CN112055818A - 评估空间移动行为 - Google Patents

评估空间移动行为 Download PDF

Info

Publication number
CN112055818A
CN112055818A CN201980028604.8A CN201980028604A CN112055818A CN 112055818 A CN112055818 A CN 112055818A CN 201980028604 A CN201980028604 A CN 201980028604A CN 112055818 A CN112055818 A CN 112055818A
Authority
CN
China
Prior art keywords
user
user devices
spatial movement
behavior
engine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980028604.8A
Other languages
English (en)
Inventor
M·萨尔马
M·黑
A·艾扬格
G·罗伊
A·K·辛格
S·阿罗尔卡
C·萨特普特
S·劳特
S·坎德亚
N·加瓦利
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.)
Hewlett Packard Development Co LP
Original Assignee
Hewlett Packard Development Co LP
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 Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN112055818A publication Critical patent/CN112055818A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/065—Generation of reports related to network devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本主题涉及基于空间移动数据向用户分派移动性因子的技术。在一个示例中，该技术可以包括用于将移动性因子分派给用户的四个阶段。在第一阶段中，可以接收来自分派给多个用户的多个用户设备的空间移动数据。在第二阶段中，可以使用机器学习技术使用所接收的用户设备集合的成员的空间移动数据来评估所述用户设备集合的空间移动行为。在第三阶段中，可以使用机器学习技术基于所评估的空间移动行为来选择用户设备以用于重新配置。最后，在第四阶段处，可以重新配置所选择的用户设备。

