KR102414936B1 - 수동적 방문 검출 - Google Patents

수동적 방문 검출 Download PDF

Info

Publication number
KR102414936B1
KR102414936B1 KR1020197010855A KR20197010855A KR102414936B1 KR 102414936 B1 KR102414936 B1 KR 102414936B1 KR 1020197010855 A KR1020197010855 A KR 1020197010855A KR 20197010855 A KR20197010855 A KR 20197010855A KR 102414936 B1 KR102414936 B1 KR 102414936B1
Authority
KR
South Korea
Prior art keywords
data
sensor data
mobile device
visit
feature set
Prior art date
Application number
KR1020197010855A
Other languages
English (en)
Other versions
KR20190062443A (ko
Inventor
로렌 한나
카가테이 버크 카피시오글루
다니엘 크로노베트
스테파니 양
Original Assignee
포스퀘어 랩스 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포스퀘어 랩스 인코포레이티드 filed Critical 포스퀘어 랩스 인코포레이티드
Publication of KR20190062443A publication Critical patent/KR20190062443A/ko
Application granted granted Critical
Publication of KR102414936B1 publication Critical patent/KR102414936B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/18—Service support devices; Network management devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Telephonic Communication Services (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephone Function (AREA)
  • User Interface Of Digital Computer (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 명세서의 예시들은 수동적 방문 검출을 위한 시스템 및 방법을 설명한다. 양태들에서, 센서들의 세트를 포함하는 모바일 디바이스는 이동 이벤트 또는 사용자 상호작용 데이터의 검출에 응답하여 센서들의 세트로부터 센서 데이터를 수집 및 저장할 수 있다. 수집된 센서 데이터가 처리되어 하나 이상의 예측 또는 통계 모델에 대한 입력으로서 제공될 수 있다. 모델(들)은 모바일 디바이스 위치, 이동 이벤트 및 방문 이벤트를 검출하기 위해 센서 데이터를 평가할 수 있다. 모델(들)은 또한 센서 데이터의 특징과 이동 또는 위치 기반 이벤트 간의 상관성을 결정하고, 센서들의 세트에서 수집된 데이터의 타입을 최적화하고, 국지적 예측을 대규모 에코시스템으로 확대하고, 배터리 효율적 상태 예측치를 생성하는데 사용될 수 있다. 양태들에서, 모델(들)은 센서 데이터의 라벨링된 및/또는 라벨링되지 않은 데이터 세트를 사용하여 훈련될 수 있다.

