CN107924548B - 使用可穿戴设备自动监视一位置处的实时活动以确定等待时间的系统和方法 - Google Patents
使用可穿戴设备自动监视一位置处的实时活动以确定等待时间的系统和方法 Download PDFInfo
- Publication number
- CN107924548B CN107924548B CN201680024243.6A CN201680024243A CN107924548B CN 107924548 B CN107924548 B CN 107924548B CN 201680024243 A CN201680024243 A CN 201680024243A CN 107924548 B CN107924548 B CN 107924548B
- Authority
- CN
- China
- Prior art keywords
- time
- user
- data
- estimated
- restaurant
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000000694 effects Effects 0.000 title claims description 33
- 238000012544 monitoring process Methods 0.000 title claims description 8
- 235000012054 meals Nutrition 0.000 claims abstract description 77
- 230000036962 time dependent Effects 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims description 64
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 40
- 239000008103 glucose Substances 0.000 claims description 40
- 239000008280 blood Substances 0.000 claims description 36
- 210000004369 blood Anatomy 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 13
- 210000000707 wrist Anatomy 0.000 claims description 6
- 230000035622 drinking Effects 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 235000013305 food Nutrition 0.000 description 29
- 238000001514 detection method Methods 0.000 description 18
- 230000003287 optical effect Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 235000021158 dinner Nutrition 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 235000021152 breakfast Nutrition 0.000 description 7
- 235000021156 lunch Nutrition 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 235000016213 coffee Nutrition 0.000 description 6
- 235000013353 coffee beverage Nutrition 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 235000011888 snacks Nutrition 0.000 description 5
- 230000009747 swallowing Effects 0.000 description 5
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 4
- 210000004247 hand Anatomy 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000001055 chewing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000000216 zygoma Anatomy 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- 235000003166 Opuntia robusta Nutrition 0.000 description 2
- 244000218514 Opuntia robusta Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 238000010972 statistical evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000167880 Hirundinidae Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000669 biting effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 235000009561 snack bars Nutrition 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
使用可穿戴设备估计诸如餐馆的位置处的估计等待时间和上餐时间的计算机实施的方法和系统包括从传感器数据的一些部分识别用户在估计就座时间坐在桌子旁。此外,传感器数据的部分可以用于识别用户已经在给定餐馆开始进餐。时间相关位置数据可以用于确定用户在当前位置处的估计到达时间。估计等待时间可以从所述估计就座时间与所述估计到达时间之间的差来确定。估计上餐时间可以从估计进餐时间与到达时间或进餐时间与就座时间之间的差来确定。指示所述估计时间的数据可以被传送到其它计算设备、在多个用户之间进行评估、和/或用于产生相关通知以便显现给其他用户。
Description
技术领域
本公开总体上涉及使用可穿戴设备来监视位置处的实时活动以便确定在相应位置处的等待时间,更具体地涉及使用来自移动计算设备的传感器数据来自动估计餐馆等待时间。
背景技术
顾客在选择餐馆时考虑的关键因素之一是目前的等待时间(例如,一个人或一群人在餐馆里就座之前必须等待的预计时间量)。等待时间的确定对于各种上餐馆的场合(例如典型的早餐、午餐、晚餐、小吃、咖啡和/或会议时间或其它特定时间或场合)可能有不同程度的重要性。等待时间信息的常规访问可能限于当潜在顾客亲自到访餐馆时获得的面对面的信息,或当潜在的顾客给餐馆打电话并且通过电话与餐馆员工通话时的电话中继信息。用于识别预计的服务时间信息的常规选项可以包括对服务员的类似的亲自询问,或者例如在餐馆评论网站上在线提供的历史信息的分析。
发明内容
本公开的实施例的方面和优点将部分地在以下描述中阐述,或者可以从描述中获悉,或者可以通过实践实施例来获悉。
本公开的一个示例方面涉及一种估计餐馆等待时间的计算机实施的方法。所述方法可以包括由一个或多个计算设备从来自用户操作的一个或多个移动设备的传感器数据的至少一个或多个部分识别用户在估计就座时间坐在餐馆桌子旁。所述方法还可以包括由所述一个或多个计算设备从来自所述用户操作的一个或多个移动设备的至少时间相关位置数据识别用户在当前位置的估计到达时间。所述方法可以进一步包括由所述一个或多个计算设备通过分析估计就座时间与估计到达时间之间的差来确定估计等待时间。所述方法可以另外进一步包括由所述一个或多个计算设备将指示用户在当前位置处的估计等待时间的数据传送到另一个计算设备。
本公开的另一个示例方面涉及一种估计餐馆上餐时间的计算机实施的方法。所述方法可以包括由一个或多个计算设备从来自用户操作的一个或多个移动设备的传感器数据的一个或多个附加部分识别所述用户在估计进餐时间已经开始进餐。所述方法还可以包括由所述一个或多个计算设备识别所述用户在餐馆处的估计到达时间或所述用户在餐馆处的估计就座时间中的一个或多个。所述方法可以进一步包括由所述一个或多个计算设备通过分析估计就座时间与估计进餐时间之间或估计到达时间与估计进餐时间中的一个或多个之间的差,来确定估计上餐时间。所述方法可以另外进一步包括由所述一个或多个计算设备将指示所述用户在当前位置处的估计上餐时间的数据传送到另一个计算设备。
本公开的其它示例方面涉及用于使用移动计算设备来估计餐馆等待时间和/或上餐时间的系统、装置、有形的非暂时性计算机可读介质、用户界面、存储器设备和电子设备。
参考以下描述和所附权利要求书,将更好地理解各种实施例的这些和其它特征、方面和优点。并入并构成本说明书的一部分的附图示出了本公开的实施例,并且与描述一起用于解释相关原理。
虽然本申请涉及餐馆的等待时间,但是应当理解,本文描述和要求保护的方法和系统可以用于实时监视和报告任何位置的活动,以便自动估计在相应位置处获得商品或服务的等待时间。
附图说明
说明书中阐述了针对本领域普通技术人员的实施方案的详细论述,说明书参考附图,其中:
图1提供了根据本公开的示例方面的可以由用户使用作为确定餐馆等待时间和/或上餐时间的一部分的移动设备(包括可穿戴移动设备)的示例概观;
图2提供了根据本公开的示例方面估计餐馆等待时间的示例方法的流程图;
图3提供了根据本公开的示例方面与从传感器数据的一个或多个部分识别用户坐在餐馆桌子旁有关的附加方面的流程图;
图4提供了根据本公开的示例方面估计上餐时间的示例方法的流程图;
图5提供了根据本公开的示例方面与从传感器数据的一个或多个附加部分识别用户正在进餐有关的附加方面的流程图;
图6提供了根据本公开的示例方面的用于实施餐馆等待时间和上餐时间估计的可穿戴计算设备内的系统组件的示例概观;
图7提供了根据本公开的示例方面的用于识别指示用户正坐在桌旁和/或进餐的特定活动的发生的存储在存储器设备中的附加组件的示例概观;
图8提供了根据本公开的示例方面的用于实施餐馆等待时间和上餐时间估计的移动计算设备内的系统组件的示例概观;
图9提供了根据本公开的示例方面的用于实施餐馆等待时间和上餐时间估计的存储在存储器设备内的附加组件的示例概观;
图10提供了根据本公开的示例方面的用于联网确定和传送餐馆等待时间和上餐时间信息的系统组件的示例概观;
图11提供了根据本公开的示例方面的包括用于传送餐馆的估计等待时间和/或上餐时间信息的通知的示例用户界面;以及
图12提供了根据本公开的示例方面的包括用于传送餐馆的估计等待时间和/或上餐时间信息的通知的另一个示例用户界面。
具体实施方式
现在将详细参考实施例,其一个或多个示例在附图中示出。通过说明实施例来提供每个示例,而不是为了限制本发明。事实上,对于本领域技术人员显而易见的是,在不脱离本公开的范围或精神的情况下,可以对实施例进行各种修改和变化。例如,作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用以产生又一个实施例。因此,意图是本公开的方面涵盖这些修改和变化。