Description

评估空间移动行为
背景技术
企业通常雇用许多员工以用于完成企业的各种操作。这样的员工可能会出行到各种位置，努力执行操作。企业可以为员工提供包括用户设备在内的各种资源，从而完成工作。用户设备可以是移动电话、膝上型电脑或手持PC等。进一步地，基于出行的范围，可以为员工提供诸如充电器的外围设备，以允许员工为用户设备充电。
附图说明
参考随附附图提供了详细描述，其中：
图1图示了利用用于分派移动性因子的系统的网络环境的示例；
图2图示了根据一个示例的用于分派移动性因子的系统；
图3图示了根据一个示例的用于分派移动性因子的系统的详细示意图；
图4图示了根据一个示例的用于分派移动性因子的方法；和
图5图示了根据一个示例的非暂时性计算机可读介质。
具体实施方式
企业中雇用的员工可能为了工作出行，因此，企业可以为员工提供各种用户设备，以促进员工的工作。员工可能面临其中用户设备在这样的情况下可能不操作的情况。在这样的情形下，员工可能陷于用户设备可能无法工作的困境中。在一个示例中，为了工作而出行的员工可能面临这样的情况，其中员工可能无法定位充电端口来为用户设备充电，或者由于时间限制，员工可能无法为用户设备提供足够的充电时间。充电端口不可用并且充电时间不足可能导致用户设备的电池过早劣化。此外，在充电不足的情况下持续使用用户设备也增加了电池的劣化。这样的劣化可能造成电池组的频繁更换。此外，电池劣化可能造成用户设备的停机，这也可能影响员工的工作和生产力。此外，分派给出行较多的员工的用户设备更容易由于出行而损坏。例如，诸如膝上型电脑的用户设备可能在用户设备被分派到的员工的频繁出行期间遭受损坏，并且这样的损坏可能造成硬盘损坏。进一步地，硬盘损坏可能造成数据丢失。作为结果，用户设备可能由于损坏而需要频繁更换。这样的损坏进一步增加了企业的运营成本。企业可能无法为员工分配适当的资源，这可能会影响员工的生产力以及企业的生产力。
描述了用于评估用户设备的空间移动行为并基于所评估的空间移动行为来重新配置用户设备的技术的示例。在一个示例中，空间移动行为可以是用户设备的出行模式。在一个示例中，可以分派能够指示用户设备的空间移动行为的移动性因子。基于本主题的技术可以使用机器学习来评估用户的空间移动行为，并且基于用户设备的空间移动行为来分配移动性因子。在一个示例中，具有多种不同类型的用户设备的用户将具有针对分派给该用户的每种类型的用户设备的多个移动性因子。此外，基于本主题的技术可以允许基于所访问的空间移动行为来重新配置用户设备。基于本主题的技术可以使用由用户携带的用户设备传输的空间移动数据。该技术可以推导出与每个用户设备相关联的多个空间移动参数，例如旅行的长度、旅行的频率或者用户设备已经出行了多远。基于推导出的参数，可以利用机器学习技术来确定每个用户设备的移动性因子。一旦确定了移动性因子，就可以基于移动性因子来重新配置用户设备。
根据示例，该技术可以分四个阶段操作。在第一阶段中，可以接收来自分派给多个用户的多个用户设备的空间移动数据。在第二阶段中，可以使用机器学习技术，使用接收到的用户设备集合的成员的空间移动数据来评估该用户设备集合的空间移动行为。在第三阶段中，可以使用机器学习技术基于所评估的空间移动行为来选择用户设备以用于重新配置。最后，在第四阶段处，可以基于所评估的空间移动行为来重新配置所选择的用户设备。
在第一阶段中，使用与分派给用户的所有用户设备相关联的用户设备的空间移动数据来创建数据集。在一个示例中，对于数据集中的每个用户设备，位置信息可以包括用户设备的空间移动数据以及空间移动数据的传输时间戳。例如，空间移动数据可以是纬度和经度坐标。进一步地，用户设备可以以预定的时间间隔传输空间移动数据，并且可以在预定的时间段内收集所传输的空间移动数据。
一旦创建了数据集，就可以对用户设备进行标识以用于进一步分析，并且可以从该数据集导出这样的所标识的用户设备集合。因此，可以筛选数据集以过滤掉例如可能与空间移动行为分析不相关的用户，从而留下用户设备集合。例如，可以对数据集进行筛选，以便排除可能与分析不相关的用户。为了过滤所述集合，可以应用多个预定义规则。在一个示例中，用以过滤用户设备集合的预定义规则可以包括与用户相关联的用户设备的最大数量。进一步地，可以应用与用户相关联的用户设备的预定义数量的规则来排除与用户相关联的尚未使用的用户设备。另一个预定义规则可以是与用户相关联的相同类型的用户设备的最大数量。可以应用该预定义的规则来防止相似用户设备的冗余分析。另一个预定义规则是在预定时间段内收集的空间移动数据的最小数量。可以应用该预定义规则来确保足够量的空间移动数据可用于进一步分析。最后，另一个预定义规则可以是，由分派给相同用户的相同类型的用户设备传输的位置信息的传输时间段不应该存在重叠。可以应用该规则来过滤掉与分析不相关的用户。
在第二阶段中，可以进一步分析用户设备集合，以确定与用户设备集合的成员相关联的移动性因子。在一个示例中，基于用户设备集合的成员的空间移动数据，可以为成员确定多个参数。进一步地，所述多个参数中的每一个可以与用户的空间移动行为有关。在一个示例中，参数可以包括地理位置分区，所述地理位置分区包括用户出行次数较多的区的不同集合。在其它示例中，该参数可以是用户出行的总距离。参数的另一个示例可能可以是用户进行的最长单次旅行。此外，作为示例，参数可以是用户在预定时间段中已经在其内出行的区域。
根据一个示例，可以访问用户设备集合的成员的空间移动行为。在一个示例中，可以通过基于每个用户设备的所确定的参数来确定移动性因子，从而评估空间移动行为。在一个示例中，可以应用机器学习技术来评估空间移动行为，并基于所述参数来确定移动性因子。换句话说，机器学习技术可以用于将用户设备分类为移动的或静止的。此外，用户设备可以被分类为比其它用户设备更具移动性。在一个示例中，空间移动行为可以通过形成用户设备成员的不同集群集合的数量并基于集群中的成员确定与每个集群相关联的成本来评估。在一个示例中，成本可以指示与用户设备的出行相关联的量。进一步地，可以使用用户设备的参数来计算相关联的成本。一旦计算了成本，就可以计算集群的每个所在地的总成本。一旦计算出总成本，就可以选择具有最低总成本的集群集合，并且所选择的集群集合中的集群之间的比较可以指示空间移动行为。
在一个示例中，基于所确定的成本，可以将移动性因子分派给集群中的成员。如前面提到的，移动性因子可以是成员的空间移动行为的指示。例如，相对高的移动性因子指示用户设备与如下用户相关联：所述用户与包括具有更低移动性因子的用户设备的其它用户相比出行得更多。在第三阶段中，可以基于所分派的移动性因子来选择用户设备以用于重新配置。在一个示例中，如果用户设备的所分派的移动性因子高于预定义的阈值，则选择所述用户设备。一旦选择了用户设备，所选择的设备就可以被重新配置为基于空间移动行为或移动性因子来改变操作状态。例如，具有高移动性因子的用户设备可以被重新配置为在其中用户设备消耗更少功率的操作状态下操作。
基于本主题的技术允许基于空间移动行为自动配置用户设备的操作状态。由于用户设备可以即时（on the fly）重新配置，因此用户设备可以按照用户的需要来迎合用户的工作。此外，本主题的技术还可以允许基于用户的空间移动行为将用户设备适当地分发给用户。进一步地，由于基于用户的空间移动行为来分派用户设备，因此降低了与资源的分配相关联的成本。用户设备的这样的分配可以提高用户的生产力，因为可以向用户提供可以迎合用户需求的适当用户设备。
