CN107111811B - 用于授权交易的最佳便利性度量的基于模型的预测 - Google Patents

Abstract

本公开描述用于授权的系统和方法。该方法可以包括由授权引擎针对用户的交易从数据库访问用户的活动模式模型，用户的活动模式模型可以指示用户随时间的地理空间行为。授权引擎可以确定可用于促进交易的传感器集合，传感器中的每一个在交易之前被分配有可用性值。授权引擎可以访问传感器的活动模式模型，传感器的活动模式模型指示传感器中一个或多个传感器随时间的地理空间特点。授权引擎可以使用用户的活动模式模型、传感器的活动模式模型以及对应传感器的可用性值来确定用于传感器的多个子集中的每一个子集的便利性度量。多个子集中的每一个子集可以包括可以组合使用以促进交易的对应传感器。授权引擎可以使用所确定的便利性度量从多个子集中选择用于交易的子集。

Description

用于授权交易的最佳便利性度量的基于模型的预测

相关申请

本申请要求于2014年11月19日提交的美国临时专利申请号62/082,070的优先权和权益。出于所有目的，该美国临时专利申请的全部内容通过引用被结合于此。

技术领域

本公开一般而言涉及用于授权交易的系统和方法，包括但不限于用于预测授权交易的便利性度量的系统和方法。

背景技术

计算设备的多样性和数量呈指数级增长。例如，存在诸如智能电话和平板电脑的手持式设备、还可以用于web购物的阅读设备，以及还有传统的桌面计算平台。这些平台中的每一个平台都可以具有可以用来执行交易的不同的硬件和软件能力。例如，这些能力中的一些可能提供防止欺诈的安全措施。但是，这些能力和特征可以从一个产品发布到另一个产品发布迅速改变。对于任何给定的交易，这些特征中的一些可能不是始终可用。例如，设备的GPS(全球定位系统)特征在室内可能不可用。因此，难以依赖单个特征作为保护每一个交易(或者甚至交易的子集)的完整性的安全措施。

发明内容

本发明的一些实施例一般而言涉及用于预测授权交易的最佳便利性度量的装置、系统和方法。在交易的执行中，对于用户的便利性正在成为重要的约束。在一些实施例中，交易可以是在销售点处的金融交易、在计算机访问点处的逻辑交易、或者可以是用户与一个或多个传感器的任何被动交互或主动交互，其中传感器的至少一个属性(诸如，其标识号)是已知的。例如，传感器可以是生物特征传感器(诸如，虹膜匹配设备或指纹匹配设备)或者蓝牙低功率接近传感器。由于物联网(IoT)的发展，用户和传感器之间的这种被动交易或主动交易正在变得越来越普遍，其中物联网是现有互联网基础设施内可唯一识别的嵌入式计算设备的互连。

由于可用性，生物特征传感器的部署和广泛采用有时是受限的，其中生物特征获取系统可能缺乏用户友好的设计，并被证明对于由典型用户使用是困难或不方便的。在例如应用于金融交易的一些实施例中，确定最佳便利性度量可以是有利的，该最佳便利性度量优化或改善用户完成交易的可能性(由于其便利性或可用性)同时还优化或改善对于授权交易的系统的净预期货币或其它利益。

在例如应用于企业资源计划(ERP)或逻辑访问应用的一些实施例中，目标可以是确定最佳便利性度量，该最佳便利性度量优化或改善用户在执行交易时花费的时间或努力，同时优化或改善净潜在货币损失或资产的其它损失，系统通过授权交易提供对该资产的访问。

描述了一种用于预测用来授权交易的最佳便利性度量的方法。在一些实施例中，使用可能已经在具有不同传感器的潜在不同位置处主动地执行或被动地执行的先前交易并且使用可能部分地基于便利性的经济价值的模型来确定最佳便利性度量的预测。

在例如与金融交易相关的一些实施例中，便利性度量的最佳预测可以对应于最大化系统从交易中获得的净预期货币利益。

在例如与ERP或逻辑访问应用相关的一些实施例中，便利性度量的最佳预测可以对应于最小化作为执行交易的结果而由系统产生的净潜在货币成本。

一方面，本公开针对授权的方法。该方法可以包括由授权引擎针对用户的交易从数据库访问用户的活动模式模型。用户的活动模式模型可以指示用户随时间的地理空间行为。授权引擎可以确定可用于促进交易的传感器的集合，传感器中的每一个在交易之前被分配有可用性值。授权引擎可以访问传感器的活动模式模型，该传感器的活动模式模型指示一个或多个传感器随时间的地理空间特点。授权引擎可以使用用户的活动模式模型、传感器的活动模式模型和对应传感器的可用性值来确定用于传感器的多个子集中的每一个子集的便利性度量。多个子集中的每一个子集可以包括可以组合使用以促进交易的对应传感器。授权引擎可以使用所确定的便利性度量来从多个子集中选择用于交易的子集。

在一些实施例中，对应传感器的可用性值指示向对应的传感器提供输入(例如，对传感器的正确或适当的输入，和/或导致来自传感器的正确或适当的输出响应的输入)的用户努力量(例如，按时间测量)。在某些实施例中，所选择的传感器子集包括生物特征传感器。在一些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括在交易的至少部分期间被动态更新(例如，基于所获得的后续测量)的部件。在某些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括以下至少一个：序列模型、速度模型、周期模型、栖息地模型或神经网络模型。

在一些实施例中，授权引擎使用在交易之前获得的传感器中的至少一个传感器的输出来确定用于多个子集中的每一个子集的便利性度量。在某些实施例中，授权引擎使用传感器中的至少一个传感器的设备特定的度量来确定用于多个子集中的每一个子集的便利性度量，该设备特定的度量包括错误接受率、错误拒绝率或所获取的生物特征的质量。在一些实施例中，授权引擎使用在交易之前获得的与第一集合的传感器不同的至少一个传感器的输出来确定用于多个子集中每一个子集的便利性度量。在某些实施例中，从多个子集中选择用于交易的子集包括：由授权引擎针对多个子集中的每一个子集使用对应的便利性度量来确定来自于授权该交易的预期收入；以及由授权引擎从多个子集中选择用于该交易的子集，所选择的子集被确定为具有高于传感器的多个子集中其它子集的预期收入的预期收入。在一些实施例中，预期收入结合以下中的至少一个：来自授权交易的正确确定的利益或收入、由于授权交易的不正确确定导致的潜在损失，或者由于失去作为顾客的用户而导致的预期收入损失。

另一方面，本公开针对授权系统。该系统可以包括可用于促进由用户进行的交易的传感器的集合。数据库可以被配置成存储用户的活动模式模型和传感器的活动模式模型中的至少一个。授权引擎可以被配置成针对交易而从数据库访问用户的活动模式模型。用户的活动模式模型可以指示用户随时间的地理空间行为。授权引擎可以被配置成确定可用于促进交易的传感器的集合，传感器中的每一个在交易之前被分配有可用性值。授权引擎可以被配置成访问传感器的活动模式模型，该传感器的活动模式模型指示一个或多个传感器随时间的地理空间特点。授权引擎可以被配置成使用用户的活动模式模型、传感器的活动模式模型和对应传感器的可用性值来确定用于传感器的多个子集中的每一个子集的便利性度量。多个子集中的每一个子集可以包括可以组合使用以促进交易的对应传感器。授权引擎可以被配置成使用所确定的便利性度量来从多个子集中选择用于交易的子集。

在一些实施例中，对应传感器的可用性值指示向对应传感器提供输入的用户努力量。在某些实施例中，所选择的传感器子集包括生物特征传感器。在一些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括在交易的部分期间被动态更新的部件。在某些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括以下中的至少一个：序列模型、速度模型、周期模型、栖息地模型或神经网络模型。在一些实施例中，授权引擎被配置成使用在交易之前获得的传感器中的至少一个传感器的输出来确定用于多个子集中的每一个子集的便利性度量。

在一些实施例中，授权引擎被配置成使用传感器中的至少一个传感器的设备特定的度量来确定用于多个子集中的每一个子集的便利性度量，其中设备特定的度量包括错误接受率、错误拒绝率或所获取的生物特征的质量。在一些实施例中，授权引擎被配置成使用在交易之前获得的与第一集合的传感器不同的至少一个传感器的输出来确定用于多个子集中的每一个子集的便利性度量。在一些实施例中，授权引擎被配置成从多个子集中选择用于交易的子集，包括：由授权引擎针对多个子集中的每一个子集使用对应的便利性度量来确定来自于授权该交易的预期收入；以及由授权引擎从多个子集中选择用于该交易的子集，所选择的子集被确定为具有高于传感器的多个子集中其它子集的预期收入的预期收入。在一些实施例中，预期收入结合以下中的至少一个：来自授权交易的正确确定的利益或收入、由于授权交易的不正确确定导致的潜在损失，或者由于失去作为顾客的用户而导致的预期收入损失。

应当认识到的是，前述概念和以下更详细讨论的附加概念的所有组合(假如这些概念不是相互不一致的)被预期为是本文公开的发明性主题的一部分。特别地，在本公开的结尾处出现的所要求保护的主题的所有组合都被预期为是本文公开的发明性主题的一部分。还应当认识到的是，也可以出现在通过引用结合于此的任何公开中的在本文明确采用的术语应当符合与本文公开的特定概念最一致的含义。

附图说明

技术人员将理解的是，附图主要是为了说明的目的，并不是旨在限制本文所述的发明性主题的范围。附图不一定是按比例绘制的；在一些情况下，本文公开的发明性主题的各个方面可以在附图中被夸大或放大示出，以促进理解不同特征。在附图中，相同的标号一般是指相同的特征(例如，功能上类似的元件和/或结构上类似的元件)。

图1A是图示具有与服务器通信的客户端机器的联网环境的实施例的框图。

图1B和1C是图示用于实践本文所述方法和系统的计算机器的实施例的框图。

图2A是根据一些实施例的指示传感器的不同位置以及当用户与传感器交互时他/她随时间的空间路径的图；

图2B是根据一些实施例的指示可以测量用户的特点的生物特征传感器模块的框图；

图3是根据一些实施例的指示安装在可由用户持有的移动设备上的生物特征传感器模块和非生物特征传感器模块的框图；

图4是根据一些实施例的指示连接到输出传感器数据的翻译模块的生物特征传感器模块和非生物特征传感器模块的框图；

图5是根据一些实施例的指示用于用户的用户参数和预定活动模式模型的框图；

图6是根据一些实施例的指示用于传感器的移动设备参数、其它传感器参数和预定活动模式模型的框图；

图7是根据一些实施例的指示由参数集合表示的活动模式模型的类型的框图；

图8是图示根据一些实施例的最佳便利性度量的基于模型的预测的框图；

图9是根据一些实施例的用于预测最佳便利性度量的处理系统的示意图；

图10描绘总体便利性度量与摩擦度量(friction metric)之间的关系的一个实施例；以及

图11是图示根据一些实施例的用于授权交易的预测最佳便利性度量的方法的流程图。

具体实施方式

应当认识到的是，前述概念和以下更详细讨论的附加概念的所有组合(假如这些概念不是相互不一致的)被预期为是本文公开的发明性主题的一部分。特别地，在本公开的结尾处出现的所要求保护的主题的所有组合都被预期为是本文公开的发明性主题的一部分。还应当认识到的是，也可以出现在通过引用结合于此的任何公开中的在本文明确采用的术语应当符合与本文公开的特定概念最一致的含义。

为了阅读以下各种实施例的描述，以下对说明书的各章节及其相应内容的描述会是有帮助的：

-章节A描述可能对实践本文所述的实施例有用的网络环境和计算环境；以及

-章节B描述用于为授权交易预测最佳便利性度量的系统和方法的实施例。

A.网络和计算环境

在提出本解决方案的具体实施例之前，适于在本系统和方法中使用的系统部件和特征的描述会是有帮助的。图1A图示包括与一个或多个服务器106A-106N(在本文统称为“(一个或多个)服务器106”)通信的一个或多个客户端机器102A-102N(在本文统称为“(一个或多个)客户端机器102”)的计算环境101的一个实施例。安装在(一个或多个)客户端机器102和(一个或多个)服务器106之间的是网络。

在一个实施例中，计算环境101可以包括安装在(一个或多个)服务器106和(一个或多个)客户端机器102之间的设备。这种设备可以管理客户端/服务器连接，并且在一些情况下可以在多个后端服务器之间负载平衡客户端连接。在一些实施例中，(一个或多个)客户端机器102可以被称为单个客户端机器102或客户端机器102的单个组，而(一个或多个)服务器106可以被称为单个服务器106或服务器106的单个组。在一个实施例中，单个客户端机器102与多于一个服务器106通信，而在另一个实施例中，单个服务器106与多于一个客户端机器102通信。在再另一个实施例中，单个客户端机器102与单个服务器106通信。

