JP7042303B2 - 拡大現実のための粒度の細かい２値化 - Google Patents

Description

本開示は、拡大現実に関し、特に、拡大現実に対する機械学習による強化に関する。

拡大現実は、コンピュータ技術により生成される、現実と仮想との複合環境およびヒューマンマシンインタラクションを含み得る。物理的空間、仮想空間、または複合空間における人間のインタラクションが、ユーザの体験を拡張するように設計された、機械により生成される情報を介して強化され得る。

一部の実装によれば、方法は、履歴センサデータから導出されたイベントを受信するステップであって、イベントは、それぞれユーザトークンに関連する、受信するステップと、イベントに基づき反復イベント記録を生成するステップであって、反復イベント記録のそれぞれは、ユーザトークンのうちの少なくとも１つに関連し、反復イベント記録は、発生頻度メトリクスを含み、発生頻度メトリクスのそれぞれは、反復されるアクションの発生の数を示す、反復イベント記録を生成するステップと、クラスタリングフレームワークに基づき、反復イベント記録を反復イベントクラスタへとクラスタリングするステップであって、反復イベントクラスタは、反復イベント記録の個々のグループを含む、クラスタリングするステップと、反復イベントクラスタのフィルタ範囲を決定するステップであって、フィルタ範囲は、反復イベントクラスタのそれぞれに対して別々の数値範囲を含む、決定するステップと、入力された発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれると判断してフィルタ範囲のうちの少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成するステップと、反復イベント記録の発生頻度メトリクスに基づき複数の２値シーケンスを生成するために、２値化フィルタを実行するステップと、２値シーケンスに基づき予測モデルを訓練するステップであって、予測モデルは、２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成される、訓練するステップと、２値化フィルタおよび予測モデルをリアルタイムプラットフォームに展開するステップとを含んでもよい。

一部の実装によれば、システムは、プロセッサを含んでもよく、プロセッサは、履歴センサデータから導出されたイベントを受信することであって、イベントは、それぞれユーザトークンに関連し、履歴センサデータは、コンピュータ拡張環境により生成される、受信することと、イベントに基づき反復イベント記録を生成することであって、反復イベント記録のそれぞれは、ユーザトークンのうちの少なくとも１つに関連し、反復イベント記録は、発生頻度メトリクスを含み、発生頻度メトリクスのそれぞれは、コンピュータ拡張環境内のセンサにより捕捉された反復される物理的なアクションの発生の数を示す、反復イベント記録を生成することと、クラスタリングフレームワークに基づき、反復イベント記録を反復イベントクラスタへとクラスタリングすることであって、反復イベントクラスタは、反復イベント記録の個々のグループを含む、クラスタリングすることと、反復イベントクラスタのフィルタ範囲を決定することであって、フィルタ範囲は、反復イベントクラスタのそれぞれに対して別々の数値範囲を含む、決定することと、入力された発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれると判断してフィルタ範囲のうちの少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成することと、反復イベント記録の発生頻度メトリクスに基づき複数の２値シーケンスを生成するために、２値化フィルタを実行することと、２値シーケンスに基づき予測モデルを訓練することであって、予測モデルは、２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成される、訓練することと、２値化フィルタおよび予測モデルを、コンピュータ拡張環境と通信しているリアルタイムプラットフォームに展開することとをするように構成される。

他の実装によれば、システムは、プロセッサを含んでもよく、プロセッサは、２値化フィルタおよび予測モデルを含む展開パラメータを受信することであって、２値化フィルタは、複数のフィルタ範囲を含み、予測モデルは、２値シーケンスと後のイベントとの間の関連付けに基づき訓練されたものである、展開パラメータを受信することと、コンピュータ拡張環境により生成されたリアルタイムセンサデータを受信することと、リアルタイムセンサデータに基づき反復イベント記録を判断することであって、反復イベント記録は、発生頻度メトリクスを含み、発生頻度メトリクスは、リアルタイムセンサデータから導出されたイベントの反復回数を表す、判断することと、２値化フィルタおよび発生頻度メトリクスに基づき、発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれることを示す２値シーケンスを生成することと、後のイベントのうちの少なくとも１つが２値シーケンスに関連すると、予測モデルおよび２値シーケンスに基づき判断することと、後のイベントのうちの少なくとも１つに関連するアクションメッセージを特定することと、後のイベントのうちの少なくとも１つが発生する前に、コンピュータ拡張環境にアクションメッセージを表示させることとをするように構成される。

実施形態は、以下の図面および記載を参照するとよりよく理解されるであろう。図面中のコンポーネントは必ずしも一定の縮尺となっていない。さらに、図面において、同じ参照符号は、別々の図面にわたって対応する部分を指示する。

リアルタイムフィードバックシステムの例を示す。 学習プラットフォームの例を示す。 リアルタイムプラットフォームの例を示す。 リアルタイムプラットフォームの論理のフロー図の例を示す。 学習プラットフォームの論理のフロー図の例を示す。 リアルタイムプラットフォームの論理の第２の例を示す。 リアルタイムフィードバックシステムの第２の例を示す。 学習プラットフォームの第２の例を示す。 学習プラットフォームの論理の第２の例を示す。 リアルタイムプラットフォームの第２の例を示す。 リアルタイムプラットフォームの論理の第３の例を示す。 グラフィカルユーザインターフェースの第１の例を示す。 グラフィカルユーザインターフェースの第２の例を示す。 システムのコンピューティング環境の例を示す。

コンピュータ拡張環境は、物理的空間および／または仮想空間を強化するための情報をセンサが収集する環境を含み得る。物理的空間、仮想空間、または複合空間における人間のインタラクションが、ユーザの体験を拡張するように設計された、機械により生成される情報を介して強化され得る。例として、コンピュータ拡張環境は、物理的空間から獲得されるセンサデータに基づき現実と仮想との複合環境およびヒューマンマシンインタラクションがコンピュータ技術により生成される、拡大現実（ＸＲ：ｅｘｔｅｎｄｅｄ ｒｅａｌｉｔｙ）を含み得る。拡大現実は、例として、拡張現実（ＡＲ：ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ）、拡張仮想（ＡＶ：ａｕｇｍｅｎｔｅｄ ｖｉｒｔｕａｌｉｔｙ）、仮想現実（ＶＲ：ｖｉｒｔｕａｌ ｒｅａｌｉｔｙ）、複合現実（ＭＲ：ｍｉｘｅｄ ｒｅａｌｉｔｙ）を含み得る。コンピュータ拡張環境は、物理的空間、仮想空間、または両方における変化に基づく情報を生成するために、リアルタイムデータの獲得および処理に依拠することもある。他の例では、コミュータ拡張環境は、ドローン、自動運転車、コンベアベルトなどの他のシステムにアクセスすることも、またはそれを含むこともある。

コンピュータ拡張環境は、環境についての豊富な情報ソースを提供するセンサから情報を導出してもよい。コンピュータ拡張環境は、環境の現在または過去の状態に基づきユーザに情報を提供し得るが、考えられる将来の状態に基づくフィードバックの提供は不十分である。さらに、既存のシステムは、ユーザの誤りにつながる反復挙動を効率的且つ正確に特定できない。コンピュータ拡張センサデータの大量のデータおよび高い処理要求は、コンピュータ拡張環境のユーザに対してインタラクティブなコンテンツを流動的に生成および表示する妨げとなるかもしれない。

本願明細書に記載されるシステムおよび方法は、コンピュータ拡張環境および関係するシステムに対する技術的進歩をもたらす。前置きの例として、学習プラットフォームは、履歴センサデータから導出されたイベントを受信してもよい。イベントは、コンピュータ拡張環境のユーザのユーザトークンに関連してもよい。一部の例において、履歴センサデータは、コンピュータ拡張環境により生成されてもよい。学習プラットフォームは、イベントに基づき反復イベント記録を生成してもよい。反復イベント記録のそれぞれは、ユーザトークンのうちの少なくとも１つに関連してもよい。反復イベント記録は、発生頻度メトリクスを含んでもよい。発生頻度メトリクスのそれぞれは、コンピュータ拡張環境内のセンサにより捕捉された反復されるアクションの発生の数を示してもよい。学習プラットフォームは、クラスタリングフレームワークに基づき、反復イベント記録を反復イベントクラスタへとクラスタリングしてもよい。反復イベントクラスタは、反復イベント記録の個々のグループを含んでもよい。学習プラットフォームは、反復イベントクラスタに対するフィルタ範囲を決定してもよい。フィルタ範囲は、反復イベントクラスタのそれぞれに対する別々の数値範囲を含んでもよい。学習プラットフォームは、フィルタ範囲のうちの少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成してもよい。学習プラットフォームは、反復イベント記録にそれぞれ対応する２値シーケンスを生成するために２値化フィルタを実行してもよい。学習プラットフォームは、２値シーケンスに基づき予測モデルを訓練してもよい。予測モデルは、２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成されてもよい。学習プラットフォームは、２値化フィルタおよび予測モデルを、コンピュータ拡張環境と通信しているリアルタイムプラットフォームに展開してもよい。

本願明細書に記載されるシステムおよび方法の別の例において、リアルタイムプラットフォームは、２値化フィルタおよび予測モデルを含む展開パラメータを受信してもよい。２値化フィルタは、フィルタ範囲を含んでもよく、予測モデルは、２値シーケンスと後のイベントとの間の関連付けに基づき訓練されてもよい。リアルタイムプラットフォームは、コンピュータ拡張環境により生成されるリアルタイムセンサデータを受信してもよい。リアルタイムプラットフォームは、リアルタイムセンサデータに基づき反復イベント記録を判断してもよい。反復イベント記録は、発生頻度メトリクスを含んでもよい。発生頻度メトリクスは、リアルタイムセンサデータから導出されたイベントの反復回数を表し得る。リアルタイムプラットフォームは、２値化フィルタおよび発生頻度メトリクスに基づき、発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれることを示す２値シーケンスを生成してもよい。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つが２値シーケンスに関連すると、予測モデルおよび２値シーケンスに基づき判断してもよい。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つに関連するアクションメッセージを特定してもよい。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つが発生する前に、コンピュータ拡張環境にアクションメッセージを表示させてもよい。

本願明細書に記載されるシステムおよび方法により提供される技術的進歩の例は、システムが、反復イベント頻度を、複数のユーザからデータを収集することから生じる多峰分布に集約し得るということであろう。２値化フィルタは、多モデル分布のうちの少なくとも１つを表す２値シーケンス特徴を生成してもよい。したがって、２値シーケンス特徴は、イベントが発生したかどうか、およびそれが発生した（すなわち範囲内にある）回数を示すことにより、高粒度である。システムは、２値シーケンス特徴に基づき、将来のイベント（例えば有害または危険なユーザ挙動）を訓練および／または推論してもよい。システムは、将来のイベントが発生する前に、コンピュータ拡張環境にフィードバックをユーザに対して表示または提供させてもよい。

本願明細書に記載されるシステムおよび方法によって提供されるもう１つの技術的進歩は、学習プラットフォームが、改良された２値化フィルタおよび予測モデルを展開および更新し得るということであろう。例として、学習プラットフォームは、複数のコンピュータ拡張環境により生成されたセンサデータおよび／またはイベントデータに基づき、２値化モデルおよび予測モデルを強化してもよい。学習プラットフォームは、２値化フィルタを改良して、予測モデルを再訓練してもよい。学習プラットフォームは、コンピュータ拡張環境またはリアルタイムプラットフォームに関連性のあるユーザおよび／またはイベントタイプに基づき、２値化フィルタおよび予測モデルの特定のセットを適応させてもよい。したがって、学習プラットフォームは、特定のリアルタイムプラットフォームに対して選択的に選ばれ得る２値化フィルタおよび予測モデルのライブラリを提供してもよい。本願明細書に記載のシステムおよび方法における、追加の、または代わりの技術的進歩が明らかにされる。

図１は、リアルタイムフィードバックシステム１００の例を示す。システム１００は、拡大現実データから洞察およびアクションを生成してもよい。システム１００は、獲得されたデータに基づき特徴を導出してもよい。特徴は、複数の解析モデルに入力されてもよい。例として、解析モデルは、特徴に基づき訓練されてもよい。システム１００は、訓練されたモデルにアクセスしてライブストリームから予測を生成し、フィードバックをユーザにリアルタイムで伝達してもよい。システム１００は、現在および将来のユーザのパフォーマンスを改善するために過去のユーザから学習してもよい。

システム１００は、リアルタイムプラットフォーム１０２、学習プラットフォーム１０４、および／またはコンピュータ拡張環境１０６を含んでもよい。リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６が発するリアルタイムセンサデータおよび／または生のイベントを受信してもよい。リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６に対するアクションフィードバックを生成してもよい。アクションフィードバックは、予測されるユーザアクションを示してもよい。例として、アクションフィードバックは、表示デバイス、スピーカ、物理的なフィードバックを提供するアクチュエータ、または視覚的、物理的もしくは可聴のフィードバックにより情報を伝える他の何らかのデバイスなど、１つ以上のデバイスを介してユーザに伝達される情報を含んでもよい。一例において、アクションフィードバックは、１つ以上のイベントを予測するのに応答して生成されるメッセージを含んでもよい。別の例において、アクションフィードバックは、ハプティックアクチュエータなど、ユーザに物理的感覚を感じさせるアクチュエータをアクティブ化するための命令を含んでもよい。

リアルタイムプラットフォーム１０２は、１つ以上のタイムスパンにわたってコンピュータ拡張環境１０６からイベントを導出してもよい。イベントは、特徴選択によりフィルタリングされ、訓練された予測モデルに入力として適用されてもよい。イベント削減は、最も予測に重要な特徴を維持するため、および／または計算時間を削減するために、相関調査を利用してもよい。訓練された予測モデルは、選択されたイベントを、将来のイベント（つまりユーザの将来のアクション）を推論するための入力として利用してもよい。これらの予測されるイベント、またはイベントにマッピングされたメッセージは、コンピュータ拡張環境１０６に返されてもよく、そこで推奨、警告、または指針がユーザにリアルタイムで提供されてもよい。

学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２のためのモデル、論理、セッティング、およびその他パラメータを訓練および／または生成してもよい。例として、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２（またはリアルタイムプラットフォームの複数のインスタンス）を展開および／または設定してもよい。学習プラットフォーム１０４は、設定パラメータをリアルタイムプラットフォーム１０２に伝達する。設定パラメータは、センサデータの分析、イベントの予測、アクションフィードバックの生成、イベントの削減、処理時間の改善、および／または本願明細書において意図される他の動作の実行をするためにリアルタイムプラットフォーム１０２がアクセス可能な、モデル、論理、セッティング、およびその他情報を含んでもよい。設定パラメータは、特定のコンピュータ拡張環境、ＸＲシナリオ、および／またはコンピュータ拡張環境１０６のユーザに適応させられてもよい。あるいは、またはさらに、設定パラメータは、処理速度、メモリ使用量、スループット、レイテンシ、およびその他パフォーマンス測定値の点でリアルタイムプラットフォーム１０２のパフォーマンスを向上させるように適応させられてもよい。

