TW202137085A - 計算活動期間及效率的方法 - Google Patents

Abstract

本發明為一種計算活動期間的方法，包含收集使用者的GPS資料，並將GPS資料作為使用者資料、將使用者資料分為區內點及區外點、將區外點設為活動起點或活動終點、將其中一個活動起／終點設為期間起／終點，令期間起點與期間終點之間的期間時間差為活動期間；一種計算活動效率的方法，包含收集行動裝置的使用資料、依活動期間標籤使用資料、將已標籤之使用資料設為資料集，再以資料集訓練類神經網路，其中類神經網路產生基於使用資料的特徵值，並依特徵值計算活動效率；本發明大幅提升勞工檢查的效率，且幫助無固定排班工作者獲得更好的福利。

Description

計算活動期間及效率的方法

本發明係關於一種基於位置及活動自動記錄，而自動計算活動及活動效率的方法及系統，本發明特別有助於人力資源管理領域，像是在確認受僱人的出勤率及工作效率等領域。

過長的工時及輪班制的工作環境，皆會提升人們發生心血管疾病及憂鬱症狀等，生理及心理困擾之風險。多篇文獻中的系統性回顧與統合分析亦提到，這類長期的輪班及無固定排班制度，將造成在病患照護方面的眾多不良影響。

時至今日，智慧型手機提供人們，一個可以持續自動地收集資料，具有目標性及生態性的測量來源。這些可靠且大量的資料，也可以促進以即時為方針的評估，並將資源集中在最需要他們的族群，縱使在遙遠且難以抵達的區域亦可以達成上述目的。在2019年7月時，已有上百件關於工時監控的行動應用程式，然而這類應用程式大多數需要人為輸入，或積極地登錄上／下班卡鐘。前述應用程式皆無法滿足醫師們的需求，因為他們必須經常性地移動於複數個醫院之間，且每個月有多個值班日；在值班日時，醫師必須在醫院值班或在家待命。一般利用GPS地理圍欄演算法的應用程式，無法辨識上述工作型態。

除此之外，一般利用GPS地理圍欄演算法的應用程式，並未真實反應醫師們的實際狀態。例如，醫生有可能在午休期間在醫院內用餐，然而，一般利用GPS地理圍欄演算法的應用程式，仍然會判斷醫師在這段午休期間在執行醫務。

本發明提供一種計算活動期間及效率的方法，其基於使用者的手機使用行為資料及手機GPS（Global Positioning System）資料，計算使用者的工時。本發明不需要使用者以手動輸入或登錄上下班卡鐘，也不需使用者精準地記錄他們的工作時間。本發明之目的在於： 1.         自動記錄受僱人的工作時間； 2.         將受僱人於不同地點的工作時間，整合為一個活動期間； 3.         基於受僱人的手機使用行為，計算他們的工作效率； 4.         基於受僱人的工作效率及活動期間，計算他們的加權活動期間。

本發明提供一種計算活動期間及效率的方法，首先由設定活動區域，以及自動收集使用者的GPS資料開始。本方法依據活動區域，將GPS資料分成區內點及區外點，然後依據在區內點及區外點所相鄰的區內點，或所相鄰的區外點之數量，將區內點設為活動起點或活動終點。本發明再依據不同的區內點及區外點分布態樣，將其中一個活動起點設為期間起點，以及將其中一個活動終點設為期間終點，其中分布態樣是由活動起點與活動終點所構成。最後，活動期間的產生，係藉由計算期間起點與在該期間起點之後最近之期間終點之間的時間差，並以該時間差為活動期間。

本發明更進一步提供一種計算活動效率系統，包含資料處理模組、機率模組及類神經網路系列。本發明之計算活動效率系統，記錄使用者在其智慧型手機上的使用者資料（user data），並以類神經網路分析使用者資料（user data）。然後，將分析結果輸入至機率模組後，輸出使用者的活動效率。其中，使用者資料（user data）為使用者的行為，包含其使用者手機的應用程式名稱資料、應用程式分類資料、螢幕狀態資料及通知資料。

