CN110582796A - 使用传感器数据和分布式数据进行自适应调整 - Google Patents

使用传感器数据和分布式数据进行自适应调整 Download PDF

Info

Publication number
CN110582796A
CN110582796A CN201780090375.3A CN201780090375A CN110582796A CN 110582796 A CN110582796 A CN 110582796A CN 201780090375 A CN201780090375 A CN 201780090375A CN 110582796 A CN110582796 A CN 110582796A
Authority
CN
China
Prior art keywords
policy
user
sub
goals
data
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.)
Granted
Application number
CN201780090375.3A
Other languages
English (en)
Other versions
CN110582796B (zh
Inventor
薛沛芸
胡忻雨
J·克德拉
陈庆华
张鸿洋
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Publication of CN110582796A publication Critical patent/CN110582796A/zh
Application granted granted Critical
Publication of CN110582796B publication Critical patent/CN110582796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

一方面包括由处理器至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据。收集与用户状况相关的多个传感器数据。至少部分地基于模型数据和传感器数据，生成包括最终目标和一个或多个子目标的策略。至少部分地基于在一段时间内收集的传感器数据中的一个或多个检测到的变化来迭代地适应策略，以调整一个或多个子目标中的至少一个。向用户提供策略和一个或多个子目标。

Description

使用传感器数据和分布式数据进行自适应调整
背景技术
本发明一般涉及计算机技术，更具体地，涉及使用传感器数据和分布式数据的自适应调整系统。
用于制定计划并跟踪完成计划的进度的计算机技术通常在结构上是僵化的。规划系统通常使用数据收集(通常是手动填充)来与从基线到最终目标的理想线性推进进行比较。当计划的用户发生挫折或事件偏离计划的理想轨迹时，重新走上正轨达到最终目标可能具有挑战性。
使用刚性跟踪系统来推荐动作没有考虑用户正在经历的当前活动阶段，并且可能或可能不反映其他用户为实现类似目标而采取的路径。此外，在其他用户数据可用的范围内，跨网络交换大量用户数据以支持计划/策略开发和跟踪可能导致处理和网络负担，特别是随着可用数据集的数量的增加。因此，在有效获取计划/策略制定和跟踪的数据以及处理观察到的计划/策略偏差方面仍存在挑战。
发明内容
本发明的实施例涉及一种计算机实现的方法。计算机实现的方法的非限制性示例包括由处理器至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据。收集与用户状况相关的多个传感器数据。至少部分地基于模型数据和传感器数据，生成包括最终目标和一个或多个子目标的策略。至少部分地基于在一段时间内收集的传感器数据中的一个或多个检测到的变化来迭代地适应策略，以调整一个或多个子目标中的至少一个。向用户提供策略和一个或多个子目标。该方法适应于来自策略的偏差并且选择性地访问数据源以动态地修改策略的各方面，同时有效地管理传感器数据和模型数据访问和使用。
计算机实现的方法还包括至少部分地基于一个或多个用户特征和传感器数据来确定用户的多个行为模式。行为模式可以帮助确定如何有效地为用户划分阶段和子目标。
计算机实现的方法还包括：一个或多个子目标包括从行为模式导出的一个或多个个性化阈值。个性化阈值可以提供用于确定在各个阶段是否需要更新策略的检查点。
计算机实现的方法还包括使用表查找或统计函数近似来至少部分地基于一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定决策规则的序列。置信度可用于确定策略是否可接受，或者是否需要额外的数据收集以进一步细化策略。
计算机实现的方法还包括将置信度与接受阈值进行比较；至少部分地基于确定置信度不满足接受阈值，从模型数据中搜索用户的能力与多个模型动作之间的多个附加动作；提示用户执行一个或多个附加动作；至少部分地基于用户对一个或多个附加动作的执行来收集多个附加用户数据；以及至少部分地基于附加用户数据进一步适应策略。额外操作的附加数据收集可以帮助确定哪些模型数据在进行策略调整时更紧密地与用户的能力和特征一致。
计算机实现的方法还包括：迭代地适应策略包括：使用统计和强化学习，结合多个先前收集的传感器数据的实例，对在一段时间内收集的传感器数据执行更新的评估以对一个或多个检测到的变化进行分类。强化学习塑造策略以满足子目标并输出建议的动作。
计算机实现的方法还包括至少部分地基于检测到用户已经超过或错过先前确定的一个或多个子目标中的至少一个的实例来调整至少一个子目标。当计算策略更新时的约束减少了处理和数据访问负担，同时仍然提供了调整中间结果变化的机会。
本发明的实施例涉及一种系统。该系统的非限制性示例包括存储器和与存储器耦合的处理器。处理器被配置为至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据。收集与用户状况相关的多个传感器数据。至少部分地基于模型数据和传感器数据，生成包括最终目标和一个或多个子目标的策略。至少部分地基于在一段时间内收集的传感器数据中的一个或多个检测到的变化来迭代地适应策略，以调整一个或多个子目标中的至少一个。向用户提供策略和一个或多个子目标。该系统适应于来自策略的偏差并且选择性地访问数据源以动态地修改策略的各方面，同时有效地管理传感器数据和模型数据访问和使用。
在一个或多个示例中，处理器还被配置为至少部分地基于一个或多个用户特征和传感器数据来确定用户的多个行为模式，一个或多个子目标包括从行为模式导出的一个或多个个性化阈值。行为模式可以帮助确定如何有效地为用户划分阶段和子目标。个性化阈值可以提供用于确定在各个阶段是否需要更新策略的检查点。
处理器还被配置为使用表查找或统计函数近似来至少部分地基于一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定决策规则的序列。置信度可用于确定策略是否可接受，或者是否需要额外的数据收集以进一步细化策略。
处理器还被配置为将置信度与接受阈值进行比较；至少部分地基于确定置信度不满足接受阈值，从模型数据中搜索用户的能力与多个模型动作之间的多个附加动作；提示用户执行一个或多个附加动作；至少部分地基于用户对一个或多个附加动作的执行来收集多个附加用户数据；以及至少部分地基于附加用户数据进一步适应策略。额外操作的附加数据收集可以帮助确定哪些模型数据在进行策略调整时更紧密地与用户的能力和特征一致。
处理器还被配置为使用统计和强化学习，结合多个先前收集的传感器数据的实例，对在一段时间内收集的传感器数据执行更新的评估以对一个或多个检测到的变化进行分类。强化学习塑造策略以满足子目标并输出建议的动作。
处理器还被配置为至少部分地基于检测到用户已经超过或错过先前确定的一个或多个子目标中的至少一个的实例来调整至少一个子目标。当计算策略更新时的约束减少了处理和数据访问负担，同时仍然提供了调整中间结果变化的机会。
本发明的实施例涉及一种计算机程序产品，包括计算机可读存储介质，该计算机可读存储介质具有与其一起实现的程序指令。程序指令可由处理电路执行以使处理电路执行方法。指令的非限制性示例使得处理电路至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据。收集与用户状况相关的多个传感器数据。至少部分地基于模型数据和传感器数据，生成包括最终目标和一个或多个子目标的策略。至少部分地基于在一段时间内收集的传感器数据中的一个或多个检测到的变化来迭代地适应策略，以调整一个或多个子目标中的至少一个。向用户提供策略和一个或多个子目标。该系统适应于来自策略的偏差并且选择性地访问数据源以动态地修改策略的各方面，同时有效地管理传感器数据和模型数据访问和使用。
在一个或多个示例中，程序指令还使处理电路至少部分地基于一个或多个用户特征和传感器数据来确定用户的多个行为模式，一个或多个子目标包括从行为模式导出的一个或多个个性化阈值。行为模式可以帮助确定如何有效地为用户划分阶段和子目标。个性化阈值可以提供用于确定在各个阶段是否需要更新策略的检查点。