一部の例において、設定パラメータは、特徴モデル（単数または複数）、予測モデル（単数または複数）、フィルタ基準（単数または複数）、アクションマッピング（単数または複数）のうちの１つ以上を含んでもよい。概して、特徴モデルは、センサデータ、および／または生のイベント情報に基づきイベントを導出するように訓練されてもよい。予測モデルは、導出されたイベント、生のイベントおよび／またはセンサデータに基づきイベントを予測してもよい。アクションマッピングは、予測されるイベントを、アクションフィードバックに含めるメッセージにマッピングしてもよい。フィルタ基準は、情報がどのようにリアルタイムプラットフォーム１０２内へ、その中を、およびその外へ流れるかを制御するための、リアルタイムプラットフォーム１０２が応じる情報を含んでもよい。あるいは、またはさらに、フィルタ基準は、リアルタイムプラットフォームにより導出または予測されるいくつかのイベントを削減してもよい。例として、リアルタイムプラットフォーム１０２は、評価されるべき情報および無視されるべき情報を、リアルタイムプラットフォーム１０２の様々な段階を通してフィルタ基準に基づき選択してもよい。特徴モデル、予測モデル、アクションマッピング、およびフィルタ基準については、図２～図５を参照して後述される。

学習プラットフォーム１０４は、コンピュータ拡張環境１０６および／またはリアルタイムプラットフォーム１０２により生成されるセンサデータおよび／または生のイベントを受信してもよい。一部の例において、リアルタイムプラットフォーム１０２は、学習プラットフォーム１０４に準拠した所定のフォーマットにセンサデータをフォーマットし直してもよい。例として、所定のフォーマットは、データ構造の定義、または（例としてＡＰＩコールを介して）学習プラットフォーム１０４によって構文解析可能な他の何らかの構造を含んでもよい。動作中、複数のリアルタイムプラットフォームが、情報を学習プラットフォーム１０４に転送してもよい。学習プラットフォーム１０４は、データを集約して、リアルタイムプラットフォーム１０２によりアクセスされるモデル、論理、およびその他パラメータを改良してもよい。したがって、リアルタイムプラットフォーム１０２の改良および改善は、オフラインで、且つ一部の例においてはリアルタイムプラットフォーム１０２の動作と同時に発生してもよい。

コンピュータ拡張環境１０６は、拡大現実を提供してもよい。拡大現実は、例として、拡張現実（ＡＲ）、拡張仮想（ＡＶ）、および／または仮想現実（ＶＲ）を含んでもよい。コンピュータ拡張環境１０６は、１つ以上の表示デバイス１０８、オーディオデバイス１１０、センサ１１２、および／またはアクチュエータ１１４を含んでもよい。表示デバイス１０８は、例として、視覚情報をその着用者に表示するヘッドセットを含んでもよい。あるいは、またはさらに、表示デバイスは、視覚コンテンツを受信および表示するように構成されたハードウェアまたはインターフェースを含んでもよい。オーディオデバイスは、オーディオ情報に基づく可聴音を放つように構成された再生ハードウェアを含んでもよい。アクチュエータデバイスは、ハプティックフィードバックなどの物理的フィードバックをユーザに提供してもよい。センサは、物理的特性を検出および／または測定するデバイスを含んでもよい。センサは、例として、ハプティックセンサ、バイオメトリックセンサ、マイクロフォン、カメラ、モーションセンサ、ジャイロスコープ、またはその他物理的空間もしくはユーザの特性を検出する任意のデバイスを含んでもよい。ハプティックセンサは、例として、ユーザにより表面に加えられる力の量を測定する触覚センサを含んでもよい。バイオメトリックセンサは、例として、ユーザに固有であるユーザの物理的特質または状態を検出するセンサを含んでもよい。

一部の例において、コンピュータ拡張環境１０６は、センサ情報（またはその他情報）に基づき生のイベントを判断し、コンピュータ拡張環境のデバイスとインタラクションするためのアプリケーションプログラミングインターフェースを提供し、且つ／またはセンサデータもしくは生のイベントを伝達するデバイスを含んでもよい。コンピュータ拡張環境１０６は、ＡＰＡＣＨＥ Ｋａｆｋａまたはその他何らかの適切なメッセージングサービスなどの通信プロトコルを用いて確立された１つ以上のセッションに基づき情報をストリーミングするデバイスを含んでもよい。リアルタイムプラットフォームおよび／または学習プラットフォーム１０４は、コンピュータ拡張環境１０６、またはコンピュータ拡張環境１０６に含まれるデバイスから情報を受信してもよい。

本願明細書に記載されるように、センサデータは、センサにより受信される情報および／またはセンサにより提供される信号から導出される情報を指し得る。例として、センサデータは、物理的特性または物理的変化の測定値を含んでもよい。一部の例において、センサデータは、動きデータを含んでもよい。あるいは、またはさらに、センサデータは、人間の身体部分または物理的空間内のオブジェクトなど、物理的オブジェクトの位置を含んでもよい。あるいは、またはさらに、センサデータは、オーディオおよびビデオ情報を含んでもよい。一部の例において、センサデータは、例えば心拍数、瞳孔散大など、ユーザの生体反応を含んでもよい。

本願明細書に記載されるとき、イベントとは、センサデータまたは他のイベントから導出された特徴を指す。イベントは、センサデータまたはイベントの分類またはグループ化を表し得る。あるいは、またはさらに、イベントは、センサデータまたはイベントのシーケンス、パターン、タイミングまたは変化を表し得る。他の例において、イベントは、基準、ルール、または論理に基づく、或るプロセスの中の条件またはステップの充足を含み得る。

本願明細書の説明の全体にわたって、イベントは、生のイベント、導出されたイベント、および／または予測されるイベントと限定され得る。生のイベントは、リアルタイムプラットフォーム１０２および／または学習プラットフォーム１０４の外で、センサデータから導出されたイベントを含んでもよい。例として、コンピュータ拡張環境１０６またはその他何らかのシステムが、生のイベントを生成し得る。導出されたイベントは、センサデータ、生のイベント、導出された他のイベント、および／または他の情報に基づき導出されたイベントを含んでもよい。例として、導出されたイベントは、様々なモデル、統計的分析、機械学習、またはその他分析を使用してリアルタイムプラットフォーム１０２および／または学習プラットフォーム１０４により導出されたイベントを含んでもよい。予測されるイベントは、１つ以上の導出されたイベント、生のイベント、および／またはセンサデータに基づき予想されるイベントを含んでもよい。

図２は、学習プラットフォーム１０４の例を示す。学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２のためのモデル、論理、セッティング、およびその他パラメータを生成してもよい。例として、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２にセンサデータからのイベントの導出、イベントの予測、および／またはコンピュータ拡張環境１０６に対するアクションフィードバックの生成をさせる設定パラメータを、リアルタイムプラットフォーム１０２に提供してもよい。学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２またはそのコンポーネントの生成、展開、および／または設定を促進してもよい。

学習プラットフォーム１０４は、１つ以上のコンピュータ拡張環境１０６からセンサデータおよび／または生のイベントを受信してもよい。あるいは、またはさらに、１つ以上のリアルタイムプラットフォームが、コンピュータ拡張環境１０６からの情報を学習プラットフォーム１０４に転送するように構成されてもよい。例として、コンピュータ拡張環境１０６および／またはリアルタイムプラットフォーム１０２において構成された専用クライアントが、データを消費して、データを学習プラットフォーム１０４にプッシュしてもよい。

学習プラットフォーム１０４は、履歴データベース２０２を含んでもよい。履歴データベース２０２は、電子的に格納およびアクセスされるデータの編成されたセットを含んでもよい。履歴データベース２０２は、センサデータ、生のイベント情報、またはその他コンピュータ拡張環境１０６および／もしくはリアルタイムプラットフォーム１０２が発する情報を格納してもよい。履歴データベース２０２に格納された情報は、リアルタイムプラットフォーム１０２がリアルタイムでセンサデータを処理する間、一括して学習プラットフォーム１０４によりアクセスされてもよい。

学習プラットフォーム１０４は、設定データベース２０４を含んでもよい。設定データベース２０４は、電子的に格納およびアクセスされるデータの編成されたセットを含んでもよい。設定データベース２０４は、リアルタイムプラットフォーム１０２（またはリアルタイムプラットフォームの複数の展開）のために生成または更新されたモデル、論理、および／またはパラメータを含んでもよい。設定データベース２０４は、様々なタイプのコンピュータ拡張環境、リアルタイムプラットフォームのタイプ、ユーザ識別子、アカウント識別子などに関連する情報のリポジトリを含んでもよい。学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２またはそのコンポーネントを生成、展開、および／または設定するとき、設定データベース２０４の情報にアクセスしてもよい。

学習プラットフォーム１０４は、特徴コントローラ２０６を含んでもよい。特徴コントローラ２０６は、履歴データベース２０２の履歴データにアクセスしてもよい。特徴コントローラ２０６は、情報を特徴訓練セットに編成してもよい。特徴訓練セットは、入力される特徴と出力される特徴との間のマッピングを含んでもよい。例として、特徴訓練モデルは、センサデータとイベントデータとを関連付けてもよい。マッピングは、人間または機械により生成されてもよい。時間が経つにつれて、マッピングが更新されて、特徴訓練セットにより生成される特徴モデルの精度および信頼度が改善されてもよい。

特徴モデルは、特徴抽出を実行するために構成された条件、統計モデル、および／または論理を含んでもよい。例として、特徴モデルは、教師あり学習に基づく学習または推論された関数を含んでもよい。特徴モデルの例には、ルールベース方式、幾何学的方法、または単純計数法が含まれ得る。動作中、特徴モデルは、入力されたセンサデータおよび／または生のイベントに基づきイベントを導出するためにアクセスされてもよい。イベントは、ユーザの挙動を簡潔に記述するために生成される。

例として、イベントは、ユーザの焦点を捕捉または定量化してもよい。例として、イベントは、関心対象のオブジェクトを見ていること（または見ていないこと）の発生（またはそのいくつかの一致）を含んでもよい含んでもよい。そのようなイベントを導出するために、関心対象のオブジェクトのリストが、それらの座標とともに入力（生のイベント）として特徴モデルに与えられ、ユーザの視界がセンサデータからフレームごとに抽出される（つまりＶＲ／ＡＲヘッドセット）。これら２つのソースを組み合わせることで、フレームごとに、関心対象のオブジェクトがユーザの視界の中にあるか否かを示すことができる。

イベントの別の例は、適用できない制御を使用しようと試行すること、つまり、なにも把持していない間にトリガボタンを押下すること、または近くにないものをつかもうとすることである。導出されたこのイベントについては、センサデータのみが分析される。

一部の例において、特徴モデルおよび／または特徴訓練セットは、特定のコンピュータ拡張環境、センサデータのタイプおよび／またはイベントのクラス向けに適応させられてもよい。例として、学習プラットフォーム１０４により受信されるセンサデータは、センサデータタイプに関連してもよい。センサデータタイプは、センサのタイプ、センサの位置、またはセンサにより受信される情報のタイプ（例えば手に取り付けられたセンサから獲得される動きデータ）を示してもよい。あるいは、またはさらに、センサデータは、コンピュータ拡張環境１０６のタイプに関連してもよい。コンピュータ拡張環境１０６のタイプは、コンピュータ拡張環境１０６が拡張するシナリオ（例えば化学研究室、製造工程、運転体験など）を示してもよい。一部の例において、特徴訓練セットは、特定のタイプのセンサデータ、ＸＲシナリオ、および／またはイベントのクラスのみからのデータを含むように構成されてもよい。

特徴コントローラ２０６は、特徴モデルを適用して、履歴データベース２０２からの履歴データに基づき導出されるイベント１つ以上を判断してもよい。前述のように、導出されるイベントとは、センサデータ、生のイベント、またはその他情報の分析から導出されるイベントを指す。導出されるイベントは、物理的空間の中での動きデータを示してもよい。例として、導出されるイベントは、オブジェクト間の衝突、手の震え、アイテムを落とすこと、間違ったアイテムに触れる／それを手に取ること、関心対象のアイテムから顔をそらすこと、またはその他、センサデータの任意の分類を含んでもよい。

学習プラットフォーム１０４は、予測モデルコントローラ２０８を含んでもよい。予測モデルコントローラ２０８は、統計的調査解析、機械学習、および／または条件付き論理に基づき予測モデルを生成してもよい。例として、予測モデルコントローラ２０８は、イベント間の因果関係または相関関係を特定してもよい。予測モデルは、イベント間の因果関係または相関関係に基づき予測モデルを生成してもよい。

予測モデルは、任意のモデルまたはデータ集約を含んでもよく、これは、先行の１つまたは複数のイベントが発生したことを所与として、イベント（単数または複数）が将来発生する条件付きの可能性である。予測モデルは、過去のデータおよび／または格納されている専門的情報に基づいて構築される統計的概要を含んでもよい。一部の例において、予測モデルは、或るイベントがユーザの動きまたは軌跡に応じて発生する可能性が高いと予測してもよい。モデルは、履歴データの平均化および／または平均的なユーザの軌跡のモデル化に基づいてもよい。あるいは、またはさらに、モデルは、特定のユーザに関する個々のセンサデータおよび／または動きデータを考慮して個人に合わせてもよい。他の例において、予測モデルは、１つ以上の２値シーケンスと１つ以上のイベントとの間の訓練された関連付けを含んでもよい。２値シーケンスは、繰り返しの多いユーザ挙動を表してもよい。２値シーケンスの生成、および２値シーケンスに基づく予測モデルの訓練に関するさらなる説明は、図８～図１３を参照した記載の中にある。

一部の例において、予測モデルは、イベントが発生する個々の時間に基づき、互いに関連するイベントを特定してもよい。例として、予測モデルコントローラ２０８は、統計的分析および／または機械学習フレームワークに基づき、イベントＡが時間ｔに生じると時間ｔ＋１にイベントＢが生じる可能性が高いと判断してもよい。あるいは、またはさらに、予測モデルコントローラ２０８は、第１のイベントまたは第１のイベントのシーケンスが第２のイベントまたは第２のイベントのシーケンスの後に発生する信頼度を判断してもよい。

予測モデルを生成するために、学習プラットフォーム１０４は、分離時間を判断し、分離の前および分離の後にイベントが発生した信頼度を測定してもよい。調査解析は、複数のイベントおよびそれらの連続発生の信頼度測定値を含んでもよい。あるいは、またはさらに、システム１００は、イベントが連続的に出現する信頼度測定値を生成してもよい。信頼度は、相関または確率などの統計的メトリクスを含んでもよい。学習プラットフォーム１０４は、信頼度、および対応するイベントの識別子を予測的モデルへとコンパイルしてもよい。

一部の例において、予測モデルコントローラ２０８は、相関マトリクスを生成してもよい。相関マトリクスは、第１のイベントの後に第２のイベントが発生する信頼度を示すメトリクスを含んでもよい。表１は、相関マトリクスの例を示す。表１に示されている例では、イベントＣは、イベントＤの後に発生する可能性が非常に高い（９０％）。相関マトリクスは、システム１００がリアルタイムでイベントの発生を予測できるようにする。例として、システム１００は、「前」のイベントを導出するかまたはそれに対するアクセスを得た場合、「後」のイベント、すなわちまさに発生しようとしているイベントの確率を予測してもよい。

相関マトリクスは、予測モデルの例とされ得る。より一般的に、予測モデルは、イベントマッピングを含んでもよい。イベントマッピングは、１つ以上のイベントの間のマッピングを含んでもよい。例として、イベントマッピングは、第１のイベント（イベントＡなど）と第２のイベント（イベントＢなど）との間のマッピングを含んでもよい。イベントマッピングは、第２のイベント（単数または複数）が第１のイベント（単数または複数）の後に発生する見込みを測定する信頼度メトリクス（２０％など）を含んでもよい。