Description

수동적 방문 검출
본 출원은 2017년 9월15일 PCT 국제 특허 출원된 것으로서, 2016년 9월 16일자로 출원된 미국 가출원 No.62/395,827에 대해 우선권을 주장하는 출원인, 2017년 9월 14일자로 출원된 미국 특허 출원 No.15/704,899에 대해 우선권을 주장하며, 상기 출원들의 개시 내용은 그 내용의 전체가 참조로서 본 출원에 포함된다.
방문 검출 시스템은 모바일 디바이스의 위치 및 방문 패턴과 관련된 결정들을 가능하게 한다. 많은 경우, 방문 검출 시스템은 모바일 디바이스의 위치를 판단하기 위해 거의 배타적으로 주기적 지리 좌표계 데이터 (예: 위도, 경도 및/또는 고도 좌표)에 의존한다. 예를 들어, 지리 좌표계 데이터는 모바일 디바이스에 의한 검출된 멈춤(detected stop)이 그것과 연관된 특정 장소 또는 이벤트에 상관되는지 여부를 결정하는데 사용될 수 있다. 그러나 지리 좌표계 데이터의 거의 배타적인 사용은 부정확한 장소 및/또는 방문 검출을 가져올 수 있다.
본 명세서에서 개시된 양태들은 이들 및 다른 일반적인 고려 사항들에 관한 것이다. 또한, 비교적 특정한 문제들이 논의될 수 있지만, 예시들이 배경 기술 또는 본 명세서의 다른 곳에서 식별된 특정 문제들을 해결하기 위한 것으로 제한되어서는 안 된다는 것을 이해해야 한다.
본 명세서의 예시들은 수동적 방문 검출을 위한 시스템 및 방법을 설명한다. 양태들에서, 센서들의 세트를 포함하는 모바일 디바이스는 이동 이벤트(movement event) 또는 사용자 상호작용 데이터의 검출에 응답하여 센서들의 세트로부터 센서 데이터를 수집 및 저장할 수 있다. 수집된 센서 데이터는 처리되어 하나 이상의 예측 또는 통계 모델에 입력으로서 제공될 수 있다. 이 모델(들)은 모바일 디바이스 위치, 이동 이벤트 및 방문 이벤트를 검출하기 위하여, 센서 데이터를 평가할 수 있다. 이 모델(들)은 그 중에서도 센서 데이터의 특징과 이동/위치 기반 이벤트 간의 상관성(correlation)을 결정하고, 센서들의 세트에 의해 수집된 데이터의 타입을 최적화하고, 국지적 예측(localized predictions)을 대규모 에코시스템(large-scale ecosystem)으로 확장하고, 배터리 효율적 상태 예측(battery-efficient state predictions)을 생성하는데 사용될 수도 있다. 일부 양태들에서, 이 모델(들)은 센서 데이터의 라벨링된 및/또는 라벨링되지 않은 데이터 세트들을 사용하여 훈련될 수 있다.
이 요약은 이후 상세한 설명에서 더 설명되는 개념들의 셀렉션을 간단한 형태로 소개하기 위해 제공된다. 이 요약은 청구된 주제의 주요 특징 또는 필수 특징을 식별하는 것을 의도하지 않으며, 청구된 주제의 범위를 제한하는데 사용되는 것을 의도하지 않는다. 추가적 양태들, 특징들, 및/또는 예시들의 이점은 이어지는 발명의 상세한 설명에서 부분적으로 설명될 것으로, 부분적으로 상세한 설명으로부터 명백해질 것이며, 또는 본 명세서의 실시에 의해 알게 될 것이다.
비-제한적 및 비-완전한 예시들이 다음 도면을 참조하여 설명된다.
도 1은 본 명세서에 설명되는 것과 같이 수동적 방문 검출을 위한 예시적인 시스템의 개략도를 도시한다.
도 2는 본 명세서에 설명되는 것과 같이 수동적 방문 검출을 구현하기 위한 예시적인 입력 프로세싱 유닛을 도시한다.
도 3은 본 명세서에 설명되는 것과 같이 수동적 방문 검출을 구현하기 위한 예시적인 방법을 도시한다.
도 4는 하나 이상의 본 실시예가 구현될 수 있는 적합한 운영 환경의 일 예시를 도시한다.
본 명세서의 다양한 양태들은 본 명세서의 일부를 형성하고, 특정한 예시적인 양태들을 나타내는 첨부된 도면들을 참조하여 보다 충분하게 설명된다. 그러나, 본 명세서의 상이한 양태들이 많은 상이한 형태로 구현될 수 있으며, 본 명세서에 설명된 양태들로 제한되는 것으로 해석되어서는 안 되며; 오히려, 이러한 양태들이 제공되어, 본 명세서가 철저하고 완전하게 되고, 양태들의 범위를 당업자에게 완전히 전달할 것이다. 양태들은 방법, 시스템 또는 디바이스로서 실행될 수 있다. 따라서, 양태들은 하드웨어 구현, 완전한 소프트웨어 구현 또는 소프트웨어와 하드웨어 양태들을 결합한 구현의 형태를 취할 수 있다. 그러므로, 이어지는 상세한 설명은 제한적인 의미로 받아들여져서는 안 된다.
본 명세서는 수동적 방문 검출을 위한 시스템 및 방법을 설명한다. 여기에서 사용되는 것과 같이, 수동적 방문 검출이 모바일 디바이스(또는 그것의 사용자)가 특정 장소 또는 지리적 위치를 방문 중인지 또는 방문했었는지 여부를 판단하기 위해 암시적 표시(implicit indicia)를 사용하는 것을 나타낸다. (사용자가 확인한 장소 체크인 데이터와 같은) 명시적 사용자 신호를 사용하는 능동적 방문 검출과는 대조적으로, 수동적 방문 검출은 모바일 디바이스의 다양한 센서들로부터의 데이터에 대한 수동적 수집에 의존한다. 다양한 모바일 디바이스 센서들로부터의 데이터에 대한 분석은 지리적 좌표계 데이터만을 사용하는 종래 접근법보다 방문 검출의 정확성과 효율성을 향상시킨다.
양태들에서, 모바일 디바이스는 하나 이상의 센서를 포함할 수 있다. 예시적인 센서는 GPS 센서, Wi-Fi 센서, 근접 센서, 가속도계, 주변 온도 센서, 자이로 스코프, 광 센서, 자력계, 홀 센서, 음향 센서, 터치스크린 센서 등을 포함할 수 있다. 모바일 디바이스는 모바일 디바이스가 사용자에 의해 사용 및/또는 운반될 때, 센서에 의해 검출된 데이터를 모니터할 수 있다. 모바일 디바이스는 또한 이동 이벤트, 구매 이벤트, 정보 전달 이벤트, 장소 체크인 이벤트 등과 같은 이벤트를 검출할 수 있다. 일부 양태들에서, 이벤트의 검출이 센서 데이터가 수집되고 처리되게 할 수 있다. 센서 데이터를 처리하는 것은 센서 데이터의 하나 이상의 특징을 식별하기 위해 센서 데이터를 파싱하는 것 및 파싱된 데이터를 하나 이상의 데이터 세트로 체계화하는 것을 포함할 수 있다. 적어도 하나의 양태에서, 센서 데이터는 모바일 디바이스와 같은 컴퓨팅 디바이스에 액세스 가능한 애플리케이션 또는 서비스를 통해 액세스 가능할 수 있다. 애플리케이션/서비스는 사용자가 센서 데이터를 탐색 및/또는 조작할 수 있게 한다. 예를 들어, 애플리케이션/서비스는 사용자가 센서 데이터를 이벤트(예를 들어, 입장/퇴장 이벤트, 방문 이벤트, 체크인 이벤트, 프로모션 이벤트 등) 및/또는 이벤트에 연관된 라벨 센서 데이터에 상관시키는 것을 가능하게 할 수 있다. 라벨링된 데이터는 샘플 데이터 또는 훈련 데이터의 하나 이상의 세트로 체계화될 수 있다.
양태들에서, 센서 데이터 및/또는 훈련 데이터는 하나 이상의 예측 또는 통계 모델에 입력으로서 제공될 수 있다. 여기에서 사용되는 것과 같이, 모델은 하나 이상의 문자 시퀀스, 클래스, 객체, 결과 세트 또는 이벤트를 통해 확률 분포를 결정하고, 및/또는 하나 이상의 예측 변수(predictor)로부터의 응답값을 예측하는데 사용될 수 있는 예측 또는 통계 모델을 나타낼 수 있다. 모델은 규칙-기반 모델, 기계-학습 회귀기(regressor), 기계-학습 분류기, 뉴럴 네트워크 등일 수 있다. 예시들에서, 센서 데이터 및/또는 훈련 데이터는 모바일 디바이스 위치, 이동 이벤트 및/또는 방문 이벤트를 검출하도록 모델을 훈련시키는데 사용될 수 있다. 부가적으로 센서 데이터 및/또는 훈련 데이터는 센서 데이터의 특징과 이동 또는 위치 기반 이벤트 간의 상관성을 결정하고, 센서들의 세트에 의해 수집된 데이터의 타입/카테고리를 최적화시켜 모델을 훈련시키는데 사용될 수 있다. 일부 예시들에서, 센서 데이터 및/또는 훈련 데이터는 국지적 예측을 대규모 에코시스템으로 확장하는데 사용될 수 있다. 예를 들어, 사용자(또는 사용자들의 소그룹)에 대한 센서 데이터는 사용자들의 더 큰 그룹 또는 사용자들의 다양한 그룹을 나타내기 위해 일반화될 수 있다. 일부 예시들에서, 센서 데이터 및/또는 훈련 데이터는 배터리 효율적 방식으로 수집될 수 있다. 예를 들어, 센서 데이터는 보다 배터리가 소모되는 지속적인 센서 폴링 및 수집 프로세스와 대조적으로, 주기적 간격(예를 들어, 1분, 1시간, 1일에 1번 등) 또는 요청시 수집될 수 있다. 양태들에서, 훈련된 모델은 디바이스의 현재 및/또는 이전 위치, 이동 이벤트, 방문 이벤트 및 장소 관련 이벤트를 검출하기 위하여, 디바이스의 센서 데이터를 사용할 수 있다.
따라서, 본 명세서는 다른 예시들 중에서, 수동적 방문 이벤트를 검출하도록 통계 모델을 훈련시키기 위해 센서 데이터를 사용하는 것; 센서 데이터를 이동 및/또는 위치 이벤트에 상관시키는 것; GPS "노이즈"및 지터를 제거/경감시킴으로써 사용자의 진짜 동작(motion)을 판단하는 것; 센서 데이터의 데이터 세트를 라벨링하기 위해 사용자 인터페이스를 이용하는 것; 다양한 모바일 디바이스 센서를 사용하여 장소/위치 데이터의 수집이 가능한, 센서들에 의해 수집된 데이터의 타입/카테고리를 자동적으로 수정하는 것; 배터리 효율적 데이터 수집; 및 본 명세서의 예시들을 이용하는 애플리케이션/서비스에 대해 개선된 효율성 및 품질을 포함하는 많은 기술적 이득을 제공하지만, 이것으로 제한되지는 않는다.
도 1은 여기에서 설명되는 것과 같이 장소 검출을 위한 예시적인 시스템의 개략도를 나타낸다. 제시된 예시적인 시스템(100)은 장소 검출 시스템에 대해 통합된 전체를 형성하도록 상호작용하는 상호 의존적인 구성요소의 조합이다. 시스템의 구성요소는 시스템의 하드웨어 구성요소에 의해 구현되거나 및/또는 실행되는 하드웨어 구성요소 또는 소프트웨어일 수 있다. 예시들에서, 시스템(100)은 (예를 들어, 운영 체제(OS)를 실행/구동시키는데 사용되는) 임의의 하드웨어 구성요소 및 하드웨어 상에서 동작하는 소프트웨어 구성요소(예를 들어, 애플리케이션, 애플리케이션 프로그래밍 인터페이스(API), 모듈, 가상 기계, 런타임 라이브러리 등)을 포함할 수 있다. 일 예시에서, 예시적인 시스템(100)은 구동하고, 동작을 위해 설정된 제약을 따르며, 그리고 시스템(100)의 리소스 또는 설비를 이용할 수 있는 소프트웨어 구성요소를 위한 환경을 제공할 수 있으며, 구성요소는 하나 이상의 프로세싱 디바이스 상에서 구동하는 소프트웨어(예를 들어, 애플리케이션, 프로그램, 모듈 등)일 수 있다. 예를 들어, 소프트웨어(예를 들어, 애플리케이션, 운영 명령어, 모듈 등)는 컴퓨터, 모바일 디바이스(예를 들어, 스마트폰/전화, 태블릿, 랩탑, 개인용 정보 단말기 (PDA) 등) 및 그 밖의 다른 전자 디바이스와 같은 프로세싱 디바이스상에서 구동될 수 있다. 프로세싱 디바이스 운영 환경의 예로서, 도 4에 도시된 예시적인 운영 환경을 참조한다. 다른 예시들에서는, 여기에서 개시된 시스템의 구성요소가 다수의 디바이스에 걸쳐 분산될 수 있다. 예를 들어, 입력은 클라이언트 디바이스상에서 입력될 수 있고 정보는 하나 이상의 서버 디바이스와 같은 네트워크 내의 다른 디바이스로부터 처리 또는 액세스될 수 있다.
일 예시로서, 시스템(100)은 클라이언트 디바이스(102), 분산 네트워크(104), 방문 분석 시스템(106) 및 저장소(108)를 포함한다. 당업자는 시스템(100)과 같은 시스템의 규모는 변할 수 있고, 도 1에 도시된 것보다 많거나 적은 구성요소를 포함할 수 있다는 것을 이해할 것이다. 일부 예시들에서, 시스템(100)의 구성요소들 간의 인터페이싱이 원격적으로 행해질 수 있으며, 예를 들어 시스템(100)의 구성요소들은 분산 네트워크의 하나 이상의 디바이스들에 걸쳐 분산될 수 있다.
