JP7032408B2

JP7032408B2 - 現場検知

Info

Publication number: JP7032408B2
Application number: JP2019536471A
Authority: JP
Inventors: カトガテイ・バーク・カピシオグル; エンリケ・クルス; アーロン・ミッチェル; ステファニー・ヤン
Original assignee: フォースクエア・ラボズ・インコーポレイテッド
Priority date: 2016-09-16
Filing date: 2017-09-14
Publication date: 2022-03-08
Anticipated expiration: 2037-09-14
Also published as: US11481690B2; JP2019537394A; US20180082206A1; US12086699B2; KR20190064594A; US20250165873A1; EP3513580A1; KR102414936B1; WO2018053133A1; EP3513579A1; US11017325B2; US20230135252A1; JP2019530385A; WO2018053330A1; EP3513580A4; KR102435712B1; EP3513579A4; KR20190062443A; US20210350286A1; JP7101680B2

Description

関連出願の相互参照
本出願は、2017年9月14日にPCT国際特許出願として出願されているものであり、2017年8月29日に出願された「VENUE DETECTION」と題されている米国特許出願第15/689,683号に対する優先権を主張するものであり、その出願は、2016年9月16日に出願された「SYSTEMS AND METHODS FOR PASSIVE VISIT DETECTION」と題されている米国特許仮出願第62/395,827号に対する優先権を主張するものであり、それらの開示は、それらの全体が参照によって本明細書に組み込まれている。

現場検知システムは、モバイルデバイス訪問パターンに関連した特定を可能にする。多くのケースにおいては、現場検知システムは、モバイルデバイスのロケーションを特定するために、ほとんどもっぱら周期的な地理座標系データ(たとえば、緯度、経度、および/または標高座標)に依存している。たとえば、地理座標系データは、モバイルデバイスによる検知された停止が特定の現場におけるモバイルデバイスユーザによるチェックインイベントに相関しているかどうかを特定するために使用されることが可能である。しかしながら、地理座標系データのほとんどもっぱらの使用は、不正確な現場検知という結果になる場合がある。

本明細書において開示されている態様が作成されたのは、これらおよびその他の一般的な考慮事項に関連してである。また、比較的特定の問題が論じられている可能性があるが、例は、本開示における背景技術またはその他の箇所において識別された特定の問題を解決することに限定されるべきではないということを理解されたい。

本開示の例は、現場検知のためのシステムおよび方法について記述している。複数の態様において、センサのセットを含むモバイルデバイスが、移動イベントまたはユーザ対話データを検知したことに応答してセンサのセットからのセンサデータを収集および格納することが可能である。センサデータは、モバイルデバイスのロケーションに対応する候補現場のセットを生成するために使用されることが可能である。候補現場は、現場検知システムに提供されることが可能である。現場検知システムは、候補現場を処理して特徴のセットを生成することが可能である。特徴のセットは、1つもしくは複数の確率モデルに適用されること、および/またはそれらの確率モデルを生成するために使用されることが可能である。確率モデルは、候補現場のそれぞれに関する信頼性メトリックを生成することが可能である。いくつかの態様においては、セットから上位「N」個の現場が選択されることが可能である。上位「N」個の現場は次いで、ユーザに提示されること、および/または1つもしくは複数のアクションをもたらすために使用されることが可能である。

この「発明の概要」は、コンセプトのうちの選択されたものを、簡略化された形式で紹介するために提供されており、それらのコンセプトは、以降で「発明を実施するための形態」においてさらに記述されている。この「発明の概要」は、特許請求される主題の鍵となる特徴または必要不可欠な特徴を識別することを意図されているものではなく、特許請求される主題の範囲を限定するために使用されることを意図されているものでもない。例のさらなる態様、特徴、および/または利点は、以降に続く説明において一部が示されることになり、その説明から一部が明らかになり、または本開示の実践によって理解されることが可能である。

下記の図を参照しながら、非限定的かつ非網羅的な例が記述されている。

本明細書において記述されている現場検知のための例示的なシステムの概観を示す図である。本明細書において記述されている現場検知を実施するための例示的な入力処理ユニットを示す図である。本明細書において記述されている現場検知を実施するための例示的な方法を示す図である。これらの実施形態の1つまたは複数が実施されることが可能である適切な動作環境の一例を示す図である。

以降で添付の図面を参照しながら、本開示のさまざまな態様がさらに十分に記述されており、それらの図面は、本明細書の一部を形成しており、特定の例示的な態様を示している。しかしながら、本開示のさまざまな態様は、多くの異なる形態で実施されることが可能であり、本明細書において示されている態様に限定されるものとして解釈されるべきではなく、むしろ、これらの態様は、本開示が徹底的かつ完全になるように、およびこれらの態様の範囲を当業者に十分に伝達するように提供されている。態様は、方法、システム、またはデバイスとして実践されることが可能である。したがって、態様は、ハードウェアの実施態様、完全にソフトウェアの実施態様、または、ソフトウェアの態様とハードウェアの態様とを組み合わせている実施態様の形態を取ることが可能である。したがって、以降の詳細な説明は、限定的な意味に取られるべきではない。

本開示は、現場検知のためのシステムおよび方法について記述している。複数の態様においては、現場検知は、受動的な訪問検知に関連して記述されている可能性がある。受動的な訪問検知は、モバイルデバイス(またはそのユーザ)が特定の現場または地理的ロケーションを訪問しているまたは訪問したかどうかを特定するための黙示的なしるしの使用を指す。(ユーザによって確認された現場チェックインデータなどの)明示的なユーザ信号を使用する能動的な訪問検知とは対照的に、受動的な訪問検知は、モバイルデバイスのさまざまなセンサからのデータの受動的な収集に依存する。さまざまなモバイルデバイスセンサからのデータの分析は、地理座標系データを使用するだけである従来のアプローチよりも訪問検知の精度および効率を高める。本明細書において記述されている現場検知技術は、受動的な訪問検知に関連して記述されているが、そのような技術は、その他のコンテキストにおいて適用されることも可能であるということを当業者なら認識するであろう。

複数の態様においては、モバイルデバイスは、1つまたは複数のセンサを含むことが可能である。例示的なセンサは、GPSセンサ、Wi-Fiセンサ、近接センサ、加速度計、周囲温度センサ、ジャイロスコープ、光センサ、磁力計、ホールセンサ、音響センサ、タッチスクリーンセンサなどを含むことが可能である。モバイルデバイスは、モバイルデバイスがユーザによって使用されているおよび/または運ばれているときにセンサによって検知されるデータをモニタすることが可能である。モバイルデバイスは、移動イベント、購入イベント、情報配信イベント、現場チェックインイベント等などのイベントを検知することも可能である。いくつかの態様においては、イベントの検知は、センサデータが収集および処理されるようにすることが可能である。センサデータを処理することは、センサデータを解析して1つもしくは複数の現場および/または関連付けられている現場データを識別することを含むことが可能である。識別された現場/現場データは、ジオフェンスを設定されているエリアにおけるイベントおよび/またはユーザアクティビティーに対応する候補現場のセットを識別するために分析されることが可能である。「ジオフェンスを設定する」は、本明細書において使用される際には、モバイルデバイスの地理的ロケーションの周囲に仮想の境界を動的に生成することを指すことが可能である。候補現場のセットは、特徴のセットを特定するために分析されることが可能である。特徴のセットは、それぞれの候補現場に関する1つまたは複数の特徴ベクトルを生成するために使用されることが可能である。特徴ベクトルは、本明細書において使用される際には、1つまたは複数のオブジェクトを表す数値特徴のn次元ベクトルを指すことが可能である。特徴ベクトルは、決定ロジック、1つもしくは複数のルールセット、またはマシン学習モデルなどの1つまたは複数のデータ評価ユーティリティーに適用されること、またはそれらのデータ評価ユーティリティーを生成するために使用されることが可能である。モデルは、本明細書において使用される際には、1つもしくは複数のキャラクターシーケンス、クラス、オブジェクト、結果セット、もしくはイベントにわたる確率分布を特定するために、および/または1つもしくは複数の予測子から応答値を予測するために使用されることが可能である予測または統計言語モデルを指すことが可能である。複数の例においては、モデルは、ルールベースのモデル、マシン学習リグレッサー、マシン学習分類子、ニューラルネットワークなどであることが可能である。