フィルタ基準は、学習プラットフォームおよび／またはリアルタイムプラットフォーム１０２が、特定のコンピュータ拡張環境に関連性のある情報のみを受信、評価、および／または予測できるようにしてもよい。フィルタ基準は、リアルタイムプラットフォーム１０２に、リアルタイムプラットフォーム１０２、特徴モデル、予測的モデルに入力される特定のデータを選択させる情報を含んでもよい。あるいは、またはさらに、フィルタ基準は、リアルタイムプラットフォーム１０２に、特定のイベントの予測または特定のメッセージの出力のみをさせる論理を含んでもよい。一部の例において、フィルタ基準は、許可された（または許可されていない）センサデバイス、センサデータ、通信チャネル、またはセンサデータの他のソースの識別子を結論づけてもよい。あるいは、またはさらに、フィルタ基準は、許可された（または許可されていない）イベント、予測マッピング、および／またはアクションマッピングの識別子を含んでもよい。図３を参照して記載されるように、リアルタイムプラットフォーム１０２は、フィルタ基準に基づき、リアルタイムプラットフォーム内への、その中の、およびその外への情報の場合、フォローを制御してもよい。

一部の例において、イベントフィルタは、信頼度閾値に基づき生成または設定されてもよい。信頼度閾値は、イベント予測のための最低量の信頼度を規定する閾値の値を含んでもよい。例として、信頼度閾値は７０％にセットされてもよい。それに応じて、表１に示されている予測マッピング（イベントＤ，イベントＣ，９０％）が、相関マトリクスから選択されることになるであろう。

信頼度閾値は、特定の実装のために調整されてもよい。より低い閾値（例えば４０％以下）は、予測の精度の低下という代償を払って、より多数の予測をもたらし得る。予測の精度は劣るであろうが、低い信頼度閾値は、予測されるイベントに応じて、差し迫った危険についてユーザに警告したり、または他の何らかのアクションフィードバックをユーザに送信したりする可能性を増大させ得る。あるいは、またはさらに、高い信頼度閾値（例えば８０％以上）は、不正確な予測の数を削減して、予測されるイベントの信頼度を向上させ得る。最適な信頼度閾値は、特定のコンピュータ拡張環境および／またはユーザに依存すると考えられ、信頼度閾値は時間が経つにつれて調節されてもよい。

信頼度閾値は、コンピュータ拡張環境のタイプ、ユーザ、イベントのタイプ、および／またはアクションフィードバックに基づき規定されてもよい。一例において、ＸＲセッションのタイプは、研究室における薬品の調製を支援するためにユーザに情報が表示される、化学研究所のオーバーレイを含んでもよい。薬品を調合することに伴う内在する危険が理由で、潜在的な誤り（揮発性薬品を不適切に調合する、狂った順序でステップを実行するなど）を回避するようユーザに警告するために、信頼度閾値（単数または複数）は、４０％またはその他何らかの適切な値に設定されてもよい。あるいは、またはさらに、予測されるイベントおよび／またはアクションフィードバックに基づき、複数の信頼度閾値が調整されてもよい。例として、予測的イベントの識別子またはアクションフィードバックの識別子が信頼度閾値に関連してもよい。例として、重大でないイベントに関連する一部のアクションフィードバックは、高い予測信頼度に関連してもよく、危険なイベントの安全警告などの他のアクションフィードバックは、より低い信頼度閾値に関連してもよい。

システム１００は、設定コントローラ２１０をさらに含んでもよい。設定コントローラ２１０は、アクションマッピングを生成してもよい。アクションマッピングは、予測されるイベント（または予測される複数のイベント）と、アクションメッセージとの間のマッピングを含んでもよい。例として、アクションマッピングは、予測されるイベントの識別子１つ以上を１つ以上のアクションメッセージ識別子にマッピングする、テーブルまたはその他何らかの適切なデータ構造を含んでもよい。表２は、アクションマッピングの例を示す。

アクションメッセージは、コンピュータ拡張環境１０６（またはコンピュータ拡張環境１０６のコンポーネント）に、ユーザとのインタラクションを行わせてもよい。アクションメッセージは、コンピュータ拡張環境１０６を介してユーザに伝達される情報を含んでもよい。アクションメッセージは、コンピュータ拡張環境１０６にネイティブなデータフォーマットに従ってもよい。アクションメッセージは、コンピュータ拡張環境１０６に、ビデオデバイス上での情報の表示、再生デバイスを介したオーディオの再生、ハプティックアクチュエータなどのアクチュエータの作動、またはユーザに感覚情報を受け取らせる他の任意のアクションの実行をさせてもよい。一部の例において、アクションメッセージは、コンピュータ拡張環境１０６により決定されるフォーマット標準に従ってフォーマット設定された命令、ＡＰＩコール、および／またはメッセージを含んでもよい。したがって、学習プラットフォーム１０４は、同じタイプの予測されるイベントについて様々なアクションマッピングを格納してもよく、マッピングのそれぞれが、特定のコンピュータ拡張環境向けに適応させられたリアルタイムプラットフォームの個々の展開向けに適応させられる。

図３は、リアルタイムプラットフォーム１０２の例を示す。リアルタイムプラットフォーム１０２は、特徴生成器３０２を含んでもよい。特徴生成器３０２は、コンピュータ拡張環境１０６により提供されるセンサデータおよび／またはイベントに基づきイベントを判断してもよい。例として、特徴生成器３０２は、特徴モデル１１０に基づきイベントを導出してもよい。図２を参照して説明されたように、特徴モデルは、センサデータなどの入力データに基づき導出されるイベントを特定する論理を含んでもよい。特徴生成器３０２は、特徴モデルにアクセスして、リアルタイムプラットフォーム１０２に伝達されるセンサデータおよび／または生のイベントに基づきイベントを生成してもよい。

特徴モデルは、学習プラットフォーム１０４によりリアルタイムプラットフォーム１０２上で設定されてもよい。例として、リアルタイムプラットフォーム１０２は、展開中に特徴モデルを受信してもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２は、特徴モデルが改善されるのに伴い学習プラットフォーム１０４から新たな、または更新された特徴モデルを受信してもよい。

リアルタイムプラットフォーム１０２は、イベント予測器３０４をさらに含んでもよい。イベント予測器３０４は、導出されたイベント、生のイベント、および／またはセンサデータに基づき１つ以上のイベントを予測してもよい。イベント予測器３０４は、予測モデルにアクセスしてイベントを予測してもよい。図２を参照して説明されたように、予測モデルは、イベント予測器３０４に１つ以上の入力イベントまたはセンサデータに基づき出力イベントを特定させる、予測的マッピング、論理、ルール、またはその他情報を含んでもよい。出力イベントは、入力イベントおよび／またはセンサデータに応じて発生するイベントの予測であってもよい。出力イベントは、信頼度メトリクスに関連してもよい。

リアルタイムプラットフォーム１０２は、アクション変換器３０６をさらに含んでもよい。アクション変換器３０６は、予測される１つ以上のイベントに応じてアクションフィードバックを生成してもよい。例として、アクション変換器３０６は、アクションマッピングにアクセスしてもよい。図２を参照して説明されたように、アクションマッピングは、１つ以上のイベント予測を１つ以上のアクションメッセージにマッピングしてもよい。したがって、アクション変換器３０６は、予測されるイベントまたは予測される複数イベントの組み合わせに関連するアクションメッセージを特定してもよい。アクション変換器３０６は、アクションメッセージをアクションフィードバックへと組み合わせてもよい。一部の例において、アクションメッセージは、コンピュータ拡張環境１０６にネイティブな他の１つ以上の命令と組み合わされて、コンピュータ拡張環境１０６に、コンピュータ拡張環境１０６のユーザに対して情報を伝達させてもよい。例として、アクションフィードバックは、コンピュータ拡張環境１０６（またはその任意のコンポーネント）に、ビデオデバイス上での情報の表示、再生デバイスを介したオーディオの再生、ハプティックアクチュエータなどのアクチュエータの作動、またはユーザに感覚情報を受け取らせる他の任意のアクションの実行をさせる命令を含んでもよい。

実装に応じて、特定のセンサデータ、導出されたイベント、イベント予測、および／またはアクションフィードバックのみ、リアルタイムプラットフォーム１０２のインスタンスに関連性があるかもしれない。特定のコンピュータ拡張環境に関連性のないイベントを導出または予測することは、パフォーマンスを低下させ、さらに／またはその他コンピューティングリソースを非効率的に配分するかもしれない。したがって、リアルタイムプラットフォーム１０２は、特定のコンピュータ拡張環境向けにリアルタイムの応答性を最適化するべく適応させられてもよい。例として、リアルタイムプラットフォーム１０２は、特徴モデル、予測モデル、フィルタ基準、および／またはアクションマッピングを用いて展開または動的に設定されてもよい。

リアルタイムプラットフォーム１０２は、フィルタコントローラ３０８を含んでもよい。フィルタコントローラ３０８は、リアルタイムプラットフォーム１０２の様々な段階を通して情報のフローを制御してもよい。フィルタコントローラ３０８は、フィルタ基準により提供される情報に応じるものであってもよい。例として、フィルタ基準は、特定のセンサデータのみをリアルタイム特徴生成器３０２に到達させてもよい。例として、フィルタ基準は、センサ情報の１つ以上のタイプ、１つ以上の通信チャネル、および／またはコンピュータ拡張環境１０６の１つ以上のセンサデバイスを特定してもよい。フィルタコントローラ３０８は、フィルタ基準に基づき、特徴生成器３０２に、特定された通信チャネルまたはセンサデバイスからのみデータを受信させてもよい。あるいは、またはさらに、フィルタコントローラ３０８は、特徴生成器３０２に、特定されたタイプのセンサデータを受信させてもよい。

一部の例において、フィルタコントローラ３０８は、特徴生成器３０２に特定のイベントのみを導出させてもよい。例として、フィルタ基準は、特徴モデルを用いて導出するイベントを特定してもよい。特徴生成器３０２は、フィルタ基準により特定されたイベントのみを導出し、他のイベントは導出しなくてもよい。あるいは、またはさらに、特徴コントローラ２０６は、特徴生成器３０２に、高い信頼度レベルで特徴を導出するために使用可能なセンサデータのみを受信させてもよい。

一部の例において、フィルタコントローラ３０８は、イベント予測器３０４に特定のイベントのみを予測させてもよい。例として、フィルタ基準は、予測モデルを用いて予測するイベントを特定してもよい。イベント予測器３０４は、フィルタ基準において特定されたイベントのみを予測してもよい。あるいは、またはさらに、フィルタ基準は予測的マッピングの識別子を含んでもよい。イベント予測器３０４は、識別子に関連する予測マッピングを選択してもよい。イベント予測器３０４は、選択された予測マッピングのみを用いてイベント予測を実行してもよい。

他の例において、フィルタコントローラ３０８は、１つ以上の信頼度閾値に基づき、信頼度の値と予測モデルの出力とを比較してもよい。例として、フィルタ基準は１つ以上の信頼度閾値を含んでもよい。フィルタコントローラ３０８は、イベント予測器３０４に、信頼度閾値未満の信頼度スコアに関連する予測的マッピングを無視させてもよい。

図４は、リアルタイムプラットフォーム１０２の論理のフロー図の例を示す。リアルタイムプラットフォーム１０２は、設定パラメータを受信してもよい（４０２）。設定パラメータは、リアルタイムプラットフォーム１０２の構成セッティングおよび／または論理を含んでもよい。例として、設定パラメータは、特徴モデル、予測モデル、フィルタ基準、アクションマッピング、および／またはリアルタイムプラットフォーム１０２のその他任意のコンポーネントを含んでもよい。フィルタ基準は、許可対象イベント識別子を含んでもよい。許可対象イベント識別子は、リアルタイムプラットフォームにより処理されることを許容可能なイベントに対応する。

リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６からセンサデータを受信してもよい（４０４）。リアルタイムプラットフォーム１０２は、センサデータを学習プラットフォームに送信してもよい（４０５）。

センサデータは、コンピュータ拡張環境１０６に含まれるセンサから発するか、または導出され得る。リアルタイム学習プラットフォーム１０２は、特徴モデル、予測モデル、および／またはフィルタ基準を改善するために、学習プラットフォーム１０４にセンサデータを転送してもよい。リアルタイムプラットフォームは、学習プラットフォーム１０４がモデルを更新する間、センサデータの処理を継続してもよい。リアルタイムプラットフォーム１０２は、更新された設定パラメータを受信してもよい。更新された設定パラメータは、更新されたフィルタ基準、更新された予測モデル、および／または更新された特徴モデルを含んでもよい。リアルタイムプラットフォーム１０２は、以前に設定されたモデルのうちの１つ以上を更新された１つ以上のモデルにより置き換えてもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２は、以前に設定されたフィルタ基準を更新されたフィルタ基準により置き換えてもよい。

リアルタイムプラットフォーム１０２は、センサデータに基づき複数のイベントを生成してもよい（４０６）。リアルタイムプラットフォーム１０２は、センサデータを特徴モデルへの入力として提供してもよい。特徴モデルは、センサデータに基づき１つ以上のイベントを特定してもよい。一部の例において、イベント（単数または複数）は、物理的空間における動きを示してもよい。特徴モデルは、センサデータと所定のイベントとの間のマッピングに基づき以前に訓練されていてもよい。

一部の例において、センサデータは、複数のセンサが発する、または複数のセンサから導出される、測定値を含んでもよい。センサ測定値は、例として、個々の物理的オブジェクトの空間座標を含んでもよい。物理的オブジェクトは、コンピュータ拡張環境１０６のユーザの視界において可視であってもよい。あるいは、またはさらに、物理的オブジェクトは、コンピュータ拡張環境１０６のセンサ（ビデオカメラなど）により検出されてもよい。リアルタイムプラットフォーム１０２は、個々の物理的オブジェクトの空間座標を比較して、物理的オブジェクトが動いていると判断してもよい。例として、リアルタイムプラットフォーム１０２は、第１のオブジェクト（手など）が第２のオブジェクトの近くへと動いていると判断してもよい。

一部の例において、リアルタイムプラットフォームは、特徴モデルおよびセンサデータに基づき、物理的オブジェクトに対応する位置情報のパターンを判断してもよい。パターンは、イベントに関連してもよい。したがって、１つ以上のパターンの特定は、リアルタイムプラットフォームに、パターンに関連するイベントを生成させてもよい。

リアルタイムプラットフォーム１０２は、許可対象イベントに対応するイベントを選択してもよい。例として、フィルタ基準は、許可対象イベント識別子を含んでもよい。許可対象イベント識別子は、予測モデルによる処理について許可されるイベントに対応してもよい。リアルタイムプラットフォームは、許可対象イベント識別子により特定されるイベントが、イベント予測器３０４および／またはアクション変換器３０６に入力として提供されることを可能にしてもよい。あるいは、またはさらに、リアルタイムプラットフォームは、許可対象イベント識別子により特定されないイベントが、イベント予測器３０４および／またはアクション変換器３０６に提供されるのを制限してもよい。

リアルタイムプラットフォーム１０２は、予測モデルと、選択されたイベントのうちの少なくとも１つとに基づき、イベントを予想してもよい（４１０）。例として、リアルタイムプラットフォームは、機械学習フレームワークへの入力として、予測モデルおよび／または選択されたイベント（単数または複数）をアクセス提供してもよい。あるいは、またはさらに、リアルタイムプラットフォームは、予測モデルおよび選択されたイベント（単数または複数）に基づき信頼度メトリクスおよび／またはイベント予測を実行してもよく導出してもよい。

