KR20190064594A - 장소 검출 - Google Patents

장소 검출 Download PDF

Info

Publication number
KR20190064594A
KR20190064594A KR1020197010854A KR20197010854A KR20190064594A KR 20190064594 A KR20190064594 A KR 20190064594A KR 1020197010854 A KR1020197010854 A KR 1020197010854A KR 20197010854 A KR20197010854 A KR 20197010854A KR 20190064594 A KR20190064594 A KR 20190064594A
Authority
KR
South Korea
Prior art keywords
location
data
mobile device
locations
list
Prior art date
Application number
KR1020197010854A
Other languages
English (en)
Other versions
KR102435712B1 (ko
Inventor
카가테이 버크 카피시오글루
엔리크 크루즈
아론 미첼
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 KR20190064594A publication Critical patent/KR20190064594A/ko
Application granted granted Critical
Publication of KR102435712B1 publication Critical patent/KR102435712B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Telephonic Communication Services (AREA)
  • Telephone Function (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar, Positioning & Navigation (AREA)
  • User Interface Of Digital Computer (AREA)
  • Automation & Control Theory (AREA)

Abstract

본 명세서의 예시들은 장소 검출을 위한 시스템 및 방법을 설명한다. 양태들에서, 센서들의 세트를 포함하는 모바일 디바이스는 검출된 이동 이벤트 또는 사용자 상호작용 데이터에 응답하여 센서 데이터를 수집 및 저장할 수 있다. 센서 데이터는 모바일 디바이스의 위치에 대응하는 후보 장소들의 세트를 생성하는데 사용될 수 있다. 후보 장소들은 장소 검출 시스템에 제공될 수 있다. 장소 검출 시스템은 특징들의 세트를 생성하기 위해 후보 장소들을 처리할 수 있다. 특징들의 세트는 하나 이상의 확률 모델에 적용될 수 있고 및/또는 하나 이상의 확률 모델을 생성하는데 사용될 수 있다. 확률 모델은 각 후보 장소에 대한 신뢰성 메트릭스를 생성 할 수 있다. 일부 양태들에서, 상위 'N' 장소들이 상기 세트로부터 선택될 수 있다. 상위 'N' 장소들은 사용자에게 제시되거나 및/또는 하나 이상의 동작을 시행하는 데 사용될 수 있다.

