JP2023538989A - コンピューティングシステムにおけるウェイクパターンを動的にスケジュールする方法、システム、製造物品、及び装置 - Google Patents

Abstract

コンピューティングシステムにおけるウェイクパターンを動的にスケジュールする方法、装置、システム、及び製造物品が開示されている。例示的な装置は、第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定するデバイス状態コントローラと、デバイスのコンテキストにオペレーティングシステムの状態を関連付けるアソシエータであって、状態は、第１の時間の後の第２の時間に取得される、アソシエータと、関連付けに基づいて予測モデルを生成する訓練コントローラであって、予測モデルは、コンテキストに基づいてオペレーティングシステムの状態がアクティブになる第３の時間を予測する、訓練コントローラと、第３の時間より前にウェイクイベントをトリガすることによって、デバイスの電力消費を低減するスケジュールコントローラであって、ウェイクイベントは、デバイスに非アクティブ状態を脱出する準備をさせる、スケジュールコントローラと、を含む。

Description

本開示は、概して、コンピューティングシステムに関し、より詳細には、コンピューティングシステムにおけるウェイクパターンを動的にスケジュールする方法、システム、製造物品、及び装置に関する。

機械学習（ＭＬ）、深層学習（ＤＬ）、及び／又は他の人工機械駆動論理を含む人工知能（ＡＩ）は、機械（例えば、コンピュータ、論理回路など）が、モデルを処理して、入力データを処理して、訓練プロセスを介してモデルによって以前に学習されたパターン及び／又は関連付けに基づいて出力を生成することを可能にする。例えば、モデルは、データで訓練され、パターン及び／又は関連付けを認識し、入力データを処理するときにそのようなパターン及び／又は関連付けに従い、他の入力が認識されたパターン及び／又は関連付けと一致する出力をもたらすようにしてもよい。

動的ウェイク期間スケジュールを生成する例示的なデバイスのブロック図を示す。

コンテキストデータと将来のＯＳ状態との間の関連付けを表すために、図１Ａの例示的なアソシエータによって生成された例示的なヒストグラムを示す。

予測モデルを生成する、図１の例示的な訓練コントローラのブロック図である。

リアルタイムで将来のＯＳ状態の予測を生成する図１Ａの例示的な予測コントローラのブロック図である。

予測モデルを訓練する図１Ａの例示的なセンサハブを実装するために実行され得る機械可読命令を表すフローチャートである。

予測を生成する図１Ａの例示的なセンサハブを実装するために実行され得る機械可読命令を表すフローチャートである。

図１及び図２の例示的なデバイスを実装する図４及び／又は図５の命令を実行するように構造化された例示的なプロセッサプラットフォームのブロック図である。

数字は、縮尺どおりではない。一般に、同一の参照番号は、図面及び添付の書面による説明の全体にわたって使用され、同一又は類似の部分を指す。

記述子「第１」、「第２」、「第３」などは、本明細書において、別々に参照され得る複数の要素又は構成要素を識別するときに使用される。使用のコンテキストに基づいて別段の特定又は理解がなされない限り、このような記述子は、リスト内の優先順位、物理的順序又は配列、又は時間順序のいかなる意味を与えることを意図するものではなく、開示された例を理解しやすくするために、複数の要素又は構成要素を別々に参照するためのラベルとして使用されているにすぎない。いくつかの例において、記述子「第１」が、詳細な説明において要素を参照するために使用されてもよいが、同じ要素が、「第２」又は「第３」などの異なる記述子を用いて請求項において参照されることがある。このような場合、このような記述子は、単に複数の要素又は構成要素を参照しやすくするために使用されているにすぎないと理解されたい。

今日のパーソナルコンピューティングデバイスは、全日バッテリ寿命、ほぼゼロ待機応答性、及びすばらしい性能の実世界のユーザ体験を提供することが期待されている。コンピューティングシステム（例えば、パーソナルコンピューティングデバイスのシステム）は、様々なクラスのユーザ（例えば、ゲーマー、ホームユーザ、学生など）のニーズを満たすように設計されている。このようなシステムは、異なる性能目標を達成するために、ハードウェア（ＨＷ）及び／又はソフトウェア（ＳＷ）のトレードオフを提供する。例えば、システムは、オペレーティングシステム（ＯＳ）を含んで、ＯＳが実行されるコンピューティングデバイスのアクティブ状態と非アクティブ状態の間で異なる性能目標を達成することがある。このような性能目標は、システムが非アクティブ状態（例えば、スタンバイモード）にあるときに、システムの低消費電力を達成することである。

いくつかの例では、ＯＳがスタンバイモードにあるときに、システムのウェイク期間をスケジュールする特徴が実装されている。本明細書で使用される場合、「ウェイク」期間は、ＯＳがシステムのハードウェア及びソフトウェア構成要素に電力を供給する（例えば、アクティブ化する）時間である。このようなウェイク期間は、ユーザがシステムをアクティブ化（例えば、オンにする）したときにシステム（例えば、パーソナルコンピューティングデバイス）の準備が整っており、最新の状態となるように、ネットワークへの接続性を維持する、電子メール（例えば、最近受信された電子メール）を同期する、カレンダーを更新することなどを行うために、ＯＳをスリープモード（例えば、スタンバイモード、非アクティブモードなど）から周期的に「ウェイクアップ」（例えば、アクティブ化）するスタンバイ特徴によって実現され得る。

スタンバイ特徴は、ユーザがシステムをスリープ状態に入るときに開始される（例えば、ユーザが電源ボタンを押すか、蓋を閉じるか、アイドリング状態にするか、スタートメニューの電源ボタンから「スリープ」を選択する）。スタンバイ特徴が開始されるときに、アプリケーション及びシステムソフトウェアは低電力動作に移行する。スタンバイ特徴の性能目標は、バッテリ寿命を最適化するために、低電力消費を維持しながら、アクティブ化のためのシステムのレディネスを可能にすることである。

しかしながら、スタンバイ特徴は、本明細書においてスタンバイモードと呼ばれ、バッテリ寿命と応答性（例えば、システム準備）との間のバランスであるウェイク期間スケジュールを有さない。例えば、スタンバイモードは、予め決定された（例えば、２０分、３０分など）ウェイク期間スケジュールを実装することがあり、ＯＳがスタンバイ中である予め決定された時間（例えば、３０分）ごとに、ＯＳは、システムをウェイクするためのウィイク通知をトリガする。このような例では、ウェイク通知をトリガする間の予め決定された時間は、システムの応答性を低下させることを犠牲にしてバッテリ寿命を節約するのに役立つように比較的長い。代替的には、バッテリ寿命を犠牲にして応答性を上昇させるために、ウェイク通知をトリガする間の予め決定された時間は比較的短くてもよい。

したがって、このような固定されたウェイク期間スケジュールは、非効率的である。例えば、ウェイク通知は、予め決定された各時間に必ずしも必要とされない。ユーザは、システムを長期間（例えば、日、週、時、オフィス及び／又は自宅までの運転しているとき、昼食又は夕食中など）使用していないかもしれない。このような条件における不必要なウェイク通知は、バッテリ電力を浪費し、環境（例えば、デバイスがバッグ、車の中など）によってはシステムハードウェアを過熱させる可能性がある。別の例では、固定ウェイク期間スケジュールにおけるシステムの応答性能は望ましくない。例えば、システムのユーザは、次のウェイク通知の直前にシステムをオンにする（例えば、システムをアクティブにする）ことがあり、このことは、ＯＳのスタンバイ特徴によって提供される所望のレディネス及び／又は瞬時オンの経験をユーザに提供しない。

本明細書に開示されている例は、システムがスタンバイモードにあるときに、バッテリ寿命とシステムの応答性とのバランスをとる動的ウェイク期間スケジュールの決定と生成を可能にする。本明細書に開示されている例は、センサ測定を通してユーザの日々のルーチンを分析し、動的ウェイク期間スケジュールを生成し、そのルーチンをＯＳ状態（例えば、アクティブ又は非アクティブ）と相関させる。本明細書に開示されている例は、任意の数のセンサタイプを有する異なるセンサからセンサ測定値を取得し、センサ測定値に基づいてシステムのコンテキスト及び／又は条件（ｃｏｎｄｉｔｉｏｎ）を決定し、更にこれらの条件をＯＳ状態（例えば、アクティブ又は非アクティブ）に関連付ける統合センサハブ（ＩＳＨ、Ｉｎｔｅｇｒａｔｅｄ Ｓｅｎｓｏｒ Ｈｕｂ）を含む。

そのようなコンテキスト及び／又は条件は、状態コンテキスト及びイベントコンテキストと呼ばれることがある。本明細書で使用される場合、状態コンテキストは、ユーザ行動及びデバイス条件に対応する条件である。例えば、状態コンテキストは、ユーザ活動（例えば、ユーザが歩いている、走っている、自転車に乗っている、車両内にいる、そわそわしている、不明など）、デバイスの動き、デバイス及びユーザの位置などであり得る。本明細書で使用される場合、イベントコンテキストは、デバイスの状態の瞬時の移行に対応する条件である。例えば、イベントコンテキストは、配置移行（例えば、デバイスがバッグから取り出されている、デバイスがバッグ内に配置されているなど）であり得る。本明細書に開示された例では、デバイスのコンテキストとＯＳ状態との間の相関により、本明細書に開示された例は、どのルーチン（例えば、コンテキスト、条件など）が、どのＯＳ状態に対応し、さらに、どのルーチンが、週のどの日時に実行されるかを学習することができる。

本明細書に開示されている例は、動的ウェイク期間スケジュールを生成するための人工知能を実装する。機械学習（ＭＬ）、深層学習（ＤＬ）、及び／又は他の人工機械駆動論理を含む人工知能（ＡＩ）は、機械（例えば、システム、コンピュータ、論理回路など）が、モデルを処理して、入力データを処理して、訓練プロセスを介してモデルによって以前に学習されたパターン及び／又は関連付けに基づいて出力を生成することを可能にする。例えば、モデルは、データで訓練され、パターン及び／又は関連付けを認識し、入力データを処理するときにそのようなパターン及び／又は関連付けに従い、他の入力が認識されたパターン及び／又は関連付けと一致する出力をもたらすようにしてもよい。

多くの異なるタイプの機械学習モデル及び／又は機械学習アーキテクチャが存在する。本明細書に開示されている例では、ニューラルネットワークモデルが使用される。ニューラルネットワークモデルを使用することにより、デバイスの過去及び将来のコンテキスト及び／又は条件に基づいたオペレーティングシステム（ＯＳ）状態の予測が可能になる。一般に、本明細書に開示されている例示的なアプローチにおいて使用するのに好適な機械学習モデル／アーキテクチャは、単純ベイズ分類器（Ｎａｉｖｅ Ｂａｙｅｓ Ｃｌａｓｓｉｆｉｅｒ）である。しかしながら、他のタイプの機械学習モデル、例えば、長短期記憶（ＬＳＴＭ、Ｌｏｎｇ／Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）モデル、再帰型ニューラルネットワーク（ＲＮＮ、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などが追加又は代替的に使用され得る。

一般に、ＭＬ／ＡＩシステムを実装するには、少なくとも２つのフェーズ、すなわち、学習／訓練フェーズと推論フェーズを伴う。学習／訓練フェーズでは、訓練アルゴリズムが、例えば訓練データに基づくパターン及び／又は関連付けに従って動作するようにモデルを訓練するために使用される。一般に、モデルは、入力データを出力データに変換するために、モデル内の一連のノード及び接続を通してなどして、入力データがどのように出力データに変換されるかをガイドする内部パラメータを含む。追加的に、学習がどのように実行されるか（例えば、学習速度、機械学習モデルで使用される層の数など）を制御するために、ハイパーパラメータが訓練プロセスの一部として使用される。ハイパーパラメータは、訓練プロセスを開始する前に決定される訓練パラメータとして定義される。

ＭＬ／ＡＩモデルの種類及び／又は期待される出力に基づいて、様々なタイプの訓練が実行され得る。例えば、教師付き訓練は、モデル誤差を低減するＭＬ／ＡＩモデルのためのパラメータを選択する（例えば、選択パラメータの組み合わせを繰り返すことによって）ために、入力及び対応する期待（例えば、ラベル付き）出力を使用する。本明細書で使用される場合、ラベル付けは、機械学習モデルの期待される出力（例えば、分類、期待される出力値など）を指す。代替的には、（例えば、ディープラーニング、機械学習のサブセットなどで使用される）教師なし訓練は、（例えば、期待（ラベル付き）出力の恩恵なしで）ＭＬ／ＡＩモデルのためのパラメータを選択するために入力からパターンを推論することを伴う。

本明細書に開示された例において、ＭＬ／ＡＩモデルは、単純ベイズを使用して訓練される。しかしながら、任意の他の訓練アルゴリズムが、追加的又は代替的に使用されてもよい。本明細書に開示されている例では、ユーザ行動パターンが決定されるまで訓練が実行される。本明細書に開示されている例では、コンピューティングデバイス（例えば、ローカル）で訓練が実行される。学習がどのように実行されるかを制御するハイパーパラメータ（例えば、学習速度、機械学習モデルで使用される数の層など）を使用して実行される。いくつかの例では、再訓練が実行されてもよい。そのような再訓練は、以前に決定されたものからは異常、及び／又は異なるユーザ及びデバイスのルーチン及び／又は行動を示すセンサ測定に応答して実行されてもよい。

訓練は、訓練データを使用して実行される。本明細書に開示されている例では、訓練データは、ローカルに生成されたデータに由来する。教師付き訓練が使用されるため、訓練データはラベル付けされる。ラベル付けは、アソシエータによって訓練データに適用される。いくつかの例では、訓練データは、例えば、ヒストリカルコンテキストデータ（例えば、システムの状態及びイベントコンテキストを決定するために分析されたセンサデータ）を将来のＯＳ状態に関連付けることを使用して前処理されて、システムのどのコンテキストがシステムのどのＯＳ状態に対応するかを学習する。

訓練が完了すると、モデルは、モデルにおいて定義されたノードのネットワーク及び接続に基づいて、入力を処理し、出力を提供する実行可能なコンストラクトとして使用するために展開される。モデルは、ＩＳＨに記憶される。次いで、このモデルは、ＩＳＨの予測コントローラによって実行されてもよい。

訓練されると、展開されたモデルは、データを処理する推論フェーズで動作されてもよい。推論フェーズでは、分析されるデータ（例えば、ライブデータ）がモデルに入力され、モデルが実行されて出力が作成される。この推論フェーズは、訓練から学習したことに基づいて出力を生成する（例えば、学習したパターン及び／又は関連付けを実データに適用するモデルを実行することによって）ＡＩ「思考」と考えることができる。いくつかの例では、機械学習モデルへの入力として使用される前に、入力データは前処理を受ける。さらに、いくつかの例では、出力データは、出力を有用な結果（例えば、データの表示、機械によって実行される命令など）に変換するために、ＡＩモデルによって生成された後に後処理を受けてもよい。

いくつかの例では、展開されたモデルの出力は、捕捉され、フィードバックとして提供されてもよい。フィードバックを分析することにより、展開されたモデルの正解率が決定されてもよい。展開されたモデルの正解率が閾値又は他の基準未満であることをフィードバックが示す場合、更新されたモデルの訓練は、フィードバック及び更新された訓練データセット、ハイパーパラメータなどを使用してトリガされて、更新された展開されたモデルを生成することができる。