在一些实施例中,为了获得本文描述的技术的益处,用户可能需要允许由可穿戴和/或非可穿戴计算设备收集的传感器数据、位置数据和其它相关信息的收集和分析。例如,在一些实施例中,可以向用户提供控制程序或特征是否收集这样的数据或信息的机会。如果用户不允许收集和使用这样的信号,则用户可能无法获得本文描述的技术的益处。还可以向用户提供撤销或修改同意的工具。此外,某些信息或数据可以在存储或使用之前以一种或多种方式处理,以便去除个人可识别数据或其它信息。
本公开的示例方面涉及用于自动估计在特定位置(例如餐馆或提供一个或多个商品和/或服务的营业场所)的目前等待时间的系统和方法。顾客在选择餐馆时考虑的关键因素之一是目前的等待时间(例如,一个人或一群人在餐馆里就座之前必须等待的预计时间量)。等待时间的确定对于各种上餐馆的场合(例如典型的早餐、午餐、晚餐、小吃、咖啡和/或会议时间或其它特定时间或场合)可能有不同程度的重要性。对等待时间信息的常规访问可能限于当潜在顾客亲自到访餐馆时获得的面对面的信息,或当潜在的顾客给餐馆打电话并且通过电话与餐馆员工通话时的电话中继信息。
在示例方面中,所描述的实施例涉及用于在例如餐馆的位置处自动监视一个或多个活动以及基于所述监视的结果来实时确定等待时间的技术。下面描述使用通过无线网络使用信号向/从一个或多个通信设备传送的传感器数据来实施这种技术,以实现特定餐馆或位置的实时等待时间。根据本公开的方面的示例实施例可以实时地自动估计餐馆等待时间,而不需要餐馆顾客的积极参与。相关传感器数据可以从当前的餐馆顾客收集,帮助识别和确定特定事件,例如该顾客的估计就座时间和估计进餐时间。传感器数据可以来自各种移动计算设备,包括可穿戴计算设备(例如,智能手表、腕戴式活动跟踪器、光学头戴显示器、耳挂设备、血糖监视器等)和/或其它装置(例如智能电话、平板计算机、笔记本计算机、个人数字助理(PDA)等)。
与特定用户相关联的传感器数据可以具有各种相关形式,以帮助识别特定用户已经坐下。相关传感器数据的一个示例可以包括来自移动设备的运动数据和/或定向数据,其可以用于识别移动设备在阈值时间段内处于水平位置。这可以是一个有意义的指标,指示顾客坐下后将他/她的电话放在餐馆桌子上。相关传感器数据的另一个示例可以包括来自腕戴式可穿戴设备的运动数据和/或定向数据,其可以用于检测指示用户坐在桌旁的特定运动模式(例如,将手放在桌子上、手部运动量减少、用户在喝东西等)的发生。相关传感器数据的另外的示例包括可以帮助检测特定声音模式(例如,餐具放在桌子上、玻璃杯叮当响、用户吞咽等)的发生的音频数据和/或可以帮助检测特定图像模式(例如,桌子、餐具/餐盘和/或餐客等的项目的识别)的发生的图像数据。时间数据也可用于帮助评估在特定餐馆或对于特定用户相对于特定餐馆的早餐、午餐、晚餐、咖啡、小吃等的典型时间窗发生某些事件的可能性。
从用户操作的一个或多个设备获得的传感器数据的集成部分可以帮助识别用户何时坐在桌旁(例如,估计的就座时间)。在一些实施例中,可以使用机器学习来评估所获得的传感器数据并开发将预定的传感器数据与触发对用户坐在餐馆桌子旁的识别的特定事件相关的分类器。例如,时间相关传感器数据可以成为使用例如神经网络、支持向量机(SVM)或其它机器学习过程的学习算法的训练分类器的特征。分类器可以经过训练,以评估何时一个人坐在餐馆桌子旁。然后,分类器实时地在用户的移动设备上运行,并识别用户正在餐馆就座的后续例子。
可以使用用于确定估计就座时间的类似过程来确定估计进餐时间。例如,传感器数据的附加部分可以帮助识别手部运动模式(例如,用户将食物放入嘴里)、指示咀嚼的颊骨/颊肌运动、在食物和/或进餐识别中一致的音频和/或图像模式、血糖水平升高等。也可以使用传感器数据的这些附加部分的选择组合来训练分类器并确定在餐馆上餐的后续例子(即估计进餐时间)。
根据本公开的方面可以识别的另一个参数可以包括到达餐馆时间。到达时间可以通过经由餐馆顾客使用的一个或多个移动设备可用的位置数据确定。在某些情况下,例如顾客坐在餐馆桌子旁、在给顾客上餐或顾客正在餐馆进餐的事件的检测可以用作确定用户在他/她的当前位置的估计到达时间的触发器。可以在时间序列上跟踪通过GPS、手机三角测量、无线网络识别、蓝牙低能量(BLE)信标或其它位置确定技术提供的位置传感器,以确定用户在当前位置已经有多长时间,并根据时间相关的位置数据推断出估计到达时间。
一旦估计到达时间、估计就座时间和估计进餐时间已被识别,就可以确定几个不同的等待时间。第一等待时间可以与用户到达餐馆直到用户坐在桌旁之间的时间量相对应。第二等待时间可以与用户坐在餐馆桌子旁和给用户上餐之间的时间量相对应。第三等待时间可以与用户到达餐馆和给用户上餐之间的总时间量相对应。
然后可以将确定的等待时间传送给其它计算设备以用于附加的统计处理。例如,远程计算设备可以从特定餐馆的多个用户收集餐馆等待时间,并通过组合不同用户的等待时间来评估一段时间(例如,10分钟)中的等待时间的统计量。示例统计量可以包括但不限于平均等待时间、中值等待时间、等待时间的方差、等待时间的预期值和等待时间的置信区间。
估计等待时间和/或上餐时间信息可以以各种不同的方式显现给餐馆的当前、将来和/或潜在的顾客。例如,一些信息可能包括特定餐馆的当前等待时间,而其它信息可能指示在给定时间(例如,7:00pm)在特定餐馆的典型等待时间。其它信息可以以警示的形式中继,例如发送给感兴趣的用户的通知,指示给定餐馆的估计等待时间何时低于特定阈值水平(例如当等待时间低于15分钟时弹出)。
根据示例实施例,移动设备可以包括在移动设备上运行的等待时间估计应用。如果用户同意收集与例如位置、到达时间、等待时间、其它时间、图像收集和/或分析、运动模式和/或其它传感器数据等属性相关的数据,则可以获得相关数据。可以从运行应用的移动设备或从其它可穿戴计算设备获取相关的传感器数据。可以使用相关的传感器数据来跟踪包括运动数据、定向数据、声音数据、图像数据、时间数据或其它相关信息的集成数据的特定模式的出现。可以实时分析收集到的信息以检测事件的发生,包括餐馆顾客在桌旁就座的发生。然后可以使用该发生来识别估计就座时间。估计到达时间可以通过移动设备收集的时间相关位置数据来确定。然后可以根据估计到达和就座时间之间的时间差来确定估计等待时间。可以在检测到之后使用用户已经开始进餐的传感器数据的附加部分相对于上餐时间估计附加等待时间。然后可以将估计等待时间中继到中央位置,在中央位置,可以在一段时间内在给定餐馆的多个用户之间组合并进一步分析等待时间。所确定的等待时间估计的统计结果可以与其它应用用户共享,包括当前、未来和/或潜在的餐馆顾客。
现在参照图1至图12,描绘了用于自动估计餐馆等待时间的示例系统和方法的各种具体方面。更具体地参照图1,一个或多个移动设备用户102、112是餐馆环境100中的顾客。用户102、112都已坐在桌子103旁。尽管图1中仅示出了两个用户102、112,但是应当理解,本公开可以用到访餐馆或其它提供餐饮服务的环境的任何数量的顾客来实施。此外,可以分别识别在不同桌子旁聚会的多组一个或多个顾客,并将其用于餐馆内平均等待时间的组合统计分析。
虽然示例实施例涉及相对于餐馆的数据和确定的等待时间,但是应当理解,本公开同样适用于食品服务行业内的其它设施,包括但不限于小吃店、酒吧、面包店、咖啡店、冰淇淋店、食品供应场所、市场、杂货店、便利店、特别活动食品摊、食品车、移动摊贩、农民集市、学校、酒店、膳宿场所、售货场所或任何其它储藏、准备、包装、服务、售卖和/或以其它方式提供用于人类消费的食物和/或饮料的设施。
由用户102、112操作的一个或多个移动设备可获得的传感器数据可用于检测餐馆内与确定等待时间相关的特定事件。例如,可以使用来自用户102、112操作的计算设备的传感器数据来确定例如估计就座时间(例如,用户102、112坐在桌子103旁的时间)和/或估计进餐时间(例如,给用户102、112上餐或其它预订项目的时间)之类的具体事件。估计就座时间和/或估计进餐时间可以与位置数据和/或其它电子数据相结合,以自动确定特定餐馆位置的等待时间和/或上餐时间并将其传送给其它计算设备。
还参照图1,用户102、112使用的各种计算设备可以包括一个或多个移动计算设备,例如智能电话104、114。其它移动计算设备可以包括平板计算机、移动电话、个人数字助理(PDA)、膝上型计算机、游戏系统、媒体播放器、电子书阅读器、电视平台、汽车导航系统、相机等等。由用户102、112操作的智能电话104、114或其它移动计算设备可以包括能够由移动计算设备执行以实行例如识别特定活动发生(例如,就座、进餐)的操作的指令。智能电话104、114还可以用作从用户102、112操作的其它可穿戴设备或移动计算设备收集传感器信息的数据收集中心。
根据示例实施例的用于收集传感器数据的移动计算设备还可以包括可穿戴计算设备。例如,用户102被描绘为在操作腕戴式活动跟踪器106,而用户112被描绘为在操作智能手表116。腕戴式设备106、116被配置成用于围绕用户的手腕的可操作定位,并用于分析包括与用户相关联的运动和/或定向数据的传感器数据。用户102还被描绘为在操作光学头戴式显示设备108,其可以更具体地对应于例如计算机化眼镜或计算机化头盔等可穿戴设备,其能够获得与等待时间和/或上餐时间确定相关的传感器数据部分。用户112还被描绘为在操作头戴式或耳挂设备118,其可对应于耳挂式蓝牙设备,例如用于与属于用户112的智能电话114的免提音频连接的蓝牙设备。耳挂设备118还可以包括运动和/或定向传感器,其被配置为检测例如用户的颧骨或颊肌的移动等事件,这潜在地指示用户112在进餐。用户112操作的另一个可穿戴设备可以包括血糖监视器(或血糖仪)120,其包括用于识别用户血液中的当前血糖或葡萄糖水平的一个或多个传感器。在示例实施例中也可以使用附加和/或替代的可穿戴设备。
在图1的示例中所示的传感器的特定实施方案中,腕戴式设备106、116可以包括能够分析用户102、112的手腕/手的运动和/或定向以检测指示用户102、112坐在桌旁的特定运动模式的传感器。相关运动模式的一个示例对应于用户将手放在桌子上,因为在用户102、112站着等待桌子或坐在餐馆中除了桌子之外的位置上时,可能不会执行该动作。用于指示用户已经就座的相关运动模式的另一个示例对应于用户的手部运动量减少。许多用户在站立时比他们坐在桌子旁时手的移动更多。用于指示用户就座的相关运动模式的又一个示例可以是用户的手/手腕从桌子移动到他的嘴,这潜在地指示用户在就座时在饮用水或另一种饮料。可以使用用户将他的手/手腕从桌子移动到他的嘴的另外并且重复的例子来帮助检测和识别用户的估计进餐时间。
在图1的示例中所示的传感器的其它特定实施方案中,光学头戴显示器108可以包括一个或多个传感器,例如图像传感器、运动检测传感器和音频传感器。设置在光学头戴显示器108内的图像传感器可用于检测用户102前面的帮助指示用户坐在桌边的特定项目。用于潜在检测的这种基于图像的项目包括桌子103、坐在用户102(例如顾客112)对面的客人、放在桌子103上的餐具/餐盘,例如盘子、玻璃杯和/或餐具等。可以分析其它获取或检测到的图像,包括显示食物或用户102的手在将食物朝他的脸/嘴拿的图像,以帮助识别用户102的估计进餐时间。光学头戴显示器108内的运动检测传感器可以帮助识别饮料朝用户的脸或嘴的运动,这可以潜在地指示用户在大约估计就座时间喝东西。另外地或者备选地,光学头戴显示器108内的运动检测传感器可以帮助识别食物朝用户的脸或嘴的运动,这可以潜在地指示用户在大约估计进餐时间进餐。设置在光学头戴显示器108内的音频传感器可以帮助检测特定声音模式(例如,餐具放在桌子上、玻璃杯叮当响、用户吞咽等)的发生。
光学头戴显示器108或包括音频和/或图像传感器的其它设备也可以检测帮助识别用户在室内或室外的音频和/或图像模式。在一个示例中,识别典型的室外元素,例如但不限于汽车、天空等等,可以指示用户仍在等待桌子,其中在室外等待的可能性比在室内大。如果特定的餐馆定期或根据季节有户外座位,则可以识别额外的训练数据,以帮助考虑这些信息,并从收集的用户周围环境的音频/图像数据进行适当的确定。
