CN110612503B - 智能上下文子采样设备上系统 - Google Patents
智能上下文子采样设备上系统 Download PDFInfo
- Publication number
- CN110612503B CN110612503B CN201780090558.5A CN201780090558A CN110612503B CN 110612503 B CN110612503 B CN 110612503B CN 201780090558 A CN201780090558 A CN 201780090558A CN 110612503 B CN110612503 B CN 110612503B
- Authority
- CN
- China
- Prior art keywords
- information
- reporting
- mobile computing
- data
- trigger condition
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3209—Monitoring remote activity, e.g. over telephone lines or network connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
- H04W60/04—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration using triggered events
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
- H04W8/08—Mobility data transfer
- H04W8/10—Mobility data transfer between location register and external networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2242/00—Special services or facilities
- H04M2242/30—Determination of the location of a subscriber
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
- Telephone Function (AREA)
- Selective Calling Equipment (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本公开提供一种用于在设备上智能地采样诸如位置、活动等的信息的系统。使用机器学习来优化背景上下文的采样和上传,使得减少电池使用,并保持或改善基于报告信息的度量的质量。基于机器学习生成策略,该策略指示扫描和上传速率应如何响应于设备上的状况而改变。
Description
背景技术
当前,移动设备可以周期性地对诸如位置信息的信息进行采样并将其上传到远程服务器。这样的信息可以用于各种应用,诸如导航、统计等。然而,这样的报告会影响移动设备的电池寿命。在某些系统中,报告速率是根据一组简单的试探法来调整的,诸如,如果设备似乎在移动,则每10分钟报告一次,或者如果设备似乎静止,则每60分钟报告一次。然而,以这种方式进行报告并不是最理想的,因为由于对冗余或不感兴趣的位置信息进行采样会浪费电池,而在信息将会更有用的情况下采样不够。
发明内容
本公开提供了一种用于智能地对设备上的诸如位置、活动等的信息进行采样的系统。使用机器学习来优化背景上下文的采样和上传,使得减少电池使用,并保持或改善基于报告的信息的度量的质量。基于机器学习生成策略,该策略指示扫描和上传速率应如何响应于设备上的状况而改变。
本公开的一个方面提供了一种用于改善报告的方法。该方法包括在第一时间段内从多个移动计算设备接收数据,基于接收的数据识别用于报告信息的触发状况(triggercondition),使得将报告限制于触发状况减少电池电力的消耗,同时保持数据的质量,触发状况包括移动计算设备检测的活动,并使用接收的数据和识别的触发状况生成用于报告信息的策略。该策略被提供给一个或多个移动计算设备以供执行。
在一些示例中,数据包括检测的状况和对应的时间戳信息。报告信息可以包括对信息进行采样或将信息上传到远程服务器中的至少一个。识别用于报告信息的触发状况可以包括执行机器学习模型。识别用于报告信息的触发状况还可以包括针对成本函数训练接收的数据。成本函数可以基于与报告信息所需的电力关联的电池成本、与移动计算设备的先前报告的位置与当前位置之间的距离关联的偏移成本以及路径重构成本。训练接收的数据可以包括使用表格表示。成本函数可以表示当移动计算设备中的一个处于特定状态时执行特定动作的预期总未来成本。在一些实例中,该方法可以进一步包括:在第二时间段内从多个移动计算设备接收附加数据;基于附加数据更新生成的策略;以及将更新的策略提供给一个或多个移动计算设备以供执行。
本公开的另一方面提供了一种用于由移动计算设备进行报告的方法。该方法包括在移动计算设备处接收识别用于报告信息的一个或多个触发状况的策略,由移动计算设备检测与移动计算设备关联的活动,确定检测的活动是否与一个或多个触发状况对应,并在检测的活动与一个或多个触发状况对应时报告信息。报告信息可以包括对信息进行采样或将信息上传到远程服务器中的至少一个。检测活动可以包括检测一个或多个状况,诸如连接性状况或运动状况。
本公开的另一方面提供一种用于改善报告的系统。该系统包括:存储器,存储在第一时间段内由多个移动计算设备报告的数据;以及与存储器通信的一个或多个处理器。一个或多个处理器被配置为基于存储的数据来识别用于报告信息的触发状况,使得将报告限制于触发状况减少报告设备的电池电力的消耗,同时保持数据的质量,触发状况包括移动计算设备检测的活动,使用存储的数据和识别的触发状况,生成用于报告信息的策略,并将该策略提供给一个或多个移动计算设备以供执行。
在一些示例中,所述数据包括检测的状况和对应的时间戳信息。报告信息可以包括对信息进行采样或将信息上传到远程服务器中的至少一个。识别用于报告信息的触发状况可以包括执行机器学习模型。识别用于报告信息的触发状况可以包括针对成本函数训练存储的数据。成本函数可以表示当移动计算设备中的一个处于特定状态时执行特定动作的预期总未来成本。
在一些示例中,一个或多个处理器还被配置为在第二时间段内从多个移动计算设备接收附加数据,基于附加数据更新生成的策略,并且将更新的策略提供给一个或多个移动计算设备以供执行。
附图说明
图1是根据本公开的方面的示例系统的框图。
图2是根据本公开的方面的示例设备和状况的框图。
图3是示出根据本公开的方面的信息的传输的示例流程图。
图4示出了根据本公开的方面的路径重构的示例。
图5是示出根据本公开的方面的示例方法的流程图。
图6是示出根据本公开的方面的另一示例方法的流程图。
具体实施方式
本公开提供一种用于优化移动设备的报告的机器学习方法。优化了对背景上下文的采样和上传,从而减少了电池使用,并保持或改进了基于报告的信息的度量的质量。基于机器学习生成策略,该策略指示扫描和上传速率应如何响应设备上的状况而改变。例如,机器学习用于确定特定的触发状况,当触发状况被移动设备检测到时,该触发状况使移动设备报告数据。报告可以包括采样和/或上传。可以响应于一些触发状况而执行采样,而响应于其他触发状况而执行上传。触发状况可以是由传感器数据推断出的特定活动,诸如驾驶、停车、慢跑、购物等。
示例系统
图1示出了用于优化移动设备的报告的示例系统。不应将其视为限制本公开的范围或本文所述特征的有用性。在该示例中,系统100可以包括通过网络150与一个或多个客户端设备160、170以及存储系统140通信的计算设备110。每个计算设备110可以包含一个或多个处理器120、存储器130和通用计算设备中通常存在的其他组件。每个计算设备110的存储器130可以存储可由一个或多个处理器120访问的信息,包括可以由一个或多个处理器120执行的指令134。
存储器130还可以包括可以由处理器检索、操纵或存储的数据132。存储器可以是能够存储可由处理器访问的信息的任何非暂时性类型,诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写存储器和只读存储器。
指令134可以是将由一个或多个处理器直接执行的任何指令集,诸如机器代码,或间接执行的任何指令的集合,诸如脚本。在这方面,术语“指令”、“应用”、“步骤”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理,或者以任何其他计算设备语言存储,包括脚本或独立源代码模块的集群,其按需被解释或预先被编译。在下面更详细地说明功能、方法和指令的例程。
数据132可以由一个或多个处理器220按照指令134进行检索、存储或修改。例如,尽管本文所述的主题不受任何特定数据结构的限制,但是可以将数据存储在计算机寄存器中、存储在关系数据库中作为具有许多不同字段和记录的表或存储在XML文档中。数据还可以以任何计算设备可读格式(诸如但不限于二进制值、ASCII或统一码(Unicode))进行格式化。另外,数据可以包括足以识别相关信息(诸如数字、描述性文本、专有代码、指针、对存储在其他存储器中(诸如存储在其他网络位置处)的数据的参考或函数用于计算相关数据的信息)的任何信息。
一个或多个处理器120可以是任何常规处理器,诸如可商购获得的CPU。替代地,处理器可以是专用组件,诸如专用集成电路(“ASIC”)或其他基于硬件的处理器。尽管不是必需的,但是一个或多个计算设备110可以包括专用的硬件组件以执行特定的计算过程,诸如图像识别、对象识别、图像编码、标记等。
尽管图1在功能上将计算设备110的处理器、存储器和其他元件示出为在同一块内,但是处理器、计算机、计算设备或存储器实际上可以包括可以或可以不存放在同一物理外壳内的多个处理器、计算机、计算设备或存储器。例如,存储器可以是位于与计算设备110的外壳不同的外壳中的硬盘驱动器或其他存储介质。因此,对处理器、计算机、计算设备或存储器的引用将被理解为包括对可以或可以不并行操作的处理器、计算机、计算设备或存储器的集合的引用。例如,计算设备110可以包括作为负载平衡的服务器场、分布式系统等操作的服务器计算设备。此外,尽管以下描述的一些功能被指示为发生在具有单个处理器的单个计算设备上,但是可以通过例如在“云”中的多个计算设备来实现本文描述的主题的各个方面。类似地,位于不同位置的存储器组件可以存储指令134的不同部分,并共同形成用于存储指令的介质。本文描述为由计算设备执行的各种操作可以由虚拟机执行。举例来说,指令134可以特定于第一类型的服务器,但是相关的操作可以由运行模拟第一类型的服务器的虚拟机管理程序(hypervisor)的第二类型的服务器执行。操作还可以由容器(例如,不依赖于绑定于特定类型的硬件的操作系统的计算环境)执行。
每个计算设备110、160、170可以在网络150的不同节点处,并且能够与网络150的其他节点直接和间接通信。尽管在图1中仅描绘了几个计算设备,但是应当理解,典型系统可以包括大量连接的计算设备,其中每个不同的计算设备位于网络150的不同节点处。可以使用各种协议和系统将本文描述的网络150和居间节点互连,使得该网络可以是互联网、万维网、特定内联网、广域网或局域网的一部分。网络可以利用标准通信协议,诸如以太网、WiFi、HTTP、IEEE 802.11中描述的协议、一个或多个公司专有的蜂窝技术(诸如GSM、CDMA、UMTS、EV-DO、WiMAX、LTE等)协议以及上述协议的各种组合。尽管在如上所述的发送或接收信息时获得了某些优点,但是本文描述的主题的其他方面不限于信息的传输的任何特定方式。
作为示例,每个计算设备110可以包括能够经由网络150与存储系统140以及计算设备160、170通信的网络服务器。例如,一个或多个服务器计算设备110可以使用网络150以向用户发送信息并在诸如计算设备160的显示器165的显示器上向用户呈现信息。就这一点而言,计算设备160、170可以被认为是客户端计算设备,并且可以执行本文所述的全部或一些特征。
可以用如上所述的一个或多个处理器、存储器和指令类似于服务器计算设备110地配置每个客户端计算设备160、170。每个客户端计算设备160、170可以是旨在供用户使用并且能够通过诸如互联网的网络与服务器无线地交换数据的移动计算设备。仅作为示例,客户端计算设备160可以是移动电话或诸如具有无线功能的PDA、平板PC、上网本、智能手表、头戴式计算系统或能够经由互联网获得信息的任何其他设备的设备。作为示例,用户可以使用小键盘、键板、麦克风、使用利用相机的视觉信号或触摸屏等输入信息。
客户端计算设备160、170可以具有通常与移动计算设备结合使用的所有组件,诸如处理器、存储数据和指令的存储器(例如,RAM和内部硬盘驱动器)、诸如显示器165的显示器和用户输入设备166(例如,输入按钮、触摸屏、麦克风等)。客户端计算设备还可以包括用于检测移动设备周围的状况的一个或多个传感器167。例如,传感器167可以包括图像捕获设备(诸如用于记录视频流和/或捕获图像的相机)、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。传感器167还可以包括位置确定系统,诸如GPS。位置确定系统的其他示例可以基于无线接入信号强度、诸如地标的地理对象的图像、诸如光或噪声水平的语义指示符等来确定位置。