図１Ａは、動的ウェイク期間スケジュールを生成する例示的なデバイスのブロック図を示す。例示的なデバイス１００は、例示的なセンサハブ１０２、例示的なセンサ１０４、及び例示的なホスト１０６を含む。例示的なセンサ１０４は、例示的な第１のセンサ（加速度計）１０８、例示的な第２のセンサ（ジャイロスコープ）１１０、例示的な第３のセンサ（近接）１１２、例示的な第４のセンサ（周囲光）１１４、例示的な第５のセンサ（Ｗｉ－Ｆｉ）１１６、例示的な第６のセンサ（視覚センサ）１１８、例示的な第７のセンサ（レーダセンサ）１２０、及び例示的な第８のセンサ（超音波センサ）１２２を含む。例示的なセンサハブ１０２は、例示的なデバイスイベントコントローラ１２４、例示的なデバイス状態コントローラ１２６、例示的なバッファ１２８、例示的なタイマ１３０、例示的なアソシエータ１３２、例示的な訓練コントローラ１３４、例示的な予測コントローラ１３６、例示的なスケジュールコントローラ１３８、及び例示的なウェイクタイマ１４０を含む。例示的なホスト１０６は、例示的なスタンバイ管理システム１４２を含む。

図１Ａでは、例示的なデバイス１００は、コンピューティングシステムである。例えば、コンピューティングシステムは、ラップトップ、タブレット、携帯電話、及び／又は他のタイプのパーソナルコンピューティングシステムなどのパーソナルコンピューティングシステムであってもよい。追加的及び／又は代替的に、デバイス１００は、ワークステーション、ミニコンピュータなどであってもよい。

図１Ａでは、例示的なセンサハブ１０２は、任意の数の異なるセンサ測定値を統合して、ホスト１０６に対する動的ウェイクスケジュールを決定する制御センタである。例示的なセンサハブ１０２は、プロセッサ（例えば、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、コプロセッサなど）によって実装される。追加的及び／又は代替的に、例示的なセンサハブ１０２は、エッジデバイス（例えば、外部デバイス）及び／又はクラウドデバイス（例えば、サーバ、仮想化デバイスなど）によって実装されてもよい。いくつかの例では、センサハブ１０２は、ホスト１０６から処理タスクをオフロードし、デバイス１００の改善された性能、及びデバイス１００内の最適電力分配を提供する。

図１Ａでは、例示的なセンサ１０４は、デバイス１００の内部及び外部環境を監視する例示的なデバイス１００のセンサである。いくつかの例では、センサ１０４は、デバイス１００内／上に設置される。例えば、デバイス１００は、任意の数のセンサを含むように設計及び製造されてもよい。例示的なセンサ１０４は、８つのセンサを含むものとして示されているが、例示的なデバイス１００は、示されていない追加の及び／又は代替のセンサを含むことができる。追加的に、例示的なデバイス１００は、同じタイプの複数のセンサを含むことができる。

例示的なセンサ１０４は、デバイス１００の加速度を測定する例示的な加速度計１０８を含む。例えば、加速度計１０８は、デバイスが携帯可能であり、異なる位置から移動されるときに、デバイス１００の動きを測定する。いくつかの例では、デバイス１００がラップトップであるときに、加速度計１０８は、ラップトップの開閉の間の蓋（例えば、クラムシェルの上蓋及び／又は下蓋）の加速度を測定することができる。加速度は、重力加速度（ｇ）で測定される。いくつかの例では、アクセラレータ１０８によって出力される測定値は、追加のセンサ測定値と併せて使用され、事象及び状態のコンテキストを決定する。

例示的なセンサ１０４は、デバイス１００の回転及び角運動を測定する例示的なジャイロスコープ１１０を含む。例えば、ジャイロスコープ１１０は、携帯電話又はラップトップの傾斜を測定する。回転及び角運動は、毎秒度（°／秒）又は毎秒ラジアン（ＲＰＳ）で測定される。いくつかの例では、ジャイロスコープ１１０によって出力される測定値は、状態コンテキストを決定するために追加のセンサ測定値と併せて使用される。

例示的なセンサ１０４は、デバイス１００近傍の物体の存在を検出する例示的な近接センサ１１２を含む。例えば、近接センサ１１２は、ユーザが存在するとき（例えば、デバイス１００を使用して）、デバイス１００がバッグ内に位置付けられるときなどを検出することができる。近接度はボルト（ｖ）で測定され、これは、ミリメートル（ｍｍ）での距離に対応する。いくつかの例では、近接センサ１１２によって出力される測定値は、状態及びイベントコンテキストを決定するために追加の測定値と併せて使用される。

例示的なセンサ１０４は、デバイス１００の外部環境の光の品質及び強度を検出する例示的な周辺光センサ１１４を含む。例えば、周辺光センサ１１４は、デバイス１００が配置される位置の輝度又は暗さを決定するために使用される。周囲光は、周囲光に比例するボルト（ｖ）で測定される。いくつかの例では、周辺光センサ１１４によって出力される測定値は、イベントコンテキストを決定するために追加のセンサ測定値と併せて使用される。

例示的なセンサ１０４の例は、Ｗｉ－Ｆｉ及び／又はＷｉ－Ｆｉ信号強度の存在に対応する情報を提供するＷｉ－Ｆｉセンサ１１６を含む。例えば、Ｗｉ－Ｆｉセンサ１１６は、デバイス１００にＷｉ－Ｆｉが存在するかどうかを示すバイナリ測定値（例えば、１及び０など）を出力することができる。いくつかの例では、Ｗｉ－Ｆｉデータ、デバイス１００の将来の使用の確立に寄与するかもしれない。例えば、デバイス１００が最初はＷｉ－Ｆｉに接続されていないが、次いで、最初は弱い特定のＷｉ－Ｆｉ信号に移行する（例えば、接続性が弱い）とする。このような例では、Ｗｉ－Ｆｉ信号は時間の経過とともに強度が増加し得る。ヒストリカル観察は、ユーザが通勤中に列車、バスにいる場合に、ユーザルーチンの識別をサポートしてもよい。弱いＷｉ－Ｆｉ信号は、ユーザが自分の机にほとんど到着したことを示してもよい。例示的なＷｉ－Ｆｉセンサ１１６は、状態コンテキストを決定するために追加のセンサ測定と併せて使用されてもよい。

例示的なセンサ１０４は、デバイス１００の環境の外部画像を捕捉する例示的な視覚センサ１１８を含む。例えば、視覚センサ１１８はカメラであってもよい。いくつかの例では、視覚センサ１１８は、デバイス１００の近傍の物体を識別することができる。いくつかの例では、視覚センサ１１８によって出力される測定値は、イベント及び状態コンテキストを決定するために追加の測定値と併せて使用される。

例示的なセンサ１０４は、デバイス１００の周囲の物体及び動きを検出する例示的なレーダセンサ１２０を含む。例えば、レーダセンサ１２０は、無線波を使用して、物体の大きさ、位置、及びデバイス１００への近接度を決定する。物体検出は、メートル（ｍ）で測定される。いくつかの例では、レーダセンサ１２０によって出力される測定値は、イベントコンテキストを決定するために追加のセンサ測定値と併せて使用される。

例示的なセンサ１０４は、物体までの距離を決定するためにソナーを使用する例示的な超音波センサ１２２を含む。例えば、超音波センサ１２２は、デバイス１００からのユーザの距離を決定することができる。距離は、メートル（ｍ）で測定される。いくつかの例では、超音波センサ１２２によって出力される測定値は、イベントコンテキストを決定するために追加のセンサ測定値と併せて使用される。

図１Ａにおいて、例示的なセンサ１０４は、例示的なセンサハブ１０２に接続されている。いくつかの例では、センサ１０４とセンサハブ１０２との間の接続は、ハードワイヤードである。追加的及び／又は代替的に、センサ１０４とセンサハブ１０２との間の接続は、無線である。例えば、センサ１０４は、センサハブ１０２の位置とは異なるデバイス１００上の様々な位置に位置してもよく、従って、任意のタイプの無線通信を介してセンサハブ１０２に測定値を無線で出力してもよい。

図１Ａでは、例示的なセンサハブ１０２は、センサ１０４から（例えば、無線又はハードワイヤードで）測定値を取得し、イベント及び状態コンテキストの決定を実行する例示的なデバイスイベントコントローラ１２４及び例示的なデバイス状態コントローラ１２６を含む。

例示的なデバイス状態コントローラ１２６は、センサ１０４の測定値に基づいてデバイス１００の状態コンテキストを決定する。例えば、デバイス状態コントローラ１２６は、センサ１０４における複数のセンサタイプからの測定値に基づいて、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、及びデバイス動きデータ１５０を決定する。ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、及びデバイス動きデータ１５０は、センサハブ１０２が、ユーザがデバイス１００をアクティブ化する意図を推論することを可能にするように決定される。

例えば、デバイス状態コントローラ１２６は、加速度計１０８から測定値を収集及び分析することによって、ユーザ活動データ１４４を決定する。ユーザ活動データ１４４は、ユーザが（例えば、デバイス１００が近くにある状態で）行っていることに対応する。例えば、デバイス状態コントローラ１２６は、ユーザが歩いているか、車両内にいるか、自転車に乗っているかなどを決定する。

例示的なデバイス状態コントローラ１２６は、加速度計１０８から測定値を収集及び分析することによって、蓋モードデータ１４６を決定する。蓋モードデータ１４６は、デバイス１００がどのような姿勢になっているかに対応する。例えば、デバイス１００がクラムシェル（例えば、ラップトップ）である場合、加速度計１０８は、蓋が完全に開いているか、完全に閉じているか、又は部分的に開いている／部分的に閉じていると決定するために使用することができる。デバイス１００がタブレットである場合、デバイス状態コントローラ１２６は、タブレットの上側の蓋が上を向いているタブレットモードのような追加の蓋モード１４６を決定してもよい。

例示的なデバイス状態コントローラ１２６は、Ｗｉ－Ｆｉ１１６、ジャイロスコープ１１０、及び加速度計１０８から測定値を収集及び分析することによって、デバイス１００の位置データ１４８を決定する。位置データ１４８は、デバイス１００の位置及びデバイス１００のユーザに対応する。例えば、デバイス状態コントローラ１２６は、デバイス１００が自宅にあるか、仕事のために歩いているか、オフィスにいるかなどを決定する。

例示的なデバイス状態コントローラ１２６は、加速度計１０８及びジャイロスコープ１１０から測定値を収集及び分析することによって、デバイス１００のデバイス動きデータ１５０を決定する。デバイス動きデータ１５０は、デバイス１００の動き状態に対応する。例えば、デバイス状態コントローラ１２６は、デバイスが静止しているか、又は移動しているかを決定する。

例示的なデバイス状態コントローラ１２６は、上述の４つの状態コンテキストを決定することに限定されない。例えば、デバイス状態コントローラ１２６は、センサハブ１０２がデバイス１００のユーザ意図を推論することを可能にする、及び／又は支援する追加の状態コンテキストを決定するために、センサ１０４のいずれか１つを操作することができる。例えば、デバイス状態コントローラ１２６は、デバイス１００が典型的にユーザによって使用及び使用されない時間（例えば、日、時、分、秒など）を決定することができる。図１Ａの例示的なデバイス状態コントローラ１２６は、決定するための手段を実装してもよい。決定手段は、少なくとも１つのプロセッサを含むハードウェアである。

図１Ａでは、例示的なデバイスイベントコントローラ１２４は、センサ１０４の測定値に基づいてデバイス１００のイベントコンテキストを決定する。例えば、デバイスイベントコントローラ１２４は、センサ１０４の複数のセンサタイプからの測定値に基づいて、配置移行１５２及びユーザ存在移行１５４を決定する。配置移行１５２及びユーザ存在移行１５４は、センサハブ１０２が、ウェイクトリガの可能なオーバーライドのためにユーザによって取られる任意の即時アクションにアクセスすることを可能にするように決定される。

例示的なデバイスイベントコントローラ１２４は、加速度計１０８、近接センサ１１２、及び周辺光センサ１１４からのセンサ測定値を収集及び分析することに基づいてデバイス１００の配置移行１５２を決定する。配置移行１５２は、デバイス１００の位置間の移行に対応する。例えば、デバイスイベントコントローラ１２４は、デバイス１００が閉鎖領域（例えば、バッグ）から開放領域（例えば、デスク上）へ移動されるときに、配置移行１５２を開始、更新などをしてもよい。いくつかの例では、配置移行１５２は、バッグが位置間を移行するとき、及びどのタイプの移行が発生するかをスケジュールコントローラ１３８に通知するデータである。いくつかの例では、デバイスイベントコントローラ１５２は、配置移行１５２がスケジュールコントローラ１３８に提供されるときを制御する。例えば、デバイスイベントコントローラ１５２は、センサ測定値が配置移行を示すときに更新される、配置移行に対応するフラグ、インジケータなどをセットしてもよい。

例示的なデバイスイベントコントローラ１２４は、近接センサ１１２、周囲光センサ１１４、視覚センサ１１８、レーダセンサ１２０、及び／又は超音波センサ１２２からセンサ測定値を収集及び分析することに基づいて、ユーザ存在移行１５４を決定する。ユーザ存在移行１５４は、ユーザがデバイス１００の近傍の位置とデバイス１００から離れた位置との間で移行したかどうかに対応する。例えば、デバイス１００とユーザとの間の閾値距離が、ユーザがデバイス１００の近傍にいるかどうかを定義してもよい。閾値距離は、腕の長さ、センサ１０４（例えば、近接センサ１１２、レーダセンサ１２０、及び／又は超音波センサ１２２）がユーザを検出することができる範囲などに対応してもよい。いくつかの例では、デバイスイベントコントローラ１２４は、ユーザが現在存在している、デバイス１００から離れる方向に最近移動してしまったなどをセンサ測定値が示すときに更新される、ユーザ存在移行１５４に対応するフラグ、インジケータなどを含む。図１Ａの例示的なデバイスイベントコントローラ１２４は、決定するための手段を実装してもよい。決定手段は、少なくとも１つのプロセッサを含むハードウェアである。

図１Ａでは、例示的なセンサハブ１０２は、デバイスイベントコントローラ１２４、デバイス状態コントローラ１２６、バッファ１２８、タイマ１３０、アソシエータ１３２、訓練コントローラ１３４、予測コントローラ１３６、スケジュールコントローラ１３８、ウェイクタイマ１４０、及びスタンバイ管理システム１４２間のフローラインを示す。実線のフローラインは、センサハブ１０２で発生する学習フェーズを表す。例えば、バッファ１２８、タイマ１３０、アソシエータ１３２、及び訓練コントローラ１３４によって実行される動作は、予測モデルを訓練するための学習及び／又は訓練フェーズにおいて発生する。点線フローラインは、センサハブ１０２で発生する推論フェーズを表す。例えば、予測コントローラ１３６、スケジュールコントローラ１３８、及びウェイクタイマ１４０によって実行される動作は、推論及び／又は予測フェーズにおいて発生する。

図１Ａでは、例示的なセンサハブ１０２は、デバイス状態コントローラ１２６によって生成された状態コンテキストを記憶する例示的なバッファ１２８を含む。例えば、バッファ１２８は、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、デバイス動きデータ１５０などを記憶する。いくつかの例では、バッファ１２８は、デバイス状態コントローラ１２６が更新されたコンテキストを決定するときに、更新された状態コンテキストを取得する。いくつかの例では、バッファ１２８は、複数のラッチ、キャッシュ、及び／又は任意の他のタイプの一時的な記憶デバイスによって実装される。いくつかの例では、バッファ１２８は、ヒストリカル状態コンテキストを記憶する。例えば、状態コンテキストは、それらがデバイス１００の以前／過去の状態に対応するときに、ヒストリカルであるとみなされる。図１Ａの例示的なバッファ１２８は、記憶するための手段を実装してもよい。記憶手段は、少なくとも１つのプロセッサを含むハードウェアである。

図１Ａでは、例示的なセンサハブ１０２は、例示的なバッファ１２８に例示的なアソシエータ１３２に状態コンテキストを解放及び／又は提供するように通知する例示的なタイマ１３０を含む。例えば、タイマ１３０は、状態コンテキストを取得するバッファ１２８と、状態コンテキストを取得するアソシエータ１３２との間の期間を遅延させる。このような例では、状態コンテキストは、それらが関連付けられている後の時間で取り出された時に、ヒストリカルであるとみなすことができる。例えば、状態コンテキストは、それらが発生した日時に関連付けられる（例えば、ユーザ活動データ１４４は、月曜の朝の６：００にデバイス１００のユーザが自転車に乗っていたことを示す）。例示的なタイマ１３０は、遅延（例えば、予め決定された時間）閾値が満たされるときに、状態コンテキスト及びそれらに関連付けられた時間をアソシエータ１３２に送信するように例示的なバッファ１２８に通知する。