클라이언트 디바이스(102)는 하나 이상의 장소에 관련된 센서 데이터를 수집하도록 구성될 수 있다. 양태들에서, 클라이언트 디바이스(102)는 하나 이상의 센서를 포함하거나 또는 그것에 액세스할 수 있다. 센서들은 GPS 좌표 및 지리위치 데이터, (수평 및/또는 수직 정확성과 같은) 위치 데이터, Wi-Fi 정보, OS 정보 및 설정, 하드웨어 정보, 신호 세기, 가속도계 데이터, 시간 정보 등과 같은, 클라이언트 디바이스(102)에 대한 센서 데이터를 검출 및/또는 생성하도록 동작할 수 있다. 클라이언트 디바이스(102)는 센서 데이터를 하나 이상의 데이터 저장소에 수집 및 저장할 수 있다. 데이터 저장소는 클라이언트 디바이스(102)에 속하거나, 클라이언트 디바이스(102)에 떨어져 있거나, 또는 이것들의 일부 조합일 수 있다. 예를 들어, 사용자, 계정 및/또는 디바이스 식별 정보와 같은 민감한 사용자 정보는 클라언트 디바이스 상에 저장될 수 있는 반면, 위치, 이동, 및 프로모션 데이터는 분산된 저장 시스템에 원격으로 저장될 수 있다. 일부 양태들에서, 클라이언트 디바이스(102)는 이벤트, 위치 또는 하나 이상의 기준에 대한 충족을 검출하는 것에 응답하여 센서 데이터를 수집 및/또는 저장할 수 있다. 예를 들어, 센서 데이터는 클라이언트 디바이스(102)에 의한 이동 이벤트(예를 들어, 가속, 방향 변경, 계속되는 아이들링(prolonged idling) 등)에 응답하여 센서들의 세트로부터 수집될 수 있다. 예시들에서, 멈춤을 검출하는 것은 기댓값 최대화(EM) 알고리즘, 히든 마르코프 모델(HMMs), 비터비 알고리즘, 전후진(forward-backward) 알고리즘, 고정래그(Fixed-lag) 평활화 알고리즘, 바움-웰치(Baum-Welch) 알고리즘, 칼만 필터링/선형 2차 추정(LQE, linear quadratic estimation) 등과 같은, 하나 이상의 기계 학습 기술 또는 알고리즘의 사용을 포함할 수 있다. 센서 데이터를 수집하는 것은 다양한 센서로부터의 데이터를 집계(aggregate)하는 것, 하나 이상의 기준으로 데이터를 체계화(organize)하는 것, 및/또는 클라이언트 디바이스(102)에 액세스 가능한 데이터 저장소(도시되지 않음)에 센서 데이터를 저장하는 것을 포함할 수 있다. 예시들에서, 데이터 저장소는 클라이언트 디바이스(102)에 속하거나, 클라이언트 디바이스(102)에 대해 떨어져 있거나, 또는 이것들의 일부 조합일 수 있다. 예를 들어, 사용자, 계정 및/또는 디바이스 식별 정보와 같은 민감한 사용자 정보는 클라언트 디바이스 상에 저장될 수 있는 반면, 위치, 이동, 및 프로모션 데이터는 분산된 저장 시스템에 원격으로 저장될 수 있다. 수집된 센서 데이터는 분산 네트워크(104)를 통해 방문 분석 시스템(106)과 같은 분석 유틸리티에 제공될 (또는 그것에 접근 가능할) 수 있다.
방문 분석 시스템(106)은 센서 데이터의 세트를 평가하도록 구성될 수 있다. 양태들에서, 방문 분석 시스템(106)은 센서 데이터의 하나 이상의 세트에 액세스할 수 있다. 예를 들어, 클라이언트 디바이스(102)는 센서 데이터 또는 그것의 표현(representation)을 방문 분석 시스템(106)에 전송할 수 있다. 다른 예시에서, 센서 데이터는 방문 분석 시스템(106)에 직접 입력될 수 있다. 예를 들어, 방문 분석 시스템(106)은 센서 데이터와의 상호작용을 위한 (애플리케이션 또는 서비스와 같은) 인터페이스를 제공하거나, 또는 그것에 액세스할 수 있다. 인터페이스는 실제 및/또는 훈련 데이터를 포함하는 데이터 세트를 입력하고, 그 데이터 세트를 하나 이상의 대응하는 이벤트(예를 들어, 장소에 입장, 장소를 퇴장, 전송 중단, 프로모션 아이템을 분석 등)에 상관시키는 라벨들을 할당하는데 사용될 수 있다. 일부 양태들에서, 센서 데이터 및/또는 라벨링된 이벤트 데이터가 데이터 분석 구성요소 또는 유틸리티(도시하지 않음)에 제공될 수 있다. 데이터 분석 구성요소/유틸리티(또는 그것의 일부)는 클라이언트 디바이스(102) 및/또는 방문 분석 시스템(106)과 같은 하나 이상의 별개의 디바이스 상에 위치될 수 있다. 예시들에서, 데이터 분석 구성요소/유틸리티는 하나 이상의 위치 및/또는 이동 이벤트를 식별하기 위해, 라벨링되거나 또는 라벨링되지 않은 센서 데이터를 처리할 수 있다. 센서 데이터를 처리하는 것은 지리적 위치 데이터(예를 들어, 위도, 경도, 고도 좌표 등), Wi-Fi 정보(예를 들어, 네트워크 주파수, MAC 주소, 신호 세기, 서비스 세트 식별자(SSID), 타임스탬프 등) 및/또는 이동 데이터(예를 들어, 가속 이벤트, 속도 정보 등)을 포함하는 센서 데이터를 파싱 및 식별하는 것을 포함할 수 있다. 일부 양태들에서, 파싱된 데이터의 하나 이상의 부분은 하나 이상의 수학적 모델 또는 알고리즘에 적용될 수 있다. 예를 들어, 방문 분석 시스템(106)은 예를 들어 데시벨-밀리 와트(dBm)로 기록된 신호 세기를 해석 및/또는 변환하는 신호 세기 변환 알고리즘에 액세스할 수 있다. 다른 예시로서, 방문 분석 시스템(106)은 모바일 디바이스에 의해 이동된 거리를 판단하기 위해 네크워크 주파수 및 Wi-Fi 신호 세기 데이터를 평가하는 신호 분석 모델에 액세스할 수 있다. 또 다른 예시로서, 방문 분석 시스템(106)은 시간 기간 동안 모바일 디바이스의 변위(displacemetnt)를 추정하기 위해 평활화 알고리즘 및 관측된 네트워크 데이터를 사용하는 신호 델타 모델에 액세스할 수 있다. 방문 분석 시스템(106)은 수학적 모델 또는 알고리즘으로부터의 출력을 저장소(들)(108)와 같은 하나 이상의 저장부에 저장할 수 있다.
양태들에서, 방문 분석 시스템(106)은 하나 이상의 예측 모델 및/또는 알고리즘을 추가로 포함하거나, 또는 그것에 액세스할 수 있다. 예시적인 모델/알고리즘은 기댓값 최대화(EM) 알고리즘, 히든 마르코프 모델(HMMs), 비터비 알고리즘, 전후진 알고리즘, 고정래그 평활화 알고리즘, 바움-웰치 알고리즘, 칼만 필터링/선형 2차 추정(LQE) 등을 포함한다. 예측 모델은 방문 검출 정보를 결정하도록 동작 가능할 수 있다. 예를 들어, 예측 모델은 이벤트 및 대응하는 센서 데이터를 포함하는 라벨링되지 않은 데이터의 세트를 액세스할 수 있다. 데이터 분석 엔진은 그 라벨링되지 않은 데이터의 세트를 예측 모델과 연관된 EM 알고리즘으로의 입력으로서 사용할 수 있다. 여기에서 사용되는 것과 같은 EM 알고리즘은 라벨링되지 않은 데이터에 의존하는, 통계 모델에서 파라미터의 최대 가능도(Maximum Likelihood) 또는 최대 사후 확률(MAP) 추정치를 찾기 위한 반복 방법을 나타낼 수 있다. EM 알고리즘은 언제 모바일 디바이스 사용자가 어느 장소에 방문했는지 검출하도록 예측 모델을 훈련시키기 위해 라벨링되지 않은 데이터의 세트를 사용할 수 있다. 다른 예시로서, 예측 모델은 라벨링된 이벤트와 대응하는 센서 데이터를 포함하는 라벨링된 데이터의 세트를 액세스할 수 있다. 데이터 분석 엔진은 그 라벨링된 데이터의 세트를 HMM으로의 입력으로서 사용할 수 있다. 여기에서 사용되는 것과 같이, HMM은 마르코프 천이를 갖는 히든 상태의 세트에 의해 구동되는 관측된 값들의 세트에 대한 타임 시리즈 모델(time series model)을 나타낼 수 있다. HMM은 라벨링된 데이터의 세트에서 가장 적용 가능한 파라미터(들)/특징(들)을 결정하기 위해 (또는 파라미터(들)/특징(들)의 존재하는 세트를 재조정(retune)하기 위해) 라벨링된 데이터의 세트를 사용할 수 있다. 결정된 파라미터(들)/특징(들)은 언제 모바일 디바이스 사용자가 어느 장소에 방문했는지를 검출하는데 사용될 수 있고, 또는 예를 들어 EM 알고리즘을 위한 초기화 포인트로서 사용될 수 있다. 양태들에서, 방문 분석 시스템(106)에 액세스 가능한 예측 모델 또는 알고리즘은 클라이언트 디바이스(102), 원격 디바이스 또는 이것들의 일부 조합에 위치할 수 있다. 예를 들어, 하나 이상의 상태 예측 알고리즘이 방문 검출/예측을 수행하기 위해 클라이언트 디바이스(102) 상에 구현될 수 있다. 클라이언트 디바이스(102) 상의 구현은 상태 예측 알고리즘을 실행하기 위한 네트워크 통신 및 배터리 사용을 최소화할 수 있다. 다른 경우에는, 하나 이상의 알고리즘이 모델 훈련 및 데이터 분석을 수행하기 위해 하나 이상의 원격 디바이스 상에 추가적으로 또는 대안적으로 구현될 수 있다. 원격 디바이스(들) 상의 구현은 증가된 처리 속력 및 성능을 활용할 수 있다.
여기에서 설명되는 것과 같이, 도 2는 방문 검출을 위한 예시적 입력 프로세싱 디바이스(200)의 개략도를 도시한다. 입력 프로세싱 디바이스(200)에 의해 구현되는 방문 검출 기술은 도 1에서 설명된 방문 검출 기술 및 내용을 포함할 수 있다. 대안적 예시들에서, (프로세서 및/또는 메모리와 같은 하나 이상의 구성요소를 포함하는) 단일 시스템이 각각 시스템(100) 및 시스템(200)에서 설명된 프로세싱을 수행할 수 있다.
도 2에 관하여, 입력 프로세싱 유닛(200)은 수집 엔진(202), 프로세싱 엔진(204), 데이터 분석 엔진(206) 및 관측 엔진(208)을 포함할 수 있다. 수집 엔진(202)은 센서 데이터를 수집 또는 수신하도록 구성될 수 있다. 양태들에서, 수집 엔진(202)은 센서 데이터를 포함 및/또는 생성하는 하나 이상의 데이터 소스에 액세스할 수 있다. 센서 데이터는 하나 이상의 모바일 디바이스와 연관된 사용자 또는 물리적 환경으로부터의 입력을 나타낼 수 있다. 데이터 소스는 입력 프로세싱 유닛(200) 상에 국부적으로 또는 하나 이상의 컴퓨팅 디바이스 상에 원격적으로 저장될 수 있다. 일부 양태들에서, 데이터 소스(들)는 센서 데이터를 수집 엔진(202) 에 연속적으로, 주기적으로, 요구에 따라, 또는 하나 이상의 기준을 충족할 때 전송(또는 수집 엔진(202)이 데이터 소스(들)로부터 데이터를 추출)할 수 있다. 적어도 하나의 양태에서, 수집 엔진(202)은 인터페이스를 제공하거나 또는 그것에 액세스할 수 있다. 인터페이스는 사용자가 센서 데이터와 그것에 연관된 데이터를 입력할 수 있게 한다. 인터페이스는 데이터에 대한 탐색 및 조작을 더 제공할 수 있다. 예를 들어, 사용자는 센서 데이터의 세트를 수집 엔진(202)에 입력 또는 업로드하기 위해 인터페이스를 사용할 수 있다. 센서 데이터의 세트는 라벨링된 데이터 또는 라벨링되지 않은 데이터를 포함할 수 있다. 인터페이스는 사용자가 센서 데이터를 보고, 센서 데이터에 라벨을 할당(또는 그와 달리 주석 달기) 및/또는 라벨을 수정 또는 제거하게 할 수 있다.
프로세싱 엔진(204)은 센서 데이터를 처리하도록 구성될 수 있다. 양태들에서, 프로세싱 엔진(204)은 수집된 센서 데이터에 액세스할 수 있다. 프로세싱 엔진(204)은 하나 이상의 위치 및/또는 이동 이벤트를 식별하기 위해 라벨링되거나 또는 라벨링되지 않은 센서 데이터를 처리할 수 있다. 센서 데이터를 처리하는 것은 지리적 위치 데이터(예를 들어, 위도, 경도, 고도 좌표 등), Wi-Fi 정보(예를 들어, 네트워크 주파수, MAC 어드레스, 신호 세기, 서비스 세트 식별자(SSID), 타임스탬프 등), 이동 데이터(예를 들어, 가속 이벤트, 속도 정보 등) 등을 포함하는 센서 데이터를 파싱 및 식별하는 것을 포함함 수 있다. 센서 데이터를 처리하는 것은 부가적으로 또는 대안적으로 라벨 및 대응하는 센서 특징을 식별하고 그것을 하나 이상의 그룹으로 체계화시키기 위해 라벨링된 센서 데이터를 평가하는 것을 포함할 수 있다. 센서 특징은 하나 이상의 동작 상태(motion state)를 나타내거나 또는 대응할 수 있고, 'X' 제2 시간 기간 동안의 속력(speed)/속도(velocity), 가속도, 이전 포인트로부터의 거리, Wi-Fi 신호 세기 등과 같은 데이터를 포함할 수 있다. 양태들에서, 파싱된 센서 데이터는 하나 이상의 특징 벡터를 생성하는데 사용될 수 있다. 여기에서 사용되는 것과 같이, 특징 벡터는 하나 이상의 객체를 나타내는 수치적 특징의 n차원 벡터를 나타낼 수 있다. 특징 벡터는 하나 이상의 지식 소스 또는 데이터 저장소로부터의 센서 데이터 및/또는 정보의 특징들을 포함할 수 있다. 예를 들어, 특징 벡터는 하나 이상의 장소에 대한 Wi-Fi 정보, 그 장소에 대응하는 프로모션 아이템, 모바일 디바이스에 대한 이동/변위 데이터, 사용자 장소 체크인 데이터, 구매일자, 이벤트 기간 데이터 등을 포함할 수 있다.
데이터 분석 엔진(206)은 방문/멈춤 이벤트가 발생했는지 여부를 판단하도록 구성될 수 있다. 양태들에서, 데이터 분석 엔진(206)은 하나 이상의 특징 벡터들 또는 특징 세트에 액세스할 수 있다. 데이터 분석 엔진(206)은 특징 벡터/세트를 하나 이상의 통계 또는 예측 모델/알고리즘에 적용할 수 있다. 예시적인 모델/알고리즘은 기댓값 최대화(EM) 알고리즘, 히든 마르코프 모델(HMMs), 비터비 알고리즘, 전후진 알고리즘, 고정래그 평활화 알고리즘, 바움-웰치 알고리즘, 칼만 필터링/선형 2차 추정(LQE) 등을 포함한다. 모델/알고리즘은 입력 프로세싱 디바이스 (200), 하나 이상의 원격 디바이스, 또는 이것들의 일부 조합 상에 위치할 수 있다. 예를 들어, 제1 모델/알고리즘의 세트는 입력 프로세싱 디바이스(200) 상에 구현되어 실시간으로 센서 데이터를 처리/평가하고, 제2 모델/알고리즘의 세트는 하나 이상의 원격 서버 상에 구현되어 오프라인으로 (또는 주기적으로) 모델 훈련 및 빅 데이터 분석을 수행할 수 있다. 하나 이상의 모델/알고리즘이 제1 및 제2 모델/알고리즘의 세트에 속할 수 있다.