程序指令还使得处理电路使用表查找或统计函数近似来至少部分地基于一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定决策规则的序列。置信度可用于确定策略是否可接受，或者是否需要额外的数据收集以进一步细化策略。
程序指令还使处理电路将置信度与接受阈值进行比较；至少部分地基于确定置信度不满足接受阈值，从模型数据中搜索用户的能力与多个模型动作之间的多个附加动作；提示用户执行一个或多个附加动作；至少部分地基于用户对一个或多个附加动作的执行来收集多个附加用户数据；以及至少部分地基于附加用户数据进一步适应策略。额外操作的附加数据收集可以帮助确定哪些模型数据在进行策略调整时更紧密地与用户的能力和特征一致。
程序指令还使得处理电路使用统计和强化学习，结合多个先前收集的传感器数据的实例，对在一段时间内收集的传感器数据执行更新的评估以对一个或多个检测到的变化进行分类。强化学习塑造策略以满足子目标并输出建议的动作。
程序指令还使得处理电路至少部分地基于检测到用户已经超过或错过先前确定的一个或多个子目标中的至少一个的实例来调整至少一个子目标。当计算策略更新时的约束减少了处理和数据访问负担，同时仍然提供了调整中间结果变化的机会。
根据本发明的一个或多个实施例，一种计算机实现的方法包括由处理器至少部分地基于多个模型数据和传感器数据生成包括最终目标和一个或多个子目标的策略。向用户提供策略和一个或多个子目标。从对话系统接收策略调整请求以修改策略的一个或多个方面。处理器至少部分地基于策略调整请求、与传感器数据相关联的用户的条件以及模型数据，生成策略的一个或多个预期的策略的策略变体；以及处理器确认用户对一个或多个预期的策略变体之一的选择作为策略的更新版本。对话系统可以为用户提供界面，以便在采取动作之前探索故意偏离策略的潜在影响，这可以减少与错过子目标时发生的策略调整相关联的未来处理工作负载和数据访问。
在一个或多个示例中，策略调整请求包括一个或多个用户动作中的预期偏差，用户动作防止满足策略的一个或多个子目标中的至少一个。结合预期的偏差可以在错过子目标之前实现早期的策略优化。
在一个或多个示例中，策略的一个或多个预期的策略变体至少部分地基于策略调整请求、与传感器数据相关联的用户的状况，以及模型数据调整至少一个子目标，以增加实现最终目标的置信度。
根据本发明的一个或多个实施例，一种系统包括存储器以及与存储器耦合的处理器，其中处理器被配置至少部分地基于多个模型数据和传感器数据生成包括最终目标和一个或多个子目标的策略。向用户提供策略和一个或多个子目标。从对话系统接收策略调整请求以修改策略的一个或多个方面。处理器至少部分地基于策略调整请求、与传感器数据相关联的用户的条件以及模型数据，生成策略的一个或多个预期的策略的策略变体；以及处理器确认用户对一个或多个预期的策略变体之一的选择作为策略的更新版本。对话系统可以为用户提供界面，以便在采取动作之前探索故意偏离策略的潜在影响，这可以减少与错过子目标时发生的策略调整相关联的未来处理工作负载和数据访问。
通过本发明的技术实现了其他技术特征和益处。本文详细描述了本发明的实施方案和各个方面，并且认为是所要求保护的主题的一部分。为了更好地理解，请参考详细说明和附图。
附图说明
在说明书结论的权利要求中特别指出并清楚地要求保护在此描述的专有权的细节。通过以下结合附图的详细描述，本发明的实施例的前述和其他特征和优点将变得显而易见，其中：
图1描绘了根据本发明实施例的云计算环境；
图2描绘了根据本发明实施例的抽象模型层；
图3描绘了根据本发明的一个或多个实施例的系统；
图4描绘了根据本发明的一个或多个实施例的计算机系统；
图5描绘了根据本发明的一个或多个实施例的用于自适应调整的过程；
图6描绘了根据本发明的一个或多个实施例的用于自适应调整的示例方法的流程图；
图7描绘了示例场景，例如健身追踪示例场景；
图8描绘了根据本发明的一个或多个实施例的使用对话系统进行自适应调整的系统；以及
图9描绘了根据本发明的一个或多个实施例的使用对话系统进行自适应调整的过程。
这里描绘的图是说明性的。在不脱离本发明的精神的情况下，可以对图或其中描述的操作进行许多变化。例如，可以以不同的顺序执行动作，或者可以添加、删除或修改动作。而且，术语“耦合”及其变形描述了在两个元件之间具有通信路径，并不意味着元件之间的直接连接而在它们之间没有中间元件/连接。所有这些变化都被认为是说明书的一部分。
在附图和所述实施例的以下详细描述中，附图中所示的各种元件具有两个或三个数字的附图标记。
具体实施方式
这里参考相关附图描述了本发明的各种实施例。在不脱离本发明的范围的情况下，可以设计出本发明的替代实施例。在以下描述和附图中的元件之间阐述了各种连接和位置关系(例如，上方、下方、相邻等)。除非另有说明，这些连接和/或位置关系可以是直接的或间接的，并且本发明并不意图在这方面进行限制。因此，实体的耦合可以指直接或间接耦合，并且实体之间的位置关系可以是直接或间接的位置关系。此外，本文描述的各种任务和处理步骤可以合并到更全面的过程中，该过程具有本文未详细描述的附加步骤或功能。
以下定义和缩写将用于解释权利要求和说明书。如本文所使用的，术语“包括(一般现在时)”、“包括(动名词)”、“包含(一般现在时)”、“包含(动名词)”、“具有(一般现在时)”、“具有(动名词)”、“含有(一般现在时)”或“含有(动名词)”或其任何其他变型旨在涵盖非独家包容。例如，包含元素列表的组合物、混合物、过程、方法、物品或装置不一定仅限于那些元素，而是可以包括未明确列出的其他元素或这种组合物、混合物、过程，方法、物品或设备中固有的元素。
另外，术语“示例性”在本文中用于表示“用作示例、实例或说明”。本文描述为“示例性”的任何实施例或设计不必被解释为比其他实施例或设计更优选或更具优势。术语“至少一个”和“一个或多个”可以包括大于或等于1的任何整数，即一个、两个、三个、四个等。术语“多个”可以包括大于或等于2的任何整数，即两个、三个、四个、五个等。术语“连接”可以包括间接“连接”和直接“连接”。
术语“约”，“基本上”，“大约”及其变体旨在包括与基于提交申请时可用设备的特定量的测量相关联的误差程度。例如，“约”可以包括给定值的±8％或5％，或2％的范围。
为简洁起见，本文中可能会或可能不会详细描述与制造和使用本发明的方面有关的传统技术。特别地，用于实现本文描述的各种技术特征的计算系统和特定计算机程序的各个方面是公知的。因此，为了简洁起见，在此仅简要地提及许多传统的实现细节，或者在不提供公知的系统和/或处理细节的情况下完全省略许多传统的实现细节。
例如，本发明的一个或多个实施例有助于查询模型数据，收集传感器数据，生成策略，迭代地适应策略，以及提供关于到达最终目标的策略以及一个或多个导出的子目标。应当注意，本发明的一个或多个实施例适用于使用与健身追踪或任何其他领域相关的传感器数据和分布式模型数据的策略调整，并且健身追踪用作描述本发明的一个或多个实施例的实现和应用的示例。
例如，使用计算机应用程序和设备来跟踪和管理健身数据正在增加。这些计算机程序产品使用的数据通常记录关于健康和健身的多个维度，例如日常跑步、营养、睡眠和锻炼。通过跟踪健身和健康数据，用户被授权分析其数据中的模式，以发现健康和不健康的行为，并找到改善机会的地方。
除了向用户提供简单的描述性统计之外，这种计算机程序产品可以统称为健身应用程序，有助于生成由机器学习和其他高级数学模型驱动的数据驱动的见解和预测。这些见解的统计严谨性和重要性取决于所使用的模型以及模型使用的输入数据的有效性和可靠性。通常，输入数据由人类用户输入，或者通过消费级设备(例如活动跟踪器)测量和计算。但是，数据中的不一致和错误可能导致分析方法产生不准确的预测和见解。此外，不反映类似用户特征的模型数据可能导致制定不真实且特定用户不可实现的策略计划。
例如，考虑计算机程序产品使用理想模型提供达到最终目标的计划，例如目标重量或在有限时间内跑到目标距离的能力，而不是洞察用户可以实现什么以及用户愿意实现什么。行为可以受到用户状态的约束(例如，用户是否具有身体或情感强度以至少部分地基于个人、环境和行为因素等来执行推荐)。由于缺乏理解和用户适应，当用户没有响应系统建议的指南时，鉴于新出现的证据表明系统举措与用户达到的水平之间存在差距，系统很难找到一个更适合该用户的替代解决方案。
因此，本发明的一个或多个实施例通过至少部分地基于一个或多个用户特征和与用户的条件相关联的传感器数据访问来自分布式数据源的模型数据的组合从而为用户生成和细化策略以实现最终目标来解决上述技术挑战。模型数据可以识别用户特征和其他用户为实现类似的最终目标和一个或多个子目标而采取的动作。不需要连续访问模型数据，但可以在制定初始策略或对策略进行迭代更新以访问相关见解的时候访问模型数据，同时还减少策略开发和跟踪的总体网络流量。
在一个或多个示例中，模型数据由云计算平台收集和分发。在一个或多个示例中，分析从校正输入数据的单独的云计算平台由相同的云计算平台或单独的云计算平台执行。
首先应当理解，尽管本详细描述包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。
云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括：