図１Ａでは、例示的なセンサハブ１０２は、状態コンテキストをＯＳ状態と関連付ける及び／又は関連付けるための例示的なアソシエータ１３２を含む。例示的なアソシエータ１３２は、例示的なバッファ１２８から状態コンテキストが提供される、及び／又は取得し、例示的なスタンバイ管理システム１４２からＯＳ状態を取得してもよい。例示的なアソシエータ１３２は、時間フレームにわたってヒストグラムを生成することによって、状態コンテキストとＯＳ状態とを相関させる。例えば、アソシエータ１３２は、２４時間、１週間などの期間にわたって、デバイス１００の状態コンテキスト及びＯＳ状態を収集及び関連付けする。１つ以上のヒストグラムの例が図１Ｂに示される。

図１Ｂを参照すると、例示的なアソシエータ１３２によって生成された例示的なヒストグラムが示されている。ヒストグラムは、条件付きコンテキスト（例えば、状態コンテキスト）ＯＳ状態の分布、及び２つのもの（例えば、条件付きＯＳ状態）間の時間フレーム（例えば、２４時間、１週間など）にわたる関連付けを反映するように生成され得る。図１Ｂの例は、例示的な状態コンテキストヒストグラム１６０、例示的なＯＳ状態ヒストグラム１６２、及び例示的な関連付けヒストグラム１６４を含む。

例示的なアソシエータ１３２は、ある期間（例えば、２４時間）にわたって収集される任意の数の状態コンテキストを表す例示的な状態コンテキストヒストグラム１６０を生成する。例えば、ｘ軸は、状態コンテキストが収集される時間間隔（例えば、分、時など）を示す。いくつかの例では、ｘ軸は、状態コンテキストがデバイス状態コントローラ１２６によって収集される時間ｔの反復を示す。例えば、状態コンテキストヒストグラム１６０のｘ軸によって示されるように、デバイス状態コントローラ１２６は、時間ｔ、ｔ＋１、ｔ＋２、ｔ＋３、ｔ＋４、及びｔ＋ｎでの状態コンテキストデータを収集し、ｎは、将来の時間ビンを表す。例示的な状態コンテキストヒストグラム１６０では、ｙ軸は状態コンテキスト分布データの頻度を表す。例えば、各頻度レベルは、あるタイプの状態コンテキストデータの状態の発生回数（例えば、状態コンテキストデータのタイプが、ユーザ活動データ１４４であり、状態は、歩いているであり、ユーザが歩いていたことの発生回数は、特定の時間ビンにわたって１０回である）に対応し得る。いくつかの例では、アソシエータ１３２は、各タイプの状態コンテキストデータ（例えば、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、デバイス動きデータ１５０、及び／又はデバイス状態コントローラ１２６によって決定される任意の他のタイプの状態データ）を表すある数の状態コンテキストヒストグラム１６０を生成する。いくつかの例では、アソシエータ１３２は、期間毎（例えば、２４時間）に状態コンテキストヒストグラム１６０を更新し（例えば、調整し）、及び／又は期間毎（例えば、２４時間）に新しい状態コンテキストヒストグラム１６０を生成する。

例示的なアソシエータ１３２は、期間（例えば、２４時間）にわたって収集されたオペレーティングシステムの状態を表す例示的なＯＳ状態ヒストグラム１６２（ｈｉｓｔ_{ｏｓｓｔａｔｅ}）を生成する。例示的なＯＳ状態ヒストグラムは、ＯＳ状態分布を表し、ｙ軸は、収集された各ＯＳ状態の頻度（例えば、ＯＳ状態がアクティブ及び／又は非アクティブ状態にある発生回数）を示し、ｘ軸は、ＯＳ状態が収集される時間間隔（例えば、分、時など）を示す。例えば、ＯＳ状態ヒストグラム１６２のｙ軸は、ＯＳ状態の頻度レベルを示し、頻度レベルは、オペレーティングシステムのステータスの発生回数に対応し得る（例えば、ステータスはアクティブであり、ＯＳがアクティブである発生回数は、特定の時間ビンにわたって１５回である）。いくつかの例では、ｘ軸は、ＯＳ状態がアソシエータ１３２によって収集される時間ｔ＋Ｔｐの反復を示す。例えば、ＯＳ状態ヒストグラム１６２のｘ軸によって示されるように、デバイス状態コントローラ１２６は、時間ｔ＋Ｔｐ、（ｔ＋１）＋Ｔｐ、（ｔ＋２）＋Ｔｐ、（ｔ＋３）＋Ｔｐ、（ｔ＋４）＋Ｔｐ、及び（ｔ＋ｎ）＋Ｔｐでの状態コンテキストデータを収集し、ｎは、将来の時間ビンを表す。時間ビン幅は予測の時間粒度を決定し、これは、主に応答性とメモリリソース間のバランスをとる。いくつかの例では、アソシエータ１３２は、期間毎（例えば、２４時間）にＯＳ状態ヒストグラム１６２を更新し（例えば、調整し）、及び／又は期間毎（例えば、２４時間）に新しいＯＳ状態ヒストグラム１６２を生成する。

例示的なアソシエータ１３２は、期間にわたって状態コンテキストデータとＯＳ状態との間の関連付けを表す例示的な関連付けヒストグラム１６４を生成する。例えば、アソシエータ１３２は、状態コンテキストヒストグラム１６０とＯＳ状態ヒストグラム１６２とを組み合わせて、関連付けヒストグラム１６４を生成する。例示的な関連付けヒストグラム１６４は、状態コンテキストデータ（例えば、ユーザ活動データ１４４）対ＯＳ状態（例えば、アクティブ及び非アクティブ）の条件付き分布を表し、ｙ軸は、各ＯＳ状態の下の各時間間隔（例えば、分、時など）に入るユーザ活動データ１４４の各状態の発生頻度を示し、ｘ軸は、状態コンテキスト及びＯＳ状態が収集され、関連付けられる（例えば、相関、関連、リンク、接続など）時間間隔（例えば、分、時など）を示す。例えば、ｙ軸は、ユーザ活動データ１４４及びＯＳ状態（例えば、時間ｔで歩いておりかつ時間ｔ＋Ｔｐで非アクティブであり、時間ｔ＋２で座っておりかつ時間（ｔ＋２）＋Ｔｐでアクティブであり、時間ｔ＋４で車両に乗っておりかつ時間（ｔ＋４）＋Ｔｐで非アクティブであり、時間ｔ＋ｎで自転車に乗っておりかつ時間（ｔ＋ｎ）＋Ｔｐで非アクティブであるなど）を表すある数の頻度ポイントを含んでもよい。例示的なアソシエータ１３２は、各状態コンテキストタイプ（例えば、蓋モードデータ１４６対ＯＳ状態、位置データ１４８対ＯＳ状態、デバイス動きデータ１５０対ＯＳ状態など）に対して関連付けヒストグラム１６４を生成してもよい。例えば、ｈｉｓｔ_{ａｃｔｉｖｉｔｙ－ｖｓ－ｏｓｓｔａｔｅ}は、時間ｔ＋ＴｐでのＯＳ状態によって条件付けられた時間ｔでのユーザ活動データ１４４の条件付き分布を表す関連付けヒストグラム１６４である。さらに別の例では、ｈｉｓｔ_{ｌｉｄｍｏｄｅ－ｖｓ－ｏｓｓｔａｔｅ}は、時間ｔ＋ＴｐでのＯＳ状態によって条件付けされた時間ｔでの蓋モードデータ１４６の状態の条件付き分布を表す関連付けヒストグラム１６４である。追加的及び／又は代替的に、アソシエータ１３２は、時間フレーム（例えば、１日、週、月、年など）にわたる状態コンテキスト及び対応するＯＳ状態の組み合わせを表す単一の関連付けヒストグラム１６４を生成してもよい。いくつかの例では、アソシエータ１３２は、平日（例えば、月曜～金曜）に対応する関連付けヒストグラム１６４及び週末（例えば、土曜～日曜）に対応する関連付けヒストグラム１６４を生成してもよい。例えば、仕事スケジュール、自由時間、趣味等により、平日と週末で利用者の行動が異なることがある。

図１Ａの例示的なアソシエータ１３２は、関連付けるための手段を実装してもよい。関連付け手段は、少なくとも１つのプロセッサを含むハードウェアである。

図１Ａの例を参照すると、例示的なセンサハブ１０２は、例示的なデバイス１００のユーザに対してパーソナライズされた予測モデルを段階的に学習し構築する例示的な訓練コントローラ１３４を含む。例示的な訓練コントローラ１３４は、例示的なアソシエータ１３２から情報を取得し、毎日、毎週、毎月、及び／又は毎年のユーザ行動パターンを識別する。例えば、訓練コントローラ１３４は、以前に関連付けられた状態コンテキスト及びＯＳ状態などのユーザ行動に基づいて、ＯＳ状態の将来の状態を識別する。例示的な訓練コントローラ１３４は、決定された及び／又は識別されたユーザ行動パターンに基づいて予測モデルを生成する。生成されると、例示的な訓練コントローラ１３４は、予測モデルを公表する。このようにして、推論フェーズの例示的な予測コントローラ１３６は、将来のリアルタイム予測のために予測モデルにアクセスし、利用することができる。例示的な訓練コントローラ１３４は、図２に関連して以下にさらに詳細に記載される。図１Ａの例示的な訓練コントローラ１３４は、生成するための手段を実装してもよい。生成手段は、少なくとも１つのプロセッサを含むハードウェアである。

図１Ａでは、例示的なセンサハブ１０２は、ユーザが将来の時間でのデバイス１００を使用する確率を予測（例えば、推定）する例示的な予測コントローラ１３６を含む。例えば、予測コントローラ１３６は、デバイス状態コントローラ１２６及び発行済み予測モデルからの情報に基づいて、ＯＳ状態がいつアクティブになるかを決定する。例示的な予測コントローラ１３６は、リアルタイムで動作し、これは、予測コントローラ１３６が、デバイス状態コントローラ１２６から現在の（例えば、最新の）状態コンテキストを取得し、そのコンテキストに基づいてＯＳ状態を予測することを意味する。いくつかの例では、予測コントローラ１３６の出力は、ユーザが時間ｔでＯＳをアクティブ化する予定であること、しばらくの間ＯＳ状態をアクティブ化しない予定であることなどの表示及び／又は通知である。例示的な予測コントローラ１３６の出力は、例示的なスケジュールコントローラ１３８に提供される。例示的な予測コントローラ１３６は、図３に関連して以下にさらに詳細に記載される。図１Ａの例示的な予測コントローラ１３６は、生成するための手段を実装してもよい。生成手段は、少なくとも１つのプロセッサを含むハードウェアである。図１Ａでは、例示的なセンサハブ１０２は、予測コントローラ１３６の出力及び例示的なデバイスイベントコントローラ１２４からのイベントコンテキストに基づいて、動的ウェイク期間（例えば、スタンバイ管理システム１４２がホスト１０６のハードウェア及びソフトウェア構成要素に電力を供給する（例えば、アクティブにする）時間）を決定する例示的なスケジュールコントローラ１３８を含む。いくつかの例では、スケジュールコントローラ１３８は、デバイス１００がアクティブになる前に、デバイス１００に非アクティブ状態を脱出する準備をさせるウェイクイベントを開始することによって、デバイス１００の電力消費を低減する。例えば、ウェイクイベントは、スタンバイ管理システム１４２に、電力消費を可能な限り少なくしながらデバイスを更新させて、スリープ状態（例えば、非アクティブ状態）からホスト１０６を完全にブート（例えば、アクティブに）するのに必要とされる最小電力を促進する。動的ウェイク期間（Ｔｗ）は、ユーザがデバイス１００を使用する尤度（ｌｉｋｅｌｉｈｏｏｄ）とイベントコンテキストの組み合わせに基づいて決定される。ウェイク期間Ｔｗは、デバイス１００の外部環境に基づいて変化し得るので、動的である。例示的なスケジュールコントローラ１３８は、イベントコンテキストを考慮して、ＯＳ状態に相関し得るデバイス１００の任意の即時の移行を決定する。例えば、デバイス１００がバッグから取り出されたことを示す配置移行１５２は、スケジュールコントローラ１３８に、ＯＳ状態がアクティブ化される可能性が高いことを通知する。いくつかの例では、スケジュールコントローラ１３８は、イベントコンテキストに基づいて予測コントローラ１３６の出力を無効にする。例えば、予測コントローラ１３６は、デバイス１００が次の１０分間アクティブ化されないことを示す表示を出力するが、デバイスイベントコントローラ１２４は、ユーザがデバイス１００に接近したばかりであると決定する。このような例では、スケジュールコントローラ１３８は、イベントコンテキストにより、１０分待つのではなく、ウェイク期間が迅速に発生するようにスケジュールする。図１Ａでは、例示的なセンサハブ１０２は、ウェイク期間Ｔｗに基づいてウェイクイベントをトリガする例示的なウェイクタイマ１４０を含む。本明細書で使用される場合、ウェイクイベントは、スタンバイ管理システム１４２にホスト１０６のスリープ状態（例えば、非アクティブ、アイドルなど）を作業状態に移行させるイベントである。例示的なウェイクタイマ１４０は、ホスト１０６がウェイクする時間を指定する待機可能なタイマオブジェクトであってもよい。待機可能なタイマオブジェクトは、指定された時間（例えば、ウェイク期間Ｔｗ）が到着したときに状態が「シグナルされた」にセットされる同期オブジェクトである。例えば、ウェイクタイマ１４０は、スケジュールコントローラ１３８から「所定の時間」（例えば、ウェイク期間Ｔｗ）が提供される手動リセット、同期、又は周期タイマである。ウェイクタイマ１４０は、ウェイク期間Ｔｗが満了したときに、待機動作を完了する（例えば、待機条件が満たされると、トリガを送信する）。タイマがシグナルされるときに、ホスト１０６（例えば、プロセッサ）は、関連付けられた命令を処理するために実行しなければならない。

図１Ａでは、例示的なセンサハブ１０２は、例示的なウェイクタイマ１４０がウェイクイベントをトリガしたときに、ＯＳ、及び／又はより一般的には、例示的なホスト１０６を非アクティブ状態からアクティブ状態に移行させるスタンバイ管理システム１４２を含む。例示的なスタンバイ管理システム１４２は、例示的なウェイクタイマ１４０によって開始される。例示的なスタンバイ管理システム１４２は、（受信した電子メールを同期する）電子メールアプリケーション、（イベントを更新する）カレンダーアプリケーション、（ＯＳへの更新を同期する）スキャナなど、ホスト１０６の特定のアプリケーションを「ウェイクアップ」する動作を含む。このようにして、ユーザに、迅速に使用するために準備されたデバイス１００が提供される。例示的なスタンバイ管理システム１４２は、センサハブ１０２及び例示的なホスト１０６に通信的に結合される。

例示的なセンサハブ１０２の提示的な訓練動作が以下に記載される。例示的なセンサ１０４は、例示的なデバイス１００の外部環境を監視する。例示的なセンサ１０４は、デバイス１００の外部環境を監視した結果に基づいて測定値を収集し、決定する。例示的なセンサ１０４は、例示的なデバイスイベントコントローラ１２４及び例示的なデバイス状態コントローラ１２６にセンサ測定を提供する。例示的なデバイス状態コントローラ１２６は、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、及びデバイス動きデータ１５０の状態を決定する。