如将在下面结合图2进一步详细描述的,客户端计算设备160、170可以诸如通过使用传感器167采样关于周围状况的信息,并且可以将这样的信息上传到服务器110和/或存储系统140。这样的采样或上传可以更一般地称为报告。客户端计算设备160、170均具有隐私设置,必须对其进行设置以授权这样的报告。例如,客户端计算设备160、170的用户具有打开或关闭这样的报告的选项,并且可以具有选择报告哪些类型的信息和不报告哪些类型的信息的选项。仅作为示例,用户可以允许报告所连接的接入点的标识,但是不允许报告GPS坐标。另外,为移动设备发送的任何数据提供隐私保护,例如,包括个人可识别信息的匿名化、数据的聚合、敏感信息的过滤、加密、敏感信息的散列或过滤以去除个人属性、对信息存储的时间限制或对数据使用或共享的限制。例如,详细的位置信息可以在存储系统140中仅存储相对短暂的时间段。此外,数据可以被匿名化和聚合,使得不泄露个人用户数据。不是使用任何个人信息来唯一地识别移动设备,可以使用唯一识别符的散列。例如,散列可以是密码散列。散列可能具有高的冲突率。散列可以应用于与移动设备关联的唯一数字或文本串。在这方面,不存储个人信息。
与存储器130一样,存储系统140可以是能够存储可由服务器计算设备110访问的信息的任何类型的计算机化存储装置,诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写存储器和只读存储器。另外,存储系统140可以包括分布式存储系统,其中,数据存储在物理上可以位于相同或不同地理位置的多个不同的存储设备上。如图1所示,存储系统140可以经由网络150连接到计算设备和/或可以直接连接到任何计算设备110。
存储系统140可以存储数据,诸如来自客户端计算设备160、170的报告,其中,已经将客户端计算设备160、170上的隐私设置设置为授权报告。报告可以包括例如位置信息、状况信息、活动信息、连接性信息、地理围栏信息、电池信息或各种其他类型的信息。位置信息可以包括诸如GPS坐标、附近的兴趣点等的信息。状况信息可以包括例如天气信息、检测的光水平、声音、气压、振动等。活动信息可以包括基于检测的状况、位置或其他信息而确定的信息。例如,活动可以包括购物、慢跑、就餐等。在一些示例中,活动信息可以识别移动计算设备160、170正在使用的应用。作为示例,连接性信息可以包括Wi-Fi连接状态、连接的接入点的标识(诸如,通过MAC地址等)。在某些示例中,连接性信息还可以包括来自附近设备的信标扫描。地理围栏信息可以识别移动设备160、170是否在与住宅或工作场所对应的地理区域内。在一些示例中,当设备160、170在家庭或工作地理围栏内时,设备160、170可以抑制信息的报告。电池信息可以识别移动计算设备160、170的当前电池电量,或者设备是否处于充电状态。
图2是根据本公开的方面的示例设备和状况的框图。如上所述,客户端设备160包括处理器162、包括数据163和指令164的存储器以及一个或多个传感器167。
指令164可被处理器162执行,例如,以执行方法,该方法包括接收用于报告信息的策略,检测周围状况或活动,按照该策略确定检测的状况或活动是否触发信息的报告,并在被触发时报告信息。报告可以包括采样数据或上传信息中的至少一个,或包括两者。根据一些示例,第一状况或活动可触发数据的采样,而第二不同的状况或活动触发上传信息。
传感器167可以通过示例而非限制地包括陀螺仪、加速度计、磁力计、GPS、相机、麦克风、光传感器、运动传感器等。这样的传感器可以用于检测各种不同的状况,诸如运动、天气状况、声音、附近的对象、电磁场等。在一些示例中,传感器167可以识别与状况有关的详细信息。例如,陀螺仪和加速度计不仅可以检测设备160是否在运动,而且可以确定运动是线性的还是旋转的、运动的方向、运动的速度等。来自不同类型的传感器167的信息还可以用于确定状况或活动。例如,来自光传感器的低读数与来自气压计的高压读数相结合可以指示下雨。作为另一个示例,特定的速度和振动水平可以指示设备160正在自行车上行进,而接收的声音或气味指示设备160正在经过餐馆。
设备160进一步包括输入/输出(I/O)接口169。I/O接口169可以使用模拟或数字调制用于进行计算设备160与其他设备或网络之间的通信。I/O接口169可以促进电路交换和/或分组交换通信。例如,I/O接口169可以包括芯片组和天线,该芯片组和天线被布置用于与无线电接入网络或接入点进行无线通信。I/O接口169可以包括有线接口,诸如以太网、通用串行总线(USB)或高清多媒体接口(HDMI)端口。I/O接口169还可以包括无线接口,诸如Wi-Fi,或者广域无线接口(例如,WiMAX或3GPP长期演进(LTE))。也可以使用其他形式的物理层接口和其他类型的通信协议。此外,I/O接口169可以包括多个物理通信接口(例如,Wifi接口、短距离无线接口和广域无线接口),并且可以实现不同类型的多个同时连接。
I/O接口169可以用于建立与一个或多个其他计算设备的连接性。例如,除了以上结合图1讨论的网络150、存储系统140和服务器110之外,I/O接口169可以用于建立与接入点的连接,所述接入点诸如蜂窝接入点220、Wi-Fi接入点225或设备160可以与之建立连接的任何其他类型的接入点。I/O接口还可以与一个或多个其他移动计算设备232、234建立连接。I/O接口169还可以用于检测信标或射频识别(RFID)标签,其可以出于各种不同原因中任何一个而被定位于多个位置中的任一个处。例如,这样的信标或RFID标签可以被定位在商店中以确定潜在顾客的数量、定位在广告空间中以确定广告的观看者的数量等。
I/O接口169可以用于确定连接性信息,其可以进一步用于确定与设备160关联的状况或活动。例如,紧邻设备160移动的多个其他计算设备可以暗示设备160在公共火车或繁忙的人行道上。当与其他传感器信息(诸如噪声水平、振动、速度等)结合时,可以进行更精确的确定。作为另一个示例,紧邻的多个其他检测到的计算设备但是弱GPS信号且低光水平可以暗示设备160在健身俱乐部的更衣室中。在其他示例中,特定接入点的标识(诸如MAC地址)可以提供位置信息或暗示特定活动,诸如,在与该接入点的MAC地址关联的餐厅就餐。
虽然描述了可以如何单独地或结合地使用各种类型的检测到的信息来确定设备160周围的状况或活动的几个示例,但是应当理解,可以使用各种输入来确定任意数量的各种活动或状况。
服务器110生成的策略可以确定移动设备160仅在一组特定状况或活动下报告信息是最有用和最具成本效益的。仅作为示例,设备160可以仅在确定其在公共场所中移动并且具有大于电池寿命的第一预定百分比时才对信息进行采样。作为另一示例,设备160可以仅在预定范围内存在至少预定数量的兴趣点时才进行采样。作为另一个示例,设备160可以暂停采样并且仅在检测到天气状况改变时才恢复采样。作为又另一示例,设备160可以仅在其连接到电源或具有大于电池寿命的第二预定百分比时才上传信息。
图3是示出根据本公开的方面的信息的传输的示例流程图。由移动设备360在用户许可的情况下收集的各种数据被发送到数据库340。该数据可以与对应的时间戳一起发送,该时间戳诸如是指示信息何时被采样的时间戳。数据库340可以在长期的时间段内从各种源收集数据。尽管未示出,但是数据库340可对出于各种目的而使用这样的数据的多个系统和应用中的任一个可用。例如,数据库340可以由地图相关应用、导航相关应用、天气相关应用、广告相关应用等访问。
机器学习系统320可以使用存储在数据库340中的全部或部分数据来识别移动设备报告数据的触发活动或状况。可以识别触发活动或状况,使得将数据的报告(包括采样和/或上传)限制于触发活动/状况将会优化移动设备的电池寿命以及数据的有用性。例如,关于数据的有用性,可以确定数据的准确性、频率和数量是否足以准确地推断位置和活动数据。例如,响应于触发状况或活动而被报告的数据的充足性应与无论电池寿命优化如何而被报告的数据具有可比性。
根据一些示例,机器学习系统320可以模拟不同的采样和上传策略,就像它们在移动设备上运行一样。例如,在移动设备360上执行报告策略之前,可以测试和评估基于数据库340中的数据生成的报告策略。机器学习系统320可以运行基于数据库340中存在的数据确定的初始策略,并允许学习通过模拟新的位置历史来探索新策略。在某些示例中,可以与评估其他策略同时地探索新策略。
机器学习可以包括使用成本函数来训练数据,例如,计划总的预期未来成本。在一些示例中,成本函数可以结合完整的语义位置和活动推断以及使用的实际电池量。在其他示例中,简化的成本函数可用于快速计算,同时近似相同质量的度量。例如,成本函数可以是不同子成本(诸如电池、偏移和路径重构)的和。在一些示例中,附加的子成本可以包括Wi-Fi和检测到的活动的报告,这在下文进一步讨论。因此,成本函数可以是:
C(a,s,L)=αBB(L′)+αOO(L,L′)+αRR(L,L′)
在此等式中,C(a,s,L)是根据历史数据L计算出的当设备处于状态s时执行动作a的成本。调整参数α提供每个子成本的相对重要性的表示。并非所有成本都将适用于所有动作。例如,某些成本可能仅适用于上传动作,而不适用于采样率改变。例如,虽然电池成本可能适用于所有动作,但是偏移成本和路径重构成本可能仅适用于上传。因为机器学习系统320针对总的预期未来成本进行优化,所以它应当学习,例如不良的采样率最终会导致不良的上传成本。
电池成本可以表示每个动作的简单相对功率成本。可以从多个位置报告和批处理频率估计电池成本。
偏移成本可以是从最近上传的位置lu到用户当前的实际位置的距离d。偏移成本函数可以是:
由于用户的当前位置是未知的,因此其可以用数据库340中从最近上传的时间u到当前上传的时间T的每个位置lt来近似。在某些示例中,模型每批上传一次,从而使批处理速率直接控制上传速率。但是,应当理解,上传和批处理速率可以是独立的。
当用户移动时,偏移将会高。上传动作的电池成本应防止系统学习以过于频繁地上传,并且将在运动的速度和上传速率之间找到更细微的平衡,而不是硬阈值。该距离可以通过设备的估计速度来归一化。例如:
其中,vt=d(lt,lt-1)/(ct-ct-1)是设备在时间t的估计速度(以及ct是lt的时间戳)。的单位是时间,并且其可以认为是lu的“有效新鲜度”。因此,当设备缓慢移动时,偏移要比设备快速移动时更重要。
路径重构成本涉及基于上传中的位置报告的充足性来重构用户路径的能力。路径重构成本可以定义为:
其中,L是位置报告的完整集合,并且L’是其中省略了一些报告的位置报告的集合。
在图4中,点411-416和421-428表示的位置报告的完整集合,每个位置报告都可以具有对应的时间戳,从而使得能够重构用户从一个点到下一个点的路径。省略了一些报告并且因此也省略了一些点以确定用于减少的报告的模型,并生成了连接点411-416的新路径。在所示示例中,点411-416表示在L’中保留的报告中的位置。点421-428表示丢弃的报告中的位置。对于在L中但不在L’中的点l,k和m是L’中紧接在l之前和之后(在时间上)的点。d是l必须移动以落到k和m之间的线段(线性插值会将其放置在此)上的距离。例如,在图4中,丢弃了线431-436,并且创建了新的线441-443以连接其余点411-416。距离线451-453表示每个相应的丢弃点421-428必须移动以与新路径线441-443对准的距离d。上式中的R(L,L’)表示线451-453的平均长度。低于阈值的距离可以被忽略,使得路径重构成本不对设备大部分处于静止时被丢弃的点产生影响。
另一示例成本是Wi-Fi报告成本。当用户位于地点密集区域时,该策略应接收足够的WiFi扫描以协助地点推断。WiFi报告成本可以定义为从经过滤和未过滤扫描的集合中构建的平均WiFi向量之间的余弦相似度:
W(L,L′)=w(L′)·w(L)/||w(L′)||||w(L)||
其中,w(L)是集合L中所有WiFi扫描的平均值。在其他示例中,可以基于遍历多少Wi-Fi扫描的空间来确定Wi-Fi报告成本,类似于路径重构成本。
类似于在地点推断中如何使用WiFi扫描,可以在活动推断中使用检测的活动报告(DAR)。机器学习系统320可以确保上传中包含足够的DAR,以便仍然可以准确推断活动和地点。
尽管上面已经描述了多种类型的成本,但是应当理解,可以附加地或替代地使用多种其他类型的成本来训练来自数据库340的数据。
机器学习系统320执行机器学习模型,该机器学习模型学习执行动作的预期总未来成本。模型本身可以是神经网络、简单线性模型、或者甚至可以是查找表。可以考虑能够学习成本函数的任何回归方法。一旦成本函数的估计值拟合(fit),就可以通过始终选择在给定状态s下将成本最小化的动作来将其转变为策略。示例模型包括表格回归模型、线性模型等。
用于表格模型的训练过程可以遵循数据库340中的历史数据的子集中对于每个设备的过程。例如,训练过程可以用全零初始化成本函数,并重复以下顺序:(i)针对一个动作运行由成本函数定义的策略,并观察结果状态和成本,以及(2)更新成本函数。更新的成本函数可以是Q(s,a)=Q(s,a)+λ[(c+γQ(s′,a′))-Q(s,a)],其中a’是使Q(s’,a’)最大化的动作,并且λ是学习速率。可以重复该顺序直到收敛。当对任何Q(s,a)的最大改变低于预先指定的阈值时,可以达到收敛。
如上所述,可以在移动设备360中实现之前评估策略。例如,可以使用模拟数据在服务器310处评估策略,并且可以基于评估对策略进行进一步的调整。
当识别出节电、质量中性的策略时,可以推出该策略并将其提供给移动设备360。然后,我们可以基于移动设备360对策略的执行来跟踪现实世界的电池影响,并且可以确定数据质量。
示例方法
除了上述示例系统之外,现在描述示例方法。可以使用上述系统、其修改或具有不同配置的多种系统中的任何一种来执行这样的方法。应当理解,以下方法所涉及的操作不必以所描述的精确顺序执行。而是,可以以不同的顺序或同时地处理各种操作,并且可以添加或省略操作。
图5是示出根据本公开的方面的示例方法500的流程图。方法500可以由例如一个或多个服务器计算设备和/或机器学习系统执行。
在框510中,从多个移动计算设备接收与时间相关的输入信息,诸如带有时间戳的数据。与时间相关的输入信息可以在在服务器/机器学习系统处被接收之前被临时地存储在数据库中。该数据仅包括由移动设备的用户授权的信息。另外,为移动设备发送的任何用户数据提供隐私保护,例如,包括个人可识别信息的匿名化、数据的聚合、敏感信息的过滤、加密、敏感信息的散列或过滤以去除个人属性、对信息的存储的时间限制、或对数据使用或共享的限制。另外,数据可以被匿名化和聚合,使得不泄露个人用户数据。不存储个人信息。
在框520中,基于与时间相关的输入信息来识别触发状况。例如,使用接收的与时间相关的输入信息来执行机器学习模型。该模型可以应用成本函数,从而训练模型以最小化成本,同时优化报告的数据的质量。成本函数可以基于一种或多种不同类型的成本,诸如与不同类型的数据有关的成本。例如,成本可以与位置数据、活动数据等有关。可以使用各种机器学习模型中的任何一种,诸如表格回归模型、线性模型等。作为模型的结果,可以确定哪些状况或活动应触发移动计算设备报告数据,以便维护移动计算设备的电池寿命,同时报告最有用的数据。
在框530中,生成用于基于识别的触发状况报告信息的策略。例如,该策略可以指示移动设备在检测到第一触发状况时对信息进行采样,并在检测到第二触发状况时上传信息。
在框540中,可以将该策略提供给一个或多个移动设备以供执行。当由移动设备执行时,报告的数据可以用于进一步训练机器学习模型。在这方面,可以进一步完善和更新策略。
图6是示出根据本公开的方面的另一示例方法600的流程图。方法600可以由例如移动计算设备执行。
在框610中,接收策略,该策略指示用于报告信息的一个或多个触发状况。该策略可以是例如在图5的框530中生成的策略。
在框620中,移动计算设备检测周围状况。这些状况可以包括例如天气状况、连接性信息、位置、声音、振动、运动等。
在框630中,移动计算设备可以确定与检测到的状况对应的活动。例如,可以基于特定的连接的设备、运动等来确定移动计算设备的用户正在购物中心周围散步或正在执行另一活动。
在框640中,确定检测到的活动是否与策略中的触发状况对应。如果是,则方法600继续进行以在框650中报告信息。例如,设备可以对数据进行采样,或者上传一批采样数据。但是在没有检测到的状况与接收的策略中的触发状况对应的状况下,方法600可以返回到框620并继续检测周围状况。
上面描述的示例系统和方法的益处在于,它们使得减少电池消耗,同时仍使得获得准确和有用的信息。此外,通过减少报告的信息,可以节省诸如网络带宽和数据库存储的资源。
除非另有说明,否则前述替代示例不是互相排斥的,而是可以以各种组合来实现以取得独特的优点。由于可以在不脱离权利要求所定义的主题的情况下利用以上讨论的特征的这些和其他变化以及组合,因此,对实施例的前述描述应以示意的方式而不是以限制由权利要求定义的主题的方式进行理解。另外,在此描述的示例以及用短语表达为“诸如”、“包括”等的用语的提供不应被解释为将权利要求的主题限制于特定示例;而是,这些示例仅旨在说明许多可能的实施例之一。此外,不同附图中的相同附图标记可以标识相同或相似的元件。
Claims (20)
1.一种用于改进报告的方法,所述方法包括:
在第一时间段内从多个移动计算设备接收数据;
基于接收的数据,识别用于报告信息的触发状况,使得将报告限制于所述触发状况减少电池电力的消耗,并保持或改进基于报告的信息的度量的质量,所述触发状况包括移动计算设备确定的一个或多个用户活动;
使用接收的数据和识别的触发状况,生成识别用于报告信息的触发状况的策略;以及
将所述策略提供给一个或多个移动计算设备以供执行。
2.根据权利要求1所述的方法,其中,所述数据包括检测的状况和对应的时间戳信息。
3.根据权利要求1所述的方法,其中,报告信息包括对信息进行采样或将信息上传到远程服务器中的至少一个。
4.根据权利要求1所述的方法,其中,识别用于报告信息的触发状况包括执行机器学习模型。
5.根据权利要求1所述的方法,其中,识别用于报告信息的触发状况包括针对成本函数训练接收的数据。
6.根据权利要求5所述的方法,其中,所述成本函数基于与报告信息所需的电力关联的电池成本、与所述移动计算设备的先前报告的位置和当前位置之间的距离关联的偏移成本以及路径重构成本。
7.根据权利要求5所述的方法,其中,训练接收的数据包括使用表格表示。
8.根据权利要求7所述的方法,其中,所述成本函数表示当所述移动计算设备中的一个处于特定状态时执行特定动作的预期总未来成本。
9.根据权利要求1所述的方法,还包括:
在第二时间段内从所述多个移动计算设备接收附加数据;
基于所述附加数据更新生成的策略;以及
将更新的策略提供给一个或多个移动计算设备以供执行。
10.一种用于由移动计算设备进行报告的方法,所述方法包括:
在所述移动计算设备处接收根据权利要求1-9中任一项所述的策略;
由所述移动计算设备检测与所述移动计算设备关联的活动;
确定检测的活动是否与所述一个或多个触发状况对应;以及
当检测的活动与所述一个或多个触发状况对应时报告信息。
11.根据权利要求10所述的方法,其中,报告信息包括对信息进行采样或将信息上传至远程服务器中的至少一个。
12.根据权利要求10所述的方法,其中,检测活动包括检测一个或多个状况,包括连接性状况。
13.根据权利要求10所述的方法,其中,检测活动包括检测一个或多个状况,包括运动状况。
14.一种用于改进报告的系统,包括:
存储器,存储在第一时间段内从多个移动计算设备接收的数据;
与所述存储器通信的一个或多个处理器,所述一个或多个处理器被配置为:
基于存储的数据,识别用于报告信息的触发状况,使得将报告限制于所述触发状况减少报告设备的电池电力的消耗,并保持或改进基于报告的信息的度量的质量,所述触发状况包括移动计算设备确定的一个或多个用户活动;
使用存储的数据和识别的触发状况,生成识别用于报告信息的触发状况的策略;以及
将策略提供给一个或多个移动计算设备以供执行。
15.根据权利要求14所述的系统,其中,所述数据包括检测的状况和对应的时间戳信息。
16.根据权利要求14所述的系统,其中,报告信息包括对信息进行采样或将信息上传到远程服务器中的至少一个。
17.根据权利要求14所述的系统,其中,识别用于报告信息的触发状况包括执行机器学习模型。
18.根据权利要求14所述的系统,其中,识别用于报告信息的触发状况包括针对成本函数训练存储的数据。
19.根据权利要求18所述的系统,其中,所述成本函数表示当移动计算设备中的一个处于特定状态时执行特定动作的预期总未来成本。
20.根据权利要求14所述的系统,其中,所述一个或多个处理器还被配置为:
在第二时间段内从所述多个移动计算设备接收附加数据;
基于所述附加数据更新生成的策略;以及
将更新的策略提供给一个或多个移动计算设备以供执行。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2017/068923 WO2019132972A2 (en) | 2017-12-29 | 2017-12-29 | Smart context subsampling on-device system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110612503A CN110612503A (zh) | 2019-12-24 |
CN110612503B true CN110612503B (zh) | 2023-08-15 |
Family
ID=66001308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780090558.5A Active CN110612503B (zh) | 2017-12-29 | 2017-12-29 | 智能上下文子采样设备上系统 |
Country Status (4)
Country | Link |
---|---|
US (3) | US11507172B2 (zh) |
EP (1) | EP3590025A2 (zh) |
CN (1) | CN110612503B (zh) |
WO (1) | WO2019132972A2 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11507172B2 (en) * | 2017-12-29 | 2022-11-22 | Google Llc | Smart context subsampling on-device system |
US20220101204A1 (en) * | 2020-09-25 | 2022-03-31 | Qualcomm Incorporated | Machine learning component update reporting in federated learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008098223A2 (en) * | 2007-02-09 | 2008-08-14 | Qualcomm Incorporated | Flexible channel quality indicator reporting |
WO2014190338A2 (en) * | 2013-05-24 | 2014-11-27 | Qualcomm Incorporated | Signaling device for teaching learning devices |
WO2017053804A1 (en) * | 2015-09-25 | 2017-03-30 | Root Wireless, Inc. | Adaptive speed data collection |
WO2017172153A1 (en) * | 2016-03-31 | 2017-10-05 | Intel Corporation | Ad-hoc community context awareness for mobile device |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4438296A (en) | 1980-09-02 | 1984-03-20 | Digital Products Corporation | Multimessage automatic telephone polling methods and apparatus |
US7406214B2 (en) | 1999-05-19 | 2008-07-29 | Digimarc Corporation | Methods and devices employing optical sensors and/or steganography |
US7142979B1 (en) | 2000-06-21 | 2006-11-28 | Magellan Dis, Inc. | Method of triggering the transmission of data from a mobile asset |
US20040219932A1 (en) | 2003-04-29 | 2004-11-04 | Verteuil Andre De | Efficient tracking method for location determination of mobile units |
US7149504B1 (en) | 2003-09-25 | 2006-12-12 | Sprint Spectrum L.P. | Method and system for managing location polling intervals |
US20060218271A1 (en) * | 2005-03-16 | 2006-09-28 | Nokia Corporation | Triggered statistics reporting |
US20070178913A1 (en) | 2006-01-27 | 2007-08-02 | Nokia Corporation | Method, apparatus and computer program product for self-learning location method selection logic |
US20070270166A1 (en) | 2006-05-19 | 2007-11-22 | Karl Georg Hampel | Prioritization of location queries in a location-based services system |
US20080235040A1 (en) * | 2007-03-23 | 2008-09-25 | Mark Ratliff | Gps-based activity management |
US9407694B2 (en) | 2008-10-30 | 2016-08-02 | Dell Products, Lp | System and method of polling with an information handling system |
JP2011130412A (ja) * | 2009-11-18 | 2011-06-30 | Sony Corp | 端末装置、基地局、通信制御方法及び無線通信システム |
US9202233B1 (en) * | 2010-09-30 | 2015-12-01 | Imdb.Com, Inc. | Event attendance determinations |
US20130012234A1 (en) * | 2011-07-06 | 2013-01-10 | Tufty Steven | Systems and Methods for Position Tracking and Reporting of Objects |
US8937554B2 (en) * | 2011-09-28 | 2015-01-20 | Silverplus, Inc. | Low power location-tracking device with combined short-range and wide-area wireless and location capabilities |
US9125113B2 (en) * | 2011-09-30 | 2015-09-01 | Nokia Technologies Oy | Device mobility based scanning period control |
US9379939B2 (en) * | 2012-07-26 | 2016-06-28 | Verizon Patent And Licensing Inc. | Self troubleshooting home router |
US9686769B2 (en) | 2012-12-14 | 2017-06-20 | Huawei Technologies Co., Ltd. | Systems and methods for user equipment mobility prediction |
US9351113B1 (en) | 2013-06-28 | 2016-05-24 | Google Inc. | Methods and systems for adjusting location querying frequency of a computing device |
US9911129B2 (en) * | 2014-05-06 | 2018-03-06 | At&T Mobility Ii Llc | Facilitating demographic assessment of information using targeted location oversampling |
EP3422771B1 (en) * | 2016-04-01 | 2020-05-27 | Huawei Technologies Co., Ltd. | Group communication method and device |
US10467509B2 (en) * | 2017-02-14 | 2019-11-05 | Microsoft Technology Licensing, Llc | Computationally-efficient human-identifying smart assistant computer |
US20180285957A1 (en) * | 2017-03-31 | 2018-10-04 | Ten-X, Llc | Recommendation system associated with an online marketplace |
US20170330078A1 (en) * | 2017-07-18 | 2017-11-16 | Ashok Reddy | Method and system for automated model building |
US10692106B2 (en) * | 2017-10-30 | 2020-06-23 | Facebook, Inc. | Dynamically modifying digital content distribution campaigns based on triggering conditions and actions |
US11507172B2 (en) * | 2017-12-29 | 2022-11-22 | Google Llc | Smart context subsampling on-device system |
-
2017
- 2017-12-29 US US16/496,225 patent/US11507172B2/en active Active
- 2017-12-29 CN CN201780090558.5A patent/CN110612503B/zh active Active
- 2017-12-29 EP EP17927845.2A patent/EP3590025A2/en active Pending
- 2017-12-29 WO PCT/US2017/068923 patent/WO2019132972A2/en unknown
-
2022
- 2022-10-27 US US17/975,042 patent/US11782496B2/en active Active
-
2023
- 2023-09-07 US US18/243,338 patent/US20230418357A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008098223A2 (en) * | 2007-02-09 | 2008-08-14 | Qualcomm Incorporated | Flexible channel quality indicator reporting |
WO2014190338A2 (en) * | 2013-05-24 | 2014-11-27 | Qualcomm Incorporated | Signaling device for teaching learning devices |
WO2017053804A1 (en) * | 2015-09-25 | 2017-03-30 | Root Wireless, Inc. | Adaptive speed data collection |
WO2017172153A1 (en) * | 2016-03-31 | 2017-10-05 | Intel Corporation | Ad-hoc community context awareness for mobile device |
Also Published As
Publication number | Publication date |
---|---|
US20200019228A1 (en) | 2020-01-16 |
WO2019132972A2 (en) | 2019-07-04 |
WO2019132972A3 (en) | 2019-09-06 |
US20230050146A1 (en) | 2023-02-16 |
EP3590025A2 (en) | 2020-01-08 |
CN110612503A (zh) | 2019-12-24 |
US11507172B2 (en) | 2022-11-22 |
US11782496B2 (en) | 2023-10-10 |
US20230418357A1 (en) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919251B (zh) | 一种基于图像的目标检测方法、模型训练的方法及装置 | |
CN112364439B (zh) | 自动驾驶系统的仿真测试方法、装置以及存储介质 | |
Narain et al. | Inferring user routes and locations using zero-permission mobile sensors | |
US11782496B2 (en) | Smart context subsampling on-device system | |
US10748121B2 (en) | Enriching calendar events with additional relevant information | |
US9740773B2 (en) | Context labels for data clusters | |
US10021123B2 (en) | Customized network traffic models to detect application anomalies | |
Bhattacharya et al. | Robust and energy-efficient trajectory tracking for mobile devices | |
KR20140019851A (ko) | 3단계 절차를 이용한 실내 층 및 위치의 예측 | |
CN113168403A (zh) | 设备消息框架 | |
JP2018502386A (ja) | 神経言語挙動認識システム用のマッパ要素 | |
US20170339021A1 (en) | Model deployment based on benchmarked devices | |
US11523248B2 (en) | Inference of logistical relationships from device location data | |
Sommer et al. | Energy-and mobility-aware scheduling for perpetual trajectory tracking | |
Bhargava et al. | Senseme: a system for continuous, on-device, and multi-dimensional context and activity recognition | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
Khokhlov et al. | Sensors in mobile devices knowledge base | |
JP2014160420A (ja) | 活動状況処理装置及び活動状況処理方法 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN117115596A (zh) | 对象动作分类模型的训练方法、装置、设备及介质 | |
Hang et al. | Platys: User-centric place recognition | |
WO2016127906A1 (zh) | 一种进行信息推送的方法、装置与系统 | |
US20210256037A1 (en) | Method for real-time cohort creation based on entity attributes derived from partially observable location data | |
Boytsov et al. | Where have you been? Using location clustering and context awareness to understand places of interest | |
Lerchenmueller et al. | Inference of user context from GPS logs for proactive recommender systems |
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 |