按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。
迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。
可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。
服务模型如下：
软件即服务(SaaS)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下：
私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、策略和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1，其中显示了示例性的云计算环境50。如图所示，云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10，本地计算设备例如可以是个人数字助理(PDA)或移动电话54A，台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样，云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解，图1显示的各类计算设备54A-N仅仅是示意性的，云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图2，其中显示了云计算环境50(图1)提供的一组功能抽象层。首先应当理解，图2所示的组件、层以及功能都仅仅是示意性的，本发明的实施例不限于此。如图所示，提供下列层和对应功能：
硬件和软件层60包括硬件和软件组件。硬件组件的例子包括：主机61；基于RISC(精简指令集计算机)体系结构的服务器62；服务器63；刀片服务器64；存储设备65；网络和网络组件66。软件组件的例子包括：网络应用服务器软件67以及数据库软件68。
虚拟层70提供一个抽象层，该层可以提供下列虚拟实体的例子：虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74，以及虚拟客户端75。
在一个示例中，管理层80可以提供下述功能：资源供应功能81：提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取；计量和定价功能82：在云计算环境内对资源的使用进行成本跟踪，并为此提供帐单和发票。在一个例子中，该资源可以包括应用软件许可。安全功能：为云的消费者和任务提供身份认证，为数据和其它资源提供保护。用户门户功能83：为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84：提供云计算资源的分配和管理，以满足必需的服务水平。服务水平协议(SLA)计划和履行功能85：为根据SLA预测的对云计算资源未来需求提供预先安排和供应。
工作负载层90提供云计算环境可能实现的功能的示例。在该层中，可提供的工作负载或功能的示例包括：地图绘制与导航91；软件开发及生命周期管理92；虚拟教室的教学提供93；数据分析处理94；交易处理95；以及自适应策略调整96。
现在转向与本发明的方面更具体相关的技术的概述，由于处理生活背景变化和不熟悉的用户目标的挑战，规划和策略制定活动不容易准确地适应于基于计算机的系统。对最终目标的基本观察和线性映射是一种不切实际的方法，其错过了用户动机的日常起伏。当用户放弃时，推荐无法实现的行为通常会导致失败。访问多个数据源以定位相关模型数据可能涉及大量网络流量，特别是如果多个设备直接彼此交换数据。如果单个用户不能在通用固定模型定义的级别执行，则跟踪相对于通用固定模型的传感器数据可导致较低程度的相关性。
现在转到本发明的各方面的概述，例如，本发明的一个或多个实施例通过提供从移动设备收集的传感器数据的自适应反馈产生的策略调整来解决现有技术的上述缺点。策略调整至少部分地基于从在一段时间内达到期望结果的其他用户收集的数据。来自其他用户的数据可以概括为来自分布式源的模型数据。查询动作及与一个或多个用户特征紧密对齐的先前结果的模型数据提供了用于为用户导出特定子目标的策略更准确的非线性模型，同时归因于较少的约束数据收集和共享，还减少了网络流量。
本发明的一个或多个实施例的上述方面通过确定用户的最终目标并且至少部分地基于随时间收集的相对于从其他用户收集的真实世界结果的传感器数据而定义一个或多个子目标来跟踪进度来解决现有技术的上述缺点。例如，如果在一小时内进行5公里比赛的训练是最终目标，则可以将子目标定义为在第一个训练周期间在20分钟内完成一英里跑，然后第二个训练周期间在40分钟内完成两英里跑，然后在第三个训练周内在一小时内跑三英里，最后在第四个训练周期间在一小时内跑五公里。可以观察中间结果以确定观察与子目标的匹配程度。可以进行调整以安排增加或减少活动以成功达到最终目标。在一些实施例中，对话系统可以用于至少部分地基于策略调整请求来生成一个或多个预计的策略变化，以确定各种动作如何改变子目标并影响达到最终目标的机会。技术效果和益处包括至少部分地基于传感器数据、个体用户数据和从分布式源收集的数据的策略调整，以提高策略准确性，同时减少数据输入工作量和网络流量。
现在转到本发明的各方面的更详细描述，图3描绘了根据本发明的一个或多个实施例的用于策略的自适应调整的系统100。在一个或多个示例中，系统100分析用户105的健康跟踪数据，其包括用户特定特征。替代地或另外地，系统100分析用户105的其他类型的数据。在一个或多个示例中，使用如本文所述的云计算平台来实现系统100。例如，系统100可以包括通过通信网络远程访问的一个或多个服务器计算机。替代地或另外地，系统100被实现为本地系统。
在一个或多个示例中，系统100包括一个或多个用户装置110，诸如用户活动监视器、食物摄入监视器、电话、平板计算机、可穿戴设备和其他这样类型的装置，其通常可以是被称为便于获取相应的输入数据时间序列以进行分析的移动设备。用户装置110可以包括单个用户装置-1 110A，例如用户105用于手动输入特征信息以及感测数据的智能手机(例如，步进计数器、心率监视器、位置/地点数据)等)用于分析。替代地或另外地，用户装置110包括不同类型的多个设备。例如，该组用户装置110包括用户装置-1 110A、用户装置-2110B等，直到用户装置N110N为止。在一个或多个示例中，不同的用户装置110使用一个或多个传感器跟踪相应的用户活动和/或食物消耗，例如心率监视器、步进计数器、全球位置卫星传感器、陀螺仪等，以收集传感器数据112。
在一个或多个示例中，用户装置110中的每一个转发所收集的用户活动数据以进行分析。例如，数据被转发到预定目的地，例如互联网协议(IP)地址、统一资源定位符(URL)等。在一个或多个示例中，数据另外作为可由系统100的其他组件访问的模型数据140存储在数据存储库中。在一个或多个示例中，数据存储库是数据库。由用户装置110转发的数据可以由数据收集装置120实时分析。
在一个或多个示例中，系统100包括自适应策略生成装置130，其处理数据以确定具有最终目标162的策略160和用于用户105的一个或多个子目标164。一个或多个子目标164被导出以跟踪类似于来自模型数据140的其他用户，并且可以在用户105完成或错过子目标164时进行调整。子目标164可以被建立为至少部分基于采取建议的动作在预测时间达到特定的里程碑(阈值水平)。
在由自适应策略生成装置130使用之前，系统100的数据收集装置120处理(例如，收集、调节、归一化等)来自用户装置110和模型数据140中的每一个的传感器数据112。数据收集装置120可以查询模型数据140以识别从多个用户收集的动作和结果，例如用户结果150A，150B，...，150N作为分布式数据源。用户结果150A-150N可以驻留在可通过云或其他网络基础设施访问的多个装置上。模型数据140可以表示从用户结果150A-150N收集的数据的快照，或者可以响应于查询而动态地形成和/或更新。查询类似的用户特征允许数据收集装置120将模型数据140的更有限和聚焦的子集发送到自适应策略生成装置130，以用作用于建立子目标164的一个或多个目标或“神谕”和特定于用户105的最终目标162的相应的规则。用户特征可以由数据收集装置120通过用户界面收集，以捕获诸如性别、年龄、体重、身高、自我评估的健康水平，以及有助于识别和分组类似用户的其他此类数据等信息。自适应策略生成装置130还可以将用户105的结果报告回模型数据140，以用于为其他用户开发策略。
应当注意，尽管图3将数据收集装置120和自适应策略生成装置130描绘为单独的框，但是在一个或多个示例中，系统100可以在一台机器上实现数据收集装置120和自适应策略生成装置130。
图4描绘了根据本发明的一个或多个实施例的计算机系统200。通信设备可以是计算机，例如服务器、膝上型计算机、平板计算机、电话等。计算机系统200可以用作图3中描绘的任何一个或多个装置，例如用户装置110、数据收集装置120、自适应策略生成装置130或其组合。