例えば、デバイス状態コントローラ１２６は、例示的な加速度計１０８からの測定値に基づいて、ユーザが歩いているか、走っているか、車両を用いて移動しているか、自転車に乗っているかなど（例えば、ユーザ活動データ１４４）を決定する。例えば、デバイス状態コントローラ１２６は、活動認識を利用して、加速度計データ（例えば、例示的な加速度計１０８から抽出され、センサハブ１０２のメモリに記憶されたデータ）から抽出された時間及び周波数領域の特徴を使用して分類問題を解くことに基づいて、ユーザ活動データ１４４を決定することができる。例示的なデバイス状態コントローラ１２６は、例示的な加速度計１０８からの測定値に基づいて、デバイス１００の蓋が開いているか、閉じているか、クラムシェルであるかなど（例えば、蓋モードデータ１４６）を決定する。例えば、デバイス状態コントローラ１２６は、デバイス１００がラップトップ又はタブレットである場合、ヒンジ角度を決定することに基づいて蓋モードデータ１４６を検出することができる。例えば、デバイス状態コントローラ１２６は、ヒンジ角度を決定するために蓋の各パネル上に配置された２つの加速度計から加速度計データを抽出することができる。

例示的なデバイス状態コントローラ１２６は、例示的なＷｉ－Ｆｉ１１６、例示的なジャイロスコープ１１０、及び／又は全地球測位システム（ＧＰＳ） （図示せず）からの測定値に基づいて、デバイス１００が自宅、オフィス、道路など（例えば、位置データ１４８）にあるかを決定する。例えば、デバイス状態コントローラ１２６は、ＧＰＳが不正確な測定値を生成しているときに、歩行者自律航法（ＰＤＲ、Ｐｅｄｅｓｔｒｉａｎ Ｄｅａｄ Ｒｅｃｋｏｎｉｇ）を実装することができる。例えば、ＰＤＲは、経過時間にわたる速度及びコースの推定値を使用して、デバイス１００の現在位置を決定する。例示的なデバイス状態コントローラ１２６は、加速度計１０８からの測定に基づいて、デバイス１００が静止しているか、動いているかなど（例えば、装置の動きデータ１５０）を決定する。例えば、デバイス状態コントローラ１２６は、加速度計データから抽出された動き強度を監視することによってデバイス動き状態を検出することができる。

例示的なデバイス状態コントローラ１２６は、状態コンテキストの状態を例示的なバッファ１２８に出力する。例示的なバッファ１２８は、対応するタイムスタンプを有する状態コンテキストを記憶する。例えば、バッファ１２８は、タイムスタンプｔを有する状態コンテキストを記憶する。タイムスタンプｔは、状態コンテキストが発生する時間（例えば、センサ１０４が状態コンテキストに対応する測定値を収集した時間）に対応する。例示的なバッファ１２８は、ある期間（例えば、閾値期間、予め決定された期間など）にわたって状態コンテキストを記憶する。例示的なタイマ１３０は、バッファ１２８が時間ｔの状態コンテキストを記憶する期間を決定する。例えば、タイマ１３０は、バッファ１２８が状態コンテキストを追い出すのを遅らせる遅延として作用する。遅延の長さ（例えば、バッファ１２８が状態コンテキストを記憶する期間）は、ユーザアクションとＯＳ状態がアクティブ化する時間との間の最大予測可能時間（Ｔｐ）によって決定される。最大予測可能時間Ｔｐは、予測効率（例えば、デバイス１００を準備し、準備が整えるための効率的な時間）と関連付けの有効性との間のバランスに基づいて決定される。関連付けの有効性は、ＯＳ状態と状態コンテキストの関連性に関係する。例えば、状態コンテキストは、短期間に発生するＯＳ状態により関連性がある（より多くの相関がある）。

時間ｔ後の期間が満たされるときに、例示的なバッファ１２８は、例示的なアソシエータ１３２に状態コンテキストを提供する。例えば、バッファ１２８は、時間ｔ＋Ｔｐでアソシエータ１３２に状態コンテキストを提供する。状態コンテキストを取得することに応答して、例示的なアソシエータ１３２は、例示的なスタンバイ管理システム１４２にＯＳ状態を問い合わせる。例えば、アソシエータ１３２は、時間ｔ＋Ｔｐでのホスト１０６のＯＳ状態を例示的なスタンバイ管理システム１４２に問い合わせる。別の例では、例示バッファ１２８は、時間ｔで状態コンテキストを取得した直後に、状態コンテキストを除去し、それらを例示的なアソシエータ１３２に割り当てる。このような例では、タイマ１３０は、アソシエータ１３２が状態コンテキストを取得したときに開始され、最大予測時間Ｔｐにわたってアソシエータ１３２が待機管理システム１４２に問い合わせるのを遅らせる。例えば、アソシエータ１３２は、時間ｔで状態コンテキストを取得し、待機管理システム１４２からＯＳ状態を取り出すために、最大予測可能期間Ｔｐ待機する。

例示的なアソシエータ１３２は、状態コンテキストをＯＳ状態に関連付ける。例えば、アソシエータ１３２は、状態コンテキストの各々及び／又は状態コンテキストの組み合わせを、状態コンテキストの後の最大予測可能時間Ｔｐで発生したＯＳ状態と相関させる。

いくつかの例では、アソシエータ１３２は、１つ以上のヒストグラム（例えば、状態コンテキストヒストグラム１６０、ＯＳ状態ヒストグラム１６２、及び／又は関連付けヒストグラム１６４）を生成するために、相関をメモリに記憶する。例えば、メモリは、ユーザ行動パターン期間（例えば、１日、１週間など）にわたってアソシエータ１３２によって決定される相関を記憶する。アソシエータ１３２は、状態コンテキストヒストグラム１６０、ＯＳ状態ヒストグラム１６２、及び関連付けヒストグラム１６４を生成する。例えば、アソシエータ１３２は、ユーザ行動パターン期間にわたるＯＳ状態の頻度及びユーザ活動データ１４４に対応する関連付けヒストグラム１６４、ユーザ行動パターン期間にわたるＯＳ状態の頻度及び蓋モードデータ１４６に対応する関連付けヒストグラム１６４、ユーザ行動パターン期間にわたるＯＳ状態の頻度及び位置データ１４８に対応する関連付けヒストグラム１６４、ユーザ行動パターン期間にわたるＯＳ状態の頻度及びデバイス動きデータ１５０に対応する関連付けヒストグラム１６４、及び／又は、ユーザ行動パターン期間にわたるＯＳ状態及び状態コンテキストの組み合わせに対応する関連付けヒストグラム１６４を生成する。

いくつかの例では、アソシエータ１３２は、複数のユーザ行動パターン期間に対応するヒストグラムを構築及び／又は生成する。例えば、第１のユーザ行動パターン期間は、月曜～金曜の就業週に対応し、第２のユーザ行動パターン期間は、土曜～日曜の週末に対応する。第１のユーザ行動パターン期間と第２のユーザ行動パターン期間は、ユーザが１週間で異なるルーチンを有し得るので、異なることがある。したがって、例示的な訓練コントローラ１３４には、ユーザの行動の正確な表現が提供され、ユーザの行動の正確な表現を含む異なる期間について異なるヒストグラムを生成することが有益である。

例示的な訓練コントローラ１３４は、例示的なアソシエータ１３２から関連付け及び／又はヒストグラムを取得し、確率を予測する予測モデルを訓練する。例えば、訓練コントローラ１３４は、ユーザが時間ｔ＋Ｔｐでデバイス１００を使用するかどうか、及び／又は現在の状態コンテキストが与えられたユーザが時間ｔ＋Ｔｐでデバイス１００を使用するかどうかを予測する。いくつかの例では、訓練コントローラ１３４は、確率の尤度を出力する予測モデルを訓練するものである。例えば、訓練コントローラ１３４は、時間ｔ＋ＴｐでのＯＳ状態が与えられた時間ｔにおける状態コンテキストを観察する尤度を出力する。例えば、予測モデルは、ＯＳ状態が時間ｔ＋Ｔｐで非アクティブに等しいときに、ユーザ活動データ１４４が「自転車に乗っている」と等しくなる尤度を決定する。例示的な訓練コントローラ１３４は、図２に関連して以下にさらに詳細に記載される。

予測モデルによって生成される許容可能な誤差が満たされると例示的な訓練コントローラ１３４が決定するときに、例示的な訓練コントローラ１３４は、予測モデルを発行する。いくつかの例では、訓練コントローラ１３４は、ユーザの行動に関する新しい情報（例えば、状態コンテキスト、更新されたヒストグラムなど）が受信されるときに、モデルを周期的に更新し、再発行する。いくつかの例では、訓練動作は、許容可能な誤差が満たされるときに終了する。

図２を参照すると、予測モデルを生成する、図１の例示的な訓練コントローラのブロック図が示されている。例示的な訓練コントローラ１３４は、例示的な特徴抽出器２０２、例示的なモデル訓練器２０４、例示的なモデル更新器２０６、及び例示的なモデル生成器２０８を含む。

図２では、例示的な訓練コントローラ１３４は、例示的なアソシエータ１３２から関連付けデータを取り出すための問い合わせに基づいて特徴ベクトルを生成する特徴抽出器２０２を含む。例示的な特徴抽出器２０２は、訓練コントローラ１３４の訓練フェーズを容易にするために有益かつ非冗長である特徴ベクトル（例えば、ヒストグラム１６０、１６２、１６４における特徴を代表する）の導出値を生成するか、そうでなければ構築する。本明細書で使用される場合、特徴ベクトルは、何らかの状態コンテキスト、デバイス状態、測定パラメータ、時間などを表す特徴のｎ次元配列（例えば、ベクトル）である。例えば、特徴は、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、デバイス動きデータ１５０などのデバイス１００の状態コンテキストとすることができる。例示的な特徴抽出器２０２は、入力データ（例えば、アソシエータ１３２からのヒストグラム１６０、１６２、１６４）を、元の入力データを十分な完全性と正確率で記述しつつ、処理のためのより管理可能なグループ（例えば、特徴）に低減する。図２の示された例では、特徴抽出器２０２は、ユーザ行動パターンに対応するヒストグラムデータにおける特徴を識別する。特徴抽出器２０２によって提供される特徴データは、以前のユーザ行動に基づいてデバイス１００の将来のＯＳ状態を検出するためにモデルを訓練する際にモデル訓練器２０４を促進する。例えば、図１Ａのアソシエータ１３２は、２４時間全体にわたるデバイス１００の状態コンテキスト及びＯＳ状態に基づいてユーザ行動パターンを検出する。例示的な特徴抽出器２０２は、ユーザ行動パターンの条件ベクトルを抽出し、条件ベクトルをモデル訓練器４０４に提供する。条件ベクトルは、将来の時間でＯＳの状態が非アクティブとアクティブの間で移行させる特定の条件を表してもよい。例えば、条件ベクトルは、ユーザが座っているとき、デバイス１００の蓋が開いているときに、ＯＳ状態がアクティブであることを示すことができる。他の例では、条件ベクトルは、ユーザがオフィスに位置し、時間が１２：００ｐｍであるときに、ＯＳ状態が３０分以内にアクティブになることを示すことができる。条件ベクトルは、イベントコンテキストのように、デバイスの移行を即座に示すものではない。例えば、条件ベクトルは、時間ｔで発生する状態コンテキストと時間ｔ＋Ｔｐで発生するＯＳ状態（例えば、状態コンテキストの後の期間）との間の関連付けであるが、イベントコンテキストは、ＯＳの即時アクティブ化又はＯＳの非アクティブ化を引き起こし得るデバイス１００の即座の移行である。例示的な特徴抽出器２０２は、関連付けデータ（例えば、関連付けヒストグラム１６４）の特徴を抽出した後、特徴ベクトルを出力する。

図２では、例示的な訓練コントローラ１３４は、例示的な特徴抽出器２０２の出力特徴ベクトルに基づいて予測モデルを訓練する例示的なモデル訓練器２０４を含む。例示的なモデル訓練器２０４は、複数の関連付けデータを受信し、予測を生成し、その予測に基づいてモデルを出力する訓練モードにおいて動作する。例示的なモデル訓練器２０４は、モデルを生成するために、ＯＳ状態の予め決定された条件に対応する特徴ベクトルを受信する。例えば、訓練モード中、ＯＳ状態は既に決定されており、条件は、ヒストグラムのパターン（例えば、状態コンテキストヒストグラム１６０、ＯＳ状態ヒストグラム１６２、及び／又は、関連付けヒストグラム１６４）によって既に定義され、訓練コントローラ１３４に提供されるデータは、学習に好適であるようにする。例えば、モデル訓練器２０４は、状態コンテキスト及びＯＳ状態の特徴を示す特徴ベクトルを受信し、状態コンテキスト及び結果として生じるＯＳ状態における、状態コンテキスを将来のＯＳにマッピングするパターンを識別し、これらのパターンを捕捉するモデルを出力する。

いくつかの例では、モデル訓練器２０４は、将来のＯＳ状態に関する出力確率及び予測を生成する単純ベイズ機能を実装する。単純化及び説明のために、ユーザ活動データ１４４及び蓋モードデータ１４６の２つのタイプの状態コンテキストのみが、単純ベイズ機能に関連して記載される。しかしながら、例示的なモデル訓練器２０４は、訓練のために各状態コンテキストタイプを利用してもよい。単純ベイズの関数では、異なるタイプの確率が推論される。例えば、モデル訓練器２０４は、事前確率、事後確率、及び尤度確率を決定してもよい。事前確率は、ランダムな事象又は不確実な命題などのパラメータθに対応し、事前確率は、任意の関連する証拠がｐ（θ）とみなされる前にパラメータに関して決定される条件なしの確率である。例えば、モデル訓練器２０４は、ユーザが時間ｔ＋Ｔｐ（例えば、ＯＳがアクティブ状態）でデバイス１００を使用する事前確率（Ｐ（Ｏ＝ａｃｔｉｖｅ））を決定し、ＯＳ状態は、パラメータであり、確率は、ＯＳ状態がアクティブである時間である。この事前確率（Ｐ（Ｏ＝ａｃｔｉｖｅ））は、ＯＳ状態ヒストグラム１６２（ｈｉｓｔ_{ｏｓｓｔａｔｅ}）から直接推定することができる。

事後確率は、証拠Ｘが与えられたパラメータθの確率（ｐ（θ｜Ｘ））である。例えば、モデル訓練器２０４は、時間ｔでの現在のコンテキスト状態（Ａ：活動データ１４４及びＬ：蓋モードデータ１４６）が与えられたユーザが時間ｔ＋Ｔｐでデバイス１００を使用する事後確率Ｐ（Ｏ＝ａｃｔｉｖｅ｜Ａ，Ｌ）を決定する。事後確率は、例示的なモデル訓練器２０４が予測することを学習する目標確率である。

尤度確率は、パラメータθが与えられた証拠Ｘの確率（ｐ（θ｜Ｘ））である。例えば、モデル訓練器２０４は、時間ｔ＋ＴｐでのＯＳ状態が与えられた時間ｔでのユーザ活動データ１４４の状態の尤度確率（Ｐ（Ａ｜Ｏ＝ａｃｔｉｖｅ），Ｐ（Ａ｜Ｏ＝ｉｎａｃｔｉｖｅ））を決定する。例示的なモデル訓練器２０４は、例示的な関連付けヒストグラム１６４（例えば、ｈｉｓｔａｃｔｉｖｉｔｙ－ｖｓ－ｏｓｓｔａｔｅ）のうちの１つから、ユーザ活動データ１４４の状態の尤度確率（Ｐ（Ａ｜Ｏ＝ａｃｔｉｖｅ），Ｐ（Ａ｜Ｏ＝ｉｎａｃｔｉｖｅ））を直接推定することができる。別の例では、モデル訓練器２０４は、時間ｔ＋ＴｐでのＯＳ状態を与えられた時間ｔでの蓋モードデータ１４６の状態の尤度確率（Ｐ（Ｌ｜Ｏ＝ａｃｔｉｖｅ），Ｐ（Ｌ｜Ｏ＝ｉｎａｃｔｉｖｅ））を決定する。例示的なモデル訓練器２０４は、例示的な関連性ヒストグラム１６４（例えば、ｈｉｓｔ_{ｌｉｄｍｏｄｅ－ｖｓ－ｏｓｓｔａｔｅ}）のうちの１つから、蓋モードデータ１４６の状態の尤度確率（Ｐ（Ｌ｜Ｏ＝ａｃｔｉｖｅ），Ｐ（Ｌ｜Ｏ＝ｉｎａｃｔｉｖｅ））を直接推定することができる。