Description

장소 검출
본 출원은 2017년 9월 14일자로 PCT 국제 특허 출원된 것으로서, 2016년 9월 16일자로 출원된 미국 가출원 No.62/395,827(명칭: "수동적 방문 검출을 위한 시스템 및 방법")에 대해 우선권을 주장하는 출원인, 2017년 8월 29일자로 출원된 미국 특허 출원 No.15/689,683(명칭: "장소 검출")에 대해 우선권을 주장하며, 상기 출원들의 개시 내용은 그 내용의 전체가 참조로서 본 출원에 포함된다.
장소 검출 시스템은 모바일 디바이스 방문 패턴과 관련된 결정들을 가능하게 한다. 많은 경우, 장소 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 특정 장소에서의 모바일 디바이스 사용자에 의한 체크인 이벤트와 상관되는지 여부를 결정하는데 사용될 수 있다. 그러나 지리 좌표계 데이터의 거의 배타적 사용은 부정확한 장소 검출을 가져올 수 있다.
본 명세서에서 개시된 양태들을 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 장소 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. 센서 데이터는 모바일 디바이스의 위치에 대응하는 후보 장소들의 세트를 생성하는데 사용될 수 있다. 후보 장소들은 장소 검출 시스템에 제공될 수 있다. 장소 검출 시스템은 특징들의 세트를 생성하도록 후보 장소들을 처리할 수 있다. 특징들의 세트는 하나 이상의 확률 모델에 적용되거나, 및/또는 하나 이상의 확률 모델을 생성하는데 사용될 수 있다. 확률 모델은 각각의 후보 장소에 대한 신뢰성 메트릭스(confidence metrics)를 생성할 수 있다. 일부 양태들에서, 상위 'N' 장소들은 세트로부터 선택될 수 있다. 상위 'N' 장소들은 이어 사용자에게 제시되거나 및/또는 하나 이상의 동작을 시행하는데 사용될 수 있다.
이 요약은 이후 상세한 설명에서 더 설명되는 개념들의 셀력션을 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 장소 검출을 위한 예시적인 시스템의 개략도를 도시한다.
도 2는 본 명세서에 설명되는 것과 같이 장소 검출을 구현하기 위한 예시적인 입력 프로세싱 유닛을 도시한다.
도 3은 본 명세서에 설명되는 것과 같이 장소 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 장소 검출을 위한 시스템 및 방법을 설명한다. 양태들에서, 장소 검출이 수동적 방문 검출에 대해서 설명될 수 있다. 수동적 방문 검출은 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. 여기에서 설명된 장소 검출 기술이 수동적 방문 검출에 대해 기술되어 있지만, 당업자라면 이러한 기술이 또한 다른 상황에도 적용될 수 있다는 것을 알 것이다.
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 데이터로가 수집되고 처리되게 할 수 있다. 센서 데이터를 처리하는 것은 하나 이상의 장소 및/또는 연관된 장소 데이터를 식별하기 위해, 센서 데이터를 파싱하는 것을 포함할 수 있다. 식별된 장소들/장소 데이터는 지오팬스(geo-fenced) 영역 내의 이벤트 및/또는 사용자 활동에 대응하는 후보 장소들의 세트를 식별하기 위해 분석될 수 있다. 여기에서 사용되는 것과 같이, 지오팬스는 모바일 디바이스의 지리적 위치 주변의 가상 경계(virtual perimeter)를 동적으로 생성하는 것을 나타낼 수 있다. 후보 장소들의 세트는 특징들의 세트를 결정하기 위해 분석될 수 있다. 특징들의 세트는 각 후보 장소에 대해 하나 이상의 특징 벡터를 생성하는데 사용될 수 있다. 여기에서 사용된 것과 같이, 특징 벡터는 하나 이상의 객체를 나타내는 수치적 특징의 n차원 벡터를 나타낼 수 있다. 특징 벡터는 결정 논리, 하나 이상의 규칙 세트, 또는 기계 학습 모델과 같은 하나 이상의 데이터 평가 유틸리티에 적용되거나 그것들을 생성하는데 사용될 수 있다. 여기에서 사용되는 것과 같이, 모델은 하나 이상의 문자 시퀀스, 클래스, 객체, 결과 집합 또는 이벤트에 대한 확률 분포를 결정하거나, 및/또는 하나 이상의 예측 변수(predictor)로부터의 응답값을 예측하는데 사용될 수 있는 예측 또는 통계 언어 모델을 나타낼 수 있다. 예시들에서, 모델은 규칙-기반 모델, 기계-학습 회귀기(regressor), 기계-학습 분류기, 뉴럴 네트워크 등일 수 있다.
양태들에서, 데이터 평가 유틸리티들은 후보 장소들의 리스트에 대한 신뢰성 메트릭스를 생성하기 위해 특징 벡터를 사용할 수 있다. 신뢰성 메트릭스는 후보 장소가 특정 좌표 세트 또는 이벤트에 대응할 가능성을 나타낼 수 있다. 예시들에서, 후보 장소들의 리스트는 (신뢰성 메트릭스와 같은) 하나 이상의 기준에 따라 순위가 부여되고, 사용자 인터페이스를 통해 제시될 수 있다. 일부 양태들에서, 후보 장소들의 리스트가 후보 장소 셀렉션의 정확성 및/또는 신뢰를 증가시키거나, 또는 후보 장소 셀렉션의 개수를 감소시키기 위해 교정(calibrate)될 수 있다. 교정은 휴리스틱의 사용 및 하나 이상의 임계값 비교가 포함될 수 있다. 예시들에서, 교정은 후보 장소들의 리스트로부터 상위 'N' 장소들을 선택하게 할 수 있다. 상위 'N' 장소 중 하나 이상은 디스플레이 인터페이스를 통해 사용자에게 제시될 수 있다. 디스플레이 인터페이스는 하나 이상의 사용자 선택을 수신하기 위해 제공할 수 있다. 사용자 선택은 상위 'N' 장소들의 리스트를 더 교정하는데 사용될 수 있다.
따라서, 본 명세서는 다른 예시들 중에 수동적 방문 이벤트를 검출하는 것; 장소 기반의 지오팬스를 가능하게 하는 것; 다양한 모바일 디바이스 센서를 사용하여 장소/위치 데이터를 수집할 수 있는 것; 하나 이상의 데이터 저장소로부터, 장소 기반의 특징 벡터를 생성하는 장소 데이터 및 사용자 데이터를 수집할 수 있는 것; 장소들의 리스트에 대한 확률을 결정하기 위해 기계 학습 기술을 적용하는 것; 사용자기반 거부 정보를 사용하여 장소 선택을 정리(refine)하는 것; 장소들 사이에 상대적 방문 총합의 측정값을 개선시키는 것; 낮은 확률 장소를 제거하기 위해 장소 리스트들을 교정하는 것; 목적 함수를 사용하여 확률 모델의 정확성을 평가하는 것; 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 상호 작용하는 상호 의존적인 구성요소의 조합이다. 시스템의 구성요소는 하드웨어 구성요소 또는 시스템의 하드웨어 구성요소에 의해 구현되거나 및/또는 실행되는 소프트웨어일 수 있다. 예시들에서, 시스템(100)은 (예를 들어, 운영 체제(OS)를 실행/구동시키는데 사용되는) 임의의 하드웨어 구성요소 및 하드웨어 상에서 구동되는 소프트웨어 구성요소(예를 들어, 애플리케이션, 애플리케이션 프로그래밍 인터페이스(API), 모듈, 가상 기계, 런타임 라이브러리 등)를 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), 장소 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 디바이스에 대한 센서 데이터를 검출 및/또는 생성하도록 동작할 수 있다. 클라이언트 디바이스(102)는 센서 데이터를 수집 및 처리할 수 있다. 일부 양태들에서, 클라이언트 디바이스(102)는 이벤트 또는 하나 이상의 기준에 대한 충족을 검출하는 것에 응답하여 센서 데이터를 수집 및/또는 처리할 수 있다. 예를 들어, 센서 데이터는 클라이언트 디바이스(102)에 의한 검출된 멈춤에 응답하여 수집될 수 있다. 예시들에서, 멈춤을 검출하는 것은 기댓값 최대화(EM) 알고리즘, 히든 마르코프 모델(HMMs), 비터비 알고리즘, 전후진 알고리즘, 고정래그(Fixed-lag) 평활화 알고리즘, 바움-웰치(Baum-Welch) 알고리즘 등과 같은, 하나 이상의 기계 학습 기술 또는 알고리즘의 사용을 포함할 수 있다. 센서 데이터를 수집하는 것은 다양한 센서로부터 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. 수집된 센서 데이터는 분산 네트워크(104)를 통해 장소 분석 시스템(106)과 같은 분석 유틸릴티에 제공(또는 분석 유틸리티에 의해 액세스)될 수 있다.