除了其他组件之外，计算机系统200还包括处理器205、耦合到存储器控制器215的存储器210、以及一个或多个输入设备245和/或输出设备240，例如外围设备或控制设备，其通过本地I/O控制器235通信地耦合。这些设备240和245可包括例如电池传感器、位置/运动传感器(高度计40、加速度计42、GPS 44)、指示器/识别灯、照相机、麦克风、扬声器等等。诸如传统键盘250和鼠标255的输入设备可以耦合到I/O控制器235。I/O控制器235可以是例如一个或多个总线或其他有线或无线连接，如本领域所知的那样。I/O控制器235可以具有附加元件以实现通信，例如控制器、缓存器(高速缓存)、驱动器、中继器和接收器，为了简单起见省略了这些附加元件。
I/O设备240、245还可以包括输入和输出通信的设备，例如磁盘和磁带存储器、网络接口卡(NIC)或调制器/解调器(用于访问其他文件、设备、系统、或者网络)、射频(RF)或其他收发器、电话接口、桥接器、路由器等。
处理器205(也称为处理电路)是用于执行硬件指令或软件(例如，程序指令)，尤其是存储在存储器210中的软件，的硬件设备。处理器205可以是定制的或可商购的处理器、中央处理单元(CPU)、与计算机系统200相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)，宏处理器或用于执行指令的其他设备。处理器205包括高速缓存270，其可以包括但不限于用于加速可执行指令获取的指令高速缓存器、用于加速数据获取和存储的数据高速缓存器、以及用于加速可执行指令和数据的虚拟到物理地址转换的转换后备缓冲器(TLB)。高速缓存270可以被组织为更多高速缓存级别(L1，L2等)的层次结构。
存储器210可包括易失性存储器元件(例如，随机存取存储器RAM，例如DRAM、SRAM、SDRAM)和非易失性存储器元件(例如，ROM，可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁带、光盘只读存储器(CD-ROM)、磁盘、磁盘盒、盒式磁带、盒式磁带集等中的一个或组合)。此外，存储器210可以包含电子、磁、光或其他类型的存储介质。注意，存储器210可以具有分布式架构，其中各种组件彼此远离但可以由处理器205访问。
存储器210中的指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。在图4的示例中，存储器210中的指令包括合适的操作系统(OS)211。操作系统211基本上可以控制其他计算机程序的执行并提供调度、输入—输出控制、文件和数据管理、内存管理、通信控制和相关服务。
附加数据(包括例如处理器205的指令或其他可检索信息)可以存储在存储器220中，存储器220可以是诸如硬盘驱动器或固态驱动器的存储设备。存储器210或存储器220中存储的指令可包括使处理器能够执行本文描述的系统和方法的一个或多个方面的指令。
计算机系统200还可以包括耦合到用户界面或显示器230的显示控制器225。在一些实施例中，显示器230可以是LCD屏幕。在其他实施例中，显示器230可包括多个LED状态灯。在一些实施例中，计算机系统200还可以包括用于耦合到网络265的网络接口260。网络265可以是基于IP的网络，用于经由计算机系统200与外部服务器、客户端等之间通过宽带连接的通信。在一个实施例中，网络265可以是卫星网络。网络265在计算机系统200和外部系统之间发送和接收数据。在一些实施例中，网络265可以是由服务提供商管理的受管IP网络。网络265可以以无线方式实现，例如，使用无线协议和技术，例如WiFi、WiMax、卫星或任何其他。网络265还可以是分组交换网络，例如局域网、广域网、城域网、因特网或其他类似类型的网络环境。网络265可以是固定无线网络、无线局域网(LAN)、无线广域网(WAN)、个域网(PAN)、虚拟专用网(VPN)、内联网或其他合适的网络系统，还可以包括用于接收和发送信号的设备。
图5示出了用于自适应调整策略，例如图3的策略160，的过程300。参考图1-5描述过程300，并且可以包括图5中描绘的那些之外的附加步骤。过程300可以由数据收集装置120和图3的系统100的自适应策略生成装置130执行。
在框305，数据收集装置120至少部分地基于用户105的一个或多个用户特征从分布式数据源查询多个模型数据140，其中可以从做为分布式数据源从多个其他用户编译的用户结果150A-150N收集模型数据140。用户特征可以包括诸如性别、年龄、体重、身高、自我评估的健康水平以及其他此类数据的信息，以帮助识别和分组类似用户。
在框310，数据收集装置120从与用户105的状况相关联的用户装置110收集多个传感器数据112。用户105的状况可以是例如当前心率、在一段时间内完成的步数、当前体重、和/或其他可观察数据以帮助进行相对适合度、活动水平和/或健康评估。
在框315，自适应策略生成装置130至少部分地基于模型数据140和传感器数据112生成包括最终目标162和一个或多个子目标164的策略160。自适应策略生成装置130可以至少部分地基于一个或多个用户特征和传感器数据112来确定用户105的多个行为模式。行为模式可以包括何时活动和休息期间发生、何时活动强度上升和下降、趋势等的模式。一个或多个子目标164可以包括从行为模式导出的一个或多个个性化阈值。自适应策略生成装置130可以使用表查找或统计功能近似至少部分地基于一个或多个子目标164和指示使用决策规则序列满足最终目标的可能性的置信度来确定决策规则序列。
在框320，自适应策略生成装置130至少部分地基于在一段时间内收集的传感器数据112中的一个或多个检测到的变化来迭代地适应策略160，以调整一个或多个子目标中的至少一个。迭代地适应策略160可以包括使用统计和强化学习来对在一段时间内收集的传感器数据112结合多个先前收集的传感器数据112的实例执行更新评估，以对检测到的一个或者多个变化进行分类。自适应策略生成装置130可以至少部分地基于检测到用户105已经超过或错过先前确定的一个或多个子目标164中的至少一个的实例来调整至少一个子目标164。
在框325，系统100将策略160和一个或多个子目标164提供给用户105。在一些实施例中，至少部分地基于将置信度与接受度阈值进行比较并确定置信度满足接受阈值(例如，策略160将满足最终目标162的置信度“高”)来将策略160提供给用户105。自适应策略生成装置130至少部分地基于确定置信度不满足接受度阈值，可以从模型数据140中搜索用户105的能力与多个模型动作之间的多个附加动作。可以提示用户105以执行一个或多个附加动作。数据收集装置120可以至少部分地基于用户的一个或多个附加动作的执行来收集多个附加用户数据，并且自适应策略生成装置130可以至少部分基于附加用户数据进一步适应策略160。
图6示出了根据本发明的一个或多个实施例的用于自适应调整的示例方法400的流程图。所示的一个或多个操作由系统100的一个或多个组件实现，并参考图3进行描述。
为了初始化序列，在初始化402的框404处，例如通过数据收集装置120，收集关于每个参与者的特征和基线健康状态(例如，基线压力水平)的信息。初始化402还包括框406以从模型数据140查询数据和框408以处理用户行为数据。
在迭代阶段410中的每个阶段(例如，阶段1至N)，观察到动作(例如，中等或剧烈的身体活动(MVPA)模式)和中间健康结果(例如，中间应力水平)。在下面的表示法中，小写变量是相应的大写随机变量的实现。例如，o是随机变量O的特定实现。在每个参与者i的T阶段研究中，观察到的数据是：{Oi1,Ai1,Oi2,Ai2,…,OiT,AiT,Yi}。
Oi1是基线健康结果测量的标量，Oit其中1<t≤T是阶段t结束时中间健康结果测量的标量。Ait是阶段t的参与者i的动作标量。为了简化问题，在此示例中仅考虑二进制操作。如果阶段t中的MVPA回合的累积计数例如大于3，则动作可以被编码为1(“活动”)，否则动作可以被编码为0(“非活动”)；Yi是参与者i的最终健康结果测量的标量以优化。设Hit表示参与者i在t阶段之前(包括阶段t)的历史信息。例如，Hit＝{Oi1,Ai1,…,Oit}。如果需要，可以将其他变量添加到Hit以捕获历史结果和操作之间的任何交互。在示例数据集中，基线健康结果Oi1，中间健康结果Oit，其中1<t≤T，并且最终健康结果可以是每个参与者i的压力水平。
Q学习(Q-learning)是构建高质量策略的一种方式。例如，策略可以被定义为一组决策规则，其接收用户的历史信息并输出推荐的动作。Q学习学习动作状态值函数，称为Q函数(动作状态的质量)，并使用反向归纳来估计最大化累积奖励的策略。该状态可以通过历史结果和动作的功能隐含地表示。因为目标是最大化有益的最终结果或最小化负面的的最终结果，所以总奖励可以被定义如果它是有益的，为感兴趣的最终结果Yi；或者如果它是有害的，则被定义为-Yi。可以在每个阶段使用Q函数的参数回归模型来学习使有限时间范围内的奖励最大化的优选策略(即，最终阶段T是有限数量)。在T阶段研究中，Q函数规定如下。
在最后阶段，T:QT(hT,aT)＝E(Y|HT＝hT,AT＝aT)
在前一阶段，t：
可以对Q函数使用参数回归模型，其中阶段t的Q函数表示为Qt(ht,at；θt)，并且θt是线性回归模型中的回归系数的矢量。下面提供了对于T＝2的情况的这种线性近似的示例。