例示的なモデル訓練器２０４は、以下の例示的な式１を利用して、事後確率（Ｐ（Ｏ＝ａｃｔｉｖｅ｜Ａ，Ｌ））を学習及び／又は他の方法で決定する。式１では、Ｐ（Ａ，Ｌ）は、時間ｔでのユーザ活動データ１４４の状態（Ａ）及び蓋モードデータ１４６の状態（Ｌ）の予測された事前確率に対応し、Ｐ（Ａ，Ｌ｜Ｏ＝ａｃｔｉｖｅ）は、時間ｔ＋ＴｐでのＯＳ状態がアクティブであることが与えられた、時間ｔでのユーザ活動データ１４４の状態（Ａ）及び蓋モードデータ１４６の状態（Ｌ）の尤度確率に対応する。

いくつかの例では、モデル訓練器２０４は、以下の例示的な式２を利用して、時間ｔ＋ＴｐでのＯＳ状態がアクティブであることが与えられた、時間ｔでのユーザ活動データ１４４の状態（Ａ）及び蓋モードデータ１４６の状態（Ｌ）の尤度確率を決定する。

いくつかの例では、モデル訓練器２０４は、以下の例示的な式３を利用して、時間ｔでのユーザ活動データ１４４の状態（Ａ）及び蓋モードデータ１４６の状態（Ｌ）の予測される事前確率を決定する。

例示的なモデル訓練器２０４は、関連付けデータが与えられた事後確率を決定するモデルを訓練する。例示的なモデル訓練器２０４は、出力モデルを例示的な予測コントローラ１３６に提供して、意図されたＯＳ状態が未知である新しい状態コンテキストに対する予測を生成するのを支援する。

図２では、例示的な訓練コントローラ１３４は、モデル訓練器２０４から受信されたモデルを新しい及び／又は更新されたものとしてフラグを立てる例示的なモデル更新器２０６を含む。例えば、モデル更新器２０６は、モデル訓練器２０４から、平日の状態コンテキストに対応するＯＳ状態を検出する予測アルゴリズムを提供するモデルを受信することができる。例示的なモデル更新器４０６は、このタイプのモデルが新しいものであると決定し、それを新しいものとしてタグ付けする。代替的には、例示的なモデル更新器２０６は、このタイプのモデルが以前に生成されたていると決定し、更新されたものとして最も最近に生成されたモデルにフラグを立てる。例示的なモデル更新器２０６は、例示的なモデル生成器０８に新しい及び／又は更新されたモデルを提供する。

図２では、例示的な訓練コントローラ１３４は、発行のためのモデルを生成する例示的なモデル生成器２０８を含む。例えば、図２のモデル生成器２０８は、モデル更新器２０６から、新しいモデル及び／又は更新されたモデルが訓練されたことの通知を受信してもよく、モデル生成器２０８は、モデルがファイルとして保存及び／又は記憶され得るようにモデルが発行されるファイルを作成してもよい。いくつかの例では、モデル生成器２０８は、モデルが変換及び発行される準備が整ったことの通知を予測コントローラ１３６に提供する。

図３を参照すると、図１Ａの例示的な予測コントローラ１３６のブロック図が、リアルタイム（例えば、デバイス１００が動作している時間及び／又は動作していない時間）で将来のＯＳ状態の予測を生成するように示されている。例示的な予測コントローラ１３６は、例示的な特徴抽出器３０２と、例示的な推論生成器３０４と、例示的なＯＳ状態検出器３０６とを含む。例示的な予測コントローラ１３６は、例示的なデバイス状態コントローラ１２６及び例示的な訓練コントローラ１３４と通信して、例示的なデバイス１００のＯＳ状態の検出を促進する。

図３では、例示的な予測コントローラ１３６は、生状態コンテキストの特徴を抽出し、かつ特徴ベクトルを生成して例示的な推論生成器３０４に提供する例示的な特徴抽出器３０２を含む。例えば、特徴抽出器３０２は、図２の特徴抽出器２０２と同様の方法で動作する。しかしながら、いくつかの例では、図３の特徴抽出器３０２は、関連付けデータが、後の期間でＯＳ状態を図１Ａのスタンバイ管理システム１４２に問い合わせることを必要とするので、関連付けデータの特徴を抽出せず、予測コントローラ１３６が、代わりに、待機するよりも後の時間でＯＳ状態を予測及び／又は推測する。例示的な特徴抽出器３０２は、将来のＯＳ状態にまだ関連付けられていない状態コンテキストのデータを抽出する。例えば、特徴抽出器３０２は、デバイス状態コントローラ１２６から状態コンテキストを受信し、状態コンテキストの特徴が、それぞれのＯＳ状態に対応する可能な条件に合致することを決定してもよい。

図３では、例示的な訓練コントローラ１３６は、例示的な特徴抽出器３０２によって提供された特徴ベクトルに基づいて予測を生成する例示的なモデル推論生成器３０４を含む。例えば、推論生成器３０４は、図１及び図２の訓練コントローラ１３４によって訓練され、生成され、又は他の方法で発行されるモデルを利用することによって、ＯＳ状態が将来の時間に開始され、非アクティブ化されるなどの尤度を示す確率値を生成してもよい。例えば、デバイス状態コントローラ１２６は、デバイス１００の外部環境のセンサデータ及び測定値を取り出してもよく、推論生成器３０４は、外部環境の状態コンテキストに基づいた訓練モデルを利用して、状態コンテキスト及び可能なＯＳ状態の相関を決定し、ＯＳ状態が近い将来変化する予定である尤度を示す確率を出力する。例示的な推論生成器３０４は、例示的な訓練コントローラ１３４によって（例えば、周期的に）更新される。例示的な推論生成器３０４によって生成された予測値は、例示的なＯＳ状態検出器３０６に提供される。

図３では、例示的な予測コントローラ１３６は、将来のＯＳ状態が推論生成器３０４によって検出されたかどうかを決定する例示的なＯＳ状態検出器３０６を含む。例えば、ＯＳ状態検出器３０６は、推論生成器３０４から、ＯＳ状態が変化する予定である尤度を示す確率値を受信する。例示的なＯＳ状態検出器３０６は、確率値が将来のＯＳ状態を十分に示すものであると決定した場合、フラグを生成する（例えば、ビットを１にセットし、ビットを０にクリアし、予測時間で「ＯＳ状態が検出された」値を記憶するなど）。例示的な予測コントローラ３０６は、図１Ａの例示的なスケジュールコントローラ１３８にフラグを提供し、例示的なスケジュールコントローラ１３８に、ＯＳ状態がユーザによって開始されようとしていること、及び／又はユーザによって開始されようとしていないことを通知する。

図１Ａの例示的なセンサハブ１０２に戻ると、例示的な訓練コントローラ１３４が発行されたモデルを例示的な予測コントローラ１３６に出力するときに、センサハブ１０２は推論動作に入る。例示的な予測コントローラ１３６は、例示的なデバイス状態コントローラ１２６から状態コンテキストを取得し、状態コンテキストから作製された予測に基づいてＯＳ状態フラグを生成する。

スケジュールコントローラ１３８は、ＯＳ状態フラグを取得し、出力ＯＳ状態フラグに基づいてウェイク期間Ｔｗを生成する。いくつかの例では、スケジュールコントローラ１３８は、ＯＳ状態フラグが受信されたときに、デバイスイベントコントローラ１２４にイベントコンテキストを問い合わせる。例えば、スケジュールコントローラ１３８は、デバイスイベントコントローラ１２４からの配置移行１５２及び／又はユーザ存在移行１５４を要求する。問い合わせに応答して、例示的なデバイスイベントコントローラ１２４は、例示的なセンサ１０４からの測定及びデータに基づいて、配置移行１５２及びユーザ存在移行１５４を決定する。

例えば、デバイスイベントコントローラ１２４は、例示的な加速度計１０８、例示的な近接センサ１１２、及び／又は例示的な周囲光センサ１１４からの測定値に基づいて、デバイス１００がバッグから取り外されているか、バッグ内に置かれているか、テーブル上に配置されているかなど（例えば、配置移行１５４）を決定する。例えば、デバイスイベントコントローラ１２４は、バッグ内とバッグ外の移動間の移行によって引き起こされる運動、光、及び近接性の変化を監視する。別の例では、デバイスイベントコントローラ１２４は、近接センサ１１２、視覚センサ１１８、レーダセンサ１２０、及び／又は超音波センサ１２２からの測定に基づいて、ユーザがデバイス１００に近づいているか、デバイス１００から離れる方向に移動しているか、デバイス１００に位置しているか（例えば、ユーザ存在移行１５４）を決定する。例えば、デバイスイベントコントローラ１２４は、オブジェクト検出及び認識方法を利用して、長距離及び／又は短距離のユーザ存在を検出する。

例示的なスケジュールコントローラ１３８は、例示的なデバイスイベントコントローラ１２４からイベントコンテキストを取得し、イベントコンテキストとＯＳ状態フラグとの組み合わせに基づいてウェイク期間Ｔｗを決定する。例えば、スケジュールコントローラ１３８は、ＯＳ状態フラグに基づいて、ＯＳ状態が３０分以内にアクティブ化されることを決定してもよい。このような例では、スケジュールコントローラ１３８は、予測されたアクティブ化時間の５分前のウェイクトリガが有益であり得ることを決定してもよい。したがって、スケジュールコントローラ１３８は、ウェイク期間Ｔｗを２５分にセットしてもよい。しかし、このような例では、移行が発生したことをイベントコンテキストが示す場合、例示的なスケジュールコントローラ１３８は、移行に基づいてウェイク期間Ｔｗを生成してもよい。例えば、ユーザが存在するときに、スケジュールコントローラ１３８は、２５分のウェイク期間Ｔｗを無効にし、スタンバイ管理システム１４２へのウェイクトリガを即座に開始してもよい。このような例では、ユーザの存在は、ユーザがデバイス１００を即座にアクティブ化する意図を示すので、スケジュールコントローラ１３８は、デバイス１００をタイムリーに準備を整えさせる（例えば、電子メール、更新、カレンダーなどを同期させるためのアプリケーションをウェイクする）ように作用する。

スケジュールコントローラ１３８の例がウェイク期間Ｔｗをセットするときに、スケジュールコントローラ１３８は、例示的なウェイクタイマ１４０を開始する。例えば、ウェイクタイマ１４０は、ウェイク期間Ｔｗが完了するのを待機する（例えば、アクションを実行するのを２５分待機する）。例示的なウェイクタイマ１４０がウェイク期間Ｔｗを完了すると、例示的なウェイクタイマ１４０は、例示的なスタンバイ管理システム１４２にウェイクイベントトリガを送信する。例示的なスタンバイ管理システム１４２は、例示的なデバイス１００の同期、更新、準備のために、例示的なホスト１０６のハードウェア構成要素に十分な電力を供給するために、ウェイクモードに入る。

例示的なセンサハブ１０２の推論動作の例は、デバイス１００の寿命にわたって連続的に繰り返される。推論動作は、例示的な予測コントローラ１３６が例示的な訓練コントローラ１３４から更新されたモデル及び／又は新しいモデルを取得するときに、周期的に及び／又は非周期的に更新される。時間の経過と共に、例示的な訓練コントローラ１３４がユーザの行動パターンを学習するにつれて、推論フェーズの精度は増加する。

図１Ａのセンサハブ１０２を実装する例示的な方式が図１～図３に示されているが、図１～図３に示された要素、プロセス及び／又はデバイスのうちの１つ以上は、任意の他の方法で組み合わせ、分割、再配置、省略、除去及び／又は実装されてもよい。さらに、例示的なデバイスイベントコントローラ１２４、例示的なデバイス状態コントローラ１２６、例示的なバッファ１２８、例示的なタイマ１３０、例示的なアソシエータ１３２、例示的な訓練コントローラ１３４、例示的な予測コントローラ１３６、例示的なスケジュールコントローラ１３８、例示的なウェイクタイマ１４０、例示的な特徴抽出器２０２、例示的なモデル訓練器２０４、例示的なモデル更新器２０６、例示的なモデル生成器２０８、例示的な特徴抽出器３０２、例示的な推論生成器３０４、例示的なＯＳ状態検出器３０６、及び／又はより一般的には、図１Ａの例示的なセンサハブ１０２は、ハードウェア、ソフトウェア、ファームウェア、及び／又はハードウェア、ソフトウェア及び／又はファームウェアの任意の組み合わせによって実装されてもよい。したがって、例えば、例示的なデバイスイベントコントローラ１２４、例示的なデバイス状態コントローラ１２６、例示的なバッファ１２８、例示的なタイマ１３０、例示的なアソシエータ１３２、例示的な訓練コントローラ１３４、例示的な予測コントローラ１３６、例示的なスケジュールコントローラ１３８、例示的なウェイクタイマ１４０、例示的な特徴抽出器２０２、例示的なモデル訓練器２０４、例示的なモデル更新器２０６、例示的なモデル生成器２０８、例示的な特徴抽出器３０２、例示的な推論生成器３０４、例示的なＯＳ状態検出器３０６、及び／又はより一般的には、図１Ａの例示的なセンサハブ１０２のうちのいずれかは、１つ以上のアナログ又はデジタル回路、論理回路、プログラマブルプロセッサ、プログラマブルコントローラ、グラフィックス処理ユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル論理デバイス（ＰＬＤ）及び／又はフィールドプログラマブル論理デバイス（ＦＰＬＤ）によって実装することができる。純粋にソフトウェア及び／又はファームウェアの実装をカバーするために本特許の装置又はシステムの請求項のいずれかを読むときに、例示的なデバイスイベントコントローラ１２４、例示的なデバイス状態コントローラ１２６、例示的なバッファ１２８、例示的なタイマ１３０、例示的なアソシエータ１３２、例示的な訓練コントローラ１３４、例示的な予測コントローラ１３６、例示的なスケジュールコントローラ１３８、例示的なウェイクタイマ１４０、例示的な特徴抽出器２０２、例示的なモデル訓練器２０４、例示的なモデル更新器２０６、例示的なモデル生成器２０８、例示的な特徴抽出器３０２、例示的な推論生成器３０４、及び／又は例示的なＯＳ状態検出器３０６のうちの少なくとも１つは、ソフトウェア及び／又はファームウェアを含むメモリ、デジタル多用途ディスク（ＤＶＤ）、コンパクトディスク（ＣＤ）、ブルーレイディスクなどの非一時的なコンピュータ可読記憶デバイス又は記憶ディスクを含むように、ここに明示的に定義される。さらに、図１Ａの例示的なセンサハブ１０２は、図１～図３に示されたものに加えて、又はそれらの代わりに、１つ以上の要素、プロセス及び／又はデバイスを含んでもよく、及び／又は示された要素、プロセス及びデバイスのいずれか又は全てのうちの１つ以上を含んでもよい。本明細書で使用される場合、「通信している」という語句は、その変形を含めて、１つ以上の中間構成要素を介した直接通信及び／又は間接通信を包含し、直接的な物理的（例えば、有線）通信及び／又は常時通信を必要とせず、むしろ、周期的な間隔、スケジューリングされた間隔、非周期的な間隔、及び／又は１回限りのイベントにおける選択的通信を含む。