장소 분석 시스템(106)은 하나 이상의 장소 리스트를 생성하도록 구성될 수 있다. 양태들에서, 장소 분석 시스템(106)은 하나 이상의 센서 데이터의 세트에 액세스할 수 있다. 장소 분석 시스템(106)은 장소들의 후보 세트를 식별하기 위해 센서 데이터를 처리할 수 있다. 센서 데이터를 처리하는 것은 클라이언트 디바이스(102)의 하나 이상의 위치를 식별하기 위해 센서 데이터를 파싱하는 것을 포함할 수 있다. 클라이언트 디바이스(102)의 하나 이상의 위치는 장소들의 후보 세트를 패치(fetch)하기 위해, k-근접 이웃 알고리즘(k-nearest neighbor algorithm)과 같은 분류 알고리즘에 적용될 수 있다. 여기에서 사용되는 것과 같이, k-근접 이웃 알고리즘은, 이웃들의 다수결(majority vote)에 의해 그것의 k개의 그접 이웃 중에 가장 공통적인 클래스에 객체가 할당되어 분류되는 분류(또는 회귀) 기술을 나타낼 수 있다. 예시들에서, 분류 알고리즘을 사용하여 생성된 장소들의 후보 세트는 클라이언트 디바이스(102)에 대해 보고된 위치에 가깝거나, 또는 그 위치에 특정 근접성 내의 장소들을 포함할 수 있다.
장소 분석 시스템(106)은 하나 이상의 특징 벡터를 생성하도록 더 구성될 수 있다. 양태들에서, 장소 분석 시스템(106)은 장소들의 후보 세트에 있는 하나 이상의 장소에 대한 특징 벡터를 생성할 수 있다. 특징 벡터를 생성하는 것은 장소와 연관된 센서 데이터를 하나 이상의 지식 소스로부터의 정보와 결합하는 것을 포함할 수 있다. 예를 들어, 정보는 과거의 및/또는 예측된 장소 및 사용자 데이터를 포함할 수 있다. 장소 분석 시스템(106)은 결정 트리(decision tree)와 같은 하나 확률 데이터 모델 또는 예측 알고리즘을 사용하여 특징 벡터를 평가할 수 있다. 결정 트리 학습 기술의 비-완전한 리스트에는 분류 트리, 회귀 트리, 부스트 트리, 부트스트랩 집계 트리, 순환 포레스트(rotation forests)가 포함된다. 예시들에서, 특징 벡터들을 평가하는 것은 하나 이상의 그래디언트 부스팅 기술(gradient boosting techniques)의 사용을 포함할 수 있다. 여기에서 사용되는 것 같이, 그래디언트 부스팅은 약한 예측 모델들의 앙상블(ensemble)의 형태로 예측 모델을 생성하는 분류 및 회귀를 위한 하나 이상의 기계 학습 기술을 나타낼 수 있다. 그레디언트 부스팅은 장소 연령(venue age), 장소 인기도, 다른 장소와의 근접성, 장소 선발/선택의 과거 정확성, 이전 장소 방문, 암시적/명시적 사용자 피드백 등과 같은 인자들을 포함할 수 있다. 특징 벡터의 평가는 장소들의 후보 세트에 있는 장소들에 대한 점수 또는 확률의 계산을 초래할 수 있다. 점수/확률은 특징 백터(또는 그것의 특징값)에 할당되거나, 또는 장소들의 후보 세트에 있는 대응하는 장소에 할당될 수 있다. 이러한 점수/확률은 장소가 클라이언트 디바이스(102)에 의해 보고된 위치 데이터에 대응할 가능성을 나타낼 수 있다. 장소들의 후보 세트, 특징 벡터 및 연관된 특징 데이터, 및/또는 점수/확률은 저장소(들)(108)와 같은 데이터 저장부에 저장될 수 있다.
장소 분석 시스템(106)은 장소들의 후보 세트를 교정하도록 더 구성될 수 있다. 양태들에서, 장소들의 후보 세트를 교정하는 것은 각 후보 장소의 점수/확률을 임계값에 대해 평가하는 것을 포함할 수 있다. 임계값 미만의 점수/확률을 가진 장소들은 어떠한 방식으로 장소들의 후보 세트에서 제거되거나 줄여질 수 있다. 예시에서, 임계값을 결정하는 것은 장소 방문 분포의 세트를 결정하기 위해 장소들의 후보 세트에 대하여 하나 이상의 휴리스틱의 세트를 평가하는 것을 포함할 수 있다. 장소 방문 분포는 장소들의 후보 세트에 있는 하나 이상의 장소 및/또는 클라이언트 디바이스(102)의 보고된 위치와 연관된 하나 이상의 장소를 포함할 수 있다. 장소 분석 시스템(106)은 장소 방문 분포(또는 집계된 장소 방문 분포)의 세트를 라벨링된 및/또는 라벨링되지 않은 훈련 데이터의 세트와 비교할 수 있다. 비교에 기초하여, 클라이언트 디바이스(102)에 의해 보고된 위치 데이터에 대응할 가능성이 낮은 장소를 식별하는 임계값이 결정된다. 일부 양태들에서, 장소들의 후보 세트를 교정하는 것은 상위 'N' 장소들의 리스트를 결정하는 것을 더 포함할 수 있다. 상위 'N' 장소들의 리스트는 모바일 디바이스의 위치에 대응할 가능성이 가장 높은 장소 후보들을 나타낼 수 있다. 예시들에서, 상위 'N' 장소들의 리스트를 결정하는 것은 각 후보 장소에 대한 점수/확률을 임계값에 대해 평가하는 것을 포함할 수 있다. 예를 들어, 가장 높은 점수/확률을 갖는 상위 3개(예를 들면, 'N'= 3)의 장소가 선택될 수 있다. 적어도 하나의 예시에서, 상위 'N' 장소들의 리스트를 결정하는 것은 부가적으로 사용자-선택 데이터를 수신하는 것을 포함할 수 있다. 예를 들어, 장소들의 세트가 장소 분석 시스템(106)에 액세스 가능한 인터페이스 구성요소를 통해 사용자에게 제시될 수 있다. 장소 분석 시스템(106)은 장소들의 세트에 있는 하나 이상의 장소에 대한 선택을 수신할 수 있다. 선택된 장소(들)는 상위 'N' 장소(들)를 나타낼 수 있다. 대안적으로, 선택된 장소(들)는 상위 'N' 장소들의 리스트로부터 제거될 장소들, 또는 상위 'N' 장소들의 리스트의 순위에 대한 조정을 나타낼 수 있다. 상위 'N' 장소들의 리스트는 저장소(들)(108)에 저장될 수 있고 및/또는 디스플레이 인터페이스를 통해 제시될 수 있다.
장소 분석 시스템(106)은 하나 이상의 확률 모델의 정확성을 평가하도록 더 구성될 수 있다. 양태들에서, 장소 분석 시스템(106)은 훈련 데이터의 세트에 액세스할 수 있다. 훈련 데이터는 예를 들어, 이전에 수신된 입력 데이터(예를 들면, 센서 데이터, 특징 벡터들, 대응하는 특징 데이터 등) 및/또는 결정되거나 또는 선택된 장소 출력들을 포함할 수 있다. 장소 분석 시스템(106)은 하나 이상의 확률 모델에 입력 데이터를 적용할 수 있다. 각각의 확률 모델의 출력은 하나 이상의 확률 모델의 정확성 또는 유효성을 판단하는데 사용되는 목적 함수에 제공될 수 있다. 예를 들어, 목적 함수는 다양한 파라미터를 사용하는 무수한 방법으로 정의될 수 있다. 목적 함수는 확률 모델의 출력이 훈련 데이터에서의 대응하는 출력에 얼마나 가깝게 매치하는지를 나타내는 점수를 계산할 수 있다. 계산된 점수에 기초하여, 장소 분석 시스템(106)은 하나 이상의 확률 모델을 순위 부여할 수 있다. 하나의 예시에서, 가장 높은 순위의 확률 모델이, 특징 벡터들의 세트가 수신될 때 사용을 위해 선택될 수 있다.
여기에서 설명되는 것과 같이, 도 2는 장소 검출을 위한 예시적 입력 프로세싱 디바이스(200)의 개략도를 도시한다. 입력 프로세싱 디바이스(200)에 의해 구현되는 장소 검출 기술은 도 1에서 설명된 장소 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 처리를 수행할 수 있다.
