する交通データに基づいて、前記交通データの周期的側面を定義するリグレッサーを生成するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記９）
前記交通予測プロセスは、前記ターゲット地理的領域及び複数の他の地理的領域のモビリティフローを分析して、前記ターゲット地理的領域の交通予測に関連する前記少なくとも１つの他の地理的領域を決定するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１０）
交通データは、関連する前記地理的領域で発生するイベントに関する情報を含み、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データを分析して、交通データと少なくとも１つのイベントとの間の少なくとも１つの相関を取得するステップ、
を更に含み、
前記少なくとも１つの他の周期的予測と決定された前記相関とに基づいて、前記ターゲット地理的領域の周期的予測を調整することにより、交通予測を生成するステップは、
交通データと少なくとも１つの外部イベントとの間の少なくとも１つの相関に基づき、及び予測された少なくとも１つのイベントとに基づき、前記ターゲット地理的領域の周期的予測を調整するステップを更に含む、付記１又は２に記載のコンピュータ実施方法。
（付記１１）
前記排出を推定するステップは、以下：
速度に基づく車両の平均排出を示す情報、
前記交通予測からの車両数、
前記交通予測からの車両の平均速度、
に基づいて、排出量を計算するステップを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１２）
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットは、第１期間に渡る交通データであり、前記複合交通予測は第１交通予測であり、前記コンピュータ実施方法は、
第２期間に渡る交通データを用いて前記交通予測プロセスを実行することにより、第２交通予測を生成するステップであって、前記第１期間は前記第２期間と前記第２期間より最近の追加期間とを含む、ステップ、を含み、
前記コンピュータ実施方法は、
前記第１交通予測を第１周期的成分、第１傾向成分、及び第１ノイズ成分に分解し、前記第２交通予測を第２周期的成分、第２傾向成分、及び第２ノイズ成分に分解するステップと、
前記第１交通予測の前記第１ノイズ成分を前記第２交通予測の第２ノイズ成分と比較して、少なくとも１つの異常を検出するステップであって、前記第１交通予測と前記第２交通予測との間の少なくとも１つの偏差を異常閾値と比較することを含む、ステップ、を含み、
前記ターゲット地理的領域の交通により生成される排出を予測するステップは、少なくとも１つの異常が検出された場合、前記少なくとも１つの検出された異常の排出への影響を予測することを含む、付記１又は２に記載のコンピュータ実施方法。
（付記１３）
前記地理的地域の異なる地理的領域を毎回ターゲット領域として、付記１又は２に記載のコンピュータ実施方法を複数回実行するステップを含む、コンピュータ実施方法。
（付記１４）
コンピュータプログラムであって、コンピュータ上で実行されると、前記コンピュータに方法を実行させ、前記方法は、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行するステップであって、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて前記交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成し、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定するステップと、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含む、ステップと、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行するステップであって、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的領域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含む、ステップと、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測するステップと、
を含む、コンピュータプログラム。
（付記１５）
情報処理機器であって、メモリと前記メモリに結合されたプロセッサとを含み、前記プロセッサは、
複数の地理的領域の複数の交通データセットに各々基づいて、パラメータ決定プロセスを実行し、前記パラメータ決定プロセスは、
互いに対する類似性に基づいて交通データセットをクラスタリングして、前記交通データセットの複数のクラスタを生成するステップと、
複数の交通データセットを含む各クラスタについて、前記クラスタの交通データセットの平均に最も類似する前記クラスタの交通データセットを代表交通データセットとして選択するステップと、
ターゲット地理的領域に対応する代表交通データセットに基づいて、モビリティ分析を実行して、前記ターゲット地理的領域の周期的交通予測のためのパラメータを決定し、少なくとも１つの他の地理的領域に対応する少なくとも１つの代表交通データセットに基づいて、モビリティ分析を実行して、少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のためのパラメータを決定するステップと、
を含み、
前記ターゲット地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットを使用して、前記ターゲット地理的領域の交通予測プロセスを実行し、前記交通予測プロセスは、
前記ターゲット地理的領域の交通データセットに基づいて、及び前記ターゲット地理的領域の周期的交通予測のための決定されたパラメータを使用して、前記ターゲット地理的領域の前記周期的交通予測を生成するステップと、
前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、及び前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測のための決定されたパラメータを使用して、前記少なくとも１つの他の地理的領域の少なくとも１つの他の周期的交通予測を生成するステップと、
前記地理的領域の交通データセット及び前記少なくとも１つの他の地理的領域の少なくとも１つの交通データセットに基づいて、前記地理的地域のモビリティフローを分析して、前記ターゲット地理的領域と前記少なくとも１つの他の地理的領域の間の少なくとも１つの相関関係を決定するステップと、
前記少なくとも１つの他の周期的予測及び前記決定された少なくとも１つの相関関係に基づいて、前記ターゲット地理的領域の周期的予測を調整することによって、複合交通予測を生成するステップと、
を含み、
前記複合交通予測に基づいて、前記ターゲット地理的領域内の交通によって生成される排出を予測する、
よう構成される、情報処理機器。
【符号の説明】
【0153】
２０ DTモビリティ分析部
４０ DTモビリティ予測
６０ DTモビリティ異常検出部
８０ 排出推定エンジン
４０ DTモビリティ予測
６０ DTモビリティ異常検出部
８０ 排出推定エンジン
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】