在第二阶段：
Q2(hi2,ai2；θ2)＝θ20+θ21ai1+θ22oi1+(θ23+θ24ai1)oi2+θ25oi1oi2+(θ26+θ27ai1+θ28oi1+(θ29+θ210ai1)oi2+θ211oi1oi2)ai2
在第一阶段：
Q1(hi1,ai1；θ1)＝θ10+θ11oi1+(θ12+θ13oi1)ai1
优选策略被定义为实现Q函数的最大化值的策略。因此，阶段t的优选策略是
该方法至少部分地基于具有线性近似的Q学习方法，并且具有添加到学习过程中的阈值选择。作为一个示例示出在两阶段学习中具有嵌入阈值的策略估计，但是可以使用任何数量的阶段。为了用数学术语表达问题，Rit被定义为阶段t中参与者i的二分健康结果，其中Rit＝I(Oit>Ct),Ct是每个阶段要估计的阈值，而I()是一个指标函数。因此，如果结果，Oit超过Ct，则Rit＝1；否则，Rit＝0。阈值Ct可以被认为是结果目标选项(例如，压力水平)。因此，Rit指示参与者是否在阶段t中达到了目标。
为了便于解释，以下示例使用T＝2的假设。但是，通常，T可以是任何非负整数。考虑以下结果：基线结果，Oi1，中间结果，Oi2和最终结果Yi。产生的策略采取二分法结果的线性组合的形式。第二阶段的Q函数定义为
Q2(hi2,ai2；θ2,c1,c2)＝θ20+θ21ai1+θ22oi1+(θ23+θ24ai1)oi2+θ25oi1oi2+(θ26+θ27ai1+θ28ri1+(θ29+θ210ai1)ri2+θ211ri1ri2)ai2
第一阶段的Q函数是
Q1(hi1,ai1；θ1,c1)＝θ10+θ11oi1+(θ12+θ13ri1)ai1
其中ri1＝I(oi1>c1)and ri2＝I(oi2>c2)。
第二阶段的优选策略采取以下形式：
第一阶段的优选策略采取以下形式：
可以使用反向归纳来估计优选策略，以便在时间范围内最大化累积奖励。感兴趣的参数包含有关不同操作如何影响Q函数值的信息。因此，感兴趣的参数是回归系数{θ12,θ13}和{θ26,θ27,θ28,θ29,θ210,θ211}，以及阈值参数{c1,c2}。
优选策略的估计包括回归参数{θ1,θ2}的估计以及阈值参数{c1,c2}的估计。可以将回归参数估计为最小二乘估计量。例如，可以至少部分地基于使用遗传算法的逆概率加权估计器(IPWE)来估计阈值参数以最大化有益的预期加权结果或者最小化负面阈值。遗传算法是一种启发式搜索算法。
为了估计阈值参数并评估估计的策略，使用IPWE。IPWE是最终结果的加权边际均值Y。IPWE可以定义为
Wi被称为逆概率权重。当T＝2时，对于每个参与者i，I((ait＝πt(hit))是一个指标函数，表示观察到的动作是否与从策略πt估计的优选动作一致。pt(ait|hit)是使用逻辑回归估计的倾向得分，并且它在给定该参与者的动作和结果的历史下，捕获参与者将在阶段t采取动作a的可能性。
假设最终结果Y是有益结果，选择阈值参数以使IPWE最大化，从而实现最佳平均结果。IPWE是非参数估计器，不依赖于Q函数的线性近似。因此，IPWE对Q函数模型的错误指定是稳健的。IPWE还可用于评估在Q函数的不同模型假设下估计的策略。
使用该框架，自适应策略生成装置130可以在框412处生成优选策略和子目标。在框414，检查置信度以确定策略160是否具有“高”置信度(例如，高于接受阈值)。如果在框414处存在高置信度，则在框416处将策略160和子目标164显示给用户105。自适应策略生成装置130可以在框418处理和分析用户关于子目标164的进度。如果在框420处，已到达最后阶段(阶段N)，则方法400完成。否则，流程返回到框412。如果在框414处不存在高置信度(例如，置信度小于接受阈值)，则自适应策略生成装置130可以在框422找到用户能力和模型数据140的模型动作空间之间的动作。在框424，可以向用户105显示动作以进行自我实验，以鼓励用户105执行附加动作以帮助用户105更紧密地与模型数据140中的一个或多个示例对齐。在框426，处理和分析用户行为数据，并且流程返回到框412。
图7描绘了示例性场景500，诸如用于生成和调整策略，诸如图3的策略160，的适应性跟踪示例场景，并且参考图3进行描述。在502处，至少部分地基于图3的传感器数据112和/或手动输入用户特征来观察基线特征信息和基线加权。建立阶段1到N作为子目标164，以使用更新的信息根据需要重新规划选择在第一阶段504，中间阶段506和结束阶段508计划的动作。例如，可以在早期阶段510观察到剪裁变量，并且可以在后期阶段512观察到中间结果。当达到或应该已经达到最终目标162时观察到最终结果514。动作可以包括关于用户105何时应该活动和休息的指导、以及建议的锻炼类型、持续时间、强度等。
作为一个示例，在502，基线特征信息可以包括用户特征是三十岁男性，身高为68英寸，初始体重为一百九十磅。在第一阶段504期间，策略160可以是如果初始体重大于180磅，则建议执行动作；否则，不需要任何动作建议。在中间阶段506期间，如果中间体重超过一百八十八磅，则建议执行动作；否则，可以至少部分地基于相对体重变化来进行动作水平推荐，以与另一个用户(例如，年龄25-35岁男性，在66到70英寸之间的身高)的类似用户数据一致，达到类似的结束阶段508的目标结果。
图8描绘了根据本发明的一个或多个实施例的使用对话系统610进行自适应调整的系统600。类似于图3的系统100，系统600分析包括用户特定特征的用户105的健康跟踪数据。系统100包括一个或多个用户装置110，例如用户装置-1 110A、用户装置-2 110B等、直到用户装置N110N。在一个或多个示例中，系统600包括数据收集装置120和自适应策略生成装置130，其处理数据以生成预测和/或洞察。例如，自适应策略生成装置130为用户105确定具有最终目标162和一个或多个子目标164的策略160。数据收集装置120处理(例如，收集、条件、标准化等)传感器在由自适应策略生成装置130使用之前，来自每个用户装置110和模型数据140的数据112。
在图8的示例中，系统600的对话系统610可操作以从用户105接收策略调整请求615以修改策略160的一个或多个方面。对话系统610可以向用户105提供交互式对话(例如，聊天流程)以完成具有问题回答界面的任务并使用本领域已知的问答界面技术提供自然语言响应。例如，对话系统610可以使用户105能够询问对策略160的潜在修改的影响，例如，“如果我从训练中取消本周末会发生什么？”。自适应策略生成装置130可以至少部分地基于策略调整请求、与传感器数据112相关联的用户105的条件以及模型数据140，生成策略160的一个或者更多预期的策略变体620。由于用户105可以探索不同的可能场景，可以在预期的策略变化620中捕获所得到的可能的策略修改，以供以后分析和选择。当用户105确认用户选择一个或多个预期的策略变体620之一作为策略160的更新版本时，策略160被调整为更新版本以匹配期望的修改。
图9描绘了根据本发明的一个或多个实施例的使用对话系统(例如图8的对话系统610)进行自适应调整的过程700。参考图1-9描述过程700，可以包括除图9中所示的那些之外的附加步骤。过程700可以由图8的系统600执行。
在框705处，自适应策略生成装置130至少部分地基于多个模型数据140和传感器数据112来生成包括最终目标162和一个或多个子目标164的策略160。在框710，自适应策略生成装置130将策略160和一个或多个子目标164提供给用户105。
在框715，自适应策略生成装置130从对话系统610接收策略调整请求615以修改策略160的一个或多个方面。策略调整请求615可包括一个或多个用户动作中的防止满足策略160的一个或多个子目标164中的至少一个的预期的偏差。例如，如果用户105计划从训练中休息一周，则如果尚未包含在策略160中，则这是预期的偏差。
在框720处，自适应策略生成装置130至少部分地基于策略调整请求，与传感器数据112相关联的用户的条件以及模型数据140来生成策略160的一个或多个预期的策略变体620。策略160的一个或多个预期的策略变体620可以调整至少一个子目标164，以至少部分地基于策略调整请求、与传感器数据112相关联的用户105的条件以及模型数据140来增加满足最终目标162的置信度。在框725，自适应策略生成装置130确认用户对一个或多个预期的策略变体620之一的选择作为策略160的更新版本。
因此，本文描述的技术方案有助于系统使用传感器数据和模型数据自适应地调整策略。在一个或多个示例中，将策略分解为子目标和最终目标使得能够在一段时间内执行数据收集和分析的阶段，并且以子目标定义的间隔触发策略调整。对话系统的使用可以使用户能够对预期的动作提供假设的改变，并且可视化对策略的潜在影响以及成功实现最终目标的可能性。对话系统还可以提供对策略和子目标的有意义的解释，以解释例如为什么选择了动作，为什么选择了特定的子目标，以及调整子目标和动作的影响。
在任何可能的技术细节结合层面，本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (25)