在一些实施例中，可以通过以下术语中的任何一个引用客户端机器102：(一个或多个)客户端机器102；(一个或多个)客户端；(一个或多个)客户端计算机；(一个或多个)客户端设备；(一个或多个)客户端计算设备；本地机器；远程机器；(一个或多个)客户端节点；(一个或多个)端点；(一个或多个)端点节点；或第二机器。在一些实施例中，可以通过以下术语中的任何一个引用服务器106：(一个或多个)服务器；本地机器；远程机器；(一个或多个)服务器场；(一个或多个)主机计算设备，或(一个或多个)第一机器。

在一些实施例中，客户端机器102可以执行、操作或以其它方式提供可以是以下任何一个的应用：软件；程序；可执行指令；虚拟机；管理程序；web浏览器；基于web的客户端；客户端-服务器应用；瘦客户端计算客户端；ActiveX控件；Java小程序；与互联网语音协议(VoIP)通信相关的软件，如软IP电话；用于流传输视频和/或音频的应用；用于促进实时数据通信的应用；HTTP客户端；FTP客户端；Oscar客户端；Telnet客户端；或可执行指令的任何其它集合。还有其它实施例包括显示由在服务器106或其它远程定位的机器上远程执行的应用生成的应用输出的客户端设备102。在这些实施例中，客户端设备102可以在应用窗口、浏览器或其它输出窗口中显示应用输出。在一个实施例中，应用是桌面，而在其它实施例中，应用是生成桌面的应用。

计算环境101可以包括多于一个服务器106A-106N，使得服务器106A-106N被逻辑地分组在一起成为服务器场106。服务器场106可以包括在地理上分散并且在逻辑上分组在服务器场106中的服务器106，或者靠近彼此定位并且在逻辑上分组在服务器场106中的服务器106。在一些实施例中，服务器场106内地理上分散的服务器106A-106N可以使用WAN、MAN或LAN进行通信，其中不同的地理区域可以被表征为：不同的大洲；大洲的不同地区；不同的国家；不同的州；不同的城市；不同的校区；不同的房间；或者前述地理位置的任意组合。在一些实施例中，服务器场106可以作为单个实体管理，而在其它实施例中，服务器场106可以包括若干服务器场106。

在一些实施例中，服务器场106可以包括执行基本上类似类型的操作系统平台(例如，UNIX、LINUX或SNOW LEOPARD，由Redmond，Washington的Microsoft公司制造的WINDOWSNT)的服务器106。在其它实施例中，服务器场106可以包括执行第一类型的操作系统平台的第一组服务器106和执行第二类型的操作系统平台的第二组服务器106。在其它实施例中，服务器场106可以包括执行不同类型的操作系统平台的服务器106。

在一些实施例中，服务器106可以是任何服务器类型。在其它实施例中，服务器106可以是以下服务器类型中的任何一种：文件服务器；应用服务器；网络服务器；代理服务器；设备；网络设备；网关；应用网关；网关服务器；虚拟化服务器；部署服务器；SSL VPN服务器；防火墙；web服务器；应用服务器或者作为主应用服务器；执行活动目录的服务器106；或者执行提供防火墙功能、应用功能或负载均衡功能的应用加速程序的服务器106。在一些实施例中，服务器106可以是包括远程认证拨入用户服务的RADIUS服务器。一些实施例包括第一服务器106A，该第一服务器106A接收来自客户端机器102的请求、将该请求转发到第二服务器106B，并且用来自第二服务器106B的响应对由客户端机器102生成的请求进行响应。第一服务器106A可以获取对客户端机器102可用的应用的枚举，以及获取与托管在应用的列举中识别出的应用的应用服务器106相关联的地址信息。第一服务器106A然后可以使用web接口呈现对客户端的请求的响应，并且直接与客户端102通信，以向客户端102提供对识别出的应用的访问。

在一些实施例中，客户端机器102可以是寻求对由服务器106提供的资源的访问的客户端节点。在其它实施例中，服务器106可以向客户端102或客户端节点提供对被托管的资源的访问。在一些实施例中，服务器106充当主节点，使得它可以与一个或多个客户端102或服务器106通信。在一些实施例中，主节点可以识别并向一个或多个客户端102或服务器106提供与托管所请求的应用的服务器106相关联的地址信息。在再其它实施例中，主节点可以是服务器场106、客户端102、客户端节点102的集群，或设备。

一个或多个客户端102和/或一个或多个服务器106可以经安装在计算环境101内的机器和设备之间的网络104传输数据。网络104可以包括一个或多个子网，并且可以安装在以下的任何组合之间：客户端102、服务器106、包括在计算环境101内的计算机和设备。在一些实施例中，网络104可以是：局域网(LAN)；城域网(MAN)；广域网(WAN)；由位于客户端机器102和服务器106之间的若干子网104组成的主网络104；具有私有子网104的主公共网络104；具有公共子网104的主专用网络104；或者具有专用子网104的主专用网络。还有另外的实施例包括可以是以下网络类型中的任何一种的网络104：点对点网络；广播网络；电信网络；数据通信网络；计算机网络；ATM(异步传输模式)网络；SONET(同步光纤网络)网络；SDH(同步数字体系)网络；无线网络；有线网络；或者包括无线链路的网络104，其中该无线链路可以是红外信道或卫星频带。网络104的网络拓扑在不同的实施例中可以不同，可能的网络拓扑包括：总线网络拓扑；星形网络拓扑；环形网络拓扑；基于中继器的网络拓扑；或者分层-星形网络拓扑。附加的实施例可以包括使用协议在移动设备之间通信的移动电话网络的网络104，其中协议可以是以下任何一个：AMPS；TDMA；CDMA；GSM；GPRS UMTS；3G；4G；或者能够在移动设备之间传输数据的任何其它协议。

图1B中图示的是计算设备100的实施例，其中图1A中图示的客户端机器102和服务器106可以部署为在本文图示和描述的计算设备100的任何实施例和/或可以在本文图示和描述的计算设备100的任何实施例上执行。包括在计算设备100内的是与以下部件通信的系统总线150：中央处理单元121；主存储器122；存储存储器128；输入/输出(I/O)控制器123；显示设备124A-124N；安装设备116；以及网络接口118。在一个实施例中，存储存储器128包括：操作系统，以及软件120。在一些实施例中，I/O控制器123还连接到键盘126和定点设备127。其它实施例可以包括连接到多于一个输入/输出设备130A-130N的I/O控制器123。

图1C图示计算设备100的一个实施例，其中图1A中图示的客户端机器102和服务器106可以部署为本文图示和描述的计算设备100的任何实施例和/或可以在本文图示和描述的计算设备100的任何实施例上执行。包括在计算设备100内的是与以下部件通信的系统总线150：桥170和第一I/O设备130A。在另一个实施例中，桥170还与主中央处理单元121通信，其中中央处理单元121还可以与第二I/O设备130B、主存储器122和高速缓存存储器140通信。包括在中央处理单元121内的是I/O端口、存储器端口103和主处理器。

计算机器100的实施例可以包括中心处理单元121，其由以下部件配置中的任何一个表征：对从主存储器单元122提取的指令进行响应并处理该指令的逻辑电路；微处理器单元，诸如：由Intel公司制造的微处理器单元；由Motorola公司制造的微处理器单元；由位于加州圣克拉拉市的Transmeta公司制造的微处理器单元；诸如由国际商业机器公司制造的RS/6000处理器；诸如由Advanced Micro Devices制造的处理器；或者逻辑电路的任意其它组合。中央处理单元122的再其它实施例可以包括以下的任意组合：微处理器、微控制器、具有单个处理核心的中央处理单元、具有两个处理核心的中央处理单元，或者具有多于一个处理核心的中央处理单元。

虽然图1C图示包括单个中央处理单元121的计算设备100，但在一些实施例中，计算设备100可以包括一个或多个处理单元121。在这些实施例中，计算设备100可以存储并执行固件或其它可执行指令，当被执行时，该固件或其它可执行指令指示一个或多个处理单元121同时执行指令或者同时对单块数据执行指令。在其它实施例中，计算设备100可以存储并执行固件或其它可执行指令，当被执行时，该固件或其它可执行指令指示一个或多个处理单元各自执行一组指令的一部分。例如，可以指示每一个处理单元121执行程序的一部分或者程序内的特定模块。

在一些实施例中，处理单元121可以包括一个或多个处理核心。例如，处理单元121可以具有两个核心、四个核心、八个核心等。在一个实施例中，处理单元121可以包括一个或多个并行处理核心。在一些实施例中，处理单元121的处理核心可以访问作为全局地址空间的可用存储器，或者在其它实施例中，计算设备100内的存储器可以被分段并分配给处理单元121内的特定核心。在一个实施例中，计算设备100中的一个或多个处理核心或处理器可以各自访问本地存储器。在再另一个实施例中，可以在一个或多个处理器或处理核心之间共享计算设备100内的存储器，而其它存储器可以被特定处理器或处理器子集访问。在其中计算设备100包括多于一个处理单元的实施例中，若干处理单元可以被包括在单个集成电路(IC)中。在一些实施例中，这若干处理器可以通过可被称为元件互连总线的内部高速总线连接在一起。

在其中计算设备100包括一个或多个处理单元121或处理单元121包括一个或多个处理核心的实施例中，处理器可以对若干块数据同时执行单个指令(SIMD)，或者在其它实施例中，可以同时对若干块数据执行若干指令(MIMD)。在一些实施例中，计算设备100可以包括任何数量的SIMD和MIMD处理器。

在一些实施例中，计算设备100可以包括图像处理器、图形处理器或图形处理单元。图形处理单元可以包括软件和硬件的任意组合，并且还可以输入图形数据和图形指令、根据所输入的数据和指令渲染图形，并且输出经渲染的图形。在一些实施例中，图形处理单元可以被包括在处理单元121内。在其它实施例中，计算设备100可以包括一个或多个处理单元121，其中至少一个处理单元121专用于处理和渲染图形。

计算机器100的一个实施例包括中央处理单元121，该中央处理单元121经由也称为背面总线的辅助总线与高速缓存存储器140通信，而计算机器100的另一个实施例包括中央处理单元121，该中央处理单元121经由系统总线150与高速缓存存储器通信。在一些实施例中，本地系统总线150还可以被中央处理单元用来与多于一种类型的I/O设备130A-130N通信。在一些实施例中，本地系统总线150可以是以下类型的总线中的任何一种：VESA VL总线；ISA总线；EISA总线；微通道体系架构(MCA)总线；PCI总线；PCI-X总线；PCI-Express总线；或NuBus。计算机器100的其它实施例包括I/O设备130A-130N，该I/O设备130A-130N是与中央处理单元121通信的视频显示器124。计算机器100的再其它版本包括经由以下连接中的任何一个连接到I/O设备130A-130N的处理器121：HyperTransport、Rapid I/O或InfiniBand。计算机器100的进一步的实施例包括使用本地互连总线与一个I/O设备130A通信并且使用直接连接与第二I/O设备130B通信的处理器121。

在一些实施例中，计算设备100包括主存储器单元122和高速缓存存储器140。高速缓存存储器140可以是任何存储器类型，并且在一些实施例中可以是以下类型的存储器中的任何一种：SRAM；BSRAM；或EDRAM。其它实施例包括高速缓存存储器140和主存储器单元122，该主存储器单元122可以是以下类型的存储器中的任何一种：静态随机存取存储器(SRAM)、突发SRAM或同步突发SRAM(BSRAM)；动态随机存取存储器(DRAM)；快速页面模式DRAM(FPM DRAM)；增强型DRAM(EDRAM)；扩展数据输出RAM(EDO RAM)；扩展数据输出DRAM(EDO DRAM)；突发扩展数据输出DRAM(BEDO DRAM)；增强型DRAM(EDRAM)；同步DRAM(SDRAM)；JEDEC SRAM；PC100SDRAM；双数据速率SDRAM(DDR SDRAM)；增强型SDRAM(ESDRAM)；SyncLinkDRAM(SLDRAM)；直接Rambus DRAM(DRDRAM)；铁电RAM(FRAM)；或者任何其它类型的存储器。其它实施例包括可经由以下访问主存储器122的中央处理单元121：系统总线150；存储器端口103；或者允许处理器121访问存储器122的任何其它连接、总线或端口。

再次参考图1B，计算设备100可以支持任何合适的安装设备116，诸如盘驱动器、CD-ROM驱动器、CD-R/RW驱动器、DVD-ROM驱动器、闪存驱动器、各种格式的带驱动器、USB设备、硬盘驱动器、网络接口，或者适于安装软件和程序的任何其它设备。计算设备100还可以包括存储设备(诸如，一个或多个硬盘驱动器或者一个或多个独立盘的冗余阵列)用于存储操作系统和其它相关软件，并且用于存储应用软件程序(诸如，用于实现(例如，构建和/或设计用于)本文所述的系统和方法的任何程序或软件120)。可选地，任何安装设备116也可以被用作存储设备。此外，操作系统和软件可以从可引导介质运行。