图1的示例中所示的传感器的另外的实施方案包括在耳挂设备118和/或血糖仪120内使用传感器。耳挂设备118可以包括音频传感器和/或运动传感器。耳挂设备118内的音频传感器可以帮助检测特定的声音模式(例如,餐具放在桌子上、玻璃杯叮当响、用户吞咽等),而运动传感器可以帮助检测可能潜在地指示吞咽的用户112的喉部运动和/或潜在地指示用户112的咀嚼的颧骨运动和/或颊肌移动。血糖仪120可以包括能够指示用户血液中的糖或葡萄糖量的一个或多个传感器。在一些示例中,当用户120提供血液样本时,血糖仪120可以包括手动或周期性地自动操作的独立葡萄糖传感器。在其它示例中,血糖仪120可以是胰岛素泵或能够对用户112进行持续血糖监视并且在需要时将胰岛素输送到用户的血流的其它设备的一部分。通过血糖仪120检测到的用户血糖水平升高可能是另一个潜在地指示用户已经在餐馆100内开始饮用和/或进食物品的事件。
在另外的示例中,图1中的用户102、112可以使用其移动设备104、114中的传感器来检测与上述相似的事件或附加事件。例如,包括智能电话等等的许多移动设备包括音频传感器、图像传感器、定向传感器和运动传感器,其可以用于检测潜在地指示用户102、112的估计就座时间和/或估计进餐时间的各种运动模式、声音模式和/或图像模式。因此,可以通过仅使用移动设备104、114来实现一些示例实施例。在其它示例实施例中,可以使用单独的或与移动设备(例如104、114)组合的移动计算设备(例如,仅单个可穿戴设备或许多可穿戴设备)的不同数量或组合来获得相关的传感器数据。应当理解,可以以不同的组合使用移动计算设备(包括可穿戴和非可穿戴设备)的不同组合,以实现检测用户在桌旁就座和/或进餐的事件的目的。
现在参考图2,估计餐馆等待时间的示例方法(200)可以包括从来自用户操作的一个或多个移动设备的传感器数据的至少一个或多个部分识别(202)用户坐在餐馆桌子旁。方法(200)的方面是相对于单个用户描述的,但是应该理解,相似的技术可以应用于给定桌子旁的多个用户、给定餐馆中的多个桌子和/或多个餐馆。与(202)中的识别相关的传感器数据的一个或多个部分可以包括例如从图1所示的各种可穿戴和非可穿戴的移动计算设备获得的传感器数据,其中包括但不限于来自运动传感器、定向传感器、音频传感器、图像传感器、血糖仪传感器等等的数据。关于可以用于识别(202)用户坐在餐馆桌子旁的传感器数据的附加细节参照图3进行描述。将用户识别为可能在餐馆桌子旁就座的时间称为估计就座时间。
仍然参照图2,方法(200)还可以包括确定(204)用户在当前位置(例如,用户正在到访的特定餐馆)的估计到达时间。由用户操作的移动计算设备,特别是例如图1的104、114的移动设备,通常包括能够自动确定用户当前地理位置并将该位置与特定位置实体(例如,餐馆或其它营业场所)相关的一个或多个位置传感器。位置数据可以使用移动计算设备通过例如全球定位系统(GPS)、手机信号三角测量、无线网络识别和信号强度分析、蓝牙低能量(BLE)信标或其它位置确定技术等特定技术来确定。另外地或替代地,可以从传感器数据推导出在(204)处确定的估计到达时间,例如,通过识别由各种移动计算设备捕获的图像数据中的餐馆或餐馆区域,识别由各种移动计算设备等捕获的音频数据中的给定餐馆的典型的声音或音频模式等等。例如图像和/或音频剪辑的传感器数据还可以包括相关联的元数据,包括可用于帮助识别与用户的当前位置和/或到达时间相对应的特定机构的地理标记和/或时间戳。
可以从位置数据收集特定的地理坐标(例如纬度/经度或其它地理标识符),并与已知位置实体的数据库进行比较,以识别用户的特定当前位置。换句话说,在确定(204)中分析的位置数据可以包括特定的当前地理位置,其包括纬度/经度标识符、街道地址标识符和/或位置实体标识符(例如,餐馆或其它商业机构的名称)中的一个或多个。与用户的家庭和/或工作位置相关联的已知的地理坐标和其它位置信息还可以有助于区分用户在餐馆进餐时的情况和在家进餐时的情况,其中在家进餐时等待时间可能不太重要或不需要分析。
在确定(204)中分析的位置数据可以是时间相关的,以便确定用户在他当前位置处的估计到达时间。在许多情况下,时间相关位置数据对应于在一个或多个时间序列中分析的位置数据。用户的位置数据历史可以与相关时间戳一起存储,然后可以被分析,以便从估计到达时间直到现在确定用户在当前位置已经停留了多长时间。在某些示例中,例如用户坐在餐馆桌子旁、在给用户上餐或用户正在餐馆进餐的事件的检测可以用作确定用户在他/她的当前位置的估计到达时间的触发器。触发事件使得位置数据传感器分析用户的位置历史以确定用户已经在他当前位置停留的当前持续时间(例如,x分钟)。从当前时间减去此当前持续时间,可以提供用户在当前位置的到达时间的估计。在其它示例中,与识别用户到达他当前位置的位置数据相关联的时间戳可用于确定用户在他当前位置处的估计到达时间。
仍然参照图2,可以在(206)处确定对应于用户在到达餐馆之后等待直到坐在桌子旁的时间量的估计等待时间。在一些示例中,在(206)处确定的估计等待时间可以对应于在(202)处识别的估计就座时间与在(204)处确定的估计到达时间之间的时间差。在其它示例中,可以从触发事件(例如,用户坐在餐馆桌子旁)与用户当前位置的推导的到达时间之间的持续时间更直接地确定在(206)处确定的估计到达时间。时间和位置分析的另外的具体形式可以用于估计用户的到达时间和用户在其当前位置等待直到坐在桌子旁的相应的持续时间。
在(206)处确定估计等待时间可以提供几个优点。当在不需要用户的积极参与的情况下从特定识别的活动自动确定等待时间时,可以认识到一个优点。用户将可以通过手动地将数据输入到移动计算设备中来手动指示特定事件的发生,包括用户的到达时间、就座时间、等待时间等等。一些电子应用包括用户“登记”到当前位置并指示相关数据(如等待时间等)的机会。然而,使用传感器数据和自动事件检测分析消除了用户积极参与提供等待时间信息的需要。
对于特定餐馆在(206)处确定的等待时间可能是对于与餐馆相关联的其它人有价值的信息,包括等待桌子的当前顾客、有意了解等待时间的实际或潜在的将来顾客、餐馆所有者或其它可能希望记录餐馆等待时间的实体等等。这样,可以在(208)处将指示对于给定用户在(206)处确定的估计等待时间的数据传送到另一个计算设备。指示估计等待时间的数据可以包括实际估计等待时间、用于计算估计等待时间的数据、指示估计等待时间或相关信息的图像和/或音频通知、和/或其它相关数据。在一些示例中,可以在(208)处将指示估计等待时间的数据传送到一个或多个服务器或其它远程计算设备,以用于集中收集等待时间信息、附加统计分析和/或其它进一步的处理。在其它示例中,可以在(208)处将指示估计等待时间的数据传送到由订阅了与特定位置有关的信息的顾客操作的其它移动计算设备。例如,计划在当前或将来时段期间到访餐馆A的用户可以订阅接收关于餐馆A的当前等待时间的信息,并接收在(208)处传送的估计等待时间数据。在其它示例中,直到在(210)处进行了附加统计分析之后,用户才会接收这个信息。
可以在(210)处执行统计分析,以组合来自当前位置或给定餐馆的多个用户的估计等待时间。例如,远程计算设备可以从特定餐馆的多个用户收集餐馆等待时间,并通过组合不同用户的等待时间来评估一段时间(例如,10分钟)中的等待时间的统计量。示例统计量可以包括但不限于平均等待时间、中值等待时间、等待时间的方差、等待时间的预期值和等待时间的置信区间。
可以用各种各样的方式将相对于各餐馆的估计等待时间在(210)处计算的统计量显现给其它联网计算设备。例如,由餐馆的当前、将来和/或潜在顾客、餐馆的所有者/运营者或其它人操作的其它计算设备可以包括程序、应用、对网站的互联网访问或用于访问等待时间通知以及其它等待时间信息的其它特征。可以在(212)处向由其他用户操作的联网计算设备提供不同餐馆的估计等待时间统计量的通知。
通知可以用各种有意义的方式提供等待时间统计量和相关信息。例如,在(212)处提供的一些通知信息可能包括特定餐馆的当前等待时间,而其它信息可能指示在给定时间(例如,7:00pm)在特定餐馆的典型等待时间。其它信息可以以警示的形式中继,例如发送给感兴趣的用户的通知,指示给定餐馆的估计等待时间何时低于特定阈值水平(例如当等待时间低于15分钟时弹出)。在(212)处提供的通知信息可以以条形图或其它图形表示的形式提供,其中对于一周不同的日子(例如,星期一、星期二、星期三、星期四、星期五、星期六、星期日)或日子的子集(例如,工作日白天、工作日晚上、周末白天、周末晚上等)在不同时间段中(例如,每小时、每半小时、每十分钟等)显示估计等待时间。其它形式的通知和此信息的特定传送方式也在本公开的范围内。
在一些示例中,在(212)处提供的通知可以是设计成为不同餐馆和商业机构提供等待时间估计的特定应用或程序的一部分。在其它示例中,在(212)处提供的通知可以是更一般的互联网搜索工具(例如谷歌公司提供的谷歌搜索)的一部分。使用谷歌搜索搜索餐馆或其它商家时,可以提供餐馆的附加详细信息,包括地址、电话号码、营业时间和该餐馆的热门时间。根据本公开识别和/或确定的相关数据能够帮助提供识别餐馆的热门时间的信息,或者能够帮助提供识别餐馆的估计等待时间和/或上餐时间的新信息。可以以各种方式提供特定餐馆的热门时间、估计等待时间和/或估计上餐时间,以便以各种方式向用户显示,例如用可以在餐馆的营业时间中逐日滚动的条形图的方式。
现在参照图3,描绘了与(202)处的估计就座时间的识别相关的附加方面。附加方面(220)-(230)可以分别被选择性地并入到(202)处的识别中。不是在每个示例实施例中都需要使用所有方面。在其它实施例中,可以采用(220)-(230)中所描绘的那些方面的附加或替代的方面,作为在(202)处识别估计就座时间的一部分。
在(202)处识别估计就座时间的一些示例中,可以分析来自移动设备的运动数据和/或定向数据以在(220)处识别移动设备在阈值时间段中处于水平位置。在(220)处分析的数据可以对应于从在图1所示的移动设备104、114内提供的运动/定向传感器(例如罗盘、陀螺仪、加速度计等等)获得的数据。这种水平位置数据可以是顾客就座后将他/她的电话或其它移动设备放在餐馆桌子上的有意义的指示。
在(202)处识别估计就座时间的另一个示例可以在(222)处分析来自腕戴式可穿戴设备的运动数据和/或定向数据。可以分析从腕戴式可穿戴设备获得的传感器数据,以检测指示用户坐在桌子旁的特定运动模式(例如,将手放在桌子上、手部运动相对于站立时减少、坐在桌子旁后立刻或者不久就喝东西等等)的发生。在(222)处分析的数据可以对应于从例如在图1所示的活动跟踪器106和/或智能手表116的腕戴式可穿戴设备内提供的运动/定向传感器获得的数据。
在(202)处识别估计就座时间的另一示例可以在(224)处分析来自一个或多个音频传感器(例如,作为移动计算设备中的麦克风的一部分提供的音频传感器)的音频数据。从音频传感器获得的传感器数据可以帮助检测特定声音模式(例如,餐具放在桌子上、玻璃杯叮当响、用户吞咽饮料等)的发生。提供在(224)处分析的数据的音频传感器可以从各种设备获得,例如但不限于图1中的光学头戴式设备108、耳挂式设备118、移动设备104、114等等。
在(202)处识别估计就座时间的又另一个示例可以在(226)处分析来自一个或多个图像传感器(例如,作为移动计算设备中的相机的一部分提供的图像传感器)的图像数据。从图像传感器获得的传感器数据可以帮助检测特定图像模式(例如,例如桌子、餐具/餐盘和/或餐客等的项目的识别)的发生。在(226)处分析的图像数据可以从各种设备获得,例如但不限于图1中的光学头戴式设备108和/或移动设备104、114等等。
可以用作在(202)处识别估计就座时间的一部分的另一个附加和/或替代类型的数据可以包括时间数据。时间数据可在(228)处用于帮助评估在特定餐馆或对于特定用户相对于特定餐馆并且对于特定用户的早餐、午餐、晚餐、咖啡、小吃等的典型时间窗发生某些事件的可能性。例如,如果在大约7:00pm检测到位于用户面前的桌子的图像模式,则倾向于确定在典型的晚餐时间窗期间用户已经坐在餐馆桌子旁,用较高分数对这样的检测到的图像模式进行加权可能是有益的。在其它示例中,特定用户在外面吃早餐的可能性或许比午餐或晚餐高。具体的设置或评分偏好可以针对给定用户针对不同时间窗预先配置并编程,以帮助获得的时间数据为(228)处的分析提供最有意义的附加因素。