図１～図３のセンサハブ１０２を実装するための、例示的なハードウェアロジック、機械読取り可能命令、ハードウェア実施状態マシン、及び／又はそれらの任意の組み合わせを表すフローチャートが図４及び図５に示される。機械可読命令は、コンピュータプロセッサ及び／又はプロセッサ回路、例えば図６に関連して後述する例示的なプロセッサプラットフォーム６００に示されるプロセッサ６１２による実行のための実行可能プログラムの１つ以上の実行可能プログラム又は一部分であってもよい。プログラムは、ＣＤ－ＲＯＭ、フロッピーディスク、ハードドライブ、ＤＶＤ、ブルーレイディスク、又はプロセッサ６１２に関連付けられたメモリなどの非一時的コンピュータ可読記憶媒体に記憶されたソフトウェアで実現されてもよいが、代替的に、プログラム全体及び／又はその一部分は、プロセッサ６１２以外のデバイスによって実行され、及び／又はファームウェア又は専用ハードウェアで実現されてもよい。さらに、例示的なプログラムは、図４及び図５に示すフローチャートを参照して記載されるが、例示的なセンサハブ１０２を実装する多くの他の方法が代替的に使用されてもよい。例えば、ブロックの実行順序を変更することができ、及び／又は説明したブロックのいくつかを変更、削除、又は組み合わせることができる。追加的又は代替的に、ブロックのいずれか又は全部は、ソフトウェア又はファームウェアを実行することなく対応する動作を実行するように構造化された１つ以上のハードウェア回路（例えば、離散及び／又は集積アナログ及び／又はデジタル回路、ＦＰＧＡ、ＡＳＩＣ、比較器、演算増幅器（ｏｐ－ａｍｐ）、論理回路など）によって実装されてもよい。プロセッサ回路は、異なるネットワーク位置に分配されていてもよく、及び／又は１つ以上のデバイス（例えば、単一機械のマルチコアプロセッサ、サーバラックに分配された複数のプロセッサなど）にローカルに分配されていてもよい。

本明細書で説明される機械可読命令は、圧縮フォーマット、暗号化フォーマット、フラグメント化フォーマット、コンパイルされたフォーマット、実行可能フォーマット、パッケージされたフォーマットなどのうちの１つ以上で記憶されてもよい。本明細書で説明される機械可読命令は、データ、又は機械実行可能な命令を作成、製造、及び／又は生成するために利用され得るデータ構造（例えば、命令の部分、コード、コードの表現など）として記憶されてもよい。例えば、機械可読命令は、フラグメント化され、ネットワーク又はネットワークの集合（例えば、クラウド、エッジデバイスなど）の同じ又は異なる位置に配置された１つ以上の記憶デバイス及び／又は計算デバイス（例えば、サーバ）に記憶されてもよい。機械可読命令は、コンピューティングデバイス及び／又は他の機械によって直接可読、解釈可能、及び／又は実行可能にするために、インストール、修正、適応、更新、組み合わせ、補足、設定、復号、解凍、アンパッキング、分配、再割り当て、コンパイルなどの１つ以上を必要としてもよい。例えば、機械可読命令は、個別に圧縮され、暗号化され、別々の計算デバイスに記憶される複数の部分に記憶されてもよく、この部分は、復号化され、解凍され、組み合わされたときに、一緒に本明細書に説明されたようなプログラムを形成することができる１つ以上の機能を実装する実行可能命令のセットを形成する。

別の例では、機械可読命令は、それらがプロセッサ回路によって読み出され得る状態で記憶されてもよいが、特定の計算デバイス又は他のデバイス上で命令を実行するために、ライブラリ（例えば、ダイナミックリンクライブラリ（ＤＬＬ））、ソフトウェア開発キット（ＳＤＫ）、アプリケーションプログラミングインターフェース（ＡＰＩ）などの追加を必要としてもよい。別の例では、機械可読命令（例えば、記憶された設定、データ入力、記録されたネットワークアドレスなど）が、機械可読命令及び／又は対応するプログラムが、全体的に又は部分的に実行され得る前に、設定される必要があってもよい。したがって、本明細書で使用される機械可読媒体は、機械可読命令及び／又はプログラムを、機械可読命令及び／又はプログラムの特定のフォーマット又は状態にかかわらず、静止時又は輸送中に記憶されるか、又はそうでないときに含むことができる。

本明細書で説明される機械可読命令は、過去、現在、又は将来の命令言語、スクリプト言語、プログラミング言語などによって表すことができる。例えば、機械可読命令は、Ｃ、Ｃ＋＋、Ｊａｖａ、Ｃ＃、Ｐｅｒｌ、Ｐｙｔｈｏｎ、ＪａｖａＳｃｒｉｐｔ、ＨＴＭＬ（ＨｙｐｅｒＴｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）、ＳＱＬ（Ｓｔｒｕｃｔｕｒｅｄ Ｑｕｅｒｙ Ｌａｎｇｕａｇｅ）、Ｓｗｉｆｔなどの言語のいずれかを使用して表わされてもよい。

上述したように、図４及び図５の例示的なプロセスは、ハードディスクドライブ、フラッシュメモリ、リードオンリーメモリ、コンパクトディスク、デジタル多用途ディスク、キャッシュ、ランダムアクセスメモリ、及び／又は任意の他の記憶デバイスもしくは記憶ディスクのような非一時的なコンピュータ及び／又は機械可読媒体に記憶された実行可能な命令（例えば、コンピュータ及び／又は機械可読命令）を使用して実装されてもよく、これらの記憶デバイス又は記憶ディスクには、情報が任意の持続時間（例えば、長期間、永久、短時間、短い瞬間、一時的にバッファ、及び／又は情報のキャッシュ）記憶される。本明細書で使用される場合、用語の非一時的コンピュータ可読媒体は、任意のタイプのコンピュータ可読記憶デバイス及び／又は記憶ディスクを含み、伝搬信号を排除し、伝送媒体を排除するように明確に定義される。

本明細書では、「含む（ｉｎｃｌｕｄｉｎｇ）」及び「備える（ｃｏｍｐｒｉｓｉｎｇ）」（及びそのすべての形式及び時制）は、オープンエンドの用語であるように使用される。したがって、請求項が「含む（ｉｎｃｌｕｄｅ）」又は「備える（ｃｏｍｐｒｉｓｅ）」（例えば、ｃｏｍｐｒｉｓｅｓ、ｉｎｃｌｕｄｅｓ、ｃｏｍｐｒｉｓｉｎｇ、ｉｎｃｌｕｄｉｎｇ、ｈａｖｉｎｇなど）の任意の形式をプリアンブルとして、又は任意の種類のクレーム記載内で用いる場合、対応するクレーム又は記載の範囲外に該当することなく、追加の要素、用語などが存在してもよいと理解されるべきである。本明細書において使用される場合、例えば、請求項のプリアンブルにおける移行句として「少なくとも」という語句が使用されるときに、それは、「含む」及び「備える」という語句がオープンエンドであるのと同様に、オープンエンドである。「及び／又は」という用語は、例えば、Ａ、Ｂ、及び／又はＣなどの形式で使用されるときに、Ａ、Ｂ、Ｃの任意の組み合せ又はサブセットを指し、例えば、（１）Ａ単独、（２）Ｂ単独、（３）Ｃ単独、（４）ＡとＢ、（５）ＡとＣ、（６）ＢとＣ、及び（７）ＡとＢとＣである。構造、構成要素、項目、対象及び／又は物品を記載するコンテキストにおいて使用される場合、「Ａ及びＢのうちの少なくとも１つ」という語句は、（１）少なくとも１つのＡ、（２）少なくとも１つのＢ、及び（３）少なくとも１つのＡと少なくとも１つのＢのうちのいずれかを含む実装を指すことが意図される。同様に、本明細書において、構造、構成要素、アイテム、オブジェクト、及び／又は物品を説明する文脈で使用される場合、「Ａ又はＢの少なくとも１つ」という語句は、（１）少なくとも１つのＡ、（２）少なくとも１つのＢ、及び（３）少なくとも１つのＡ及び少なくとも１つのＢのいずれかを含む実装を指すことを意図している。本明細書において、プロセス、命令、アクション、活動、及び／又はステップの性能又は実行を説明する文脈で使用されるように、「Ａ及びＢの少なくとも１つ」という語句は、（１）少なくとも１つのＡ、（２）少なくとも１つのＢ、及び（３）少なくとも１つのＡと少なくとも１つのＢのいずれかを含む実装を指すことを意図している。同様に、本明細書において、プロセス、命令、アクション、活動、及び／又はステップの実行又は実行を記述する文脈で使用されるように、「Ａ又はＢのうちの少なくとも１つ」という語句は、（１）少なくとも１つのＡ、（２）少なくとも１つのＢ、及び（３）少なくとも１つのＡと少なくとも１つのＢのいずれかを含む実装を指すことを意図している。

本明細書において使用される場合、単数形の参照（例えば、「ａ」、「ａｎ」、「第１」、「第２」など）は、複数を除外しない。本明細書において使用される場合、「ａ」又は「ａｎ」エンティティは、そのエンティティのうちの１つ以上を指す。「ａ」（又は「ａｎ」）、「１つ以上」、及び「少なくとも１つ」という用語は、本明細書において互換的に使用することができる。さらに、個々に列挙されているが、複数の手段、要素、又は方法アクションは、例えば、単一のユニット又はプロセッサによって実装されてもよい。さらに、個々の特徴は、異なる例又は請求項に含まれてもよいが、これらは、組み合わされ得るものであり、異なる例又は請求項に含まれることは、特徴の組み合わせが実行不可能及び／又は有利であることを示唆しない。

図４は、（例えば、状態コンテキストに基づいて）図１Ａの例示的なデバイス１００の将来のＯＳ状態を予測する１つ以上のモデルを訓練する、図１Ａの例示的なセンサハブ１０２の例示的な訓練動作４００を示す。ブロック４０２において、図１Ａの例示的なデバイス状態コントローラ１２６は、センサデータを収集する。例えば、デバイス状態コントローラ１２６は、図１Ａの例示的なセンサ１０４から測定値及び情報を取得する。

例示的なデバイス状態コントローラ１２６は、（例えば、第１、第２、第３、及び第４の）時間ｔで状態コンテキストを決定する（ブロック４０４）。例えば、デバイス状態コントローラ１２６は、センサ１０４から取得された測定値に基づいて、時間ｔでのユーザ活動データ１４４、時間ｔでの蓋モードデータ１４６、時間ｔでの位置データ１４８、及び時間ｔでのデバイス動きデータ１５０を決定する。例示的なデバイス状態コントローラ１２６は、状態コンテキストをヒストリコンテキストとしてバッファ１２８に記憶する（ブロック４０６）。例えば、バッファ１２８に記憶された任意のデータは、後の期間（Ｔｐ）で利用及び／又は取り出され、かくして、データをヒストリカルにする。

例示的なタイマ１３０は、Ｔｐ秒遅延させる（ブロック４０８）。例えば、タイマ１３０は、最大予測可能時間Ｔｐにカウントし、最大予測可能時間は、図１Ａのアソシエータ１３２が状態コンテキストを取得するのを遅延させる。次いで、例示的なアソシエータ１３２は、状態コンテキストを取得する（ブロック４１０）。例えば、アソシエータ１３２が、タイマ１３０が遅延を完了したことに応答して、バッファ１２８に状態コンテキストを問い合わせるか、又はバッファ１２８が、タイマ１３０が遅延を完了したことに応答して、状態コンテキストを解放する。

例示的なアソシエータ１３２は、時間ｔ＋Ｔｐでのオペレーティングシステム状態を取得する（ブロック４１２）。例えば、アソシエータ１３２は、オペレーティングシステムの状態（例えば、アクティブ、非アクティブなど）をホスト１０６及び／又はスタンバイ管理システム１４２に問い合わせる。時間ｔ＋ＴｐでのＯＳ状態を取得すると、例示的なアソシエータ１３２は、時間ｔで収集されたヒストリコンテキストにＯＳ状態を関連付ける（ブロック４１４）。例えば、アソシエータ１３２は、時間ｔの状態コンテキストが時間ｔ＋ＴｐでのＯＳ状態に対応することを示す条件（ｃｏｎｄｉｔｉｏｎ）を記憶する。そのような例では、アソシエータ１３２は、条件を表す１つ以上のヒストグラム（例えば、１６０、１６２、１６４）を生成し、ヒストグラム（例えば、１６０、１６２、１６４）を例示的な訓練コントローラ１３４に出力する。

例示的な訓練コントローラ１３４は、関連付けデータに基づいて将来のＯＳ状態を予測するモデルを訓練する（ブロック４１４）。例えば、訓練コントローラ１３４は、状態コンテキスト及び将来のＯＳ状態に対応するヒストグラム（例えば、関連付けデータ）から特徴を抽出して、特徴ベクトルを生成し、次いで、特徴ベクトルにおいて識別されるパターンを表すモデルを訓練及び／又は構築する。いくつかの例では、訓練コントローラ１３４及び／又はより具体的には、モデル訓練器２０４は、状態コンテキストを考慮した将来のＯＳ状態の事後確率を決定するために状態コンテキストを利用する。例えば、訓練コントローラ１３４は、将来のＯＳ状態の事後確率を決定するために、上記の式１～３を利用する。いくつかの例では、確率はユーザ行動のパターンに対応する。例えば、パターンは、１つ以上の期間（例えば、２４時間、５日、７日など）にわたるユーザ行動パターンに対応する。例えば、パターンは、ユーザが一日のうちの何時にＯＳをアクティブにする、ユーザがデバイス１００を使用しているときと使用していないときでユーザが何をしているのか、デバイス１００がアクティブにされるときと非アクティブにされるときでどこに位置しているかなどを表す。

訓練コントローラ１３４の例は、モデルの訓練を継続するかどうかを決定する（ブロック４１８）。例えば、訓練コントローラ１３４は、十分なエラーが達成されたか（例えば、しきい値エラーメトリックが満たされる）どうか、新しい関連付けデータを取得する必要があるかどうかなどを決定する。いくつかの例では、訓練コントローラ１３４は、将来のＯＳ状態の事後確率を生成し、その確率がＯＳの既知の状態と一致するかどうかを決定する。例えば、訓練コントローラ１３４は、事後確率が既知の状態からの許容可能なエラーの内にある場合に、一致を決定する。例示的な訓練コントローラ１３４が、訓練が継続されるべきであると決定する場合（例えば、ブロック４１８が値ＹＥＳを返す）、制御は、ブロック４０２に戻る。

例示的な訓練コントローラ１３４が、訓練が継続されるべきではないと決定する場合（例えば、ブロック４１８が値ＮＯを返す）、例示的な訓練コントローラは、予測モデルを生成する（ブロック４２０）。例えば、図２のモデル生成器２０８は、モデル更新器２０６から、新しいモデル及び／又は更新されたモデルが訓練されたことの通知を受信することができ、モデル生成器２０８は予測モデルを含むファイルを作成してもよい。

例示的な訓練コントローラ１３４は、予測モデルを発行する（ブロック４２２）。例えば、モデル生成器２０８は、予測モデルがファイルとして保存及び／又は記憶され得るように、予測モデルが発行されるファイルを作成する。いくつかの例では、モデル生成器２０８は、１つ以上のモデルが変換及び発行される準備が整ったことの通知を予測コントローラ１３６に提供する。

例示的な訓練動作４００は、モデルが発行されたときに終了するが、予測モデルが新しい関連付けデータから新たに識別されたパターンで更新されるときに繰り返されてもよい。

図５を参照すると、例示的な推論演算５００は、ＯＳ状態をリアルタイムで予測し、予測に基づいて適切なウェイク期間を生成するように示されている。ブロック５０２において、例示的なデバイス状態コントローラ１２６は、第１のセットのセンサデータを収集する。例えば、デバイス状態コントローラ１２６は、状態コンテキスト（例えば、ユーザ活動データ１４４、蓋モードデータ１４６、位置データ１４８、及びデバイス動きデータ１５０）に対応するセンサ１０４から測定値を収集する。