图1图示了利用行为识别系统102的网络环境100，以用于基于机器学习将移动性因子分派给多个用户104、106、108……等。尽管本示例图示了三个用户，但是行为识别系统102可以评估多于三个的用户的空间移动行为。进一步地，可以向用户104、106和108提供多个用户设备110、112、……、126。在一个示例中，可以向第一用户104提供用户设备110、112和114。类似地，可以向第二用户106提供用户设备116、118、120和122。进一步地，可以向第三用户108提供用户设备124和126。在一个示例中，用户设备110-126可以是便携式的，并且可以是不同类型的。例如，用户设备110-126可以是相同类型或不同类型的。例如，用户设备110-126可以是移动电话、膝上型电脑或手持PC等。进一步地，用户设备110-126可以具有不同的操作状态，诸如第一操作模式和第二操作模式。在一个示例中，第一状态可以是正常操作模式，而第二状态是省电模式，在省电模式中，用户设备被配置为以节省电池的方式操作用户设备。在另一个示例中，用户设备可以被重新配置为开启或关闭无线适配器，从而启用或禁用用户设备与无线网络的无线连接。此外，用户设备可以被配置为防止用户设备连接到不安全的无线网络，或者可以限制用户设备与外部外围设备的连接。
根据一个示例，用户设备110-126可以与行为识别系统102通信，以向行为识别系统102提供用户设备110-126的位置信息。位置信息可以包括空间移动数据。在一个示例中，空间移动数据可以是地理坐标。进一步地，每个用户设备110-126可以以预定间隔将空间移动数据连同传输的日期和时间一起中继到行为识别系统102。在另一示例中，用户设备110-126可以在事件发生时传输空间移动数据。事件可以是用户设备110-126进入预定位置。在另一示例中，事件可以是用户设备从预定位置退出。在任一情况下，用户设备110-126可以将空间移动数据中继到行为识别系统102。
根据一个示例，网络环境100可以包括与行为识别系统102通信的空间移动数据库128，其可以存储由行为识别系统102接收的用户设备110-126的空间移动数据。尽管空间移动数据库128被示出为在行为识别系统102的外部，但是空间移动数据库128可以在行为识别引擎102的内部。在一个示例中，空间移动数据可以以阵列的形式填充，该阵列包括每个用户设备110-126的条目、向其提供用户设备的用户的细节、以及空间移动数据和空间移动数据的传输日期和时间。网络环境100还可以包括参数数据库130，其可以存储基于用户设备110-126的空间移动数据的多个参数。
网络环境100可以包括移动性因子数据库132，其可以存储分配给用户104、106和108的用户设备110-126的移动性因子。在一个示例中，行为识别系统102可以基于存储在参数数据库130中的多个参数来确定移动性因子。
根据一个示例，行为识别系统102可以通过通信网络134与用户设备110-126和数据库通信。通信网络134可以是无线网络、有线网络或它们的组合。通信网络134也可以是单独的网络或许多这样的单独网络的组群，它们彼此互连并充当单个大型网络，例如互联网或内联网。通信网络134可以被用作不同类型的网络之一，诸如内联网、局域网（LAN）、广域网、互联网等。通信网络134可以是专用网络或共享网络，其表示使用各种协议来与彼此通信的不同类型网络的联合，所述协议例如超文本传输协议（HTTP）、传输控制协议/互联网协议（TCP/IP）等。进一步地，通信网络134可以包括网络设备，诸如网络交换机、集线器、路由器，以用于提供行为识别系统102和用户设备110-126之间的链接。通信网络134内的网络设备可以通过通信链路与行为识别系统102和用户设备110-126以及数据库128-132交互。
在操作中，行为识别系统102可以以预定间隔从多个用户设备110-126接收位置信息。在一个示例中，位置信息可以是用户设备110-126的空间移动数据。此后，行为识别系统102可以将空间移动数据存储在空间移动数据库128中以用于进一步处理。行为识别系统102可以进一步处理空间移动数据以获得多个参数。进一步地，所述多个参数中的每一个都指示用户设备110-126的空间移动行为。一旦行为识别系统102已经生成了所述多个参数，行为识别系统102就可以利用机器学习技术来向用户分派移动性因子。在一个示例中，行为识别系统102可以形成用户集群，并且此后，行为识别系统102可以向每个集群分派移动性因子。作为示例，参照图2和图3详细解释行为识别系统102的操作。
图2图示了根据一个示例的行为识别系统102，该行为识别系统102用于基于用户的空间移动行为来将移动性因子分派给多个用户。行为识别系统102可以包括例如引擎202。引擎202被用作硬件和编程（例如，可编程指令）的组合，以使用引擎202的功能。在本文中描述的示例中，这样的硬件和编程的组合可以以多种不同的方式使用。例如，用于引擎202的编程可以是存储在非暂时性机器可读存储介质上的处理器可执行指令，并且用于引擎202的硬件可以包括用以执行这样的指令的处理资源（例如，处理器）。在本示例中，机器可读存储介质存储当由处理资源执行时部署引擎202的指令。在这样的示例中，行为识别系统102可以包括存储所述指令的机器可读存储介质和用以执行所述指令的处理资源，或者所述机器可读存储介质可以是独立的，但是可由行为识别系统102和处理资源访问。在其它示例中，引擎202可以使用电子电路来部署。
引擎202可以包括数据采集引擎204，其可以以预定间隔从分派给多个用户的多个用户设备110-126的所有成员中的每个接收位置信息。在一个示例中，位置信息可以包括所传输的用户设备110-126的空间移动数据以及空间移动数据的传输时间戳。进一步地，数据采集引擎204可以将空间移动数据存储在空间移动数据库128中。行为识别系统102还可以包括参数确定引擎206，其可以从多个用户设备110-126（图1中所示）中确定用户设备集合的多个参数。进一步地，所确定的参数可以指示该用户设备集合的成员的空间移动。在一个示例中，参数可以包括例如地理位置分区的数量、用户出行的总距离、用户进行的最长单次旅行、用户设备在预定时间段内在其内出行的区域和参数。进一步地，参数可以指示用户设备的空间移动行为。将参照图3详细解释每个参数的细节。
根据一个示例，行为识别系统102可以包括行为识别引擎208，其可以评估该用户设备集合的成员的空间移动行为。在一个示例中，行为识别引擎208可以基于用户设备的每个成员的多个参数向成员分派移动性因子，使得所述移动性因子指示成员的空间移动行为。行为识别引擎208可以使用机器学习技术来确定用户设备集合的成员的移动性因子。此外，行为识别引擎208还可以基于所分派的移动性因子从集合中标识用户设备以用于重新配置。进一步地，行为识别引擎208可以基于所分派的移动性因子来重新配置所标识的用户设备。参照图3解释了行为识别引擎208据其重新配置所标识的用户设备的方式。
图3图示了根据本主题的示例的、用以分派移动性因子的行为识别系统102的详细示意图，该示意图示出了行为识别系统102的各种组件。除了引擎202之外，行为识别系统102还包括具有数据304的存储器302和（一个或多个）接口306。除了其它功能之外，引擎202还可以提取和执行存储在存储器302中的计算机可读指令。通信耦合到引擎202的存储器302可以包括非暂时性计算机可读介质，包括例如易失性存储器，诸如静态随机存取存储器（SRAM）和动态随机存取存储器（DRAM），和/或非易失性存储器，诸如只读存储器（ROM）、可擦除可编程ROM、闪速存储器、硬盘、光盘和磁带。