仍然参照图3,在(202)处识别估计就座时间的附加方面涉及在(230)处使用分类器训练。虽然在图3的流程图中表示为最后的方面(230),但是应当理解,在(230)处的分类器训练可以作为识别(202)中的初始训练步骤来完成,使得在(220)-(228)处获得和分析的传感器数据具有用于分析的有意义的网格。以这种方式,可以将在(220)-(228)处获得和分析的传感器数据的一个或多个部分与预先配置的分类器进行比较,所述预先配置的分类器使预定的传感器数据与触发对坐在桌子旁的用户的识别的特定事件相关。在分类器训练的一些示例中,可以在(230)处使用机器学习来评估获得的传感器数据。例如,时间相关传感器数据可以成为使用例如神经网络、支持向量机(SVM)或其它机器学习过程的学习算法的训练分类器的特征。分类器可以经过训练,以评估何时一个人坐在餐馆桌子旁。然后,分类器实时地在用户的移动设备上运行,并通过实时分析获得的传感器数据来识别用户在餐馆就座的后续实例。
现在参照图4至图5,示出了估计上餐时间的示例方法(240)和该方法的相关方面。估计上餐时间也可以被认为是餐馆等待时间的一种形式。然而,为了术语定义,本文所述的“估计等待时间”用于指代顾客从到达到就座的典型等待时间,而本文所述的“估计上餐时间”用于指代到在餐馆上餐为止的等待时间。从本公开可以理解,可以相对于不同的持续时间(例如,从餐馆的估计到达时间和/或从餐馆的估计就座时间)来计算上餐时间。
在图4中,方法(240)可以包括从来自用户操作的一个或多个移动设备的传感器数据的至少一个或多个附加部分识别(242)用户已经开始在餐馆桌子旁进餐。方法(240)的一些方面是相对于单个用户描述的,但是应该理解,相似的技术可以应用于给定桌子旁的多个用户、给定餐馆中的多个桌子和/或多个餐馆。与(242)中的识别相关的附加的传感器数据的一个或多个部分可以包括例如从图1所示的各种可穿戴和非可穿戴的移动计算设备获得的传感器数据,其中包括但不限于来自运动传感器、定向传感器、音频传感器、图像传感器、血糖仪传感器等等的数据。关于可以用于识别(242)用户已经开始在餐馆位置上进餐的传感器数据的附加细节参照图5进行描述。将用户识别为可能已经开始进餐的时间称为估计进餐时间。
仍然参照图4,方法(240)还可以包括通过分析在(242)处识别的估计进餐时间与初始时间之间的时间差来确定(244)估计上餐时间。在一些示例中,初始时间对应于在(202)处针对给定餐馆处的特定用户识别的估计就座时间,使得在(244)处确定的估计上餐时间对应于在(202)处识别的估计就座时间与在(242)处确定的估计进餐时间之间的持续时间。在其它示例中,初始时间对应于在(204)处在给定餐馆针对特定用户识别的估计到达时间,使得在(244)处确定的估计上餐时间对应于在(204)处识别的估计到达时间与在(242)处确定的估计进餐时间之间的持续时间。
在(244)处确定估计上餐时间可以提供几个优点。一个优点可以包括从特定识别的活动自动确定上餐时间而不需要用户的积极参与。用户将可以通过手动地将数据输入到移动计算设备中来手动指示特定事件的发生,包括用户的到达时间、就座时间、进餐时间、等待时间等等。一些电子应用包括用户“登记”到当前位置并指示相关数据(如上餐时间等)的机会。然而,使用传感器数据和自动事件检测分析消除了用户积极参与提供上餐时间信息的需要。
对于特定餐馆在(244)处确定的上餐时间可能是对于与餐馆相关联的其它人有价值的信息,包括等待桌子的当前顾客、有意了解等待时间的实际或潜在的将来顾客、餐馆所有者或其它可能希望记录餐馆等待时间的实体等等。这样,可以在(246)处将指示对于给定用户在(244)处确定的估计上餐时间的数据传送到另一个计算设备。指示估计上餐时间的数据可以包括实际估计上餐时间、用于计算估计上餐时间的数据、指示估计上餐时间或相关信息的图像和/或音频通知、和/或其它相关数据。在一些示例中,可以在(246)处将指示估计上餐时间的数据传送到一个或多个服务器或其它远程计算设备,以用于集中收集上餐时间信息、附加统计分析和/或其它进一步的处理。在其它示例中,可以在(246)处将指示估计上餐时间的数据传送到由订阅了与特定位置有关的信息的顾客操作的其它移动计算设备。例如,计划在当前或将来时段期间到访餐馆A的用户可以订阅接收关于餐馆A的当前上餐时间的信息,并接收在(246)处传送的估计上餐时间数据。在其它示例中,直到在(248)处进行了附加统计分析之后,用户才会接收这个信息。
可以在(248)处执行统计分析,以组合来自当前位置或给定餐馆的多个用户的估计上餐时间。例如,远程计算设备可以从特定餐馆的多个用户收集上餐时间,并通过组合不同用户的上餐时间来评估一段时间(例如,10分钟)中的上餐时间的统计量。示例统计量可以包括但不限于平均上餐时间、中值上餐时间、上餐时间方差、上餐时间的预期值以及上餐时间的置信区间。
可以用各种各样的方式将相对于各餐馆的估计上餐时间在(248)处计算的统计量显现给其它联网计算设备。例如,由餐馆的当前、将来和/或潜在顾客、餐馆的所有者/运营者或其它人操作的其它计算设备可以包括程序、应用、对网站的互联网访问或用于访问上餐时间通知以及其它等待时间信息的其它特征。可以在(250)处向由其他用户操作的联网计算设备提供不同餐馆的估计上餐时间统计量的通知。通知可以用各种有意义的方式提供上餐时间统计量和相关信息。例如,在(250)处提供的一些通知信息可能包括特定餐馆的当前上餐时间,而其它信息可能指示在给定时间(例如,7:00pm)在特定餐馆的典型上餐时间。其它信息可以以警示的形式中继,例如发送给感兴趣的用户的通知,指示给定餐馆的估计上餐时间何时低于特定阈值水平(例如当上餐时间低于15分钟时弹出)。通知以及该信息的特定传送方式的另外的形式在本公开的范围内,并且包括提供等待时间信息和上餐时间信息两者的通知的组合。
现在参照图5,描绘了与(242)处的估计进餐时间的识别相关的附加方面。附加方面(260)-(268)可以分别被选择性地并入到(242)处的识别中。不是在每个实施例中都需要使用所有方面。在其它实施例中,可以采用(260)-(268)中所描绘的那些方面的附加或替代的方面,作为在(242)处识别估计进餐时间的一部分。
在(242)处识别估计进餐时间的一些示例中,可以在(260)处分析来自腕戴式可穿戴设备的运动数据和/或定向数据。可以分析从腕戴式可穿戴设备获得的传感器数据,以检测指示用户进餐的特定运动模式(例如,手反复移动到一起指示组合使用多个餐具以切割或操纵食物,手从桌子/盘子反复移动到嘴部指示用户将食物带到他的嘴部等等)的发生。在(260)处分析的数据可以对应于从例如在图1所示的活动跟踪器106和/或智能手表116的腕戴式可穿戴设备内提供的运动/定向传感器获得的数据。
在(242)处识别估计进餐时间的另一个示例可以在(262)处分析来自一个或多个音频传感器(例如,作为移动计算设备中的麦克风的一部分提供的音频传感器)的音频数据。从音频传感器获得的传感器数据可以帮助检测特定声音模式(例如,餐具反复地叮当响、咀嚼、吞咽等)的发生。提供在(262)处分析的数据的音频传感器可以从各种设备获得,例如但不限于图1中的光学头戴式设备108、耳挂式设备118、移动设备104、114等等。
在(242)处识别估计进餐时间的又另一个示例可以在(264)处分析来自一个或多个图像传感器(例如,作为移动计算设备中的相机的一部分提供的图像传感器)的图像数据。从图像传感器获得的传感器数据可以帮助检测特定图像图案(例如,识别例如放置在桌子上的食物等物品、用户将食物和/或餐具带到他的嘴部等等)的发生。在(264)处分析的图像数据还可以包括用户可能给他的饭菜或其它餐品拍摄的照片。还可以分析与捕获的图像数据相关联的图像元数据,包括地理标记和/或时间戳等,以帮助在(242)处识别估计进餐时间和在本公开的其它方面中分析的位置数据。提供在(264)处分析的数据的图像数据可以从各种设备获得,例如但不限于图1中的光学头戴式设备108和/或移动设备104、114等等。
在(242)处识别估计进餐时间的又另一示例可以在(266)处分析来自相对于用户的头部、面部或嘴部定位的一个或多个运动传感器的运动数据。从这种运动传感器获得的运动传感器数据可以有助于检测指示用户进餐的特定运动模式的发生,例如颊骨移动和/或颊肌移动的发生。在(266)处分析的运动传感器数据可以从各种设备获得,例如但不限于图1中的耳挂式设备118等等。
可以用作在(242)处识别估计进餐时间的一部分的另一个另外和/或替代类型的数据可以包括时间数据。时间数据可在(268)处用于帮助评估在特定餐馆或对于特定用户相对于特定餐馆并且对于特定用户的早餐、午餐、晚餐、咖啡、小吃等的典型时间窗发生某些事件的可能性。例如,如果在大约7:00pm检测到位于用户面前的食物的图像模式,则倾向于确定在典型的晚餐时间窗期间用户已经在餐馆桌子旁开始进餐用较高分数对这样的检测到的图像模式进行加权可能是有益的。在其它示例中,特定用户在外面吃早餐的可能性或许比午餐或晚餐高。具体的设置或评分偏好可以针对给定用户针对不同时间窗预先配置并编程,以帮助获得的时间数据为(268)处的分析提供最有意义的附加因素。
可以用作在(242)处识别估计进餐时间的一部分的又另外和/或替代类型的数据可以包括血糖数据。血糖数据可在(270)处用于识别可以指示用户在进餐的升高的血糖水平。可以将给定用户特定的平均血糖曲线模型或血糖曲线模型用作与当前血糖水平进行比较的基础,并识别可能对应于用户进餐的升高情况。
仍然参照图5,在(242)处识别估计进餐时间的附加方面涉及在(272)处使用分类器训练。虽然在图5的流程图中表示为最后的方面(272),但是应当理解,在(272)处的分类器训练可以作为识别(242)中的初始训练步骤来完成,使得在(260)-(270)处获得和分析的传感器数据具有用于分析的有意义的网格。以这种方式,可以将在(260)-(270)处获得和分析的传感器数据的一个或多个部分与预先配置的分类器进行比较,所述预先配置的分类器使预定的传感器数据与触发对用户在进餐的识别的特定事件相关。在分类器训练的一些示例中,可以在(272)处使用机器学习来评估获得的传感器数据。例如,时间相关传感器数据可以成为使用例如神经网络、支持向量机(SVM)或其它机器学习过程的学习算法的训练分类器的特征。分类器可以经过训练,以评估何时一个人坐在餐馆桌子旁。然后,分类器实时地在用户的移动设备上运行,并通过实时分析获得的传感器数据来识别用户在进餐的后续例子。
现在参照图6至图10,描绘了用于实施等待时间和/或上餐时间估计技术的设备和/或系统组件的各种示例。图6提供了可穿戴计算设备300内的系统组件的示例概观。可穿戴计算设备300可对应于图1所示的任何可穿戴设备,包括但不限于活动跟踪器106、智能手表116、光学头戴式显示设备108、耳挂式设备118、血糖仪120等等。
可穿戴计算设备300可以包括至少一个电源设备302、至少一个传感器304、至少一个存储器设备306、至少一个处理器308和至少一个通信设备310。可穿戴计算设备300可能在整体复杂性、组件数量和组件类型上不同,因此应当理解,一些可穿戴计算设备可以包括比其它可穿戴计算设备更多或更少的组件或包括不同组件。例如,当可穿戴计算设备对应于如图1所示的光学头戴式显示器108时,它可以包括比血糖仪120更多的传感器和相关组件。
电源设备302可以包括任何类型的能量存储设备,例如电池或电容设备,其可选地可再充电。在一些示例中,电源设备302可以包括无源能量源,例如能够整流从询问(interrogating)RF场或电磁场接收的能量以便为可穿戴计算设备200内的其它电路供电的能量源。