양태들에서, 모델/알고리즘은 방문 검출 정보 및/또는 장소 검출 정보를 결정하도록 동작 가능할 (또는 그것을 결정하도록 훈련될) 수 있다. 예를 들어, 데이터 분석 엔진(206)은 특징 벡터/세트의 다양한 데이터 포인트를 'N' 클래스 또는 클러스터로 분류하도록 동작 가능한 모델/알고리즘에, 특징 벡터/세트를 제공할 수 있다. 클래스는 다양한 속력(예를 들어, 이동하지 않음, 천천히 이동 중, 이동 중, 빨리 이동 중 등)의 동작에 대응할 수 있다. 모델/알고리즘은 클래스에 있는 데이터 포인트들을 동작 상태에 상관시키기 위해 센서 데이터에 대해 클래스(또는 클래스에 있는 데이터)를 평가할 수 있다. 대안적으로, 모델/알고리즘은 상관짓기를 수행하기 위해 클래스 및 연관된 데이터를 개별 모델/알고리즘에 제공할 수 있다. 상관된 데이터는 가장 정확하게 방문의 시작과 멈춤을 판단하는 동작 상태들 간의 천이를 식별하기 위해 더 평가될 수 있다. 예를 들어, 모델/알고리즘은 훈련 데이터의 세트에 대응하는 특징 세트를 3개의 클래스로 분류할 수 있다. 클래스 1은 시간당 1.0 보다 작은 이동 속력를 나타낼 수 있다. 클래스 2는 시간당 1 ~ 3 마일의 이동 속력을 나타낼 수 있다. 클래스 3은 시간당 3마일보다 큰 이동 속력을 나타낼 수 있다. 이 예시에서, 모델/알고리즘은 클래스 1 또는 2에서 "이동 중" 동작 상태에 대응하는 클래스 3으로의 천이를 판단할 수 있는 반면, 클래스 3 또는 2에서 "멈춤" 동작 상태에 대응하는 클래스 1로의 천이를 판단할 수 있다. 대안적으로, 사용자는 하나 이상의 동작 상태에 관한 판단을 행하기 위하여, 독립적으로 또는 모델/알고리즘의 지원으로 천이 데이터를 평가할 수 있다.
특정 양태에서, 데이터 분석 엔진(206)은 라벨링된 데이터 및/또는 라벨링되지 않은 데이터를 포함하는 훈련 데이터의 세트를 HMM에 제공할 수 있다. HMM은 훈련 데이터의 세트 내에서 방문 또는 위치 기반 이벤트를 검출하는 것과 가장 관련이 있는 파라미터(들)/특징(들)을 결정하도록 동작 가능할 수 있다. 추가적으로, HMM은 훈련 데이터의 세트에 대한 하나 이상의 관측치를 결정하도록 동작 가능할 수 있다. 여기에서 사용되는 것과 같이, 관측은 센서 데이터와 하나 이상의 방문 상태(예를 들어, 이동 중, 멈춤, 방문 중, 방문하지 않음 등)간의 상관성 또는 연관성을 설명할 수 있다. 예를 들어, HMM은 방문 검출 분석을 최적화하기 위해 이상적인 조건/행동(예를 들어, 폴링 주기, 속도, 동작 분포 등)을 결정할 수 있다. 일부 양태들에서, HMM은 하나 이상의 모델/알고리즘을 훈련시키거나, 존재하는 파라미터(들)/특징(들)의 세트를 재조정하거나, 또는 언제 모바일 디바이스 사용자가 어느 장소를 방문했는지를 검출하기 위해 파라미터(들)/특징(들)에 대응하는, 결정된 값 및 데이터를 사용할 수 있다. 적어도 하나의 예시에서, 파라미터(들)/특징(들)에 대응하는 데이터 및 값은 예시로서, EM 알고리즘를 대한 초기화 포인트로서 사용될 수 있다.
여기에서 개시된 양태들에 의해 사용될 수 있는 다양한 시스템들을 설명하였지만, 본 명세서는 이제 본 명세서의 다양한 양태들에 의해 수행될 수 있는 하나 이상의 방법을 설명할 것이다. 양태들에서, 방법 300은 도 1의 시스템(100)과 같은, 예시적인 수동적 방문 검출 시스템에 의해 실행될 수 있다. 예시들에서, 방법 300은 동작, 프로그램, 명령어를 저장 및 실행시키도록 구성된 적어도 하나의 프로세서를 포함하는, 입력 프로세싱 유닛(200)과 같은 디바이스 상에서 실행될 수 있다. 그러나 방법 300은 이러한 예시들로 제한되지 않는다. 다른 예시들에서, 방법 300은 방문 검출을 수행하기 위한 애플리케이션 또는 서비스 상에서 수행될 수 있다. 적어도 하나의 예시에서, 방법 300은 웹 서비스/분산 네트워크 서비스(예를 들어, 클라우드 서비스)와 같은 분산 네트워크의 하나 이상의 구성요소에 의해 (예를 들어, 컴퓨터 구현된 동작들이) 실행될 수 있다
여기에서 설명되는 것과 같이, 도 3은 장소 검출을 위한 예시적인 방법 300을 도시한다. 예시적인 방법 300은 센서 데이터가 클라이언트 디바이스(102) 또는 입력 프로세싱 유닛(200)과 같은 컴퓨팅 디바이스에 의해 수집 및 저장될 수 있는 동작 302로 시작한다. 양태들에서, 컴퓨팅 디바이스는 사용자 또는 물리적 환경으로부터 데이터를 수집할 수 있는 하나 이상의 센서를 포함할 수 있다. 센서에 의해 수집된 데이터(예를 들어, 센서 데이터)는 GPS 좌표/정보, Wi-Fi 정보, OS 정보/설정, 하드웨어 정보, 가속도계 데이터, 시간 정보 등과 같은 정보 및 원격 측정 데이터(telemetry data)를 포함할 수 있다. 센서 데이터는 다양한 방법 및/또는 시간에 수집될 수 있다. 예를 들면, 센서 데이터가 센서(또는 센서들의 서브셋)에 의해 데이터 저장소 또는 컴퓨팅 디바이스의 구성요소에 전송되거나, 수집 엔진(202)과 같은 컴퓨팅 디바이스 구성요소를 사용하여 센서들로부터 추출될 수 있다. 센서 데이터는 간헐적으로, 주기적 간격으로 또는 요구에 따라서 수신될 수 있다. 일부 예시들에서, 컴퓨팅 디바이스는 센서 데이터와 상호작용하기 위해 애플리케이션 또는 서비스로의 인터페이스를 제공할 수 있다. 적어도 하나의 예시에서, 인터페이스는 슈퍼 유저, 피고용인, 테스터 등과 같이 승인된 사용자들의 서브셋에서만 이용 가능할 수 있다.
선택적인 동작 304에서, 클라이언트측 인터페이스는 센서 데이터와 연관된 입력을 수신할 수 있다. 입력은 센서 데이터 및/또는 센서 데이터에 대응하는 이벤트에 대한 하나 이상의 라벨을 포함할 수 있다. 예를 들어 직장에 도착하면, 사용자는 라벨 "출근(entering work)"을 입력하기 위해 수동적 방문 검출 시스템의 인터페이스에 액세스할 수 있다. 이러한 예시에서, 인터페이스는 교육 데이터 수집을 용이하게 할 수 있으며, 슈퍼 유저, 직원, 테스터 등과 같이 승인된 사용자들의 서브셋에만 액세스될 수 있다. 인터페이스는 그 라벨을 입력된 라벨에 대응하는 모바일 디바이스 상태 데이터와 연관시키기 위해 사용될 수 있다. 상태 데이터는 주어진 시간의 스냅샷에서 컴퓨팅 디바이스(또는 유저)에 대한 방문 상태(예를 들어, 이동 중, 멈춤, 방문 중, 방문 중이 아님 등) 및/또는 특징/파라미터(예를 들어, GPS 좌표, Wi-Fi 신호 데이터, 시간 데이터 및 가속도계 데이터)를 포함하거나 또는 그것에 대응할 수 있다. 컴퓨팅 디바이스는 사용자가 직장에 있는 동안 센서 데이터를 주기적으로 계속 수집할 수 있다. 직장에서 나올 때, 사용자는 라벨 "퇴근(exiting work)"을 입력하기 위해 인터페이스에 액세스할 수 있다. 인터페이스는 그 라벨을 입력된 라벨에 대응하는 모바일 디바이스 상태 데이터와 다시 연관시킬 수 있다. 대안적으로, 인터페이스에 라벨을 수동으로 입력하는 대신에, 컴퓨팅 디바이스가 하나 이상의 이동 이벤트 또는 검출된 센서 데이터에 기초하여 센서 데이터의 세트에 라벨을 입력/할당할 수 있다. 예를 들어, 컴퓨팅 디바이스가 "직장(work)"으로 지정된 위치 주변의 지오펜스(geo-fenced) 영역을 나온 것을 검출하면, 컴퓨팅 디바이스는 라벨 "퇴근"을 할당하고 "이동 중"인 방문 상태를 결정할 수 있다. 적어도 하나의 예시에서, 인터페이스는 부가적으로 상태 데이터를 하나 이상의 별개의 이벤트(discrete event)로 체계화할 수 있다. 예를 들어, 인터페이스는 "출근"과 "퇴근"라벨 사이에서 수집된 센서 데이터를 수집 및 패키징할 수 있다. 이어 인터페이스는 그 이벤트(예를 들어, "근무중(at work)" 이벤트)를 패키징 및 라벨링할 수 있다. 여기에서 특정 라벨링 예시들이 제공되었지만, 당업자는 이들 예시들이 본 명세서의 하나의 양태임을 이해할 것이다. 일반적으로, 라벨링은 언제 장소로의 방문이 시작(예를 들어, 입장) 및 종료(예를 들어, 퇴장)되었는지를 나타내는데 사용될 수 있다. 입장과 퇴장 사이에서 추적된 상태 데이터는 특정 장소 또는 위치 로의 방문과 연관될 수 있다.
동작 306에서, 센서 데이터는 하나 이상의 모델에 제공될 수 있다. 양태들에서, 동작 302에서 수집된 센서 데이터 및/또는 라벨 데이터는 프로세싱 엔진(204)과 같은 분석 구성요소에 제공될 수 있다. 분석 구성요소는 하나 이상의 모델 또는 알고리즘을 포함(또는 그것에 액세스)할 수 있다. 모델/알고리즘(또는 그것의 인스턴스)은 센서 데이터를 파싱하고, 센서 데이터 특징을 식별하고, 특징 세트를 생성하고, 그에 기초하여 다양한 연산을 수행하도록 동작 가능할 수 있다. 예를 들어, 파싱 구성요소는 다음의 특징들을 포함하는 센서 데이터의 일부를 파싱 및 식별하는데 사용될 수 있다:
[{'frequency': 2412,
'macaddress': u'e2:55:7d:3f:4b:e3',
'signalstrength': -63,
'ssid': u'IIDI',
'timestamp': 1467215627},
{'frequency': 2412,
'macaddress': u'e2:55:7d:3f:4b:e2',
'signalstrength': -63,
'ssid': u'IDEAL-GUEST',
'timestamp': 1467215627},
{'frequency': 2462,
'macaddress': u'54:3d:37:3e:03:18',
'signalstrength': -78,
'ssid': u'Thrillist',
'timestamp': 1467215627}]
파싱된 데이터는 데이터 분석 엔진(206)과 같은 하나 이상의 데이터 분석 구성요소에 제공될 수 있다. 데이터 분석 구성요소는 하나 이상의 모델/알고리즘에 액세스할 수 있다. 예를 들어, 제1 모델은 위의 예시적인 센서 데이터를 액세스할 수 있다. 제1 모델은 주어진 타임스탬프(예를 들어, '1467215627' 타임스탬프)에서 컴퓨팅 디바이스와 Wi-Fi 네트워크의 거리를 판단하기 위해, 주파수 데이터 및 신호 세기 데이터를 신호 세기 알고리즘에 적용할 수 있다. 제2 모델은 센서 데이터 수집 주기 사이에 이동된 거리를 판단하기 위해, 상기 센서 데이터와 후속 타임스탬프(예를 들어, '1467215627' 타임스탬프 이후 60초)에서의 센서 데이터를 사용할 수 있다. 제3 모델은 컴퓨팅 디바이스에 대해 추정된 이동 코스를 플로팅하기 위해, 상기 센서 데이터와 복수의 후속 타임스탬프에서의 센서 데이터를 사용할 수 있다. 제3 모델은 하나 이상의 데이터 평활화 기술(예를 들어, 롤링 평균(rolling mean averages), 기하학적 중간값(geometric medians))을 사용하여 잘못되거나 또는 누락된 센서 값 또는 거리 연산 오류(예를 들어, 지터, 노이즈 등)를 필터링하도록 동작 가능할 수 있다. 이러한 예시에서, 제1, 제2 및/또는 제3 모델의 동작 및 기능은 단일 모델로 통합되거나 또는 복수의 모델에 걸쳐 분산될 수 있다. 예를 들어, 제1 모델은 제1, 제2 및 제3 모델에 대해 상술된 동작들을 수행하는, 다양한 특징들을 사용하여 확장된 HMM 구현일 수 있다. 양태들에서, 데이터 분석 구성요소(들)로부터의 출력은 하나 이상의 디바이스(또는 디바이스 구성요소)로 전송되거나 및/또는 저장소(들)(108)와 같은 데이터 저장소에 저장될 수 있다.
동작 308에서, 하나 이상의 데이터 분석 구성요소가 방문 이벤트가 발생했는지를 판단하기 위해 사용될 수 있다. 양태들에서, 상술된 데이터 분석 구성요소는 방문 및/또는 동작 상태 정보를 생성 또는 검출하는 하나 이상의 모델을 포함할 수 있다. 하나 이상의 모델은 동작 306에서 설명된 동일한 모델들 일 수(또는 그 모델들의 서브셋을 포함할 수) 있다. 예시들에서, 모델들은 센서 데이터, 상태 데이터 및/또는 하나 이상의 모델로부터의 출력을 사용하여 하나 이상의 시간 기간 동안 컴퓨팅 디바이스에 대한 방문 및/또는 동작 상태를 추정/검출하도록 훈련될(또는 추정/검출할 수 있게 동작할) 수 있다. 예를 들어, (훈련 데이터와 같이) 라벨링된 데이터의 세트가 사용자가 집에서 직장으로 이동하는 동안 모바일 디바이스의 동작에 대응할 수 있다. 라벨링된 데이터의 세트는 모델에 제공될 수 있다. 모델은 모델 훈련 및 빅 데이터 분석을 수행하기 위하여 국부적으로 컴퓨터 디바이스에 위치되거나 또는 원격적으로 하나 이상의 원격 서버 상에 위치될 수 있다. 모델은 라벨링된 데이터의 세트 및/또는 그 라벨링된 데이터에 연관된 데이터를 액세스할 수 있다. 모델은 모니터된 시간 기간 동안에 걸쳐 컴퓨팅 다바이스에 대해 다양한 방문 및/또는 동작 상태를 판단하기 위해 상기 데이터를 사용할 수 있다. 하나의 예시에서, 라벨 데이터는 장소를 식별하고 및/또는 방문 또는 멈춤이 발생했는지를 예측하는데 사용될 수 있다. 예를 들어, 사용자가 집에 도착한 것에 대응하는 센서 데이터의 세트가 모델에 제공될 수 있다. "멈춤" 또는 "귀가"와 같은 라벨과, 사용자에 대해 등록된 집 주소에 매치하는 GPS 좌표에 기초하여, 모델이 "집"으로 지정된 위치에 대한 방문 상태 "멈춤" 또는 "방문"을 판단하도록 훈련될 수 있다. 대안적으로, 모델이 보다 서술적인(descriptive) 방문 및/또는 동작 상태 분석을 제공할 수 있다. 예를 들어, 모델은 동작 상태 "집에서 멈춤" 또는 방문 상태 "집 방문"을 판단할 수 있고, 이에 따라 동작/방문 상태를 라벨링할 수 있다. 이 예시에서, 센서 데이터의 세트는 또한 이어서 사용자가 직장으로 이동하는 것에 대응할 수도 있다. 가속도계 데이터, GPS 데이터, Wi-Fi 신호, 또는 다른 센서 데이터에 기초하여, 모델은 동작 상태 "빠르게 이동하는 중" 또는 방문 상태 "방문하지 않음"을 판단하도록 훈련될 수 있다. 센서 데이터의 세트는 사용자가 직장에 도착한 것에 더 대응할 수 있다. 라벨 "직장에 도착", Wi-Fi 신호(예를 들어, "직장" Wi-Fi 네트워크의 검출) 및/또는 GPS 데이터에 기초하여, 모델은 동작 상태 "멈춤"을 판단하도록 훈련될 수 있다. 센서 데이터의 세트는 사용자가 직장에 출근한 것에 더 대응할 수 있다. 가속도계 데이터, Wi-Fi 신호(예를 들어, "직장" Wi-Fi 네트워크에 대한 신호 세기 증가) 및/또는 GPS 데이터에 기초하여, 모델이 동작 상태 "천천히 이동하는 중" 또는 방문 상태 "방문" 또는 "직장 방문"을 판단하도록 훈련될 수 있다. 일부 양태들에서, 훈련된 모델(또는 그것들의 인스턴스) 및/또는 모델을 훈련시키기 위해 사용된 파라미터가 하나 이상의 다른 디바이스로 전송될 수 있다.