在一个示例中，除了数据采集引擎204、参数确定引擎206和行为识别引擎208之外，引擎202还可以包括用户过滤引擎308、行为识别引擎208和（一个或多个）其它引擎310。所述（一个或多个）其它引擎310可以提供补充由行为识别系统102执行的应用或功能的功能性。
进一步地，数据304包括作为由引擎202中的任何一个执行的功能的结果而生成的数据。数据304可以包括其它数据312。所述其它数据312可以包括由引擎202生成和保存的数据，以向行为识别系统102提供各种功能。
如前面所解释的，行为识别系统102分四个阶段工作。在第一阶段中，行为识别系统102可以从分派给用户的用户设备接收空间移动数据。在第二阶段中，行为识别系统102可以使用用户设备集合的成员的空间移动数据来评估该用户设备集合的空间移动行为。在第三阶段中，可以基于所分派的移动性因子选择用户设备以用于重新配置。最后，在第四阶段中，可以重新配置所选择的用户设备。
在一个示例中，为了评估空间移动行为，数据采集引擎204可以收集用户设备110-126的空间移动数据。数据采集引擎204可以创建数据集来存储数据采集引擎204可以从用户设备110-126采集的空间移动数据。在一个示例中，数据集可以看起来像二维阵列，对于每个用户，该二维阵列包括分配给用户的用户设备的各个行。进一步地，对于每一行，数据集在单独的列中包括附加细节，诸如与用户相关联的用户ID、用户设备类型、用户设备的地理坐标以及地理坐标的传输日期和时间。在一个示例中，数据采集引擎204可以将标识符与用户设备相关联以用于存储空间移动数据。该标识符可以用于标识与用户相关联的用户设备。在一个示例中，标识符可以是数据集中具有企业ID、用户ID和用户设备类型的空间移动数据的代表。进一步地，标识符可以是企业ID、用户ID和用户设备类型中的两个或更多个的组合。在一个示例中，可以使用在过去90天的时段内接收的空间移动数据来创建数据集。
在一个示例中，数据采集引擎204可以以使空间移动数据中不存在冗余的这样的方式来存储用户设备110-126的空间移动数据，以防止用户参数的错误计算。例如，如果用户设备110-126传输具有相同地理坐标的空间移动数据，则数据采集引擎204可以将紧接在前的空间移动数据与后续接收的空间移动数据进行比较，以鉴于紧接在前的空间移动数据来确定后续的空间移动数据是否冗余。数据采集引擎204可以这样做，以防止存储冗余的空间移动数据。一旦创建了数据集，用户过滤引擎308就可以访问该数据集，以用于对该数据集进行进一步分析。
根据一个示例，用户过滤引擎308可以访问空间移动数据库128以访问数据集。用户过滤引擎308可以基于预定义的规则从数据集中过滤一组白名单用户设备用于进一步分析。在一个示例中，一个预定规则可以是分派给一个用户的用户设备的最少数量。例如，用户过滤引擎308可以忽视那些多于五个用户设备与一个用户相关联的用户设备的空间移动数据。该规则被应用于移除具有与其相关联的附加空间移动数据的用户，所述附加空间移动数据可能影响对空间移动行为的评估。可能存在这样的情况，其中用户可以具有与其相关联的多个用户设备，并且这样的用户设备可以被给予用户。在这样的情况下，即使在用户没有使用用户设备时，行为识别系统102也可以确定该用户的移动性因子。可以通过基于与用户相关联的设备的数量来限制用户，从而防止这样的情况。
用户过滤引擎308可以利用的另一个预定规则是，被分派给一个用户的具有相似属性的用户设备的空间移动数据不应当存在重叠。在一个示例中，属性可以是用户设备的相同类型。可能存在其中向用户提供相同类型的两个或更多个用户设备的情况。在这样的情况下，用户过滤引擎308可以检查两个相似设备的空间移动数据是否不相似。例如，用户过滤引擎308可以检查分派给用户的相同类型的用户设备传输地理坐标的时间段是否存在重叠。在用户过滤引擎308确定时间段中存在重叠的情况下，用户过滤引擎308可以过滤出分派给该用户的所有用户设备。用户过滤引擎308可以利用的另一个预定规则是，应当存在记录在数据集中的空间移动数据的准许数量。在一个示例中，对于每个用户设备，用户过滤引擎308可以检查在30天的预定时间段内传输到行为识别系统102的空间移动数据的数量是否为至少十个地理坐标。用户过滤引擎308可以检查是否有准许数量的空间移动数据被传输并存储在数据集中，以便确保足够的数据可用于确定参数。在一个示例中，用户过滤引擎308可以保留具有在过去的90天内记录的地理坐标的用户设备。通过利用前述规则，用户过滤引擎308可以生成集合。
随后，对于用户设备集合中的成员，可以评估空间移动行为。在一个示例中，可以通过确定移动性因子并向用户设备集合中的成员分派移动性因子来评估空间移动行为。因此，在示例中，参数确定引擎206可以为集合中的每个成员确定多个参数。在一个示例中，由参数确定引擎206确定的参数是成员的空间移动行为的指示。进一步地，作为示例，为成员确定的参数可以包括地理位置分区的数量、由用户设备出行的总距离、用户在预定时间段内已经在其内出行的区的区域和周界。
根据一个示例，参数确定引擎206可以为集合中的每个成员确定地理位置分区的数量。地理位置分区可以是预定半径内的一组地理坐标。进一步地，地理位置分区描绘了用户在其内出行的不同区的数量。在一个示例中，不同区的数量可以指示用户设备出行了多远。参数确定引擎206可以通过选择记录在集合中的成员的第一地理坐标来确定地理位置区的数量。此后，参数确定引擎206可以确定预定半径的第一地理位置区，该第一地理位置区的中心在第一地理坐标处。在一个示例中，预定半径可以是20英里、50英里或100英里等。一旦参数确定引擎206已经确定了地理位置区，参数确定引擎206就可以确定下一个地理坐标是否位于该地理位置区中。在一个示例中，参数确定引擎206可以测量第一地理坐标和下一地理坐标之间的距离。参数确定引擎206可以使用Haversine公式来测量所述距离。
在所图示的示例中，参数确定引擎206可以测量每个后续地理坐标和第一地理坐标之间的距离，以确定后续地理坐标是否在第一地理位置区内。在参数确定引擎206发现地理坐标中的一个大于预定半径的情况下，参数确定引擎206可以使用该地理坐标作为中心来形成第二地理位置区，并且确定半径等于预定半径的第二地理位置区。此后，参数确定引擎206可以检查后续地理坐标是否在第一地理位置区和第二地理位置区内。在参数确定引擎206确定另一地理坐标不位于第一或第二地理位置区内的情况下，参数确定引擎206可以使用该地理坐标形成第三地理位置区。进一步地，参数确定引擎206可以继续检查其它地理坐标是否位于所形成的地理位置区中的任何一个内。一旦参数确定引擎206已经检查了所有地理坐标，参数确定引擎206就可以记录所形成的地理位置区的数量，并且将该数量记录为参数数据库130中的用户设备集合中的成员的第一参数。进一步地，参数确定引擎206可以对所有其它成员执行相同的活动，直到记录了所有成员的地理位置区的数量。一旦参数确定引擎206已经确定了第一参数，参数确定引擎206就可以确定其它参数。