还可以在可穿戴计算设备300内设置一个或多个传感器304。尽管可以在可穿戴计算设备300的一些示例中设置多个传感器,但是其它示例限制了每个可穿戴计算设备的传感器的数量。例如,包括在如图1所示的活动跟踪器106中的传感器304可以包括运动传感器和/或定向传感器。包括在如图1所示的智能手表116和/或光学头戴式显示器108中的传感器304可以包括运动传感器、定向传感器、音频传感器和/或图像传感器。包括在如图1所示的耳挂式设备118中的传感器304可以包括运动传感器和/或音频传感器。包括在如图1所示的血糖仪120中的传感器304可以包括血糖传感器。其它实施例中可以包括和使用附加传感器。
由一个或多个传感器304捕获的数据以及可穿戴计算设备300内的其它信息可以存储在一个或多个存储器设备306内。一个或多个存储器设备306可以包括一个或多个计算机可读介质,包括但不限于有形的、非暂时性的计算机可读介质、RAM、ROM、硬盘驱动器、闪存存储器或其它存储器设备。在一些示例中,存储器设备306可对应于划分在多个位置或移动计算设备上的协同数据库。
一个或多个存储器设备306还可以存储一个或多个处理器308可访问的信息,其中包括可由一个或多个处理器308执行的指令。一个或多个处理器308可以包括任何合适的处理设备,例如微处理器、微控制器、集成电路、逻辑设备、一个或多个中央处理单元(CPU)和/或其它处理设备。一个或多个存储器设备306还可以包括可被一个或多个处理器308检索、操纵、创建或存储的数据。
存储在一个或多个存储器设备306内的指令和/或算法可以帮助实施各种计算机实施的方法。还可以在存储器设备306内存储这样的指令,其有助于实施一个或多个传感器304的智能操作,使得只有当在可穿戴计算设备处观察到预定事件时,传感器才获得数据。例如,仅当在可穿戴计算设备附近检测到移动时,才能通过一个或多个图像传感器获得图片。
可穿戴计算设备300还可以包括一个或多个通信设备310,以促进从可穿戴计算设备300到与特定用户相关联的另一个可穿戴计算设备、移动计算设备、远程计算设备、家庭计算设备的通信,或者到可以用于发生与这种设备或其它设备的通信的网络的通信。在一些示例中,通信设备310可以包括用于经由一种或多种通信技术(例如但不限于Wi-Fi、蓝牙、Zigbee、NFC或其它电磁感应技术)通过短距离通信网络与其它计算设备通信的网络接口。在又附加示例中,通信设备210可以包括用于连接到例如局域网(例如,内联网)、广域网(例如,互联网)、蜂窝网络或其某种组合等其它类型的通信网络的网络接口。这样的网络接口可以包括用于与一个或多个网络接口连接的任何合适的组件,包括例如发射器、接收器、端口、控制器、天线或其它合适的组件。
尽管图6示出了可以包括在可穿戴计算设备300内的电子组件的类型的一个示例,应当理解,其它示例可以调适现有的计算设备以执行可穿戴计算设备的所需功能。例如,现有计算设备(例如移动设备、智能电话、平板计算机、笔记本计算机、可穿戴计算设备等等)内的存储器可以用指令进行编程,这些指令使得现有的计算设备执行用于可穿戴计算设备的计算机实施的方法。
图7描绘了可以存储在可穿戴计算设备300的存储器设备306内的数据和算法或其它计算机可执行步骤形式的可执行指令的更具体的方面。在一些示例中,由可穿戴计算设备300的一个或多个传感器304捕获的传感器数据320可被存储在存储器设备306中。根据可穿戴计算设备300的类型和配置,传感器数据320可以包括一个或多个特定类型的数据,包括但不限于运动数据322、定向数据324、图像数据326、音频数据328和血糖数据330。传感器数据320可以包括可能与用户坐在餐馆桌子旁和/或在餐馆环境中进餐的确定相关的数据。
预定义活动数据340和活动检测算法350也可以存储在存储器设备306内。可以收集预定义的活动数据作为从单个用户或多个用户测量的标记的训练集或标记的传感器数据,其定义一个人正在坐着或不在坐着和/或在进餐或不在进餐。预定义活动数据340还可以包括使用例如神经网络(NN)或支持向量机(SVM)学习技术的过程的一个或多个训练分类器。训练分类器可以帮助定义指示例如一个人坐在桌旁或不坐在桌旁和/或在进餐或不在进餐等特定事件发生的数据模型。活动检测算法350可以处理由一个或多个可穿戴计算设备中的传感器304获得的传感器数据306。例如,活动检测算法350可以基于由传感器304获得并与至少预定义的活动数据340比较的数据来生成用户坐在桌旁和/或进餐的至少一个由计算机生成的指示。在一些示例中,活动检测算法350包括在图2的(202)处实施用户坐在餐馆桌子旁的识别并且如图2的方面中更具体地描述的计算机可执行指令。在一些示例中,活动检测算法350还包括在图4的(242)处实施用户正在进餐的识别并且如图5的方面中更具体地描述的计算机可执行指令。
传感器数据320、预定义活动数据340和活动检测算法350之间的交互的一个具体示例对应于监视用户的血糖数据以帮助确定用户是否正在进餐。例如,如果可穿戴计算设备300是血糖仪,则传感器304可获得指示用户当前血糖水平的血糖数据330。活动检测算法350可以将用户当前血糖数据330与预定义的活动数据340进行比较,包括定义特定用户正在进餐的典型血糖水平升高的数据。活动检测算法350然后可以使用通信设备310将检测到的用户血糖水平升高的发生传送给另一计算设备。
虽然传感器数据320、预定义活动数据340和活动检测算法350被示出为包括在与可穿戴计算设备300相关联的存储器设备306中,但是该数据和指令可以另外地或替代地包括在与给定用户相关联的另一个可穿戴计算设备或非可穿戴计算设备上、远程计算设备上,和/或分布在例如本地计算设备和远程计算设备的多个计算设备上。
图8至图9在许多方面类似于图6至图7,但是旨在描绘非可穿戴移动计算设备中的设备或系统组件,而不是用于实施餐馆等待时间和上餐时间估计的可穿戴计算设备。图8所示的移动计算设备360可以对应于非可穿戴移动设备,例如图1所示的智能电话104、114。移动计算设备360的一些示例可以包括比可穿戴计算设备300更多的组件,因为非可穿戴设备中的设备尺寸、位置和功能限制更少。
在一些示例中,包括在移动计算设备360内的组件类似于包括在可穿戴计算设备300内的组件。例如,移动计算设备360的电源设备362可以等同于可穿戴计算设备300的电源设备302。移动计算设备360的一个或多个传感器364可以等同于可穿戴计算设备300的传感器304。移动计算设备360的一个或多个存储器设备366可以等同于可穿戴计算设备300的一个或多个存储器设备306。移动计算设备360的一个或多个处理器376可以等同于可穿戴计算设备300的一个或多个处理器308。移动计算设备360的一个或多个通信设备368可以等同于可穿戴计算设备300的一个或多个通信设备310。因此,与图6所示的这些组件相对应的描述同样适用于图8所示的类似组件。
在一些示例中,移动计算设备360可以包括附加组件,例如但不限于一个或多个输入设备370、一个或多个输出设备372以及一个或多个位置传感器374。输入设备370可以包括例如触摸屏、触摸板、数据输入键和/或适合于语音识别的麦克风之类的设备。输出设备372可以包括音频或视觉输出,例如用于提供音频输出的扬声器、用于提供图形用户界面或其它可视消息或通信内容的显示器、用于提供闪烁指示器的灯、或用于提供体感和/或触觉响应的设备等等。位置传感器374可以包括GPS设备、BLE信标检测器或其它设备或设备组合以及指令,其可以确定用户的当前位置以便识别与用户的当前地理位置相关联的到达时间和/或特定餐馆。
图9描绘了可以存储在移动计算设备360的存储器设备366内的数据和算法或其它计算机可执行步骤形式的可执行指令的更具体的方面。在一些示例中,由移动计算设备360的一个或多个传感器364和/或由可穿戴计算设备300的一个或多个传感器304捕获的传感器数据380可被存储在存储器设备366中。与传感器数据320类似,传感器数据380可以包括一个或多个特定类型的数据,包括但不限于运动数据、定向数据、图像数据、音频数据、时间数据和血糖数据。传感器数据380可以包括可能与用户坐在餐馆桌子旁和/或在餐馆环境中进餐的确定相关的数据。位置数据382对应于由位置传感器374确定的和/或与在(204)处用于确定用户当前位置处的估计到达时间的时间相关位置数据相关的当前位置信息。
存储器设备366还可以包括分别存储为算法384-390的各种计算机可执行指令集,包括等待时间评估算法384、上餐时间评估算法386、统计评估算法388和通知算法390。在一些示例中,等待时间评估算法384可以包括实施图2的估计就座时间的识别(202)、估计到达时间的确定(204)、估计等待时间的确定(206)和估计等待时间到另一个计算设备的传送(208)的计算机可执行指令。在一些示例中,上餐时间评估算法386可以包括实施图4的估计进餐时间的识别(242)、估计上餐时间的确定(244)和估计上餐时间到另一个计算设备的传送(246)的计算机可执行指令。在一些示例中,统计评估算法388可以包括实施图2中的(210)处的估计等待时间的组合和/或图4中的(250)处的估计上餐时间的组合的计算机可执行指令。在一些示例中,通知算法390可以包括实施图2中的(212)处或图4中的(252)处的提供通知的计算机可执行指令。
图10提供了针对多个餐馆实施的用于餐馆等待时间和上餐时间信息的联网确定和传送的系统组件的示例概观。图10描绘了为了在餐馆A 400和餐馆B 440处的等待时间估计而提供的组件。虽然图10中示出了两个不同的餐馆400、440,但是示例实施例可以针对给定区域、给定国家或世界的许多不同位置处的更多数量的餐馆实施。
在餐馆A,一定数量(N)的不同用户共同提供可用于估计餐馆A的等待时间和/或上餐时间的相关传感器数据。用户1 402、用户2 404直到用户N 406各自可以操作多个相应的客户端设备。例如,用户1 402可以具有一个或多个可穿戴计算设备408和/或非可穿戴移动计算设备410,而用户2 404可以具有一个或多个可穿戴计算设备412和/或非可穿戴移动计算设备414,并且用户N 406可以具有一个或多个可穿戴计算设备416和/或非可穿戴移动计算设备418。
在一些示例中,餐馆A中的每个相应用户1,2,...,N的一个或多个客户端设备捕获相关的传感器数据,并且确定估计等待时间和/或上餐时间。然后可以将确定的等待时间和/或上餐时间从每个用户1,2...,N通过网络420传送到远程计算设备422。网络420可以包括任何数量的网络,包括但不限于局域网(例如,内联网)、广域网(例如,互联网)、蜂窝网络或其某种组合。远程计算设备422可对应于集中式数据库或服务器计算设备。在一些示例中,远程计算设备422可以在餐馆A实施跨多个用户1,2,...,N的估计等待时间和/或估计上餐时间的统计评估,以获得例如不同的确定时间的平均值、中位值、方差、预期值和/或置信区间之类的统计量。在其它示例中,远程计算设备422可以从不同的可穿戴计算设备408、412、416和非可穿戴计算设备410、414、418收集基本的传感器和位置数据,并且在远程计算设备422处而不是在用户1,2,...,N操作的客户端设备处确定估计等待时间和/或上餐时间。
传感器数据收集和等待时间和/或上餐时间的估计的类似突破(breakout)可以相对于餐馆B的用户1,2,...,M来实施。因此,餐馆A 400的组件的描述可以应用于在餐馆B440中描绘的类似组件。
一旦估计等待时间和/或上餐时间由远程计算设备422确定和/或传送到远程计算设备422,则可以与其他用户共享这样有价值的信息。在一些示例中,可以与餐馆A 400处的其它当前用户(例如,用户2 404或用户N 406)共享来自餐馆A 400处的用户1 402的估计等待时间和/或估计上餐时间统计量或相关信息。在其它示例中,来自单个用户402、404、406的估计等待时间和/或估计上餐时间统计量或相关信息或者在远程计算设备422上跨越多个用户组合的时间统计量可被传送到单独的用户P 450。用户P不一定必须位于餐馆A 400或餐馆B 440,而是可能对于获得关于在一个或多个餐馆的估计等待时间和/或上餐时间的信息感兴趣。用户P 450可以从移动设备或个人计算设备访问该信息,并且可以对应于餐馆的潜在顾客、餐馆的所有者或其它感兴趣的人。