本發明更進一步提供一種訓練計算活動效率系統的方法，包含活動效率計算系統及計算系統，其中計算系統包含標籤模組及訓練模組。標籤模組基於活期期間將標籤賦予使用資料（usage data），再由訓練模組以五折交叉驗證法（5-fold cross-validation）對類神經網路系列進行訓練，其中活期期間係以計算活動期間及效率的方法所產生。

本發明更進一步提供一種計算加權活動效率的方法，其係在訓練計算活動效率系統的方法之基礎上所開發。

本發明大幅提升勞工檢查的效率，且幫助無固定排班工作者獲得更好的福利。

為利 貴審查委員了解本發明之技術特徵、內容與優點及其所能達到之功效，茲將本發明配合附圖，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍，合先敘明。

請參閱圖1，其係為本發明之計算活動期間及效率系統的示意圖。本發明之系統，包含伺服器1及行動裝置2，其中行動裝置2提供輸入介面予使用者3，令使用者3可以透過行動裝置2輸入活動區域及使用者資訊（user information）。此外，行動裝置2亦收集使用者3的使用者資料（user data）及使用資料（usage data），並將活動區域、使用者資訊（user information）、使用者資料（user data）及使用資料（usage data）傳輸至伺服器1。

其中，伺服器1執行本發明之計算活動期間及效率方法，而產生使用者的活動期間及效率。使用者3則可以利用行動裝置2上之輸出介面，觀看活動期間及效率。

其中，使用者資料（user data）為Global Positioning System （GPS）資料，其中GPS資料包含使用者在各個時間點的位置及其時間戳（time stamp）。

其中，使用資料（usage data）為應用程式名稱資料、應用程式分類資料、螢幕狀態資料及通知資料，其係基於使用者在每一秒之使用行為而獲得。

其中，使用者資訊（user information）為使用者的年齡、性別、職位、部門、活動區域或行動裝置2的類型，其中行動裝置2的類型包含公家裝置、私家裝置或個人裝置。

請參閱圖2，其係為本發明之計算活動期間方法之第一實施例的示意圖。在第一實施例中，本發明之計算活動期間方法由步驟S201開始，使用者3以行動裝置2設定活動位置。在步驟S201，伺服器1將自動以活動位置為原點，以1公里為半徑，然後再以原點及半徑所形成之圓為活動區域。

在步驟S202，行動裝置2每十分鐘追蹤一次使用者的位置，而記錄GPS資料，然後將GPS資料傳輸至伺服器1，以利伺服器1收集GPS資料而作為使用者資料（user data）。