1.一种计算机实现的方法，包括：
由处理器至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据；
由处理器收集与用户状况相关的多个传感器数据；
由处理器至少部分地基于所述模型数据和所述传感器数据，生成包括最终目标和一个或多个子目标的策略；
由处理器至少部分地基于在一段时间内收集的所述传感器数据中的一个或多个检测到的变化来迭代地适应所述策略，以调整所述一个或多个子目标中的至少一个；以及
向用户提供所述策略和所述一个或多个子目标。
2.如权利要求1所述的计算机实现的方法，还包括至少部分地基于所述一个或多个用户特征和所述传感器数据来确定所述用户的多个行为模式。
3.如权利要求2所述的计算机实现的方法，其中，所述一个或多个子目标包括从所述行为模式导出的一个或多个个性化阈值。
4.如权利要求3所述的计算机实现的方法，还包括使用表查找或统计函数近似来至少部分地基于所述一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定所述决策规则的序列。
5.如权利要求4所述的计算机实现的方法，还包括：
将所述置信度与接受阈值进行比较；
至少部分地基于确定所述置信度不满足所述接受阈值，从所述模型数据中搜索所述用户的能力与多个模型动作之间的多个附加动作；
提示所述用户执行一个或多个所述附加动作；
至少部分地基于所述用户对一个或多个所述附加动作的执行来收集多个附加用户数据；以及
至少部分地基于所述附加用户数据进一步适应所述策略。
6.如权利要求1所述的计算机实现的方法，其中迭代地适应所述策略包括：使用统计和强化学习，结合多个先前收集的所述传感器数据的实例，对在所述一段时间内收集的所述传感器数据执行更新的评估以对所述一个或多个检测到的变化进行分类。
7.如权利要求1所述的计算机实现的方法，还包括至少部分地基于检测到所述用户已经超过或错过先前确定的所述一个或多个子目标中的至少一个的实例来调整至少一个子目标。
8.一种系统，包括：
存储器；以及
处理器，与所述存储器耦合，所述处理器被配置为：
至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据；
收集与用户状况相关的多个传感器数据；
至少部分地基于所述模型数据和所述传感器数据，生成包括最终目标和一个或多个子目标的策略；
至少部分地基于在一段时间内收集的所述传感器数据中的一个或多个检测到的变化来迭代地适应所述策略，以调整所述一个或多个子目标中的至少一个；以及
向用户提供所述策略和所述一个或多个子目标。
9.如权利要求8所述的系统，其中，所述处理器还被配置为至少部分地基于所述一个或多个用户特征和所述传感器数据来确定所述用户的多个行为模式，其中所述一个或多个子目标包括：从所述行为模式导出的一个或多个个性化阈值。
10.如权利要求9所述的系统，其中，所述处理器还被配置为使用表查找或统计函数近似来至少部分地基于所述一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定所述决策规则的序列。
11.如权利要求10所述的系统，其中，所述处理器还被配置为：
将所述置信度与接受阈值进行比较；
至少部分地基于确定所述置信度不满足所述接受阈值，从所述模型数据中搜索所述用户的能力与多个模型动作之间的多个附加动作；
提示所述用户执行一个或多个所述附加操作；
至少部分地基于所述用户对一个或多个所述附加动作的执行来收集多个附加用户数据；以及
至少部分地基于所述附加用户数据进一步适应所述策略。
12.如权利要求8所述的系统，其中所述策略的迭代适应包括使用统计和强化学习结合多个先前收集的所述传感器数据的实例，对在所述一段时间内收集的所述传感器数据的更新的评估以对所述一个或多个检测到的变化进行分类。
13.如权利要求8所述的系统，其中，所述处理器还被配置为至少部分地基于检测到所述用户已经超过或错过先前确定的所述一个或多个子目标中的至少一个的实例来调整至少一个子目标。
14.一种计算机程序产品，包括计算机可读存储介质，所述计算机可读存储介质具有与其一起实现的程序指令，所述程序指令可由处理电路执行，使得所述处理电路：
至少部分地基于一个或多个用户特征，查询来自分布式数据源的多个模型数据；
收集与用户状况相关的多个传感器数据；
至少部分地基于所述模型数据和所述传感器数据，生成包括最终目标和一个或多个子目标的策略；
至少部分地基于在一段时间内收集的所述传感器数据中的一个或多个检测到的变化来迭代地适应所述策略，以调整所述一个或多个子目标中的至少一个；以及
向用户提供所述策略和所述一个或多个子目标。
15.如权利要求14所述的计算机程序产品，其中所述程序指令还可执行以使所述处理电路至少部分地基于所述一个或多个用户特征和所述传感器数据来确定所述用户的多个行为模式，其中所述一个或多个子目标包括：从所述行为模式导出的一个或多个个性化阈值。
16.如权利要求15所述的计算机程序产品，其中，所述程序指令还可执行以使所述处理电路使用表查找或统计函数近似来至少部分地基于所述一个或多个子目标和指示使用决策规则序列满足所述最终目标的可能性的置信度来确定所述决策规则的序列。
17.如权利要求16所述的计算机程序产品，其中，所述程序指令还可执行以使所述处理电路：
将所述置信度与接受阈值进行比较；
至少部分地基于确定所述置信度不满足所述接受阈值，从所述模型数据中搜索所述用户的能力与多个模型动作之间的多个附加动作；
提示所述用户执行一个或多个所述附加操作；
至少部分地基于所述用户对一个或多个所述附加动作的执行来收集多个附加用户数据；以及
至少部分地基于所述附加用户数据进一步适应所述策略。
18.如权利要求14所述的计算机程序产品，其中所述策略的迭代适应包括使用统计和强化学习结合多个先前收集的所述传感器数据的实例，对在所述一段时间内收集的所述传感器数据的更新的评估以对所述一个或多个检测到的变化进行分类。
19.如权利要求14所述的计算机程序产品，其中，所述程序指令还可执行以使所述处理电路至少部分地基于检测到所述用户已经超过或错过先前确定的所述一个或多个子目标中的至少一个的实例来调整至少一个子目标。
20.一种计算机实现的方法，包括：
由处理器至少部分地基于多个模型数据和传感器数据生成包括最终目标和一个或多个子目标的策略；
向用户提供所述策略和一个或多个子目标；
从对话系统接收策略调整请求以修改所述策略的一个或多个方面；
由处理器至少部分地基于所述策略调整请求、与所述传感器数据相关联的所述用户的条件以及所述模型数据，生成所述策略的一个或多个预期的所述策略的策略变体；以及
由处理器确认用户对所述一个或多个预期的策略变体之一的选择作为所述策略的更新版本。
21.如权利要求20所述的计算机实现的方法，其中所述策略调整请求包括一个或多个用户动作中的预期偏差，所述用户动作防止满足所述策略的所述一个或多个子目标中的至少一个。
22.如权利要求20所述的计算机实现的方法，其中所述策略的所述一个或多个预期的策略变体至少部分地基于所述策略调整请求、与所述传感器数据相关联的所述用户的状况，以及所述模型数据调整至少一个子目标，以增加实现所述最终目标的置信度。
23.一种系统，包括：
存储器；以及
处理器，与所述存储器耦合，所述处理器被配置为：
至少部分地基于多个模型数据和传感器数据生成包括最终目标和一个或多个子目标的策略；
向用户提供所述策略和一个或多个子目标；
从对话系统接收策略调整请求以修改所述策略的一个或多个方面；
至少部分地基于所述策略调整请求、与所述传感器数据相关联的所述用户的条件以及所述模型数据，生成所述策略的一个或多个预期的所述策略的策略变体；以及
确认用户对所述一个或多个预期的策略变体之一的选择作为所述策略的更新版本。
24.如权利要求23所述的系统，其中所述策略调整请求包括一个或多个用户动作中的预期偏差，所述用户动作防止满足所述策略的所述一个或多个子目标中的至少一个。
25.如权利要求23所述的系统，其中所述策略的所述一个或多个预期的策略变体至少部分地基于所述策略调整请求、与所述传感器数据相关联的所述用户的状况，以及所述模型数据调整至少一个子目标，以增加实现所述最终目标的置信度。
CN201780090375.3A 2017-05-22 2017-12-21 使用传感器数据和分布式数据进行自适应调整 Active CN110582796B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/601,029 US11228613B2 (en) 2017-05-22 2017-05-22 Adaptive adjustment using sensor data and distributed data
US15/601,029 2017-05-22
PCT/IB2017/058255 WO2018215825A1 (en) 2017-05-22 2017-12-21 Adaptive adjustment using sensor data and distributed data

Publications (2)

Publication Number Publication Date
CN110582796A true CN110582796A (zh) 2019-12-17
CN110582796B CN110582796B (zh) 2023-05-12

Family

ID=64271901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780090375.3A Active CN110582796B (zh) 2017-05-22 2017-12-21 使用传感器数据和分布式数据进行自适应调整

Country Status (3)

Country Link
US (1) US11228613B2 (zh)
CN (1) CN110582796B (zh)
WO (1) WO2018215825A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7073990B2 (ja) * 2018-09-04 2022-05-24 日本電信電話株式会社 状態推定装置、方法およびプログラム
US11288459B2 (en) 2019-08-01 2022-03-29 International Business Machines Corporation Adapting conversation flow based on cognitive interaction
US11663522B2 (en) * 2020-04-27 2023-05-30 Microsoft Technology Licensing, Llc Training reinforcement machine learning systems
US20220277213A1 (en) * 2021-03-01 2022-09-01 The Toronto-Dominion Bank Horizon-aware cumulative accessibility estimation
US12093878B2 (en) 2021-10-05 2024-09-17 Argo AI, LLC Systems and methods for managing permissions and authorizing access to and use of services
US20230286529A1 (en) * 2022-03-10 2023-09-14 Argo AI, LLC Systems and methods for dynamic data mining during data collection missions
US20240330140A1 (en) * 2023-03-30 2024-10-03 Thomson Licensing Configurable and adaptable observation intervals and reporting intervals for a multi-sensor network environment