现在参照图11至图12,图中描绘了用于提供餐馆的估计等待时间和/或上餐时间和相关信息的通知的用户界面的示例。图11和图12的示例用户界面可以用于如分别参照图2和图4所描述在(212)和/或(250)处提供通知。也可以根据本公开使用具有附加或替代形式的综合餐馆和/或等待时间信息的不同类型的通知。
图11描绘了可以提供关于给定餐馆的详细信息的示例用户界面500,该详细信息包括识别该餐馆的当前估计等待时间和当前估计上餐时间的通知。用户界面部分502可以包括给定餐馆的名称(例如,ABC餐馆(Restaurant ABC))的文本标识符,而用户界面部分504可以包括给定餐馆的文本描述。用户界面500中可以提供ABC餐馆的附加一般信息。用户界面部分506可以包括识别给定餐馆的街道地址的文本框以及用户可以用于获得到给定餐馆的导航方向的可选择的超链接。用户界面部分508可以包括给定餐馆的当前营业时间。用户界面部分508内提供的向下滚动箭头可以使用户能够选择一周中的不同天(例如,除了当天之外)来识别餐馆营业时间。用户界面部分510可以包括到给定餐馆的菜单的可选择的超链接。用户界面部分512可以包括给定餐馆的电话号码,该电话号码可以链接到智能电话或其它计算设备内的集成呼叫应用。用户界面部分514可以提供给定餐馆的当前估计等待时间的字母数字标识,而用户界面部分516可以包括给定餐馆的当前估计上餐时间的字母数字标识。
图12描绘了可以提供关于给定餐馆的详细信息的示例用户界面520,该详细信息包括该餐馆在不同时间间隔和日子的平均等待时间。用户界面部分522可以包括给定餐馆的名称(例如,Restaurant ABC)的文本标识符,而用户界面部分524可以包括给定餐馆的文本描述。用户界面520中可以提供ABC餐馆的附加一般信息。用户界面部分526可以包括识别给定餐馆的街道地址的文本框以及用户可以用于获得到给定餐馆的导航方向的可选择的超链接。用户界面部分528可以包括给定餐馆的当前营业时间。用户界面部分528内提供的向下滚动箭头可以使用户能够选择一周中的不同天(例如,除了当天之外)来识别餐馆营业时间。用户界面部分530可以包括到给定餐馆的菜单的可选择的超链接。用户界面部分532可以包括给定餐馆的电话号码,该电话号码可以链接到智能电话或其它计算设备内的集成呼叫应用。用户界面部分534可以提供可选择的向下滚动菜单,通过该菜单用户可以选择一周中的特定一天(例如,星期四),以识别给定餐馆的平均等待时间。也可以在用户界面部分534中提供向下滚动菜单,通过该菜单用户可以选择他想要获得信息的估计等待时间的类型(例如,直到就座为止的估计等待时间、直到上餐为止的估计等待时间等等)。用户界面部分536可以包括条形图,其包括在该星期的所选日子中餐馆的整个营业时间内以不同的小时长度的间隔识别的平均等待时间信息。在用户界面部分536中提供的条形图可以附加地或替代地以不同的时间间隔描绘。例如,用户可以选择查看以十、十五或三十分钟间隔或其它间隔选项计算的平均等待时间。在一些示例中,用户界面部分536可以被配置为使得用户可以向左或向右滑动触摸屏或选择箭头以查看一周中的不同天的平均等待时间,可能会滚动通过七天或给定餐馆营业的总天数。
应当理解,本文描述的计算机可执行算法可以在控制通用处理器的硬件、专用电路、固件和/或软件中实施。在一个实施例中,该算法是存储在存储设备上的程序代码文件,其被加载到一个或多个存储器设备中并由一个或多个处理器执行,或者可以从存储在有形计算机可读存储介质(例如RAM、闪存驱动器、硬盘或光或磁介质)中的计算机程序产品(例如计算机可执行指令)提供。当使用软件时,可以使用任何合适的编程语言或平台来实施该算法。
本文讨论的技术参考了服务器、数据库、软件应用和其它基于计算机的系统,以及向这些系统和从这些系统采取的动作和发送的信息。本领域普通技术人员将认识到,基于计算机的系统的内在灵活性允许组件之间的对于任务和功能的各种可能的配置、组合和划分。例如,本文讨论的服务器进程可以使用单个服务器或多个组合工作的服务器实施。数据库和应用可以在单个系统上实施或分布在多个系统上。分布式组件可以顺序或并行操作。
虽然已经关于具体示例实施例详细描述了本主题,但是应当理解,本领域技术人员在理解前述内容后能够容易得出对这些实施例的改变、变化和等同物。因此,本公开的范围是作为示例而不是限制,并且本公开不排除对本主题的这样的修改、变化和/或添加,这对于本领域普通技术人员将是显而易见的。
Claims (17)
1.一种监视在一位置处的活动以估计相应位置处的至少一个或多个不同的等待时间的计算机实施的方法,包括:
由一个或多个计算设备从来自用户操作的一个或多个移动设备的传感器数据的至少一个或多个部分识别所述用户在估计就座时间坐在餐桌旁,所述一个或多个移动设备中的至少一个是可穿戴设备;
由所述一个或多个计算设备从来自所述用户操作的所述一个或多个移动设备的至少时间相关位置数据识别所述用户在当前位置处的估计到达时间;
其中,所述一个或多个计算设备包括用于限定数据模型的分类器,所述方法进一步包括:
对分类器进行训练,以限定指示所述一个或多个不同的等待时间的一个或多个事件发生的数据模型,所述训练包括:
由所述一个或多个计算设备通过分析所述估计就座时间与所述估计到达时间之间的差来确定估计的第一等待时间;以及
确定是否已发生触发与所述第一等待时间不同的相应一个或多个等待时间的开始的一个或多个事件,并且如果是的话,则基于相应一个或多个事件发生的开始时间来估计至少一个不同的等待时间;
应用从所述分类器获得的限定的数据模型以自动识别所述一个或多个事件发生的随后实例;以及
由所述一个或多个计算设备将指示所述用户在所述当前位置处的估计的第一等待时间和至少一个不同的等待时间的数据传送到另一个计算设备。
2.根据权利要求1所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括移动设备定向数据,并且其中,识别所述用户坐在餐桌旁包括从所述移动设备定向数据识别所述移动设备在阈值时间段内处于水平位置。
3.根据权利要求1所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括来自被配置为在用户的手腕上进行功能操作的所述可穿戴设备的运动数据或定向数据中的一个或多个,并且其中,识别所述用户坐在餐桌旁包括从传感器数据的所述一个或多个部分识别特定运动模式的发生。
4.根据权利要求3所述的计算机实施的方法,其中,所述特定运动模式包括用户将他的手放在桌子上、手运动量减少或用户喝东西中的一个或多个。
5.根据权利要求1所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括移动设备音频数据,并且其中,识别所述用户坐在餐桌旁包括从传感器数据的所述一个或多个部分识别特定声音模式的发生。
6.根据权利要求1所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括移动设备图像数据,并且其中,识别所述用户坐在餐桌旁包括从传感器数据的所述一个或多个部分识别特定图像模式的发生。
7.根据权利要求1所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括时间数据,并且其中,识别所述用户坐在餐桌旁包括分析在一个或多个特定时间窗期间用户将会坐在桌子旁进餐的可能性。
8.根据权利要求1所述的计算机实施的方法,其中,从传感器数据的所述一个或多个部分识别用户坐在餐桌旁包括将传感器数据的所述一个或多个部分与预配置的分类器进行比较,所述预配置的分类器将预定传感器数据与触发对坐在餐桌旁的用户的识别的特定发生相关。
9.根据权利要求1所述的计算机实施的方法,还包括组合在给定时间段内来自所述当前位置处的多个用户的多个估计等待时间,以获得所述当前位置处的中位估计等待时间、平均估计等待时间、估计等待时间的方差、所述估计等待时间的期望值或所述估计等待时间的置信区间中的一个或多个。
10.根据权利要求1所述的计算机实施的方法,其中,估计不同的等待时间的步骤包括估计上餐时间,以及其中,所述一个或多个事件发生包括识别估计进餐时间的开始。
11.根据权利要求10所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括来自被配置为在用户的手腕上进行功能操作的所述可穿戴设备的运动数据或定向数据中的一个或多个,并且其中,识别用户正在进餐包括从传感器数据的所述一个或多个部分识别特定运动模式的发生。
12.根据权利要求10所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括移动设备音频数据或移动设备图像数据中的一个或多个,并且其中,识别用户正在进餐包括从传感器数据的所述一个或多个部分识别特定声音模式或特定图像模式中的一个或多个的发生。
13.根据权利要求11所述的计算机实施的方法,其中,从与所述移动设备音频数据或移动设备图像数据中的一个或多个相关联的元数据内的时间戳推导所述估计到达时间、估计就座时间或估计进餐时间中的一个或多个。
14.根据权利要求10所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括来自被配置为通过用户的耳朵进行功能操作的所述可穿戴设备的可穿戴设备数据,并且其中,识别用户已经开始进餐包括分析由所述可穿戴设备数据指示的面颊运动。
15.根据权利要求10所述的计算机实施的方法,其中,传感器数据的所述一个或多个部分包括血糖监视器数据,并且其中,识别用户正在进餐包括检测所述用户的血糖水平的升高。
16.一种系统,包括:
一个或多个处理器;以及
一个或多个存储器设备,所述一个或多个存储器设备存储计算机可读指令,所述计算机可读指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行操作以实现根据权利要求1-15中的任何一项所述的方法。
17.根据权利要求16所述的系统,其中,传感器数据的所述一个或多个部分包括运动数据、定向数据、声音数据、图像数据、血糖数据或时间数据中的一个或多个。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/822,318 | 2015-08-10 | ||
US14/822,318 US10482551B2 (en) | 2015-08-10 | 2015-08-10 | Systems and methods of automatically estimating restaurant wait times using wearable devices |
PCT/US2016/045148 WO2017027258A1 (en) | 2015-08-10 | 2016-08-02 | Systems and methods of automatically monitoring real-time activity at a location for determining wait times using wearable devices |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107924548A CN107924548A (zh) | 2018-04-17 |
CN107924548B true CN107924548B (zh) | 2020-03-20 |
Family
ID=57984084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680024243.6A Active CN107924548B (zh) | 2015-08-10 | 2016-08-02 | 使用可穿戴设备自动监视一位置处的实时活动以确定等待时间的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10482551B2 (zh) |
EP (1) | EP3262598A4 (zh) |
CN (1) | CN107924548B (zh) |
DE (1) | DE202016007875U1 (zh) |
WO (1) | WO2017027258A1 (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489765B2 (en) * | 2015-10-02 | 2019-11-26 | Scvngr, Inc. | Cross-platform ordering and payment-processing system and method |
US11893147B2 (en) * | 2016-03-11 | 2024-02-06 | Limbic Life Ag | Occupant support device and system for controlling objects |
JP6399064B2 (ja) * | 2016-09-07 | 2018-10-03 | トヨタ自動車株式会社 | ユーザ特定システム |
GB201701753D0 (en) * | 2017-02-02 | 2017-03-22 | Alitica2 Ltd | System, apparatus and method |
US20180260849A1 (en) * | 2017-03-07 | 2018-09-13 | Facebook, Inc. | Multiple-Merchant Community |
US20180260864A1 (en) * | 2017-03-07 | 2018-09-13 | Facebook, Inc. | Merchant-facing Queue Interface |
US11276015B2 (en) * | 2017-04-20 | 2022-03-15 | Capital One Services, Llc | Machine learning artificial intelligence system for predicting hours of operation |
US20180374169A1 (en) * | 2017-04-24 | 2018-12-27 | Aleksandar Videnovic | Tablebot |
CN107248120B (zh) * | 2017-08-11 | 2018-07-27 | 杭州雄伟科技开发股份有限公司 | 餐厅备菜管控平台 |
CN107705469B (zh) * | 2017-09-29 | 2020-08-21 | 阿里巴巴集团控股有限公司 | 就餐结算方法、智能点餐设备以及智能餐厅支付系统 |
WO2019083464A1 (en) * | 2017-10-25 | 2019-05-02 | King Mongkut's University Of Technology Thonburi | SYSTEM AND METHOD FOR COLLECTING AND ANALYZING BEHAVIORAL CUSTOMER DATA |
US20190130322A1 (en) * | 2017-11-01 | 2019-05-02 | Google Llc | Wait time prediction |
CN110636101A (zh) * | 2018-06-25 | 2019-12-31 | 罗伯特·博世有限公司 | 用于个性化桌子预订的占用感测系统 |
CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
US11074567B2 (en) | 2018-11-21 | 2021-07-27 | Toast, Inc. | Dual band mobile point-of-sale terminal |
US11188891B2 (en) * | 2018-11-21 | 2021-11-30 | Toast, Inc. | Modular dual band mobile point-of-sale terminal |
US10956887B2 (en) | 2018-11-21 | 2021-03-23 | Toast, Inc. | Dual band restaurant ordering system |
US11074568B2 (en) | 2018-11-21 | 2021-07-27 | Toast, Inc. | Adaptive dual band mobile point-of-sale terminal |
US10878396B2 (en) | 2018-11-21 | 2020-12-29 | Toast, Inc. | Dual band fixed point-of-sale terminal |
US10878397B2 (en) | 2018-11-21 | 2020-12-29 | Toast, Inc. | Restaurant ordering system employing television whitespace communication channels |
IT201800010915A1 (it) * | 2018-12-10 | 2020-06-10 | Marconi Group S R L | Sistema e metodo di gestione e monitoraggio di un qualsiasi esercizio ricettivo o alberghiero |
CN109784653A (zh) * | 2018-12-14 | 2019-05-21 | 口碑(上海)信息技术有限公司 | 一种备餐方法、装置及系统 |
US11023959B2 (en) * | 2019-01-15 | 2021-06-01 | Toyota Connected North America, Inc. | System and method for ordering items from a vehicle |
JP7095614B2 (ja) * | 2019-02-08 | 2022-07-05 | トヨタ自動車株式会社 | 処理装置、処理方法およびプログラム |
CN110490356A (zh) * | 2019-07-02 | 2019-11-22 | 北京星选科技有限公司 | 界面显示方法、装置、电子设备 |
US11710562B2 (en) | 2019-08-29 | 2023-07-25 | Medtronic Minimed, Inc. | Gesture-based control of diabetes therapy |
US11443260B1 (en) * | 2019-10-07 | 2022-09-13 | Dbd Design Inc. | System for managing an integrated drive-through restaurant and carwash facility providing estimated wait times via a graphical user interface |
US11222297B2 (en) * | 2019-11-21 | 2022-01-11 | Rockspoon, Inc. | System and method for matching patrons, servers, and restaurants within the food service industry |
US11816746B2 (en) * | 2020-01-01 | 2023-11-14 | Rockspoon, Inc | System and method for dynamic dining party group management |
TW202203142A (zh) * | 2020-07-01 | 2022-01-16 | 日商藏壽司股份有限公司 | 飲食物的提供系統 |
US20220027785A1 (en) * | 2020-07-27 | 2022-01-27 | Ricky Cheng | Method and system for optimizing waiting time estimation based on party size in a restaurant |
CN114468985A (zh) * | 2020-11-11 | 2022-05-13 | Oppo广东移动通信有限公司 | 信息提示方法及装置、系统、存储介质和电子设备 |
CN113017621B (zh) * | 2021-04-22 | 2023-11-21 | 恒玄科技(上海)股份有限公司 | 一种可穿戴设备 |
US12039478B2 (en) | 2021-06-09 | 2024-07-16 | Floqque, Llc | Dynamically associated predictive digital queues |
US20230036521A1 (en) * | 2021-07-30 | 2023-02-02 | International Business Machines Corporation | Image comparison to determine resource availability |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828198A (zh) * | 2007-09-19 | 2010-09-08 | T1影像有限公司 | 多媒体餐馆系统、包间以及相关方法 |
CN103150803A (zh) * | 2013-02-05 | 2013-06-12 | 陈锡明 | 一种等候提醒方法及装置 |
CN103985186A (zh) * | 2014-05-28 | 2014-08-13 | 南京亿栋信息科技有限公司 | 一种用于排队机的等待时间预测方法 |
CN104252347A (zh) * | 2013-06-27 | 2014-12-31 | 鸿富锦精密工业(深圳)有限公司 | 任务等待时间处理系统及方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040260513A1 (en) * | 2003-02-26 | 2004-12-23 | Fitzpatrick Kerien W. | Real-time prediction and management of food product demand |
US7371226B2 (en) * | 2005-06-27 | 2008-05-13 | Hung Chi Huang | Plunger of a syringe |
JP4834624B2 (ja) * | 2006-10-18 | 2011-12-14 | 株式会社東芝 | 行動推定装置およびプログラム |
US8554174B2 (en) * | 2009-06-15 | 2013-10-08 | Alcatel Lucent | Selective first delivery attempt (FDA) processing for text messages |