根据一个方面，参数确定引擎206可以确定可以被称为旅行概要的另一个参数。在一个示例中，参数确定引擎206可以确定当由用户携带时成员出行的总距离。参数确定引擎206可以通过测量两个按时间顺序连续的地理坐标之间的距离并将该距离添加到先前确定的两个按时间顺序连续的地理坐标之间的距离来确定概要。在一个示例中，参数确定引擎206可以确定第一地理坐标和按时间顺序的下一地理坐标之间的距离。例如，参数确定引擎206可以使用Haversine公式来确定所述距离。此后，参数确定引擎206可以确定第二地理坐标和按时间顺序的下一地理坐标之间的距离。一旦确定了该距离，参数确定引擎206就可以将该距离添加到先前确定的距离。进一步地，参数确定引擎206可以执行该操作，直到参数确定引擎206已经添加了所有按时间顺序连续的地理坐标之间的距离。一旦参数确定引擎206已经确定了总距离，参数确定引擎206就可以将总距离记录为第二参数。参数确定引擎206可以确定每个成员的总距离，并将其存储在参数数据库130中。
根据一个示例，参数确定引擎206可以进一步将另一个参数确定为当由用户携带时，该用户设备集合的成员进行的最长单次旅行。在一个示例中，参数确定引擎206可以通过比较先前确定的两个按时间顺序连续的地理坐标之间的距离来确定最长距离。参数确定引擎206然后可以将该最长的单次旅行记录为另一个参数。
根据一个示例，参数确定引擎206可以将又一个参数确定为对于该用户设备集合的每个成员的超过预定长度的旅行的数量。例如，预定长度可以是500英里或1000英里。在所图示的示例中，参数确定引擎206可以比较按时间顺序连续的地理坐标之间的所有测量距离，并确定大于预定长度的距离的数量。一旦参数确定引擎206已经确定了超过预定长度的旅行的数量，参数确定引擎206就可以将该数量记录为用户设备组的成员的参数。参数确定引擎206可以为该用户设备集合的所有成员执行相同的活动。
根据又一示例，，参数确定引擎206可以将其它参数确定为当由用户携带时涵盖成员的地理坐标的区的区域和参数。在所图示的示例中，参数确定引擎206可以确定包括为该用户设备集合的成员记录的所有地理坐标的区。参数确定引擎206可以使用凸包技术来确定所述地理坐标可能位于其中的区域。在一个示例中，该区域可以是覆盖所述地理坐标的多边形。此外，参数确定引擎206还可以确定所确定区域的周界。一旦参数确定引擎206为一个用户设备记录了区域和周界，参数确定引擎206就可以将该区域和参数存储在用户设备的参数数据库130中。参数确定引擎206然后可以确定所有其它成员的区域和距离。
在一个示例中，可以由行为识别引擎208处理所确定的参数，以评估空间移动行为。行为识别引擎208可以利用机器学习技术来处理所确定的参数以用于评估空间移动行为。在一个示例中，行为识别引擎208可以通过比较用户设备集合的不同成员的空间移动行为来评估空间移动行为。在另一示例中，行为识别引擎208可以通过向成员分派移动性因子来评估空间移动行为。
例如，行为识别引擎208可以处理参数数据集以获得移动性因子。在一个示例中，行为识别引擎208可以使用不同的机器学习技术来获得参数数据集。例如，行为识别引擎208可以使用机器学习技术，诸如用以形成用户的集群的k均值聚类技术。为了评估空间移动，行为识别引擎208可以确定与用户相关联的成本。进一步地，可以使用用户设备集合的成员的参数来确定成本。
虽然当前的示例谈到了k均值聚类，但是可以通过其它机器学习技术来处理所述参数。在一个示例中，行为识别引擎208可以分三个步骤评估空间移动行为。在第一步骤中，行为识别引擎208可以形成不同的集群集合，其中用户设备集合的成员可以被随机分组。此后，在第二步骤中，行为识别引擎208可以确定与每个集群相关联的成本。进一步地，行为识别引擎208可以确定每个集群集合的总成本。一旦确定了成本，行为识别引擎208就可以确定与其相关联的成本最低的集群集合。一旦确定了具有最低总成本的集群集合，行为识别引擎208就可以通过执行一个集群的参数集合与其它集群的参数集合之间的比较来评估每个集群中的用户设备集合的成员的空间移动行为。进一步地，集群之间的比较可以为每个集群中的用户设备集合的成员的空间移动行为提供指示。
在一个示例中，行为识别引擎208可以通过形成用户设备集合的成员的随机集群来开始。例如，行为识别引擎208可以迭代地生成表示要形成的集群的数量的k值。在一个示例中，k的值可以从2到10变化。换句话说，行为识别引擎208可以形成范围从2到10个数量的聚类。例如，对于值k=2，行为识别引擎208可以形成聚类。进一步地，对于第一集群，行为识别引擎208可以在一个集群中随机添加用户设备集合的成员。此后，行为识别引擎208可以将该用户设备集合的剩余数量的成员分组到第二集群中。一旦形成集群，行为识别引擎208就可以选取下一个值k=3，并且因此，行为识别引擎208可以形成3个不同的集群。在一个示例中，行为识别引擎208可以在第一集群中随机添加用户设备集合的多个成员。进一步地，行为识别引擎208可以将用户设备集合的随机数量的未分组成员添加到第二集群中，并且最后，行为识别引擎208可以将用户设备集合的剩余成员添加到第三集群中。行为识别引擎208可以对k的每个值重复该操作，直到k的值变成10。
一旦行为识别引擎208已经创建了集群，行为识别引擎208就可以针对每个k值计算与每个集群相关联的成本因子和所有集群的总成本因子。例如，对于值k-3，行为识别引擎208可以计算第一、第二、第三集群的成本因子。在一个示例中，通过基于为用户设备集合的成员确定的参数来计算集群中用户设备集合的每个成员的成本因子，从而计算集群的成本因子。因此，行为识别引擎208可以计算集群中用户设备集合的所有成员的成本因子，并对用户设备集合的已分组成员的成本因子求和，以确定第一集群的成本因子。一旦确定了针对k值的每个集群的成本因子，行为识别引擎208就可以确定针对每个k值的集群的总成本因子。行为识别引擎208可以重复该操作，直到行为识别引擎208确定针对每个k值的每个集群的成本因子和所有集群的总成本。进一步地，行为识别引擎208只要执行分析，就可以计算针对每个k值的集群的总成本，并且将总成本暂时存储在移动性因子数据库132中。一旦计算了针对所有k值的总成本，行为识别引擎208就可以确定针对其的总成本最小的k值。在一个示例中，行为识别引擎208可以使用肘形（elbow）技术来确定针对其的总成本最小的k值。行为识别引擎208可以通过确定两个连续k值的总成本因子之间的差来确定这样的k值。例如，减去针对值k=2和k=3的总成本，并检查所述差值是否低于预定义阈值。在一个示例中，预定义的阈值可以是100。行为识别引擎208可以保持计算所述差值，直到所述差值低于预定阈值。一旦行为识别引擎208确定针对k值所述差值低于阈值，系统就可以选择针对其的成本因子最小的k值作为k的值。在一个示例中，所确定的k值被确定为kLower。在所图示的示例中，kLower是集群的数量，其中用户设备集合的成员以与所述用户设备集合的成员相关联的总成本最小的方式被分类。
一旦确定了kLower，行为识别引擎208就可以向每个集群分派移动性因子。换句话说，移动性因子被分派给每个集群中的用户设备集合的成员。在一个示例中，行为识别引擎208可以分两个步骤将移动性因子分派给集群。在第一步骤中，行为识别引擎208可以确定对应于kLower的所有集群的主要移动性参数。例如，行为识别引擎208可以确定针对kLower的每个聚类的移动性参数。在一个示例中，移动性参数可以类似于针对用户设备集合的成员计算的参数类型。进一步地，可以使用每个集群中用户设备集合的所有成员的参数通过对用户设备集合的成员的参数进行平均，来确定移动性参数。一旦行为识别引擎208已经确定了所有集群的移动性参数，行为识别引擎208就可以使每个集群的移动性参数相加以获得每个集群的预移动性因子。在一个示例中，预移动性因子可以是算术值，并且可以指示集群中用户设备集合的成员的空间移动行为。一旦确定了移动性参数的总和，行为识别引擎208就可以对集群的预移动性因子进行排序，以对所述集群进行排名。例如，行为识别引擎208可以按升序排列预移动性参数。进一步地，经排序的预移动性因子可以表示集群中用户设备集合的成员的空间移动行为的比较。
一旦预移动性因子被排序，行为识别引擎208可以就将移动性因子分派给基于预移动性因子的算术值排序的每个集群。在一个示例中，移动性因子是其值在1和KLower之间变化的整数。例如，具有最低预移动性因子的集群被分派有为1的移动性因子，并且具有下一个较大值的集群被分派有为2的移动性因子。进一步地，行为识别引擎208将移动性因子分派给具有为KLower的最高预移动性因子的集群。在一个示例中，所分派的移动性因子指示集群中用户设备集合的成员的空间移动行为。例如，高的移动性因子指示用户设备集合的成员是移动的，或者换句话说，携带所述用户设备集合的成员的用户出行更多。另一方面，低的移动性因子可以指示用户设备集合的成员是静止的，或者换句话说，携带所述用户设备集合的成员的用户出行更少。在一个示例中，移动性因子可以存储在移动性因子数据库132中。
存储在移动性因子数据库132中的移动性因子可以被行为识别引擎208访问，以触发连接到行为识别系统102的用户设备中的重新配置。在一个示例中，行为识别引擎208可以检查其移动性因子高于预定阈值的用户设备。因此，行为识别引擎208可以向那些用户设备发送触发，使得用户设备可以在第一操作状态和第二操作状态之间切换。例如，用户设备在接收到触发时，可以将状态正常模式改变为电池节省模式，或者反之亦然。通过这样做，用户设备现在可以比以前操作更长的持续时间，从而迎合用户在他/她的出行期间的工作。在另一实例中，行为识别引擎208还可以向数据服务提供商发送中继，以自动升级用户的数据计划，使得用户具有足够的互联网数据计划和呼叫来进行工作。
在另一示例中，行为识别引擎208可以基于移动性因子触发用户设备的安全设置中的重新配置。在一个示例中，行为识别引擎208可以基于移动性因子来改变用户设备的安全设置。例如，行为识别引擎208可以向具有高移动性因子的用户设备发送触发，使得该用户设备可以被重新配置以对用户设备的连接端口的访问施加限制。此外，用户设备可以被重新配置以防止不安全网络的连接被连接到用户设备，从而进行防止。更进一步地，用户设备可以被重新配置以增强网络安全系统，诸如防火墙，以防止对用户设备的任何不想要的访问，或者防止当用户设备连接到不安全的网络时可能发生的任何数据泄露。另一方面，行为识别引擎208可以不向具有较低移动性因子的用户设备发送这样的重新配置触发。
在又一示例中，行为识别引擎208还可以基于移动性因子触发存储在用户设备中的数据的备份。在一个示例中，行为识别引擎208可以向具有高移动性因子的用户设备发送触发，以将数据备份到在线服务器。这样的数据备份可以被执行，以便在用户设备丢失或被盗的事件中保护用户设备中的数据。
在又一示例中，移动性因子可用于确定可能需要更换外围设备（诸如电池）的用户设备。此外，移动性因子可以用于确定用户是否需要附加的外围设备。进一步地，移动性因子可以用于将用户设备分配给用户，使得所分配的用户设备可以迎合用户的需要。
图4图示了根据本主题的示例的用于为问题提供解决方案的方法400。所述（一个或多个）方法可以在计算机可执行指令的一般上下文中描述。通常，计算机可执行指令可以包括例程、程序、对象、组件、数据结构、过程、引擎、函数等，它们执行特定的功能或利用特定的抽象数据类型。方法400也可以在其中由通过通信网络链接的远程处理设备来执行功能的分布式计算环境中实践。在分布式计算环境中，计算机可执行指令可以位于本地和远程计算机存储介质这两者中，包括存储器存储设备。
以其描述方法400的顺序不旨在被解释为限制，并且任何数量的所描述的方法框可以以任何顺序组合以利用方法400或替代方法。此外，在不脱离本文中描述的主题的精神和范围的情况下，可以从方法中删除单独的框。更进一步地，方法400可以在任何合适的硬件、软件、固件或其组合中利用。参考行为识别系统102来解释方法400，然而，所述方法也可以在其它系统中利用。
参考方法400，在框402处，可以接收与分派给多个用户中的每一个的各个用户设备相关联的空间移动数据。一旦接收到空间移动数据，方法400就移动到下一个框。
在框404处，可以评估来自多个用户设备的用户设备集合的空间移动行为。在一个示例中，可以通过处理从用户设备集合的成员接收的空间移动数据来评估空间移动行为。进一步地，可以使用机器学习技术来处理空间移动数据。
在框406处，如参考图3所解释的，基于所评估的空间移动行为，可以选择至少一个用户设备以用于重新配置。一旦选择了用户设备，方法400就移动到下一个框。
最后，在框408处，基于所评估的空间移动行为来重新配置所选择的用户设备。在一个示例中，可以如参考图3的描述所解释的那样执行重新配置。
图5图示了根据本主题的示例，使用非暂时性计算机可读介质502来分派移动性因子的示例网络环境500。网络环境500可以是公共网络环境或私有网络环境。在一个示例中，网络环境500包括通过通信链路506通信耦合到非暂时性计算机可读介质502的处理资源504。
例如，处理资源504可以是诸如行为识别系统102的计算系统的处理器。非暂时性计算机可读介质502可以是例如内部存储器设备或外部存储器设备。在一个示例中，通信链路506可以是直接通信链路，诸如通过存储器读/写接口形成的链路。在另一示例中，通信链路506可以是间接通信链路，诸如通过网络接口形成的链路。在这样的情况下，处理资源504可以通过网络508访问非暂时性计算机可读介质502。网络508可以是单个网络或者多个网络的组合，并且可以使用各种通信协议。
处理资源504和非暂时性计算机可读介质502也可以通过网络508通信耦合到数据源510。数据源510可以包括例如数据库和计算设备。可以由数据库管理员和其它用户使用数据源510来与处理资源504通信。
在一个示例中，非暂时性计算机可读介质502包括计算机可读和可执行指令的集合，诸如数据采集引擎204。计算机可读指令的集合（在下文中称为指令）可以由处理资源504通过通信链路506来访问，并且随后被执行以执行用于网络服务插入的动作。
出于讨论的目的，已经参考先前参考图3的描述引入的各种组件描述了由处理资源504对指令的执行。
在由处理资源504执行时，数据采集引擎204可以获得分派给多个用户的多个用户设备的位置信息。进一步地，行为识别引擎208可以使用机器学习技术从多个用户设备创建用户设备集合的多个集群。一旦形成集群，行为识别引擎208就可以从先前创建的集群中评估集群集合的空间移动行为。在一个示例中，行为识别引擎208可以通过处理集群内的用户设备集合的成员的位置信息来评估每个集群的空间移动行为。进一步地，可以使用机器学习技术来处理位置信息。一旦针对每个集群处理了位置信息，行为识别引擎208就可以为每个集群分派移动性因子。最后，行为识别引擎208可以选择至少一个集群，以便重新配置集群中的用户设备。在一个示例中，行为识别引擎208可以基于所分派的移动性因子来选择集群，如参考图3所解释的。一旦被选择，行为识别引擎208就可以以参照图3解释的方式重新配置集群中的用户设备。
尽管已经以特定于结构特征和/或方法的语言描述了用于解决问题的方法和系统的各方面，但是本发明不必限制于所描述的特定特征或方法。相反，特定特征和方法作为用于分派移动性因子的示例被公开。

Claims (15)

1.一种方法，包括：
从分派给多个用户的多个用户设备中的单个用户设备接收与所述单个用户设备相关联的空间移动数据；
通过使用机器学习技术处理从所述用户设备集合的成员接收的空间移动数据，来从所述多个用户设备中评估用户设备集合的空间移动行为；
基于所述空间移动行为从所述用户设备集合中选择用户设备；和
基于所评估的空间移动行为来重新配置所选择的用户设备。
2.根据权利要求1所述的方法，进一步包括基于预定义的规则从所述多个用户设备中过滤所述用户设备集合。
3.根据权利要求2所述的方法，进一步包括基于所述集合中用户设备的空间移动数据来为所述用户设备组中的用户设备确定多个参数，其中所述多个参数指示所述用户设备的空间移动行为。
4.根据权利要求2所述的方法，其中所述预定义规则包括与用户相关联的用户设备的预定义数量、共享相似属性的用户设备、在预定时间段内从用户设备收集的空间移动数据、来自分派给用户的共享相似属性的用户设备的空间移动数据的重叠以及它们的组合中的至少一个。
5.根据权利要求1所述的方法，其中所述重新配置包括基于所述评估在第一操作模式和第二操作模式之间改变所选择的用户设备的操作模式。
6.根据权利要求1所述的方法，其中所述评估包括使用k均值聚类来创建所述集合中的用户设备的多个集群，以将移动性因子分派给所述多个集群的成员，并基于所分派的移动性因子对所述多个集群进行排名。
7.根据权利要求3所述的方法，其中所述多个参数包括地理位置分区的数量、用户在预定时间段内出行的总距离、以及单个用户设备在预定时间段内已经在其内出行的区域和周界。
8.一种行为识别系统，包括：
数据采集引擎，用于以预定间隔从分派给多个用户的多个用户设备的成员接收位置信息，其中位置信息包括空间移动数据以及空间移动数据的传输时间戳；和
参数确定引擎，用于基于所述用户设备集合的成员的空间移动数据来从所述多个用户设备中确定用户设备集合的多个参数，其中所述多个参数指示所述用户设备集合的成员的空间移动行为；和
行为识别引擎，用于：
基于多个参数基于机器学习技术来将移动性因子分派给用户设备集合的成员，其中所述移动性因子指示所述用户设备集合的成员的空间移动行为；
从所述用户设备集合中标识至少一个用户设备以用于重新配置，并且基于分派给所述至少一个用户设备的移动性因子来重新配置所述至少一个用户设备。
9.根据权利要求8所述的行为识别系统，进一步包括用户过滤引擎，所述用户过滤引擎用于基于预定义的规则从所述多个用户设备中过滤出所述用户设备集合。
10.根据权利要求8所述的行为识别系统，其中所述行为识别引擎用于通过基于所分派的移动性因子在第一操作模式和第二操作模式之间改变操作模式来重新配置所述至少一个用户设备。
11.根据权利要求9所述的行为识别系统，其中所述预定义规则包括与用户相关联的用户设备的预定义数量、共享相似属性的用户设备、在预定时间段内从用户设备收集的空间移动数据、来自分派给用户的共享相似属性的用户设备的空间移动数据的重叠以及它们的组合中的至少一个。
12.根据权利要求8所述的行为识别系统，其中所述多个参数包括地理位置分区的数量、用户出行的总距离、以及单个用户设备在预定时间段内在其内出行的区域和周界。
13.根据权利要求8所述的行为识别系统，其中所述行为识别引擎在所述用户设备集合中创建多个用户设备集群，以用于基于机器学习技术来分派移动性因子。
14.一种非暂时性计算机可读介质，包括向多个用户提供排名的计算机可读指令，所述计算机可读指令在由处理资源执行时，使得所述处理资源：
从分派给多个用户的多个用户设备获得位置信息，其中所述位置信息包括空间移动数据；
基于机器学习技术，使用用户设备集合的位置信息，来从所述多个用户设备中创建用户设备集合的多个集群；
通过基于机器学习技术处理所述集群集合的成员中的用户设备的位置信息来从所述多个集群中评估集群集合的空间移动行为，以针对所述集群集合的成员确定并分派移动性因子，其中所分派的移动性因子指示相应集群的空间移动行为；和
标识至少一个集群以用于重新配置，并基于分派给所述至少一个集群的移动性因子来重新配置所标识的所述至少一个集群中的用户设备。
15.根据权利要求14所述的非暂时性计算机可读介质，其中所述非暂时性计算机可读介质包括进一步的指令，所述进一步的指令用于基于预定义规则从所述多个用户设备中过滤所述用户设备集合以获得一个用户设备集合，其中所述预定义规则包括与用户相关联的用户设备的预定义数量、共享相似属性的用户设备、在预定时间段内从用户设备收集的空间移动数据、来自分派给用户的共享相似属性的用户设备的空间移动数据的重叠以及它们的组合中的至少一个。
CN201980028604.8A 2018-10-09 2019-10-04 评估空间移动行为 Pending CN112055818A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN201841038362 2018-10-09
IN201841038362 2018-10-09
PCT/US2019/054689 WO2020076628A1 (en) 2018-10-09 2019-10-04 Assessing spatial movement behavior

Publications (1)

Publication Number Publication Date
CN112055818A true CN112055818A (zh) 2020-12-08

Family

ID=70163914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980028604.8A Pending CN112055818A (zh) 2018-10-09 2019-10-04 评估空间移动行为

Country Status (4)

Country Link
US (1) US11496856B2 (zh)
EP (1) EP3756025A4 (zh)
CN (1) CN112055818A (zh)
WO (1) WO2020076628A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080125959A1 (en) * 2006-11-03 2008-05-29 Doherty Sean T Method, system and computer program for detecting and monitoring human activity utilizing location data
WO2014047795A1 (zh) * 2012-09-26 2014-04-03 华为技术有限公司 移动状态估计的方法和装置以及测量报告的方法和装置
CN104104729A (zh) * 2014-07-24 2014-10-15 福州瑞芯微电子有限公司 移动设备通用设置方法和系统
KR20150129285A (ko) * 2013-04-10 2015-11-19 유니버시티 오브 서레이 사용자가 휴대하는 휴대용 전자 장치의 정보 결정
US9271142B1 (en) * 2013-07-29 2016-02-23 Mobile Iron, Inc. Rule based mobile device management delegation
US20170052968A1 (en) * 2015-08-17 2017-02-23 Digitalglobe, Inc. Analyzing and viewing social interactions based on personal electronic devices

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9065727B1 (en) * 2012-08-31 2015-06-23 Google Inc. Device identifier similarity models derived from online event signals
US8180375B2 (en) * 2008-03-31 2012-05-15 At&T Mobility Ii Llc Potential call drop indicator
US8842633B2 (en) * 2009-05-04 2014-09-23 Blackberry Limited Systems and methods for mobile stations to identify radio access technologies
EP2326130B1 (en) 2009-11-19 2012-02-01 Research In Motion Limited Method, device and system for detecting the mobility of a mobile device
US8755824B1 (en) 2013-06-28 2014-06-17 Google Inc. Clustering geofence-based alerts for mobile devices
WO2015156643A1 (en) * 2014-04-10 2015-10-15 Samsung Electronics Co., Ltd. Method and system for providing data communication through a cluster head for machine type communication (mtc) based group communication
US9426724B2 (en) 2014-08-26 2016-08-23 Intel Corporation Apparatus, system and method of controlling wireless scanning
CN105430099B (zh) 2015-12-22 2018-09-28 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
US11157958B2 (en) * 2016-01-19 2021-10-26 Invensense, Inc. Associating a single entity with multiple electronic devices
US20200058037A1 (en) * 2018-08-14 2020-02-20 Comscore, Inc. Reporting of media consumption metrics

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080125959A1 (en) * 2006-11-03 2008-05-29 Doherty Sean T Method, system and computer program for detecting and monitoring human activity utilizing location data
WO2014047795A1 (zh) * 2012-09-26 2014-04-03 华为技术有限公司 移动状态估计的方法和装置以及测量报告的方法和装置
KR20150129285A (ko) * 2013-04-10 2015-11-19 유니버시티 오브 서레이 사용자가 휴대하는 휴대용 전자 장치의 정보 결정
US9271142B1 (en) * 2013-07-29 2016-02-23 Mobile Iron, Inc. Rule based mobile device management delegation
US20170230248A1 (en) * 2013-07-29 2017-08-10 Mobile Iron, Inc. Rule based mobile device management delegation
CN104104729A (zh) * 2014-07-24 2014-10-15 福州瑞芯微电子有限公司 移动设备通用设置方法和系统
US20170052968A1 (en) * 2015-08-17 2017-02-23 Digitalglobe, Inc. Analyzing and viewing social interactions based on personal electronic devices

Also Published As

Publication number Publication date
EP3756025A1 (en) 2020-12-30
WO2020076628A1 (en) 2020-04-16
US20210227350A1 (en) 2021-07-22
US11496856B2 (en) 2022-11-08
EP3756025A4 (en) 2021-11-24

Similar Documents

Publication Publication Date Title
EP3841730B1 (en) Identifying device types based on behavior attributes
US9787704B2 (en) Anomaly detection based on cluster transitions
CN108256706B (zh) 任务分配方法和装置
RU2710860C1 (ru) Способ ограничения области автоматического выбора виртуальной машины защиты
US10909554B2 (en) Analyzing big data to determine a data plan
US20160295372A1 (en) Venue identification from wireless scan data
EP2169598A1 (en) Modular object dynamic hosting
US20140350993A1 (en) Information management device and method
US10798160B2 (en) Resource management in a cloud environment
US8170965B2 (en) Method for governing the operation of a generalist agent within a complex multi-agent adaptive system
Rezazadeh et al. A sub-modular receding horizon approach to persistent monitoring for a group of mobile agents over an urban area
CN101651567A (zh) 一种可用性风险扩散评估方法
Aguzzi et al. A field-based computing approach to sensing-driven clustering in robot swarms
Potts et al. A network perspective on assessing system architectures: Foundations and challenges
Corradi et al. Smartphones as smart cities sensors: MCS scheduling in the ParticipAct project
TWI590052B (zh) 資料儲存裝置監測技術
Sharma et al. Fuzzy Based Geo-Spatial Crime Category Prediction for Crime Mapping and Safe Route Travel
CN112055818A (zh) 评估空间移动行为
JP6545115B2 (ja) ユーザの将来期間の生活パターンを予測する生活パターン予測装置、携帯端末、プログラム及び方法
Yates et al. Optimal placement of sensors and interception resource assessment for the protection of regional infrastructure from covert attack
Figalist et al. Business as unusual: a model for continuous real-time business insights based on low level metrics
US20160294922A1 (en) Cloud models
US11811516B2 (en) System and method for internet numbers asset management
Le et al. Agent-based sensor-mission assignment for tasks sharing assets
Delavar et al. ERPASD: A novel algorithm for integrated distributed reliable systems using data mining mechanisms

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