リアルタイムプラットフォーム１０２は、予想されるイベントを示すメッセージを生成してもよい（４１２）。例として、リアルタイムプラットフォーム１０２は、リアルタイムプラットフォーム１０２に提供されたアクションマッピングに基づき、予想されるイベントが或るメッセージにマッピングされていると判断してもよい。アクションマッピングは、イベントと、図２を参照して前述されたアクションメッセージなどのアクションメッセージとの間の１つ以上の関連付けを含んでもよい。リアルタイムプラットフォーム１０２は、予想されるイベントがメッセージにマッピングされているとの判断に応答して、１つ以上のアクションマッピングを選択してもよい。リアルタイムプラットフォーム１０２は、アクションマッピングから１つ以上のメッセージを抽出してもよい。

リアルタイムプラットフォーム１０２は、予想されるイベントが発生する前に表示デバイスにメッセージを表示させてもよい（４１４）。例として、リアルタイムプラットフォーム１０２は、アクションフィードバックを生成してもよい（図２参照）。アクションフィードバックは、表示デバイスを介して表示可能な表示可能コンテンツを含んでもよい。

図５は、学習プラットフォーム１０４の論理のフロー図の例を示す。学習プラットフォーム１０４は、履歴データベース２０２からセンサデータを受信してもよい（５０２）。一部の例において、学習プラットフォームは、１つ以上のリアルタイムプラットフォームからセンサデータを受信してもよい。あるいは、またはさらに、学習プラットフォームは、コンピュータ拡張環境１０６からセンサデータを直接受信してもよい。

学習プラットフォーム１０４は、センサデータから第１のイベントを生成してもよい（５０４）。例として、学習プラットフォーム１０４は、訓練セットにアクセスして、訓練セットに基づき特徴モデルをコンパイルしてもよい。学習プラットフォーム１０４は、センサデータを特徴モデルに適用して第１のイベントを導出してもよい。一部の例において、学習プラットフォーム１０４は、センサデータに基づき特徴モデルを訓練してもよい。例として、学習プラットフォーム１０４は、センサデータと１つ以上のイベント識別子（単数または複数）との間のマッピングを生成してもよい。学習プラットフォーム１０４は、訓練データを特徴モデルにコンパイルするために、人工知能または機械学習フレームワークに訓練データを送ってもよい。

学習プラットフォーム１０４は、特徴モデルをリアルタイムプラットフォーム１０２に送信してもよい。特徴モデル、または関連する確認パラメータは、リアルタイムプラットフォーム１０２に、センサデータおよび特徴モデルに基づき第１のイベントをリアルタイムで検出させてもよい。

学習プラットフォーム１０４は、第１のイベントの後に第２のイベントが発生する信頼度測定値を予測モデルに基づき判断してもよい（５０６）。例として、学習プラットフォーム１０４は、第１のイベント（単数または複数）の分析を、予測モデルを用いて実行してもよい。一部の例において、学習プラットフォーム１０４は、予測モデルおよびイベントデータを機械学習フレームワークに送ってもよい。あるいは、またはさらに、予測モデルは、前述のように、個々の信頼度測定値に関連する予測的マッピングを含んでもよい。学習プラットフォーム１０４は、第１のイベントに関連する１つ以上の予測的マッピングを特定してもよい。予測的マッピングから第２のイベント（単数または複数）を抽出する。

一部の例において、学習プラットフォーム１０４は、予測モデルを生成してもよい。学習プラットフォーム１０４は、予測モデルを設定データベース２０４に格納し、且つ／またはリアルタイムプラットフォーム１０２上で予測モデルを設定してもよい。例として、学習プラットフォーム１０４は、分離時間を判断し、分離の前および分離の後にイベントが発生した信頼度を測定してもよい。調査解析は、複数のイベントおよびそれらの連続発生の見込みまで展開されてもよい。あるいは、またはさらに、システム１００は、複数のユーザに基づいて、任意のタイプのイベントが連続して出現する信頼度測定値をもたらしてもよい。イベントの見込みは、相関などの統計的メトリクスを含んでもよい。

学習プラットフォーム１０４は、信頼度測定値が信頼度閾値よりも大きいかどうかを判断してもよい（５０８）。一部の例において、学習プラットフォーム１０４は、信頼度閾値をユーザインターフェースから受信してもよい。例として学習プラットフォーム１０４は、管理者がリアルタイムプラットフォームのインスタンスを設定できるようにするユーザインターフェースを生成してもよい。ユーザインターフェースは、１つ以上の信頼度閾値を受信してもよい。リアルタイムプラットフォーム１０２により提供される予測の精度、速度、量を増減するために、信頼度閾値が変更されてもよい。学習プラットフォーム１０４は、更新された信頼度閾値を受信するのに応答して、更新されたフィルタ基準を生成し、フィルタ基準をリアルタイムプラットフォーム１０２に送信してもよい。

信頼度測定値が信頼度閾値よりも大きいことに応答して、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２が第１のイベントに基づき第２のイベントを予想することを可能にしてもよい（５１０）。信頼度測定値が信頼度閾値よりも大きくないことに応答して、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２が第１のイベントに基づき第２のイベントを予想することを制限してもよい（５１２）。

例として、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２が予測モデルを用いて第２のイベントを予想して、第２のイベントに基づきコンピュータ拡張環境１０６にメッセージを伝達することを許可または制限する、フィルタ基準を生成してもよい。例として、回転基準は、リアルタイムプラットフォーム１０２が予測モデルを用いて第２のイベントを予想して、第２のイベントに基づきコンピュータ拡張環境１０６にメッセージを伝達することを許可または制限する、ルールまたは命令を含んでもよい。あるいは、またはさらに、フィルタ基準は、予測モデルに関連する、許可または制限されたマッピング識別子を複数、含んでもよい。リアルタイムプラットフォーム１０２は、制限されたマッピングではなく、許可されたマッピングに基づくイベント予測のみ生成してもよい

図６は、リアルタイムプラットフォーム１０２の論理の第２の例を示す。リアルタイムプラットフォーム１０２は、設定パラメータを受信してもよい（６０２）。設定パラメータは、リアルタイムプラットフォーム１０２の構成セッティングおよび／または論理を含んでもよい。例として、設定パラメータは、特徴モデル、予測モデル、フィルタ基準、アクションマッピング、および／またはリアルタイムプラットフォーム１０２のその他任意のコンポーネントを含んでもよい。

リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６からセンサデータを受信してもよい（６０４）。リアルタイムプラットフォーム１０２は、センサデータから導出された第１のイベントを生成してもよい（６０６）。センサデータは、コンピュータ拡張環境１０６に含まれるセンサから発するか、または導出され得る。リアルタイムプラットフォーム１０２は、センサデータを特徴モデルへの入力として提供してもよい。特徴モデルは、センサデータに基づき１つ以上のイベントを特定してもよい。一部の例において、イベント（単数または複数）は、物理的空間における動きを示してもよい。特徴モデルは、センサデータと所定のイベントとの間のマッピングに基づき以前に訓練されていてもよい。

一部の例において、センサデータは、複数のセンサが発する、または複数のセンサから導出される、測定値を含んでもよい。センサ測定値は、例として、個々の物理的オブジェクトの空間座標を含んでもよい。物理的オブジェクトは、コンピュータ拡張環境１０６のユーザの視界において可視であってもよい。あるいは、またはさらに、物理的オブジェクトは、コンピュータ拡張環境１０６のセンサ（ビデオカメラなど）により検出されてもよい。リアルタイムプラットフォーム１０２は、個々の物理的オブジェクトの空間座標を比較して、物理的オブジェクトが動いていると判断してもよい。例として、リアルタイムプラットフォーム１０２は、第１のオブジェクト（手など）が第２のオブジェクトの近くへと動いていると判断してもよい。

リアルタイムプラットフォーム１０２は、第１のイベントの後に第２のイベントが発生する信頼度測定値を判断してもよい（６０８）。例として、リアルタイムプラットフォーム１０２は、導出された１つ以上のイベントを、予測モデルを用いて分析してもよい。一部の例において、予測モデルは、イベントマッピングを含んでもよい。例として、イベントマッピングは、第１のイベント識別子と第２のイベント識別子との間の関連付けを含んでもよい。イベントマッピングは、第２のイベントが第１のイベントの後に発生する信頼度を含んでもよい。リアルタイムプラットフォーム１０２は、導出されたイベント（単数または複数）に関連するマッピングを選択してもよい。

リアルタイムプラットフォーム１０２は、信頼度測定値が信頼度閾値よりも大きいかどうかを判断してもよい。信頼度測定値が信頼度閾値よりも大きくないこと（６１０、いいえ）に応答して、リアルタイムプラットフォーム１０２はイベントを無視してもよい。信頼度測定値が信頼度閾値よりも大きいこと（６１０、はい）に応答して、リアルタイムプラットフォーム１０２はイベントの処理を継続してもよい。

予測されるイベントの信頼度測定値と、信頼度閾値とを比較することにより、リアルタイムプラットフォーム１０２は、どのイベント予測についてアクションを講じ、どのイベント予測を無視するか、選択的に選んでもよい。一部の例において、予測モデルは、予測的マッピング（上記の表１に示された相関マトリクスなど）を含んでもよい。各予測マッピングは、対応する測定値を含んでもよい。したがって、リアルタイムプラットフォーム１０２は、信頼度閾値未満の対応する信頼度測定値に関連する予測マッピングを無視してもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２は、予測閾値よりも高い対応する信頼度を有する予測マッピングについてのみセンサデータおよび／または導出されたイベントを獲得してもよい。したがって、リアルタイムプラットフォーム１０２は、どのセンサデータを獲得するか、およびどのイベントを導出するかを選択的に選んで、関連性のないセンサデータを受信しないこと、関連性のないイベントを導出しないこと、または関連性のないイベントを予測しないことにより、処理能力およびメモリを節約してもよい。

リアルタイムプラットフォーム１０２は、第２のイベントを示すメッセージを生成してもよい（６１２）。例として、リアルタイムプラットフォーム１０２は、リアルタイムプラットフォーム１０２に提供されたアクションマッピングに基づき、第２のイベントが或るメッセージにマッピングされていると判断してもよい。アクションマッピングは、イベントと、図２を参照して前述されたアクションメッセージなどのアクションメッセージとの間の１つ以上の関連付けを含んでもよい。リアルタイムプラットフォーム１０２は、第２のイベントがメッセージにマッピングされているとの判断に応答して、１つ以上のアクションマッピングを選択してもよい。リアルタイムプラットフォーム１０２は、アクションマッピングから１つ以上のメッセージを抽出してもよい。

リアルタイムプラットフォーム１０２は、第２のイベントが発生する前に表示デバイスにメッセージを表示させてもよい（６１４）。例として、リアルタイムプラットフォーム１０２は、アクションフィードバックを生成してもよい（図２参照）。アクションフィードバックは、表示デバイスを介して表示可能な表示可能コンテンツを含んでもよい。

フロー図に示された論理は、示されたのに比べて追加の、異なる、またはより少数の動作を含んでもよい。示された動作は、示されたのとは異なる順序で実行されてもよい。

システム１００は、示されたのに比べて追加の、異なる、またはより少数のコンポーネントを用いて実装されてもよい。例として、システムは、コンピュータ拡張環境を備えた、または備えない学習プラットフォーム１０４および／またはリアルタイムプラットフォーム２０４を含んでもよい。あるいは、またはさらに、コンピュータ拡張環境は、学習プラットフォーム１０４および／またはリアルタイムプラットフォームを含んでもよい。各コンポーネントは、追加の、異なる、またはより少数のコンポーネントを含んでもよい。

図７は、システム１００の第２の例を示す。リアルタイムプラットフォーム１０２は、ネットワーク７０２を経由して学習プラットフォーム１０４と通信してもよい。ネットワークは、データリンク間で情報が交換される任意の物理的システムまたは仮想システムを含んでもよい。例として、ネットワークは、相互接続された複数のノードがネットワークプロトコルに従って情報を中継する、ＩＰベースのネットワークなどのコンピュータネットワークを含んでもよい。ネットワークは、物理的デバイスが相互に近接して位置するローカルネットワークであってもよく、またはインターネットなどのワイドエリアネットワークであってもよい。

一部の例において、リアルタイムプラットフォーム１０２は、学習プラットフォーム１０４から物理的に遠隔にあり、ネットワーク７０２により隔てられていてもよい。例として、リアルタイムプラットフォーム１０２がコンピュータ拡張環境１０６の近くに位置する一方で、学習プラットフォーム１０４はサーバまたはクラウドベースのシステム上で構成されてもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２は、コンピュータ拡張環境またはその一部と同じハードウェアリソースを共有してもよい。他の例において、リアルタイムプラットフォーム１０２は、ローカルネットワーク、または学習プラットフォーム１０４と接続されていない他の何らかのネットワークを経由して、コンピュータ拡張環境と通信してもよい。リアルタイムプラットフォーム１０２をコンピュータ拡張環境１０６の近くに維持することは、レイテンシ、帯域幅、およびパフォーマンスに関するその他考慮事項の点で、より高速なパフォーマンスを促進し得る。他の例において、リアルタイムプラットフォーム１０２は、通信してもよく、自己学習プラットフォーム１０４および／またはコンピュータ拡張環境は、それぞれネットワーク７０２を介して通信してもよい。

図８は、学習プラットフォーム１０４の第２の例を示す。図９は、学習プラットフォーム１０４の論理の第２の例を示す。図８に関する以下の説明を通じて、図面図９を参照する。

学習プラットフォーム１０４は、イベント集約コントローラ８０２を含んでもよい。イベント集約コントローラ８０２は、ユーザトークン情報を受信してもよい（９０２）。ユーザトークン情報は、例として、１つ以上のユーザトークンを含んでもよい。ユーザトークンは、ユーザおよび／またはユーザプロファイルアカウントの固有の識別子などの識別子値を含んでもよい。一部の例において、ユーザトークンは、コンピュータ拡張環境１０６により付与されてもよい。あるいは、学習プラットフォーム１０４、リアルタイムプラットフォーム１０２、または認証サービスが、ユーザに対してユーザトークンを割り振ってもよい。

学習プラットフォーム１０４は、センサデータを受信してもよい（９０４）。センサデータは、ユーザトークン情報に関連付けられてもよい。例として、コンピュータ拡張環境１０６は、ユーザトークンに対応するユーザのインタラクションに基づき、センサデータが生成されると、センサデータとユーザトークンとを関連付けてもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２および／または学習プラットフォーム１０４は、コンピュータ拡張環境１０６とのセッションを確立してもよい。セッションとは、コンピュータ拡張環境１０６との或る期間の通信を指し得る。一部の例において、セッションは、ユーザトークンまたはユーザトークンに関連する認証情報に基づき認証されてもよい。リアルタイムプラットフォーム１０２および／または学習プラットフォーム１０４は、センサデータ、生のイベント、および／または導出されたイベントと、ユーザトークンとを関連付けてもよい。一例において、リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６とインタラクションするユーザのユーザトークンに基づき認証されたセッション中にコンピュータ拡張環境１０６からセンサデータを受信してもよい。リアルタイムプラットフォーム１０２は、ユーザトークンとセンサデータとを関連付けてもよく、次に、ユーザトークンおよびセンサデータを学習プラットフォーム１０４に送信する。

学習プラットフォーム１０４は、１つ以上のイベントを判断してもよい（９０６）。例として、特徴コントローラ２０６は、図２、図４、および図５を参照して説明されたように、コンピュータ拡張環境１０６、リアルタイムプラットフォーム１０２、および／または履歴データベース２０２から受信される生のイベントおよび／またはセンサ情報に基づき導出される１つ以上のイベントを判断してもよい。

学習プラットフォーム１０４は、イベント集約コントローラ８０２を含んでもよい。イベント集約コントローラ８０２は、イベント情報を受信してもよい。イベント情報は、生のイベント、センサデータ、および／または導出されたイベントを含んでもよい。あるいは、またはさらに、イベント集約コントローラ８０２は、イベント情報に関連するユーザトークン情報を受信してもよい。一部の例において、履歴データベース２０２は、イベント情報を格納してもよい。イベント集約コントローラ８０２は、履歴データベースからイベント情報および／またはユーザトークン情報を受信してもよい。

イベント集約コントローラ８０２は、イベントの反復発生を検出してもよい（９０８）。例として、イベント集約コントローラ８０２は、予め定義された時間ウィンドウ内に発生するイベントを求めて履歴データベースを検索してもよい。あるいは、またはさらに、イベント集約コントローラ８０２は、第１の時間における当初のイベントを判断し、続いて、第１のイベントの後、予め定義された期間内に発生するイベントを選択してもよい。

一部の例において、イベントは、イベントタイプに関連してもよい。イベントタイプは、イベントのカテゴリまたは分類を含んでもよい。例として、イベントは、特定の瞬間における、または時間間隔にわたる、或るイベントタイプのインスタンスまたは発生を含む。イベントは、イベントタイプに関連し、特定のユーザ識別子（または複数のユーザ識別子）に割り当てられてもよい。例として、イベントタイプは、＜ｄｒｏｐ＿ｓｃｒｅｗ＞として特定されて、ねじを落とす行為を表してもよい。「ＵＳＥＲ １２３」として特定されるユーザが、リアルタイムプラットフォーム１０２に送信されるセンサデータを生成するアクションを実行してもよい。学習プラットフォーム１０４および／またはリアルタイムプラットフォーム１０４は、センサデータを解釈し、次に、特定のタイプで、ユーザがねじを落とすのを表すイベントを生成してもよい。例として、イベントは、＜Ｅｖｅｎｔ Ｔｙｐｅ＝ｄｒｏｐ＿ｓｃｒｅｗ，Ｕｓｅｒ Ｉｄｅｎｔｉｆｉｅｒ＝ＵＳＥＲ １２３，Ｔｉｍｅ＝１５５８７１１３８２＞として表されてもよい。

イベントの反復発生を検出するのに応答して、イベント集約コントローラ８０２は、反復イベント記録を生成してもよい（９１０）。反復イベント記録は、イベントタイプ、ユーザ識別子、および発生頻度の間の関連付けを含んでもよい。発生頻度は、イベントが発生した回数を含んでもよい。例として、１１１１１１として特定されるユーザがねじを３回落とした場合、反復イベント記録の発生頻度は３となるであろう。

イベント集約コントローラ８０２は、履歴データベース２０２または他の何らかのデータストレージに反復イベント記録を格納してもよい。例として、反復イベント記録は、表３に示されるフォーマットなど、テーブルフォーマットで格納されてもよい。他の例において、反復イベント記録は、少なくともイベントタイプといくつかの発生との間の関連付けを確立する、リレーショナル、非リレーショナル、ドキュメント方式、またはその他データ構造を含んでもよく、またはそれに格納されてもよい。

イベント集約コントローラ８０２は、イベント頻度記録をクラスタリングしてもよい（９１２）。例として、イベント集約コントローラ８０２は、１つ以上の反復イベントクラスタを生成してもよい。反復イベントクラスタは、発生頻度および／またはユーザ頻度の間測定された類似度に基づき選択された反復イベント記録のグループ化であってもよい。イベント集約コントローラ８０２は、センサデータ、イベント、反復イベント記録、またはその他導出されたデータに対してクラスタリングを実行して、反復イベントクラスタ（単数または複数）を生成してもよい。

例として、イベント集約コントローラ８０２は、イベント頻度マッピングを生成してもよい。イベント頻度マッピングは、発生頻度とユーザ頻度との間のマッピングを含んでもよい。ユーザ頻度は、イベントを同じ回数、反復して実行したいくつかのユーザを表してもよい。例として、ユーザ頻度は、一致する発生頻度にユーザトークンが関連するのに応答して反復イベント記録から選択されるユーザトークンの数を表してもよい。発生頻度は、イベントが発生する回数を表してもよい。表４の行は、イベント頻度マッピングの追加または代わりの例を示す。

一部の例において、イベント頻度マッピングは、図１２および図１３に示されていうように、グラフで表示されてもよい。

様々な実装において、イベント頻度マッピングを生成するために、イベント集約コントローラ８０２は、同じイベントタイプおよび／または発生頻度に関連する反復イベント記録を選択してもよい。選択された反復イベント記録のそれぞれは、対応する異なるユーザトークンに関連してもよい。イベント集約コントローラ８０２は、発生頻度が、選択された反復イベント記録の間で共有される発生頻度であり、ユーザ頻度が、選択された反復イベントマッピングの数である、選択された反復イベント記録のイベント頻度マッピングを生成してもよい。

イベント集約コントローラ８０２は、クラスタリングフレームワークに基づきイベント頻度マッピング（または反復イベント記録）のグループを特定してもよい。クラスタリングフレームワークは、解析的演算、統計的演算、および／または機械学習演算を適用してデータを別々のグループへとグループ化する機械学習フレームワークを含んでもよい。例として、クラスタリングフレームワークは、１つ以上の発生頻度およびユーザ頻度の組み合わせがクラスタリング分析およびデータマイニングに基づき特定される、イベント頻度マッピングを選択してもよい。一部の例において、クラスタリングフレームワークは、教師なし機械学習を適用してもよい。あるいは、またはさらに、クラスタリングフレームワークは、Ｋ平均、ＤＢＳＣＡＮ、期待値最大化、階層的クラスタリング、および／またはその他次元データに適用可能なクラスタリングを適用してもよい。

学習プラットフォーム１０４は、２値化コントローラ８０４を含んでもよい。２値化コントローラ８０４。集約されたイベント情報を受信してもよい。集約されたイベント情報は、或るイベントに関する、１つ以上のイベント頻度マッピングおよび／またはイベント頻度クラスタを含んでもよい。一部の例において、集約されたイベント情報は、履歴データベースに格納されて、関連性のあるイベントタイプに関連付けられてもよい。

２値化コントローラ８０４は、フィルタ範囲を決定してもよい（９１４）。フィルタ範囲は、イベント頻度クラスタのうちの少なくとも１つに関する発生の数を含む数値範囲を含んでもよい。例として、フィルタ範囲は、下方境界および／または上方境界を含んでもよい。一部の例において、下方境界は、イベント頻度クラスタにおける最低のイベントカウント以下であってもよく、上方境界は、イベント頻度クラスタにおける最大のイベントカウント以上であってもよい。あるいは、またはさらに、イベントフィルタは、下方境界なしで上方境界を有してもよく、または上方境界なしで下方境界を有してもよい。一部の例において、下方境界および／または上方境界は、無限またはゼロを表す値であってもよい。

フィルタ範囲の１つ以上の境界は、複数のフィルタ範囲の数値範囲が発生頻度の連続的な数値範囲をカバーするように調節されてもよい。例として、第１のフィルタ範囲は、第１のフィルタ範囲の上方境界が第２のフィルタ範囲の下方境界に対応するように調節されてもよい。あるいは、またはさらに、上方境界または下方境界は、イベントカウントの定義域における極値にて０または無限大を割り当てられてもよい。表５は、調節の前後のフィルタ範囲の例を含む。

２値化コントローラ８０４は、２値化フィルタを生成してもよい（９１６）。２値化フィルタは、入力されたイベントカウントが１つ以上のフィルタ範囲内にあるかどうかを判断する論理を含んでもよい。２値化フィルタは、入力されたイベントカウントとフィルタ範囲（単数または複数）とを比較する論理であってもよい。例として２値化フィルタは、入力されたイベントカウントがフィルタ範囲内にあるかどうかを示す２進値を生成してもよい。

一部の例では、２値化フィルタは、２値シーケンスを生成する論理を含んでもよい。２値シーケンスは、複数の２進値を含んでもよい。２進値のそれぞれは、対応するフィルタ範囲に関連し（またはそれを表し）てもよい。２値化フィルタは、入力されたイベントカウントとフィルタ範囲のうちの少なくとも１つとの比較に基づき２値シーケンスの２進値を判断する論理を含んでもよい。例として、２値化フィルタは、表６の調節されたフィルタ範囲に対して表Ｘの論理を含んでもよい。

表６に示されているように、２値シーケンスは１００、０１０、００１として例示されている。概して、２値シーケンスは、１つ以上の２進値が対応するフィルタ範囲を表す任意のデータセットを含んでもよい。一部の例では、２値化シーケンスは、ワンホットエンコーディングされてもよい。例として、２値化フィルタは、１つの２進値が入力されたイベントカウントがフィルタ範囲に含まれることを示し、残りの２進値が入力されたイベントが他のフィルタ範囲に含まれないことを示す、２値シーケンスを生成してもよい。

２値化コントローラ８０４は、複数のユーザに関する２値シーケンスを生成してもよい（９１８）。例として、２値化コントローラ８０４は、ユーザについて検出された反復されたイベントに基づき、２値シーケンスを生成してもよい。２値化コントローラ８０４は、ユーザが反復アクションを実行するのに応答して、１つ以上の反復イベント記録を判断してもよい。２値化コントローラ８０４は、反復イベント記録のイベントカウントを２値化フィルタに適用してもよい。例として、２値化コントローラ８０４は、２値化フィルタの論理を実行してもよい。あるいは、またはさらに、２値化コントローラ８０４は、２値化フィルタにアクセスする論理を実行してもよい。複数のユーザが反復イベントカウントを生成するのに伴い、２値化コントローラ８０４は、１つ以上の２値化フィルタを改良および更新してもよい。

一部の例において、学習プラットフォーム１０４は、設定データベース２０４に１つ以上の２値化フィルタを格納してもよい。設定データベース２０４は、２値化フィルタ、および／または２値化フィルタとイベントタイプなどの他の情報との間の関連付けを含んでもよい。訓練中、２値化コントローラ８０４は、設定データベース２０４からイベントのための２値化フィルタを選択してもよい。例として、２値化コントローラ８０４は、反復イベント記録のイベントタイプが２値化フィルタに関連すると判断してもよい。２値化コントローラ８０４は、設定データベース２０４にアクセスしてもよい。２値化コントローラ８０４は、２値化フィルタのうちの少なくとも１つがイベントタイプに関連することに応答して、２値化フィルタのうちのその少なくとも１つを選択してもよい。

予測モデルコントローラは、２値シーケンスに基づき予測モデルを訓練してもよい（９２０）。２値シーケンスは、機械学習モデルのための２値特徴を提供してもよい。例として、予測的モデルコントローラ２０８は、２値化シーケンスに含まれる２進値に基づき予測モデルを生成してもよい。予測モデルは、２値シーケンスと、後のイベントとの間の訓練された関連付けを含んでもよい。言い換えれば、予測モデルは、反復イベントカウントの範囲と、後のイベントとの間の訓練された関連付けを含んでもよい。例として、予測モデルは、関連付けルールモデルを含んでもよい。関連付けルールは、透明性のあるモデルを提供し、且つ／または説明可能、つまり人間が読むことができ、モデルがその結論に「どのように」到達したかの洞察を得ることができてもよい。他の例において、予測モデルは、ランダムフォレスト、ロジスティック回帰、ニューラルネットワーク、および／またはその他のものを含んでもよい。

設定コントローラは、２値化フィルタおよび／または予測モデルを展開してもよい（９２２）。例として、予測モデルは、展開パラメータを生成してもよい。展開パラメータは、２値化フィルタおよび／または予測モデルを含んでもよい。リアルタイムプラットフォーム１０２の展開または設定中、設定コントローラは、展開をリアルタイムプラットフォーム１０２に伝達してもよい。一部の例において、学習プラットフォーム１０４は、予測モデルおよび２値化フィルタが、リアルタイムプラットフォーム１０２により格納およびアクセスされることを生じさせてもよい。リアルタイムプラットフォーム１０２は、ユーザ固有センサデータに応答してユーザ固有２値シーケンスを生成するために２値化フィルタを適用してもよい。ユーザ固有センサデータとは、コンピュータ拡張環境とインタラクションする特定のユーザのアクションに基づき生成されるリアルタイムセンサデータを指し得る。ユーザ固有２値シーケンスは、特定のユーザの反復されたアクションに基づき生成された２値シーケンスを含んでもよい。

学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２が展開されている間、センサデータおよび／または生のイベントのデータを受信し続けてもよい。センサデータおよび／または生のイベントのデータを受信するのに応答して、学習プラットフォーム１０４は、より正確であるか、またはユーザ入力に基づき修正された、更新された２値化フィルタ（単数または複数）および／または更新された予測モデルを生成してもよい。学習プラットフォーム１０４は、更新された２値化フィルタ（単数または複数）および／または更新された予測モデル（単数または複数）をリアルタイムプラットフォーム１０２に再展開してもよい。

一部の例において、２値化コントローラ８０４および／または予測モデルコントローラ８０６は、プラットフォーム識別子を受信してもよい。プラットフォーム識別子は、リアルタイムプラットフォーム１０２の展開されたインスタンスを表してもよい。設定データベース２０４は、プラットフォーム識別子とイベントタイプとの間の１つ以上のマッピングを含んでもよい。プラットフォーム識別子にマッピングされるイベントタイプは、リアルタイムプラットフォーム１０２の特定のインスタンスに関連性があるか、またはそれによりサポートされるイベントタイプを表してもよい。２値化コントローラは、そのイベントタイプの反復イベントに関連する２値フィルタ（単数または複数）を生成し、１つ以上の予測モデルが、２値フィルタ（単数または複数）により提供される２値シーケンスに基づき訓練されてもよい。結果として生じる２値フィルタ（単数または複数）および予測モデル（単数または複数）は、プラットフォーム識別子に関連付けられてもよい。したがって、学習プラットフォーム１０４は、リアルタイムプラットフォームの複数の展開済みインスタンスによりそれぞれサポートされるイベントタイプの特定のセットに基づき、２値フィルタ（単数または複数）および予測モデル（単数または複数）を生成し、格納してもよい。

図１０は、リアルタイムプラットフォーム１０２の第２の例を示す。図１１は、リアルタイムプラットフォーム１０２の論理の第３の例を示す。以下の図１０の説明全体にわたって、図１１を参照する。

リアルタイムプラットフォーム１０２は、展開パラメータを受信してもよい（１１０２）。展開パラメータは、学習プラットフォーム１０４により生成および／または伝達されてもよい。展開パラメータは、１つ以上の２値化フィルタおよび／または１つ以上の予測モデルを含んでもよい。学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２によりアクセス可能なメモリまたはデータベースなどのストレージに２値化フィルタ（単数または複数）および予測モデル（単数または複数）を格納してもよい。

一部の例において、リアルタイムプラットフォーム１０２は、フィルタリポジトリ１００２を含んでもよい。フィルタリポジトリ１００２は、データベースおよび／またはメモリ位置のセットなどのストレージを含んでもよい。フィルタリポジトリ１００２は、リアルタイムプラットフォーム１０２および／またはリアルタイムプラットフォーム１０２上に展開された予測モデルに適合する２値化フィルタのキャッシュを含んでもよい。言い換えれば、フィルタリポジトリ１００２は、リアルタイムプラットフォーム１０２の予測モデル（単数または複数）を訓練する２値シーケンスを生成した２値化モデル（単数または複数）を格納してもよい。フィルタリポジトリ１００２は、２値化フィルタとイベントタイプとの間の関連付けを格納してもよい。したがって、２値化コントローラ８０４は、イベントのイベントタイプを検出し、次に、フィルタリポジトリ１００２においてそのイベントタイプに関連する２値化フィルタを特定してもよい。