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040247748A1 (en) * 2003-04-24 2004-12-09 Bronkema Valentina G. Self-attainable analytic tool and method for adaptive behavior modification
US20070072156A1 (en) * 2005-08-05 2007-03-29 Abk Ventures Lifestyle coach behavior modification system
US20080126277A1 (en) * 2006-11-27 2008-05-29 Pharos Innovations, Llc Optimizing behavioral change based on a patient statistical profile
CN104009939A (zh) * 2014-05-29 2014-08-27 中国联合网络通信集团有限公司 一种服务资源分配方法和系统
CN105608582A (zh) * 2014-10-30 2016-05-25 上海天臣防伪技术股份有限公司 利用材料低频共振感应特性的防伪方法
CN106022554A (zh) * 2015-03-24 2016-10-12 国际商业机器公司 用于支持决策做出过程的方法和系统
US20160379224A1 (en) * 2015-06-23 2016-12-29 International Business Machines Corporation Targeted e-commerce business strategies based on affiliation networks derived from predictive cognitive traits
US20170124497A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377258A (en) 1993-08-30 1994-12-27 National Medical Research Council Method and apparatus for an automated and interactive behavioral guidance system
US20070219059A1 (en) 2006-03-17 2007-09-20 Schwartz Mark H Method and system for continuous monitoring and training of exercise
US7558622B2 (en) 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
US8838513B2 (en) 2011-03-24 2014-09-16 WellDoc, Inc. Adaptive analytical behavioral and health assistant system and related method of use
CA2631482A1 (en) 2007-05-17 2008-11-17 Jay Shiro Tashiro Adaptive intervention and management for healthcare organizations
WO2010138975A1 (en) 2009-05-29 2010-12-02 Sk Telecom Americas, Inc. System and method for motivating users to improve their wellness
EP2520991B1 (de) 2011-05-02 2014-03-19 Siemens Aktiengesellschaft Verfahren zum steuernden Eingriff in das Verhalten eines Submoduls
WO2013108122A1 (en) 2012-01-20 2013-07-25 Mueller-Wolf Martin "indima apparatus" system, method and computer program product for individualized and collaborative health care
US20130209971A1 (en) 2012-02-15 2013-08-15 Robert Luecke Method of managing health of a user based upon data related to physical, mental and spiritual status
US9183511B2 (en) * 2012-02-24 2015-11-10 Ming Li System and method for universal translating from natural language questions to structured queries
US9349100B2 (en) * 2012-08-30 2016-05-24 International Business Machines Corporation Method for providing a prompt for real-time cognitive assistance
US9764162B1 (en) * 2013-10-28 2017-09-19 Elekta, Inc. Automated, data-driven treatment management system for adaptive radiotherapy workflows
US10055681B2 (en) * 2013-10-31 2018-08-21 Verint Americas Inc. Mapping actions and objects to tasks
KR20150081839A (ko) 2014-01-07 2015-07-15 한국전자통신연구원 사이버-물리 시스템의 목표 평가 장치 및 방법
CN105320533A (zh) 2014-08-02 2016-02-10 严谨 一种针对男男性接触者（msm）行为干预的手机软件
CN104223611B (zh) 2014-08-29 2016-04-13 小米科技有限责任公司 一种设置目标运动距离的方法和装置
CN105045713B (zh) 2015-07-14 2018-02-13 腾讯科技（深圳）有限公司 数据处理方法及移动终端
CN105183091B (zh) 2015-09-30 2020-08-25 联想(北京)有限公司 一种电子设备和信息处理方法
WO2017136218A1 (en) * 2016-02-01 2017-08-10 Dexcom, Inc. System and method for decision support using lifestyle factors
US20170286621A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Evaluating Risk of a Patient Based on a Patient Registry and Performing Mitigating Actions Based on Risk
US10565503B2 (en) * 2016-07-08 2020-02-18 International Business Machines Corporation Dynamic threshold filtering for watched questions
US20180107943A1 (en) * 2016-10-17 2018-04-19 Microsoft Technology Licensing, Llc Periodic stress tracking
US10565524B2 (en) * 2017-01-31 2020-02-18 Hewlett Packard Enterprise Development Lp Performing privacy-preserving multi-party analytics on horizontally partitioned local data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040247748A1 (en) * 2003-04-24 2004-12-09 Bronkema Valentina G. Self-attainable analytic tool and method for adaptive behavior modification
US20070072156A1 (en) * 2005-08-05 2007-03-29 Abk Ventures Lifestyle coach behavior modification system
US20080126277A1 (en) * 2006-11-27 2008-05-29 Pharos Innovations, Llc Optimizing behavioral change based on a patient statistical profile
CN104009939A (zh) * 2014-05-29 2014-08-27 中国联合网络通信集团有限公司 一种服务资源分配方法和系统
CN105608582A (zh) * 2014-10-30 2016-05-25 上海天臣防伪技术股份有限公司 利用材料低频共振感应特性的防伪方法
CN106022554A (zh) * 2015-03-24 2016-10-12 国际商业机器公司 用于支持决策做出过程的方法和系统
US20160379224A1 (en) * 2015-06-23 2016-12-29 International Business Machines Corporation Targeted e-commerce business strategies based on affiliation networks derived from predictive cognitive traits
US20170124497A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施京华: "基于数据挖掘的癌症诊疗决策优化研究", 《中国优秀硕士论文 信息科技》 *

Also Published As

Publication number Publication date
CN110582796B (zh) 2023-05-12
US20180336480A1 (en) 2018-11-22
US11228613B2 (en) 2022-01-18
WO2018215825A1 (en) 2018-11-29

Similar Documents

Publication Publication Date Title
CN110582796B (zh) 使用传感器数据和分布式数据进行自适应调整
US10585739B2 (en) Input data correction
US10902534B2 (en) Cognitive travel assistance
US11386358B2 (en) Intelligent decision support system
US10642952B2 (en) Sensor based monitoring
CN103383655B (zh) 用于在qos感知云中管理合并的工作负载的性能干扰模型
US20190303471A1 (en) Missing value imputation using adaptive ordering and clustering analysis
EP3745264A1 (en) Automated scaling of resources based on long short-term memory recurrent neural networks and attention mechanisms
US11022448B2 (en) Cognitive contextual route navigation
US20200090088A1 (en) Enterprise health control processor engine
US10380530B2 (en) Task-based biometric differentiator of stress levels to maximize productivity
US11152085B2 (en) Using sensors and location to trigger events and share data
US11145018B2 (en) Intelligent career planning in a computing environment
US11059492B2 (en) Managing vehicle-access according to driver behavior
US11410111B1 (en) Generating predicted values based on data analysis using machine learning
JP2018101201A (ja) 施策導入効果予測装置、施策導入効果予測プログラム及び施策導入効果予測方法
US10909472B2 (en) Utilizing radio signal emitting devices on fabric items to control temperature
US20230128532A1 (en) Distributed computing for dynamic generation of optimal and interpretable prescriptive policies with interdependent constraints
US20210342418A1 (en) Systems and methods for processing data to identify relational clusters
US20210065325A1 (en) Intelligent career monitoring and correction in a computing environment
US20190378431A1 (en) Leveraging Wearable Sensors for Context-Aware Personalized Recommendations
US20210050117A1 (en) Operations management based on predicted operations effectiveness
US20200160228A1 (en) Cognitive computing device for predicting an optimal strategy in competitive circumstances
US10376196B2 (en) Multi-symptom toolkit for evaluating readiness
US20190038936A1 (en) Cognitive advisory system of structured assessments through iot sensors

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