在步驟S203，伺服器1將位置在活動區內的使用者資料（user data）設為區內點，且將位置在活動區域外的使用者資料（user data）設為區外點。

在步驟S204，伺服器1將符合第一條件的區內點設為活動起點，且將符合第二條件的區內點設為活動終點。

其中，當區內點前方有連續三個以上與其相鄰之區外點，且區內點後方有連續三個以上與其相鄰之區內點時，該區內點符合第一條件。

其中，當伺服器1在區內點之後沒有收集任何使用者資料（user data），且區內點區後方有連續三個以上與其相鄰之區內點時，該區內點也符合第一條件。

其中，當區內點後方有連續三個以上與其相鄰之區外點時，該區內點符合第二條件。

其中，當伺服器1在一區內點之後沒有收集任何使用者資料（user data）時，該區內點也符合第二條件。

在步驟S205，伺服器1將符合第三條件的活動起點設為期間起點，並將符合第四條件的活動終點設為期間終點。

其中，當伺服器1在一活動起點之前沒有收集任何使用者資料（user data）時，則該活動起點符合第三條件。

其中，當活動起點存在第一區外時間差，且第一區外時間差大於八個小時數時，該活動起點也符合第三條件。

其中，當一個區外點相鄰於活動起點時，該活動起點存在第一區外時間差。其中，第一區外時間差係指活動起點及與在其之前最近之活動終點之間的時間差。

其中，當伺服器1在一活動終點之後不再收集任何使用者資料（user data），則該活動終點符合第四條件。

其中，當活動終點存在第二區外時間差，且第二區外時間差大於八個小時數時，該活動終點也符合第四條件。

其中，當一個區外點相鄰於活動終點時，該活動終點存在第二區外時間差。其中，第二區外時間差係指活動終點及與在其之後最近之活動起點之間的時間差。

在步驟206，伺服器1計算期間起點及與在其之後最近之期間終點之間的期間時間差。

在步驟207，伺服器1令期間時間差為第一活動期間。

請參閱圖3，其係為本發明之計算活動期間方法之第二實施例的應用場景示意圖。在本發明之第二實施例中，使用者3總是攜帶行動裝置2，且使用者3為一位醫師。使用者3於8:00至15:00行醫於醫院4，而於18:00至21:00行醫於診所5。其中，在使用者3行醫於醫院4的期間，使用者3於12:00至12:25的期間在附近的咖啡廳6休憩。

請參閱圖4，其係為本發明之計算活動期間方法之第二實施例的視覺化示意圖。在第二實施例中，使用者3利用行動裝置2上的輸入介面，設定醫院4及診所5為活動位置，然後伺服器1自動設定半徑為1公里，醫院4及診所5為原點，以原點及半徑為之圓為活動區域。

在第二實施例中，行動裝置2隨著使用者3而移動，並以每十分鐘一次的頻率追蹤使用者的位置，而記錄使用者資料（user data）7。其中，使用者資料（user data）7為GPS資料，包含使用者在各特定時間點的經緯度及時間戳（time stamp）。

在第二實施例中，伺服器1將8:00至12:00、12:30至15:00及18:00至21:00等期間所收集到的使用者資料（user data）7設為區內點71，因為這些使用者資料（user data）7是在使用者位於活動區域時所收集的。

在第二實施例中，伺服器1將12:00至12:20及15:00至18:00等期間所收集到的使用者資料（user data）7設為區外點72，因為這些使用者資料（user data）7是在使用者非位於活動區域時所收集的。

在第二實施例中，因為在8:00之區內點71以前，伺服器1沒有收集到使用者資料（user data）7，且在8:00之區內點71的相鄰後方，有三個以上連續之區內點71，所以將在8:00之區內點71設為活動起點73。伺服器1，再因為在15:00之區內點71的相鄰前方，有三個以上連續之區外點72，且在15:00之區內點71的相鄰後方，有三個以上連續之區內點71，所以將15:00之區內點71設為活動起點73。

在第二實施例中，伺服器1因為在15:00之區內點71，及21:00之區內點71的相鄰後方有三個以上連續之區內點71，所以將在15:00之區內點71，及21:00之區內點71，分別設為活動終點74。

在第二實施例中，因為伺服器1在8:00之活動起點73以前，沒有收集到其他活動起點73，所以將在8:00之活動起點73設為期間起點75。

在第二實施例中，因為在21:00之活動終點74以後，沒有收集到其他活動終點74，所以將在21:00之活動終點74設為期間終點76。

在第二實施例中，伺服器1計算在8:00之期間起點75，與在21:00之活動終點76二者之間的期間時間差。13個小時的期間時間差為計算結果，故第一活動期間為13個小時。

請參閱圖5，其係為本發明之計算活動期間方法之第三實施例的示意圖。在第三實施例中，計算活動期間之方法始於步驟S301，在步驟S301裡，使用者將通常起始時間設定為通常起點，且通常終了時間設定為通常終點。

在步驟S302，伺服器1以步驟S201至S206計算第一活動期間，並獲得期間終點。

在步驟S303，伺服器1計算通常起點與通常終點之間的通常時間差，並以通常時間差為通常活動期間。

在步驟S304，伺服器1將第一活動期間與通常活動期間相減，而獲得超時時間差，並以超時時間差為超時活動期間。

請參閱圖6，其係為本發明之計算活動期間方法之第四實施例的視覺化示意圖。在第四實施例中，使用者將通常起點77設在8:00，而通常終點78設在18:00；此外，期間起點75發生在8:00，而期間終點76發生在21:00。

在第四實施例中，第一活動期間為13個小時，而通常活動期間為10小時，所以超時時間差為3小時。

請參閱圖7，其係為本發明之計算活動期間方法之第五實施例的視覺化示意圖。在第五實施例中，使用者將通常起點77設在8:00，通常終點78設在18:00，值班起點791設在18:00，而值班終點792設在21:30；此外，期間起點75發生在8:00，而期間終點76發生在21:00。

在第五實施例中，當期間終點76與其最近之值班起點791之間的時間距離符合一閥值時，總活動期間為期間起點75與值班終點792之間的總時間差，其中，若期間終點76與其最近之值班起點791之間的時間距離少於8小時，則符合前述閥值。

在第五實施例中，第一活動期間為13個小時，而通常活動期間為10小時；期間終點76及與其最近之值班起點791之間的時間距離為30分鐘，少於8小時。所以，伺服器1計算期間起點75與值班終點792之間的總時間差，並以總時間差為總活動時間；結果，第五實施例的總活動時間為13.5小時。

在第五實施例中，伺服器1還可以計算排定活動期間，其中排定活動期間為通常時間加上值班時間差，其中值班時間差是指值班起點791與值班終點792之間的時間差；所以，第五實施例的值班時間差為13.5小時。

請參閱圖8，其係為本發明之計算活動效率系統及其訓練系統的示意圖。本發明之計算活動效率系統包含資料處理模組81、第一類神經網路831、第二類神經網路832、第三類神經網路833及機率模組84。本發明之訓練系統則包含標籤模組85及訓練模組86。

本發明之資料處理模組81接收來自行動裝置2的使用資料（usage data）及使用者資訊（user information），並編碼為類神經網路可讀資料。然後，標籤模組85賦予可讀資料活動或非活動的標籤。之後，資料處理模組81將已編碼-標籤之使用資料（usage data）及使用者資訊（user information），分別設為第一資料集821與第三資料集823。

訓練模組86執行第一學習方法，包含一五折交叉驗證法（5-fold cross-validation），其中五折交叉驗證法（5-fold cross-validation）係將第一資料集821與第三資料集823拆分成五個集合，且每一集合含有四個訓練資料集與一個學習資料集。

其中，第一類神經網路831依第一資料集821產生第一特徵，第三類神經網路833依第三資料集823產生第三特徵，然後將第一特徵與第三特徵合併而形成第二資料集822。

其中，第二類神經網路832，再依據第二資料集822產生第二特徵，然後機率模組84再依據第二特徵產生在特定期間的活動效率。

請參閱圖9，其係為本發明之第六實施例的流程圖。在第六實施例中，本發明訓練計算效率系統的方法，從步驟S401開始，首先，行動裝置2收集使用者每秒鐘的使用資料（usage data），且使用者將使用者資訊（user information）輸入至行動裝置2，然後行動裝置2將使用者資訊（user information）傳輸至安裝於伺服器1內的計算活動效率系統。

其中，使用資料（usage data）為使用者在行動裝置2上的使用行為，尤其是應用程式名稱資料、應用程式分類資料、螢幕狀態資料、通知資料；其中，應用程式名稱資料及應用程式分類資料的收集，是依據使用者的使用應用程式而決定，應用程式分類資料是依據蘋果公司的APP Store或科高公司的Google Play所提供的分類所決定；其中，螢幕狀態資料是依據行動裝置2的螢幕開啟或關閉而決定；其中，通知資料是依據使用者收到通知時的時間戳而決定。

其中，使用者資訊（user information）包含年齡、性別、活動位置、部門、活動區域或行動裝置2的類型，其中行動裝置2的類型是依據使用目的而定的。對一位醫師而言，行動裝置2的類型可以是登載在醫院網站上的公家裝置、登載在診所櫃檯的私家裝置，或只有近親及朋友知曉的個人裝置。

在步驟S402，伺服器1以步驟S201-206執行計算活動期間方法，而使伺服器1獲得期間起點及期間終點，且將期間起點設為工作起點，而期間終點設為工作終點。

在步驟S403，資料處理模組81產生第一資料集821與第三資料集823。然後，處模組理81從步驟S403開始收集使用資料（usage data）及使用者資訊（user information）；再來，資料處理模組81以one-hot encoding對應用程式名稱資料、應用程式分類資料進行編碼，資料處理模組81以label encoding對螢幕狀態資料、通知資料、性別、活動區域及行動裝置類型進行編碼；同時，資料處理模組81將行動裝置2在工作起點與活動終點之間所收集到的使用資料（usage data）設為第一狀態，並將其他使用資料（usage data）設為第二狀態；然後，伺服器1將每3600秒的使用資料（usage data）及使用者資訊（user information）分為一個資料組。

經過資料組的分組後，當一個資料組中，有超過1800個已編碼使用資料（usage data）之標籤為第一狀態時，資料處理模組81將該資料組中所有的已編碼使用資料（usage data）皆標籤為活動，而產生標籤資料；當一個資料組中，有超過1800個已編碼使用資料（usage data）之標籤為第二狀態時，資料處理模組81將該資料組中所有的已編碼使用資料（usage data）皆標籤為非活動，而產生標籤資料。資料處理模組81將標籤資料設為第一資料集821，並將已編碼之使用者資訊（user information）設為第三資料集823。

在步驟S404，訓練模組86基於第一資料集821，利用第一學習方法，對作為第一類神經網路831的一維卷積神經網路（1-dimension convolutional neural network，1D-CNN）進行訓練，其中第一類神經網路831在經過第一學習方法後產生第一特徵；其中，第一學習方法包含五折交叉驗證法（5-fold cross-validation）方法，而訓練資料集（training dataset）的建置是依據第一資料集821的純資料（pure data），而驗證資料集（testing dataset）的建置是依據第一資料集821的原始資料（original data）。其中，獲得標籤為活動之純資料（pure data）的方法，是藉由採集第一資料集821中，期間起點後一小時至三小時之間的區內點71。其中，獲得標籤為非活動之純資料（pure data）的方法，是藉由採集第一資料集821中，期間終點後二小時的區外點72。

在步驟S405，訓練模組86是利用基於第三資料集823的第三學習方法，對作為第三類神經網路833的深度神經網路進行訓練；其中，第三學習方法包含五折交叉驗證法（5-fold cross-validation），其中第三類神經網路833在經過第三學習方法後產生第三特徵。

在步驟S406，第一特徵與第三特徵合併，而形成第二資料集822。

在步驟S407，作為第二類神經網路832的深度類神經網路，基於第二資料集822產生第二特徵。

在步驟S408，作為sigmoid function模組的機率模組84，基於第二特徵計算每十分鐘的活動效率。

請參閱圖10，其係為本發明第六實施例的活動效率圖。在第六實施例中，計算效率系統基於使用資料（usage data）及使用者資料（user data），產生每十分鐘的活動效率。如圖10所示，使用者3在11:00至15:00之間有最佳的效率，依據效率圖使用者3可以在11:00至15:00之間安排較困難的活動。

請參閱圖11，其係為本發明之第六實施例的加權活動期間效率圖。在第六實施例中，使用者3將活動效率及活動期間整合為一體，而期間起點75至期間終點76之間的面積即為加權活動期間。

上列詳細說明係針對本創作之可行實施例之具體說明，惟實施例並非用以限制本創作之專利範圍，凡未脫離本創作技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

1:伺服器 2:行動裝置 3:使用者 4:醫院 5:診所 6:咖啡廳 7:使用者資料 71:區內點 72:區外點 73:活動起點 74:活動終點 75:期間起點 76:期間終點 77:通常起點 78:通常終點 791:值班起點 792:值班終點 81:資料處理模組 821:第一資料集 822:第二資料集 823:第三資料集 831:第一類神經網路 832:第二類神經網路 833:第三類神經網路 84:機率模組 85:標籤模組 86:訓練模組 S201-207:步驟 S301-304:步驟 S401-408:步驟

圖1 為本發明之計算活動期間及效率系統的示意圖； 圖2 為本發明之計算活動期間方法之第一實施例的示意圖； 圖3 為本發明之計算活動期間方法之第二實施例的應用場景示意圖； 圖4 為本發明之計算活動期間方法之第二實施例的視覺化示意圖； 圖5 為本發明之計算活動期間方法之第三實施例的示意圖； 圖6 為本發明之計算活動期間方法之第四實施例的視覺化示意圖； 圖7 為本發明之計算活動期間方法之第五實施例的視覺化示意圖； 圖8 為本發明之計算活動效率系統及其訓練系統的示意圖； 圖9 為本發明之第六實施例的流程圖； 圖10 為本發明之第六實施例的活動效率圖； 圖11 為本發明之第六實施例的加權活動期間效率圖。

S201-207:步驟

Claims (20)

1. 一種計算活期間的方法，該方法包含： 設定至少一活動區域； 收集使用者資料（user data），其中該使用者資料（user data）包含使用者的位置資料及時間戳資料； 將該使用者資料（user data），依據使活動區域分為區內點及區外點； 當該區內點符合第一條件時，將該區內點設為活動起點； 當該區內點符合第二條件時，將該區內點設為活動終點； 當該活動起點符合第三條件時，將該活動起點設為期間起點； 當該活動終點符合第四條件時，將該活動終點設為期間終點； 計算該期間起點與在其之後最近的該活動終點之間的期間時間差；以及 將該期間時間差設為第一活動期間。
2. 如請求項1所述之計算活期間的方法，更包含： 設定一通常起點與一通常終點； 計算該通常起點與該通常終點之間的通常時間差； 將該通常時間差設為通常活動期間； 將該第一活動期間與該通常活動期間相減，而求得超時時間差； 將該超時時間差設為超時活動期間。
3. 如請求項2所述之計算活期間的方法，更包含： 設定一值班起點及一值班終點； 計算該期間起點與該值班終點之間的總時間差； 當該期間終點與其最近之該值班起點之間的時間距離，符合一閥值時，將該總時間差設為該活動期間； 當該期間終點與其最近之該值班起點之間的時間距離，不符合一閥值時，將該第一活動期間設為該活動期間。
4. 如請求項3所述之計算活期間的方法，更包含： 將該值班起點與該值班終點相減，而求得值班時間差； 將該值班時間差與該通常時間差相加，而獲得排定活動期間。
5. 如請求項1所述之計算活期間的方法，當該區內點的相鄰前方有超過第一數量之連續區外點，且該區內點的相鄰後方有超過第二數量之連續區內點時，該區內點符合該第一條件；或著， 當該區內點之後沒有收集到該使用者資料（user data），且該區內點的相鄰後方有超過第二數量之連續區內點時，該區內點也符合該第一條件。
6. 如請求項1所述之計算活期間的方法，當該區內點的相鄰後方有超過第二數量之連續區外點時，該區內點符合該第二條件；或著， 當該區內點之後沒有收集到該使用者資料（user data）時，該區內點也符合該第二條件。
7. 如請求項1所述之計算活期間的方法，當該活動起點前方沒有其他該活動起點時，該活動起點符合該第三條件；或著， 當該活動起點存在一第一區外時間差，且該第一區外時間差符合一閥值時，該活動起點也符合該第三條件； 其中，當該活動起點相鄰其中一個該區外點時，該活動起點存在該第一區外時間差； 其中，該活動起點與其前方最近之該活動終點的時間差為該第一區外時間差。
8. 如請求項1所述之計算活期間的方法，當該活動終點後方沒有該活動終點時，該活動終點符合該第四條件；或者， 當活動終點存在一第二區外時間差，且該第二區外時間差符合一閥值，該活動起點也符合該第四條件； 其中，當其中一個該區外點相鄰於該活動終點時，該活動終點存在該第二區外時間差； 其中，該活動終點與在其後方最近之該活動起點的時間差為第二區外時間差。
9. 一種訓練計算活動效率系統的方法，該方法包含： 收集使用資料（usage data），其中該使用資料（usage data）為使用者的手機使用行為； 將使用資料（usage data）分為活動與非活動而產生標籤資料，並將標籤資料設為第一資料集； 利用第一學習方法，並基於該第一資料集對該第一類神經網路進行訓練，而產生第一特徵； 利用第二學習方法，並基於該第二資料集對該第二類神經網路進行訓練，而產生第二特徵；以及 利用一機率模組，並基於第二特徵，而計算出活動效率； 其中該第二資料集包含第一特徵。
10. 如請求項8所述之訓練計算活動效率系統的方法，其中將使用資料（usage data）分為活動與非活動而產生標籤資料的步驟包含： 設定一工作起點與一工作終點； 將在該工作起點與該工作終點之間所收集到的該使用資料（usage data）標籤為第一狀態，其中該工作終點在該工作起點之後； 將未被標籤為該第一狀態的該使用資料（usage data）標籤為第二狀態； 依時間序列將使用資料（usage data）分成一資料組； 當該資料組中的第一狀態資料之數量符合第五條件時，將該該資料組中所有的使用資料（usage data）皆標籤為活動； 將其他未被標籤為活動的該使用資料（usage data）標籤為非活動； 其中，該第一狀態資料為標籤為第一狀態的使用資料（usage data）。
11. 如請求項10所述之訓練計算活動效率系統的方法，包含； 利用如請求項1所述之計算活期間的方法，獲得期間起點及期間終點； 將該期間起點設為工作起點； 將該期間終點設為工作終點。
12. 如請求項10所述之訓練計算活動效率系統的方法，更包含： 接收一使用者的使用者資訊（user information）； 將使用者資訊（user information）設為第三資料集； 利用第三學習方法，並基於第三資料集而訓練該第三類神經網路，並產生第三特徵； 將該第三特徵加入第二資料集，並將該第三特徵與該第一特徵合併。
13. 如請求項12所述之訓練計算活動效率系統的方法，其中該第三學習方法包含交叉驗證步驟。
14. 如請求項12所述之訓練計算活動效率系統的方法，其中該第三類神經網路為深度學習網路。
15. 如請求項12所述之訓練計算活動效率系統的方法，其中該使用者資訊（user information）包含，年齡、性別、職位、部門、活動區域、行動裝置的類型或二者以上之組合； 其中，該行動裝置的類型包含公家裝置、私家裝置或個人裝置。
16. 如請求項8所述之訓練計算活動效率系統的方法，其中該第一學習方法包含交叉驗證步驟。
17. 如請求項8所述之訓練計算活動效率系統的方法，其中該第一類神經網路為卷積類神經網路。
18. 如請求項8所述之訓練計算活動效率系統的方法，其中第二類神經網路為深度學習網路。
19. 請求項8所述之訓練計算活動效率系統的方法，其中該使用資料（usage data）為使用者在各時間點時，在該行動裝置上所使用的應用程式名稱資料、應用程式分類資料、螢幕狀態資料、通知資料或二者以上之組合。
20. 一種計算加權活動期間的方法，包含： 利用如請求項1所述之計算活期間的方法，獲得期間起點及期間終點； 利用如請求項8所述之訓練計算活動效率系統的方法，獲得在該期間起點與該期間終點之間的活動效率； 依據該活動效率、該期間起點及該期間終點計算加權活動期間。

Images