複数の態様においては、データ評価ユーティリティーは、特徴ベクトルを使用して候補現場のリストに関する信頼性メトリックを生成することが可能である。信頼性メトリックは、候補現場が座標の特定のセットまたはイベントに対応する可能性を示すことが可能である。複数の例においては、候補現場のリストは、1つまたは複数の基準(信頼性メトリックなど)に従ってランク付けされること、およびユーザインターフェースを介して提示されることが可能である。いくつかの態様においては、候補現場のリストは、候補現場選択の精度および/もしくは信頼性を高めるために、または候補現場選択の数を減らすために較正されることが可能である。較正は、ヒューリスティックおよび1つまたは複数のしきい値比較の使用を含むことが可能である。複数の例においては、較正は、候補現場のリストからの上位「N」個の現場の選択という結果になることが可能である。上位「N」個の現場のうちの1つまたは複数は、ディスプレイインターフェースを介してユーザに提示されることが可能である。ディスプレイインターフェースは、1つまたは複数のユーザ選択を受信することを提供することが可能である。ユーザ選択は、上位「N」個の現場のリストをさらに較正するために使用されることが可能である。

したがって、本開示は、数ある例の中でも、受動的な訪問イベントを検知すること、現場ベースのジオフェンス設定を可能にすること、さまざまなモバイルデバイスセンサを使用した現場/ロケーションデータの収集を可能にすること、1つまたは複数のデータストアからの現場データおよびユーザデータの収集を可能にすること、現場ベースの特徴ベクトルを生成すること、マシン学習技術を適用して現場のリストに関する確率を特定すること、ユーザベースの否定情報を使用して現場選択を精選すること、現場どうしの間における相対的な訪問総数の測定を改善すること、現場リストを較正して低い確率の現場を除去すること、目的関数を使用して確率モデルの精度を評価すること、ならびに本開示の例を利用するアプリケーション/サービスに関する改善された効率および品質を含むがそれらには限定されない:複数の技術的な利益を提供する。

図1は、本明細書において記述されている現場検知のための例示的なシステムの概観を示している。提示されている例示的なシステム100は、現場検知システムに関する統合された全体を形成するために対話する相互に依存したコンポーネントどうしの組合せである。システムのコンポーネントは、ハードウェアコンポーネント、または、システムのハードウェアコンポーネント上で実施されるおよび/もしくはそれらのハードウェアコンポーネントによって実行されるソフトウェアであることが可能である。複数の例においては、システム100は、ハードウェアコンポーネント(たとえば、オペレーティングシステム(OS)を実行する/稼働させるために使用される)、およびハードウェア上で稼働するソフトウェアコンポーネント(たとえば、アプリケーション、アプリケーションプログラミングインターフェース(API)、モジュール、仮想マシン、ランタイムライブラリなど)のうちのいずれかを含むことが可能である。一例においては、例示的なシステム100は、ソフトウェアコンポーネントが稼働するための環境を提供すること、動作のための制約セットに従うこと、およびシステム100のリソースまたは設備を利用することが可能であり、その場合、コンポーネントは、1つまたは複数の処理デバイス上で稼働するソフトウェア(たとえば、アプリケーション、プログラム、モジュールなど)であることが可能である。たとえば、ソフトウェア(たとえば、アプリケーション、動作命令、モジュールなど)は、コンピュータ、モバイルデバイス(たとえば、スマートフォン/電話、タブレット、ラップトップ、携帯情報端末(PDA)など)、および/またはその他の任意の電子デバイスなどの処理デバイス上で実行されることが可能である。処理デバイス動作環境の一例としては、図4において示されている例示的な動作環境を参照されたい。その他の例においては、本明細書において開示されているシステムのコンポーネントどうしは、複数のデバイスにわたって分散されることが可能である。たとえば、入力は、クライアントデバイス上で入力されることが可能であり、情報は、1つまたは複数のサーバデバイスなど、ネットワーク内のその他のデバイスから処理またはアクセスされることが可能である。

一例として、システム100は、クライアントデバイス102、分散型ネットワーク104、現場分析システム106、およびストレージ108を含む。システム100などのシステムのスケールは変わることが可能であり、図1において記述されているよりも多くのまたは少ないコンポーネントを含むことが可能であるということを当業者なら理解するであろう。いくつかの例においては、たとえば、システム100のコンポーネントどうしが分散型ネットワークの1つまたは複数のデバイスにわたって分散されることが可能である場合には、システム100のコンポーネントどうしの間におけるインターフェーシングがリモートで生じることが可能である。

クライアントデバイス102は、1つまたは複数の現場に関連したセンサデータを収集するように構成されることが可能である。複数の態様においては、クライアントデバイス102は、1つもしくは複数のセンサを含むこと、またはそれらのセンサにアクセスできることが可能である。それらのセンサは、クライアントデバイス102に関するセンサデータ、たとえば、GPS座標およびジオロケーションデータ、位置データ(水平精度および/または垂直精度など)、Wi-Fi情報、OS情報および設定、ハードウェア情報、信号強度、加速度計データ、時間情報などを検知および/または生成するように動作できることが可能である。クライアントデバイス102は、センサデータを収集および処理することが可能である。いくつかの態様においては、クライアントデバイス102は、イベントを検知したことまたは1つもしくは複数の基準の充足に応答してセンサデータを収集および/または処理することが可能である。たとえば、センサデータは、クライアントデバイス102による検知された停止に応答して収集されることが可能である。複数の例においては、停止を検知することは、1つまたは複数のマシン学習技術またはアルゴリズム、たとえば、期待値最大化(EM)アルゴリズム、隠れマルコフモデル(HMM)、ビタビアルゴリズム、フォワードバックワードアルゴリズム、固定ラグスムージングアルゴリズム、バウムウェルチアルゴリズムなどの使用を含むことが可能である。センサデータを収集することは、さまざまなセンサからのデータをアグリゲートすること、それらのデータを1つもしくは複数の基準によって編成すること、および/またはクライアントデバイス102にとってアクセス可能なデータストア(図示せず)にそれらのセンサデータを格納することを含むことが可能である。収集されたセンサデータは、分散型ネットワーク104を介して現場分析システム106などの分析ユーティリティーに提供されること(または分析ユーティリティーによってアクセスできること)が可能である。