例示的なデバイス状態コントローラ１２６は、第１のセットのセンサデータに基づいてデバイス１００の（例えば、第１、第２、第３、及び第４の）状態コンテキストを決定する（ブロック５０４）。例えば、デバイス状態コントローラ１２６は、複数のセンサ測定値に基づいて、ユーザ活動データ１４４の状態、蓋モードデータ１４６の状態、デバイス位置データ１４８の状態、及びデバイス動きデータ１５０の状態を識別する。例示的なデバイス状態コントローラ１２６は、状態コンテキストを例示的な予測コントローラ１３６に出力する。

例示的な予測コントローラ１３６は、状態コンテキストに基づいてオペレーティングシステム状態の確率を決定する（ブロック５０６）。例えば、予測コントローラ１３６は、予測モデルを利用して、状態コンテキストに基づいて将来のＯＳ状態を識別する。このような例では、図３の特徴抽出器３０２は、状態コンテキストから特徴を抽出して、条件を示す特徴ベクトルを生成し、図３の推論生成器３０４は、特徴ベクトルに基づいて特定の時間にＯＳ状態がアクティブ及び／又は非アクティブである尤度を生成する。

例示的な予測コントローラ１３６は、予測モデルを発行する（ブロック５１０）。例えば、予測コントローラ１３６は、尤度及び確率を図１Ａのスケジュールコントローラ１３８に提供する。例示的なスケジュールコントローラ１３８は、例示的なデバイスイベントコントローラ１２４を開始する（ブロック５１２）。例えば、スケジュールコントローラ１３８は、予測を取得することに応答して、例示的なデバイスイベントコントローラ１２４を開始する。例として、デバイスイベントコントローラ１２４は、第２のセットのセンサデータを収集する（ブロック５１４）。例えば、デバイスイベントコントローラ１２４は、デバイス１００の環境のイベント及び／又は移行に対応するセンサ１０４から測定値を収集する。

例示的なデバイスイベントコントローラ１２４は、第２のセットのセンサデータに基づいて、（例えば、第１及び第２の）イベントコンテキストを決定する（ブロック５１６）。例えば、デバイスイベントコントローラ１２４は、第２のセットのセンサデータに基づいて、ユーザ存在１５２のステータス及び配置移行１５４のステータスを決定する。第２のセットのセンサデータは、例示的なセンサ１０４のうちの任意のものであり得る。例示的なデバイスイベントコントローラ１２４は、イベントコンテキストを出力する（ブロック５１８）。例えば、デバイスイベントコントローラ１２４は、ユーザ存在１５２及び配置移行１５４の現在のステータスをスケジュールコントローラ１３８に提供する。

例示的なスケジュールコントローラ１３８は、予測及びイベントコンテキストに基づいてウェイク期間を決定する（ブロック５２０）。例えば、スケジュールコントローラ１３８は、予測及びイベントコンテキストに基づいてウェイクイベントをトリガするために、現在の時間からの時間の長さを決定する。このような例では、スケジュールコントローラ１３８は、予測を分析して、ＯＳ状態が所定の時間内にユーザによってアクティブ化されるかどうかを決定し、追加的にイベントコンテキストを分析して、予測の無効化が発生するかどうかを決定する。スケジュールコントローラ１３８は、ウェイク期間Ｔｗをセットし、図１Ａのウェイクタイマ１４０にウェイク期間Ｔｗを開始（例えば、セット）するように通知する。

例示的なウェイクタイマ１４０は、ウェイク期間に基づいてウェイクイベントをトリガする（ブロック５２２）。例えば、ウェイクタイマ１４０は、ウェイク期間Ｔｗによって示される時間に、図１Ａの待機管理システム１４２にウェイクイベントを送信する。ウェイクイベントにより、例示的なスタンバイ管理システム１４２は、ユーザによる使用のためにデバイス１００に準備を整えさせるために十分な電力をホスト１０６に供給する。

例示的なセンサハブ１０２及び／又はより具体的には、例示的な予測コントローラ１３６は、動作を継続するかどうかを決定する（ブロック５２４）。例えば、予測コントローラ１３６は、新しいセンサ読み取り値が提供されるかどうか、デバイス状態コントローラ１２６が新しい状態コンテキストを生成したかどうかなどを決定する。例示的な予測コントローラ１３６が、動作が継続されるべきであると決定する場合（例えば、ブロック５２４が値ＹＥＳを返す）、制御は、ブロック５０２に戻る。例示的な予測コントローラ１３６が、動作が継続されるべきであると決定する場合（例えば、ブロック５２４が値ＮＯを返す）、制御は、ブロック５００に戻る。例示的な推論動作５００は、新しい予測モデルが取得されたとき、新しいセンサ読み取り値が取得されたとき、新しい状態コンテキストが生成されたときなどに繰り返されてもよい。

図６は、図１～図３のセンサハブ１０２を実装するために、図４及び図５の命令を実行するように構造化された例示的なプロセッサプラットフォーム６００のブロック図である。プロセッサプラットフォーム６００は、例えば、サーバ、パーソナルコンピュータ、ワークステーション、自己学習マシン（例えば、ニューラルネットワーク）、モバイルデバイス（例えば、携帯電話、スマートフォン、ｉＰａｄ（登録商標）のようなタブレット）、インターネットアプライアンス、ゲームコンソール、又は任意の他のタイプのコンピューティングデバイスとすることができる。

示された例のプロセッサプラットフォーム６００は、プロセッサ６１２を含む。示された例のプロセッサ６１２は、ハードウェアである。例えば、プロセッサ６１２は、１つ以上の集積回路、論理回路、マイクロプロセッサ、ＧＰＵ、ＤＳＰ、又は任意の所望のファミリー又は製造業者のコントローラによって実装することができる。ハードウェアプロセッサは、半導体ベース（例えば、シリコンベース）デバイスであってもよい。この例では、プロセッサは、例示的なセンサハブ１０２、例示的なホスト１０６、例示的なデバイスイベントコントローラ１２４、例示的なデバイス状態コントローラ１２６、例示的なバッファ１２８、例示的なタイマ１３０、例示的なアソシエータ１３２、例示的な訓練コントローラ１３４、例示的な予測コントローラ１３６、例示的なスケジュールコントローラ１３８、例示的なウェイクタイマ１４０、及び例示的なスタンバイ管理システム１４２を実装する。

示された例のプロセッサ６１２は、ローカルメモリ６１３（例えば、キャッシュ）を含む。示された例のプロセッサ６１２は、バス６１８を介して、揮発性メモリ６１４及び不揮発性メモリ６１６を含むメインメモリと通信している。揮発性メモリ６１４は、ＳＤＲＡＭ（Ｓｙｎｃｈｒｏｎｏｕｓ Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＤＲＡＭ（登録商標）（ＲＡＭＢＵＳ（登録商標）Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、及び／又は任意の他のタイプのランダムアクセスメモリデバイスによって実装されてもよい。不揮発性メモリ６１６は、フラッシュメモリ及び／又は任意の他の所望のタイプのメモリデバイスによって実装されてもよい。メインメモリ６１４、６１６へのアクセスは、メモリコントローラによって制御される。

示された例のプロセッサプラットフォーム６００は、インターフェース回路６２０も含む。インターフェース回路６２０は、Ｅｔｈｅｒｎｅｔ（登録商標）インターフェース、ユニバーサルシリアルバス（ＵＳＢ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）インターフェース、近接場通信（ＮＦＣ）インターフェース、及び／又はＰＣＩエクスプレスインターフェースなど、任意のタイプのインターフェース規格によって実装されてもよい。

示された例では、１つ以上の入力デバイス６２２が、インターフェース回路６２０に接続される。入力デバイス６２２は、ユーザがデータ及び／又はコマンドをプロセッサ６１２に入力することを可能にする。入力デバイスは、例えば、オーディオセンサ、マイクロホン、カメラ（スチル又はビデオ）、キーボード、ボタン、マウス、タッチスクリーン、トラックパッド、トラックボール、アイソポイント、音声認識システム、例示的な加速度計１０８、例示的なジャイロスコープ１１０、例示的な近接センサ１１２、例示的な周囲光１１４、例示的なＷｉ－Ｆｉ（登録商標）１１６、例示的な視覚センサ１１８、例示的なレーダセンサ１２０、及び／又は例示的な超音波センサ１２２によって実装することができる。

また、１つ以上の出力デバイス６２４はまた、示される例のインターフェース回路６２０に接続される。出力デバイス６２４は、例えば、ディスプレイデバイス（例えば、発光ダイオード（ＬＥＤ）、有機発光ダイオード（ＯＬＥＤ）、液晶ディスプレイ（ＬＣＤ）、陰極線管ディスプレイ（ＣＲＴ）、インプレイススイッチング（ＩＰＳ）ディスプレイ、タッチスクリーンなど）によって実装され得る。したがって、示された例のインターフェース回路６２０は、典型的には、グラフィックドライバカード、グラフィックドライバチップ、及び／又はグラフィックドライバプロセッサを含む。

示された例のインターフェース回路６２０は、ネットワーク６２６を介して外部マシン（例えば、任意の種類の計算デバイス）とデータの交換を容易にするために、送信機、受信機、トランシーバ、モデム、住宅ゲートウェイ、無線アクセスポイント、及び／又はネットワークインターフェースなどの通信デバイスも含む。通信は、例えば、イーサネット接続、デジタル加入者回線（ＤＳＬ）接続、電話回線接続、同軸ケーブルシステム、衛星システム、ラインオブサイト無線システム、セルラー電話システムなどを介することができる。

示された例のプロセッサプラットフォーム６００は、ソフトウェア及び／又はデータを記憶するための１つ以上の大容量記憶デバイス６２８も含む。そのような大容量記憶デバイス６２８の例は、フロッピーディスクドライブ、ハードドライブディスク、コンパクトディスクドライブ、ブルーレイディスクドライブ、ＲＡＩＤ（ｒｅｄｕｎｄａｎｔ ａｒｒａｙ ｏｆ ｉｎｄｅｐｅｎｄｅｎｔ ｄｉｓｋｓ）、及びデジタル多用途ディスク（ＤＶＤ）ドライブを含む。

図４及び／又は図５の機械実行可能命令６３２は、大容量記憶デバイス６２８内、揮発性メモリ６１４内、不揮発性メモリ６１６内、及び／又はＣＤ又はＤＶＤなどのリムーバブル非一時的なコンピュータ可読記憶媒体に記憶されてもよい。

前述から、状態及びイベントのコンテキストに基づいて、ユーザのためにデバイスをウェイクし、準備を整えるための異なる時間を決定する例示的な方法、装置、システム、及び製造物品が開示されていると理解されるであろう。本明細書に開示されている開示された方法、装置、システム、及び製造物品は、電力消費を節約する努力の中でコンピューティングデバイスにアクティブ化させる不必要なウェイクイベントを低減することによって、コンピューティングデバイスを使用する効率を改善する。したがって、開示された方法、装置、及び製造物品は、コンピュータの機能における１つ以上の改善を目的とする。

コンピューティングシステムにおけるウェイクパターンを動的にスケジュールするための例示的な方法、装置、システム、及び製造物品が本明細書に開示される。さらなる例及びそれらの組み合わせは、以下を含む。

例１は、第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定するデバイス状態コントローラと、デバイスのコンテキストにオペレーティングシステムの状態を関連付けるアソシエータであって、状態は、第１の時間の後の第２の時間に取得される、アソシエータと、関連付けに基づいて予測モデルを生成する訓練コントローラであって、予測モデルは、コンテキストに基づいてオペレーティングシステムの状態がアクティブになる第３の時間を予測する、訓練コントローラと、第３の時間より前にウェイクイベントをトリガすることによって、デバイスの電力消費を低減するスケジュールコントローラであって、ウェイクイベントは、デバイスに非アクティブ状態を脱出する準備をさせる、スケジュールコントローラと、を含む、装置を含む。

例２は、例１の装置を含み、デバイス状態コントローラは、センサ測定値に基づくデバイスの蓋モードに対応するセンサ測定値、センサ測定値に基づくデバイスの位置、及びセンサ測定値に基づくデバイスの動きに基づいて、デバイスのユーザの活動を決定する。

例３は、例１の装置を含み、コンテキストを予め決定された期間にわたって記憶するバッファをさらに含み、予め決定された期間は、最大予測可能時間に対応する。

例４は、例３の装置を含み、最大予測可能時間は、センサ測定値の第１の時間とオペレーティングシステムの状態の第２の時間との間の期間に対応する。

例５は、例１の装置を含み、アソシエータは、ある期間にわたる第１の時間ビンにおけるコンテキストの頻度に対応する第１のヒストグラム、期間にわたる第２の時間ビンにおけるオペレーティングシステムの状態の頻度に対応する第２のヒストグラム、及び期間全体にわたる第１の時間ビンにおけるコンテキストの頻度と第２の時間ビンにおけるオペレーティングシステムの状態の頻度との間の関連性に対応する第３のヒストグラムを生成する。

例６は、例５の装置を含み、訓練コントローラは、第１のヒストグラム、第２のヒストグラム、及び第３のヒストグラムから、期間全体にわたるオペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出する。

例７は、例１の装置を含み、アソシエータは、コンテキストを取得することに応答して、オペレーティングシステムの状態をスタンバイ管理システムに問い合わせ、問い合わせは、コンテキストの第１の時間の後の予め決定された期間に発生する。

例８は、命令を含む少なくとも１つの非一時的なコンピュータ可読記憶媒体であって、命令は、実行されるときに、１つ以上のプロセッサに、少なくとも、第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定することと、デバイスのコンテキストにオペレーティングシステムの状態を関連付けることであって、状態は、第１の時間の後の第２の時間に取得される、ことと、関連付けに基づいて予測モデルを生成することであって、予測モデルは、コンテキストに基づいてオペレーティングシステムの状態がアクティブになる第３の時間を予測する、ことと、第３の時間より前にウェイクイベントをトリガすることによって、デバイスの電力消費を低減することであって、ウェイクイベントは、デバイスに非アクティブ状態を脱出する準備をさせる、ことと、を行わせる、非一時的なコンピュータ可読記憶媒体を含む。

例９は、例８に記載の非一時的なコンピュータ可読記憶媒体を含み、命令は、実行されるときに、１つ以上のプロセッサに、センサ測定値に基づくデバイスの蓋モードに対応するセンサ測定値、センサ測定値に基づくデバイスの位置、及びセンサ測定値に基づくデバイスの動きに基づいて、デバイスのユーザの活動を決定することを行わせる。

例１０は、例８に記載の非一時的なコンピュータ可読記憶媒体を含み、命令は、実行されるときに、１つ以上のプロセッサに、コンテキストを予め決定された期間にわたって記憶することであって、予め決定された期間は、最大予測可能時間に対応する、ことを行わせる。

例１１は、例８に記載の非一時的なコンピュータ可読記憶媒体を含み、命令は、実行されるときに、１つ以上のプロセッサに、ある期間にわたる第１の時間ビンにおけるコンテキストの頻度に対応する第１のヒストグラム、期間にわたる第２の時間ビンにおけるオペレーティングシステムの状態の頻度に対応する第２のヒストグラム、及び期間全体にわたる第１の時間ビンにおけるコンテキストの頻度と第２の時間ビンにおけるオペレーティングシステムの状態の頻度との間の関連性に対応する第３のヒストグラムを生成することを行わせる。

例１２は、例１１に記載の非一時的なコンピュータ可読記憶媒体を含み、命令は、実行されるときに、１つ以上のプロセッサに、第１のヒストグラム、第２のヒストグラム、及び第３のヒストグラムから、期間全体にわたるオペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出することを行わせる。

例１３は、例８に記載の非一時的なコンピュータ可読記憶媒体を含み、命令は、実行されるときに、１つ以上のプロセッサに、コンテキストを取得することに応答して、オペレーティングシステムの状態をスタンバイ管理システムに問い合わせることであって、問い合わせは、コンテキストの第１の時間の後の予め決定された期間に発生する、ことを行わせる。

例１４は、第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定することと、デバイスのコンテキストにオペレーティングシステムの状態を関連付けることであって、状態は、第１の時間の後の第２の時間に取得される、ことと、関連付けに基づいて予測モデルを生成することであって、予測モデルは、コンテキストに基づいてオペレーティングシステムの状態がアクティブになる第３の時間を予測する、ことと、第３の時間より前にウェイクイベントをトリガすることによって、デバイスの電力消費を低減することであって、ウェイクイベントは、デバイスに非アクティブ状態を脱出する準備をさせる、ことと、を含む、方法を含む。

例１５は、例１４に記載の方法を含み、センサ測定値に基づく前記デバイスの蓋モードに対応するセンサ測定値、センサ測定値に基づくデバイスの位置、及びセンサ測定値に基づくデバイスの動きに基づいて、デバイスのユーザの活動を決定することを更に含む。

例１６は、例１４に記載の方法を含み、コンテキストを予め決定された期間にわたって記憶することであって、予め決定された期間は、最大予測可能時間に対応する、ことを更に含む。

例１７は、例１６に記載の方法を含み、最大予測可能時間は、センサ測定値の第１の時間とオペレーティングシステムの状態の第２の時間との間の期間に対応する。

例１８は、例１４に記載の方法を含み、ある期間にわたる第１の時間ビンにおけるコンテキストの頻度に対応する第１のヒストグラム、期間にわたる第２の時間ビンにおけるオペレーティングシステムの状態の頻度に対応する第２のヒストグラム、及び期間全体にわたる第１の時間ビンにおけるコンテキストの頻度と第２の時間ビンにおけるオペレーティングシステムの状態の頻度との間の関連性に対応する第３のヒストグラムを生成することを更に含む。

例１９は、例１８に記載の方法を含み、第１のヒストグラム、第２のヒストグラム、及び第３のヒストグラムから、期間全体にわたるオペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出することを更に含む。

例２０は、例１４に記載の方法を含み、コンテキストを取得することに応答して、オペレーティングシステムの状態をスタンバイ管理システムに問い合わせることであって、問い合わせは、コンテキストの第１の時間の後の予め決定された期間に発生する、ことを更に含む。

例２１は、第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定するための手段と、コンテキストにオペレーティングシステムの状態を関連付けるための手段であって、状態は、第１の時間の後の第２の時間に取得される、手段と、関連付けに基づいて予測モデルを生成するための手段であって、予測モデルは、コンテキストに基づいてオペレーティングシステムの状態がアクティブになる第３の時間を予測する、手段と、第３の時間より前にウェイクイベントをトリガすることによって、デバイスの電力消費を低減するようにスケジュールするための手段であって、ウェイクイベントは、デバイスに非アクティブ状態を脱出する準備をさせる、手段と、を含む、装置を含む。

例２２は、例２１に記載の装置を含み、決定するための手段は、センサ測定値に基づくデバイスの蓋モードに対応するセンサ測定値、センサ測定値に基づくデバイスの位置、及びセンサ測定値に基づくデバイスの動きに基づいて、デバイスのユーザの活動を決定する。

例２３は、例２１に記載の装置を含み、コンテキストを予め決定された期間にわたって記憶するための手段をさらに含み、予め決定された期間は、最大予測可能時間に対応する。

例２４は、例２３に記載の装置を含み、記憶するための手段は、センサ測定値の第１の時間とオペレーティングシステムの状態の第２の時間との間の期間を決定して、最大予測可能時間を決定する。

例２５は、例２１に記載の装置を含み、関連付けるための手段は、ある期間にわたる第１の時間ビンにおけるコンテキストの頻度に対応する第１のヒストグラム、期間にわたる第２の時間ビンにおけるオペレーティングシステムの状態の頻度に対応する第２のヒストグラム、及び期間全体にわたる第１の時間ビンにおけるコンテキストの頻度と第２の時間ビンにおけるオペレーティングシステムの状態の頻度との間の関連付けに対応する第３のヒストグラムを生成する。

例２６は、例２５に記載の装置を含み、生成するための手段は、第１のヒストグラム、第２のヒストグラム、及び第３のヒストグラムから、期間全体にわたるオペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出する。

実施例２７は、予測コントローラであって、訓練されたモデルを利用して、状態コンテキストに基づいてオペレーティングシステムのアクティブ状態の確率を決定することと、前記確率に基づいて将来のユーザの意図を予測することと、を行う予測コントローラと、前記予測並びに第１のイベントコンテキスト及び第２のイベントコンテキストに基づいて、前記オペレーティングシステムをアクティブにするウェイク期間を決定するスケジュールコントローラと、を含む、装置を含む。

例２８は、例２７に記載の装置であって、デバイス状態コントローラであって、前記オペレーティングシステムを実装するデバイスの外部環境に対応するセンサ測定値を収集することと、前記センサ測定値に基づいてユーザ活動データを決定することと、前記センサ測定値に基づいて蓋モードを決定することと、前記センサ測定値に基づいて前記デバイスの位置を決定することと、前記センサ測定値に基づいてデバイス動きデータを決定することと、を行うデバイス状態コントローラを更に含む。

例２９は、例２７に記載の装置を含み、スケジュールコントローラは、オペレーティングシステムを実装するデバイスのイベント移行に対応する第１のイベントコンテキスト及び第２のイベントコンテキストを取得することと、第１のイベントコンテキスト又は第２のイベントコンテキストのうちの少なくとも１つがオペレーティングシステムのインスタントアクティベーションを示すと決定することと、即時のウェイク期間を生成するために将来のユーザ意図の予測を無効にすることと、を行う。

例３０は、例２７に記載の装置を含み、ウェイク期間を取得し、かつウェイク期間にウェイクイベントを開始して、オペレーティングシステムにアクティブ動作を準備させるウェイクタイマを更に含む。

例３１は、例３０に記載の装置を含み、ウェイクタイマは、ウェイク期間が終了したときに待機動作を完了する。

例３２は、例２７に記載の装置を含み、予測コントローラは、オペレーティングシステムの状態の条件に対応するコンテキストの特徴を抽出することと、状態コンテキストの特徴を表す特徴ベクトルを生成することと、訓練されたモデルに特徴ベクトルを入力して、オペレーティングシステムの状態が将来の時間に開始される第１の尤度、オペレーティングシステムの状態が将来の時間に停止される第２の尤度、及びオペレーティングシステムの状態が将来の時間で変化しない第３の尤度を生成することと、を行う。

所定の例示的な方法、装置、及び製造物品が本明細書に開示されているが、本特許の範囲はこれらに限定されない。反対に、この特許は、この特許の特許請求の範囲内にあるすべての方法、装置、及び製造物品をカバーする。

以下の特許請求の範囲は、この参照により、この発明を実施する形態に組み込まれ、各請求項はそれ自体が、本開示の別個の実施形態として位置する。

Claims (25)

1. 第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定するデバイス状態コントローラと、
   前記デバイスの前記コンテキストにオペレーティングシステムの状態を関連付けるアソシエータであって、前記状態は、前記第１の時間の後の第２の時間に取得される、アソシエータと、
   前記関連付けに基づいて予測モデルを生成する訓練コントローラであって、前記予測モデルは、前記コンテキストに基づいて前記オペレーティングシステムの前記状態がアクティブになる第３の時間を予測する、訓練コントローラと、
   前記第３の時間より前にウェイクイベントをトリガすることによって、前記デバイスの電力消費を低減するスケジュールコントローラであって、前記ウェイクイベントは、前記デバイスに非アクティブ状態を脱出する準備をさせる、スケジュールコントローラと、を含む、装置。
2. 前記デバイス状態コントローラは、前記センサ測定値に基づく前記デバイスの蓋モードに対応するセンサ測定値、前記センサ測定値に基づく前記デバイスの位置、及び前記センサ測定値に基づく前記デバイスの動きに基づいて、前記デバイスのユーザの活動を決定する、請求項１に記載の装置。
3. 前記コンテキストを予め決定された期間にわたって記憶するバッファをさらに含み、前記予め決定された期間は、最大予測可能時間に対応する、請求項１に記載の装置。
4. 前記最大予測可能時間は、前記センサ測定値の前記第１の時間と前記オペレーティングシステムの前記状態の前記第２の時間との間の期間に対応する、請求項１～３のいずれか一項に記載の装置。
5. 前記アソシエータは、ある期間にわたる第１の時間ビンにおける前記コンテキストの頻度に対応する第１のヒストグラム、前記期間にわたる第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度に対応する第２のヒストグラム、及び前記期間全体にわたる前記第１の時間ビンにおける前記コンテキストの頻度と前記第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度との間の関連付けに対応する第３のヒストグラムを生成する、請求項１に記載の装置。
6. 前記訓練コントローラは、前記第１のヒストグラム、前記第２のヒストグラム、及び前記第３のヒストグラムから、前記期間全体にわたる前記オペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出する、請求項１～５のいずれか一項に記載の装置。
7. 前記アソシエータは、前記コンテキストを取得することに応答して、前記オペレーティングシステムの前記状態をスタンバイ管理システムに問い合わせ、前記問い合わせは、前記コンテキストの前記第１の時間の後の予め決定された期間に発生する、請求項１に記載の装置。
8. 命令を含む少なくとも１つのコンピュータ可読記憶媒体であって、前記命令は、実行されるときに、１つ以上のプロセッサに、少なくとも、
   第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定することと、
   前記デバイスの前記コンテキストにオペレーティングシステムの状態を関連付けることであって、前記状態は、前記第１の時間の後の第２の時間に取得される、ことと、
   前記関連付けに基づいて予測モデルを生成することであって、前記予測モデルは、前記コンテキストに基づいて前記オペレーティングシステムの前記状態がアクティブになる第３の時間を予測する、ことと、
   前記第３の時間より前にウェイクイベントをトリガすることによって、前記デバイスの電力消費を低減することであって、前記ウェイクイベントは、前記デバイスに非アクティブ状態を脱出する準備をさせる、ことと、を行わせる、コンピュータ可読記憶媒体。
9. 前記命令は、実行されるときに、前記１つ以上のプロセッサに、前記センサ測定値に基づく前記デバイスの蓋モードに対応するセンサ測定値、前記センサ測定値に基づく前記デバイスの位置、及び前記センサ測定値に基づく前記デバイスの動きに基づいて、前記デバイスのユーザの活動を決定することを行わせる、請求項８に記載のコンピュータ可読記憶媒体。
10. 前記命令は、実行されるときに、前記１つ以上のプロセッサに、前記コンテキストを予め決定された期間にわたって記憶することであって、前記予め決定された期間は、最大予測可能時間に対応する、ことを行わせる、請求項８に記載のコンピュータ可読記憶媒体。
11. 前記命令は、実行されるときに、前記１つ以上のプロセッサに、ある期間にわたる第１の時間ビンにおける前記コンテキストの頻度に対応する第１のヒストグラム、前記期間にわたる第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度に対応する第２のヒストグラム、及び前記期間全体にわたる前記第１の時間ビンにおける前記コンテキストの頻度と前記第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度との間の関連付けに対応する第３のヒストグラムを生成することを行わせる、請求項８に記載のコンピュータ可読記憶媒体。
12. 前記命令は、実行されるときに、前記１つ以上のプロセッサに、前記第１のヒストグラム、前記第２のヒストグラム、及び前記第３のヒストグラムから、前記期間全体にわたる前記オペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出することを行わせる、請求項８～１１のいずれか一項に記載のコンピュータ可読記憶媒体。
13. 前記命令は、実行されるときに、前記１つ以上のプロセッサに、前記コンテキストを取得することに応答して、前記オペレーティングシステムの前記状態をスタンバイ管理システムに問い合わせることであって、前記問い合わせは、前記コンテキストの前記第１の時間の後の予め決定された期間に発生する、ことを行わせる、請求項８に記載のコンピュータ可読記憶媒体。
14. 第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定することと、
    前記デバイスの前記コンテキストにオペレーティングシステムの状態を関連付けることであって、前記状態は、前記第１の時間の後の第２の時間に取得される、ことと、
    前記関連付けに基づいて予測モデルを生成することであって、前記予測モデルは、前記コンテキストに基づいて前記オペレーティングシステムの前記状態がアクティブになる第３の時間を予測する、ことと、
    前記第３の時間より前にウェイクイベントをトリガすることによって、前記デバイスの電力消費を低減することであって、前記ウェイクイベントは、前記デバイスに非アクティブ状態を脱出する準備をさせる、ことと、を含む、方法。
15. 前記センサ測定値に基づく前記デバイスの蓋モードに対応するセンサ測定値、前記センサ測定値に基づく前記デバイスの位置、及び前記センサ測定値に基づく前記デバイスの動きに基づいて、前記デバイスのユーザの活動を決定することを更に含む、請求項１４に記載の方法。
16. 前記コンテキストを予め決定された期間にわたって記憶することであって、前記予め決定された期間は、最大予測可能時間に対応する、ことを更に含む、請求項１４に記載の方法。
17. 前記最大予測可能時間は、前記センサ測定値の前記第１の時間と前記オペレーティングシステムの前記状態の前記第２の時間との間の期間に対応する、請求項１４～１６のいずれか一項に記載の方法。
18. ある期間にわたる第１の時間ビンにおける前記コンテキストの頻度に対応する第１のヒストグラム、前記期間にわたる第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度に対応する第２のヒストグラム、及び前記期間全体にわたる前記第１の時間ビンにおける前記コンテキストの頻度と前記第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度との間の関連付けに対応する第３のヒストグラムを生成することを更に含む、請求項１４に記載の方法。
19. 前記第１のヒストグラム、前記第２のヒストグラム、及び前記第３のヒストグラムから、前記期間全体にわたる前記オペレーティングシステムの非アクティブ状態及びアクティブ状態に関する予測を導出することを更に含む、請求項１４～１８のいずれか一項に記載の方法。
20. 前記コンテキストを取得することに応答して、前記オペレーティングシステムの前記状態をスタンバイ管理システムに問い合わせることであって、前記問い合わせは、前記コンテキストの前記第１の時間の後の予め決定された期間に発生する、ことを更に含む、請求項１４に記載の方法。
21. 第１の時間に収集されたセンサ測定値に基づいてデバイスのコンテキストを決定するための手段と、
    前記コンテキストにオペレーティングシステムの状態を関連付けるための手段であって、前記状態は、前記第１の時間の後の第２の時間に取得される、手段と、
    前記関連付けに基づいて予測モデルを生成するための手段であって、前記予測モデルは、前記コンテキストに基づいて前記オペレーティングシステムの前記状態がアクティブになる第３の時間を予測する、手段と、
    前記第３の時間より前にウェイクイベントをトリガすることによって、前記デバイスの電力消費を低減するようにスケジュールするための手段であって、前記ウェイクイベントは、前記デバイスに非アクティブ状態を脱出する準備をさせる、手段と、を含む、装置。
22. 前記決定するための手段は、前記センサ測定値に基づく前記デバイスの蓋モードに対応するセンサ測定値、前記センサ測定値に基づく前記デバイスの位置、及び前記センサ測定値に基づく前記デバイスの動きに基づいて、前記デバイスのユーザの活動を決定する、請求項２１に記載の装置。
23. 前記コンテキストを予め決定された期間にわたって記憶するための手段であって、前記予め決定された期間は、最大予測可能時間に対応する、手段を更に含む、請求項２１に記載の装置。
24. 前記記憶するための手段は、前記センサ測定値の前記第１の時間と前記オペレーティングシステムの前記状態の前記第２の時間との間の期間を決定して、最大予測可能時間を決定する、請求項２１～２３のいずれか一項に記載の装置。
25. 前記関連付けるための手段は、ある期間にわたる第１の時間ビンにおける前記コンテキストの頻度に対応する第１のヒストグラム、前記期間にわたる第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度に対応する第２のヒストグラム、及び前記期間全体にわたる前記第１の時間ビンにおける前記コンテキストの頻度と前記第２の時間ビンにおける前記オペレーティングシステムの前記状態の頻度との間の関連性に対応する第３のヒストグラムを生成する、請求項２１に記載の装置。

Images