도 2에 관하여, 입력 프로세싱 유닛(200)은 검색 엔진(202), 특징 엔진(204), 확률 모델 엔진(206), 사용자 인터페이스(208) 및 교정 엔진(210)을 포함할 수 있다. 검색 엔진(202)은 센서 데이터의 세트에 대한 하나 이상의 특징 세트 를 생성하도록 구성될 수 있다. 양태들에서, 검색 엔진(202)은 모바일 디바이스로부터 수집된 센서 데이터의 세트에 액세스할 수 있다. 센서 데이터는 모바일 디바이스와 연관된 사용자 또는 물리적 환경으로부터의 입력을 나타낼 수 있다. 센서 데이터는 모바일 디바이스의 (또는 모바일 디바이스에 액세스 가능한) 다양한 센서로부터 수집된 입력을 포함할 수 있다. 일부 양태들에서, 검색 엔진(202)은 이벤트의 검출 또는 하나 이상의 기준에 대한 충족에 응답하여 센서 데이터를 처리할 수 있다. 예를 들어, 검색 엔진(202)은 모바일 디바이스가 이동을 멈춘 것에 대한 표시를 수신하거나 아니면 그것을 검출할 수 있다. 멈춤을 검출하는 것은 시간에 걸쳐 센서 데이터를 샘플링하는 것, 그 센서 데이터를 특징화하는 것, 및 모바일 디바이스가 이동하는 것을 멈췄는지를 판단하기 위해 그 특징화된 데이터에 멈춤 검출 모델을 적용하는 것을 포함할 수 있다. 센서 데이터를 처리하는 것은 장소 및/또는 연관된 장소 데이터를 식별하기 위해 하나 이상의 개별적 센서 또는 센서 타입에 대해 센서 데이터를 파싱하는 것을 포함할 수 있다. 양태들에서, 장소 데이터는 후보 장소들의 세트를 검색하는데 사용될 수 있다. 예를 들어, 장소 데이터는 k-근접 이웃 알고리즘과 같은 분류 알고리즘에 적용될 수 있다. 분류 알고리즘은 모바일 디바이스에 대해 보고된 위치의 특정 근접성 또는 밀도 분포 내에 있는 후보 장소들의 리스트를 결정할 수 있다. 다른 예시에서, 지리적 좌표(또는 다른 지리위치 식별자)의 세트가 지리적 매핑 서비스와 같은 장소 결정 유틸리티에 제공될 수 있다. 이러한 예시에서, 장소의 개수는 장소를 제시하는 디스플레이 영역의 크기에 의존할 수 있다.
특징 엔진(204)은 후보 장소들의 리스트에 대한 특징 벡터들을 생성하도록 구성될 수 있다. 양태들에서, 특징 엔진(204)은 후보 장소들의 리스트에 액세스할 수 있다. 특징 엔진(204)은 각 후보 장소를 후보 장소와 연관된 정보에 상관시킬 수 있다. 예를 들어, 후보 장소는 인기있는 인근 장소, 유사하게 명명되거나 테마지어진(themed) 장소, 또는 기타 관련 장소와 상관될 수 있다. 후보 장소에 대한 장소 데이터 및 상관된 장소 데이터는 각 식별된 장소에 대한 특징 벡터를 생성하기 위해 식별 및 사용될 수 있다. 일 예시에서, 특징 벡터를 생성하는 것은 유사한 특징 또는 특징 카테고리를 체계화하는 것, 대응하는 특징값을 정규화하는 것, 및 특징 벡터에 정규화된 특징값을 더하는 것을 포함할 수 있다. 양태들에서, 특징 벡터는 장소에 대한 센서 데이터가 그 장소에 대한 과거 데이터(historical data)와 얼마나 잘 매치하는지를 나타낼 수 있다. 예시로서, 모바일 디바이스는 검출된 멈춤 동안 Wi-Fi 스캔을 수행할 수 있다. Wi-Fi 스캔 데이터는 특징 점수를 생성하기 위해 각 후보 장소의 Wi-Fi 스캔 데이터와 비교될 수 있다. 특징 점수는 Wi-Fi 데이터가 각 후보 장소와 얼마나 잘 매치하는지를 나타낼 수 있다.
확률 모델 엔진(206)은 하나 이상의 모델을 생성 및/또는 훈련시키도록 구성될 수 있다. 양태들에서, 확률 모델 엔진(206)은 하나 이상의 특징 벡터에 액세스할 수 있다. 확률 모델 엔진(206)은 결정 트리의 앙상블을 포함하는 확률 모델을 생성하기 위해 하나 이상의 그래디언트 부스팅 기술을 적용할 수 있다. 그래디언트 부스팅 기술은 장소 연령, 장소 인기도, 다른 장소와의 근접성, 장소 선발/선택의 과거 정확성, 이전 장소 방문 등과 같은 인자들을 포함할 수 있다. 적어도 하나의 예시에서, 그래디언트 부스팅 기술은 또한 명시적 사용자 피드백을 포함할 수 있다. 예를 들어, 장소 위치에 대한 명시적 사용자 확인 또는 거부를 포함하는 결과 세트도 확률 모델(206)을 생성하는데 사용될 수 있다. 일부 양태들에서, 확률 모델은 하나 이상의 특징 벡터에 액세스할 수 있다. 특징 벡터는 장소들의 후보 세트에 대한 특징 데이터 및/또는 특징 점수를 포함할 수 있다. 확률 모델은 특징 벡터를 입력으로서 수신할 수 있고, 장소들의 후보 세트에 있는 각 장소에 대한 신뢰 점수 또는 확률을 출력할 수 있다. 신뢰 점수/확률은 장소가 특정 좌표 세트 또는 이벤트에 대응할 가능성을 나타낼 수 있다. 적어도 하나의 예시에서, 확률 모델은 장소들의 후보 세트 내에 있는 장소에 대한 확률 분포를 생성할 수 있다. 확률 분포는 예를 들어 확률 밀도 함수를 사용하여, 장소 리트트에 있는 각 장소에 확률 또는 신뢰 점수를 할당할 수 있다.
양태들에서, 확률 모델 엔진(206)은 하나 이상의 확률 모델의 정확성을 평가하도록 더 구성될 수 있다. 확률 모델 엔진(206)은, 예를 들어, 이전에 수신된 입력 데이터(예를 들어, 센서 데이터, 특징 벡터, 특징 점수 등), 명시적 사용자 피드백, 라벨링된 장소 출력, 장소 결정 분석 등을 포함하는 훈련 데이터의 세트에 액세스할 수 있다. 확률 모델 엔진(206)은 하나 이상의 확률 모델에 입력 데이터를 적용할 수 있다. 확률 모델(들)은 이전에 생성되거나, 최근에 생성되거나, 또는 확률 모델 엔진(206)에 의한 평가의 일부로서 생성될 수 있다. 각 확률 모델의 출력은 하나 이상의 확률 모델의 정확성 또는 유효성을 판단하는데 사용되는 목적 함수에 제공될 수 있다. 예시들에서, 목적 함수는 평가될 기준 및/또는 파라미터를 정의할 수 있다. 목적 함수는 평가될 확률 모델(들)의 개수와 타입을 정의할 수 있다. 양태들에서, 목적 함수는 각 확률 모델의 출력을 훈련 데이터에서의 출력과 비교할 수 있다. 비교에 기초하여, 목적 함수는 확률 모델 출력이 훈련 데이터 출력과 얼마나 근접하게 매치되는지를 나타내는 점수를 계산할 수 있다. 가장 높은 순위의 확률 모델(들)이, 특징 벡터들이 연속적으로 수신될 때 사용을 위해 기록 및 선택될 수 있다.
사용자 인터페이스(208)는 장소 리스트를 제시하도록 구성될 수 있다. 양태들에서, 사용자 인터페이스(208)는 사용자가 장소 리스트 및/또는 장소 리스트와 연관된 데이터를 보고, 네비게이션하고, 조작할 수 있게 한다. 예시들에서, 사용자 인터페이스(208)는 장소 리스트를 텍스트 리스트, 그래픽 객체(예를 들어, 지리적 지도 또는 유사한 시각화), 보고서 등으로 제시할 수 있다. 사용자 인터페이스(208)는 또한 장소 리스트와의 상호 작용을 위한 설정 또는 구성에 대한 액세스를 제공할 수 있다. 사용자 인터페이스(208)는 훈련 데이터를 확률 모델 엔진(206)에 제공하도록 더 구성될 수 있다. 양태들에서, 사용자 인터페이스(208)는 하나 이상의 훈련 데이터의 세트에 대한 액세스를 제공한다. 훈련 데이터는 입력 프로세싱 유닛(200) 상에 국지적으로 또는 원격 장치 상에 위치될 수 있다. 예를 들어, 훈련 데이터는 라벨링되거나 또는 라벨링되지 않은 입력 신호일 수 있다. 라벨링된 데이터는 센서값 및 대응하는 라벨링된 이벤트와 장소를 포함할 수 있다. 훈련 데이터는 더 정확하거나 또는 관련되는 장소 리스트를 생성하도록 확률 모델을 훈련시키기 위해 확률 모델에 적용될 수 있다. 예시들에서, 더 정확하거나 또는 관련되는 장소 리스트를 생성하는 것은 라벨링된 데이터의 세트에서 가장 관련되거나 또는 지시적인(indicative) 파라미터(들)/특징(들)을 결정하는 것을 포함할 수 있다. 이러한 결정은 파라미터(들)/특징(들)에 가중치를 부여하는 것 및/또는 장소 리스트 분석으로부터 파라미터(들)/특징(들)을 제거하는 것을 포함할 수 있다.
교정 엔진(210)은 장소 리스트를 정리하도록 구성될 수 있다. 양태들에서, 교정 엔진(210)은 하나 이상의 장소 리스트에 액세스할 수 있다. 교정 엔진(210)은 장소 선택의 정확성 및/또는 신뢰성을 증가시키거나, 또는 장소 선택의 개수를 감소시키기 위해 장소 리스트에 하나 이상의 프로세싱 기술을 적용할 수 있다. 예를 들어, 교정 엔진(210)은 장소들의 후보 세트에 연관된 하나 이상의 확률 또는 신뢰 점수를 임계값과 비교할 수 있다. 임계값은 장소들의 후보 세트에 포함될 장소 후보에 대한 최소한의 확률/신뢰 점수를 나타낼 수 있다. 특정 예시로서, 1% 미만의 확률/신뢰 점수를 갖는 장소들은 장소들의 후보 세트에서 제거될 수 있다. 양태들에서, 임계값은 장소 방문 분포를 생성하기 위하여, 예를 들어 규칙 세트, 휴리스틱의 세트, 또는 다른 분석 기술을 장소들의 후보 세트에 적용함으로써 결정 또는 선택될 수 있다. 장소 방문 분포는 하나 이상의 장소가 일정 기간 동안 방문을 보고한 빈도를 식별할 수 있다. 일부 양태들에서, 교정 엔진(210)은 장소 방문 분포들을 설정된 훈련 데이터와 비교할 수 있다. 훈련 데이터는 장소, 체크인 정보, 사용자 데이터 및 신호, 확률/신뢰 점수 등과 같은 라벨링되거나 또는 라벨링되지 않은 장소 데이터를 포함할 수 있다. 훈련 데이터는 장소 확률/신뢰 점수 및/또는 방문 분포를 평가하는데 사용될 수 있다. 평가에 기초하여, 임계값이 선택될 수 있다. 임계값은 그보다 작은 값을 때 장소가 모바일 디바이스에 의해 보고된 위치 데이터에 대응할 가능성이 낮은 것을 나타내는 확률/신뢰 점수를 나타낼 수 있다. 임계값은 상위 'N' 장소들의 리스트를 결정하는데 사용될 수 있다. 상위 'N' 장소들의 리스트는 모바일 디바이스의 위치에 대응할 가능성이 가장 높은 장소 후보들을 나타낼 수 있다. 예시들에서, 상위 N 장소들은 장소 결과 중 특정 개수를 선택하거나, 특정 확률 임계값보다 큰 장소 결과를 선택하는 등으로써 결정될 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 시스템에 의해 실행될 수 있다. 예시들에서, 방법 300은 동작, 프로그램 또는 명령어를 저장 및 실행하도록 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 장소 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-구현 동작들이) 실행될 수 있다.
여기에서 설명되는 것과 같이, 도 3은 장소 검출을 위한 예시적인 방법 300을 도시한다. 예시적인 방법 300은 센서 데이터가 수신될 수 있는 동작 302로 시작한다. 양태들에서, 클라이언트 디바이스(102)와 같은 모바일 디바이스의 (또는 이것과 연관된) 하나 이상의 센서로부터의 센서 데이터가 모니터 또는 수집될 수 있다. 센서 데이터는 GPS 좌표 및 지리위치 데이터, (수평 정확성 데이터, 수직 정확성 데이터 등과 같은) 위치 데이터, Wi-Fi 데이터, OTA(over the air) 데이터(예를 들어, 블루투스 데이터, 근거리 무선 통신 (NFC) 데이터 등), OS 정보 및 설정, 하드웨어/소프트웨어 정보, 신호 강도 데이터, 이동 정보(예를 들어, 가속, 시간 및 방향 데이터) 등과 연관된 정보를 포함할 수 있다. 센서 데이터는 연속적으로, 간헐적으로 요청에 따라, 또는 검출된 멈춤, 주목할만한 이동 속도 및/또는 방향의 변화, 체크인, 구매 이벤트, 모바일 디바이스에 의한 메시지의 수신 등과 같은 하나 이상의 조건에 대한 충족에 따라서, 수집될 수 있다.
양태들에서, 센서 데이터는 관련 데이터 포인트, 타임 프레임, 이동 이벤트 및/또는 장소 정보를 식별하기 위해 모니터될 수 있다. 예를 들어, 센서 데이터는 모바일 디바이스가 상점을 따라 이동하는 동안 모니터될 수 있다. 멈춤 검출 유틸리티는 모바일 디바이스에 의해 수신된 센서 데이터를 모니터할 수 있다. 제1 시간 기간 동안, 멈춤 검출 유틸리티는 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. 멈춤 검출 유틸리티는 Wi-Fi 신호가 10개의 폴링 사이클의 각각 동안 검출되었기 때문에, 모바일 디바이스가 상점 A에 계속 근접해 있었다고 판단할 수 있다. 따라서, 멈춤 검출 유틸리티는 상점 A에 대한 "방문 중(Visiting)"인 방문 상태를 판단할 수 있다. "방문 중" 방문 상태에 응답하여, 멈춤 검출 유틸리티는 제1 기간 동안 센서 데이터를 수집 및 저장할 수 있다. 제2 시간 기간 동안, 멈춤 검출 유틸리티는 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, 멈춤 검출 유틸리티는 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, 멈춤 검출 유틸리티는 상점 B에 대하여 "이동 중(Traveling)" 또는 "멈춤(Stopped)"의 방문 상태를 판단할 수 있다. "이동 중" 방문 상태에 대한 응답으로, 멈춤 검출 유틸리티는 제2 기간 동안 센서 데이터를 수집 및 저장하지 않을 수 있다. 제3 시간 기간 동안, 멈춤 검출 유틸리티는 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, 멈춤 검출 유틸리티는 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 이동하는 것을 식별할 수 있다. 이 데이터에 기초하여, 멈춤 검출 유틸리티는 상점 C에 대한 "방문 중"의 방문 상태를 추론할 수 있다. "방문 중" 방문 상태에 응답하여, 멈춤 검출 유틸리티는 제3 기간 동안 센서 데이터를 수집 및 저장할 수 있다.
동작 304에서, 후보 장소들의 세트가 생성될 수 있다. 양태들에서, 모바일 디바이스의 센서 데이터는 검색 엔진(202)과 같은 장소 검색 유틸리티에 액세스 가능할 수 있다. 장소 검색 유틸리티는 장소 및/또는 연관된 장소 데이터를 식별하기 위해 센서 데이터를 파싱할 수 있다. 장소 데이터는 장소-식별에 사용할 수 있는 모델 또는 알고리즘에 적용될 수 있다. 예를 들어, 장소 데이터는 k-근접 이웃 알고리즘과 같은 분류 알고리즘에 적용될 수 있다. 분류 알고리즘은 모바일 디바이스에 대해 보고된 위치의 특정 근접성 또는 밀도 분포 내에 있는 후보 장소들을 식별하기 위해 장소 데이터를 사용할 수 있다. 예를 들어, 분류 알고리즘은 한 세트의 지리적 좌표의 500피트 내의 모든 장소를 식별하기 위해 지리적 매핑 서비스를 이용할 수 있다. 적어도 하나의 예시에서, 분류 알고리즘은 장소 인기도, 장소 방문 최근성, 장소 순위, 판매 데이터(지역적, 계절적 등), 사용자 선호도 데이터 등과 같은 인자들을 더 포함할 수 있다. 예를 들어, 분류 알고리즘은 하나 이상의 식별된 장소에 대한 인기도 정보를 검색하기 위해 지식 소스를 사용할 수 있다. 장소들은 이어 장소 인기도에 따라 정렬될 수 있고 가장 관련성이 높고 인기있는 장소(예를 들어, 100개의 가장 인기있는 장소)를 선택할 수 있다.