GB2502029B (en) * | 2011-02-09 | 2018-02-21 | Forward Scout Entpr Pty Ltd | Cosmetic or pharmaceutical formulation comprising hyaluronate crosspolymer and one or more of; azelaic acid, or derivative, and natural oils |
JP5865738B2 (ja) * | 2012-03-13 | 2016-02-17 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
US9135978B2 (en) * | 2012-07-11 | 2015-09-15 | Micron Technology, Inc. | Memory programming methods and memory systems |
US10373170B2 (en) * | 2012-10-22 | 2019-08-06 | Long Range Systems, Llc | Utilizing user devices in venues |
US9449121B2 (en) | 2012-10-30 | 2016-09-20 | Apple Inc. | Venue based real time crowd modeling and forecasting |
CN111499722B (zh) * | 2012-11-12 | 2024-08-23 | 海德堡吕布莱希特-卡尔斯大学 | 用于治疗肝脏疾病和心血管疾病的脂肽 |
US20140163934A1 (en) * | 2012-12-06 | 2014-06-12 | Palo Alto Research Center Incorporated | Method and apparatus for determining an average wait time for user activities based on contextual sensors |
US9685097B2 (en) * | 2013-06-25 | 2017-06-20 | Clemson University | Device and method for detecting eating activities |
US20150148632A1 (en) | 2013-11-26 | 2015-05-28 | David Alan Benaron | Calorie Monitoring Sensor And Method For Cell Phones, Smart Watches, Occupancy Sensors, And Wearables |
US9659225B2 (en) * | 2014-02-12 | 2017-05-23 | Microsoft Technology Licensing, Llc | Restaurant-specific food logging from images |
US9258256B2 (en) * | 2014-07-01 | 2016-02-09 | Netronome Systems, Inc. | Inverse PCP flow remapping for PFC pause frame generation |
US10178946B2 (en) * | 2014-09-08 | 2019-01-15 | Location Labs, Inc. | Oral monitor |
US9468399B2 (en) * | 2014-12-09 | 2016-10-18 | SensaRx, LLC | Detection of changes from a seated or lying body position by sensing body angle |
WO2016176506A1 (en) | 2015-04-28 | 2016-11-03 | Blazer And Flip Flops, Inc Dba The Experience Engine | Intelligent prediction of queue wait times |
-
2015
- 2015-08-10 US US14/822,318 patent/US10482551B2/en active Active
-
2016
- 2016-08-02 DE DE202016007875.6U patent/DE202016007875U1/de active Active
- 2016-08-02 WO PCT/US2016/045148 patent/WO2017027258A1/en active Application Filing
- 2016-08-02 EP EP16835633.5A patent/EP3262598A4/en not_active Withdrawn
- 2016-08-02 CN CN201680024243.6A patent/CN107924548B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101828198A (zh) * | 2007-09-19 | 2010-09-08 | T1影像有限公司 | 多媒体餐馆系统、包间以及相关方法 |
CN103150803A (zh) * | 2013-02-05 | 2013-06-12 | 陈锡明 | 一种等候提醒方法及装置 |
CN104252347A (zh) * | 2013-06-27 | 2014-12-31 | 鸿富锦精密工业(深圳)有限公司 | 任务等待时间处理系统及方法 |
CN103985186A (zh) * | 2014-05-28 | 2014-08-13 | 南京亿栋信息科技有限公司 | 一种用于排队机的等待时间预测方法 |
Non-Patent Citations (1)
Title |
---|
LineKing: Crowdsourced Line Wait-Time Estimation Using Smartphones;Muhammed Fatih BulutYavuz Selim YilmazMurat DemirbasNilgun Ferha;《4th International Conference on Mobile Computing, Applications, and Services(MobiCASE 2012)》;Springer, Berlin, Heidelberg;20121012;205-224 * |
Also Published As
Publication number | Publication date |
---|---|
US20170046800A1 (en) | 2017-02-16 |
WO2017027258A1 (en) | 2017-02-16 |
DE202016007875U1 (de) | 2017-02-21 |
US10482551B2 (en) | 2019-11-19 |
EP3262598A1 (en) | 2018-01-03 |
CN107924548A (zh) | 2018-04-17 |
EP3262598A4 (en) | 2018-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107924548B (zh) | 使用可穿戴设备自动监视一位置处的实时活动以确定等待时间的系统和方法 | |
US11606668B2 (en) | System and method for service tracking | |
CN107850443B (zh) | 信息处理装置、信息处理方法以及程序 | |
US20200320585A1 (en) | Methods and systems for personalizing visitor experience, encouraging philanthropic activity and social networking | |
US10121113B1 (en) | Method and system for locating resources and communicating within an enterprise | |
CN107533357B (zh) | 一种显示装置及内容显示系统 | |
CN107924506B (zh) | 用于推断用户可用性的方法、系统及计算机存储介质 | |
US11484261B2 (en) | Dynamic wearable device behavior based on schedule detection | |
US20200357503A1 (en) | Information processing apparatus, information processing method, and program | |
US20160035046A1 (en) | Influencer score | |
CN105869015A (zh) | 一种信息处理方法及系统 | |
US20180054712A1 (en) | Method and system for wireless location and movement mapping, tracking and analytics | |
US20180260864A1 (en) | Merchant-facing Queue Interface | |
US20180260849A1 (en) | Multiple-Merchant Community | |
CN111247782B (zh) | 用于自动创建即时ad-hoc日历事件的方法和系统 | |
US11798105B2 (en) | Methods and systems for analyzing and providing data for business services | |
WO2018142107A1 (en) | System for monitoring activity | |
US20230162552A1 (en) | Methods of estimating a throughput of a resource, a length of a queue associated with the resource and/or a wait time of the queue | |
US20160104177A1 (en) | Administering and conducting surveys, and devices therefor | |
WO2017012662A1 (en) | A system for providing recommendation information for user device | |
JP2016148976A (ja) | 来店予測システムおよび来店予測システムの制御方法 | |
WO2019155629A1 (ja) | コミュニケーション評価システム及びコミュニケーション評価方法 | |
KR20140004386U (ko) | 단체 급식 식당에서의 식수예상인원을 파악하기 위한 시스템 및 방법 | |
US20150012389A1 (en) | Apparatus, method and software products for timely provision of a product or service |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |