CN108885723A - 用于基于位置数据预测用户行为的系统和方法 - Google Patents

用于基于位置数据预测用户行为的系统和方法 Download PDF

Info

Publication number
CN108885723A
CN108885723A CN201780015087.1A CN201780015087A CN108885723A CN 108885723 A CN108885723 A CN 108885723A CN 201780015087 A CN201780015087 A CN 201780015087A CN 108885723 A CN108885723 A CN 108885723A
Authority
CN
China
Prior art keywords
user
data
timestamp
history
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780015087.1A
Other languages
English (en)
Inventor
西蒙·热利纳
瑞恩·维利姆
凯瑟琳·吉田
雅各布·塔利亚布埃
迈克尔·墨菲
罗曼·奥伯利
托马斯·安尼克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Akerson Webb Joint-Stock Co
Original Assignee
Akerson Webb Joint-Stock Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Akerson Webb Joint-Stock Co filed Critical Akerson Webb Joint-Stock Co
Publication of CN108885723A publication Critical patent/CN108885723A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/487—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

用于确定用户活动中的模式而使得可以基于该模式提供用户上下文信息的系统和计算机化方法。接收与第一用户相关联的历史数据，并且基于历史数据确定实体信息。接收与第一用户相关联的当前位置数据，并且基于当前时间段的实体信息和当前位置数据的组合来生成预测信息。基于预测信息与当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息，所述上下文理解信息包括对与第一用户的当前位置相关联的活动、购买和配件中的至少一个的建议。

Description

用于基于位置数据预测用户行为的系统和方法
相关申请的交叉引用
本申请要求于2016年3月4日提交的美国临时申请号62/303,909的优先权，其通过引用并入本文。
技术领域
本发明的实施例总体涉及分析用户位置数据，并且具体地，涉及基于位置数据预测用户行为。
背景技术
全球人员和机器网络包括数百万互联网用户和拥有移动电话的个体。每天通过社交媒体、电子商务、远程工作场所、GPS定位服务和远程学习(仅举几例)向个体转移生成越来越多的数据，已经使得大量描述用户的位置和行为的数据可获得。虽然先前分析这些数据的努力包括预测用户的位置，(例如，Katsaros和Manolopoulos所著Prediction inWireless Networks by Markov Chains，可在http://delab.csd.auth.gr/papers/IEEEWComm09km.pdf获得)，由于若干原因，先前的努力在准确预测用户的行为方面取得了有限的成功，其中一个原因是先前的努力利用仅考虑一个维度的浅模型来解决预测问题：用户位置作为唯一特征。
发明内容
本公开的各方面涉及用于确定用户活动中的模式从而基于该模式向用户提供上下文(contextual)信息的系统和计算机化方法。在一些实施例中，计算设备接收与第一用户相关联的历史数据，所述历史数据包括与第一用户相关联的历史测量出的带时间戳的位置数据以及与第一数据用户相关联的历史推断出的带时间戳的位置数据中的至少一个。在一些实施例中，计算设备基于历史数据来确定实体信息，所述实体信息包括关于在历史循环(recurring)时间段内发生的用户活动的信息，所述关于用户活动的信息包括一种类型的用户活动、与用户活动相关联的时间以及历史循环时段内发生用户活动的可能性中的至少一个。在一些实施例中，计算设备接收与第一用户相关联的当前位置数据，当前位置数据在历史数据之后被接收，所述当前位置数据包括与第一用户相关联的当前测量出的带时间戳的位置数据以及与第一数据用户相关联的当前推断出的带时间戳的位置数据。在一些实施例中，计算设备基于当前时间段的实体信息和当前位置数据的组合来生成预测信息，所述预测信息包括以下中的至少一个：与在当前时间段和未来时间段中的至少一个内发生的一种类型的用户活动(其也在历史循环时间段中的至少一个中发生)相关联的较高置信度水平的分配，以及对当前时间段和未来时间段中的至少一个中的新类型的用户活动的指示。在一些实施例中，计算设备基于预测信息与当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息，所述上下文理解信息包括对与第一用户的当前位置和第一用户的未来位置中的至少一个相关联的活动、购买和配件(accessory)中的至少一个的建议，并且其中：实时数据包括与第一用户的当前位置和第一用户的未来位置中的至少一个相关联的条件；并且上下文数据与第一用户和第一用户设备之间的交互相关联。
在一些实施例中，确定实体信息还包括：由计算设备基于与第一用户相关联的历史数据以及与第二用户相关联的历史数据中的至少一个来确定在循环历史时间段内发生的第一用户活动的相似性分数，所述相似性分数与在循环历史时间段的第一历史时间段和第二历史时间段期间的第一用户活动之间的相似性的量相关联；并且由计算设备基于第一用户活动和第二用户活动在相同的循环历史时间段内发生的阈值次数来至少将第一用户活动与第二用户活动进行聚合。
在一些实施例中，本文所描述的系统和方法还包括由计算设备将接收到的历史数据转换为以下中的至少一个：时间序列数据，其包括在家中度过的时间、在工作地点中度过的时间、随时间推移与家的距离、随时间推移与工作地点的距离中的至少一个；分类数据，其包括访问餐厅、访问公园、天气状况中的至少一个；数值数据，其包括所访问的不同地点的数量以及外部温度中的至少一个；以及布尔数据。
历史测量出的带时间戳的位置数据和当前测量出的带时间戳的位置数据与由位置跟踪设备收集到的数据相关联，并且历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据包括以下中的至少一个：用户事务；由第一用户进行的手动登记；从定时位置点到与历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据中的至少一个相关联的位置的距离；以及与历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据中的至少一个相关联的天气信息。在一些实施例中，与第一用户的当前位置和第一用户的未来位置中的至少一个相关联的条件包括天气、交通模式、火车时刻表以及餐馆接近度和可用性、第二用户的存在、自先前访问当前位置以来的时间以及新闻事件中的至少一个；并且第一用户与第一用户设备之间的交互包括在第一用户设备上由第一用户访问的多个推送通知。
在查看以下附图、详细描述和权利要求之后，将更全面地理解所公开主题的这些和其他能力。应理解，本文所采用的措辞和术语是出于描述的目的，并且不应视为限制。
附图说明
当结合以下附图考虑时，参考以下对所公开的主题的详细描述，可以更全面地理解所公开的主题的各种目的、特征和优点，其中相同的附图标记标识相同的元件。
图1是示出根据本公开的一些实施例的网络化系统的系统图。
图2是示出根据本公开的一些实施例的用户行为预测模块的图。
图3是示出根据本公开的一些实施例的用户预测模块的图。
图4是示出根据本公开的一些实施例的实体构建模块的图。
图5是示出根据本公开的一些实施例的预测模块的图。
图6是示出根据本公开的一些实施例的格式模块的图。
图7是示出根据本公开的一些实施例的创建实体的示例的图。
图8是示出根据本公开的一些实施例的基于确定用户活动中的模式而向用户提供上下文信息的过程的流程图。
具体实施方式
本公开的实施例涉及识别可以被检测和分类的用户的日常运动中的底层结构(underlying structure)，并且评估用户的历史数据以显露(surface)他/她的日常运动中的底层结构。然后可以使用这些实体来预测用户的未来运动。预测用户的地理空间运动的能力具有广泛的应用范围，范围从提供及时上下文信息(例如，如果用户正去往机场，则提供交通信息或旅行建议；如果用户正前往她的周末小屋，则提供天气信息)的能力到营销机会(如果用户打算工作到很晚，则可享受折扣餐厅膳食)。
在一些实施例中，本文所描述的系统和方法使用位置数据和其他上下文信息来根据行为模式(例如，在办公室的日子，到乡间住宅度过长周末等)对用户日进行聚类。然后，“预测模块”可以分析关于用户的实时数据，并基于检测到的模式进行行为预测。在一些实施例中，模块是高度自适应的，并且可以在新信息变得可获得时调整其预测。
例如，如下面在图1和图2中描述的，可以使用各种技术来收集用户信息并创建派生的社交网络。此外，在于2016年10月20日提交的标题为“System and Method forDetecting Interaction and Influence in Networks”的美国申请号15/298,353中更详细地描述了用于收集用户信息以创建和修改派生社交网络的系统和方法，其内容并入本文。
图1是示出根据本公开的一些实施例的网络化系统100的系统图。图1示出了用户设备102、网络104和服务器106。
用户设备102可以与参与本文所描述的位置跟踪系统和方法的用户相关联，并且可以从参与网络化系统的用户收集信息。在一些实施例中，用户设备102可以包括能够记录和发送关于用户与另一用户或位置的接近度的信息的任何计算机化设备。在一些实施例中，计算机化设备可以包括可以安装有便于数据收集的移动应用的智能电话、平板电脑，计算机、膝上型电脑、汽车或智能手表。
在一些实施例中，用户设备102可以包括车载式数据收集代理(agent)，诸如自动车载诊断模块、遥测和远程信息处理模块、应答器、车载GPS模块以及收集相关数据的其他系统。
在一些实施例中，用户设备102可以包括消费者可穿戴设备或健康监视器(诸如Jawbone Up、Fitbit Charge或Apple Watch设备)。
在一些实施例中，数据可以直接从用户设备102发送到网络104(例如，在移动应用的情况下)，或者可以通过中间步骤进行收集。例如，在车辆遥测系统的情况下，可以利用中间模块来从车载设备收集信息并且在无线链路上将其发送到智能电话，然后可以将其发送到网络104。
在一些实施例中，移动应用可以被安装在用户的智能电话计算设备上，并且向用户提供选择性加入各种数据收集机制的能力。例如，用户可以经由移动应用允许本文所描述的系统收集用户的联系人；Facebook好友；Instagram好友；随时间推移的位置数据以及使用智能电话计算设备、电话和信息传送模式进行的支付。
在一些实施例中，用户设备102可以采用提供有各种连接设备的应用或小程序的形式。例如，嵌入在DVR中的应用可以发送关于观看习惯和偏好的数据，而嵌入在汽车的导航系统中的软件可以发送关于位置和驾驶模式的数据。
本领域技术人员将理解，对可以与本公开中描述的系统一起使用的用户设备的类型和种类没有限制。
网络104使得能够在用户设备102之间进行通信。网络104可以是诸如因特网的公共网络，其中用户设备102和服务器104中的每一个使用诸如Wi-Fi、以太网和4G无线的通信协议经由网关连接。可替选地，网络104可以是诸如局域网(LAN)的闭环网络，其中关系分析系统的各种组件在开放因特网上不可访问。在一些实施例中，可以对经由网络104的通信进行加密，或者可以利用诸如虚拟专用网络(VPN)或安全外壳(SSH)隧道的附加安全协议。
服务器106可以包括一个或多个服务器计算机，其实施用于保存收集到的关于用户的数据的数据库。在一些实施例中，服务器106的特定配置可以取决于多个因素，诸如数据库的类型、数据库的预期大小以及用户性能期望。在一些实施例中，系统是可扩展的，并且可以随着需求增加时添加附加的处理能力。服务器106还可以包括用于执行被配置为处理用户数据的软件的处理器。例如，并且如更详细描述的，服务器可以被配置为分析用户数据以预测用户行为。
图2是示出根据本公开的一些实施例的用户行为预测模块的图。图2示出了位置/时间历史数据202、其他历史数据205、实时数据206，上下文理解(insight)208以及用户行为预测模块210。
位置/时间历史数据202和其他历史数据204连同实时数据206是用户行为预测模块210的输入。位置/时间历史数据202指的是在当前时间之前的一段时间内与用户相关联的带时间戳的位置数据。可以经由能够测量位置并将用户的位置与测量位置的时间点相关联的用户设备(例如，GPS)接收带时间戳的位置数据。其他历史数据204(本文也称为推断出的历史数据)可以包括用户事务、用户在位置处的手动登记、或者与用户相关联的任何其他特征(其可以与在当前时间之前某个时间处(或在一段时间内)收集到的用户的位置有关)。实时数据206是与在当前时间处测量出的与用户相关联的数据。实时数据206可以包括与位置/时间历史数据202以及其他历史数据204相似的数据类型。
如下面更详细描述的，用户行为预测模块处理位置/时间历史数据202、其他历史数据204以及实时数据206，以形成上下文理解208。上下文理解208可以包括基于用户的当前位置或预测的随后的一个或多个位置的辅助信息。在一些实施例中，辅助数据包括对活动、购买和配件中的至少一个的建议。例如，当用户预测模块210预测用户将去他的乡间住宅度过城外周末时，其可以基于目的地处的天气预测来建议适当的衣服。
在一些实施例中，用户行为预测模块210被实施在服务器106中。用户行为预测模块210可以通过网络104将上下文理解208发送到用户设备102。用户行为预测模块210还可以通过网络104从用户设备102接收位置/时间历史数据202、其他历史数据204和实时数据206。
图3是示出根据本公开的一些实施例的用户预测模块210的图。用户预测模块包括实体构建模块302、预测模块304和格式模块306。
构建模块302可以分析用户的过去的行为、根据行为模式对用户的日常习惯进行聚类、并存储检测到的实体312以供将来使用。实体312是对用户体验的日(或其他时间段)类型的抽象表示。当用户日被聚类在一起时，重要的日类型或实体变得明显。例如，对于定期在一天两个活动都参与的用户，“工作+健身日”可以作为一个实体出现，或者对于定期旅行者，“旅行”或“出城”日可以作为实体出现。
预测模块304可以使用实时数据206和来自实体构建模块302的实体312来预测用户当前行为。如下面在随附于图5的文本中更详细地描述的，在一些实施例中，如果与预测相关联的置信度水平不够高或者如果用户行为意外地偏离了模式，则预测模块304可以循环工作，不断地利用新数据提供对预测314的预测和更新。随着时间的推移，可以通过以下来做出预测314：(1)将用户日与具有增加的确定性的特定实体匹配，然后其(2)引导关于可能在当天晚些时候发生的行为的预测。例如，考虑经常有几天去健身房、然后去上班、然后出去吃晚饭的用户；这种日类型可能会成为她的一个实体。如果在特定日，用户从健身房开始，则可以预测用户将在那天晚上出去吃晚饭。如果用户然后在健身房之后去工作，则对于她将出去吃晚饭，可能存在甚至更高的置信度水平。但是，如果用户偏离实体(例如，不去工作)，则对于她后来将出去吃晚饭，可能存在较低的置信度。实体分配所允许的另一类型预测在于实体层面；例如，如果用户通常工作四天并且休息四天，则连续第四个工作日实体的出现预测第二天将不是工作日。同样，如果某一天是旅行日，则第二天或许更有可能是“不在家”类型的实体。
格式模块306可以采用模块304的预测/更新314，并且连同与实时数据206相关联的其他变量和上下文信息一起，决定是否/如何递送上下文理解208。如下面在随附于图6的文本中更详细地描述的，上下文理解208可以指提供有用信息，例如，如果预测用户将停下来喝咖啡(或乘坐火车)，则系统可以提供咖啡馆建议(或关于火车站台变化的信息)。然而，如果系统确定用户已经忽略了过去提供的协助(例如，在一天的这个时间)，则系统可以选择忽略该信息并且不显示该信息。
图4是示出根据本公开的一些实施例的实体构建模块302的图。图4示出了包括转换子模块404、分数计算子模块406和聚合子模块408的实体构建模块。
转换子模块404可以将定时位置点形式的历史用户数据202以及任何被认为有用的附加数据源204(诸如用户过去和现在的重要位置(例如，家、工作、度假屋位置)、以及从定时位置点到这些地点中的每一个的距离、历史天气模式等)(当可获得时)接受作为输入。转换子模块404可以显露概括一个或多个个体(或用户)的关键模式。如本文所使用的位置数据/点202可以是以下任何东西：帮助或将用户分配到位置，通常使用纬度和经度，但还包括从中可以确切地(例如，在餐厅X处、经过该特定的纪念碑)、相对地(例如，在用户Y旁边等)或者部分地(例如，在火车上、吃炸玉米饼等)推断出位置的观察结果(observation)。转换类似于维度降低过程，因为其将大量的位置点转变为包含有价值信息的几个关键参数，但是以一种为每个用户单独定制并且保留意义和可解释性的方式。
例如，具有时间戳的位置形式的用户数据可以被转换为各种特征，包括但不限于时间序列数据(例如，在家/工作/其他所花费的时间、随时间推移的与家庭/工作的距离等)、分类数据(例如，访问餐馆、公园，天气晴朗等)、数值数据(例如，访问的不同地点的数量、室外温度等)、以及布尔数据(例如，提供例如用户是在另一个国家还是在家里的是或否答案的值)。在一些实施例中，布尔数据可以由本文所描述的系统和方法生成。在一些实施例中，可以将查询发送给用户，并将其答案记录为布尔数据。元素(elment)被定义为实体的单个单元(例如，用户日程表的日子)，并且特征相应地被分成其所属的元素。特征允许元素与其他元素进行比较以量化其(dis)相似性。在一些实施例中，可以针对整个分析(例如，咖啡馆访问、火车旅行等)对元素进行预定设置。然而，元素如何组合和聚类对于用户来说可以是唯一的。也就是说，一些特定元素对于一些用户可以是完全随机的，并且不提供任何结构(例如，咖啡馆访问)，但是对于其他用户，相同的元素可以作为聚类之间的主要差异而出现。
在将用户位置点的历史转变为元素之后，分数计算模块406使用提取出的特征来测量指定时间段(例如，天或半天或其他非24小时时段)之间的相似性。由于特征具有各种类型或结构并且可以表示概念上不同的特性，因此可以针对不同的任务构建不同的记分器。在一些实施例中，以特定目的或者为了捕获元素的特定方面来设计每个记分器，元素的特定方面例如，在以下方面两天内的活动(实体)有多相似：记分器1-家-工作通勤时间，记分器2-地图上的轨迹，记分器3-所访问的场所的类型等。因为每个记分器都针对特定任务进行了优化，所以分数可以被聚合为两个元素之间相似性的总体测度。
聚合子模块408可以使用相似性分数(使用分数计算子模块406计算出的)来将实体聚类成相似实体的相干组。无监督学习算法从没有标签的数据中学习结构。无监督聚类是一种类型的无监督学习算法，其中算法设计了结构以在不知道哪些实例属于一起的先验知识的情况下将相似类型的实例分组在一起。聚合子模块408可以利用无监督的学习算法，其将相似的元素聚类在一起并且显露实体，所述实体总结该聚类内的元素并且突出显示定义它的内容并将其与其他元素组区分开。此过程可推广到任何实体，包括多个用户和非24小时时段。所得到的实体312可以在每个用户的自定义简档中表示和可视化，并且即使在预测模块304没有使用这些理解时，也可以在理解他/她的行为模式时提供重要的值(如下所述)。例如，如果两个活动的发生超过一段时间内的阈值次数，则可以将一种类型的活动与另一种类型的活动进行聚类。
图5是示出根据本公开的一些实施例的预测模块的图。图5示出了预测子模块502、预测评估子模块504和更新子模块506。
实体(如上所述，其可以指用户在一段时间内的行为的抽象概要，例如，天)312、历史数据202、204以及实时数据206被输入到预测子模块502中以(例如使用机器学习算法)建立初始预测。例如，随着用户日的发展，到那天为止记录的行为可以与用户的已知的日实体进行比较，并且原始日(proto-day)将被初始地归类为属于其最接近的实体。余弦相似性是相似性测度(measure)的一个示例，其可以被用于揭示矢量化实体之间的相似性以识别最相似的实体(或者确定新的一天不与任何现有实体相似并且可以被标记为异常值)。
然后可以通过预测评估子模块504重新评估预测子模块502的输出。预测评估子模块504对预测的优良度(goodness)进行评估，例如，将置信度与预设阈值进行比较。如果预测足够好，则可以将其输出为预测314。如果预测不够好，则当存在更多数据时，通过新的预测过程将预测循环回去。
在一些实施例中，连续地重新更新数据，直到输出与足够的置信度水平相关联的单个实体预测314。随着用户日(或跨其计算实体的时间帧)流逝，可以重新评估预测，包括先前和新信息。该过程与初始预测相同，其中包括更多信息。如果在初始预测中仅使用少量信息，则该过程尤其有价值。
在一些实施例中，预测模块304的目的在于尽可能早地确认用户所属的确定实体(例如，用户今天晚些时候将遵循哪个日计划)。在这方面，预测模块304寻找尽可能早地透露用户意图的特征(例如实时数据206，诸如乘坐火车而不是汽车的早上通勤可能指示用户去机场而不是工作)。评估预测的置信度，并且做出关于确认其或者返回到预测阶段并等待更多实时数据以便可以更新预测的决定。一旦确认了日计划，则相关联的预测314然后显露(例如，家庭/工作通勤时间、所访问的场所的类型、所使用的交通方式、出国等)以供格式模块306消费。在一些实施例中，如果用户的行为与先前看到的任何行为不同，则可以将用户行为标记为异常值。
图6是示出根据本公开的一些实施例的格式模块的图。图6示出了上下文关注点601、格式子模块602、阈值评估子模块604和递送子模块606。
格式模块306评估实时数据206和上下文信息601的上下文中的预测314(例如，用户最近与应用的交互)，并且使评估结果可用于建议和仪表板显示。
格式子模块601组合来自预测314、实时数据206以及上下文关注点601的信息。利用实时数据206(例如，天气、交通模式、火车时刻表、商家位置和可用性、其他用户的存在、自上次访问以来的时间、类别、特征等)和特定于情形的上下文关注点601(例如，当天已经发送给用户的推送消息的数量)来考虑预测314。该数据被组合在确定是否应该将上下文理解递送给用户的预测模型中。作为示例，并且如下面更详细描述的，逻辑回归可以被用于将相应的预测元素与适当的权重组合以描述可能的分类结果(例如，用户是否将与推送通知交互)。例如，如果预测是用户将停在咖啡馆中，则系统可以建议适当的一个。但是，如果正在下雨并且所有咖啡馆都是露天的，那么建议就不适合发送。类似地，如果在一段时间内用户没有读取推送通知而立即解除所有推送通知，则系统可以确定在该段时间之后的时间处不再发送另一个推送通知。
格式子模块602的输出被输入到阈值评估子模块604，所述阈值评估子模块604针对阈值评估输出以滤除当前上下文中具有低适当性水平的预测314。例如，假如用户不太可能与推送通知进行交互，系统可以评估是否应该向用户发送推送通知。在利害关系较高的情形下(例如，警告用户其航班已被取消或在高速公路上发生事故)，发送这种通知的阈值可能较低，但对于较不紧急重要的信息则较高。然后，递送子模块606使预测314格式化以处理特定用例(use case)(例如，用户是否上班迟到？)这导致了上下文理解208。用例可以是特定问题，也可以是自动显露的理解。
图7是示出根据本公开的一些实施例的创建实体的示例的图。图7中所示的实体类型是日计划。
使用图4中介绍的特征和元素的结构，用户的日程表可以逐日地重新创建和分解702，其中用户的每天作为元素并且日程表是作为一个特征。通过实体构建模块302，相似的日子可以被聚合到其中关键方面显露的组704：例如，用户的原始典型“工作日”706，在该示例中，是通过汽车通勤去上班、在办公室的工作日、下班后在健身房停留和家中的晚上。这允许将相似但不相同的日子被分组在一起并且使其共性显露。如上所述，例如可以使用公共信息来自动构建用户简档或通知实时预测。访问类型712和交通714是通过聚类可以定义实体的元素的示例(例如，通过将汽车作为交通模式来定义日计划A，同时日计划A和B都涉及在工作中花费时间)。
图8是示出根据本公开的一些实施例的基于确定用户活动中的模式而向用户提供上下文信息的过程的流程图。
参考步骤802，接收与第一用户相关联的历史数据。在一些实施例中，历史数据包括与第一用户相关联的历史测量出的带时间戳的位置数据以及与第一数据用户相关联的历史推断出的带时间戳的位置数据。如上所述，历史测量出的带时间戳的位置数据可以包括在一段时间内从用户接收到的位置和时间信息。例如，历史测量出的带时间戳的数据可以包括在一段时间内与用户相关联的带时间戳的GPS坐标集。历史推断出的带时间戳的位置数据还包括在一段时间内从用户接收到的位置和时间信息。推断出的位置数据是指不是使用位置跟踪设备(例如，GPS)测量出的位置数据。例如，推断出的位置点可以包括在商店处的购买或者在特定位置标记用户的社交连接。历史测量出的带时间戳的位置数据和历史推断出的带时间戳的位置数据都可以被存储在服务器106的数据库中。
参考步骤804，确定基于历史数据的实体信息。在一些实施例中，实体信息包括关于在历史循环时间段内发生的用户活动的信息。如上所述，历史循环时间段可以包括循环的持续时间(例如，一天、每四个小时)。关于用户活动的信息可以包括一种类型的用户活动、与用户活动相关联的时间以及历史循环时段内发生用户活动的可能性中的至少一个。
参考步骤806，接收与第一用户相关联的当前位置数据。在一些实施例中，当前位置数据是指在历史数据之后接收到的数据。用于评估当前位置数据的时间段可以被设置为预定时间或对应于用于收集足够数据以生成预测信息的阈值的时间。在一些实施例中，当前位置数据包括与第一用户相关联的当前测量出的带时间戳的位置数据以及与第一数据用户相关联的当前推断出的带时间戳的位置数据。与当前时间段相关联的测量出的和推断出的带时间戳的位置数据以与历史时间段相关联的测量出和推断出的带时间戳的位置数据相似的方式获得。
参考步骤808，基于实体信息和当前位置数据的组合而生成当前时间段的预测信息。在一些实施例中，当前时间段与历史循环时间段相似。例如，如果历史循环时间段是一天，则当前历史循环时间段是一天。在一些实施例中，当前时间段可以与历史循环时间段不同。在一些实施例中，预测信息包括以下中的至少一个：与在当前时间段和未来时间段内发生的一种类型的用户活动(其也在历史循环时间段中发生)相关联的较高置信度水平的分配；以及对当前时间段或者未来时间段中的新类型的用户活动指示。例如，历史实体信息可以包括包括以下活动的一天：家-工作-健身房-工作-在外晚餐-家。用户从家去到工作、去到健身房、并且回到工作的当天的预测信息可以包括对于用户将在外晚餐的更高置信度水平。用户从家去到工作、去到健身房、并且回到工作的当天的预测信息，并且注意到用户的位置靠近保存的朋友的位置可以包括与朋友的位置相关联的新类型的活动(例如，在朋友家吃晚餐)。预测信息还可以包括未来的活动。例如，检测用户在特定时间已经购买了到特定位置的机票，并且可能与新闻事件、天气、用户的社交网络或与未来的位置相关联的其他信息组合，可以被用于预测未来的用户活动(例如，用户具有到朋友居住的国家的旅行计划加上用户与朋友之间的一定数量的通信可以指示用户将访问亲戚家的可能性)。
参考步骤810，基于预测信息与当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息。如上所述，上下文理解信息可包括与第一用户的当前位置相关联的辅助数据。辅助数据可以包括对与当前位置和/或未来位置相关联的活动、购买和访问者中的至少一个的建议。例如，辅助数据可以包括针对用户的预测的旅行基于天气携带适当的衣服。另一个示例可以包括针对预测的与朋友下午外出的相关咖啡店。在一些实施例中，实时数据包括与第一用户的当前位置相关联的条件。如上所述，条件可以包括指示例如当前位置或所预测的位置处的天气或火车与所预测的位置的接近度的实时数据。上下文数据可以与第一用户和第一用户设备之间的交互相关联。例如，上下文数据可以包括例如当天已经发送给用户的推送消息的数量。
本文所描述的主题可以被实施在数字电子电路中，或者被实施在计算机软件、固件或硬件中，包括本说明书中公开的结构装置及其结构等同物或者其组合。本文所描述的主题可以被实施为一个或多个计算机程序产品(诸如被有形地体现在信息载体中(例如，在机器可读存储设备中)或者体现在传播信号中的一个或多个计算机程序)，以用于由数据处理装置(例如，可编程处理器、计算机或多个计算机)执行或控制所述数据处理装置的操作。计算机程序(也称为程序、软件、软件应用或代码)可以以任何形式的编程语言(包括编译或解释语言)编写，并且其可以以任何形式部署，包括作为独立程序或者作为适合在计算环境中使用的模块、组件、子例程或其他单元。计算机程序不一定对应于文件。程序可以被存储在保存其他程序或数据的文件的一部分中、被存储在专用于所讨论的程序的单个文件中、或者被存储在多个协调文件中(例如，存储一个或多个模块、子程序或代码的部分的文件)。计算机程序可以被部署为在一个计算机上执行、或者在一个站点处或跨多个站点分布并且通过通信网络互连的多个计算机上执行。
本说明书中描述的过程和逻辑流程，包括本文所描述的主题的方法步骤，可以由执行一个或多个计算机程序的一个或多个可编程处理器执行，以通过对输入数据进行操作并生成输出来执行本文所描述的主题的功能。过程和逻辑流程还可以由专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))执行，并且本文所描述的主题的装置可以被实施为所述专用逻辑电路。
通过示例，适合于执行计算机程序的处理器包括通用微处理器和专用微处理器两者，以及任何类型的数字计算机的任何一个或多个处理器。通常，处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括一个或多个大容量存储设备(例如磁盘、磁光盘或光盘)或者被可操作地耦合以从用于存储数据的一个或多个大容量存储设备接收数据或将数据传输到所述一个或多个大容量存储设备(或者接受数据和传输数据二者)。适合于实施计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，包括例如半导体存储器设备(例如，EPROM、EEPROM和闪存设备)；磁盘(例如，内部硬盘或可移动磁盘)；磁光盘；以及光盘(例如CD和DVD盘)。处理器和存储器可以由专用逻辑电路补充或者被并入专用逻辑电路中。
为了提供与用户的交互，本文所描述的主题可以被实施在具有用于向用户显示信息的显示设备(例如CRT(阴极射线管)或LCD(液晶显示器)监视器)、用户可以通过其向计算机提供输入的键盘和指示设备(例如，鼠标或轨迹球)的计算机上。其他类型的设备也可以被用于提供与用户的交互。例如，被提供给用户的反馈可以是任何形式的感觉反馈(例如，视觉反馈、听觉反馈或触觉反馈)，并且可以以任何形式(包括声学、语音或触觉输入)接收来自用户的输入。
本文所描述的主题可以被实施在计算设备中，其包括后端组件(例如，数据服务器)、中间件组件(例如，应用服务器)或前端组件(例如，具有用户可以通过其与本文所描述的主题的实施方式交互的图形用户界面或网页浏览器的客户端计算机)，或者这种后端组件、中间件组件和前端组件的任何组合。系统的组件可以通过任何形式或介质的数字数据通信(例如通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)，例如因特网。
应当理解，所公开的主题不限于其应用于构造的细节和在以下描述中阐述的或在附图中示出的组件的布置。所公开的主题能够具有其他实施例并且能够以各种方式实践和实施。此外，应该理解，本文采用的措辞和术语是为了描述的目的，并且不应该被视为限制性的。
这样，本领域技术人员将理解，本公开所基于的概念可以容易地用作设计用于实施所公开主题的若干目的的其他结构、方法和系统的基础。因此，重要的是，权利要求被视为包括这种等同构造，只要它们不脱离所公开主题的精神和范围。
尽管已经在前述示例性实施例中描述和示出了所公开的主题，但是应当理解，本公开仅通过示例进行，并且可以在不脱离所公开的主题的精神和范围(其仅受以下权利要求的限制)的情况下，对所公开的主题的实施细节做出多个改变。

Claims (15)

1.一种确定用户活动中的模式从而基于所述模式提供用户上下文信息的计算机化方法，所述计算机化方法包括：
由计算设备接收与第一用户相关联的历史数据，所述历史数据包括以下中的至少一个：
与所述第一用户相关联的、历史测量出的带时间戳的位置数据，以及
与所述第一数据用户相关联的、历史推断出的带时间戳的位置数据；
由所述计算设备基于所述历史数据来确定实体信息，所述实体信息包括关于在历史循环时间段内发生的用户活动的信息，关于所述用户活动的信息包括以下中的至少一个：
一种类型的用户活动，
与所述用户活动相关联的时间，以及
所述用户活动在所述历史循环时间段内发生的可能性；
由所述计算设备接收与所述第一用户相关联的当前位置数据，所述当前位置数据在所述历史数据之后被接收，所述当前位置数据包括：
与所述第一用户相关联的当前测量出的带时间戳位的位置数据，以及
与所述第一数据用户相关联的当前推断出的带时间戳的位置数据；
由所述计算设备基于当前时间段的所述实体信息以及所述当前位置数据的组合来生成预测信息，所述预测信息包括以下中的至少一个：
与在当前时间段和未来时间段中的至少一个内发生的一种类型的用户活动相关联的较高置信度水平的分配，所述一种类型的用户活动也在所述历史循环时间段中的至少一个中发生，以及
对所述当前时间段和未来时间段中的至少一个中的新类型的用户活动的指示；并且
由所述计算设备基于所述预测信息与所述当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息，所述上下文理解信息包括对与所述第一用户的当前位置和所述第一用户的未来位置中的至少一个相关联的活动、购买和配件中的至少一个的建议，并且其中：
所述实时数据包括与所述第一用户的当前位置和所述第一用户的未来位置中的至少一个相关联的条件，并且
所述上下文数据与所述第一用户和所述第一用户设备之间的交互相关联。
2.根据权利要求1所述的计算机化方法，其中，确定实体信息还包括：
由所述计算设备基于与所述第一用户相关联的历史数据以及与第二用户相关联的历史数据中的至少一个来确定在循环历史时间段内发生的第一用户活动的相似性分数，所述相似性分数与在所述循环历史时间段的第一历史时间段和第二历史时间段期间的所述第一用户活动之间的相似性的量相关联；并且
由所述计算设备基于所述第一用户活动和第二用户活动在相同的循环历史时间段内发生的阈值次数来至少将所述第一用户活动与第二用户活动进行聚合。
3.根据权利要求1所述的计算机化方法，还包括由所述计算设备将接收到的历史数据转换为以下中的至少一个：
时间序列数据，其包括在家中度过的时间、在工作地点中度过的时间、随时间推移与家的距离、随时间推移与工作地点的距离中的至少一个；
分类数据，其包括访问餐厅、访问公园、天气状况中的至少一个；
数值数据，其包括所访问的不同地点的数量以及外部温度中的至少一个；以及
布尔数据。
4.根据权利要求1所述的计算机化方法，其中，所述历史测量出的带时间戳的位置数据和所述当前测量出的带时间戳的位置数据与由位置跟踪设备收集到的数据相关联，并且所述历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据包括以下中的至少一个：
用户事务；
由所述第一用户进行的手动登记；
从定时的位置点到与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的位置的距离；以及
与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的天气信息。
5.根据权利要求1所述的计算机化方法，其中:
与所述第一用户的当前位置和所述第一用户的未来位置中的至少一个相关联的条件包括天气、交通模式、火车时刻表以及餐馆接近度和可用性、第二用户的存在性、自先前访问所述当前位置以来的时间以及新闻事件中的至少一个；并且
所述第一用户与第一用户设备之间的交互包括在所述第一用户设备上由所述第一用户访问的多个推送通知。
6.一种非暂时性计算机可读介质，其具有可操作的可执行指令以致使装置：
接收与第一用户相关联的历史数据，所述历史数据包括以下中的至少一个：
与所述第一用户相关联的、历史测量出的带时间戳的位置数据，以及
与所述第一数据用户相关联的、历史推断出的带时间戳的位置数据；
基于所述历史数据来确定实体信息，所述实体信息包括关于在历史循环时间段内发生的用户活动的信息，关于所述用户活动的信息包括以下中的至少一个：
一种类型的用户活动，
与所述用户活动相关联的时间，以及
所述用户活动在所述历史循环时间段内发生的可能性；
接收与所述第一用户相关联的当前位置数据，所述当前位置数据在所述历史数据之后被接收，所述当前位置数据包括：
与所述第一用户相关联的当前测量出的带时间戳的位置数据，以及
与所述第一数据用户相关联的当前推断出的带时间戳的位置数据；
基于当前时间段的所述实体信息以及所述当前位置数据的组合来生成预测信息，所述预测信息包括以下中的至少一个：
与在所述当前时间段和未来时间段中的至少一个内发生的一种类型的用户活动相关联的较高置信度水平的分配，所述一种类型的用户活动也在所述历史循环时间段中的至少一个中发生，以及
对所述当前时间段和未来时间段中的至少一个中的新类型的用户活动的指示；并且
基于所述预测信息与所述当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息，所述上下文理解信息包括对与所述第一用户的当前位置相关联的活动、购买和配件中的至少一个的建议，并且其中：
所述实时数据包括与所述第一用户的当前位置相关联的条件，并且
所述上下文数据与所述第一用户和第一用户设备之间的交互相关联。
7.根据权利要求6所述的非暂时性计算机可读介质，其中，为了确定实体信息，还致使所述装置：
基于与所述第一用户相关联的历史数据以及与第二用户相关联的历史数据中的至少一个来确定在循环历史时间段内发生的第一用户活动的相似性分数，所述相似性分数与在所述循环历史时间段的第一历史时间段和第二历史时间段期间的所述第一用户活动之间的相似性的量相关联；并且
基于所述第一用户活动和第二用户活动在相同的循环历史时间段内发生的阈值次数来至少将所述第一用户活动与第二用户活动进行聚合。
8.根据权利要求6所述的非暂时性计算机可读介质，其中，还致使所述装置将接收到的历史数据转换为以下中的至少一个：
时间序列数据，其包括在家中度过的时间、在工作地点中度过的时间、随时间推移与家的距离、随时间推移与工作地点的距离中的至少一个；
分类数据，其包括访问餐厅、访问公园、天气状况中的至少一个；
数值数据，其包括所访问的不同地点的数量以及外部温度中的至少一个；以及
布尔数据。
9.根据权利要求6所述的非暂时性计算机可读介质，其中，所述历史测量出的带时间戳的位置数据和所述当前测量出的带时间戳的位置数据与由位置跟踪设备收集到的数据相关联，并且所述历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据包括以下中的至少一个：
用户事务；
由所述第一用户进行的手动登记；
从定时的位置点到与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的位置的距离；以及
与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的天气信息。
10.根据权利要求6所述的非暂时性计算机可读介质，其中：
与所述第一用户的当前位置和所述第一用户的未来位置中的至少一个相关联的条件包括天气、交通模式、火车时刻表以及餐馆接近度和可用性、第二用户的存在性、自先前访问所述当前位置以来的时间以及新闻事件中的至少一个；并且
所述第一用户与第一用户设备之间的交互包括在所述第一用户设备上由所述第一用户访问的多个推送通知。
11.一种用于确定用户活动中的模式从而基于所述模式提供用户上下文信息的计算设备，所述计算设备包括：
数据存储器；以及
处理器，其与所述数据存储器通信，并且被配置为运行被存储在存储器中的模块，所述模块被配置为致使所述处理器：
接收与第一用户相关联的历史数据，所述历史数据包括以下中的至少一个：
与所述第一用户相关联的、历史测量出的带时间戳的位置数据，以及
与所述第一数据用户相关联的、历史推断出的带时间戳的位置数据；
基于所述历史数据来确定实体信息，所述实体信息包括关于在历史循环时间段内发生的用户活动的信息，关于所述用户活动的信息包括以下中的至少一个：
一种类型的用户活动，
与所述用户活动相关联的时间，以及
所述用户活动在所述历史循环时间段内发生的可能性；
接收与所述第一用户相关联的当前位置数据，所述当前位置数据在所述历史数据之后被接收，所述当前位置数据包括：
与所述第一用户相关联的当前测量出的带时间戳的位置数据，以及
与所述第一数据用户相关联的当前推断出的带时间戳的位置数据；
基于当前时间段的所述实体信息以及所述当前位置数据的组合来生成预测信息，所述预测信息包括以下中的至少一个：
与在当前时间段和未来时间段中的至少一个内发生的一种类型的用户活动相关联的较高置信度水平的分配，所述一种类型的用户活动也在所述历史循环时间段中的至少一个中发生，以及
对所述当前时间段和未来时间段中的至少一个中的新类型的用户活动的指示；并且
基于所述预测信息与所述当前位置数据、实时数据和上下文数据中的至少一个的组合来确定上下文理解信息，所述上下文理解信息包括对与所述第一用户的所述当前位置相关联的活动、购买和配件中的至少一个的建议，并且其中：
所述实时数据包括与所述第一用户的当前位置相关联的条件，并且
所述上下文数据与所述第一用户和所述第一用户设备之间的交互相关联。
12.根据权利要求11所述的计算设备，其中，为了确定实体信息，还致使所述处理器：
基于与所述第一用户相关联的历史数据以及与第二用户相关联的历史数据中的至少一个来确定在循环历史时间段内发生的第一用户活动的相似性分数，所述相似性分数与在所述循环历史时间段的第一历史时间段和第二历史时间段期间的所述第一用户活动之间的相似性的量相关联；并且
基于所述第一用户活动和第二用户活动在相同的循环历史时间段内发生的阈值次数来至少将所述第一用户活动与第二用户活动进行聚合。
13.根据权利要求11所述的计算设备，其中，还致使所述处理器将接收的历史数据转换为以下中的至少一个：
时间序列数据，其包括在家中度过的时间、在工作地点中度过的时间、随时间推移与家的距离、随时间推移与工作地点的距离中的至少一个；
分类数据，其包括访问餐厅、访问公园、天气状况中的至少一个；
数值数据，其包括所访问的不同地点的数量以及外部温度中的至少一个；以及
布尔数据。
14.根据权利要求11所述的计算设备，其中，所述历史测量出的带时间戳的位置数据和所述当前测量出的带时间戳的位置数据与由位置跟踪设备收集到的数据相关联，并且所述历史推断出的带时间戳的位置数据和当前推断出的带时间戳的位置数据包括以下中的至少一个：
用户事务；
由所述第一用户进行的手动登记；
从定时的位置点到与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的位置的距离；以及
与所述历史推断出的带时间戳的位置数据和所述当前推断出的带时间戳的位置数据中的至少一个相关联的天气信息。
15.根据权利要求11所述的计算设备，其中：
与所述第一用户的当前位置和所述第一用户的未来位置中的至少一个相关联的条件包括天气、交通模式、火车时刻表以及餐馆接近度和可用性、第二用户的存在性、自先前访问所述当前位置以来的时间以及新闻事件中的至少一个；并且
所述第一用户与第一用户设备之间的交互包括在所述第一用户设备上由所述第一用户访问的多个推送通知。
CN201780015087.1A 2016-03-04 2017-03-03 用于基于位置数据预测用户行为的系统和方法 Pending CN108885723A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662303909P 2016-03-04 2016-03-04
US62/303,909 2016-03-04
PCT/US2017/020733 WO2017152096A1 (en) 2016-03-04 2017-03-03 Systems and methods for predicting user behavior based on location data

Publications (1)

Publication Number Publication Date
CN108885723A true CN108885723A (zh) 2018-11-23

Family

ID=59722800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780015087.1A Pending CN108885723A (zh) 2016-03-04 2017-03-03 用于基于位置数据预测用户行为的系统和方法

Country Status (5)

Country Link
US (1) US11625629B2 (zh)
EP (2) EP4102437A1 (zh)
CN (1) CN108885723A (zh)
RU (1) RU2721176C2 (zh)
WO (1) WO2017152096A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349034A (zh) * 2019-05-30 2019-10-18 阿里巴巴集团控股有限公司 基于物联网终端的项目推荐方法以及装置
CN112926930A (zh) * 2021-04-14 2021-06-08 广州市钛菱云科技有限公司 一种外卖保鲜方法、系统、设备及计算机可读存储介质
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质
CN114265322A (zh) * 2021-12-10 2022-04-01 魏育华 一种智能家居控制方法和系统

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2721176C2 (ru) 2016-03-04 2020-05-18 Аксон Вайб Аг Системы и способы для предсказания поведения пользователя на основе данных о местоположении
US10628001B2 (en) * 2017-06-16 2020-04-21 General Electric Company Adapting user interfaces based on gold standards
US11036523B2 (en) 2017-06-16 2021-06-15 General Electric Company Systems and methods for adaptive user interfaces
US20190124170A1 (en) * 2017-10-19 2019-04-25 Facebook, Inc. Systems and methods for retaining meaningful connections
CN107992530A (zh) * 2017-11-14 2018-05-04 北京三快在线科技有限公司 信息推荐方法及电子设备
TWI698806B (zh) * 2018-08-10 2020-07-11 財團法人資訊工業策進會 動作資料標記裝置、方法及非暫態電腦可讀取記錄媒體
JP2020077262A (ja) * 2018-11-08 2020-05-21 トヨタ自動車株式会社 情報処理システム、サーバ、プログラム、及び情報処理方法
US20220237637A1 (en) * 2018-12-18 2022-07-28 Meta Platforms, Inc. Systems and methods for real time crowdsourcing
US20220120607A1 (en) * 2019-02-06 2022-04-21 Nec Corporation Optical fiber sensing system, monitoring apparatus, monitoring method, and computer readable medium
CN111121809A (zh) * 2019-12-25 2020-05-08 上海博泰悦臻电子设备制造有限公司 一种推荐方法、装置及计算机存储介质
CN111259261B (zh) * 2020-01-02 2023-09-26 中国铁道科学研究院集团有限公司通信信号研究所 基于状态迁移预测的高铁行车网络协同报警优化方法
CN111242553B (zh) * 2020-01-17 2023-05-26 珠海市横琴盈实科技研发有限公司 智能配送方法、装置、计算机设备和存储介质
US20210264381A1 (en) * 2020-02-24 2021-08-26 Steady Platform Llc Shift identification
JP2022114389A (ja) * 2021-01-26 2022-08-05 日本電気株式会社 推定装置、推定方法及び推定プログラム
US11960599B2 (en) * 2021-02-26 2024-04-16 International Business Machines Corporation Classifying users of a database
WO2023043268A1 (en) * 2021-09-17 2023-03-23 Samsung Electronics Co., Ltd. Methods and electronic devices for behavior detection using federated learning
US20230297901A1 (en) * 2022-03-21 2023-09-21 C3.Ai, Inc. Entity relation strength identification using spatiotemporal data

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100262487A1 (en) * 2009-04-06 2010-10-14 Globys Inc. Contextual targeting based upon customer occasions
CN102037481A (zh) * 2008-03-19 2011-04-27 苹果核网络股份有限公司 用于检测行为模式的方法及设备
CN104040575A (zh) * 2011-10-18 2014-09-10 厦姆技术有限公司 用于基于富集用户简档来改善用户对设备的体验或设备性能的方法、装置以及计算机程序产品
CN104662528A (zh) * 2012-08-07 2015-05-27 谷歌公司 媒体内容接收装置及利用社交网络和社交圈的媒体内容的分配
CN105072591A (zh) * 2015-08-11 2015-11-18 中山大学 一种基于移动终端的个性化信息推送方法及系统

Family Cites Families (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004051580A1 (en) 2002-12-05 2004-06-17 Koninklijke Philips Electronics N.V. Transportation payment
CN100595787C (zh) 2003-09-05 2010-03-24 松下电器产业株式会社 访问场所确定装置及访问场所确定方法
US20090018918A1 (en) * 2004-11-04 2009-01-15 Manyworlds Inc. Influence-based Social Network Advertising
US20070100651A1 (en) 2005-11-01 2007-05-03 Jorey Ramer Mobile payment facilitation
US20080059207A1 (en) 2006-09-01 2008-03-06 Nokia Corporation System and method for content functionality
US8401009B1 (en) * 2007-07-23 2013-03-19 Twitter, Inc. Device independent message distribution platform
KR101195630B1 (ko) 2007-11-14 2012-10-31 콸콤 인코포레이티드 프로파일에 기반하여 타깃 콘텐츠 메시지들의 적절성을 결정하기 위해 지리적 사용자 프로파일을 결정하기 위한 방법들 및 시스템들
US11159909B2 (en) 2008-02-05 2021-10-26 Victor Thomas Anderson Wireless location establishing device
US20100169134A1 (en) 2008-12-31 2010-07-01 Microsoft Corporation Fostering enterprise relationships
US20120047087A1 (en) 2009-03-25 2012-02-23 Waldeck Technology Llc Smart encounters
AU2010271244B2 (en) * 2009-07-09 2014-12-11 Cubic Corporation Predictive techniques in transit alerting
US8321527B2 (en) 2009-09-10 2012-11-27 Tribal Brands System and method for tracking user location and associated activity and responsively providing mobile device updates
US20120137367A1 (en) 2009-11-06 2012-05-31 Cataphora, Inc. Continuous anomaly detection based on behavior modeling and heterogeneous information analysis
EP2507759A2 (en) 2009-12-01 2012-10-10 France Telecom Behavior and attention targeted notification system and method of operation thereof
US9767474B1 (en) 2010-03-23 2017-09-19 Amazon Technologies, Inc. Transaction tracking and incentives
US8983978B2 (en) 2010-08-31 2015-03-17 Apple Inc. Location-intention context for content delivery
US20120095862A1 (en) 2010-10-15 2012-04-19 Ness Computing, Inc. (a Delaware Corportaion) Computer system and method for analyzing data sets and generating personalized recommendations
US20130060635A1 (en) 2011-03-04 2013-03-07 Tristan Walker System and method for managing and redeeming offers with a location-based service
US10438299B2 (en) * 2011-03-15 2019-10-08 Visa International Service Association Systems and methods to combine transaction terminal location data and social networking check-in
US9747285B1 (en) 2011-06-23 2017-08-29 Adam Laufer Geolocation systems and methods for searching for entertainment events
EP2735187A4 (en) 2011-07-20 2015-12-02 Ebay Inc LOCATION-CONSIDERED REAL-TIME RECOMMENDATIONS
US20130030964A1 (en) 2011-07-26 2013-01-31 Ebay, Inc. Location-based payer charging system
US10127563B2 (en) 2011-09-15 2018-11-13 Stephan HEATH System and method for providing sports and sporting events related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, gambling and/or services integrated with 3D spatial geomapping, company and local information for selected worldwide locations and social networking
US9710821B2 (en) 2011-09-15 2017-07-18 Stephan HEATH Systems and methods for mobile and online payment systems for purchases related to mobile and online promotions or offers provided using impressions tracking and analysis, location information, 2D and 3D mapping, mobile mapping, social media, and user behavior and
US8909771B2 (en) 2011-09-15 2014-12-09 Stephan HEATH System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets
US8650252B2 (en) 2011-09-28 2014-02-11 Facebook, Inc. Instantaneous recommendation of social interactions in a social networking system
US8892461B2 (en) * 2011-10-21 2014-11-18 Alohar Mobile Inc. Mobile device user behavior analysis and authentication
US9382055B2 (en) 2011-11-15 2016-07-05 Timothy W. Dziuk Apparatus and method for displacing air from wine containers
DE202012100620U1 (de) 2011-11-22 2012-06-13 Square, Inc. System zur Bearbeitung von kartenlosen Bezahlungstransaktionen
US8463295B1 (en) 2011-12-07 2013-06-11 Ebay Inc. Systems and methods for generating location-based group recommendations
JP5785869B2 (ja) * 2011-12-22 2015-09-30 株式会社日立製作所 行動属性分析プログラムおよび装置
US8660867B2 (en) 2012-01-17 2014-02-25 Intuit Inc. Method and system for automated transportation use tracking and billing
US20130246125A1 (en) 2012-03-15 2013-09-19 Visa U.S.A, Inc. Service Provider Analytics
US9799020B2 (en) 2012-04-27 2017-10-24 Mastercard International Incorporated Method for providing payment card security using registrationless telecom geolocation capture
US8401923B1 (en) 2012-05-04 2013-03-19 Transengine Technologies, LLC Method for a ticket exchange across different systems of record
US20130297448A1 (en) 2012-05-04 2013-11-07 Transengine Technologies, LLC Method and device for exchanging semi-fungible goods and services
IN2014KN03045A (zh) * 2012-06-22 2015-05-08 Google Inc
US8943126B1 (en) * 2012-08-21 2015-01-27 Google Inc. Rate limiter for push notifications in a location-aware service
US8843951B1 (en) * 2012-08-27 2014-09-23 Google Inc. User behavior indicator
US9338622B2 (en) 2012-10-04 2016-05-10 Bernt Erik Bjontegard Contextually intelligent communication systems and processes
US9530314B2 (en) * 2013-08-08 2016-12-27 Accenture Global Services Limited Dynamic ETA and STA transportation system
US9558242B2 (en) 2013-10-15 2017-01-31 Google Inc. Social where next suggestion
WO2015056269A1 (en) 2013-10-20 2015-04-23 Anagog Ltd Method, system and product for automatic parking payment and policy detection
US10319013B2 (en) 2013-10-28 2019-06-11 Square, Inc. Electronic ordering system
US9471912B2 (en) * 2014-02-06 2016-10-18 Verto Analytics Oy Behavioral event measurement system and related method
AU2014386266A1 (en) * 2014-03-13 2016-09-29 Uber Technologies, Inc. Configurable push notifications for a transport service
US9959508B2 (en) * 2014-03-20 2018-05-01 CloudMade, Inc. Systems and methods for providing information for predicting desired information and taking actions related to user needs in a mobile device
US10026083B1 (en) 2014-05-11 2018-07-17 Square, Inc. Tab for a venue
US20160026936A1 (en) 2014-07-25 2016-01-28 Facebook, Inc. Event-based ridesharing
WO2016068854A1 (en) 2014-10-27 2016-05-06 Facebook, Inc. Facilitating sending and receiving of payments using message-based contextual prompts
US20160117665A1 (en) 2014-10-27 2016-04-28 Facebook, Inc. Facilitating initiating payments without a payment credential
US20160117666A1 (en) 2014-10-27 2016-04-28 Facebook, Inc. Facilitating sending and receiving of peer-to-peer payments
US20160117651A1 (en) 2014-10-27 2016-04-28 Facebook, Inc. Facilitating sending and receiving of payments between users in a group
CN104486298B (zh) * 2014-11-27 2018-03-09 小米科技有限责任公司 识别用户行为的方法及装置
US20160180316A1 (en) 2014-12-17 2016-06-23 Facebook, Inc. Techniques to automatically predict and configure payment transactions
US10620010B2 (en) * 2015-02-05 2020-04-14 Moovit App Global Ltd Public and ordered transportation trip planning
US9754485B2 (en) * 2015-06-16 2017-09-05 DataSpark, PTE. LTD. Traffic prediction and real time analysis system
US11734958B2 (en) * 2015-06-19 2023-08-22 eConnect, Inc. Predicting behavior from surveillance data
RU2742457C2 (ru) 2015-10-20 2021-02-05 Аксон Вайб Аг Система и способ выявления взаимодействия и влияния в сетях
RU2721176C2 (ru) 2016-03-04 2020-05-18 Аксон Вайб Аг Системы и способы для предсказания поведения пользователя на основе данных о местоположении
US20170270422A1 (en) * 2016-03-16 2017-09-21 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102037481A (zh) * 2008-03-19 2011-04-27 苹果核网络股份有限公司 用于检测行为模式的方法及设备
US20100262487A1 (en) * 2009-04-06 2010-10-14 Globys Inc. Contextual targeting based upon customer occasions
CN104040575A (zh) * 2011-10-18 2014-09-10 厦姆技术有限公司 用于基于富集用户简档来改善用户对设备的体验或设备性能的方法、装置以及计算机程序产品
CN104662528A (zh) * 2012-08-07 2015-05-27 谷歌公司 媒体内容接收装置及利用社交网络和社交圈的媒体内容的分配
CN105072591A (zh) * 2015-08-11 2015-11-18 中山大学 一种基于移动终端的个性化信息推送方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YING HUANG等: "An effective hybrid learning system for telecommunication churn prediction", 《SCIENCEDIRECT》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349034A (zh) * 2019-05-30 2019-10-18 阿里巴巴集团控股有限公司 基于物联网终端的项目推荐方法以及装置
CN112926930A (zh) * 2021-04-14 2021-06-08 广州市钛菱云科技有限公司 一种外卖保鲜方法、系统、设备及计算机可读存储介质
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质
CN114265322A (zh) * 2021-12-10 2022-04-01 魏育华 一种智能家居控制方法和系统
CN114265322B (zh) * 2021-12-10 2024-04-30 广州华立科技职业学院 一种智能家居控制方法和系统

Also Published As

Publication number Publication date
EP3423962A1 (en) 2019-01-09
RU2018134603A3 (zh) 2020-04-06
US11625629B2 (en) 2023-04-11
US20170255868A1 (en) 2017-09-07
EP3423962A4 (en) 2019-10-02
EP4102437A1 (en) 2022-12-14
RU2721176C2 (ru) 2020-05-18
RU2018134603A (ru) 2020-04-06
WO2017152096A1 (en) 2017-09-08

Similar Documents

Publication Publication Date Title
CN108885723A (zh) 用于基于位置数据预测用户行为的系统和方法
Becker et al. Modeling free-floating car-sharing use in Switzerland: A spatial regression and conditional logit approach
Chen et al. Fine-grained prediction of urban population using mobile phone location data
Balcik et al. Last mile distribution in humanitarian relief
Liang et al. The scaling of human mobility by taxis is exponential
Xu et al. Predicting demand for 311 non-emergency municipal services: An adaptive space-time kernel approach
Wu et al. Uapd: Predicting urban anomalies from spatial-temporal data
CN109891190B (zh) 基于衍生社交网络对个人进行地理定位
Haraguchi et al. Human mobility data and analysis for urban resilience: A systematic review
Habib An investigation on mode choice and travel distance demand of older people in the National Capital Region (NCR) of Canada: application of a utility theoretic joint econometric model
Wang et al. Role of travel information in supporting travel decision adaption: exploring spatial patterns
Chamberlain et al. The impact of the spatial mismatch between parolee and employment locations on recidivism
Davies et al. Patterns in the supply and demand of urban policing at the street segment level
Doherty et al. Georeferencing incidents from locality descriptions and its applications: a case study from Yosemite National Park search and rescue
Zhang et al. Vehicle traffic delay prediction in ferry terminal based on Bayesian multiple models combination method
Mehadil Orvin et al. Modeling destination choice behavior of the dockless bike sharing service users
Reyad et al. Real-time crash-risk optimization at signalized intersections
Lee et al. Taxi vacancy duration: a regression analysis
Ronald et al. Simulating ad-hoc demand-responsive transportation: a comparison of three approaches
Li et al. Comparison of door-to-door transit travel time estimation using schedules, real-time vehicle arrivals, and smartcard inference methods
Nicoletta et al. Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services
Hu et al. Discovering urban travel demands through dynamic zone correlation in location-based social networks
Vu et al. Bus running time prediction using a statistical pattern recognition technique
Guo et al. Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations
Ching et al. A user-flocksourced bus experiment in Dhaka: New data collection technique with smartphones

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181123