计算设备100可以包括网络接口118，以通过各种连接对接到局域网(LAN)、广域网(WAN)或互联网，该连接包括但不限于标准电话线、LAN或WAN链路(例如，802.11、T1、T3、56kb、X.25、SNA、DECNET)、宽带连接(例如，ISDN、帧中继、ATM、千兆以太网、SONET上以太网)、无线连接，或者上述的任何或全部的一些组合。还可以使用各种通信协议(例如，TCP/IP、IPX、SPX、NetBIOS、以太网、ARCNET、SONET、SDH、光纤分布式数据接口(FDDI)、RS232、RS485、IEEE 802.11、IEEE 802.11a、IEEE 802.11b、IEEE 802.11g、CDMA、GSM、WiMax和直接异步连接)来建立连接。计算设备100的一个版本包括网络接口118，该网络接口118能够经由任何类型和/或任何形式的网关或隧道协议(诸如，安全套接字层(SSL)或传输层安全性(TLS)或者由Citrix Systems公司制造的Citrix网关协议)与附加计算设备100'通信。网络接口118的版本可以包括以下任何一个：内置的网络适配器；网络接口卡；PCMCIA网卡；卡总线网络适配器；无线网络适配器；USB网络适配器；调制解调器；或者适于将计算设备100对接到能够通信和执行本文所述的方法和系统的网络的任何其它设备。

计算设备100的实施例包括以下I/O设备130A-130N中的任何一个：键盘126；定点设备127；鼠标；触控板；光笔；轨迹球；麦克风；绘图板；视频显示器；扬声器；喷墨打印机；激光打印机；以及染料升华打印机；或者能够执行本文所述的方法和系统的任何其它输入/输出设备。在一些实施例中，I/O控制器123可以连接到若干I/O设备103A-130N，以控制一个或多个I/O设备。I/O设备130A-130N的一些实施例可以被配置成提供存储介质或安装介质116，而其它实施例可以提供用于接收USB存储设备(诸如，由Twintech Industry公司制造的USB闪存驱动器设备线)的通用串行总线(USB)接口。再其它的实施例包括I/O设备130，该I/O设备130可以是系统总线150和外部通信总线之间的桥接器，该总线诸如：USB总线；Apple Desktop总线；RS-232串行连接；SCSI总线；FireWire总线；FireWire 800总线；以太网总线；AppleTalk总线；千兆以太网总线；异步传输模式总线；HIPPI总线；超级HIPPI总线；SerialPlus总线；SCI/LAMP总线；FibreChannel总线；或串行连接的小型计算机系统接口总线。

在一些实施例中，计算机器100可以执行任何操作系统，而在其它实施例中，计算机器100可以执行以下操作系统中的任何一个：MICROSOFT WINDOWS操作系统的各个版本；Unix和Linux操作系统的不同发行；由Apple Computer制造的MAC OS的任何版本；由国际商业机器公司制造的OS/2；Google的Android；任何嵌入式操作系统；任何实时操作系统；任何开源操作系统；任何专有操作系统；用于移动计算设备的任何操作系统；或任何其它操作系统。在再另一个实施例中，计算机器100可以执行若干操作系统。例如，计算机器100可以执行PARALLELS或者可以执行或管理执行第一操作系统的虚拟机的另一个虚拟化平台，同时计算机器100执行与第一操作系统不同的第二操作系统。

计算机器100可以体现在以下计算设备中的任何一个中：计算工作站；台式计算机；膝上型计算机或笔记本计算机；服务器；手持式计算机；移动电话；便携式电信设备；媒体播放设备；游戏系统；移动计算设备；上网本，平板电脑；由Apple Computer公司制造的IPOD或IPAD设备家族的设备；由Sony公司制造的PLAYSTATION设备家族中的任何一个；由Nintendo公司制造的Nintendo设备家族中的任何一个；由Microsoft公司制造的XBOX设备家族中的任何一个；或者能够进行通信并且具有足够的处理器能力和存储器容量来执行本文所述的方法和系统的任何其它类型和/或形式的计算设备、电信设备或媒体设备。在其它实施例中，计算机器100可以是诸如以下移动设备中的任何一个的移动设备：启用JAVA的蜂窝电话或个人数字助理(PDA)；具有与设备一致的不同处理器、操作系统和输入设备的任何计算设备；或者能够执行本文所述的方法和系统的任何其它移动计算设备。在再其它实施例中，计算设备100可以是以下移动计算设备中的任何一个：由Research In Motion有限公司制造的Blackberry系列中的任何一个或其它手持式设备；由Apple Computer公司制造的iPhone；Palm Pre；Pocket PC；Pocket PC电话；Android电话；或者任何其它手持式移动设备。已经描述了可能适于在本系统和方法中使用的某些系统部件和特征，下面将提出其它方面。

B.最佳便利性度量的预测

根据一些实施例，提供了用于为授权交易预测便利性度量的系统和方法。可以部分地基于用户的活动模式模型和传感器的活动模式模型来确定便利性度量的预测。就模型的预测与关于用户和(一个或多个)传感器的交易的发生一致的程度而言，系统可以生成与该系统对应的便利性度量，该便利性度量强加方便的小传感器集合的使用以授权用户交易。另一方面，就系统确定模型的预测与关于用户和(一个或多个)传感器的交易的发生不一致的程度而言，系统可以生成便利性度量，该便利性度量对应于为了授权交易而强加不太方便、有可能大或者不同的传感器集合的使用。

便利性的经济模型

在一些实施例中，使用便利性的经济模型。对于支持或启用多个交易的系统，该系统可以确定最佳便利性度量，该最佳便利性度量包括对于用户随时间的多个交易(或者使用来自用户的多个交易的数据)最大化预期净收益或者最小化预期净成本的便利性度量。在某些实施例中，系统可以确定最佳便利性度量，包括最大化由交易产生的预期净收益或者最小化由交易产生的预期净成本的便利性度量，并且可以使用来自用户随时间的多个交易的数据。术语“最佳”或“优化的”可以指相对于一个或多个其它结果、选择或替代物的改进的或优选的结果或选择。这类似地适用于例如术语“优化”。

在一些实施例中，经济模型使得预期收入J被定义为对于一个或多个交易的预期营业额与预期开支之间的差额，例如如等式(1)中所示的那样。在一个或多个实施例中，目标是关于用于交易的便利性度量优化经济收入。在一些实施例中，最佳经济收入可以对应于最大经济收入。

例如，这个模型可以适用于在移动设备上或销售点处执行的金融交易。在一些实施例中，等式(1)的营业额(Revenue)项量化对控制授权正确用户特定交易的交易的系统的经济利益，并且开支(Expenses)项量化例如授权不正确用户交易的潜在经济损失。在一些实施例中，预期收入J可以如下表示：

J＝$Revenue-$Expenses (1)

在某些实施例中，该模型可以使得经济收入被定义为执行交易的成本与作为交易结果而可能损失的资产之间的差额，如等式(2)中所示的那样。这种模型可以适用于例如对计算机、移动设备或软件应用的逻辑访问，其中可以没有与交易相关联的具体营业额，并且目的可以是例如优化用户与传感器交互的努力成本(例如，用户的时间成本)，同时仍然保护资产。因此，在一些实施例中，预期收入J可以如下表示：

J＝-＄Cost-＄Assets (2)等式(2)示出，在这个实施例中，对于所有正值的预期成本(Cost)和预期资产(Assets)损失，预期收入为负值。在一些实施例中，如在先前的实施例中那样，最佳经济收入可以是最大经济收入，在这种情况下，这对应于控制授权的系统的最小总体损失。

用户的活动模式模型

系统的实施例可以包括使用和/或维护用户扩展的地理空间路径随时间的活动模式模型。根据一些实施例，用户的活动模式模型可以部分地包括预先确定并基于用户的预期行为的部件，可以基于例如过去的活动和/或测量来预测或确定该预期行为。用户的活动模式模型可以包括是动态并基于可以包括用户或传感器的位置的当前或后续测量和/或活动而更新的部件。

如本文所使用的，术语“模型”一般是指系统和/或行为的描述或表示。模型的描述或表示可以使用数学语言，诸如在数学模型的情况下。模型的类型和/或模型的特点的示例包括但不限于：查找表、线性、非线性、确定性、概率、静态、动态模型，以及具有集中(lumped)参数和/或分布式参数的模型。

根据一些实施例，用户的活动模式模型(有时称为“用户模型”)可以部分地基于用户频繁光顾的地点的地理位置。地理位置可以例如通过地点的纬度和经度的地理坐标表示，和/或可以表示为两个用户之间或者用户与给定传感器之间的相对位置。用户的活动模式模型可以部分地基于用户的一个或多个家的地理位置。用户模型可以部分地基于用户的一个或多个工作场所的地理位置。用户模型可以基于用户在特定时间频繁光顾的其它地点的地理位置。上面提到的数据可以例如由用户或操作者手动输入系统，或者由一个或多个传感器或跟踪模块传送。

根据一些实施例，用户的活动模式可以基于用户在不同位置处可用的旅行或交通手段，诸如飞机、车辆、自行车或步行。例如，在机场位置，用户可以利用飞机和车辆两者，而在工作地点，用户可能只能通过步行移动。上面提到的数据可以例如由用户或操作者手动输入系统，和/或由一个或多个传感器或跟踪模块传送。

根据一些实施例，用户的活动模式模型也可以部分地基于用户的日程表。日程表可以包括公司日程表、个人数字助理(PDA)日程表、公司假日日程表、国家假日日程表、当地学校日程表、在家日程表、健身和/或购物日程表、离开家的日程表，或特定安排的会议。日程表可以由用户或操作者手动输入系统，和/或在一些实施例中可以从日历维护程序(诸如，Microsoft的Outlook Calendar)自动下载或与该日历维护程序同步。

根据一些实施例，用户的活动模式模型可以部分地基于用户的简档。作为示例，可能的简档可以包括商业人士、学生或家庭主妇。例如，家庭主妇可以在家里度过大部分早晨时间，而商业人士可以远离家庭并在工作地点度过大部分白天时间。用户的简档可以由用户和/或操作者手动输入系统。

根据一些实施例，用户的活动模式模型可以部分地基于例如序列模型、速度模型、栖息地模型、周期模型和/或神经网络模型。例如，序列模型可以建模在一段时间内用户在处于第一传感器的位置后处于第二传感器的特定位置的概率。第一传感器和第二传感器可以位于同一位置或不同位置。速度模型可以基于在不同位置处用户可用的交通手段(例如诸如，飞机或车辆)来建模用户在那个位置处的预期潜在速度。栖息地模型可以基于例如日历信息来建模用户在特定时间处于特定地点的概率。周期模型可以建模用户在预期将随时间重复的模式中在特定时间处于特定地点的概率，例如用户在工作期间的时间间隔或时间窗口内在早晨到达用户的办公室。

传感器

根据一些实施例，系统还可以包括安装在静态设备或者移动设备上的传感器。这些设备又可以安装在静态结构或移动结构上，诸如入口网关或交通车辆。在执行交易的过程中，用户可以与一个或多个传感器被动或主动地进行交互。

如本文所使用的，术语“传感器”一般是指测量和/或记录物质、物理现象、物理量、位置和/或时间等的设备或系统。传感器可以将测量转换成信号，该信号可以由观察者、仪器和/或系统解释。传感器可以被实现为专用设备和/或可以被实现为在通用计算机系统上运行的软件。

传感器可以包括使用红外或可见照明的虹膜匹配系统或设备中的一个或多个，用户借此呈现用户的虹膜，并且虹膜匹配系统或设备将虹膜(或虹膜的表示)与先前存储的虹膜的表示进行比较，并且输出匹配得分或决定度量。传感器可以包括指纹匹配模块，用户借此呈现用户的指纹，并且指纹匹配模块将指纹(或指纹的表示)与先前存储的指纹的表示进行比较，并且输出匹配得分或决定度量。传感器可以包括手掌静脉/印记匹配模块，用户借此呈现用户的手掌，并且该模块将手掌的表示与先前存储的手掌静脉/印记图案的表示进行比较，并且输出匹配得分或决定度量。传感器可以包括面部识别匹配模块，用户借此呈现用户的面部，并且该模块将面部的表示与先前存储的面部的表示进行比较，并且输出匹配得分或决定度量。传感器可以包括使用巩膜中的血管图案或眼周区域中的图案的眼睛匹配模块，用户借此呈现用户的基于眼睛的图案，并且该模块将血管或眼周图案中的一个或多个与先前存储的血管或眼周图案的表示进行比较，并且输出匹配得分或决定度量。传感器可以包括语音识别模块，借此获取对应于用户的语音的信号，并将其与先前记录的对应于用户的语音的信号进行比较，并且输出匹配得分或决定度量。

传感器还可以包括以下一个或多个：心跳模式匹配模块，借此使用手腕式或其它传感器测量用户的心跳模式，并且该模块将其与先前存储的心跳模式的表示进行比较，并且输出匹配得分或决定度量；微跳视传感器，其检测用户眼睛的运动并将检测到的运动与先前存储的运动模式的表示进行比较；活跃度检测模块，其检测用户的活跃度(诸如，眨眼或由于呼吸而使胸部发生的运动)，并且输出匹配得分或决定度量。传感器可以包括包含相机和处理器的威慑模块，其检测相机视野中脸部的存在，在报告的欺诈性交易的情况下记录图像以供随后的证据使用，并且可以基于由例如用户的眼睛之间的像素数确定的图像的分辨率来量化威慑的有效性，并且输出匹配得分或决定度量。这些传感器中的一些提供了正确识别或认证的概率，不是通过直接测量用户的特点，而是通过采用传感器输出或信号与可能已经经验确定的用户的正确识别的间接相关性。例如，在威慑传感器的一些实施例中，与不正确用户或欺诈用户相比，正确的用户将更有可能符合传感器并且使得能够获取和存储用于随后证据使用的具有足够质量的图像数据。

传感器可以包括以下一个或多个：移动电话标识(ID)检测模块，其将移动电话的ID与先前存储的ID进行比较，并且输出匹配得分或决定度量；设备标识(ID)模块，其将设备的ID与先前存储的ID进行比较，并且输出匹配得分或决定度量；蓝牙接近模块，其输出与两个蓝牙设备之间的范围相关的度量，这可以包括如蓝牙协议中的“近”、“远”或“中间”范围；近场通信(NFC)接近模块，其输出范围或至少基于范围的决定度量；全球定位系统(GPS)位置模块，其输出模块的地理坐标；或者有线或无线网络地理位置检测模块，其基于检测设备所连接到的路由器或蜂窝塔的标识号来查找一个或多个路由器或蜂窝塔的预定地理位置，并且可以基于对路由器或蜂窝塔的信号的三角测量来计算设备的地理坐标，并且输出该模块的地理坐标。

传感器可以包括密码模块，其可以包括在设备上执行的软件，该软件允许用户手动输入密码，并且模块借此将密码与预先输入或预先确定的密码进行比较，并且输出匹配得分或决定度量。传感器可以包括了解客户(KYC)模块，借此KYC模块可以包括在设备上执行的软件，该软件用预先输入或预先确定的问题提示用户的软件，允许用户输入对一个或多个问题的答案，将用户对问题的答案与预先输入或预先确定的答案进行比较，并且输出匹配得分或决定度量。传感器可以包括刷卡设备，该刷卡设备能够从被用户刷(swipe)的智能卡或磁条卡读取卡号，并且该模块将卡号与预先输入或预先确定的卡号进行比较。

传感器的活动模式模型

系统可以包括一个或多个传感器的扩展地理空间路径随时间的活动模式模型。虽然有时一般将其称为传感器的活动模式模型，但是这种模型可以包括基于一个传感器或多个传感器的模型，并且可以包括多个模型或模型的集合，每一个模型中有每一个或多个传感器。例如，若干传感器的活动模式模型可以结合传感器中的每一个的活动模式模型。在一些实施例中，若干传感器的活动模式模型可以包括关于两个或更多个传感器如何彼此交互的信息和/或两个或更多个传感器如何彼此相关的信息。

根据一些实施例，传感器的活动模式模型可以部分地包括基于传感器相对于彼此或相对于用户的已知位置而预先确定的部件。传感器的活动模式模型可以部分地包括是动态的并部分地基于传感器和/或用户位置的后续测量被更新的部件。

如本文所使用的，术语“模型”一般是指系统或行为的描述或表示。描述或表示可以使用数学语言，诸如在数学模型的情况下。模型的类型和/或模型的特点的示例包括但不限于：查找表、线性、非线性、确定性、概率、静态、动态模型，以及具有集中参数和/或分布式参数的模型。

根据一些实施例，传感器的活动模式模型可以部分地基于静态传感器和/或动态传感器的绝对或相对空间或时间位置。例如，空间位置可以或者由具有给定标识号(ID)的传感器的地理位置的地理纬度和经度表示或者由传感器相对于参考点或另一个传感器的相对位置表示。一个传感器到下一个传感器的时间位置可以是用户在不同位置处使用对用户可用的旅行或交通手段(诸如飞机、车辆、自行车或步行)从一个传感器移动到另一个传感器预期花费的时间。传感器模型可以部分地基于时间日程表。例如，GPS传感器可以嵌在移动电话设备内，并且用户在工作时间期间可以处于与电话相同的位置。传感器的地理位置可以由用户和/或操作者手动输入，或者可以由安装在传感器上或耦合到传感器的GPS模块自动计算或确定，或者可以由安装在传感器上的有线或无线网络地理位置检测模块来计算或确定，该模块基于设备所连接到的路由器或蜂窝塔的标识号的检测来查找一个或多个路由器或蜂窝塔的预定地理位置，并且可以基于对路由器或蜂窝塔的信号的三角测量来计算或确定传感器的地理坐标，并且输出传感器的地理坐标。

根据一些实施例，传感器的活动模式模型可以部分地基于与移动电话相关的参数。作为示例，参数可以包括向移动电话注册的用户的标识符或ID(例如，识别号)、移动电话的订阅持有者的ID、用移动电话注册的用户的ID、向移动电话注册的用户的家庭地址，和/或电话的用户的工作地址。

根据一些实施例，传感器的活动模式模型可以部分地基于序列模型、速度模型、栖息地模型、周期模型或神经网络模型。在一些情况下，传感器可以静态地安装到建筑物基础设施上并且其模型的关键方面可以仅仅是它们的位置和/或它们相对于彼此的位置。但是，在某些情况下，传感器可以安装在移动的物体(诸如，车辆、移动电话、火车或膝上型计算机)内。

例如，序列模型可以建模安装在用户的车辆上的传感器的位置的概率，该车辆在一段时间内从用户的家的位置移动到用户的工作场所的位置。速度模型可以建模不同位置处的传感器的预期潜在速度，例如安装在车辆中的传感器当然可以以车辆速度行驶。栖息地模型可以基于例如与用户的关联(例如，膝上型计算机上的传感器可以与其注册用户共享相同的栖息地)来建模传感器在特定时间处于特定位置的概率。周期模型可以在预期随时间重复的模式中建模传感器在特定时间处于特定位置的概率，例如上面提到的在用户车辆中的传感器的位置可以在每一个工作日周期性地从用户的家的位置改变到用户的工作场所的位置。

便利性度量的预测

系统的一些实施例包括用于预测便利性度量的方法。根据一些实施例，该方法包括用于基于一个或多个用户和/或传感器活动模式(或模型)预测便利性度量的一个或多个算法。便利性度量的预测可以基于最大似然法。

根据一些实施例，该方法可以包括确定可用于第一交易的第一传感器集合。该确定可以包括询问设备(诸如，移动电话)或主机设备上的软件应用，以及确定在第一交易的时间可用并预期可操作的传感器集合。

根据一些实施例，该方法可以包括基于在第一交易的时间之前预先确定的传感器可用性参数来确定第一集合中的每一个传感器的单独便利性度量。传感器的单独便利性度量有时被称为可用性值或可用性度量。在一些实施例中，对应传感器的可用性值指示用户向对应的传感器提供(例如，允许或导致正确或适当的输出的)输入的努力量(例如，时间和/或步骤)。可用性参数可以基于让用户使用传感器(例如，成功地向传感器提供可用或良好质量的输入或测量)花费的预期时间和/或步骤数(例如，预期的努力)。

根据一些实施例，该方法可以包括基于用户的活动模式模型和/或传感器的活动模式模型、第一传感器集合的子集的单独便利性度量以及在第一交易时间之前获取的一个或多个传感器的至少一个第二集合的输出来确定用于第一交易的总体便利性度量(有时简称为“便利性度量”)的预测。根据一些实施例，第一传感器集合的子集可以与第一传感器集合的集合相同。根据一些实施例，第一传感器集合可以与第二传感器集合不同。根据一些实施例，第一传感器集合可以与第二传感器集合相同。

根据一些实施例，该方法可以包括使用至少总体便利性度量的预测来确定用于第一交易的最佳总体便利性度量。根据一些实施例，该方法可以包括基于最佳总体便利性度量来为第一交易选择或挑选的第一传感器集合的最佳子集。根据一些实施例，该方法可以包括为第一交易从第一传感器集合的多个可能的传感器子集中选择或挑选第一传感器集合的最佳子集，该最佳子集对应于最佳总体便利性度量。根据一些实施例，该方法可以包括为第一交易从第一传感器集合的最佳子集获取传感器数据。根据一些实施例，该方法可以包括至少基于总体便利性度量的预测和所获取的传感器数据来授权交易。

图2A作为示例图示具有移动设备101(例如，移动电话)的用户100随时间的延伸空间路径的小片段。在这个片段的开始处，用户可以在用户可以执行交易的销售点终端102处。在销售点终端旁边可以是例如PC 103、蓝牙接近模块104和/或虹膜匹配模块105。用户然后可以经过蓝牙接近模块106移动到另一个位置，并移动到另一个销售点107，在那里用户可以执行第二交易。在该销售点终端旁边可以是例如PC 108、蓝牙接近模块109和/或虹膜匹配模块110。该方法的目标是预测可以被用于授权给定交易的便利性度量，以便使用一个或多个传感器优化用户执行交易的体验。

营业额/开支模型

在一些实施例中，使用便利性的经济模型。在下面的示例中，如等式(3)中所示的那样，模型使得经济收入J可以被定义为营业额与支出之间的差额，并且目标可以是关于便利性度量优化经济收入。例如，这个模型可以适用于在移动设备或其它设备上执行的金融交易。如本说明书稍后所述的，可以应用便利性的其它经济模式。

在一些实施例中，等式(3)的营业额(Revenue)项量化对于控制授权正确用户特定交易的系统的经济收益，并且开支(Expenses)项量化授权不正确(例如，欺诈或错误识别)用户交易的潜在经济损失。

J＝$Revenue-$Expenses (3)

在一些实施例中，经济收入J在由用户在不同时间在一系列位置执行的一系列交易T_i上优化。来自正确授权的总可能预期营业额可以被定义为：

$Revenue＝∑_iF(T_i，δ_i)Φ(t_i)P(ID) (4)F(T_i，δ_i)和Φ(T_i)可以分别指摩擦度量和交易收益收入。给定交易T_i的便利性δ_i，摩擦度量可以是用户具有技能和/或耐心来容忍完成交易所需步骤的概率。例如，与购买咖啡(相对较便宜或不重要的物品)相比，可以预期用户应当准备容忍在购买车辆(例如，相对较贵或重要的物品)的交易中更多的不便。

随着摩擦度量F(T_i，δ_i)增加(例如，从0到1)，交易步骤对于用户变得更加方便，并且与替代的交易方法相比，用户可以更有可能执行该交易。交易利益收入可以代表授权正确用户交易给控制授权的系统带来的货币价值。例如，在与信用卡购物相关的一些实施例中，交易利益收入Φ(T_i)可以是交易中所涉及的货物的货币价值V(T_i)的百分比。在等式(4)中，P(ID)是执行交易的人是被授权执行所请求的交易的正确用户的概率。在这个示例中，如果系统授权不正确的用户交易，那么可以在稍后时间(例如，由正确的用户)提交欺诈报告，并且任何交易利益收入都可以被返回给执行交易的商家。因此，如等式(4)中所示，来自交易的预期营业额可以是摩擦度量和正确识别用户的概率二者的函数。

在等式(3)的开支(Expenses)侧，在一些实施例中，授权交易的系统的潜在损失机会被定义为：

其中

是用于给定交易T_i的损失函数，该损失函数可以包括基于用户被归类为不正确用户的概率P(ID)的用于交易的所有开支。例如，在一些实施例中，损失可以是交易中所涉及的货物的货币价值V(Ti)，使得

因为货物被不正确地提供给错误的人并且货物的全部成本都需要偿还给商家。在其它实施例中，开支还可以包括对应于由于不正确的拒绝交易而导致失去顾客的预期的未来收入损失的项。

在一些实施例中，用户被归类为不正确用户的概率是

而且，在一些实施例中，授权交易的系统的货币价值对用户j随时间执行的所有交易T_i(i＝1，...，N(j))求和。将等式(4)和(5)代入等式(3)，然后给出用于收入的更详细等式，在一些实施例中表示为：

而且，在一些实施例中，授权交易的系统的货币价值对所有用户j(j＝1，...，N)求和，以给出例如：

在等式(7)中，δ_j，i可以包括量化由用户使用用于交易T_j，i(i＝1，...，N(j))的传感器组合的总便利性的度量。

成本/资产模型

在一些实施例中，可以使用便利性的其它经济模型。例如，在逻辑访问的情况下，可以没有与交易相关联的具体营业额，并且目的可以是最小化例如如先前所量化的用户与传感器交互的时间和/或努力的成本，同时仍然保护系统的资产。在某些实施例中，除了可以在计算中使用由交易保护的资产的货币价值之外，来自交易的预期开支可以以与等式3类似的方式公式化。于是，交易造成的系统的收入

是：

其中$Cost(成本)是用户与传感器交互花费的时间的预期值，并且$Assets(资产)是由于交易而可能损失的资产的预期值。

对于所有正值的预期成本和预期损失，这种收入都可以是负值，并且如先前的经济模型一样，该系统的目的可以是优化该收入，例如，在这个特定实施例中，这对应于最小化系统的总体损失。

由经济模型使用的示例传感器模块

如图2中所图示的，为第i个交易正确识别第j个用户的概率P_i(ID_j)可以部分地是用来测量用户的生物特征数据的传感器模块的输出的函数。该传感器模块可以包括例如虹膜匹配模块201、指纹匹配模块202、手掌匹配模块203、面部识别模块204、眼睛角膜匹配模块205、心脏模式匹配模块206、活跃度检测模块207和/或威慑模块208。

如图3中图示的，传感器模块可以位于移动设备上。例如，这种传感器模块可以包括虹膜匹配模块201、指纹模块202、活跃度检测模块207、电话/设备ID检测模块201、蓝牙接近模块302、GPS地理位置模块303、无线网络位置检测模块304或密码或了解你的客户(KYC)模块305。

例如如图4中图示的，其它传感器模块可以安装在移动物体(诸如，车辆或移动电话)上，或者可以安装在静态位置。模块可以包括虹膜匹配模块201、指纹匹配模块202、手掌匹配模块203、面部识别模块204、眼睛角膜匹配模块205、心脏模式匹配模块206、活跃度检测模块207、威慑模块208、电话ID检测器模块201、设备ID检测器模块308、蓝牙接近模块302、NFC接近模块306、GPS地理位置模块303、有线网络位置模块310、无线网络位置检测模块304、密码或KYC模块305和/或刷卡器307。每一个传感器模块的输出或信号可以通过一个或多个翻译模块311，该一个或多个翻译模块311将原始传感器输出/信号转换成可以包括传感器在时间t时的位置(例如，以“x，y，z”格式)以及传感器ID(dID)和/或匹配得分或其它传感器输出的传感器测量312或信息。

在一些实施例中，为第i个交易正确识别第j个用户的概率P_i(ID_j)可以是度量的函数，该度量量化对于使用如本说明书稍后所述的每一个传感器的用户的单独便利性。

模型概述

在下面的实施例中可以使用营业额/开支经济模型，但是在这个实施例和/或其它实施例中也可以使用其它经济模型，诸如成本/资产经济模型。

可以引入状态向量x＝[x₁，...，x_M]^T，并且该状态向量可以包括在特定时间用户和传感器相对于绝对原点、相对于参考或相对于彼此的空间位置的估计，用户的活动模式的(一个或多个)参数，并且还可以包括来自传感器的信号输出的估计。传感器可以是例如先前描述的并在图2、3和/或4中描述的一个或多个传感器。一些传感器可以固定到墙上并且因此它们的地理位置可以是恒定的和已知的。来自传感器的信号输出的估计值可以是来自那个传感器的量化确定：确定用户的身份是否通过验证、是否未通过验证或者无法提供数据，或者该估计值可以是来自生物特征输出的匹配得分。

在一些实施例中，传感器的输出(或指示)可以被定义为认证尝试的结果。如果系统试图确定用户物理地处于某个位置，那么输出可以是GPS传感器的输出；或者如果系统试图确定个人的身份，那么输出可以是生物特征匹配尝试的结果。对于给定类型的生物特征传感器，输出可以是用户尝试授权该用户的次数，和/或该用户被成功认证和/或授权的次数的记录。可以基于通用模型(例如，指纹一般比虹膜更不可接受并且更难使用)以及基于个人对于某个传感器的方便或不方便的先前经验来为给定传感器定义便利性度量，可以在个人的基础上为他们更新这种通用模型。基于用户过去的经验，系统可以按照选项的便利性或可用性的次序(例如，从最方便的开始并且逐步提供更不方便但潜在必要的方法)呈现用于认证的选项。以这种方式，系统可以将自身调整到个人的便利性，旨在为给定用户以最方便可能的方式实现交易。传感器的最佳子集，和/或传感器序列(最方便到最不方便)对于不同用户来说可以假定是不同的。

例如，并且在一些实施例中，传感器不仅是图像捕获设备和/或匹配器，而是具有附加到该传感器上的智能，该智能可以通知系统生物特征匹配尝试是否成功，和/或可以通知关于尝试的其它信息。例如，传感器可以维护或提供用户做出了多少尝试(例如，不正确或不成功的尝试)的记录，这可以指示用户的无经验、不兼容性或与设备的过去交互(例如，导致困难的传感器上的污迹、虹膜/指纹的不正确放置)。传感器可以注册与传感器使用的困难或容易相关的信息(例如对于特定用户，诸如不成功的尝试的次数)，该信息之后可以帮助确定用于针对特定用户习惯的具体生物特征设备的便利性度量。在一些实施例中，传感器可以注册与用户的特定习惯和/或用户使用传感器的模式/特点相关的信息，诸如检测到用户由于相对于传感器的放置或位置而总是提供部分指纹(例如，左侧部分)，或者由于汗渍而提供部分次佳的指纹(例如，在慢跑之后)，或者通常为生物特征匹配提供左虹膜而不是右虹膜。系统和/或传感器活动模型可以结合这种信息，以确定要使用哪些传感器和/或这种预期行为/特点是否可以用于降低或满足用于匹配或认证的阈值。

在一些实施例中，由正确用户j执行交易T_i的概率P_i(ID_j)可以被定义为如下所示的在交易时间t_i的用户向量x_j，i与便利性参数δ_ji的函数G：

P_i(ID_j)＝G(x_j，i，δ_j，i) (9)其中x_j，i＝x_j(t_i)。

将等式(9)代入等式(7)，产生例如以下：

在等式(10)中，用于交易T_i的总体便利性度量δ_j，i可以出现在营业额侧和/或开支侧(参见等式(3))。由于交易可以更方便地进行或结束，因此用户可能更有可能执行交易，并且项F_j(T_j，i，δ_j，i)可以趋向于指示更高便利性的值(例如，1)。另一方面，用户的身份可能不太可能被正确识别，因为通常，对于用户的更多便利性可以对应于从那个时刻起获取更少的可以部分地用于验证用户身份的传感器数据，并且在这种情况下，例如，用户的正确身份的概率G(x_j，i，δ_j，i)可以趋向于例如0。

在一些实施例中，目标是预测优化预期收入的总体最优便利性度量，并且在一些实施例中，最佳预期收入对应于授权交易的系统的最大预期收入，使得：

其中δ_*是用于对应于J_max的第j个用户对于第i个交易的最佳总体便利性度量。

在一些实施例中，如果最佳预测收入

那么来自交易的预期经济营业额可以超过来自交易的预期经济开支，并且系统可以授权交易。相反，如果最优预测收入

那么来自交易的预期经济开支可以超过来自交易的预期经济营业额，并且系统可以拒绝交易的授权。

在其中在便利性和收入考虑之上强加合规性要求的一些实施例中，可以在授权之前强加在交易上的附加约束是确定J_max服从用户身份的概率G(x_j，i，δ_j，i)大于指定的合规值的约束。在更复杂的合规性约束的情况下，可以使用基于LaGrange乘子的方法修改等式(10)，其中J_max可以被确定为服从对应于合规性要求的等式约束。

如从等式(10)可以注意到的，收入

不仅仅是在当前交易的时间和位置处的状态向量和传感器输出的函数；它还可以是对应于在先前时间并潜在地在其它位置处执行的交易的状态向量和传感器输出的函数。用户和传感器的活动模式模型可以描述这些状态向量与传感器输出之间随时间的关系。该模型可以允许在甚至在用户在交易中执行任何(不便的)步骤之前的交易点为用户执行状态向量元素的预测。例如，如果基于状态向量元素的预测值的正确识别用户的概率与在对用户没有任何不便(诸如，使用蓝牙低功耗模块302或电话ID检测模块301)的情况下获取的其它测量一致，那么系统可以确定用户仅需要执行少量便利的步骤，以便以正值收入的可能性授权交易。但是，如果基于预测值正确识别用户的概率与测量不一致，那么系统可以确定需要大量更不便的步骤，以便以正值收入的可能性授权交易。

在确定总体便利性度量的预测的一些实施例中，用于传感器的活动模式模型的部件可以是传感器性能模型。传感器性能模型可以包括设备特定的度量，诸如对于任何用户的错误接受率和错误拒绝率，以及对应于每一个单独用户的具体性能度量。例如前面所讨论的，传感器性能模型可以基于传感器指示、输出或信号。例如，性能度量可以包括由图像焦点测量量化的所获取的生物特征图像的质量，当与用户的参考生物特征图像相比时用户的生物特征图像的匹配得分，或者可以是用户使用传感器花费的时间。传感器性能模型可以以数种方式影响总体便利性度量的预测。例如，如果用户例如由于不熟悉或由于差的登记图像而习惯性地花很长时间来使用特定传感器，那么可以更新用于那个特定用户的对应于该传感器的便利性度量，以反映增加的不便，因此系统在用于特定用户的交易中自动选择使用替代传感器。就用户的活动模式的模型、传感器的活动模式的模型和传感器的性能的模型准确的程度而言，对于交易导致正值收入的给定可能性，与不使用该系统的情况下执行交易的便利性相比，由总体便利性度量量化的给定交易的用户的便利性可以更大。类似地，对于给定的便利性水平，与不使用该系统的正值收入的可能性相比，使用该系统的交易导致的正值收入的可能性可以更大。

在一些实施例中，J_max也不仅仅是用户j的函数；它还是其他用户(诸如，用户j-1、j-2…等)的函数。用户内模型可以描述不同用户j、j-1、j-2的向量x_j、x_j-1和x_j-2之间随时间的关系。例如，在安全性应用中，可能需要用户j和用户(j-1)同时一起出现在同一地点，以便访问关键数据库或者在结账台逆转销售费用。

模型解决方案

为了简化符号，为单个独立用户计算下面的说明性、非限制性实施例，这对应于用户的交易独立于其他用户的假设。但是，相同的方法可以被扩展以结合用户的交易对其他用户的依赖性，例如如等式(10)中所示的那样。

总体便利性度量和摩擦度量

表1示出用于每一个数据传感器f的模型包括单独的便利性度量、信号向量以及附加到该传感器的正确识别的概率。

表1.传感器表

传感器	单独的便利性	信号向量	正确的概率
				f<sub>1</sub>	a<sub>1</sub>	x<sub>1</sub>(t)	P<sub>1</sub>
…	…	…	…
				f<sub>M</sub>	a<sub>M</sub>	x<sub>M</sub>(t)	P<sub>M</sub>

在一些实施例中，用于确定总体便利性度量δ_i的方法包括确定用户在执行交易时投入的时间的货币价值。如果S是用户每秒的货币单位的工资，并且Tf是在传感器f上执行交易花费的时间，那么用户在使用若干传感器时投入的时间的价值是S(T₁+T₂+…)。还可以预期的是，与低价值交易相比，用户准备在高价值交易上花更多的时间。用于每一个传感器f的单独便利性度量αf可以由交易的货币价值V(T_i)进行归一化，使得：

在交易中可以使用多于一个传感器，并且在某些实施例中，用于交易的总体便利性度量是用于所使用的X个传感器的单独便利性度量的总和，使得：

传感器模型807的这个输出可以被馈送到便利性预测引擎805中。在一些实施例中，总体便利性度量可以被转换成用于交易的概率摩擦度量F(T_i，δ_i)，使得当执行交易的时间减少时，用户完成交易的概率可以增加。

可以从对执行交易的用户的行为分析的实证研究来确定总体便利性度量δ_i与摩擦度量F(T_i，δ_i)之间的关系。图10描绘这种关系的一个实施例。例如，如果总体便利性度量δ_i为零，那么执行交易的概率可以是0.8，并且随着δ_i增加降低到较低概率0.2。

图10还可以示出每一个传感器具有分配给其的经校准的正确识别概率。可以基于所报告的对传感器性能的实证研究的结果来预先确定这个概率。例如，虹膜匹配传感器模块f可以具有1/1300000的用户身份不正确概率，于是P_f可以是(l-l/1300000)。

活动模式模型

可以使用表征用户和传感器随时间的空间模式的活动模式模型。图5描绘用户的活动模式模型的示例。图5描绘一个或多个传感器的活动模式模型的示例。在一些实施例中，活动模式模型具有分别体现用户和传感器的预定的空间-时间模式的预定部件801、802，以及更新后的部件，该更新后的部件结合由模型更新引擎803、804执行的活动模式模型的一个或多个参数的更新。

在一些实施例中，活动模式模型的示例是用于用户501和用于传感器601的时空序列模型。例如，在企业资源规划(ERP)过程中，序列模型的预定部件可以包括一系列步骤，包括：用户登录到具有第一ID号的个人工作PC中，并且随后在一段时间内登录到具有第二ID号的数据库管理PC中。在一些实施例中，使用用户模型更新引擎803更新对应于用户登录到数据库管理PC的实际时间的序列模型参数。序列模型的预定部件可以基于具体任务的预定领域知识，并且可以存储在查找表中。结果可以是编码序列的参数701的集合。例如，数据序列可以包括关于具有标识标签s1的传感器的信息、预期用户在传感器s1和具有标识标签s2的第二传感器之间移动花费的时间t1，以及预期时间t1的方差var_t1。

在一些实施例中，活动模式模型的其他示例是用户速度502和传感器速度602的概率密度模型。例如，用户速度的概率密度模型的预定部件可以取决于用户的当前位置的状态估计而变化。例如，用户在工作地点和家中的速度可以被限制为步行速度，而在任何其它位置，速度可以对应于车辆的速度。对于安装到静态设备或结构(诸如，墙)的传感器，速度模型可以为零。速度模型的坐标系可以相对于用户或者其它传感器。例如，即使用户的速度随时间改变，用于嵌入在电话中的传感器的预定速度模型可以是它相对于用户的相对速度为零。结果可以是存储速度的概率密度模型的参数702的集合。例如，参数集：v₁，var(v₁)，(x₁，y₁)，w₁和h₁可以指示，在由具有宽度w₁和高度h₁的以地理坐标(x₁，y₁)为中心的矩形区域限定的空间区域内，预期用户的速度为v₁，具有方差var(v₁)。图7描绘与对应活动模式模型相关联或基于对应活动模式模型的参数的说明性实施例。

活动模式模型的另一个示例是用于用户503和用于传感器603的栖息地模型。栖息地模型可以捕获或指示用户在具体时间处于具体位置处的概率。结果可以是参数608的集合，这些参数可以指示由具有宽度w₁和高度h₁的以地理坐标x1,y1为中心的矩形区域限定的空间区域定义的栖息地。相关模型是用于用户504和用于传感器604的周期模型。周期模型可以捕获或指示用户在预期随时间重复的模式中在具体时间处于具体位置处的概率。周期模型可以被用来表征个人在几小时和几天期间的重复活动。结果可以是参数704的集合，这些参数可以指示由参数集合s1、t1、var_t1定义的用户位置的周期模型，其中s1是用户的地理位置，t1是周期模式的周期时间(例如，以秒为单位)，并且var_t1是周期时间的方差。例如，栖息地模型和周期模型的预先确定的部件可以基于用户的个人数字助理(PDA)日程表、公司工作和假日日程表、国家假日日程表、当地学校日程表或来自用户的直接输入。

其它活动模式模型可以包括用于用户604和/或用于传感器605的基于神经网络的学习模型。在这种情况下，活动模式建模过程可以被视为，给定用户和/或传感器先前可能的位置时估计用户和/或传感器的可能位置的学习过程。可以以先前的训练数据训练神经网络，然后神经网络被用来提供用户和/或传感器位置的可能估计。结果可以是分类器向量c1705。

根据一些实施例，活动模式模型可以被构造为贝叶斯(Bayesian)网络、隐马尔可夫(Markov)模型或马尔可夫模型的其它变体。

可以使用基于预定数据或实际观测的数种估计和更新技术来确定预定和更新的活动模式模型的参数。根据一些实施例，参数可以被建模为概率分布，诸如正态分布、伽马(Gamma)分布、泊松(Poisson)分布、β分布或根据数据估计的其它分布。根据一些实施例，可以单独地或组合地使用以下中的一个或多个来估计活动模式模型的预定和更新的参数：Kalman滤波器、Wiener滤波器、神经网络、深度学习、隐含变量模型、贝叶斯网络、图形模型、基于树的模型、判别分析、支持向量机、另一种分类技术、主成分分析、回归分析、样条、小波、最小二乘函数拟合、另一类函数估计、预期-最大化算法、置信传播算法、最近邻居算法、聚类算法、另一种学习技术、另一种数据序列预测技术。

例如，可以使用Kalman估计过程来确定一个实施例中的预定或更新的活动模式模型的参数。在Kalman估计过程中，随时间观测的测量序列以及包括噪声的相关联的不准确性被滤波，以产生活动模式模型的底层参数的统计最佳估计。在另一个实施例中，可以执行最小二乘估计过程。在最小二乘估计过程中，可以计算在测量与由模型估计的值之间的平方差的和。然后可以关于活动模式模型的参数最小化平方差误差，以确定预定或更新的参数集合。可以使用封闭形式的最小二乘最小化方法或使用穷举搜索方法来执行最小化，其中用于活动模式模型的参数范围被用来计算平方差误差，并且对应于最小平方差误差的参数被用作预定的或更新的活动模式模型的确定。在一些实施例中，可以作为便利性度量预测引擎的一部分来执行活动模式模型的更新过程，使得更新引擎模块803、804体现在模块805中。

作为总体便利性度量预测的效用的示例，如果员工习惯性地在每天开始时登录到他们的个人工作计算机并始终在8小时后登录关键数据库，那么组合的活动模式模型可以预测用户在登录到其个人计算机8小时后登录关键数据库的可能性高，而在之前或之后的时间可能性较低。如果用户在最初登录到其个人计算机8小时后尝试登录关键数据库，那么用户登录尝试的时间和位置与总体便利性度量的预测一致，并且系统为用户确定便利的登录过程。如果用户在登录到其个人工作计算机仅4小时后意外地尝试登录，那么用户登录的时间与便利性度量的预测不一致，并且系统可以通过确定不太方便(例如，更严格)的登录步骤(或传感器)集合以进行补偿。

预测方法可以与加权公式形成对比，该加权公式基于时间上的接近度对在先前时间用户或传感器位置的先前概率执行加权平均。加权公式可以不正确地确定用户在登录其个人计算机4小时后登录关键数据库的可能性实际上比8小时后登录更有可能，因为两次登录之间4小时是比8小时更小的时间差。

在某些实施例中，可以使用传感器输出模型。传感器输出模型可以建模传感器相对于特定用户的具体输出。例如，根据蓝牙协议蓝牙低功耗设备从一个设备到另一个设备具有“近”、“远”和“中间”范围检测设置。例如，具有带蓝牙低功耗传感器302的移动电话101的一个用户100可以习惯性地在零售商店或工作场所中选择特定物理步行路径，该特定物理步行路径导致其在一个蓝牙传感器109上的“远”距离的检测以及在第二蓝牙传感器106上的“近”距离的检测。另一方面，另一个用户可以选择不同的物理步行路径，导致传感器输出的不同值。传感器输出的预定模型可以基于用户预期采取的路径。

可以使用数种估计和更新技术在更新引擎803、804中更新传感器输出模型，并且在一个实施例中，可以使用下面描述的Kalman估计过程，或者在另一个实施例中，可以使用模型所提供的输出与所进行的观测之间最小二乘误差的相对于模型参数的最小化。

便利性预测引擎

回到等式(10)，目标可以是确定最佳总体便利性度量δi的预测。在图8中图示可以执行这种预测的便利性预测引擎805的一个实施例。根据一些实施例，便利性度量预测引擎可以被构造为贝叶斯网络、隐马尔可夫模型或马尔可夫模型的其它变体。

可以使用基于预定数据或实际观测的数种估计和更新技术来确定便利性度量预测引擎的参数。根据一些实施例，参数可以被建模为概率分布，诸如正态分布、伽马分布、泊松分布、β分布或根据数据估计的其它分布。根据一些实施例，可以单独地或组合地使用以下中的一个或多个来估计预测的便利性度量的参数：Kalman滤波器、Wiener滤波器、神经网络、深度学习、隐含变量模型、贝叶斯网络、图形模型、基于树的模型、判别分析、支持向量机、另一种分类技术、主成分分析、回归分析、样条、小波、最小二乘函数拟合、另一类函数估计、预期-最大化算法、置信传播算法、最近邻居算法、聚类算法、另一种学习技术、另一种数据序列预测技术。

在便利性度量预测引擎805的一些实施例中，Kalman滤波估计过程将传感器测量、传感器和用户的参数以及活动模型的参数视为包含不准确性和部分数据的随时间的一系列测量，并且产生底层系统状态x(t)的统计最佳估计，该底层系统状态x(t)可以包括例如随时间的用户和每一个传感器的空间位置以及传感器输出。

在Kalman滤波器中，系统在交易时的状态x_i可以递归地取决于上次交易时系统的输出x_i-1，使得：

x_i＝Ax_i-1+Bu_i-1+w_i-1 (14)

观测向量z_i可以包括或表示在一次交易时的实际传感器测量，并且可以被定义为：

z_i＝Hx_i+v_i (15)

随机变量w_i和v_i可以分别表示过程噪声和测量噪声。可以假设它们是彼此独立的，并且具有正态概率分布，使得

p(w)～N(0，Q) (16)

p(v)～N(0，R) (17)

其中Q和R分别是过程噪声协方差矩阵和测量噪声协方差矩阵。

给定在没有驱动功能噪声或者过程噪声的情况下的模型，矩阵A可以将前一时间步骤i-1的状态关联到当前步骤i的状态。可以使用不经常对用户和传感器的先前传感器数据和模型执行的单独Kalman或最小二乘估计过程来估计矩阵A。矩阵B可以关联任何可能影响状态x_i的可选外部控制信号u_i。在一些实施例中，可以没有对系统的外部影响，使得u_i＝o。矩阵H可以将传感器的输出的测量单位关联到状态x_i中使用的单位。

在一些实施例中，Kalman滤波器可以关联后验状态估计

和先验状态估计

使得：

在Kalman滤波器的一些实施例中，Kalman增益被定义为：

其中

是误差协方差的后验估计，使得

并且其中

在Kalman滤波器的一些实施例中，误差协方差的后验更新估计P_i可以被定义为：

其中I是单位矩阵。为了执行状态向量的更新，可以计算如等式(19)定义的Kalman增益，并且在等式(18)中可以使用任何可用的传感器输出测量值z_i来提供后验状态估计。然后可以如在等式(20)中那样计算更新后的后验误差协方差估计，用于状态的下一次更新。

基于Kalman滤波器的方法的一个优点是，在几小时或几天之前执行的先前交易的传感器数据仍然可以影响总体便利性度量的预测，而系统不必从先前交易中访问原始传感器数据，因为来自先前交易的影响体现在状态向量中。

在其中在交易时访问先前传感器数据中的一些或全部数据是可行的一些实施例中，可以代替地使用基于Wiener滤波器的方法，这可以导致总体便利性度量的更优化的估计。

回到等式(10)，为了预测最佳便利性度量以最大化来自交易的预期经济收入J，可以确定用户的身份的概率G(x_i，δ_i)。在这个实施例中，G(x_i，δ_i)可以是状态向量和总体便利性度量δ_i的函数。

在一些实施例中，对应于给定传感器f_k的输出的状态向量元素的估计可以提供来自传感器的用户的正确识别的概率I(x_i，k，δ_i)。对应于用户和传感器的活动模式模型的参数的状态向量元素x_i，α的估计也可以提供在传感器处的用户的单独概率p(x_i，α)。

在一些实施例中，可以使用朴素贝叶斯方法来组合这些概率，该方法导致基于应用贝叶斯定理(例如，具有强独立性假设)的简单概率公式，使得：

在一些实施例中，可以使用相同的朴素贝叶斯方法来计算对于M个传感器的组合的用户的正确识别的总概率，使得：

用户的正确识别的概率(等式22)可以被插入等式10中，以作为总体便利性度量δ_i的函数给出来自交易的预期收入J的表达式。

最佳总体便利性度量

可以作为预测的总体便利性度量的函数来优化最佳预测收入。在一些实施例中，这是通过以下来执行的：识别在交易时可用的传感器的每一个组合，为每一个组合计算预测的总体便利性度量，为每一个预测的总体便利性度量根据等式10计算预期收入

，以及通过识别最佳预测总体便利性度量δ_*。在一些实施例中，这种最佳预测总体便利性度量是对应于预期收入的最大值

的预测总体便利性度量。

在一些实施例中，如果最佳预测收入

那么来自交易的预期经济开支超过来自交易的预期经济营业额，因此系统可以不授权交易。

在一些实施例中，如果最佳预测收入

那么来自交易的预期经济营业额超过交易的预期经济开支。系统然后可以请求用户与对应于最佳总体便利性度量δ_*的传感器的组合进行交互。然后可以使用附加的传感器数据来更新状态向量，并且然后可以重新计算预期收入

如果重新计算的预期收入保持使得

那么系统可以授权交易。

在其中在便利性和收入考虑之上强加合规性要求的一些实施例中，在授权之前强加于交易之上的附加约束是确定

服从用户身份的概率G(x_j，i，δ_j，i)大于指定的合规值的约束。在其它实施例中，可以使用基于Lagrange乘子的方法来修改等式(10)，其中J_max可以被确定为服从等式约束，以便强加合规性约束或其它约束。

预测的最佳总体便利性度量的性能

可以通过计算在没有模型预测的情况下估计的总体便利性度量与有模型预测的情况下估计的总体便利性度量的比例来量化用于为交易预测最佳总体便利性度量的过程的性能。

在一些实施例中，并且在Kalman滤波器模型预测方法的情况下，将Kalman增益矩阵设置为单位矩阵I等效于忽略预测状态并且仅使用测得的信号。然后可以用K＝I来计算等式(18)中的状态向量估计和等式(20)中的误差协方差的后验更新的估计，以确定在没有预测的情况下计算的预期收入

和对应的总体便利性度量δ_*(I)。

在其中便利性由用户投入的时间来量化的示例中，如等式

所示，增加的总体便利性度量值对应于增加的对用户的不便和增加的用户投入的时间。然后，相对于使用预测的最佳总体便利性度量执行的交易的便利性的性能比Pc可以被计算为：

在一些实施例中，当Pc>1时，与没有预测的系统相比，使用总体便利性度量预测的系统增加了对于用户的便利性。

类似地，相对于使用预测的最佳总体便利性度量执行的交易Pi的预期收入的性能可以被计算为：

其中

是以下之间的差：(i)从使用总体便利性度量的预测的系统得到的预期收入，与(ii)从不使用该预测的系统得到的预期收入

在一些实施例中，可以对用户的若干交易计算(诸如，度量Pc和

的中值和平均值)统计量，以便量化系统的功效，并且该统计量可以被用作用于更新活动参数模型的输入。

示例处理系统

可以使用许多物理实施例来实现系统和方法。图9示出预测用于授权交易的最佳便利性度量的处理系统的一个说明性实施例。该处理系统可以包括可以位于一个或多个设备中的多个模块、元件或部件，诸如授权控制模块905和虹膜匹配模块104。在一个或多个实施例中，在硬件或硬件和软件的组合中实现这些模块、元件或部件中的每一个。例如，在一个或多个实施例中，这些元件或部件中的每一个可以包括在系统的硬件上执行的任何应用、程序、库、脚本、任务、服务、过程或任何类型和形式的可执行指令。在一个或多个实施例中，硬件包括例如如上文结合至少1B和1C所描述的电路系统或处理器中的一个或多个。

作为说明，例如，用户可能已经从销售点终端102处的第一交易点移动到销售点终端108处的第二交易点。用户现在可能希望在第二个交易点执行交易。

本地服务器901可以通过网络连接连接到第一交易点，在那里有PC 103、销售点终端102以及包括蓝牙接近模块104和/或虹膜匹配模块105的传感器。服务器901还可以通过网络连接连接到可以位于门口附近的蓝牙接近模块106，并且还可以连接到第二交易点，在那里有PC 107、销售点终端108，蓝牙接近模块109和/或虹膜匹配模块110。可以部分地基于服务器902的元件并且部分地基于移动电话处理器906和/或PC 107的元件来实现便利性预测引擎805。

活动模式模型所需的数据可以至少部分地由用户或操作者使用连接到服务器的键盘908输入，或者可以例如从位于数据库903上的Microsoft的Outlook日历传送。数据库903可以包括存储设备122、128、140的任何实施例，诸如上面结合至少图1B和1C所描述的那些。用户100的移动电话101可以包含传感器，诸如虹膜匹配模块201、指纹匹配模块202、活跃度检测模块207、电话ID检测模块301，蓝牙接近模块302、GPS地理位置模块303、无线网络位置检测模块304、密码或KYC模块305和/或NFC接近模块306。在一些实施例中，电话上的传感器连接到处理器906，该处理器906通过无线网络连接连接到服务器902。例如，预先确定的活动模式模型存储在数据库903中，并且被馈送到在服务器902上实现的便利性度量预测引擎805。便利性预测度量引擎的第一部件或操作可以包括确定可用于交易的第一传感器集合。在这个实施例中，这是通过从服务器902向移动电话处理器906以及向PC 107中的处理器发送对可用传感器列表的请求来执行的。

便利性预测度量引擎的第二部件或操作可以包括在服务器902上基于可以存储在数据库903中的传感器可用性参数确定用于每一个传感器的单独便利性度量。

便利性预测度量引擎的第三部件或操作可以包括在服务器902上基于用户和传感器的活动模式模型、计算出的可用传感器的子集的单独便利性度量以及在交易时间之前获取的至少一个传感器的输出来确定总体便利性度量的预测。在一些实施例中，用于传感器的活动模式模型的部件可以是传感器性能模型。传感器性能模型可以包括设备特定的度量(诸如，针对任何用户的错误接受率和错误拒绝率)，以及对应于每一个单独用户的具体性能度量。例如，度量可以包括由图像焦点测量量化的所获取的生物特征图像的质量，当与该用户的参考生物特征图像相比时用户的生物特征图像的匹配得分，或者可以是用户使用传感器花费的时间。传感器性能模型可以以数种方式影响总体便利性度量的预测。例如，如果用户例如由于不熟悉或由于差的登记图像而习惯性地花很长时间来使用特定传感器，那么可以更新用于那个特定用户的对应于该传感器的便利性度量，以反映增加的不便，因此系统在用于特定用户的交易中自动选择使用替代传感器。

便利性预测度量引擎的第四部件或操作可以包括在服务器902上使用至少总体便利性度量的预测来确定用于交易的最佳总体便利性度量。

便利性预测度量引擎的第五部件或操作可以包括在服务器902上基于最佳总体便利性度量选择用于交易的第一传感器集合的最佳子集。

便利性预测引擎的第六部件或操作可以包括将第一传感器集合的子集的列表从服务器902发送到电话处理器906或PC 107。

便利性预测引擎的第七部件或操作可以包括从由电话处理器906或PC 107控制的第一传感器集合的子集中获取传感器数据。传感器的输出从电话处理器906或PC 107发送到服务器902。

便利性预测引擎的第八部件或操作可以包括在服务器902上至少基于总体便利性度量的预测和所获取的传感器数据来确定用于交易的授权信号。

在这个示例中，授权信号的确定可以经由本地服务器901从服务器902馈送到销售点终端108旁边的PC 107内的处理器，并且授权控制模块906将信号发送到在销售点终端108中的交易启用/禁用模块907，以启用或禁用交易。

在其中交易在移动设备(例如，移动电话)上执行的另一个示例中，在服务器902上实现的便利性预测引擎的结果经无线网络传输到移动设备的处理器906，并且随后传输到处理器内的授权控制模块905，以启用或禁用移动设备上的交易。

现在参考图11，描绘用于授权交易的方法的一个实施例。该方法可以包括由用于用户进行的交易的授权引擎从数据库访问用户的活动模式模型，该用户的活动模式模型指示用户随时间的地理空间行为(1101)。授权引擎可以确定可用于促进交易的传感器集合，每一个传感器在交易之前被分配有可用性值(1103)。授权引擎可以访问传感器的活动模式模型，传感器的活动模式模型指示随时间推移的一个或多个传感器的地理空间特点(1105)。授权引擎可以使用用户的活动模式模型、传感器的活动模式模型以及对应传感器的可用性值来确定用于传感器的多个子集中每一个子集的便利性度量，所述多个子集中的每一个子集包括可以组合使用以促进交易的对应传感器(1107)。授权引擎可以使用所确定的便利性度量从多个子集中选择用于交易的子集(1109)。

现在参考1101，并且在一些实施例中，授权引擎为用户进行的交易从数据库访问用户的活动模式模型。在某些实施例中，授权引擎包括以下中的一个或多个：例如如上面结合至少图8和9所描述的授权控制模块906、交易启用/禁用模块、本地服务器901、服务器902和/或便利性度量预测引擎。授权引擎可以包括驻留在一个或多个设备(诸如，本地服务器901、服务器902、PC 107和/或移动电话101)上的一个或多个元件。这些设备中的每一个设备可以包括例如如上面结合至少图1B和1C所描述的计算设备的元件。

用户的活动模式模型可以在数据库903中存储和/或维护，该数据库903可以包括中央数据库(例如，用于在图9中引用的处理系统)或分布式数据库。在一些实施例中，数据库903和/或活动模式模型(或其副本)位于交易点或在交易点维护。响应于确定活动模式模型在交易点处不可用或模型已经到期，授权引擎可以从远程数据库访问用户的活动模式模型。授权引擎可以响应于交易(例如，响应于用户发起交易(例如，在销售点终端108处和/或移动电话101处))而访问用户的活动模式模型。授权引擎可以在预期到用户的交易时访问用户的活动模式模型。例如，授权引擎可以响应于确定用户接近或已经进入零售店而访问活动模式模型。授权引擎可以响应于用户的身份(例如，用户所声称的身份)而访问用户的活动模式模型。

在一些实施例中，用户的活动模式模型可以指示用户随时间的地理空间行为。例如，用户模型可以描述或提供用户与时间的物理或地理空间关系的指示，例如，用户在时间t1时处于第一位置并且在时间t2时处于第二位置。在某些实施例中，用户模型可以描述或提供用户的活动和/或交易关于位置和/或时间的指示。例如，用户模型可以记录和/或描述，在时间t4离开用户的工作地点、在时间t5支付地铁费并在时间t6到达零售商业之后，用户在时间t3在位于第三位置的零售商业处执行购买和/或访问电子钱包。

现在参考1103，并且在一些实施例中，授权引擎确定可用于促进交易的传感器集合。授权引擎可以识别、定位或以其它方式确定上文例如结合图2B、3、4和9所描述的任何类型或形式的传感器。授权引擎可以执行对在交易点处可用的(或者用于交易的)传感器的发现、监视或检测。例如，授权引擎可以访问关于可用传感器的高速缓存或存储的信息(例如，在交易点处可用的信息)。在一些实施例中，授权引擎与交易点附近的一个或多个传感器通信(例如，经由使用蜂窝、蓝牙通信等的移动电话)，以确定对应传感器的可用性。授权引擎可以对用户可操作和/或可用的促进交易传感器执行发现、监视或检测。在某些实施例中，授权引擎与第一传感器通信，该第一传感器确定或感测其它(一个或多个)传感器是否可用于促进交易。

在一些实施例中，授权引擎响应于以下中的任意一个或组合来确定可用传感器的集合：用户发起交易，或基于用户位置和/或过去的用户行为的预期交易。授权引擎可以访问驻留在与授权引擎相同的设备(例如，移动设备或销售点终端)上的一个或多个传感器。

可以在交易之前为每一个传感器分配可用性值。可用性度量可以指示或表示使用对应传感器的的可用性、便利性和/或容易性/难度。在一些实施例中，对应传感器的可用性值特定于用户和/或交易类型。对应传感器的可用性值可以指示用以向对应传感器提供输入的预期的、测得的和/或计算的用户努力量(例如，步骤数量和/或预期花费的时间量)。例如，可以为有缺陷或不洁净的传感器分配对应于向传感器成功提供有用或良好质量的输入(诸如生物特征数据)的用户努力量的可用性度量。

现在参考1105，并且在一些实施例中，授权引擎访问传感器的活动模式模型。传感器的活动模式模型可以指示一个或多个传感器随时间的地理空间特点。传感器的活动模式模型可以在数据库903中或另一个数据库中存储和/或维护，其中另一个数据库可以包括中央数据库(例如，用于在图9中引用的处理系统)或分布式数据库。在一些实施例中，数据库和/或活动模式模型(或其副本)位于交易点或在交易点维护。响应于确定活动模式模型在交易点处不可用或模型已经到期，授权引擎可以从远程数据库访问用户的活动模式模型。授权引擎可以响应于交易(例如，响应于用户发起交易(例如，在销售点终端108处和/或移动电话101处)而访问用户的活动模式模型。授权引擎可以在预期到用户的交易时访问传感器的活动模式模型。例如，授权引擎可以响应于确定用户接近传感器或已经进入零售店而访问活动模式模型。授权引擎可以响应于确定交易的类型而访问传感器的活动模式模型。

在一些实施例中，传感器的活动模式模型可以指示一个或多个传感器随时间的地理空间行为。例如，传感器活动模型可以描述或提供对应传感器与时间的物理或地理空间关系的指示，例如，(在电话上或在汽车中的)传感器在时间t1时处于第一位置并且在时间t2时处于第二位置。在某些实施例中，传感器活动模型可以描述或提供传感器的活动和/或交易关于位置和/或时间的指示。例如，传感器活动模型可以记录和/或描述未能提供可用于认证的生物特征数据的在时间t1、t2和t3(例如，由不同用户)使用传感器的多次尝试。

在一些实施例中，授权引擎将对应于若干传感器的多个传感器活动模型组装或组合成单个活动模型。在某些实施例中，授权引擎访问或生成用于传感器的具体集合或子集(例如，可用于交易的传感器集合，和/或用于交易的可能的传感器子集)的传感器活动模型。

在一些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括静态的或预定的部件。静态用户模型部件可以包括在交易之前用户位置的已知信息(例如，地理空间坐标和时间)。静态传感器活动模型可以包括在所讨论的交易之前的用户-传感器交互的位置(例如，地理空间坐标和时间)和/或输出(例如，生物特征得分、密码值等)。例如，可以基于(一个或多个)传感器或用户的过去或历史活动来建立静态部件，并且在交易之前预先确定。

在一些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括在交易的部分期间被动态更新的部件。用户模型或传感器模型中的至少一个可以具有动态更新的部件。例如模型更新引擎803、804可以基于例如向模型更新引擎的新的、当前的或更新的输入，传感器的新的、当前的或更新的测量，和/或传感器的新的、当前的或更新的输出来更新对应的模型。动态模型部件可以包括基于在交易时发生的事件的信息。例如，信息可以包括实际的用户位置，并且如果提议用户确认他/她的身份，那么可以将与用户交互的传感器的位置和输出信息结合到动态部件中。例如，这在上面结合至少图8进行了描述。在一些实施例中，用户的活动模式模型或传感器的活动模式模型中的至少一个包括以下中的至少一个：例如如上面结合图5-7所描述的序列模型、速度模型、周期模型、栖息地模型或神经网络模型。

现在参考1107，并且在一些实施例中，授权引擎确定用于传感器的多个子集中每一个子集的便利性度量。多个子集中的每一个子集可以包括可以组合使用以促进交易的对应传感器。授权引擎可以确定可以促进交易(例如，用于用户)的可用传感器的多个子集中每一个子集的便利性度量。例如，如果确定传感器的第一子集不能操作以促进或授权交易，那么授权引擎的便利性度量预测引擎805不会确定用于那个第一子集的对应便利性度量。

授权引擎可以使用或基于用户的活动模式模型、传感器的活动模式模型和/或对应传感器的可用性值来确定用于多个子集中每一个子集的便利性度量。授权引擎可以使用在交易之前获得的至少一个传感器的输出、信号和/或指示来确定用于多个子集中每一个子集的便利性度量。授权引擎可以使用在交易之前获得的不在所确定的可用传感器集合中的至少一个传感器的输出、信号和/或指示来确定用于多个子集中每一个子集的便利性度量。授权引擎可以使用在交易之前获得的与所选子集的传感器不同的至少一个传感器的输出来确定用于多个子集中每一个子集的便利性度量。授权引擎可以使用至少一个传感器的设备特定的度量来确定用于多个子集中每一个子集的便利性度量，该设备特定的度量包括错误接受率、错误拒绝率或所获取的生物特征的质量。

在一些实施例中，授权引擎可以基于用户和传感器的活动模式模型、第一传感器集合的子集的单独便利性度量以及在第一交易的时间之前获取的至少一个第二传感器集合的输出来确定用于交易的总体便利性度量的预测。第一集合可以与第二集合不同。在某些实施例中，用于交易的总体便利性度量包括用于一个或多个单独传感器和/或传感器的一个或多个单独子集的(例如，可分离的)便利性度量。在一些实施例中，总体便利性度量的预测包括用于子集的便利性度量的排序、列表或序列。在一些实施例中，授权引擎使用至少总体便利性度量的预测来确定或选择用于第一交易的最佳总体便利性度量。

现在参考1109，并且在一些实施例中，授权引擎使用所确定的便利性度量来从多个子集中选择用于交易的子集。在一些实施例中，授权引擎使用总体便利性度量的预测来从多个子集中选择用于交易的子集。在一些实施例中，授权引擎使用子集的便利性度量来从多个子集中选择用于交易的子集。在一些实施例中，所选择的传感器子集可以包括或可以不包括至少一个生物特征传感器。

在某些实施例中，系统或授权引擎确定最佳便利性度量，包括一个或多个设备或处理器被配置成向支持或启用多个交易的系统提供便利性度量，该便利性度量对于用户随时间的多个交易最大化预期净效益或最小化预期净成本，或者使用来自用户随时间的多个交易的数据最大化预期净效益或最小化预期净成本。授权引擎确定对应于最佳便利性度量的要选择的最佳子集。

在一些实施例中，授权引擎使用对应的便利性度量为多个子集中的每一个子集确定来自于授权交易的预期收入。授权引擎可以使用对应的便利性度量来从多个子集中选择用于交易的子集。所选择的子集可以被确定为具有高于多个传感器子集中其它子集的预期收入。在一些实施例中，预期收入结合以下中的至少一个：来自授权交易的正确确定的利益或收入，由于授权交易的不正确确定(例如，用户的身份)而导致的潜在损失，或预期的收入损失(例如，由于丢失作为顾客的用户)。

应当注意的是，出于识别或区分彼此的目的，本公开的某些段落可以引用与设备、RAT、通信协议等有关的术语，诸如“第一”和“第二”。这些术语并不是旨在仅在时间上或根据顺序关联实体(例如，第一设备和第二设备)，但是在一些情况下，这些实体可以包括这种关系。这些术语也不限制可以在系统或环境内操作的可能实体(例如，设备)的数量。

应当理解的是，上述系统可以提供那些部件中的任何部件中的若干个部件或那些部件中的每一个部件，并且可以在独立机器上提供这些部件，或者在一些实施例中可以在分布式系统中的多个机器上提供这些部件。此外，可以将上述系统和方法提供作为在一个或多个制品上或在一个或多个制品中体现的一个或多个计算机可读程序或者可执行指令。该制品可以是软盘、硬盘、CD-ROM、闪存卡、PROM、RAM、ROM或磁带。一般而言，可以以任何编程语言(诸如，LISP、PERL、C、C++、C#、PROLOG)或任何字节码语言(诸如，JAVA)来实现计算机可读程序。软件程序或可执行指令可以作为目标代码存储在一个或多个制造商品上或其中。

虽然方法和系统的上述书面描述使得普通技术人员能够制作和使用这些方法和系统的各种实施例，但是本领域普通技术人员将理解和认识到本文的具体实施例、方法和示例存在各种变化、组合和等同物。因此，本方法和系统不应当受到上述实施例、方法和示例的限制，而是应当受到在本公开的范围和精神内的所有实施例和方法的限制。

Claims (20)

1.一种授权方法，所述方法包括：

由授权引擎针对用户的交易从数据库访问所述用户的活动模式模型，所述用户的活动模式模型指示用户随时间的地理空间行为；

由所述授权引擎确定可用于促进所述交易的传感器的集合，所述传感器中的每一个传感器在所述交易之前被分配有可用性值；

由所述授权引擎访问所述传感器的活动模式模型，所述传感器的活动模式模型指示所述传感器中一个或多个传感器随时间的地理空间特点；

由所述授权引擎使用所述用户的活动模式模型、所述传感器的活动模式模型和对应传感器的所述可用性值来确定用于所述传感器的多个子集中的每一个子集的便利性度量，所述多个子集中的每一个子集包括可以组合使用以促进所述交易的对应传感器；以及

由所述授权引擎使用所确定的便利性度量来从所述多个子集中选择用于所述交易的子集。

2.如权利要求1所述的方法，其中对应传感器的所述可用性值指示向所述对应传感器提供输入的用户努力量。

3.如权利要求1所述的方法，其中所选择的传感器子集包括生物特征传感器。

4.如权利要求1所述的方法，其中所述用户的活动模式模型或所述传感器的活动模式模型中的至少一个包括在所述交易的部分期间被动态更新的部件。

5.如权利要求1所述的方法，其中所述用户的活动模式模型或所述传感器的活动模式模型中的至少一个包括以下中的至少一个：序列模型、速度模型、周期模型、栖息地模型或神经网络模型。

6.如权利要求1所述的方法，其中确定用于所述多个子集中的每一个子集的便利性度量还包括，使用在所述交易之前获得的所述传感器中至少一个传感器的输出来确定用于所述多个子集中每一个子集的便利性度量。

7.如权利要求1所述的方法，其中确定用于所述多个子集中的每一个子集的便利性度量还包括，使用所述传感器中至少一个传感器的设备特定的度量来确定用于所述多个子集中每一个子集的便利性度量，其中所述设备特定的度量包括错误接受率、错误拒绝率或所获取的生物特征的质量。

8.如权利要求1所述的方法，其中确定用于所述多个子集中的每一个子集的便利性度量还包括，使用在所述交易之前获得的与第一集合的传感器不同的至少一个传感器的输出来确定用于所述多个子集中每一个子集的便利性度量。

9.如权利要求1所述的方法，其中从所述多个子集中选择用于所述交易的子集包括：

由所述授权引擎针对所述多个子集中的每一个子集使用对应的便利性度量确定来自于授权所述交易的预期收入；以及

由所述授权引擎从所述多个子集中选择用于所述交易的子集，所选择的子集被确定为具有高于传感器的所述多个子集中其它子集的预期收入的预期收入。

10.如权利要求9所述的方法，其中所述预期收入结合以下中的至少一个：来自授权所述交易的正确确定的利益或收入、由于授权所述交易的不正确确定导致的潜在损失、或者由于失去作为顾客的用户而导致的预期收入损失。

11.一种授权系统，所述系统包括：

传感器的集合，所述传感器的集合可用于促进用户的交易；

数据库，所述数据库被配置成存储用户的活动模式模型和传感器的活动模式模型中的至少一个；以及

授权引擎，所述授权引擎被配置成：

针对交易从所述数据库访问所述用户的活动模式模型，所述用户的活动模式模型指示用户随时间的地理空间行为；

确定可用于促进所述交易的所述传感器的集合，所述传感器中的每一个传感器在交易之前被分配有可用性值；

访问所述传感器的活动模式模型，所述传感器的活动模式模型指示所述传感器中一个或多个传感器随时间的地理空间特点；

使用所述用户的活动模式模型、所述传感器的活动模式模型和对应传感器的所述可用性值来确定用于所述传感器的多个子集中的每一个子集的便利性度量，所述多个子集中的每一个子集包括能够组合使用以促进所述交易的对应传感器；以及

使用所确定的便利性度量来从所述多个子集中选择用于所述交易的子集。

12.如权利要求11所述的系统，其中对应传感器的所述可用性值指示向所述对应传感器提供输入的用户努力量。

13.如权利要求11所述的系统，其中所选择的传感器子集包括生物特征传感器。

14.如权利要求11所述的系统，其中所述用户的活动模式模型或所述传感器的活动模式模型中的至少一个包括在所述交易的部分期间被动态更新的部件。

15.如权利要求11所述的系统，其中所述用户的活动模式模型或所述传感器的活动模式模型中的至少一个包括以下中的至少一个：序列模型、速度模型、周期模型、栖息地模型或神经网络模型。

16.如权利要求11所述的系统，其中所述授权引擎被配置成使用在所述交易之前获得的所述传感器中至少一个传感器的输出来确定用于所述多个子集中每一个子集的便利性度量。

17.如权利要求11所述的系统，其中所述授权引擎被配置成使用所述传感器中至少一个传感器的设备特定的度量来确定用于所述多个子集中每一个子集的便利性度量，其中所述设备特定的度量包括错误接受率、错误拒绝率或所获取的生物特征的质量。

18.如权利要求11所述的系统，其中所述授权引擎被配置成使用在所述交易之前获得的与第一集合的传感器不同的至少一个传感器的输出来确定用于所述多个子集中每一个子集的便利性度量。

19.如权利要求11所述的系统，其中所述授权引擎被配置成从所述多个子集中选择用于所述交易的子集，包括：

由所述授权引擎针对所述多个子集中每一个子集使用对应的便利性度量来确定来自于授权所述交易的预期收入；以及

由所述授权引擎从所述多个子集中选择用于所述交易的子集，所选择的子集被确定为具有高于传感器的所述多个子集中其它子集的预期收入的预期收入。

20.如权利要求19所述的系统，其中所述预期收入结合以下中的至少一个：来自授权所述交易的正确确定的利益或收入、由于授权所述交易的不正确确定导致的潜在损失、或者由于失去作为顾客的用户而导致的预期收入损失。

Images