リアルタイムプラットフォーム１０２は、更新された２値化フィルタを受信してもよい。例として、学習プラットフォーム１０４は、リアルタイムプラットフォーム１０２から受信されるイベントまたはセンサデータに基づき２値化フィルタ（単数または複数）を更新または改善してもよい。リアルタイムプラットフォーム１０２は、以前の１つ以上の２値化フィルタを、更新された１つ以上の２値化フィルタにより置き換えてもよい。一部の例において、リアルタイムタイムプラットフォームは、フィルタリポジトリ１００２において置き換えを置き換え実行してもよい。あるいは、またはさらに、リアルタイプラットフォーム１０２は、更新されたフィルタリポジトリを受信して、フィルタリポジトリ１００２を更新されたフィルタリポジトリに置き換えてもよい。

リアルタイムプラットフォーム１０２は、リアルタイムセンサデータを受信してもよい（１１０４）。センサデータは、コンピュータ拡張環境により生成されてもよい。一部の例において、センサデータは、コンピュータ拡張環境１０６とインタラクションするユーザのユーザトークンに関連してもよい。あるいは、またはさらに、リアルタイムプラットフォーム１０２は、ユーザトークンまたはユーザトークンに関連する認証情報に基づき認証される通信セッションを確立してもよい。リアルタイムプラットフォーム１０２は、通信セッション中にセンサデータを受信するのに応答して、センサデータとユーザトークンとを関連付けてもよい。

リアルタイムプラットフォーム１０２は、イベント集約コントローラ８０２を含んでもよい。イベント集約コントローラ８０２は、学習プラットフォーム１０４に含まれる或るバージョンのイベント集約コントローラ８０２を含んでもよい。一部の例において、イベント集約コントローラ８０２は、リアルタイムプラットフォーム１０２上で設定されたイベントタイプ、ユーザトークン、またはその他のパラメータであるセンサデータまたは生のイベントのみ処理するように適応させられてもよい。イベント集約コントローラ８０２は、リアルタイムプラットフォーム１０２の反復イベント記録を判断してもよい。

一部の例において、イベント集約コントローラ８０２は、リアルタイムで反復イベント記録を判断してもよい（１１０６）。例として、イベント集約コントローラ８０２は、イベント（すなわち生のイベントまたは導出されたイベント）を受信してもよい。イベント集約コントローラ８０２は、リアルタイムセンサデータに基づき第１のイベントを判断してもよい。イベント集約コントローラ８０２は、第１のイベントが或るイベントタイプに関連すると判断してもよい。イベント集約コントローラ８０２は、そのイベントタイプの反復イベント記録を生成してもよい。反復イベント記録は、反復イベントカウントを含んでもよい。イベント集約コントローラ８０２は、センサデータに基づき後のイベントを１つ以上判断してもよい。イベント集約コントローラ８０２は、後のイベントがそのイベントタイプに関連すると判断してもよい。イベント集約コントローラ８０２は、後のイベントタイプを受信することおよび後のイベントがそのイベントタイプに関連することに応答して、反復イベント記録の反復イベントカウントを増加させてもよい。

一部の例において、イベント集約コントローラ８０２は、第１のイベントを検出してから所定の時間ウィンドウの後、後のイベントの検出を停止し、且つ／または反復イベント記録を生成してもよい。所定の時間ウィンドウは、イベントタイプに関連してもよい。したがって、様々なイベントタイプが、後のイベントを監視するための、対応する所定の時間ウィンドウを有してもよい。一部の例において、イベント集約コントローラ８０２は、イベントをキャッシュし、その後、所定の時間ウィンドウが経過した後に反復イベントカウントを生成してもよい。

リアルタイムプラットフォーム１０２は、２値化コントローラ８０４を含んでもよい。２値化コントローラ８０４は、２値シーケンスを生成してもよい（１１０８）。例として、２値化コントローラ８０４は、２値化フィルタと、一連の反復イベントについて判断された反復イベントカウントとに基づき、２値シーケンスを生成してもよい。２値シーケンスは、反復イベントカウントが２値化モデルのフィルタ範囲のうちの少なくとも１つに含まれることを示してもよい。例として、２値シーケンスは、フィルタ範囲のうちの少なくとも１つを示す２進値を含んでもよい。

一部の例において、２値化コントローラ８０４は、イベントカウントが２値フィルタの第１のフィルタ範囲に含まれることを示す第１の２進値を生成してもよい。２値化コントローラ８０４は、イベントカウントが第２のフィルタ範囲に含まれることを示す第２の２進値を生成してもよい。２値化コントローラ８０４は、イベントフィルタに含まれるさらなる２値範囲に対応するさらなる２進値を生成してもよい。リアルタイムプラットフォーム１０２は、第１、第２、および／またはさらなる２進値を２値シーケンスに結合してもよい。

イベント予測器３０４は、予想されるイベントを判断してもよい（１１１０）。例として、リアルタイムプラットフォーム１０２は、予測モデルおよび２値シーケンス（単数または複数）に基づき、予想されるイベントを判断してもよい。一部の例において、イベント予測器３０４は、２値シーケンスおよび予測モデルを機械学習フレームワークに送ってもよい。機械学習フレームワークは、予想されるイベント（または予想されるイベントの識別子）を判断してもよい。あるいは、またはさらに、機械学習フレームワークは、２値シーケンスが予想されるイベントに関連することを示す信頼値を判断してもよい。イベント予測器３０４は、信頼度メトリクスが信頼度閾値よりも大きいことに応答して、予想されるイベントを認容してもよい。信頼度閾値は、リアルタイムプラットフォーム１０２に提供される入力および／または展開パラメータに基づき較正されてもよい。

アクション変換器３０６は、アクションメッセージを特定してもよい（１１１２）。例として、アクション変換器３０６は、予想されるイベントに関連するイベントタイプ識別子を特定してもよい。リアルタイムプラットフォーム１０２は、イベントタイプ識別子にマッピングされた複数のアクションメッセージを含むアクションリポジトリにアクセスしてもよい。リアルタイムプラットフォーム１０２は、予想されるイベントのイベントタイプ識別子がアクションリポジトリ内のアクションメッセージにマッピングされていることに応答して、アクションメッセージを選択してもよい。

リアルタイムプラットフォーム１０２は、アクションメッセージを送信してもよい（１１１４）。例として、リアルタイムプラットフォーム１０２は、アクションメッセージをコンピュータ拡張環境に送信してもよい。リアルタイムプラットフォーム１０２は、コンピュータ拡張環境１０６に、アクションメッセージに含まれる情報を表示させてもよい。例として、アクションメッセージは、リアルタイムプラットフォーム１０２に、情報を、視覚的媒体、可聴媒体、ハプティック媒体、およびその他媒体を通してユーザに伝達させる命令を含んでもよい。

図１２は、グラフィカルユーザインターフェースの第１の例を示す。学習プラットフォーム１０４は、イベント頻度マッピンググラフ１２０２を表示するヒストグラムを生成してもよい。イベント頻度マッピンググラフ１２０２は、イベント頻度マッピングのグラフィカル表現を含んでもよい。例として、イベント頻度マッピンググラフ１２０２は、ユーザ頻度とイベント頻度とを関連付けるグラフを含んでもよい。ヒストグラムは、複数のイベント頻度マッピンググラフを含んでもよい。

ユーザインターフェースは、頻度範囲グラフ１２０４を表示してもよい。イベント頻度マッピンググラフ１２０２は、イベント頻度クラスタおよび／またはフィルタ範囲を表してもよい。一部の例において、第１のグラフィカルユーザインターフェースは、頻度範囲グラフ１２０４とのインタラクションを可能にしてもよい。例として、頻度範囲グラフ１２０４は、インタラクティブな制御部を含んでもよい。ユーザは、イベント頻度軸の一部を含めるか、または除くようにグラフのサイズを変更することにより、頻度範囲グラフ１２０４とインタラクションしてもよい。例として、１つ以上の頻度範囲グラフは、イベント頻度軸を連続的にカバーするようにサイズ変更されてもよい（図１３参照）。

ユーザインターフェースは、クラスタ基準制御部を表示してもよい。クラスタ基準制御部は、クラスタリングパラメータ（またはクラスタリングパラメータに対する調節）を受信または生成する制御部を含んでもよい。クラスタリングパラメータは、クラスタリングを実行するためにクラスタリングフレームワークに提供されるパラメータを含んでもよい。例として、クラスタリングパラメータは、いくつかのクラスタ（すなわちＫ平均クラスタリングのＫ）を含んでもよい。あるいは、またはさらに、クラスタリングパラメータは、シルエットメトリクスを含んでもよい。更新されたクラスタリングパラメータを受信するのに応答して、学習プラットフォーム１０４は、イベント頻度記録を再クラスタリングして、再クラスタリングに基づき新たなフィルタ範囲を決定してもよい。

図１３は、グラフィカルユーザインターフェースの第２の例を示す。ユーザインターフェースは、２値化フィルタを生成または保存するための第１の制御部１３０２を含んでもよい。例として、第１の制御部１３０２とのインタラクションに応答して。学習プラットフォーム１０４は、フィルタ範囲グラフに対応する１つ以上のフィルタ範囲に基づき、２値化フィルタを生成してもよい。

一部の例において、ユーザインターフェースは、第２の制御部１３０４を含んでもよい。第２の制御部１３０４は、２値化フィルタがロードされて、２値化フィルタのフィルタ範囲が表示されることを可能にしてもよい。例として、ユーザインターフェースは、第２の制御部１３０４とのインタラクションに応答して２値化フィルタのフィルタ範囲に対応するフィルタ範囲グラフを表示してもよい。

図１４は、システム１００のコンピュータ環境１４００の例を示す。コンピュータ環境１４００は、リアルタイムプラットフォーム１０２、学習プラットフォーム１０４、コンピュータ拡張環境１０６、および／またはその中の任意のサブコンポーネントのためのハードウェアプラットフォームを含んでもよい。コンピュータ環境１４００は、通信インターフェース１４１２、入力インターフェース１４２８、および／またはシステム回路構成１４１４を含んでもよい。システム回路構成１４１４は、プロセッサ１４１６または複数のプロセッサを含んでもよい。あるいは、またはさらに、システム回路構成１４１４はメモリ１４２０を含んでもよい。

プロセッサ１４１６は、メモリ１４２０と通信していてもよい。一部の例において、プロセッサ１４１６は、通信インターフェース１４１２、入力インターフェース１４２８、および／またはユーザインターフェースなどのさらなる構成要素とも通信していてもよい。プロセッサ１４１６の例には、汎用プロセッサ、中央処理ユニット、論理ＣＰＵ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：中央処理ユニット）／アレイ、マイクロコントローラ、サーバ、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、デジタル信号プロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ：ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、および／またはデジタル回路、アナログ回路、もしくはそれらの何らかの組み合わせが含まれ得る。

プロセッサ１４１６は、論理を実行するよう動作可能な１つ以上のデバイスであってもよい。論理は、プロセッサ１４１６により実行されるとプロセッサ１４１６に、リアルタイムプラットフォーム１０２、特徴生成器３０２、イベント予測器３０４、アクション変換器３０６、フィルタコントローラ３０８、学習プラットフォーム１０４、特徴コントローラ２０６、予測的モデルコントローラ２０８、設定コントローラ２１０、コンピュータ拡張環境１０６、イベント集約コントローラ８０２、２値化コントローラ８０４、フィルタリポジトリ１００２、またはシステム１００の任意のコンポーネントもしくはサブコンポーネントの論理により実装される機能を実行させる、メモリ１４２０または他のメモリに格納されたコンピュータ実行可能命令またはコンピュータコードを含んでもよい。コンピュータコードは、プロセッサ１４１６を用いて実行可能な命令を含んでもよい。

メモリ１４２０は、データの格納および読み出し、またはその任意の組み合わせをするための任意のデバイスであってもよい。メモリ１４２０は、ランダムアクセスメモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ：ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、消去可能プログラム可能読み取り専用メモリ（ＥＰＲＯＭ：ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、またはフラッシュメモリなどの不揮発性および／または揮発性メモリを含んでもよい。あるいは、またはさらに、メモリ１４２０は、光学、磁気（ハードドライブ）、ソリッドステートドライブ、またはその他任意の形態のデータストレージデバイスを含んでもよい。メモリ１４２０は、リアルタイムプラットフォーム１０２、特徴生成器３０２、イベント予測器３０４、アクション変換器３０６、フィルタコントローラ３０８、学習プラットフォーム１０４、履歴データベース２０２、設定データベース２０４、特徴コントローラ２０６、予測的モデルコントローラ２０８、設定コントローラ２１０、コンピュータ拡張環境１０６、イベント集約コントローラ８０２、２値化コントローラ８０４、フィルタリポジトリ１００２システム１００、またはシステム１００の任意のコンポーネントもしくはサブコンポーネントのうちの少なくとも１つを含んでもよい。あるいは、またはさらに、メモリは、本願明細書に記載されたシステム１００の他の任意のコンポーネントまたはサブコンポーネントを含んでもよい。

ユーザインターフェース１４１８は、グラフィカル情報を表示する任意のインターフェースを含んでもよい。システム回路構成１４１４および／または通信インターフェース（単数または複数）１４１２は、ユーザインターフェースにグラフィカル情報を表示させる信号またはコマンドをユーザインターフェース１４１８に伝達してもよい。あるいは、またはさらに、ユーザインターフェース１４１８は、システム１００に対し遠隔にあってもよく、システム回路構成１４１４および／または通信インターフェース（単数または複数）は、ＨＴＭＬなどの命令をユーザインターフェースに伝達して、ユーザインターフェースに情報コンテンツを表示、コンパイル、および／またはレンダリングさせてもよい。一部の例において、ユーザインターフェース１４１８により表示されるコンテンツは、インタラクティブであっても、またはユーザ入力に応答してもよい。例として、ユーザインターフェース１４１８は、信号、メッセージ、および／または情報を通信インターフェース１４１２またはシステム回路構成１４１４に伝達し返してもよい。

システム１００は、多数の異なる形で実装され得る。一部の例において、システム１００は、１つ以上の論理コンポーネントを用いて実装されてもよい。例として、システム１００の論理コンポーネントは、ハードウェアであっても、またはハードウェアとソフトウェアとの組み合わせであってもよい。論理コンポーネントは、リアルタイムプラットフォーム１０２、特徴生成器３０２、イベント予測器３０４、アクション変換器３０６、フィルタコントローラ３０８、学習プラットフォーム１０４、履歴データベース２０２、設定データベース２０４、特徴コントローラ２０６、予測的モデルコントローラ２０８、設定コントローラ２１０、コンピュータ拡張環境１０６、イベント集約コントローラ８０２、２値化コントローラ８０４、フィルタリポジトリ１００２システム１００、またはシステム１００の任意のコンポーネントもしくはサブコンポーネントを含んでもよい。一部の例では、各論理コンポーネントは、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル論理回路、アナログ回路、別々の回路もしくはゲートもしくはその他任意のタイプのハードウェアの組み合わせ、またはそれらの組み合わせを含んでもよい。あるいは、またはさらに、各コンポーネントは、例として論理コンポーネントの特徴のうち１つ以上を実装するためにプロセッサ１４１６または他のプロセッサを用いて実行可能な命令を含むメモリ１４２０の部分などのメモリハードウェアを含んでもよい。論理コンポーネントのいずれか１つが、プロセッサ１４１６を用いて実行可能な命令を含んだメモリの部分を含む場合、コンポーネントは、プロセッサ１４１６を含んでもよく、または含まなくてもよい。一部の例では、各論理コンポーネントは、メモリ１４２０または他の物理メモリのうち、プロセッサ１４１６または他のプロセッサ（単数または複数）を用いて実行可能な命令を含む部分に過ぎず、他のハードウェアをコンポーネントが一切含まなくても対応するコンポーネントの特徴が実装されるものであってもよい。各コンポーネントは、含まれるハードウェアがソフトウェアを含む場合であっても少なくともいくらかのハードウェアを含むので、各コンポーネントは区別なくハードウェアコンポーネントと呼ばれ得る。