다른 예시로서, 라벨링되지 않은 데이터의 세트가 사용자가 상점을 따라 이동하는 동안 모바일 디바이스의 이동에 대응할 수 있다. 모델은 모니터된 시간 기간에 걸쳐서 컴퓨팅 디바이스에 대한 다양한 방문 상태를 판단하기 위해, 라벨링되지 않은 데이터의 세트 및 하나 이상의 통계 모델로부터의 대응하는 출력을 액세스할 수 있다. 예를 들어, 제1 시간 기간 동안, 모델은 10개의 폴링 사이클의 연속 기간(예를 들어, 10분 시간 기간) 동안 Wi-Fi 신호(예를 들어, "상점 A" Wi-Fi 네트워크의 검출)를 포함하는 센서 데이터를 분석할 수 있다. 모델은 Wi-Fi 신호가 10개의 폴링 사이클의 각각 동안 검출되었기 때문에, 모바일 디바이스가 상점 A에 계속 근접해 있었다고 판단할 수 있다. 따라서, 모델은 상점 A에 대한 "방문 중(Visiting)"인 방문 상태를 판단할 수 있다. "방문 중" 방문 상태에 응답하여, 모델은 제1 기간 동안 센서 데이터를 수집 및 저장할 수 있다. 제2 시간 기간 동안, 모델은 다수의 Wi-Fi 신호(예를 들어, "상점 A"및 "상점 B" Wi-Fi 네트워크의 검출) 및 대응하는 신호 세기를 포함하는 센서 데이터를 분석할 수 있다. 센서 데이터에 기초하여, 모델은 모바일 디바이스가 상점 B에 근접했지만, 모바일 디바이스는 실제로 그 상점에 들어가지는 않았다고 판단할 수 있다. 예를 들어, 상점 B의 Wi-Fi 네트워크 디바이스는 상점 정문 안쪽 55피트에 있을 수 있다. 디바이스는 "상점 B" Wi-Fi 네크워크의 신호 강도를 Wi-Fi 네트워크 디바이스로부터 55피트 반경에서 -80dBm, Wi-Fi 네크워크 디바이스로부터 25피트 반경에서 -70dBm 및 Wi-Fi 네크워크 디바이스로부터 5피트 반경에서 -50dBm으로 기록할 수 있다. 제2 시간 기간의 코스 동안, 모바일 디바이스는 -85와 -80 사이의 신호 세기를 기록했을 수 있으며, 이는 모바일 디바이스가 상점 B에 들어가지 않았다는 것을 나타낸다. 따라서, 모델은 상점 B에 대하여 "이동 중(Traveling)" 또는 "멈춤(Stopped)"의 방문 상태를 판단할 수 있다. "이동 중" 방문 상태에 대한 응답으로, 모델은 제2 기간 동안 센서 데이터를 수집 및 저장하지 않을 수 있다. 제3 시간 기간 동안, 모델은 모바일 디바이스가 상점 C에 근접한 것을 판단하기 위하여, 폴링 기간 동안, 가속도계 데이터, 하나 이상의 전자 메시지(예를 들어, 텍스트 또는 이메일 광고, 쿠폰, 이벤트 일정, 영수증 등) 및 GPS 좌표를 사용할 수 있다. 예를 들어, 모델은 모바일 디바이스가 오후 12:05에 3.5mph로 상점 C로부터 멀어져 이동 중이었고; 모바일 디바이스가 오후 12:06에 상점 C에 대한 이메일 광고를 수신하였고; 모바일 디바이스는 오후 12:08에 상점 C를 향해 이동하도록 코스를 변경했고; 모바일 디바이스가 12:08에서 12:15 사이에 3.5mph로 상점 C를 향해 이동 중이었고; 상점 C Wi-Fi "상점 C"가 오후 12:15에 검출되었고; 및 모바일 디바이스가 오후 12:15에서 오후 12:45 사이에 0.1에서 1.8mph(예를 들어, 상점을 둘러보는 속력)로 이동했다는 것을 식별할 수 있다. 이 데이터에 기초하여, 모델은 상점 C에 대한 "방문 중"의 방문 상태를 추론할 수 있다. "방문 중"방문 상태에 응답하여, 모델은 제3 기간 동안 센서 데이터를 수집 및 저장할 수 있다.
선택적 동작 310에서, 한 세트의 관측치가 센서 데이터에 대해 생성될 수 있다. 양태들에서, 센서 데이터, 방문 상태 추론, 및 연관된 데이터가 방문 검출과 관련된 하나 이상의 관측치를 생성하는데 사용될 수 있다. 예를 들어, 방문 상태 추론 및 대응하는 센서 데이터가 방문 분석 시스템(106) 또는 데이터 분석 엔진(206)과 같은 분석 구성요소에 제공될 수 있다. 분석 구성요소는 또한 이전에 생성된 방문 상태 추론 및 센서 데이터를 포함하는, 저장소(들)(108)와 같은 데이터 저장소에 액세스할 수 있다. 분석 구성요소는 하나 이상의 관측치를 결정하기 위해, 현재 데이터 및/또는 이전에 생성된 데이터를 분석할 수 있다. 관측치는 특정 센서 데이터 특징(또는 센서 데이터 특징들의 세트)이 방문 상태에 (긍정적으로 또는 부정적으로) 상관될 확률을 나타낼 수 있다. 예를 들어, 분석 구성요소는 수집된 센서 데이터의 세트를 분석하여, 어느 장소의 500피트 내에서 그 장소로부터 전자 통신을 수신할 때 사용자의 85%가 그 장소에 방문한 것을 판단할 수 있다. 따라서, 분석을 반영된 관측치가 생성될 수 있다. 분석 구성요소는 또한 특정 장소의 방문 중 65%가 주말에 오전 10:00에서 오후 1:30 사이의 시간에 발생한다는 것을 판단할 수 있다. 분석 구성요소는 시간당 4.0마일보다 큰 속력으로 이동하는 사용자들이 시간당 3.1마일 미만으로 이동하는 사용자보다 현저하게 적게 방문한다는 것을 판단할 수도 있다.
양태들에서, 하나 이상의 확률 또는 신뢰 메트릭스가 관측치에 대해 생성될 수 있다. 예를 들어, 분석 구성요소는 센서 데이터의 세트에 대한 관측치들의 세트를 생성할 수 있다. 분석 구성요소는 세트 내의 각 관측치에 대한 신뢰 점수를 연산할 수 있다. 신뢰 점수는 관측치의 예측된 정확성 또는 세기를 반영할 수 있다. 신뢰 점수는 사용자의 이전의 관측치, 사용자들의 세트에 대한 관측치들, 거리 기반 분석, 사용자 입력, 체크인 데이터, 구매 내역, 행동 데이터, 소셜 네트워크 데이터 등에 기초할 수 있다. 일부 양태들에서, 관측치는 주기적으로, 필요에 따라 또는 미리 정해진 조건에 따라 생성될 수 있다. 예를 들어, 관측치는 분석 구성요소를 포함하는 컴퓨팅 디바이스가 오프라인일 때 생성되거나 또는 정해진 임계치 이하의 연산 리소스(computational resource)를 사용하여 생성될 수 있다. 다른 예시로서, 관측치는 방문 상태 판단이 수행될 때 생성될 수 있다. 적어도 하나의 양태에서, 분석 구성요소는 가장 최근에 생성된 관측치를 로컬 데이터 저장소에 저장할 수 있다. 이어 저장된 관측치가 이전 관측 데이터를 재처리하는 대신에, 후속 관측치를 생성하는 동안 사용될 수 있다. 이러한 양태에서, 가장 최근에 생성된 관측치를 저장하는 것은 배터리 효율을 증가시키고 디바이스에 대한 연산 부하를 감소시키는 결과를 가져올 수 있다.
도 4는 도 1에서 설명된 장소 검출 시스템을 위한 예시적인 적합한 운영 환경을 도시한다. 장소 검출 시스템의 가장 기본적인 구성에서, 운영 환경(400)은 일반적으로 적어도 하나의 프로세싱 유닛(402)과 메모리(404)를 포함한다. 컴퓨팅 디바이스의 정확한 구성 및 타입에 의존하여, (여기에서 개시되는 수동적 방문 검출 실시예들을 수행시키기 위한 명령어들을 저장하는) 메모리(404)는 (RAM과 같은) 휘발성, (ROM, 플래시 메모리 등과 같은) 비활발성, 또는 이 2개의 조합일 수 있다. 이 가장 기본적인 구성은 도 4에서 점선 406으로 도시되어 있다. 이에 더하여, 환경(400)은 또한 자기 또는 광 디스크 또는 테이프를 포함하지만 이것들로 제한되지 않는 저장 디바이스(분리형(408) 및/또는 비분리형(410))를 포함할 수 있다. 마찬가지로, 환경(400)은 또한 키보드, 마우스, 펜, 음성 입력 등과 같은 입력 디바이스(들)(414) 및/또는 디스플레이, 스피커, 프린터 등과 같은 출력 디바이스(들)(416)를 가질 수 있다. 또한 이 환경에는 LAN, WAN, 포인트 투 포인트(point to point) 등과 같은 하나 이상의 통신 접속(412)이 포함될 수 있다. 실시예들에서, 접속들은 포인트 투 포인트 통신, 접속-지향 통신, 비접속 통신 등을 사용할 수 있도록 동작할 것이다.
운영 환경(440)은 일반적으로 적어도 컴퓨터 판독 가능 매체의 어떤 형태를 포함한다. 컴퓨터 판독 가능 매체는 프로세싱 유닛(402) 또는 운영 환경을 포함하는 다른 디바이스에 의해 액세스 될 수 있는 임의의 이용 가능한 매체일 수 있다. 예로서, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있으며, 이로 제한되는 것은 아니다. 컴퓨터 저장 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 다른 데이터와 같은 정보의 저장소를 위한 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, DVD(digital versatile disk) 또는 다른 광학 저장소, 자기 카세트, 자기 테이프, 자기 디스크 저장소 또는 다른 자기 저장소 디바이스, 또는 원하는 정보를 저장하는데 사용할 수 있는 기타 비일시적인 매체를 포함한다. 컴퓨터 저장 매체에는 통신 매체가 포함되지 않는다.
통신 매체는 반송파 또는 다른 전송 메카니즘과 같이 변조된 데이터 신호에 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 다른 데이터를 포함시키며, 임의의 정보 전달 매체를 포함한다. 용어 "변조된 데이터 신호"는 하나 이상의 특성값 세트를 갖거나 그 신호의 정보를 인코딩하는 이런 방식으로 변환된 신호를 의미한다. 예로서, 통신 매체는 유선 네트워크 또는 직접-유선 접속과 같은 유선 매체, 및 음향, RF, 적외선, 마이크로파 및 다른 무선 매체와 같은 무선 매체를 포함하지만, 이로 제한되는 것은 아니다. 상술된 것 중 임의의 조합도 컴퓨터 판독 가능 매체의 범위 내에 포함되어야 한다.
운영 환경(400)은 하나 이상의 원격 컴퓨터로의 논리적 접속을 이용하는 네트워크 환경에서 동작하는 하나의 컴퓨터일 수 있다. 원격 컴퓨터는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 피어 디바이스 또는 다른 공통 네트워크 노드일 수 있으며, 일반적으로 위에서 설명한 많은 또는 모든 요소들뿐만 아니라 언급되지 않은 그 밖의 것들도 포함한다. 논리적 접속은 이용 가능한 통신 매체에 의해 지원되는 임의의 방법을 포함할 수 있다. 이러한 네트워킹 환경들은 사무실, 기업 전체의 컴퓨터 네트워크, 인트라넷 및 인터넷에서 일반적이다.
여기서 설명되는 실시예들은 여기에서 개시된 시스템 및 방법을 구현 및 수행하기 위해, 소프트웨어, 하드웨어, 또는 소프트웨어와 하드웨어의 조합을 이용하여 사용될 수 있다. 특정 디바이스가 본 명세서의 전반에서 특정 기능을 수행하는 것으로서 언급되었지만, 당업자는 이 디바이스들이 예시적 목적으로 제공된 것이며, 다른 디바이스들이 본 명세서의 범위를 벗어나지 않으면서 여기에서 개시된 기능들을 수행하기 위해 사용될 수 있다는 것을 이해할 것이다.
본 명세서는 가능한 실시예의 일부만이 도시된 첨부 도면을 참조하여 본 기술의 일부 실시예를 설명한다. 그러나, 다른 양태들이 많은 상이한 형태로 구체화 될 수 있으며, 본 명세서에 설명된 실시예들로 제한되는 것으로 해석되어서는 안 된다. 오히려, 이러한 실시예들은 본 명세서가 당업자에게 가능한 실시예들의 범위를 완전하고 완벽하고 충분하게 전달되도록 하기 위해, 제공되었다.
특정 실시예들이 여기에서 설명되었지만, 이 기술의 범위는 이들 특정 실시예들로 제한되지 않는다. 당업자는 본 기술의 범위 및 사상 내에 있는 다른 실시예 들 또는 개선예들을 알 것이다. 따라서, 특정 구조, 동작 또는 매체는 예시적인 실시예로서만 개시된다. 기술의 범위는 후술하는 청구 범위 및 그것의 등가물에 의해 규정된다.