現場分析システム106は、1つまたは複数の現場リストを作成するように構成されることが可能である。複数の態様においては、現場分析システム106は、センサデータの1つまたは複数のセットにアクセスできることが可能である。現場分析システム106は、センサデータを処理して現場の候補セットを識別することが可能である。センサデータを処理することは、センサデータを解析してクライアントデバイス102の1つまたは複数のロケーションを識別することを含むことが可能である。クライアントデバイス102の1つまたは複数のロケーションは、現場の候補セットをフェッチするために、k最近傍アルゴリズムなどの分類アルゴリズムに適用されることが可能である。k最近傍アルゴリズムは、本明細書において使用される際には、オブジェクトが自分の近傍の多数決によって分類されて、そのオブジェクトが、自分のk個の最近傍の間で最も共通しているクラスに割り振られる分類(または回帰)技術を指すことが可能である。複数の例においては、分類アルゴリズムを使用して生成された現場の候補セットは、クライアントデバイス102に関して報告されたロケーションに近い、またはそのロケーションの特定の近接度内にある現場を含むことが可能である。

現場分析システム106はさらに、1つまたは複数の特徴ベクトルを生成するように構成されることが可能である。複数の態様においては、現場分析システム106は、現場の候補セット内の1つまたは複数の現場に関する特徴ベクトルを生成することが可能である。特徴ベクトルを生成することは、現場に関連付けられているセンサデータを1つまたは複数の知識ソースからの情報と組み合わせることを含むことが可能である。複数の例においては、それらの情報は、これまでのおよび/または予測された現場およびユーザデータを含むことが可能である。現場分析システム106は、1つまたは複数の確率データモデルまたは予測アルゴリズム、たとえばデシジョンツリーを使用して特徴ベクトルを評価することが可能である。デシジョンツリー学習技術の非網羅的なリストは、分類ツリー、回帰ツリー、ブーステッドツリー、ブートストラップアグリゲーテッドツリー、ローテーションフォレストを含む。複数の例においては、特徴ベクトルを評価することは、1つまたは複数の勾配ブースティング技術の使用を含むことが可能である。勾配ブースティングは、本明細書において使用される際には、分類および回帰のための1つまたは複数のマシン学習技術を指すことが可能であり、これは、弱い予測モデルどうしの集合の形態の予測モデルを作成する。勾配ブースティングは、現場の年数、現場の人気、その他の現場への近接度、現場の選抜/選択のこれまでの精度、以前の現場訪問、黙示的/明示的なユーザフィードバック等などのファクタを組み込むことが可能である。特徴ベクトルの評価は、現場の候補セット内の現場に関するスコアまたは確率の計算につながることが可能である。それらのスコア/確率は、特徴ベクトル(もしくはその特徴)に割り振られること、または現場の候補セット内の対応する現場に割り振られることが可能である。そのようなスコア/確率は、現場が、クライアントデバイス102によって報告されたロケーションデータに対応する可能性を表すことが可能である。現場の候補セット、特徴ベクトルおよび関連付けられている特徴データ、ならびに/またはスコア/確率は、ストレージ108などのデータストア内に格納されることが可能である。

現場分析システム106はさらに、現場の候補セットを較正するように構成されることが可能である。複数の態様においては、現場の候補セットを較正することは、それぞれの候補現場に関するスコア/確率をしきい値に照らして評価することを含むことが可能である。しきい値を下回るスコア/確率を有している現場は、現場の候補セットから除去されること、または何らかの様式で減らされることが可能である。複数の例においては、しきい値を特定することは、ヒューリスティックの1つまたは複数のセットを現場の候補セットに照らして評価して現場訪問分布のセットを特定することを含むことが可能である。現場訪問分布は、現場の候補セット内の現場のうちの1つもしくは複数、および/またはクライアントデバイス102の報告されたロケーションに関連付けられている1つもしくは複数の現場を含むことが可能である。現場分析システム106は、現場訪問分布のセット(またはアグリゲートされた現場訪問分布)を、ラベル付けされているおよび/またはラベル付けされていないトレーニングデータのセットと比較することが可能である。その比較に基づいて、クライアントデバイス102によって報告されたロケーションデータに対応する可能性が低い現場を識別するしきい値が特定される。いくつかの態様においては、現場の候補セットを較正することはさらに、上位「N」個の現場のリストを特定することを含むことが可能である。上位「N」個の現場のリストは、モバイルデバイスのロケーションに対応する可能性が最も高い現場候補を表すことが可能である。複数の例においては、上位「N」個の現場のリストを特定することは、それぞれの候補現場に関するスコア/確率をしきい値に照らして評価することを含むことが可能である。たとえば、最も高いスコア/確率を有している上位3つ(たとえば、「N」=3)の現場が選択されることが可能である。少なくとも1つの例においては、上位「N」個の現場のリストを特定することはさらに、ユーザ選択データを受信することを含むことが可能である。たとえば、現場分析システム106にとってアクセス可能なインターフェースコンポーネントを介してユーザに現場のセットが提示されることが可能である。現場分析システム106は、現場のセット内の1つまたは複数の現場の選択を受信することが可能である。選択された現場は、上位「N」個の現場を表すことが可能である。代替として、選択された現場は、上位「N」個の現場のリストから除去されるべきである現場、または上位「N」個の現場のリストのランキングに対する調整を表すことが可能である。上位「N」個の現場のリストは、ストレージ108内に格納されること、および/またはディスプレイインターフェースを介して提示されることが可能である。

現場分析システム106はさらに、1つまたは複数の確率モデルの精度を評価するように構成されることが可能である。複数の態様においては、現場分析システム106は、トレーニングデータのセットにアクセスできることが可能である。トレーニングデータは、たとえば、以前に受信された入力データ(たとえば、センサデータ、特徴ベクトル、対応する特徴データなど)および/または特定もしくは選択された現場出力を含むことが可能である。現場分析システム106は、入力データを1つまたは複数の確率モデルに適用することが可能である。それぞれの確率モデルの出力は、1つまたは複数の確率モデルの精度または有効性を特定するために使用される目的関数に提供されることが可能である。複数の例においては、目的関数は、さまざまなパラメータを使用して無数の方法で定義されることが可能である。目的関数は、確率モデルの出力がトレーニングデータ内の対応する出力にどれぐらいの近さでマッチしているかを表すスコアを計算することが可能である。計算されたスコアに基づいて、現場分析システム106は、1つまたは複数の確率モデルをランク付けすることが可能である。一例においては、最も高いランキングの確率モデルが、特徴ベクトルのセットが受信された場合に使用するために選択されることが可能である。

図2は、本明細書において記述されている、現場検知のための例示的な入力処理デバイス200の概観を示している。入力処理デバイス200によって実施される現場検知技術は、図1において記述されている現場検知技術およびコンテンツを含むことが可能である。代替例においては、単一のシステム(プロセッサおよび/またはメモリなどの1つまたは複数のコンポーネントを含む)が、システム100および200においてそれぞれ記述されている処理を実行することが可能である。

図2を参照すると、入力処理ユニット200は、取り出しエンジン202、特徴エンジン204、確率モデルエンジン206、ユーザインターフェース208、および較正エンジン210を含むことが可能である。取り出しエンジン202は、センサデータのセットに関する1つまたは複数の特徴セットを生成するように構成されることが可能である。複数の態様においては、取り出しエンジン202は、モバイルデバイスから収集されたセンサデータのセットにアクセスできることが可能である。センサデータは、モバイルデバイスに関連付けられているユーザまたは物理的な環境からの入力を表すことが可能である。センサデータは、モバイルデバイスの(またはモバイルデバイスにとってアクセス可能な)さまざまなセンサから収集された入力を含むことが可能である。いくつかの態様においては、取り出しエンジン202は、イベントを検知したことまたは1つもしくは複数の基準の充足に応答してセンサデータを処理することが可能である。たとえば、取り出しエンジン202は、モバイルデバイスが移動を停止したという表示を受信すること、またはその旨をその他の形で検知することが可能である。停止を検知することは、時間とともにセンサデータをサンプリングすること、それらのセンサデータを特徴付けること、およびそれらの特徴付けられたデータに停止検知モデルを適用して、モバイルデバイスが移動を停止したかどうかを特定することを含むことが可能である。センサデータを処理することは、1つまたは複数の個々のセンサまたはセンサタイプに関するセンサデータを解析して、現場および/または関連付けられている現場データを識別することを含むことが可能である。複数の態様においては、現場データは、候補現場のセットを取り出すために使用されることが可能である。たとえば、現場データは、k最近傍アルゴリズムなどの分類アルゴリズムに適用されることが可能である。分類アルゴリズムは、モバイルデバイスに関して報告されたロケーションの特定の近接度または密度分布内にある候補現場のリストを特定することが可能である。別の例においては、地理座標のセット(またはその他のジオロケーション識別子)が、地理マッピングサービスなどの現場特定ユーティリティーに提供されることが可能である。そのような例においては、現場の数は、それらの現場を提示するディスプレイエリアのサイズに依存することが可能である。

特徴エンジン204は、候補現場のリストに関する特徴ベクトルを生成するように構成されることが可能である。複数の態様においては、特徴エンジン204は、候補現場のリストにアクセスできることが可能である。特徴エンジン204は、それぞれの候補現場を、その候補現場に関連付けられている情報に相関付けることが可能である。たとえば、候補現場は、人気のある付近の現場、同様の名前もしくはテーマが付けられている現場、またはその他の形で関連した現場に相関付けられることが可能である。候補現場に関する現場データおよび相関付けられている現場データが識別および使用されて、それぞれの識別された現場に関する特徴ベクトルを生成することが可能である。一例においては、特徴ベクトルを生成することは、同様の特徴どうしまたは特徴カテゴリーどうしを編成すること、対応する特徴値を正規化すること、および正規化された特徴値を特徴ベクトルに付加することを含むことが可能である。複数の態様においては、特徴ベクトルは、現場に関するセンサデータがその現場に関するこれまでのデータにどれぐらいよくマッチしているかを表すことが可能である。一例として、モバイルデバイスは、検知された停止中にWi-Fiスキャンを実行することが可能である。そのWi-Fiスキャンデータがそれぞれの候補現場のWi-Fiスキャンデータに比較されて、特徴スコアを生成することが可能である。特徴スコアは、Wi-Fiデータが候補現場のそれぞれにどれぐらいよくマッチしているかを表すことが可能である。

確率モデルエンジン206は、1つまたは複数のモデルを生成および/またはトレーニングするように構成されることが可能である。複数の態様においては、確率モデルエンジン206は、1つまたは複数の特徴ベクトルにアクセスできることが可能である。確率モデルエンジン206は、1つまたは複数の勾配ブースティング技術を適用して、デシジョンツリーの集合を含む確率モデルを生成することが可能である。勾配ブースティング技術は、現場の年数、現場の人気、その他の現場への近接度、現場の選抜/選択のこれまでの精度、以前の現場訪問等などのファクタを組み込むことが可能である。少なくとも1つの例においては、勾配ブースティング技術は、明示的なユーザフィードバックを組み込むことも可能である。たとえば、現場ロケーションの明示的なユーザ確認または否定を含む結果セットが使用されて、確率モデル206を生成することも可能である。いくつかの態様においては、確率モデルは、1つまたは複数の特徴ベクトルにアクセスできることが可能である。特徴ベクトルは、現場の候補セットに関する特徴データおよび/または特徴スコアを含むことが可能である。確率モデルは、入力として特徴ベクトルを受信することが可能であり、現場の候補セット内のそれぞれの現場に関する信頼性スコアまたは確率を出力することが可能である。信頼性スコア/確率は、現場が座標の特定のセットまたはイベントに対応する可能性を示すことが可能である。少なくとも1つの例においては、確率モデルは、現場の候補セット内の現場に関する確率分布を生成することが可能である。確率分布は、たとえば確率密度関数を使用して、確率または信頼性スコアを現場リスト内のそれぞれの現場に割り振ることが可能である。

複数の態様においては、確率モデルエンジン206はさらに、1つまたは複数の確率モデルの精度を評価するように構成されることが可能である。確率モデルエンジン206は、たとえば、以前に受信された入力データ(たとえば、センサデータ、特徴ベクトル、特徴スコアなど)、明示的なユーザフィードバック、ラベル付けされている現場出力、現場特定分析などを含むトレーニングデータのセットにアクセスできることが可能である。確率モデルエンジン206は、入力データを1つまたは複数の確率モデルに適用することが可能である。確率モデルは、以前に生成されている場合や、最近生成された場合があり、または確率モデルエンジン206による評価の一環として生成される場合がある。それぞれの確率モデルの出力は、1つまたは複数の確率モデルの精度または有効性を特定するために使用される目的関数に提供されることが可能である。複数の例においては、目的関数は、評価される基準および/またはパラメータを定義することが可能である。目的関数は、評価される確率モデルの数およびタイプを定義することが可能である。複数の態様においては、目的関数は、それぞれの確率モデルの出力をトレーニングデータ内の出力と比較することが可能である。その比較に基づいて、目的関数は、確率モデル出力がトレーニングデータ出力にどれぐらいの近さでマッチしているかを表すスコアを計算することが可能である。最も高いランキングの確率モデルが記録されて、特徴ベクトルがその後に受信された場合に使用するために選択されることが可能である。

ユーザインターフェース208は、現場リストを提示するように構成されることが可能である。複数の態様においては、ユーザインターフェース208は、現場リストおよび/またはそれに関連付けられているデータをユーザが見ること、ナビゲートすること、および操作することを可能にすることができる。複数の例においては、ユーザインターフェース208は、テキスト形式のリスト、グラフィカルオブジェクト(たとえば、地理的地図または同様の視覚化)、レポートなどとして現場リストを提示することが可能である。ユーザインターフェース208は、現場リストと対話するための設定または構成へのアクセスを提供することも可能である。ユーザインターフェース208はさらに、トレーニングデータを確率モデルエンジン206に提供するように構成されることが可能である。複数の態様においては、ユーザインターフェース208は、トレーニングデータの1つまたは複数のセットへのアクセスを提供する。トレーニングデータは、入力処理ユニット200上にローカルに、またはリモートデバイス上に配置されることが可能である。複数の例においては、トレーニングデータは、ラベル付けされているまたはラベル付けされていない入力信号であることが可能である。ラベル付けされているデータは、センサ値ならびに対応するラベル付けされているイベントおよび現場を含むことが可能である。トレーニングデータが確率モデルに適用されて、より正確なまたは関連している現場リストを作成するように確率モデルをトレーニングすることが可能である。複数の例においては、より正確なまたは関連している現場リストを作成することは、ラベル付けされているデータのセット内で最も関連しているまたは内容を示しているパラメータ/特徴を特定することを含むことが可能である。そのような特定は、パラメータ/特徴に重みを適用すること、および/または現場リスト分析からパラメータ/特徴を除去することを含むことが可能である。

較正エンジン210は、現場リストを精選するように構成されることが可能である。複数の態様においては、較正エンジン210は、1つまたは複数の現場リストにアクセスできることが可能である。較正エンジン210は、1つまたは複数の処理技術を現場リストに適用して、現場選択の精度および/もしくは信頼性を高めること、または現場選択の数を減らすことが可能である。たとえば、較正エンジン210は、現場の候補セットに関連付けられている1つまたは複数の確率または信頼性スコアをしきい値と比較することが可能である。しきい値は、現場の候補セット内に含まれるべきである現場候補に関する最小の確率/信頼性スコアを表すことが可能である。特定の例として、1%を下回る確率/信頼性スコアを有している現場は、現場の候補セットから除去されることが可能である。複数の態様においては、しきい値は、たとえば、ルールセット、ヒューリスティックのセット、またはその他の分析技術を現場の候補セットに適用して現場訪問分布を生成することによって特定または選択されることが可能である。現場訪問分布は、1つまたは複数の現場がある期間の間に訪問を報告した頻度を識別することが可能である。いくつかの態様においては、較正エンジン210は、現場訪問分布をセットトレーニングデータと比較することが可能である。トレーニングデータは、ラベル付けされているまたはラベル付けされていない現場データ、たとえば、現場、チェックイン情報、ユーザデータおよび信号、確率/信頼性スコアなどを含むことが可能である。トレーニングデータは、現場の確率/信頼性スコアおよび/または訪問分布を評価するために使用されることが可能である。その評価に基づいて、しきい値が選択されることが可能である。しきい値は、ある確率/信頼性スコアを示すことが可能であり、その確率/信頼性スコアよりも下では、現場が、モバイルデバイスによって報告されたロケーションデータに対応する可能性は低い。しきい値は、上位「N」個の現場のリストを特定するために使用されることが可能である。上位「N」個の現場のリストは、モバイルデバイスのロケーションに対応する可能性が最も高い現場候補を表すことが可能である。複数の例においては、上位「N」個の現場は、特定の数の現場結果を選択すること、特定の確率しきい値を上回る現場結果を選択することなどによって特定されることが可能である。

本明細書において開示されている態様によって採用されることが可能であるさまざまなシステムについて記述してきたが、本開示は次いで、本開示のさまざまな態様によって実行されることが可能である1つまたは複数の方法について記述する。複数の態様においては、方法300が、図1のシステム100などの例示的なシステムによって実行されることが可能である。複数の例においては、方法300は、オペレーション、プログラム、または命令を格納および実行するように構成されている少なくとも1つのプロセッサを含む入力処理ユニット200などのデバイス上で実行されることが可能である。しかしながら、方法300は、そのような例には限定されない。その他の例においては、方法300は、現場検知を実行するためのアプリケーションまたはサービス上で実行されることが可能である。少なくとも1つの例においては、方法300は、ウェブサービス/分散型ネットワークサービス(たとえばクラウドサービス)などの分散型ネットワークの1つまたは複数のコンポーネントによって実行されることが可能である(たとえば、コンピュータによって実施されるオペレーション)。

図3は、本明細書において記述されている、現場検知のための例示的な方法300を示している。例示的な方法300は、オペレーション302において開始し、オペレーション302においては、センサデータが受信されることが可能である。複数の態様においては、クライアントデバイス102などのモバイルデバイスの(またはモバイルデバイスに関連付けられている)1つまたは複数のセンサからのセンサデータがモニタまたは収集されることが可能である。センサデータは、GPS座標およびジオロケーションデータ、位置データ(たとえば、水平精度データ、垂直精度データなど)、Wi-Fiデータ、オーバージエア(OTA)データ(たとえば、Bluetooth（登録商標）データ、近距離無線通信(NFC)データなど)、OS情報および設定、ハードウェア/ソフトウェア情報、信号強度データ、移動情報(たとえば、加速、時間および方向データ)などに関連付けられている情報を含むことが可能である。センサデータは、継続的に、断続的に、要求に応じて、または、検知された停止、移動速度および/もしくは方向における認識できる変化、チェックイン、購入イベント、モバイルデバイスによるメッセージの受信等など、1つもしくは複数の基準の充足に応じて収集されることが可能である。

複数の態様においては、センサデータは、関連しているデータポイント、タイムフレーム、移動イベント、および/または現場情報を識別するためにモニタされることが可能である。たとえば、センサデータは、モバイルデバイスが店頭に沿って移動している際にモニタされることが可能である。停止検知ユーティリティーが、モバイルデバイスによって受信されるセンサデータをモニタすることが可能である。第1の期間の間に、停止検知ユーティリティーは、10個のポーリングサイクルの連続した期間(たとえば、10分間のタイムピリオド)にわたって、Wi-Fi信号(たとえば、「店舗A」のWi-Fiネットワークの検知)を含むセンサデータを分析することが可能である。停止検知ユーティリティーは、10個のポーリングサイクルのそれぞれの間にWi-Fi信号が検知されたので、モバイルデバイスが継続的に店舗Aに近接していたと特定することが可能である。したがって、停止検知ユーティリティーは、店舗Aに関する「訪問している」という訪問状態を特定することが可能である。「訪問している」という訪問状態に応答して、停止検知ユーティリティーは、第1の期間の間にセンサデータを収集および格納することが可能である。第2の期間の間に、停止検知ユーティリティーは、複数のWi-Fi信号(たとえば、「店舗A」および「店舗B」のWi-Fiネットワークの検知)と、対応する信号強度とを含むセンサデータを分析することが可能である。そのセンサデータに基づいて、停止検知ユーティリティーは、モバイルデバイスが店舗Bに近接していたがモバイルデバイスは実際にはその店舗に入らなかったと特定することが可能である。たとえば、店舗Bに関するWi-Fiネットワークデバイスは、店頭のドアから55フィート内側にある可能性がある。デバイスは、「店舗B」のWi-Fiネットワークの信号強度を、Wi-Fiネットワークデバイスから55フィートの半径においては-80dBm、Wi-Fiネットワークデバイスから25フィートの半径においては-70dBm、およびWi-Fiネットワークデバイスから5フィートの半径においては-50dBmとして記録することが可能である。第2の期間の間に、モバイルデバイスは、-85と-80との間の信号強度を記録していた可能性があり、それは、モバイルデバイスが店舗Bに入らなかったことを示している。したがって、停止検知ユーティリティーは、店舗Bに関する「進行している」または「立ち止まった」という訪問状態を特定することが可能である。「進行している」という訪問状態に応答して、停止検知ユーティリティーは、第2の期間の間にセンサデータを収集および格納しないことが可能である。第3の期間の間に、停止検知ユーティリティーは、ポーリング期間にわたる加速度計データ、1つまたは複数の電子メッセージ(たとえば、テキストまたはEメールの広告、クーポン、イベントスケジュール、レシートなど)、およびGPS座標を使用して、モバイルデバイスが店舗Cに近接していたと特定することが可能である。たとえば、停止検知ユーティリティーは、モバイルデバイスが12:05pmに3.5mphで店舗Cから遠ざかって進行していたが、モバイルデバイスは12:06pmに店舗Cに関するEメール広告を受信し、モバイルデバイスは12:08pmに自らのコースを変更して店舗Cに向かって進行し、モバイルデバイスは12:08と12:15との間に3.5mphで店舗Cに向かって進行していたところ、12:15pmに店舗CのWi-Fi「店舗C」が検知され、モバイルデバイスは12:15pmと12:45pmとの間に0.1と1.8mphとの間(たとえば、ぶらつくスピード)で進行していたと識別することが可能である。このデータに基づいて、停止検知ユーティリティーは、店舗Cに関する「訪問している」という訪問状態を推測することが可能である。「訪問している」という訪問状態に応答して、停止検知ユーティリティーは、第3の期間の間にセンサデータを収集および格納することが可能である。

オペレーション304において、候補現場のセットが生成されることが可能である。複数の態様においては、モバイルデバイスのセンサデータは、取り出しエンジン202などの現場取り出しユーティリティーにとってアクセスできることが可能である。現場取り出しユーティリティーは、センサデータを解析して、現場および/または関連付けられている現場データを識別することが可能である。現場データは、現場識別に使用可能なモデルまたはアルゴリズムに適用されることが可能である。たとえば、現場データは、k最近傍アルゴリズムなどの分類アルゴリズムに適用されることが可能である。分類アルゴリズムは、現場データを使用して、モバイルデバイスに関して報告されたロケーションの特定の近接度または密度分布内にある候補現場を識別することが可能である。たとえば、分類アルゴリズムは、地理マッピングサービスを利用して、地理座標のセットから500フィート内にあるすべての現場を識別することが可能である。少なくとも1つの例においては、分類アルゴリズムはさらに、現場の人気、現場訪問がどれぐらい最近だったか、現場の格付け、販売データ(地域ごと、季節ごとなど)、ユーザの好みに関するデータ等などのファクタを組み込むことが可能である。たとえば、分類アルゴリズムは、知識ソースを使用して、1つまたは複数の識別された現場に関する人気情報を取り出すことが可能である。それらの現場は次いで、現場の人気に従ってソートされることが可能であり、最も関連している/人気のある現場(たとえば、100個の最も人気のある現場)が選択されることが可能である。

オペレーション306において、候補現場データが特徴付けられて、1つまたは複数の特徴セットを生成することが可能である。複数の態様においては、候補現場のデータセットが、特徴エンジン204などの特徴付けコンポーネントに提供されること、または特徴付けコンポーネントによってアクセスできることが可能である。特徴付けコンポーネントは、候補現場のうちの1つまたは複数に対応するセンサデータおよび/または現場データを識別することが可能である。センサ/現場データが評価されて、候補現場に関連付けられている特質(および対応する値)を示す特徴のセットを生成することが可能である。たとえば、特徴付けコンポーネントは、1つまたは複数の現場に関して下記のセンサデータを入力として受信することが可能である。
[{'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}]

特徴付けコンポーネントは、センサデータ内の1つまたは複数の要素または特徴に対応するスコアのセットを生成することが可能である。たとえば、特徴付けコンポーネントは、上述のセンサデータ、および/またはそれらのセンサデータによって表されている現場に関連したこれまでのデータを使用して、1つまたは複数のロケーションベースのスコアを生成することが可能である。特定の例においては、ロケーションベースのスコアは、さまざまなWi-Fiネットワークの評価を表すことが可能である。たとえば、上述のセンサデータに関して、下記のロケーションベースのスコアが生成されることが可能である。
[{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}]

センサデータおよびスコアのセットが使用されて、1つまたは複数の特徴ベクトルを生成および/または投入することが可能である。たとえば、特徴付けコンポーネントは、特徴および値のセットを、ロケーション、デバイス、時間、移動等など、1つまたは複数のタイプまたはカテゴリーへと編成することが可能である。編成された特徴および特徴値は、増減および/または正規化されることが可能である。正規化された特徴および/または特徴値は次いで、特徴ベクトルに付加されることが可能である。特徴ベクトルは、1つもしくは複数のデータ分析ユーティリティーおよび/もしくはデータストアに提供されること、または1つもしくは複数のデータ分析ユーティリティーおよび/もしくはデータストアにとってアクセス可能にされることが可能である。

オペレーション308において、候補現場のセットに関して1つまたは複数のメトリックが生成されることが可能である。複数の態様においては、特徴ベクトルは、確率モデルエンジン206などのデータ分析ユーティリティーによってアクセスできることが可能である。特徴ベクトルは、現場の候補セットに関する特徴データおよび/または特徴スコアを含むことが可能である。データ分析ユーティリティーは、1つまたは複数の勾配ブースティング技術を使用して、確率モデルを生成することが可能である。確率モデルは、特徴ベクトルを評価して、現場の候補セット内のそれぞれの現場に関する1つまたは複数の確率または信頼性スコアを生成することが可能である。確率/信頼性スコアは、現場が座標の特定のセットに対応する可能性、または現場が訪問されている可能性を示すことが可能である。複数の例においては、確率/信頼性スコアを生成することは、スコアリングアルゴリズムまたはマシン学習技術を、それぞれの候補現場に対応する特徴ベクトル内の特徴スコアに適用することを含むことが可能である。特定の例においては、スコアリングアルゴリズムは、それぞれの候補現場の特徴スコアを合計することを含むことが可能である。別の例においては、スコアリングアルゴリズムは、重みのセットまたは乗数を1つまたは複数の特徴スコアに適用することを含むことが可能である。複数の態様においては、候補現場は、たとえば、確率モデルによって生成された確率/信頼性スコアに従って編成またはランク付けされることが可能である。

オペレーション310において、現場リストが較正されて、現場リストの精度を高めることが可能である。複数の態様においては、較正エンジン210などの較正コンポーネントが、現場リストにアクセスすることが可能である。較正コンポーネントは、1つまたは複数の処理技術を現場リストに適用して、現場選択の精度および/または信頼性メトリックを高めること、または現場選択の数を減らすことが可能である。たとえば、較正コンポーネントは、候補現場に関連付けられている1つまたは複数の確率または信頼性スコアを信頼性しきい値と比較することが可能である。信頼性しきい値は、現場候補が現場リスト内に含まれるためには超えなければならない確率/信頼性スコアを表すことが可能である。複数の例においては、たとえば、ヒューリスティックの1つまたは複数のセットを候補現場に適用することによって、しきい値が特定または選択されることが可能である。ヒューリスティックが使用されて、候補現場に関する現場訪問分布を生成することが可能である。現場訪問分布は、ある期間の間に現場訪問が明示的にまたは黙示的に報告された頻度を識別することが可能である。いくつかの態様においては、現場候補に関する現場訪問分布が、トレーニングデータに関する現場訪問分布と比較されることが可能である。評価に基づいて、しきい値が選択されることが可能である。しきい値を下回る候補現場は、候補現場のリストから除去されること、または著しく減らされることが可能である。たとえば、1%を下回る信頼性スコアを有している候補現場は、候補現場のリストから除去されることが可能であり、50%を下回る信頼性スコアを有している候補現場は、それに従ってマークされることが可能である。マークすることは、候補現場の色、フォント、もしくは透明度を修正すること、または候補現場にインジケータを付加することを含むことが可能である。

複数の態様においては、現場リストが較正された後に(または較正プロセスの一環として)、較正コンポーネントは、上位「N」個の現場のリストを生成することが可能である。上位「N」個の現場のリストは、現場リストからの1つまたは複数の候補現場を含むことが可能である。上位「N」個の現場のリストは、それらの現場候補が、モバイルデバイスのロケーションに、または訪問イベントに対応する可能性が最も高いということを表すことが可能である。複数の例においては、上位「N」個の現場は、特定の数の現場結果を選択すること、特定の確率しきい値を上回る現場結果を選択すること、ユーザ選択データを評価することなどによって特定されることが可能である。いくつかの態様においては、上位「N」個の現場のリストは、1つまたは複数の基準に従ってランク付けおよび/または編成されることが可能である。たとえば、現場リストは、55%の予備的な信頼性スコアを有している「店舗A」、40%の予備的な信頼性スコアを有している「店舗B」、および5%の予備的な信頼性スコアを有している「店舗C」を含むことが可能である。この現場リストが精選された後に、精選された現場リストは、25%の最終的な信頼性スコアを有している「店舗A」、75%の最終的な信頼性スコアを有している「店舗B」、および0%の最終的な信頼性スコアを有している「店舗C」を含むことが可能である。較正コンポーネントは、精選された現場リストを較正することが可能であり、それによって現場は、店舗A、店舗B、および店舗Cという順序でリストアップされる。少なくとも1つの例においては、精選された現場リストは、最終的な信頼性スコアに従ってランク付けされることが可能であり、それによって店舗Bは、最上位にランク付けされた現場であり、店舗Aは、第2位にランク付けされた現場である。上位2つの現場が、精選された現場リスト内にリストアップされることになると指定する設定によって、店舗Cの現場は、精選された現場リストから除去されることになることが可能である。いくつかの態様においては、精選された現場リストは、ユーザインターフェース208などのインターフェースを介してユーザに提示されることが可能である。

図4は、図1において記述されている現場検知システムに関する例示的な適切な動作環境を示している。動作環境400は典型的に、その最も基本的な構成において、少なくとも1つの処理ユニット402およびメモリ404を含む。コンピューティングデバイスの厳密な構成およびタイプに応じて、(本明細書において開示されている現場検知の実施形態を実行するための命令を格納している)メモリ404は、揮発性(RAMなど)、不揮発性(ROM、フラッシュメモリ等など)、またはそれら2つの何らかの組合せであることが可能である。この最も基本的な構成は、図4において破線406によって示されている。さらに、環境400は、磁気または光ディスクまたはテープを含むがそれらには限定されないストレージデバイス(取り外し可能な408、および/または取り外し不能な410)を含むことも可能である。同様に、環境400は、キーボード、マウス、ペン、音声入力等などの入力デバイス414、および/またはディスプレイ、スピーカー、プリンタ等などの出力デバイス416を有することも可能である。LAN、WAN、ポイントツーポイント等などの1つまたは複数の通信接続412が環境内に含まれることも可能である。複数の実施形態においては、それらの接続は、ポイントツーポイント通信、コネクション型通信、コネクションレス通信などを容易にするように動作できることが可能である。

動作環境400は典型的に、少なくとも何らかの形態のコンピュータ可読メディアを含む。コンピュータ可読メディアは、処理ユニット402、または動作環境を構成するその他のデバイスによってアクセスされることが可能である任意の利用可能なメディアであることが可能である。限定ではなく、例として、コンピュータ可読メディアは、コンピュータストレージメディアおよび通信メディアを含むことが可能である。コンピュータストレージメディアは、コンピュータ可読命令、データ構造、プログラムモジュール、またはその他のデータなどの情報の格納のための任意の方法またはテクノロジーにおいて実装される揮発性のメディアおよび不揮発性のメディア、取り外し可能なメディアおよび取り外し不能なメディアを含む。コンピュータストレージメディアは、RAM、ROM、EEPROM、フラッシュメモリ、もしくはその他のメモリテクノロジー、CD-ROM、デジタル多用途ディスク(DVD)、もしくはその他の光ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ、もしくはその他の磁気ストレージデバイス、または、所望の情報を格納するために使用されることが可能であるその他の任意の非一時的なメディアを含む。コンピュータストレージメディアは、通信メディアを含まない。

通信メディアは、搬送波またはその他の伝送メカニズムなどの変調されたデータ信号においてコンピュータ可読命令、データ構造、プログラムモジュール、またはその他のデータを具体化し、任意の情報伝達メディアを含む。「変調されたデータ信号」という用語は、その信号の特性のうちの1つまたは複数が、その信号内で情報をエンコードするような様式で設定または変更されている信号を意味する。限定ではなく、例として、通信メディアは、有線ネットワークまたは直接有線接続などの有線メディア、ならびに、音響メディア、RFメディア、赤外線メディア、マイクロ波メディア、およびその他のワイヤレスメディアなどのワイヤレスメディアを含む。上記のうちのいずれの組合せもまた、コンピュータ可読メディアの範囲内に含まれるものである。

動作環境400は、1つまたは複数のリモートコンピュータへの論理接続を使用して、ネットワーク化された環境内で動作する単一のコンピュータであることが可能である。リモートコンピュータは、パーソナルコンピュータ、サーバ、ルータ、ネットワークPC、ピアデバイス、またはその他の一般的なネットワークノードであることが可能であり、典型的には、上述されている要素ならびにそのように言及されていないその他の要素のうちの多くまたはすべてを含む。論理接続は、利用可能な通信メディアによってサポートされる任意の方法を含むことが可能である。そのようなネットワーキング環境は、オフィス、企業規模のコンピュータネットワーク、イントラネット、およびインターネットにおいてよく見受けられる。

本明細書において記述されている実施形態は、本明細書において開示されているシステムおよび方法を実施および実行するために、ソフトウェア、ハードウェア、または、ソフトウェアとハードウェアとの組合せを使用して採用されることが可能である。特定のデバイスが、特定の機能を実行するものとして本開示を通じて列挙されているが、これらのデバイスは、例示的な目的のために提供されており、本開示の範囲から逸脱することなく、本明細書において開示されている機能性を実行するために、その他のデバイスが採用されることが可能であるということを当業者なら理解するであろう。

本開示は、添付の図面を参照しながら本発明のテクノロジーのいくつかの実施形態について記述しており、それらの図面においては、可能な実施形態のうちのいくつかが示されたにすぎない。しかしながら、その他の態様が、多くの異なる形態で具体化されることが可能であり、本明細書において示されている実施形態に限定されるものと解釈されるべきではない。むしろ、これらの実施形態は、本開示が徹底的かつ完全であるように、および可能な実施形態の範囲を当業者に十分に伝達するように提供されたものである。

特定の実施形態が本明細書において記述されているが、このテクノロジーの範囲は、それらの特定の実施形態には限定されない。当業者なら、本発明のテクノロジーの範囲および趣旨内にあるその他の実施形態または改良を認識するであろう。したがって、特定の構造、行為、またはメディアは、例示的な実施形態として開示されているにすぎない。このテクノロジーの範囲は、添付の特許請求の範囲およびそれらの中のあらゆる均等物によって定義される。

100 システム
102 クライアントデバイス
104 分散型ネットワーク
106 現場分析システム
108 ストレージ
200 入力処理デバイス
202 取り出しエンジン
204 特徴エンジン
206 確率モデルエンジン
208 ユーザインターフェース
210 較正エンジン
300 方法
400 動作環境
402 処理ユニット
404 メモリ
408 取り外し可能なストレージデバイス
410 取り外し不能なストレージデバイス
412 通信接続
414 入力デバイス
416 出力デバイス

Claims

1つまたは複数のプロセッサと、
前記1つまたは複数のプロセッサのうちの少なくとも1つに結合されているメモリと
を含むシステムであって、前記メモリがコンピュータ実行可能命令を含み、前記コンピュータ実行可能命令が、前記少なくとも1つのプロセッサによって実行されたときに、現場検知のための方法を実行し、前記方法が、
モバイルデバイスからセンサデータを受信するステップであって、前記センサデータが、前記モバイルデバイスのロケーションに関連付けられており、前記センサデータが、前記モバイルデバイスによる移動イベントを検知することに応答して受信される、ステップと、
前記センサデータを使用して現場リストを生成するステップであって、前記現場リストが、前記モバイルデバイスの前記ロケーションに対応する1つまたは複数の候補現場を含む、ステップと、
前記1つまたは複数の候補現場に関連付けられている現場データを特徴付けて、特徴セットを生成するステップと、
前記特徴セットを確率モデルに適用することによって、前記1つまたは複数の候補現場に関するメトリックを生成するステップと、
前記メトリックに部分的に基づいて前記現場リストを較正するステップと
を含む、システム。

前記センサデータが、ジオロケーションデータ、位置データ、Wi-Fi情報、ソフトウェア情報、ハードウェア情報、加速度計データ、および時間情報のうちの少なくとも1つを含む、請求項1に記載のシステム。

前記センサデータが、前記モバイルデバイスによる前記1つまたは複数の現場への訪問を示す、請求項1に記載のシステム。

前記現場データを特徴付けるステップが、
前記現場データ内の1つまたは複数の特徴を識別するステップと、
前記1つまたは複数の特徴を使用して、前記特徴セットを生成するステップと
を含む、請求項1に記載のシステム。

1つまたは複数の特徴を識別するステップが、現場の年数、現場の人気、その他の現場への近接度、現場候補のこれまでの精度、および以前の現場訪問データのうちの少なくとも1つを評価するステップを含む、請求項4に記載のシステム。

前記確率モデルが、1つまたは複数の勾配ブースティング技術を使用して生成されたデシジョンツリーの集合である、請求項1に記載のシステム。

前記確率モデルが、現場の前記セット内の1つまたは複数の現場に関する信頼性スコアを特定し、前記信頼性スコアが、対応する現場が前記モバイルデバイスの前記ロケーションに対応する確率を示す、請求項6に記載のシステム。

前記現場リストを生成するステップが、前記センサデータ内の現場情報を識別するステップ、および前記ロケーションを表す地理座標のセットを現場特定ユーティリティーに提供するステップのうちの少なくとも1つを含む、請求項1に記載のシステム。

前記方法が、
以前に受信された入力データと、対応する出力データとを含むトレーニングデータのセットにアクセスするステップと、
前記確率モデルによって生成された出力データを目的関数に提供するステップと、
前記目的関数を使用して、前記確率モデルによって生成された前記出力データを前記トレーニングデータ内の前記出力データと比較するステップとをさらに含む、請求項1に記載のシステム。

前記現場リストを較正するステップが、上位「N」個の現場を選択するステップを含み、前記上位「N」個の現場が、モバイルデバイスの前記ロケーションに対応する可能性が最も高い1つまたは複数の現場を表す、請求項1に記載のシステム。

前記方法が、
ユーザインターフェースを使用して前記現場リストを提示するステップと、
前記ユーザインターフェースを介して、前記提示された現場リストに関連付けられているユーザ入力を受信するステップと、
前記ユーザ入力を使用して、前記現場リストを修正するステップと
をさらに含む、請求項1に記載のシステム。

前記センサデータが、前記モバイルデバイスによる停止イベント、および前記モバイルデバイスによる訪問イベントのうちの少なくとも1つを検知したことに応答して受信される、請求項1に記載のシステム。

現場検知のための方法であって、
モバイルデバイスの移動イベントを検知することに応答して、前記モバイルデバイスのセンサデータを収集するステップと、
前記モバイルデバイスから前記センサデータを受信するステップであって、前記センサデータが、前記モバイルデバイスのロケーションに関連付けられている、ステップと、
前記センサデータを使用して現場リストを生成するステップであって、前記現場リストが、少なくとも第1の現場および第2の現場を含み、前記第1の現場および前記第2の現場が、前記モバイルデバイスの前記ロケーションに関連付けられている、ステップと、
前記第1の現場および前記第2の現場に関連付けられている現場データを特徴付けて、特徴セットを生成するステップと、
前記特徴セットを確率モデルに適用することによって、前記第1の現場および前記第2の現場に関する信頼性メトリックを生成するステップと、
前記メトリックに部分的に基づいて前記現場リストを較正するステップと、
ユーザインターフェースを介して、前記較正された現場リスト、および前記信頼性メトリックのうちの少なくとも一部分を提示するステップであって、前記第1の現場および前記第2の現場のうちの少なくとも1つが、前記モバイルデバイスの前記ロケーションに対応する、ステップと
を含む、方法。

前記確率モデルが、1つまたは複数の勾配ブースティング技術を使用して生成されたデシジョンツリーの集合である、請求項13に記載の方法。

前記1つまたは複数の勾配ブースティング技術が、現場の年数、現場の人気、その他の現場への近接度、現場候補のこれまでの精度、以前の現場訪問データ、およびユーザフィードバックのうちの少なくとも1つを評価する、請求項14に記載の方法。

前記センサデータが、前記モバイルデバイスによる前記第1の現場および前記第2の現場のうちの少なくとも1つへの訪問を示す、請求項13に記載の方法。

以前に受信された入力データと、対応する出力データとを含むトレーニングデータのセットにアクセスするステップと、
前記確率モデルによって生成された出力データを目的関数に提供するステップと、
前記目的関数を使用して、前記確率モデルによって生成された前記出力データを前記トレーニングデータ内の前記出力データと比較するステップと、
前記比較に基づいて、前記確率モデルの有効性をスコア付けするステップと
をさらに含む、請求項13に記載の方法。

前記信頼性メトリックが、それぞれの現場が前記モバイルデバイスの前記ロケーションに対応する確率を示す、請求項16に記載の方法。

前記現場リストを生成する前記ステップが、前記モバイルデバイスの前記ロケーションに対して第1の近接度内にある現場の第1のセットを特定するステップを含み、前記現場リストを較正するステップが、前記モバイルデバイスの前記ロケーションに対して第2の近接度内にある現場の第2のセットを特定するステップを含み、現場の前記第2のセットが、現場の前記第1のセットよりも少ない現場を含む、請求項13に記載の方法。

コンピュータ実行可能命令をエンコードしているコンピュータ可読ストレージメディアであって、前記コンピュータ実行可能命令が、少なくとも1つのプロセッサによって実行されたときに、現場検知のための方法を実行し、前記方法が、
モバイルデバイスからセンサデータを受信するステップであって、前記センサデータが、前記モバイルデバイスのロケーションに関連付けられており、前記センサデータが、前記モバイルデバイスによる移動イベントを検出することに応答して受信される、ステップと、
前記センサデータを使用して現場リストを生成するステップであって、前記現場リストが、少なくとも第1の現場および第2の現場を含み、前記第1の現場および前記第2の現場が、前記モバイルデバイスの前記ロケーションに関連付けられている、ステップと、
前記第1の現場および前記第2の現場に関連付けられている現場データを特徴付けて、特徴セットを生成するステップと、
前記特徴セットを確率モデルに適用することによって、前記第1の現場および前記第2の現場に関する信頼性メトリックを生成するステップと、
前記メトリックに部分的に基づいて前記現場リストを較正するステップと、
ユーザインターフェースを介して、前記較正された現場リスト、および前記信頼性メトリックのうちの少なくとも一部分を提示するステップであって、前記第1の現場および前記第2の現場のうちの少なくとも1つが、前記モバイルデバイスの前記ロケーションに対応する、ステップと
を含む、コンピュータ可読ストレージメディア。