一部の特徴は、コンピュータ可読ストレージ媒体に格納されるように示されている（例として、コンピュータ実行可能命令として実装される論理として、またはメモリ内のデータ構造として）。システム１００ならびにその論理およびデータ構造の全部または一部が、１つ以上のタイプのコンピュータ可読ストレージ媒体上に格納され、分散され、またはそこから読み取られてもよい。コンピュータ可読ストレージ媒体の例には、ハードディスク、フロッピーディスク、ＣＤ－ＲＯＭ、フラッシュドライブ、キャッシュ、揮発性メモリ、不揮発性メモリ、ＲＡＭ、フラッシュメモリ、またはその他任意のタイプの１つもしくは複数のコンピュータ可読ストレージ媒体が含まれ得る。コンピュータ可読ストレージ媒体は、ＣＤ－ＲＯＭ、揮発性メモリ、不揮発性メモリ、ＲＯＭ、ＲＡＭ、またはその他任意の適切なストレージデバイスなど、任意のタイプの非一時的コンピュータ可読媒体を含んでもよい。

システム１００の処理能力は、複数のプロセッサおよびメモリ間など複数のエンティティ間に分散されてもよく、任意選択で複数の分散型処理システムが含まれる。パラメータ、データベース、および他のデータ構造は、別々に格納および管理されてもよく、単一のメモリまたはデータベースに組み込まれてもよく、多数の異なる形で論理的および物理的に編成されてもよく、連結リスト、ハッシュテーブル、または暗黙的ストレージメカニズムなどの様々なタイプのデータ構造を用いて実装されてもよい。プログラムまたは回路構成などの論理は、組み合わされても、または複数のプログラム間に分割されても、いくつかのメモリおよびプロセッサに分散されてもよく、共有ライブラリ（例としてダイナミックリンクライブラリ（ＤＬＬ：ｄｙｎａｍｉｃ ｌｉｎｋ ｌｉｂｒａｒｙ））などのライブラリに実装されてもよい。

記載された特定の実装にかかわらず、すべての説明は限定ではなく、本質的に例示である。例として、各実装の選択された側面、特徴、またはコンポーネントがメモリ（単数または複数）に格納されるものとして表されているが、１つまたは複数のシステムの全部または一部が、例としてハードディスク、フラッシュメモリドライブ、フロッピーディスク、およびＣＤ－ＲＯＭなどの二次ストレージデバイスなど、他のコンピュータ可読ストレージ媒体に格納され、分散され、またはそこから読み取られてもよい。さらに、様々なモジュール、回路構成、および画面表示機能性は、かかる機能性の一例でしかなく、同様の機能性を含む他の任意の構成が可能である。

上述したプロセス、方法、および／または手法を実装するための個々の論理、ソフトウェア、または命令は、コンピュータ可読ストレージ媒体上で提供されてもよい。図面に示されまたは本願明細書に記載された機能、動作、またはタスクは、コンピュータ可読媒体内またはコンピュータ可読媒体上に格納された論理または命令の１つ以上のセットに応答して実行されてもよい。機能、動作、またはタスクは、特定のタイプの命令セット、ストレージ媒体、プロセッサ、または処理戦略とは独立しており、単体または組み合わせで動作する、ソフトウェア、ハードウェア、集積回路、ファームウェア、マイクロコード、および同様のものにより実行され得る。同じく、処理戦略は、マルチプロセッシング、マルチタスキング、並列処理、および同様のものを含んでもよい。一例では、命令はローカルまたは遠隔のシステムによる読み取りのために取り外し可能な媒体デバイス上に格納される。他の例では、論理または命令は、コンピュータネットワークを介した、または電話線での転送のために遠隔位置に格納される。さらに別の例では、論理または命令は、所定のコンピュータ、中央処理ユニット（「ＣＰＵ」）、グラフィック処理ユニット（「ＧＰＵ：ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ」）、またはシステム内に格納される。

さらに、特定のコンポーネントが上述されているが、本願明細書に記載された方法、システム、および製品は、追加の、より少数の、または異なるコンポーネントを含んでもよい。例としてプロセッサは、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、個別論理、または他のタイプの回路もしくは論理の組み合わせとして実装されてもよい。同じく、メモリはＤＲＡＭ、ＳＲＡＭ、フラッシュ、またはその他任意のタイプのメモリとされ得る。フラグ、データ、データベース、テーブル、エンティティ、およびその他データ構造は、別個に格納および管理されてもよく、単一のメモリもしくはデータベースに組み入れられてもよく、分散されてもよく、または多数の異なる形で論理的および物理的に編成されてもよい。コンポーネントは、独立して動作してもよく、または同じプログラムもしくは異なるプログラムを実行する同じ装置の一部であってもよい。コンポーネントは、別々の取り外し可能な回路基板などの別々のハードウェア上に存在してもよく、またはメモリからの命令を実装するために同じメモリおよびプロセッサなど共通のハードウェアを共有してもよい。プログラムは、単一のプログラムの一部であっても、別々のプログラムであっても、またはいくつかのメモリおよびプロセッサにわたって分散していてもよい。

第２のアクションは、第２のアクションが第１のアクションから直接的に生じるかまたは間接的に生じるかとは関係なく、第１のアクション「に応答して」と言われることがある。第２のアクションは、第１のアクションよりも大幅に遅い時間に発生してもよく、それでも第１のアクションに応答してのものとされ得る。同じく、第２のアクションは、第１のアクションと第２のアクションとの間に介在するアクションが起こるとしても、さらに介在するアクションのうちの１つ以上が直接的に第２のアクションを実行させるとしても、第１のアクションに応答してのものと言われることがある。例として、第１のアクションがフラグをセットし、フラグがセットされるたびに後で第３のアクションが第２のアクションを開始する場合、第２のアクションは第１のアクションに応答してのものとされ得る。

用途を明確化し、且つこれにより公に知らせると、語句「＜Ａ＞、＜Ｂ＞、…および＜Ｎ＞のうちの少なくとも１つ」または「＜Ａ＞、＜Ｂ＞、…＜Ｎ＞、またはそれらの組み合わせのうちの少なくとも１つ」、または「＜Ａ＞、＜Ｂ＞、…、および／または＜Ｎ＞」は、出願人によって最も広い意味に定義され、この定義は、反対の明示的な主張が出願人によりなされない限り、上文または下文で示唆される他のいずれの定義にも優先し、Ａ、Ｂ、…、およびＮを含むグループから選択された１つ以上の構成要素を意味する。言い換えれば、この語句は、構成要素Ａ、Ｂ、…、またはＮのうちの１つ以上の任意の組み合わせを意味し、これには任意の１つの構成要素のみ、または他の構成要素１つ以上と組み合わせた１つの構成要素が含まれ、他の構成要素には、列挙されていない追加の構成要素が組み合わせでさらに含まれることもある。

様々な実施形態が記載されたが、当業者には当然のことながら、はるかに多くの実施形態および実装が可能である。したがって、本願明細書に記載された実施形態は例であり、唯一の可能な実施形態および実装ではない。

本願明細書に記載されたシステムおよび方法は、以下の側面のうちの１つ以上に関係し得る。

第１の側面は、履歴センサデータから導出されたイベントを受信するように構成された学習プラットフォームを含むシステムを含んでもよく、イベントはそれぞれユーザトークンに関連する。一部の例において、履歴センサデータは、コンピュータ拡張環境により生成されてもよい。学習プラットフォームは、イベントに基づき反復イベント記録を生成してもよく、反復イベント記録のそれぞれは、ユーザトークンのうちの少なくとも１つに関連し、反復イベント記録は、発生頻度メトリクスを含み、発生頻度メトリクスのそれぞれは、コンピュータ拡張環境内のセンサにより捕捉された物理的なアクションなどの反復されるアクションの発生の数を示す。学習プラットフォームは、クラスタリングフレームワークに基づき、反復イベント記録を反復イベントクラスタへとクラスタリングしてもよく、反復イベントクラスタは、反復イベント記録の個々のグループを含む。学習プラットフォームは、反復イベントクラスタのフィルタ範囲を決定してもよく、フィルタ範囲は、反復イベントクラスタのそれぞれに対して別々の数値範囲を含む。学習プラットフォームは、入力された発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれると判断してフィルタ範囲のうちの少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成してもよい。学習プラットフォームは、反復イベント記録の発生頻度メトリクスに基づき複数の２値シーケンスを生成するために、２値化フィルタを実行してもよい。学習プラットフォームは、２値シーケンスに基づき予測モデルを訓練してもよく、予測モデルは、２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成される。学習プラットフォームは、２値化フィルタおよび予測モデルを、コンピュータ拡張環境と通信しているリアルタイムプラットフォームに展開してもよい。

第２の側面は、第１の側面の学習プラットフォームを含んでもよく、２値化フィルタおよび予測モデルを展開するために、学習プラットフォームは、２値化フィルタおよび予測モデルを含む展開パラメータを生成し、展開パラメータをリアルタイムプラットフォームに送信してもよい。

第３の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、クラスタリングフレームワークは、教師なし機械学習に基づきクラスタリングを実行してもよい。予測モデルは、教師あり機械学習モデルを含んでもよい。

第４の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、学習プラットフォームは、後のイベントとアクションメッセージとの間の関連付けを含むアクション定義を生成することであって、アクションメッセージは、コンピュータ拡張環境のための表示コンテンツを含む、アクション定義を生成することと、リアルタイムプラットフォームにアクション定義を展開することであって、リアルタイムプラットフォームは、２値フィルタに基づき２値特徴を生成し、２値特徴および予測モデルに基づき後のイベントを予想し、後のイベントを予想するのに応答してアクションメッセージを決定し、コンピュータ拡張環境にアクションメッセージの表示コンテンツを表示させるように構成される、アクション定義を展開することとをするようにさらに構成される。

第５の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、イベントに基づき反復イベント記録を生成するために、学習プラットフォームは、履歴データベースから、イベントタイプおよびイベント時間に関連する第１のイベントを特定することと、複数の後のイベントを、後のイベントの個々のイベント時間が第１のイベントのイベント時間よりも大きく、後のイベントがイベントタイプに関連することに応答して選択することと、イベント記録を生成することであって、イベント記録の発生頻度メトリクスは、第１のイベントおよび後のイベントの数を含む、イベント記録を生成することとをさらにしてもよい。

第６の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、２値化フィルタおよび予測モデルをリアルタイムプラットフォームに展開した後、学習プラットフォームは、新たなセンサデータを受信するのに応答して２値化フィルタを再生成することと、２値化フィルタを再生成するのに応答して予測モデルを再訓練することと、２値化フィルタおよび予測モデルをリアルタイムプラットフォームに再展開することとをするようにさらに構成される。

第７の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、２値化フィルタを実行するために、学習プラットフォームは、反復イベント記録の発生頻度メトリクスがフィルタ範囲のうちの第１のフィルタ範囲に含まれ、フィルタ範囲のうちの第２のフィルタ範囲に含まれないと判断することと、第１の２進値および第２の２進値を含む２値化シーケンスを生成することであって、第１の２進値は、発生頻度メトリクスが第１のフィルタ範囲に含まれることを示し、第２の２進値は、発生頻度メトリクスが第２のフィルタ範囲に含まれないことを示す、２値化シーケンスを生成することとをするようにさらに構成される。

第８の側面は、前述のいずれかの側面の学習プラットフォームを含んでもよく、２値化フィルタは、入力された発生頻度メトリクスがフィルタ範囲のうちの第１のフィルタ範囲に含まれ、フィルタ範囲のうちの第２のフィルタ範囲に含まれないと判断することと、第１の２進値および第２の２進値を含む２値化シーケンスを生成することであって、第１の２進値は、入力された発生頻度メトリクスが第１のフィルタ範囲に含まれることを示し、第２の２進値は、発生頻度メトリクスが第２のフィルタ範囲に含まれないことを示す、２値化シーケンスを生成することとをする命令をさらに含む。

システムの第９の側面は、リアルタイムプラットフォームを含んでもよい。第９の側面は、前述の側面のいずれかを含んでもよい。リアルタイムプラットフォームは、２値化フィルタおよび予測モデルを含む展開パラメータを受信してもよく、２値化フィルタは、複数のフィルタ範囲を含み、予測モデルは、２値シーケンスと後のイベントとの間の関連付けに基づき訓練されたものである。リアルタイムプラットフォームは、コンピュータ拡張環境により生成されるリアルタイムセンサデータを受信してもよい。リアルタイムプラットフォームは、リアルタイムセンサデータに基づき反復イベント記録を判断し、反復イベント記録は、発生頻度メトリクスを含み、発生頻度メトリクスは、リアルタイムセンサデータから導出されたイベントの反復回数を表す。リアルタイムプラットフォームは、２値化フィルタおよび発生頻度メトリクスに基づき、発生頻度メトリクスがフィルタ範囲のうちの少なくとも１つに含まれることを示す２値シーケンスを生成する。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つが２値シーケンスに関連すると、予測モデルおよび２値シーケンスに基づき判断する。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つに関連するアクションメッセージを特定する。リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つが発生する前に、コンピュータ拡張環境にアクションメッセージを表示させる。

第１０の側面は、前述の側面のいずれかを含んでもよく、リアルタイムセンサデータに基づき反復イベント記録を判断するために、リアルタイムプラットフォームは、リアルタイムセンサデータに基づき第１のイベントを特定することと、リアルタイムセンサデータに基づきさらなる少なくとも１つのイベントを特定することであって、さらなる少なくとも１つのイベントは、第１のイベントの後に発生する、さらなる少なくとも１つのイベントを特定することと、第１のイベントおよび後の少なくとも１つのイベントが同じイベントタイプに関連すると判断することと、第１のイベントおよびさらなる少なくとも１つのイベントが同じイベントタイプに関連することに応答して、反復イベント記録を生成することとをするようにさらに構成される。

第１１の側面は、前述の側面のいずれかを含んでもよく、リアルタイムプラットフォームは、リアルタイムセンサデータに基づきイベントを判断することであって、イベントは、イベントタイプに関連する、イベントを判断することと、イベントタイプに関連する２値化フィルタをリポジトリから選択することであって、リポジトリは、イベントタイプにそれぞれ関連する複数の２値化フィルタを含む、選択することとをするようにさらに構成される。

第１２の側面は、前述の側面のいずれかを含んでもよく、リアルタイムプラットフォームは、発生頻度メトリクスが第１のフィルタ範囲に含まれることを示す第１の２進値を生成することと、発生頻度メトリクスが第２のフィルタ範囲に含まれないことを示す第２の２進値を生成することと、２値シーケンスを生成するために第１および第２の２進値を結合することとをするようにさらに構成される。

第１３の側面は、前述の側面のいずれかを含んでもよく、後のイベントのうちの少なくとも１つに関連するアクションメッセージを特定するために、リアルタイムプラットフォームは、後のイベントのうちの少なくとも１つに関連するイベントタイプを特定することと、イベントタイプにそれぞれマッピングされた複数のアクションメッセージを含むアクションリポジトリにアクセスすることと、後のイベントのイベントタイプがアクションリポジトリ内のアクションメッセージにマッピングされていることに応答して、アクションメッセージを選択することとをするようにさらに構成される。

第１４の側面は、前述の側面のいずれかを含んでもよく、リアルタイムプラットフォームは、リアルタイムセンサデータをユーザトークンにマッピングすることと、リアルタイムセンサデータおよびユーザトークンを学習プラットフォームに送信することであって、学習プラットフォームは、更新された２値化フィルタおよび更新された予測モデルを、リアルタイムセンサデータを受信するのに応答して生成するように構成される、送信することと、更新された２値化フィルタおよび更新された予測モデルを学習プラットフォームから受信することと、２値化フィルタを更新された２値化フィルタにより置き換えることと、予測モデルを更新された予測モデルにより置き換えることとをするようにさらに構成される。

Claims (20)

1. メモリと通信するプロセッサによって、履歴センサデータから導出されたイベントを受信するステップであって、前記イベントは、それぞれユーザトークンに関連する、前記受信するステップと、
   前記プロセッサによって、前記イベントに基づき反復イベント記録を生成するステップであって、前記反復イベント記録のそれぞれは、前記ユーザトークンのうちの少なくとも１つに関連し、前記反復イベント記録は、発生頻度メトリクスを含み、前記発生頻度メトリクスのそれぞれは、反復されるアクションの発生の数を示す、前記反復イベント記録を生成するステップと、
   前記プロセッサによって、およびクラスタリングフレームワークに基づき、前記反復イベント記録を反復イベントクラスタへとクラスタリングするステップであって、前記反復イベントクラスタは、反復イベント記録の個々のグループを含む、前記クラスタリングするステップと、
   前記プロセッサによって、前記反復イベントクラスタのフィルタ範囲を決定するステップであって、前記フィルタ範囲は、前記反復イベントクラスタのそれぞれに対して別々の数値範囲を含む、前記決定するステップと、
   前記プロセッサによって、入力された発生頻度メトリクスが前記フィルタ範囲のうちの少なくとも１つに含まれると判断して前記フィルタ範囲のうちの前記少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成するステップと、
   前記プロセッサによって、前記反復イベント記録の前記発生頻度メトリクスに基づき複数の２値シーケンスを生成するために、前記２値化フィルタを実行するステップと、
   前記プロセッサによって、前記２値シーケンスに基づき予測モデルを訓練するステップであって、前記予測モデルは、前記２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成される、前記訓練するステップと、
   前記プロセッサによって、前記２値化フィルタおよび前記予測モデルをリアルタイムプラットフォームに展開するステップと
   を含む方法。
2. 前記２値化フィルタおよび前記予測モデルを展開するステップは、
   前記プロセッサによって、前記２値化フィルタおよび前記予測モデルを含む展開パラメータを生成するステップと、
   前記プロセッサによって、前記展開パラメータを前記リアルタイムプラットフォームに送信するステップと
   をさらに含む、請求項１に記載の方法。
3. 前記クラスタリングフレームワークは、教師なし機械学習に基づきクラスタリングを実行し、前記予測モデルは、教師あり機械学習モデルを含む、請求項１に記載の方法。
4. 前記プロセッサによって、前記後のイベントとアクションメッセージとの間の関連付けを含むアクション定義を生成するステップであって、前記アクションメッセージは、コンピュータ拡張環境のための表示コンテンツを含む、前記アクション定義を生成するステップと、
   前記プロセッサによって、リアルタイムプラットフォームに前記アクション定義を展開するステップであって、前記リアルタイムプラットフォームは、前記２値化フィルタに基づき２値特徴を生成し、前記２値特徴および前記予測モデルに基づき前記後のイベントを予想し、前記後のイベントを予想するのに応答して前記アクションメッセージを決定し、前記コンピュータ拡張環境に前記アクションメッセージの前記表示コンテンツを表示させるように構成される、前記アクション定義を展開するステップと
   をさらに含む、請求項１に記載の方法。
5. 前記イベントに基づき反復イベント記録を生成するステップは、
   前記プロセッサによって、履歴データベースから、イベントタイプおよびイベント時間に関連する第１のイベントを特定するステップと、
   前記プロセッサによって、複数の後のイベントを、前記後のイベントの個々のイベント時間が前記第１のイベントの前記イベント時間よりも大きく、前記後のイベントが前記イベントタイプに関連することに応答して選択するステップと、
   前記プロセッサによって、イベント記録を生成するステップであって、前記イベント記録の発生頻度メトリクスは、前記第１のイベントおよび前記後のイベントの数を含む、前記イベント記録を生成するステップと
   をさらに含む、請求項１に記載の方法。
6. 前記２値化フィルタおよび前記予測モデルをリアルタイムプラットフォームに展開した後、前記方法は、
   前記プロセッサによって、新たなセンサデータを受信するのに応答して前記２値化フィルタを再生成するステップと、
   前記プロセッサによって、前記２値化フィルタを再生成するのに応答して前記予測モデルを再訓練するステップと、
   前記プロセッサによって、前記２値化フィルタおよび前記予測モデルを前記リアルタイムプラットフォームに再展開するステップと
   をさらに含む、請求項１に記載の方法。
7. 前記２値化フィルタを実行するステップは、
   前記プロセッサによって、反復イベント記録の発生頻度メトリクスが前記フィルタ範囲のうちの第１のフィルタ範囲に含まれ、前記フィルタ範囲のうちの第２のフィルタ範囲に含まれないと判断するステップと、
   前記プロセッサによって、第１の２進値および第２の２進値を含む２値化シーケンスを生成するステップであって、前記第１の２進値は、前記発生頻度メトリクスが前記第１のフィルタ範囲に含まれることを示し、前記第２の２進値は、前記発生頻度メトリクスが前記第２のフィルタ範囲に含まれないことを示す、前記２値化シーケンスを生成するステップと
   をさらに含む、請求項１に記載の方法。
8. 前記履歴センサデータは、コンピュータ拡張環境により生成された履歴センサデータを含み、前記反復されるアクションは、前記コンピュータ拡張環境内のセンサにより捕捉された反復される物理的なアクションを含み、前記リアルタイムプラットフォームは、前記コンピュータ拡張環境と通信している、請求項１に記載の方法。
9. プロセッサ
   を含むシステムであって、前記プロセッサは、
   履歴センサデータから導出されたイベントを受信することであって、前記イベントは、それぞれユーザトークンに関連し、前記履歴センサデータは、コンピュータ拡張環境により生成される、前記受信することと、
   前記イベントに基づき反復イベント記録を生成することであって、前記反復イベント記録のそれぞれは、前記ユーザトークンのうちの少なくとも１つに関連し、前記反復イベント記録は、発生頻度メトリクスを含み、前記発生頻度メトリクスのそれぞれは、前記コンピュータ拡張環境内のセンサにより捕捉された反復される物理的なアクションの発生の数を示す、前記反復イベント記録を生成することと、
   クラスタリングフレームワークに基づき、前記反復イベント記録を反復イベントクラスタへとクラスタリングすることであって、前記反復イベントクラスタは、反復イベント記録の個々のグループを含む、前記クラスタリングすることと、
   前記反復イベントクラスタのフィルタ範囲を決定することであって、前記フィルタ範囲は、前記反復イベントクラスタのそれぞれに対して別々の数値範囲を含む、前記決定することと、
   入力された発生頻度メトリクスが前記フィルタ範囲のうちの少なくとも１つに含まれると判断して前記フィルタ範囲のうちの前記少なくとも１つを示す２値シーケンスを生成する命令を含む２値化フィルタを生成することと、
   前記反復イベント記録の前記発生頻度メトリクスに基づき複数の２値シーケンスを生成するために、前記２値化フィルタを実行することと、
   前記２値シーケンスに基づき予測モデルを訓練することであって、前記予測モデルは、前記２値シーケンスのうちの少なくとも１つに基づき後のイベントを特定するように構成される、前記訓練することと、
   前記２値化フィルタおよび前記予測モデルを、前記コンピュータ拡張環境と通信しているリアルタイムプラットフォームに展開することと
   をするように構成される、システム。
10. 前記２値化フィルタおよび前記予測モデルを展開するように構成された前記プロセッサは、
    前記２値化フィルタおよび予測モデルを含む展開パラメータを生成することと、
    前記展開パラメータを前記リアルタイムプラットフォームに送信することと
    をするように構成された前記プロセッサをさらに含む、請求項９に記載のシステム。
11. 前記後のイベントとアクションメッセージとの間の関連付けを含むアクション定義を生成することであって、前記アクションメッセージは、前記コンピュータ拡張環境のための表示コンテンツを含む、前記アクション定義を生成することと、
    前記リアルタイムプラットフォームに前記アクション定義を展開することであって、前記リアルタイムプラットフォームは、前記２値化フィルタに基づき２値特徴を生成し、前記２値特徴および前記予測モデルに基づき前記後のイベントを予想し、前記後のイベントを予想するのに応答して前記アクションメッセージを決定し、前記コンピュータ拡張環境に前記アクションメッセージの前記表示コンテンツを表示させるように構成される、前記アクション定義を展開することと
    をするように構成された前記プロセッサをさらに含む、請求項９に記載のシステム。
12. 前記イベントに基づき反復イベント記録を生成するように構成された前記プロセッサは、
    履歴データベースから、イベントタイプおよびイベント時間に関連する第１のイベントを特定することと、
    複数の後のイベントを、前記後のイベントの個々のイベント時間が前記第１のイベントの前記イベント時間よりも大きく、前記後のイベントが前記イベントタイプに関連することに応答して選択することと、
    イベント記録を生成することであって、前記イベント記録の前記発生頻度メトリクスは、前記第１のイベントおよび前記後のイベントの数を含む、前記イベント記録を生成することと
    をするように構成された前記プロセッサをさらに含む、請求項９に記載のシステム。
13. 前記２値化フィルタおよび前記予測モデルをリアルタイムプラットフォームに展開した後、前記プロセッサは、
    新たなセンサデータを受信するのに応答して前記２値化フィルタを再生成することと、
    前記２値化フィルタを再生成するのに応答して前記予測モデルを再訓練することと、
    前記２値化フィルタおよび前記予測モデルを前記リアルタイムプラットフォームに再展開することと
    をするようにさらに構成される、請求項９に記載のシステム。
14. 前記２値化フィルタは、
    前記入力された発生頻度メトリクスが前記フィルタ範囲のうちの第１のフィルタ範囲に含まれ、前記フィルタ範囲のうちの第２のフィルタ範囲に含まれないと判断することと、
    第１の２進値および第２の２進値を含む２値化シーケンスを生成することであって、前記第１の２進値は、前記入力された発生頻度メトリクスが前記第１のフィルタ範囲に含まれることを示し、前記第２の２進値は、前記発生頻度メトリクスが前記第２のフィルタ範囲に含まれないことを示す、前記２値化シーケンスを生成することと
    をするために前記プロセッサにより実行可能な命令をさらに含む、請求項９に記載のシステム。
15. プロセッサを含むシステムであって、前記プロセッサは、
    ２値化フィルタおよび予測モデルを含む展開パラメータを受信することであって、前記２値化フィルタは、複数のフィルタ範囲を含み、前記予測モデルは、２値シーケンスと後のイベントとの間の関連付けに基づき訓練されたものである、前記展開パラメータを受信することと、
    コンピュータ拡張環境により生成されたリアルタイムセンサデータを受信することと、
    前記リアルタイムセンサデータに基づき反復イベント記録を判断することであって、前記反復イベント記録は、発生頻度メトリクスを含み、前記発生頻度メトリクスは、前記リアルタイムセンサデータから導出されたイベントの反復回数を表す、前記判断することと、
    前記２値化フィルタおよび前記発生頻度メトリクスに基づき、前記発生頻度メトリクスが前記フィルタ範囲のうちの少なくとも１つに含まれることを示す２値シーケンスを生成することと、
    前記後のイベントのうちの少なくとも１つが前記２値シーケンスに関連すると、前記予測モデルおよび前記２値シーケンスに基づき判断することと、
    前記後のイベントのうちの前記少なくとも１つに関連するアクションメッセージを特定することと、
    前記後のイベントのうちの前記少なくとも１つが発生する前に、前記コンピュータ拡張環境に前記アクションメッセージを表示させることと
    をするように構成される、システム。
16. 前記リアルタイムセンサデータに基づき前記反復イベント記録を判断するために、前記プロセッサは、
    前記リアルタイムセンサデータに基づき第１のイベントを特定することと、
    前記リアルタイムセンサデータに基づきさらなる少なくとも１つのイベントを特定することであって、前記さらなる少なくとも１つのイベントは、前記第１のイベントの後に発生する、前記特定することと、
    前記第１のイベントおよび後の少なくとも１つのイベントが同じイベントタイプに関連すると判断することと、
    前記第１のイベントおよび前記さらなる少なくとも１つのイベントが前記同じイベントタイプに関連することに応答して、前記反復イベント記録を生成することと
    をするようにさらに構成される、請求項１５に記載のシステム。
17. 前記プロセッサは、
    前記リアルタイムセンサデータに基づき前記イベントを判断することであって、前記イベントは、イベントタイプに関連する、前記イベントを判断することと、
    前記イベントタイプに関連する前記２値化フィルタをリポジトリから選択することであって、前記リポジトリは、イベントタイプにそれぞれ関連する複数の２値化フィルタを含む、前記選択することと
    をするようにさらに構成される、請求項１５に記載のシステム。
18. 前記後のイベントのうちの前記少なくとも１つが前記２値シーケンスに関連すると、前記予測モデルおよび前記２値シーケンスに基づき判断するために、前記プロセッサは、
    前記発生頻度メトリクスが第１のフィルタ範囲に含まれることを示す第１の２進値を生成することと、
    前記発生頻度メトリクスが第２のフィルタ範囲に含まれないことを示す第２の２進値を生成することと、
    前記２値シーケンスを生成するために前記第１および前記第２の２進値を結合することと
    をするようにさらに構成される、請求項１５に記載のシステム。
19. 前記後のイベントのうちの前記少なくとも１つに関連する前記アクションメッセージを特定するために、前記プロセッサは、
    前記後のイベントのうちの前記少なくとも１つに関連するイベントタイプを特定することと、
    イベントタイプにそれぞれマッピングされた複数のアクションメッセージを含むアクションリポジトリにアクセスすることと、
    前記後のイベントの前記イベントタイプが前記アクションリポジトリ内の前記アクションメッセージにマッピングされていることに応答して、前記アクションメッセージを選択することと
    をするようにさらに構成される、請求項１５に記載のシステム。
20. 前記プロセッサは、
    前記リアルタイムセンサデータをユーザトークンにマッピングすることと、
    前記リアルタイムセンサデータおよび前記ユーザトークンを学習プラットフォームに送信することであって、前記学習プラットフォームは、更新された２値化フィルタおよび更新された予測モデルを、前記リアルタイムセンサデータを受信するのに応答して生成するように構成される、前記送信することと、
    前記更新された２値化フィルタおよび前記更新された予測モデルを前記学習プラットフォームから受信することと、
    前記２値化フィルタを前記更新された２値化フィルタにより置き換えることと、
    前記予測モデルを前記更新された予測モデルにより置き換えることと
    をするようにさらに構成される、請求項１５に記載のシステム。
    

Images