Claims (20)

  1. 하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서 중 적어도 하나에 연결된 메모리를 포함하고,
    상기 메모리는 상기 적어도 하나의 프로세서에 의해 실행되었을 때, 수동적 방문 검출을 위한 방법을 수행하는 컴퓨터 실행가능 명령어들을 포함하며,
    상기 방법은
    모바일 디바이스에 대한 센서 데이터를 수신하는 단계―상기 센서 데이터는 적어도 상기 모바일 디바이스에 대한 이동 데이터와 장소에 대한 네트워크 데이터를 포함함―;
    특징 세트를 식별하기 위해 상기 센서 데이터를 처리하는 단계- 상기 특징 세트는 상기 이동 데이터, 상기 센서 데이터 및 하나 이상의 후보 장소와 연관된 추가 데이터를 포함하고, 상기 특징 세트에 포함된 데이터는 특징 벡터로 표현됨-; 및
    방문 이벤트가 발생했는지를 판단하기 위해 상기 특징 세트를 평가하는 단계를 포함하는 시스템.
  2. 청구항 1에 있어서, 상기 방법은
    상기 모바일 디바이스에 의해, 상기 센서 데이터에 대응하는 하나 이상의 이벤트를 검출하는 단계―상기 하나 이상의 이벤트는 이동 이벤트, 구매 이벤트, 정보 전달 이벤트 및 장소 체크인 이벤트 중 적어도 하나에 대응함―; 및
    상기 하나 이상의 이벤트에 상기 하나 이상의 특징을 상관시키는 단계를
    더 포함하는 시스템.
  3. 청구항 1에 있어서,
    상기 이동 데이터는 지리적 위치 데이터를 포함하고, 상기 네트워크 데이터는 상기 장소에 대한 하나 이상의 Wi-Fi 신호 세기를 포함하는 시스템.
  4. 청구항 1에 있어서,
    상기 센서 데이터를 처리하는 단계는,
    상기 하나 이상의 Wi-Fi 신호 세기를 식별하기 위해 상기 센서 데이터를 파싱하는 단계;
    상기 식별된 하나 이상의 Wi-Fi 신호 세기를 평가하기 위해 통계 모델을 사용하는 단계; 및
    상기 통계 모델에 의해, 상기 특징 세트의 적어도 일부를 생성하는 단계를 포함하는 시스템.
  5. 청구항 4에 있어서,
    상기 하나 이상의 Wi-Fi 신호 세기를 평가하는 단계는 상기 모바일 디바이스와 상기 장소 사이의 거리를 판단하기 위해 상기 Wi-Fi 신호 세기를 사용하는 단계를 포함하는 시스템.
  6. 청구항 4에 있어서,
    상기 하나 이상의 Wi-Fi 신호 세기를 평가하는 단계는,
    제1 시간에 제1 네트워크 신호들의 세트를 관측하는 단계;
    제2 시간에 제2 네트워크 신호들의 세트를 관측하는 단계; 및
    상기 제1 시간과 상기 제2 시간 사이에 상기 모바일 디바이스가 이동된 추정 거리를 판단하기 위해, 상기 제1 네트워크 신호들의 세트와 상기 제2 네트워크 신호들의 세트를 비교하는 단계를 포함하는 시스템.
  7. 청구항 1에 있어서,
    상기 특징 세트를 평가하는 단계는 하나 이상의 장소에 대한 상기 모바일 디바이스의 방문 상태를 검출하도록 동작 가능한 예측 모델에 상기 특징 세트를 제공하는 단계를 포함하는 시스템.
  8. 청구항 7에 있어서,
    상기 예측 모델은 방문 이벤트의 검출에 관련되고, 상기 특징 세트에 있는 특징들을 결정하도록 동작 가능한 HMM인 시스템.
  9. 청구항 8에 있어서,
    상기 HMM을 사용하여 결정되는 상기 특징들은, 라벨링되지 않은 데이터의 세트를 평가하도록 동작 가능한 EM 알고리즘을 위한 초기화 포인트로서 사용되는 시스템.
  10. 청구항 8에 있어서,
    상기 예측 모델은 상기 모바일 디바이스 상에 구현되고, 상기 예측 모델은 실시간으로 방문 상태를 검출하도록 동작 가능한 시스템.
  11. 청구항 8에 있어서,
    상기 예측 모델은 라벨링된 데이터를 사용하여 상기 예측 모델을 훈련시키고 빅 데이터 분석을 수행하도록 동작 가능한 원격 디바이스 상에 구현되는 시스템.
  12. 청구항 1에 있어서,
    상기 방법은
    상기 센서 데이터에 대한 관측치들의 세트를 생성하는 단계를 더 포함하고,
    상기 관측치들의 세트는 상기 센서 데이터의 하나 이상의 특징과 방문 상태 간의 상관성을 나타내는 시스템.
  13. 청구항 1에 있어서,
    상기 시스템은
    데이터 라벨 및 훈련 데이터 중 적어도 하나를 포함하는 사용자 입력을 수신하도록 동작 가능한 사용자 인터페이스를 더 포함하는 시스템.
  14. 모바일 디바이스에서, 상기 모바일 디바이스에 대한 위치 데이터, 상기 모바일 디바이스에 대한 이동 데이터, 및 장소에 대한 네트워크 데이터 중 적어도 하나를 포함하는 센서 데이터를 수신하는 단계;
    상기 센서 데이터에 대한 특징 세트를 생성하기 위해, 실시간으로 상기 센서 데이터를 처리하는 단계- 상기 특징 세트는 상기 이동 데이터, 상기 센서 데이터 및 하나 이상의 후보 장소와 연관된 추가 데이터를 포함하고, 상기 특징 세트에 포함된 데이터는 특징 벡터로 표현됨-; 및
    상기 모바일 디바이스의 방문 상태를 판단하도록 상기 특징 세트를 평가하기 위해 HMM 구현을 사용하는 단계를 포함하는 수동적 방문 검출을 위한 방법.
  15. 청구항 14에 있어서,
    상기 센서 데이터는 제1 시간 기간 및 적어도 제2 시간 기간 동안의 원격 측정(telemetry) 데이터를 포함하고,
    상기 특징 세트를 평가하는 것은 상기 제1 시간 기간 동안의 센서 데이터를 상기 제2 시간 기간 동안의 센서 데이터와 비교하는 것을 포함하는 수동적 방문 검출을 위한 방법.
  16. 청구항 15에 있어서,
    상기 특징 세트를 평가하는 것은
    상기 특징 세트 내의 특징들을 하나 이상의 이벤트에 상관시키는 것을 더 포함하고,
    상기 하나 이상의 이벤트는 이동 이벤트, 구매 이벤트, 정보 전달 이벤트 및 장소 체크인 이벤트 중 적어도 하나에 대응하는 수동적 방문 검출을 위한 방법.
  17. 컴퓨팅 디바이스에서, 모바일 디바이스에 대한 위치 데이터, 상기 모바일 디바이스에 대한 이동 데이터, 및 장소에 대한 네트워크 데이터 중 적어도 하나를 포함하는 센서 데이터를 수신하는 단계;
    상기 센서 데이터에 대한 특징 세트를 생성하기 위해, 상기 센서 데이터를 처리하는 단계- 상기 특징 세트는 상기 이동 데이터, 상기 센서 데이터 및 하나 이상의 후보 장소와 연관된 추가 데이터를 포함하고, 상기 특징 세트에 포함된 데이터는 특징 벡터로 표현됨-; 및
    상기 모바일 디바이스의 하나 이상의 방문 상태를 검출하도록 예측 모델을 훈련시키기 위해 상기 특징 세트를 사용하는 단계를 포함하는 수동적 방문 검출을 위한 방법.
  18. 청구항 17에 있어서,
    상기 센서 데이터는 라벨링된 데이터의 세트를 포함하고,
    상기 예측 모델은 상기 라벨링된 데이터의 세트와 상기 하나 이상의 방문 상태 간의 상관성을 결정하기 위해 상기 라벨링된 데이터의 세트를 사용하는 수동적 방문 검출을 위한 방법.
  19. 청구항 18에 있어서,
    상기 결정된 상관성은 상기 예측 모델의 후속 훈련과 함께 사용하기 위해 하나 이상의 데이터 저장소에 저장되는 수동적 방문 검출을 위한 방법.
  20. 청구항 17에 있어서,
    상기 훈련된 예측 모델의 인스턴스가 상기 모바일 디바이스에 송신되는 수동적 방문 검출을 위한 방법.
KR1020197010855A 2016-09-16 2017-09-15 수동적 방문 검출 KR102414936B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662395827P 2016-09-16 2016-09-16
US62/395,827 2016-09-16
US15/704,899 US11017325B2 (en) 2016-09-16 2017-09-14 Passive visit detection
US15/704,899 2017-09-14
PCT/US2017/051879 WO2018053330A1 (en) 2016-09-16 2017-09-15 Passive visit detection