동작 306에서, 후보 장소 데이터는 하나 이상의 특징 세트를 생성하기 위해 특징화될 수 있다. 양태들에서, 후보 장소의 데이터 세트가 특징 엔진(204)과 같은 특징화 구성요소에 제공 또는 그것에 액세스 가능하게 제공될 수 있다. 특징화 구성요소는 하나 이상의 후보 장소에 대응하는 센서 데이터 및/또는 장소 데이터를 식별할 수 있다. 센서/장소 데이터는 후보 장소들과 연관된 특성값(및 대응하는 값)을 나타내는 특징들의 세트를 생성하기 위해 평가될 수 있다. 예를 들어, 특징화 구성요소는 하나 이상의 장소에 대해 후술하는 센서 데이터를 입력으로서 수신할 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}]
특징화 구성요소는 센서 데이터에 있는 하나 이상의 요소 또는 특징에 대응하는 점수들의 세트를 생성할 수 있다. 예를 들어, 특징화 구성요소는 하나 이상의 위치기반 점수를 생성하기 위하여 센서 데이터로 나타내지는 장소에 관련된 위에 기재된 센서 데이터 및/또는 과거 데이터를 사용할 수 있다. 특정 예시에서, 위치기반 점수는 다양한 Wi-Fi 네트워크의 평가값을 나타낼 수 있다. 예를 들어, 후술하는 위치기반 점수가 위에 기재된 센서 데이터에 대해 생성될 수 있다.
[{Venue A:
wifi_match_score_1: 0.50,
wifi_match_score_2: 0.20},
{Venue B:
wifi_match_score_1: 0.90,
wifi_match_score_2: 0.95},
{Venue C:
wifi_match_score_1: 0.35,
wifi_match_score_2: 0.40}]
센서 데이터 및 점수들의 세트는 하나 이상의 특징 벡터를 생성 및/또는 덧붙이(populate)는데 사용될 수 있다. 예를 들어, 특징화 구성요소는 특징 및 값의 세트를 위치, 디바이스, 시간, 이동 등과 같은 하나 이상의 타입 또는 카테고리로 체계화할 수 있다. 체계화된 특징 및 특징값은 크기 조정되거나 및/또는 정규화될 수 있다. 정규화된 특징 및/또는 특징값은 이어 특징 벡터에 추가될 수 있다. 특징 벡터들은 하나 이상의 데이터 분석 유틸리티 및/또는 데이터 점수에 제공되거나, 또는 그것에 액세스 가능하게 만들어질 수 있다,
동작 308에서, 하나 이상의 메트릭스는 후보 장소들의 세트에 대해 생성될 수 있다. 양태들에서, 특징 벡터는 확률 모델 엔진(206)과 같은 데이터 분석 유틸리티에 액세스할 수 있다. 특징 벡터는 장소들의 후보 세트에 대한 특징 데이터 및/또는 특징 점수를 포함할 수 있다. 데이터 분석 유틸리티는 확률 모델을 생성하기 위해 하나 이상의 그래디언트 부스팅 기술을 사용할 수 있다. 확률 모델은 장소들의 후보 세트에 있는 각 장소에 대한 하나 이상의 확률 또는 신뢰 점수를 생성하기 위해 특징 벡터를 평가할 수 있다. 확률/신뢰 점수는 장소가 좌표들의 특정 세트에 대응할 가능성, 또는 장소가 방문되어질 가능성에 대한 지표일 수 있다. 예를 들어, 확률/신뢰 점수를 생성하는 것은 점수화 알고리즘 또는 기계 학습 기술들을 각 후보 장소에 대응하는 특징 벡터에 있는 특징 점수에 적용하는 것을 포함할 수 있다. 특정 예시에서, 점수화 알고리즘은 각 후보 장소의 특징 점수들을 합산하는 것을 포함할 수 있다. 다른 예시에서, 점수화 알고리즘은 가중치 또는 곱셈수의 세트를 하나 이상의 특징 점수에 적용할 수 있다. 양태들에서, 후보 장소들은 예들 들어, 확률 모델에 의해 생성된 확률/신뢰 점수에 따라서 체계화 또는 순위 부여될 수 있다.
동작 310에서, 장소 리스트는 그 장소 리스트의 정확성을 증가시키기 위해 교정될 수 있다. 양태들에서, 교정 엔진(210)과 같은 교정 구성요소는 장소 리스트를 액세스할 수 있다. 교정 구성요소는 장소 선택의 정확성 및/또는 신뢰성 메트릭스를 증가시키거나, 또는 장소 셀렉션들의 개수를 감소시키기 위해 하나 이상의 프로세싱 기술을 장소 리스트에 적용할 수 있다. 예를 들어, 교정 구성요소는 후보 장소들과 연관된 하나 이상의 확률 또는 신뢰 점수를 임계 신뢰값과 비교할 수 있다. 임계 신뢰값은 장소 리스트에 포함되는 장소 후보들이 초과해야 하는 확률/신뢰 점수를 나타낼 수 있다. 예시들에서, 임계값은 예를 들어, 하나 이상의 휴리스틱의 세트를 후보 장소에 적용함으로써 결정 또는 선택될 수 있다. 휴리스틱은 후보 장소들에 대한 장소 방문 분포를 생성하는데 사용될 수 있다. 장소 방문 분포는 장소 방문이 일정 기간 동안 명시적으로 또는 암시적으로 보고된 빈도를 식별할 수 있다. 일부 양태들에서, 장소 후보들에 대한 장소 방문 분포는 훈련 데이터에 대한 장소 방문 분포와 비교될 수 있다. 평가에 기초하여, 임계값이 선택될 수 있다. 임계값 미만의 후보 장소들은 후보 장소들의 리스트에서 제거되거나 눈에 띄게 감소 될 수 있다. 예를 들어, 1% 미만의 신뢰 점수를 갖는 후보 장소들은 후보 장소들의 리스트에서 제거될 수 있고, 50% 미만의 신뢰 점수를 갖는 후보 장소들은 그에 맞춰 마킹될 수 있다. 마킹은 후보 장소들의 색, 폰트 또는 투명도를 수정하는 것, 또는 후보 장소에 표시자를 추가하는 것을 포함할 수 있다.
양태들에서, 장소 리스트가 교정(또는 교정 절차의 일부로서 교정)된 후에, 교정 구성요소는 상위 'N' 장소들의 리스트를 생성할 수 있다. 상위 'N' 장소들의 리스트는 장소 리스트로부터 하나 이상의 후보 장소를 포함할 수 있다. 상위 'N' 장소들의 리스트는 모바일 디바이스의 위치에 대응하거나 또는 방문 이벤트에 대응할 가능성이 가장 높은 장소 후보들을 나타낼 수 있다. 예시들에서, 상위 'N' 장소들은 장소 결과들 중 특정 개수를 선택하거나, 특정 확률 임계치를 초과하는 장소 결과를 선택하거나, 사용자 선택 데이터를 평가하는 등에 의해서 결정될 수 있다. 일부 양태들에서, 상위 'N' 장소들의 리스트는 하나 이상의 기준에 따라 순위가 부여되거나 및 또는 체계화될 수 있다. 예를 들어, 장소 리스트는 예비 신뢰 점수 55%를 갖는 "상점 A", 예비 신뢰 점수 40%를 갖는 "상점 B", 및 예비 신뢰 점수 5%를 갖는 "상점 C"를 포함할 수 있다. 이 장소 리스트가 정리된 후에, 정리된 장소 리스트는 최종 신뢰 점수 25%를 갖는 "상점 A", 최종 신뢰 점수 75%를 갖는 "상점 B", 및 최종 신뢰 점수 0%를 갖는 "상점 C"를 포함할 수 있다. 교정 구성요소는 장소들이 상점 A, 상점 B 및 상점 C의 순서로 등재되도록 정리된 장소 리스트를 교정할 수 있다. 적어도 하나의 예시에서, 정리된 장소 리스트는 상점 B가 가장 높은 순위의 장소가 되고, 상점 A가 2번째 순위의 장소가 되도록, 최종 신뢰 점수에 따라 순위가 부여될 수 있다. 상위 2개의 장소가 정리된 장소 리스트에 등재되는 것을 특정하는 설정은 상점 C 장소를 정리된 장소 리스트로부터 제거되게 한다. 일부 양태들에서, 정리된 장소 리스트는 사용자 인터페이스(208)와 같은 인터페이스를 통해 사용자에게 제시될 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, 장소 검출을 위한 방법을 수행하는 컴퓨터 실행가능 명령어들을 포함하며,
    상기 방법은
    모바일 디바이스의 위치에 연관된 센서 데이터를 상기 모바일 디바이스로부터 수신하는 단계;
    상기 센서 데이터를 사용하여, 상기 모바일 디바이스의 상기 위치에 대응하는 하나 이상의 후보 장소를 포함하는 장소 리스트를 생성하는 단계;
    특징 세트를 생성하기 위해 상기 하나 이상의 후보 장소에 연관된 장소 데이터를 특징화하는 단계;
    상기 특징 세트를 확률 모델(probabilistic model)에 적용함으로써 상기 하나 이상의 후보 장소에 대한 메트릭스(metrics)를 생성하는 단계; 및
    상기 메트릭스에 부분적으로 기초하여 상기 장소 리스트를 교정하는 단계를 포함하는 시스템.
  2. 청구항 1에 있어서,
    상기 센서 데이터는 지리위치(geolocation) 데이터, 위치 데이터, Wi-Fi 정보, 소프트웨어 정보, 하드웨어 정보, 가속도계 데이터 및 시간 정보 중 적어도 하나를 포함하는 시스템.
  3. 청구항 1에 있어서,
    상기 센서 데이터는 상기 하나 이상의 장소에 대한 상기 모바일 디바이스의 방문을 나타내는 시스템.
  4. 청구항 1에 있어서,
    상기 장소 데이터를 특징화하는 단계는
    상기 장소 데이터에서 하나 이상의 특징을 식별하는 단계; 및
    상기 특징 세트를 생성하기 위해, 상기 하나 이상의 특징을 사용하는 단계를 포함하는 시스템.
  5. 청구항 4에 있어서,
    상기 하나 이상의 특징을 식별하는 단계는
    장소 연령(venue age), 장소 인기도, 다른 장소에 대한 근접성, 장소 후보들의 과거 정확성 및 이전 장소 방문 데이터 중 적어도 하나를 평가하는 단계를 포함하는 시스템.
  6. 청구항 1에 있어서,
    상기 확률 모델은 하나 이상의 그래디언트 부스팅 기술을 이용하여 생성된 결정 트리들의 앙상블(ensemble)인 시스템.
  7. 청구항 6에 있어서,
    상기 확률 모델은 상기 장소들의 세트에 있는 하나 이상의 장소에 대한 신뢰 점수를 결정하고, 상기 신뢰 점수는 대응하는 장소가 상기 모바일 디바이스의 상기 위치에 대응할 확률을 나타내는 시스템.
  8. 청구항 1에 있어서,
    상기 장소 리스트를 생성하는 단계는
    상기 센서 데이터 내의 장소 정보를 식별하는 단계, 및
    상기 장소를 나타내는 지리적 좌표의 세트를 장소 결정 유틸리티에 제공하는 단계
    중 적어도 하나를 포함하는 시스템.
  9. 청구항 1에 있어서,
    상기 방법은
    이전에 수신된 입력 데이터 및 대응하는 출력 데이터를 포함하는 훈련 데이터의 세트를 액세스하는 단계;
    상기 확률 모델에 의해 생성된 출력 데이터를 목적 함수에 제공하는 단계; 및
    상기 목적 함수를 사용하여 상기 확률 모델에 의해 생성된 상기 출력 데이터를 상기 훈련 데이터에서의 상기 출력 데이터와 비교하는 단계를
    더 포함하는 시스템.
  10. 청구항 1에 있어서,
    상기 장소 리스트를 교정하는 단계는, 모바일 디바이스의 상기 위치에 대응할 가능성이 가장 높은 하나 이상의 장소를 나타내는 상위 'N' 장소들을 선택하는 단계를 포함하는 시스템.
  11. 청구항 1에 있어서,
    상기 방법은
    사용자 인터페이스를 사용하여 상기 장소 리스트를 제시하는 단계;
    상기 사용자 인터페이스를 통해, 상기 제시된 장소 리스트와 연관된 사용자 입력을 수신하는 단계; 및
    상기 장소 리스트를 수정하기 위해, 상기 사용자 입력을 사용하는 단계를
    더 포함하는 시스템.
  12. 청구항 1에 있어서,
    상기 센서 데이터는 상기 모바일 디바이스에 의한 멈춤 이벤트와 상기 모바일 디바이스에 의한 방문 이벤트 중 적어도 하나를 검출한 것에 응답하여 수신되는 시스템.
  13. 모바일 디바이스의 위치에 연관된 센서 데이터를 상기 모바일 디바이스로부터 수신하는 단계;
    상기 센서 데이터를 사용하여, 적어도 제1 장소 및 제2 장소를 포함하는 장소 리스트를 생성하는 단계―상기 제1 장소 및 상기 제2 장소는 상기 모바일 디바이스의 상기 위치에 연관됨―;
    특징 세트를 생성하기 위해 상기 제1 장소 및 상기 제2 장소에 연관된 장소 데이터를 특징화하는 단계;
    상기 특징 세트를 확률 모델에 적용함으로써 상기 제1 장소 및 상기 제2 장소에 대한 신뢰성 메트릭스(confidence metrics)를 생성하는 단계;
    상기 메트릭스에 부분적으로 기초하여 상기 장소 리스트를 교정하는 단계; 및
    사용자 인터페이스를 통해, 상기 교정된 장소 리스트와 상기 신뢰성 메트릭스의 적어도 일부를 제시하는 단계―상기 제1 장소 및 상기 제2 장소 중 적어도 한 곳은 상기 모바일 디바이스의 상기 위치에 대응함―를 포함하는 장소 검출을 위한 방법.
  14. 청구항 13에 있어서,
    상기 확률 모델은 하나 이상의 그래디언트 부스팅 기술을 사용하여 생성된 결정 트리들의 앙상블인 것을 특징으로 하는 장소 검출을 위한 방법.
  15. 청구항 14에 있어서,
    상기 하나 이상의 그래디언트 부스팅 기술은 장소 연령, 장소 인기도, 다른 장소에 대한 근접성, 장소 후보들의 과거 정확성, 이전 장소 방문 데이터, 및 사용자 피드백 중 적어도 하나를 평가하는 장소 검출을 위한 방법.
  16. 청구항 13에 있어서,
    상기 센서 데이터는 상기 제1 장소 및 상기 제2 장소 중 적어도 한 곳에 대한 상기 모바일 디바이스의 방문을 나타내는 장소 검출을 위한 방법.
  17. 청구항 13에 있어서,
    이전에 수신된 입력 데이터 및 대응하는 출력 데이터를 포함하는 훈련 데이터의 세트를 액세스하는 단계;
    상기 확률 모델에 의해 생성된 출력 데이터를 목적 함수에 제공하는 단계;
    상기 목적 함수를 사용하여 상기 확률 모델에 의해 생성된 상기 출력 데이터를 상기 훈련 데이터에서의 상기 출력 데이터와 비교하는 단계; 및
    상기 비교에 기초하여, 상기 확률 모델의 유효성(effectiveness)을 점수화하는 단계를
    더 포함하는 장소 검출을 위한 방법.
  18. 청구항 16에 있어서,
    상기 신뢰성 메트릭스는 상기 모바일 디바이스의 상기 위치에 대응하는 각 장소의 확률을 나타내는 장소 검출을 위한 방법.
  19. 청구항 13에 있어서,
    상기 장소 리스트를 생성하는 단계는,
    상기 모바일 디바이스의 상기 위치에 대한 제1 근접도 내에 있는 제1 장소들의세트를 결정하는 단계를 포함하고,
    상기 장소 리스트를 교정하는 단계는, 상기 모바일 디바이스의 상기 위치에 대한 제2 근접도 내에 있는 제2 장소들의 세트를 결정하는 단계를 포함하고,
    상기 제2 장소들의 세트는 상기 제1 장소들의 세트보다 더 적은 장소들을 포함하는 장소 검출을 위한 방법.
  20. 적어도 하나의 프로세서에 의해 실행되었을 때, 장소 검출을 위한 방법을 수행하는 컴퓨터 실행가능 명령어들을 인코딩하는 컴퓨터 판독가능 저장 매체로서,
    상기 방법은
    모바일 디바이스의 위치에 연관된 센서 데이터를 상기 모바일 디바이스로부터 수신하는 단계;
    상기 센서 데이터를 사용하여, 적어도 제1 장소 및 제2 장소를 포함하는 장소 리스트를 생성하는 단계―상기 제1 장소 및 상기 제2 장소는 상기 모바일 디바이스의 상기 위치에 연관됨―;
    특징 세트를 생성하기 위해 상기 제1 장소 및 상기 제2 장소에 연관된 장소 데이터를 특징화하는 단계;
    상기 특징 세트를 확률 모델에 적용함으로써 상기 제1 장소 및 상기 제2 장소에 대한 신뢰성 메트릭스를 생성하는 단계;
    상기 메트릭스에 부분적으로 기초하여 상기 장소 리스트를 교정하는 단계; 및
    사용자 인터페이스를 통해, 상기 교정된 장소 리스트 및 상기 신뢰성 메트릭스의 적어도 일부를 제시하는 단계―상기 제1 장소 및 상기 제2 장소 중 적어도 한 곳은 상기 모바일 디바이스의 상기 위치에 대응함―를 포함하는 컴퓨터 판독가능 저장 매체.
KR1020197010854A 2016-09-16 2017-09-14 장소 검출 KR102435712B1 (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
US15/689,683 US11481690B2 (en) 2016-09-16 2017-08-29 Venue detection
US15/689,683 2017-08-29
PCT/US2017/051568 WO2018053133A1 (en) 2016-09-16 2017-09-14 Venue detection

Publications (2)

Publication Number Publication Date
KR20190064594A true KR20190064594A (ko) 2019-06-10
KR102435712B1 KR102435712B1 (ko) 2022-08-25

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 After (1)

Application Number Title Priority Date Filing Date
KR1020197010855A KR102414936B1 (ko) 2016-09-16 2017-09-15 수동적 방문 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 (15)

* 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
US20190163664A1 (en) * 2017-11-27 2019-05-30 Salesforce.Com, Inc. Method and system for intelligent priming of an application with relevant priming data
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
US11146911B2 (en) * 2018-08-17 2021-10-12 xAd, Inc. Systems and methods for pacing information campaigns based on predicted and observed location events
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
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)
WO2020142801A1 (en) 2019-01-10 2020-07-16 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 (2)

* 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
US20130325855A1 (en) * 2012-06-04 2013-12-05 Sense Networks, Inc Venue Prediction Based on Ranking

Family Cites Families (52)

* 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
WO2012042814A1 (ja) 2010-10-01 2012-04-05 パナソニック株式会社 分類装置及び分類方法
US20130060623A1 (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
CN109597945B (zh) * 2011-07-20 2023-05-02 电子湾有限公司 用于产生位置感知推荐的方法
WO2013067247A1 (en) * 2011-11-02 2013-05-10 ThinkVine Corporation Agent generation for agent-based modeling systems
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
US20150032673A1 (en) 2013-06-13 2015-01-29 Next Big Sound, Inc. Artist Predictive Success Algorithm
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
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
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
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
US10516964B2 (en) * 2015-07-28 2019-12-24 Microsoft Technology Licensing, Llc Inferring user availability for a communication
US20170032248A1 (en) * 2015-07-28 2017-02-02 Microsoft Technology Licensing, Llc Activity Detection Based On Activity Models
US20170124465A1 (en) * 2015-10-29 2017-05-04 Foursquare Labs, Inc. Analysis and prediction from venue data
WO2017111856A1 (en) * 2015-12-24 2017-06-29 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
WO2018160963A1 (en) * 2017-03-02 2018-09-07 Spectral Md, Inc. Machine learning systems and techniques for multispectral amputation site analysis
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 (2)

* 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
US20130325855A1 (en) * 2012-06-04 2013-12-05 Sense Networks, Inc Venue Prediction Based on Ranking

Also Published As

Publication number Publication date
JP7101680B2 (ja) 2022-07-15
JP7032408B2 (ja) 2022-03-08
US20180082206A1 (en) 2018-03-22
WO2018053133A1 (en) 2018-03-22
KR20190062443A (ko) 2019-06-05
JP2019530385A (ja) 2019-10-17
US20210350286A1 (en) 2021-11-11
KR102435712B1 (ko) 2022-08-25
KR102414936B1 (ko) 2022-07-01
US20230135252A1 (en) 2023-05-04
WO2018053330A1 (en) 2018-03-22
JP2019537394A (ja) 2019-12-19
US11481690B2 (en) 2022-10-25
EP3513579A1 (en) 2019-07-24
EP3513579A4 (en) 2020-05-06
US20180080793A1 (en) 2018-03-22
EP3513580A1 (en) 2019-07-24
EP3513580A4 (en) 2020-05-06
US11017325B2 (en) 2021-05-25

Similar Documents

Publication Publication Date Title
US20230135252A1 (en) Venue detection
US10003924B2 (en) Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location
US20190370695A1 (en) Enhanced pipeline for the generation, validation, and deployment of machine-based predictive models
CN111860872B (zh) 用于异常检测的系统和方法
US9071939B2 (en) Methods and apparatuses for context determination
US9047558B2 (en) Probabilistic event networks based on distributed time-stamped data
US20170053208A1 (en) Behavioral Prediction for Targeted End Users
CN103488666B (zh) 信息处理设备和方法、电子装置以及计算机可读存储介质
US20110225192A1 (en) Auto-detection of historical search context
US20100077020A1 (en) Method, apparatus and computer program product for providing intelligent updates of emission values
KR101369261B1 (ko) 스마트 단말을 이용한 사용자의 이동 경로 실시간 예측 방법 및 그 시스템
KR101524971B1 (ko) 개인 성향 예측 방법 및 그 장치
US11481707B2 (en) Risk prediction system and operation method thereof
JP2023514465A (ja) 機械学習プラットフォーム
US20190287121A1 (en) Speculative check-ins and importance reweighting to improve venue coverage
US10571279B2 (en) Object and location tracking with a graph-of-graphs
JPWO2010010654A1 (ja) 使い方推定装置
US20160371662A1 (en) Adaptive merchant site sampling linked to payment transactions
US20210256963A1 (en) Audio-based link generation
JP2012256239A (ja) 目的地予測装置及びプログラム
Soares et al. Towards an application for real-time travel mode detection in urban centers
JP6232857B2 (ja) 操作解析装置、操作解析方法及び操作解析プログラム
US11893401B1 (en) Real-time event status via an enhanced graphical user interface
US20240086298A1 (en) Anomaly detection and subsegment analysis
KR20240082169A (ko) 여행 장소 별 여행 감성 특징 결정을 위한 인공지능 모델을 학습시키는 방법 및 전자 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)