Publications (2)

Publication Number Publication Date
KR20190062443A KR20190062443A (ko) 2019-06-05
KR102414936B1 true KR102414936B1 (ko) 2022-07-01

Family

ID=61617466

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020197010854A KR102435712B1 (ko) 2016-09-16 2017-09-14 장소 검출
KR1020197010855A KR102414936B1 (ko) 2016-09-16 2017-09-15 수동적 방문 검출

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020197010854A KR102435712B1 (ko) 2016-09-16 2017-09-14 장소 검출

Country Status (5)

Country Link
US (4) US11481690B2 (ko)
EP (2) EP3513579A4 (ko)
JP (2) JP7032408B2 (ko)
KR (2) KR102435712B1 (ko)
WO (2) WO2018053133A1 (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11481690B2 (en) * 2016-09-16 2022-10-25 Foursquare Labs, Inc. Venue detection
EP3305538A1 (de) * 2016-10-07 2018-04-11 Mitsubishi HiTec Paper Europe GmbH Wärmeempfindliches aufzeichnungsmaterial
US9980100B1 (en) * 2017-08-31 2018-05-22 Snap Inc. Device location based on machine learning classifications
US20190163664A1 (en) * 2017-11-27 2019-05-30 Salesforce.Com, Inc. Method and system for intelligent priming of an application with relevant priming data
US11508466B2 (en) * 2017-12-04 2022-11-22 Cerner Innovation, Inc. Methods, systems, and devices for determining multi-party collocation
JP7233868B2 (ja) * 2018-08-08 2023-03-07 キヤノン株式会社 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム
US11172324B2 (en) * 2018-08-17 2021-11-09 xAd, Inc. Systems and methods for predicting targeted location events
US11134359B2 (en) * 2018-08-17 2021-09-28 xAd, Inc. Systems and methods for calibrated location prediction
US11146911B2 (en) * 2018-08-17 2021-10-12 xAd, Inc. Systems and methods for pacing information campaigns based on predicted and observed location events
US10887727B2 (en) * 2018-12-07 2021-01-05 Microsoft Technology Licensing, Llc Computer-implemented detection of a work-related visit based on data from movement-sensing mechanism(s)
AU2019421123A1 (en) * 2019-01-10 2021-07-29 Position Partners Pty Ltd A civil construction site control system and method of use
US20200252500A1 (en) * 2019-01-31 2020-08-06 Marcello Giordano Vibration probing system for providing context to context-aware mobile applications
US11080629B2 (en) 2019-03-22 2021-08-03 Microsoft Technology Licensing, Llc Automatically generating activity summaries based on signals obtained from plural devices and logic components
US11029984B2 (en) * 2019-04-27 2021-06-08 EMC IP Holding Company LLC Method and system for managing and using data confidence in a decentralized computing platform
US11062272B2 (en) 2019-07-15 2021-07-13 Microsoft Technology Licensing, Llc Recommending meeting spaces using automatically-generated visit data, with geo-tagging of the meeting spaces
DE102020120456A1 (de) * 2020-08-03 2022-02-03 Endress+Hauser Conducta Gmbh+Co. Kg Messwertverarbeitungssystem und Messwertverarbeitungsverfahren
US20220366237A1 (en) * 2021-05-17 2022-11-17 Humana Inc. Neural network based prediction of events associated with users

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226857A1 (en) * 2012-02-24 2013-08-29 Placed, Inc. Inference pipeline system and method

Family Cites Families (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2426312A1 (fr) 1978-05-19 1979-12-14 Framatome Sa Dispositif de maintien transversal des barreaux combustibles d'un assemblage pour reacteur nucleaire
US6714778B2 (en) 2001-05-15 2004-03-30 Nokia Corporation Context sensitive web services
JP3829784B2 (ja) 2002-09-19 2006-10-04 日本電信電話株式会社 位置検出方法及びシステム及び無線通信装置
JP4761548B2 (ja) 2006-06-19 2011-08-31 株式会社Ａｃｃｅｓｓ 移動端末装置およびその制御プログラムならびにサーバ
JP2009159336A (ja) 2007-12-26 2009-07-16 Panasonic Corp 行動範囲把握方法および行動把握装置
WO2010120566A2 (en) 2009-04-01 2010-10-21 Cornell University METHODS FOR TREATING IgE-MEDIATED DISORDER
JP5495014B2 (ja) 2009-09-09 2014-05-21 ソニー株式会社 データ処理装置、データ処理方法、およびプログラム
US10758630B2 (en) 2010-08-13 2020-09-01 The Johns Hopkins University Topical compositions and methods of detection and treatment
CN102549578B (zh) 2010-10-01 2016-03-09 松下电器产业株式会社 分类装置以及分类方法
US20130060626A1 (en) * 2011-03-04 2013-03-07 Tristan Walker System and method for managing and redeeming offers with a location-based service
US20120284212A1 (en) * 2011-05-04 2012-11-08 Google Inc. Predictive Analytical Modeling Accuracy Assessment
US9019984B2 (en) 2011-06-03 2015-04-28 Apple Inc. Selecting wireless access points for geofence monitoring
KR101602078B1 (ko) * 2011-07-20 2016-03-09 이베이 인크. 실시간 위치 인식 추천
US9070135B2 (en) * 2011-11-02 2015-06-30 ThinkVine Corporation Agent generation for agent-based modeling systems
US9047316B2 (en) * 2012-06-04 2015-06-02 Yellowpages.Com Llc Venue prediction based on ranking
US9785993B2 (en) * 2012-06-04 2017-10-10 Verge Wireless, Inc. Method for analyzing and ranking venues
US9113291B2 (en) 2012-06-18 2015-08-18 Qualcomm Incorporated Location detection within identifiable pre-defined geographic areas
KR101880480B1 (ko) 2012-06-25 2018-08-17 엘지전자 주식회사 휴대 단말기의 동작 방법
US9426232B1 (en) * 2012-08-21 2016-08-23 Google Inc. Geo-location based content publishing platform
US10235683B2 (en) 2014-07-18 2019-03-19 PlaceIQ, Inc. Analyzing mobile-device location histories to characterize consumer behavior
US8817652B1 (en) 2013-02-20 2014-08-26 46 Labs Ops Call routing and real-time monitoring
US9918199B2 (en) * 2013-03-01 2018-03-13 Harley E. ROUDA, JR. Subject matter based tour guide
JP2015002388A (ja) 2013-06-13 2015-01-05 株式会社Ｎｔｔドコモ 複数の無線ベアラにアクセスする方法及び装置
US20150032673A1 (en) * 2013-06-13 2015-01-29 Next Big Sound, Inc. Artist Predictive Success Algorithm
US9253596B2 (en) 2013-10-15 2016-02-02 Qualcomm Incorporated Method and apparatus for detecting location changes and monitoring assistance data via scanning
US9519869B2 (en) 2013-11-25 2016-12-13 International Business Machines Corporation Predictive computer system resource monitoring
US9185542B1 (en) * 2013-12-31 2015-11-10 Joingo, Llc System and method for measuring the quantity, type and transmission quality of mobile communication devices within a defined geographical area
US20150248436A1 (en) 2014-03-03 2015-09-03 Placer Labs Inc. Methods, Circuits, Devices, Systems and Associated Computer Executable Code for Assessing a Presence Likelihood of a Subject at One or More Venues
US9817907B1 (en) * 2014-06-18 2017-11-14 Google Inc. Using place of accommodation as a signal for ranking reviews and point of interest search results
US20160066150A1 (en) 2014-08-28 2016-03-03 Qualcomm Incorporated Dynamic Configuration of a Positioning System
KR101625757B1 (ko) * 2014-11-25 2016-05-31 한국과학기술원 무선랜 라디오맵 자동 구축 방법 및 시스템
US20160180222A1 (en) * 2014-12-23 2016-06-23 Ejenta, Inc. Intelligent Personal Agent Platform and System and Methods for Using Same
US10078852B2 (en) * 2014-12-30 2018-09-18 Facebook, Inc. Predicting locations and movements of users based on historical locations for users of an online system
US9860704B2 (en) * 2015-03-31 2018-01-02 Foursquare Labs, Inc. Venue identification from wireless scan data
US10185973B2 (en) * 2015-04-07 2019-01-22 Microsoft Technology Licensing, Llc Inferring venue visits using semantic information
US9955359B2 (en) * 2015-05-19 2018-04-24 Cisco Technology, Inc. Location services with multiple devices
JP5933863B1 (ja) 2015-05-22 2016-06-15 株式会社Ｕｂｉｃ データ分析システム、制御方法、制御プログラム、および記録媒体
US11887164B2 (en) * 2015-05-26 2024-01-30 Microsoft Technology Licensing, Llc Personalized information from venues of interest
US9838848B2 (en) 2015-06-05 2017-12-05 Apple Inc. Venue data prefetch
US20160358065A1 (en) * 2015-06-05 2016-12-08 Microsoft Technology Licensing, Llc Personally Impactful Changes To Events of Users
US20170032248A1 (en) * 2015-07-28 2017-02-02 Microsoft Technology Licensing, Llc Activity Detection Based On Activity Models
US10516964B2 (en) * 2015-07-28 2019-12-24 Microsoft Technology Licensing, Llc Inferring user availability for a communication
KR102382701B1 (ko) * 2015-09-02 2022-04-06 삼성전자 주식회사 센서 기반 행동 인식을 이용하여 사용자의 위치를 인식하는 사용자단말장치 및 방법
US20170124465A1 (en) * 2015-10-29 2017-05-04 Foursquare Labs, Inc. Analysis and prediction from venue data
US20170169444A1 (en) * 2015-12-10 2017-06-15 Invensense, Inc. Systems and methods for determining consumer analytics
US10337879B2 (en) * 2015-12-24 2019-07-02 Intel Corporation Travel assistance
US9813402B1 (en) * 2016-01-08 2017-11-07 Allstate Insurance Company User authentication based on probabilistic inference of threat source
US10187394B2 (en) * 2016-03-31 2019-01-22 Microsoft Technology Licensing, Llc Personalized inferred authentication for virtual assistance
US9948733B2 (en) * 2016-05-09 2018-04-17 Dstillery, Inc. Evaluating authenticity of geographic data associated with media requests
US11138615B1 (en) * 2016-08-11 2021-10-05 Google Llc Location-based place attribute prediction
US11481690B2 (en) * 2016-09-16 2022-10-25 Foursquare Labs, Inc. Venue detection
CN110573066A (zh) * 2017-03-02 2019-12-13 光谱Md公司 用于多光谱截肢部位分析的机器学习系统和技术
US11928616B2 (en) * 2017-09-18 2024-03-12 Kinaxis Inc. Method and system for hierarchical forecasting
US20190287121A1 (en) * 2018-03-19 2019-09-19 Foursquare Labs, Inc. Speculative check-ins and importance reweighting to improve venue coverage
US11630995B2 (en) * 2018-06-19 2023-04-18 Siemens Healthcare Gmbh Characterization of amount of training for an input to a machine-learned network
US11636393B2 (en) * 2019-05-07 2023-04-25 Cerebri AI Inc. Predictive, machine-learning, time-series computer models suitable for sparse training sets
US11085663B2 (en) * 2019-07-19 2021-08-10 Johnson Controls Tyco IP Holdings LLP Building management system with triggered feedback set-point signal for persistent excitation
RU2762779C2 (ru) * 2019-11-06 2021-12-22 Общество С Ограниченной Ответственностью «Яндекс» Способ и система для определения события посещения места пользователем

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226857A1 (en) * 2012-02-24 2013-08-29 Placed, Inc. Inference pipeline system and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이상우 외2명,"스마트폰 사용자의 이동경로 및 도착지 예측을 위한 다중스위치 은닉마코프 모델", 컴퓨팅의 실제 및 레터 제19권 제6호(2013.6)*

Also Published As

Publication number Publication date
EP3513579A1 (en) 2019-07-24
WO2018053330A1 (en) 2018-03-22
US20180082206A1 (en) 2018-03-22
US11481690B2 (en) 2022-10-25
EP3513580A1 (en) 2019-07-24
JP2019537394A (ja) 2019-12-19
KR20190062443A (ko) 2019-06-05
EP3513579A4 (en) 2020-05-06
JP2019530385A (ja) 2019-10-17
EP3513580A4 (en) 2020-05-06
JP7032408B2 (ja) 2022-03-08
US12086699B2 (en) 2024-09-10
US20180080793A1 (en) 2018-03-22
US11017325B2 (en) 2021-05-25
US20210350286A1 (en) 2021-11-11
KR20190064594A (ko) 2019-06-10
US20230135252A1 (en) 2023-05-04
WO2018053133A1 (en) 2018-03-22
KR102435712B1 (ko) 2022-08-25
JP7101680B2 (ja) 2022-07-15

Similar Documents

Publication Publication Date Title
KR102414936B1 (ko) 수동적 방문 검출
US9948735B2 (en) User activity tracking system and device
Wang et al. Energy saving techniques in mobile crowd sensing: Current state and future opportunities
CN102498469B (zh) 使用事件的方法、设备和系统
EP2624533A1 (en) Mobile device and method of determining a state transition of a mobile device
US20130031047A1 (en) Efficiency and accuracy of geo-fencing based on user history
JP2012003494A (ja) 情報処理装置、情報処理方法及びプログラム
CN115698901A (zh) 计算系统中动态调度唤醒模式的方法、系统、制品和装置
US11782496B2 (en) Smart context subsampling on-device system
WO2019183079A1 (en) Speculative check-ins and importance reweighting to improve venue coverage
CN114417192B (zh) 更新兴趣点poi状态的方法、装置、设备、介质及产品
US20200160384A1 (en) Event System Leveraging User's Mobility Behavior
CN111278105A (zh) 无线网络定位方法和相关装置
Khan et al. Personal productivity monitoring through smartphones
US10460345B2 (en) Content targeting with probabilistic presentation time determination
Kumar et al. Efficient anomaly detection methodology for power saving in massive iot architecture
Wang et al. A p-persistent frequent itemsets with 1-RHS based correction algorithm for improving the performance of WiFi-based occupant detection method
Lovett et al. Capturing transitions between users' semantically meaningful places using mobile devices
Frà et al. Mobile Sensing of User’s Motion and Position Context for Automatic Check-in Suggestion and Validation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant