用于确定房间占用的系统和方法与流程
相关申请的交叉参考
本申请要求在2018年1月17日提交的美国临时申请序列号62/618,244的优先权及其权益，其全部内容通过引用并入本文。
背景技术：
占用传感器允许系统确定在给定时间的房间的占用。特定占用传感器是二元的(例如，被占用的房间、未被占用的房间)，诸如经由运动传感器。一种类型的占用系统使用专用的基于房间的硬件设备，硬件设备通过气压变化、光流和/或其他遥感技术来测量个体在房间中的存在。对于特定的房间，这些方法在确定房间是否处于两种可能状态(被占用或空的)中的一个方面是相当准确的。因为传感器直接测量房间的特性，所以它通常不能区分单个占用者和多个占用者。通常，房间占用传感器连接到处理系统，处理系统处理占用信号用于其他任务(例如，为房间照明供电)。当使用诸如这些传感器时，输出“被占用/空的”不需要随着时间而被学习/训练，因为传感器直接测量与房间占用功能相关的特征。与房间相关联的单个传感器，即使它可以在房间中的一个或多个个体之间进行区分，通常也不能将占用与特定的设备相关联。另外，这些占用传感器方法需要专用的设备，专用的设备的唯一作用是房间的占用检测。
直接集中于测量特定的个体的存在的其它方法通常从设备发送(或简单地接收)信号，信号通知房间中的传感器关于特定的设备的存在。这些方法已经被用于测量到基站的距离，用于包括对象跟踪、商业和寻路的各种应用。其它技术依赖于无线(802.11)信号强度或甚至声学传感器以将信号强度映射到距离。这些方法存在若干缺点。例如，即使假设信号强度是可以用于确定距离的稳定特征(通常在房间中的特定的点处的干扰将使这些测量失真)，确定距离也是不够的。必须限定对于到基站的给定距离确定该设备是“进入”还是“离开”房间的次级映射。至少，次级映射需要房间大小的估计，因此它可以被阈值化。假定房间可以具有不同尺寸和形状的，这通常是手动完成的，并且因此是麻烦并且不准确的。更重要的是，如果房间不是从基站圆形地成形的，则在相同的距离处，设备可以在房间“中”或在房间“外”。简单地说，这是距离到位置的一对多映射，对于该映射不存在已知函数。
其它现有技术方法试图通过替代地对房间中的许多这样的信号进行三角测量以确定设备的特定的位置/定位以避免直接距离函数的问题。多个传感器对估计进行三角测量以提高准确性，并将被测设备的位置映射到笛卡尔平面。这些方法是不利的，因为它们仍然需要明确的次级映射，一旦估计了位置，次级映射就确定占用。次级映射需要关于房间形状相对于位置估计的特定的并且更详细的信息，使得算法(诸如多边形内点测试)可以确定设备是否在房间内。另外，三角测量需要来自位于整个房间的固定且已知位置的多个硬件设备的数据。
技术实现要素：
房间中的一个或多个无线信号可以用于预测移动设备在房间中的占用，即，移动设备物理上是位于房间中还是房间外。预测基于由房间中的移动设备测量的无线信号的特性。测量的信号特性的示例包括平均功率、频率响应(例如，傅立叶系数)或傅立叶系数的比率。无线信号可源自与移动设备相同的房间内或其它地方，诸如建筑物的其它房间、其它建筑物、蜂窝式通信收发器和建筑物外的其它附近设备。
本文的实施例使用这样的事实：信号特性对于房间基本上是唯一的，并且因此可以充当“签名”，根据签名可以以高概率(例如，大于90％)确定移动设备在房间中的占用。由于若干原因，信号特性对于房间基本上是唯一的。首先，无线信号在传播通过墙壁和其它障碍物时以及在反射离开表面时被失真和衰减。因此，无线信号在一个房间中可能比在另一个房间中更强大，从而引起两个房间之间不同的信号特性。信号特性还可以取决于到发射器的距离以及发射器的设计(例如，用于发送无线信号的天线的增益、方向性和带宽)。例如，移动设备可能位于离发送天线相对远的位置，但是如果移动设备位于发送天线的辐射图的波瓣中，则仍然测量到高信号功率。类似地，移动设备可以位于相对靠近发送天线的位置，但是如果移动设备位于发送天线的辐射图的零点内，则测量到小功率。
在罕见的情况下，由移动设备测量的信号特性对于两个不同的房间是相似的，这防止了根据测量的信号特性唯一地确定移动设备的房间占用。在这些情况下，移动设备可以测量第二无线信号的额外特性，从而允许基于额外信号特性唯一地确定移动设备的房间占用。单个无线信号的特性在多个房间中相似的概率小。因此，随着房间中的可测量无线信号的数量增加，以及对应的测量的信号特性的数量也增加，房间的对应签名变得越来越唯一。
可以测量可由移动设备在房间中检测到的任何无线信号以形成房间的签名的部分。由于无线通信系统的广泛使用，在单个房间中可能存在即使不是更多也是几十个无线信号，这些无线信号可由单个移动设备测量。例如，这些无线信号中的一些可以是由wi-fi路由器(和其它wi-fi设备)广播以宣布无线网络的存在的服务集标识符(ssid)或wi-fi设备之间的其它通信。无线信号中的一些可以是蓝牙信号，诸如蓝牙设备之间的通信或由蓝牙信标广播的标识符。无线信号可以对应于另一种类型的数字无线电规范，诸如无线usb和zigbee。无线信号还可包括可与蜂窝网络一起操作的蜂窝通信信号。无线信号可包括能够在没有电导体的情况下在各方之间传递数据的任何其它类型的电磁辐射。
在实施例中，由移动设备测量的信号特性被通信到分类器，分类器基于信号特性预测移动设备的占用。分类器被实现为数学函数，数学函数接收测量的信号特性的一个集合作为输入，并且返回测量信号特性的移动设备在房间中的概率。在以下描述中，分类器被呈现为具有多个输入节点和一个输出节点的人工神经网络(ann)。然而，可以使用另一种类型的机器学习算法而不脱离其范围，诸如支持向量机、二叉分类树或随机森林。在一个实施例中，用于多个房间的分类器被组合到单个ann中，其中输出节点的数量等于房间的数量，并且每个输出节点输出移动设备在对应于该输出节点的一个房间中的概率。
实施例还提供分类器的监督学习(即，训练)。在一个实施例中，移动设备的用户与房间中的另一设备交互以验证移动设备物理地存在于房间中。在验证之后，移动设备生成与测量的信号特性组合的监控信号以产生一个训练示例。移动设备将训练示例通信到分类器，其中，训练示例用于训练分类器以预测移动设备的房间内占用。另外，移动设备的经验证的房间内占用还验证移动设备不位于任何其他房间中。因此，分类器可以将相同的测量的信号特性通信到预测其它房间中的占用的其它分类器。然后，可以使用相同的信号特性来训练这些其它分类器，以预测移动设备的房间外占用。
分类器可以在物理上位于它为之预测占用的相同的房间中或附近的硬件中实现。另外，分类器可以使用已经存在于房间中的网络连接的硬件来实现，诸如计算设备(例如，无线路由器)、电话会议设备和显示设备(例如，投影仪和视频显示器)。例如，分类器可以使用solsticepod实现，solsticepod是merssivetechnologies公司制造的无线屏幕共享系统。当移动设备连接到solsticepod时，验证移动设备在房间中的占用，允许移动设备生成用于分类器的训练示例并且将这些训练示例无线地发送到solsticepod。在其他实施例中，分类器在不位于对应房间中的硬件上实现。例如，用于若干房间的分类器可以共同位于与移动设备远程通信(例如，经由无线或有线网络信道)的计算机服务器上。
如本领域技术人员将理解的，对于以高准确性预测房间占用的分类器，必须使用大量训练示例来训练分类器。本文呈现了在各种场景下如何可以生成训练示例的若干示例。例如，在一些实施例中，用户在进入房间时读取唯一标识(id)码，然后将id码输入到他或她的移动设备中以验证他们的移动设备在房间中的存在。在另一示例中，移动设备通过识别仅在用户及他们的移动设备物理上存在于房间中时是有意义的移动设备的使用(例如，与应用的交互)来在没有用户的任何显式提示的情况下验证移动设备的存在。例如，在将移动设备连接到solsticepod之后，移动设备的用户可以访问他们的移动设备上的软件以与solsticepod交互，诸如在连接到solsticepod的显示器上显示内容。这种动作仅在用户及他们的移动设备位于与显示器和solsticepod相同的房间中时有意义，并且因此这种动作被解释为验证移动设备在房间中。另外，当用户使用他或她的移动设备继续与solsticepod交互时，可以从无线信号的新的测量生成额外的训练样本。因此，单个移动设备在单个会议期间(例如，每小时)生成数千个训练示例(如果不是更多的话)是可能的。
通过训练，即使当测量的信号特性随时间变化时，分类器也可以有利地维持高预测准确性。例如，一些无线信号可能仅在特定时间是可测量的，诸如当它们的对应发射器是可操作的(例如，通电)时。新的无线信号以及从其得出的新的信号特性也可以在不同的时间在房间中变得可检测。信号特性也可能由于现有的发射器的重新配置和/或发射器与移动设备之间的物理障碍而随时间改变。发射器也可能随着时间老化，从而相应地改变它们的信号特性。
为了适应房间中不同数量的无线信号，一些实施例使用散列函数将每个无线信号的标识信息(例如，mac地址、ssid、uuid等)映射到基于ann的分类器的特定的输入节点。散列函数的这种使用确保了当房间中的多个移动设备接收到一个无线信号时，对应的训练示例被相同地输入到ann。ann的输入节点的数量可以被调整大小以最小化散列冲突。
在一些实施例中，本文的系统接收移动设备的标识信息以及从其测量的信号参数。通过记录此标识信息，这些实施例可以有利地在任何时间确定房间中的移动设备的数量。因此，这些实施例克服了现有技术二元占用传感器(例如，运动传感器)的缺点，现有技术二元占用传感器仅能够检测房间中是否有一个或多个人(而不是检测准确的人数)。
本文的实施例有利地在不测量和/或估计距离的情况下操作，从而克服了以上在背景技术中讨论的基于距离的房间占用方法的缺点中的许多。因此，本文的实施例不负担房间形状和/或大小、房间中的对象的布局和/或移动设备的物理布置的明确表示。实际上，本文的实施例可以高准确性预测房间占用，而不管房间形状和/或大小以及位于其中的对象的数量和/或布置。
本文的实施例可以有利地用在各种建筑物、校园和具有多个房间的环境中。示例包括办公楼、学校、酒店、会议中心、购物中心、公寓楼、宿舍和医院。实施例甚至可以用于确定校园中的若干建筑物中的一个内的占用，或者邻里中的若干房屋中的一个内的占用。
在第一方面，一种确定房间占用的系统包括占用确定器，占用确定器被配置为：广播与唯一id码对应的无线占用信号；接收包括第一信号参数集以及唯一id码的正占用指示，第一信号参数集包括关于在移动设备处接收的无线信号的信息；基于第一信号参数集确定房间的占用数据。
在第一方面的一些实施例中，唯一id码在房间内显示在显示器上。
在第一方面，一种确定移动设备在房间中的占用的系统包括处理器、与处理器通信地耦接的存储器、以及分类器，分类器被实现为机器可读指令，机器可读指令存储在存储器中并且被配置为控制处理器以从无线信号的由移动设备测量的一个或多个无线信号特性计算占用概率。系统还包括存储在存储器中的机器可读指令，机器可读指令被配置为控制处理器以从移动设备接收无线信号特性，并且通过使用分类器从接收到的无线信号特性计算占用概率来预测移动设备在房间中的占用。
在第一方面的一些实施例中，无线信号特性包括以下中的至少一个：无线信号的平均功率、无线信号的频谱的一个或多个傅立叶系数、以及无线信号的频谱的傅立叶系数的一个或多个比率。
在第一方面的一些实施例中，分类器是人工神经网络。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，指令控制处理器以接收由移动设备检测到的无线信号的无线信号标识符，无线信号标识符唯一地标识无线信号。另外，控制处理器预测移动设备的占用的机器可读指令包括控制处理器基于无线信号标识符将无线信号特性输入到分类器，并且使用分类器从输入的无线信号特性计算占用概率的机器可读指令。
在第一方面的一些实施例中，分类器是具有多个输入节点的人工神经网络(ann)，系统还包括散列函数，散列函数被实现为存储在存储器中并且被配置为控制处理器根据无线信号标识符以计算ann的偏移节点的机器可读指令，并且控制处理器以基于无线信号标识符将无线信号特性输入到分类器的机器可读指令包括控制处理器以执行以下的机器可读指令：使用散列函数根据无线信号标识符以计算ann的偏移节点，并且从多个输入节点中的偏移节点处开始将无线信号特性输入到ann。
在第一方面的一些实施例中，系统还包括机器可读指令，机器可读指令控制处理器从移动设备接收唯一地标识移动设备的移动标识符，并且将占用概率与移动标识符一起存储在存储器中。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，额外的机器可读指令控制处理器以使用从占用指示和接收到的无线信号特性形成的训练示例来训练分类器。
在第一方面的一些实施例中，占用指示是以下中的一个：(i)正占用指示，正占用指示验证当移动设备测量到至少一个无线信号时移动设备在房间中，以及(ii)负占用指示，负占用指示验证当移动设备测量到至少一个无线信号时移动设备在房间外。
在第一方面的一些实施例中，系统还包括机器可读指令，机器可读指令控制处理器从移动设备接收唯一地标识移动设备的移动标识符，并且将占用指示与移动标识符一起存储在存储器中。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，额外的机器可读指令控制处理器使用无线信号特性从移动设备接收占用指示。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，额外的机器可读指令控制处理器以当移动设备在房间中测量到无线信号时接收输入到移动设备的代码，并且当输入的代码与和系统相关联的标识码匹配时生成正占用指示。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，额外的机器可读指令控制处理器以当输入的代码与和系统相关联的标识码不匹配时生成负占用指示。
在第一方面的一些实施例中，存储器存储额外的机器可读指令，额外的机器可读指令控制处理器以接收由移动设备在测量无线信号时检测到的无线信号标识符，无线信号标识符唯一地标识无线信号。另外，控制处理器以训练分类器的机器可读指令包括控制处理器以使用训练示例并基于无线信号标识符来训练分类器的机器可读指令。
在第一方面的一些实施例中，分类器是具有多个输入节点的人工神经网络(ann)，并且系统还包括散列函数，散列函数被实现为存储在存储器中并且被配置为控制处理器根据无线信号标识符计算ann的偏移节点的机器可读指令。另外，控制处理器以使用训练示例并基于无线信号标识符来训练分类器的机器可读指令包括控制处理器以执行以下的机器可读指令：使用散列函数以根据无线信号标识符计算ann的偏移节点，并且从多个输入节点中的偏移节点处开始将无线信号特性输入到ann。
在第一方面的一些实施例中，无线信号源自房间的外部。
在第一方面的一些实施例中，无线信号源自房间的内部。
在第一方面的一些实施例中，系统还包括收发器，收发器与存储器和处理器通信地耦接以从移动设备接收无线信号特性。
在第一方面的一些实施例中，收发器是被配置为经由有线通信接收无线信号特性的有线收发器。
在第一方面的一些实施例中，收发器是被配置为经由无线通信接收无线信号特性的无线收发器。
在第一方面的一些实施例中，由移动设备测量的无线信号由收发器无线地发送。
在第二方面，一种确定移动设备在房间中的占用的方法包括从无线信号接收由移动设备测量的无线信号特性，以及通过使用分类器根据接收到的无线信号特性计算占用概率来预测移动设备在房间中的占用。
在第二方面的一些实施例中，方法还包括无线地发送无线信号。
在第二方面的一些实施例中，无线信号特性包括以下中的至少一个：无线信号的平均功率、无线信号的频谱的一个或多个傅立叶系数、以及无线信号的频谱的傅立叶系数的一个或多个比率。
在第二方面的一些实施例中，方法还包括接收由移动设备检测到的无线信号的无线信号标识符，无线信号标识符唯一地标识无线信号。另外，预测移动设备的占用包括基于无线信号标识符将无线信号特性输入到分类器，并且使用分类器根据输入的无线信号特性计算占用概率。
在第二方面的一些实施例中，分类器是具有多个输入节点的人工神经网络(ann)，并且输入无线信号特性包括：使用散列函数根据无线信号标识符计算ann的偏移节点，以及从多个输入节点的偏移节点处开始将无线信号特性输入到ann。
在第二方面的一些实施例中，方法还包括从移动设备接收唯一地标识移动设备的移动标识符，并且将占用概率与移动标识符一起存储。
在第二方面的一些实施例中，方法还包括使用从占用指示和接收到的无线信号特性形成的训练示例来训练分类器。
在第二方面的一些实施例中，占用指示是以下中的一个：(i)正占用指示，正占用指示验证当移动设备测量到至少一个无线信号时移动设备在房间中，以及(ii)负占用指示，负占用指示验证当移动设备测量到至少一个无线信号时移动设备在房间外。
在第二方面的一些实施例中，方法还包括从移动设备接收唯一地标识移动设备的移动标识符，并且将占用指示与移动标识符一起存储。
在第二方面的一些实施例中，方法还包括从移动设备接收占用指示。
在第二方面的一些实施例中，方法还包括当移动设备在房间中测量到无线信号时接收输入到移动设备的代码，并且当输入的代码与标识码匹配时生成正占用指示。
在第二方面的一些实施例中，方法还包括当输入的代码与标识不匹配时生成负占用指示。
在第二方面的一些实施例中，方法还包括接收由移动设备在测量无线信号时检测到的无线信号标识符，无线信号标识符唯一地标识无线信号。另外，训练分类器包括使用训练示例并基于无线信号标识符来训练分类器。
在第二方面的一些实施例中，分类器是具有多个输入节点的人工神经网络(ann)，并且使用训练示例并基于无线信号标识符来训练分类器包括：使用散列函数根据无线信号标识符计算ann的偏移节点，以及从多个输入节点的偏移节点处开始将无线信号特性输入到ann。
在第三方面，一种确定移动设备在房间中的占用的系统包括占用确定器，占用确定器被配置为从移动设备接收(i)输入到移动设备的房间标识码，以及(ii)由移动设备在进入房间时测量的至少一个无线信号的第一信号参数集。占用确定器还被配置为当接收到的房间标识码与分配给房间的唯一标识码匹配时，使用第一信号参数集和正占用指示来训练占用确定器的分类器。
在第三方面的一些实施例中，系统包括显示器，显示器被配置为显示房间中的唯一标识码。
在第三方面的一些实施例中，占用确定器被集成到显示器。
在第三方面的一些实施例中，占用确定器集成在移动设备内。
在第三方面的一些实施例中，占用确定器还被配置为在进入房间时将唯一标识码无线地发送到移动设备。
在第三方面的一些实施例中，占用确定器还被配置为从移动设备接收使用移动设备测量的至少无线信号的额外的信号参数集。占用确定器还被配置为当额外的信号参数集和第一信号参数集匹配时，使用额外的信号参数集和正占用指示来训练分类器。
在第三方面的一些实施例中，占用确定器还被配置为从移动设备接收(i)输入到移动设备的断开通知，以及(ii)在断开通知被输入到移动设备之后由移动设备测量的至少一个无线信号的第二信号参数集。占用确定器还被配置为使用第二信号参数集和负占用指示来训练分类器。
在第三方面的一些实施例中，占用确定器还被配置为当额外的信号参数集与第二信号参数集匹配时，使用额外的信号参数集和负占用指示来训练分类器。
在第三方面的一些实施例中，占用确定器包括训练分类器的监督学习算法。
在第四方面中，一种具有占用确定的移动设备包括收发器、被配置为接收房间标识码的接口，以及信号分析器。信号分析器被配置为当房间标识码被输入到接口时经由收发器接收至少一个无线信号。信号分析器还被配置为从至少一个接收到的无线信号生成第一信号参数集，以及移动设备被配置为将第一信号参数集传送到占用确定器。
在第四方面的一些实施例中，接口还被配置为接收断开通知。另外，信号分析器还被配置为在接收到断开通知之后经由收发器接收至少一个无线信号，以及从至少一个接收到的无线信号生成第二信号参数集。另外，移动设备还被配置为将第二信号参数集传送到占用确定器。
在第四方面的一些实施例中，接口被配置为与移动设备的用户交互以经由以下来接收断开通知：使用退房提示来提示用户；当对退出房间提示的响应指示移动设备不在房间中时，验证断开通知；以及当对退出房间提示的响应指示移动设备在房间中时，拒绝断开通知。
在第五方面，一种确定移动设备在房间中的占用的方法包括从移动设备接收(i)输入到移动设备的房间标识码，以及(ii)由移动设备在进入房间时测量的至少一个无线信号的第一信号参数集。方法还包括当接收到的房间标识码与分配给房间的唯一标识码匹配时，使用第一信号参数集和正占用指示来训练分类器。
在第五方面的一些实施例中，方法还包括在进入房间时将唯一标识码无线地传送给移动设备。
在第五方面的一些实施例中，方法还包括从移动设备接收使用移动设备测量的至少一个无线信号的额外的信号参数集。方法还包括当额外的信号参数集与第一信号参数集匹配时，使用额外的信号参数集和正占用指示来训练分类器。
在第五方面的一些实施例中，方法还包括从移动设备接收(i)输入到移动设备的断开通知，以及(ii)在断开通知被输入到移动设备之后由移动设备测量的至少一个无线信号的第二信号参数集。方法还包括使用第二信号参数集和负占用指示来训练分类器。
在第五方面的一些实施例中，方法还包括当额外的信号参数集和第二信号参数集匹配时，使用额外的信号参数集和负占用指示来训练分类器。
在第五方面的一些实施例中，训练分类器包括用监督学习算法训练分类器。
在第五方面的一些实施例中，方法还包括提示用户验证移动设备是以下中的一个：在房间中和在房间外。
附图说明
从如附图中所示的实施例的更具体描述中，本公开的前述和其它特征和优点将变得显而易见，在附图中，相同的附图标记在不同的图中指代相同的部分。附图不一定是按比例的，而是将重点放在说明本公开的原理上。
图1示出实施例中的与移动设备协作以确定移动设备在单个房间中的占用的占用确定器。
图2示出实施例中的与移动设备协作以确定的移动设备在房间中的占用的占用确定器的一个示例。
图3是实施例中的确定移动设备在房间中的占用的一个示例系统的功能图。
图4描绘示出在实施例中分别位于第一和第二房间中的图3的第一和第二系统的房间布局。
图5示出实施例中的确定移动设备在房间中的占用的方法的一个示例。
图6示出实施例中的训练用于确定房间占用的分类器的方法的一个示例。
图7示出实施例中的确定移动设备在房间中的占用的方法的一个示例。
图8示出实施例中的确定移动设备在房间中的占用的方法的一个示例。
具体实施方式
图1示出占用确定器100，占用确定器100与移动设备106协作以确定移动设备106在房间102中的占用。移动设备106检测和测量多个无线信号124，多个无线信号124中的一些可以源自房间102内(例如，无线信号124(2)和124(3))，并且多个无线信号124中的一些可以源自房间102外(例如，无线信号124(1)和124(4))。虽然图1示出移动设备106测量四个无线信号124，但是移动设备106可以测量任何数量的无线信号124，而不脱离本发明的范围。
使用无线信号124中的每个，移动设备106测量一个或多个无线信号特性和无线信号标识符。无线信号特性的示例包括平均功率、接收到的无线信号的频谱的一个或多个傅立叶系数、以及傅立叶系数的一个或多个比率。无线信号标识符唯一地标识无线信号124中的每个，并且可以是例如wi-fi安全集合标识符(ssid)、发送对应的无线信号124的发射器的mac地址和/或ip地址、或通用唯一标识符(uuid)。
一个或多个无线信号参数包括表征由移动设备106接收到的无线信号124中的一个的值。对于所有的测量的无线信号124的无线信号参数形成对房间102唯一的签名。也就是说，如果移动设备106要在不同的房间中测量相同的无线信号124，则移动设备106将获得不同的无线信号参数。因此，占用确定器100可以使用无线信号参数以区分移动设备106是在房间102中还是在房间102外。
移动设备106经由收发器108将测量的无线信号124的无线信号标识符和对应的测量的无线信号特性发送到占用确定器100。然后，占用确定器100处理接收到的无线信号特性以确定移动设备106在房间102中的占用。在图1中，移动设备106被示出为与占用确定器100(例如，wi-fi、zigbee、蜂窝)无线地通信。可替换地，移动设备106可以经由有线连接(例如，以太网、usb)与占用确定器100通信。
在图1中，在占用确定器100物理地位于房间102中并且包括无线收发器108的情况下，由收发器108发射的无线信号124(5)可以由移动设备106测量作为无线信号124中的一个。然而，占用确定器100无需无线地操作；移动设备106可以测量从其他设备发射的无线信号124。在一些实施例中，占用确定器100物理地不位于房间102中，但仍与移动设备106通信(例如，经由局域网或广域网)。
图1示出在三个位置处的移动设备106，其中移动设备106将测量对于无线信号124(5)的不同的无线信号特性。在位置110处，移动设备106在房间102的外部的走廊中。在位置112处，移动设备106在房间102的外部的走廊中，但是靠近房间102的门120。在位置114处，移动设备106在房间102中。如图1所示，各种障碍物可以改变无线信号124，并且因此改变移动设备106如何测量对应的无线信号特性。例如，在位置110处，移动设备106接收由墙壁118改变的无线信号124(5)。在位置112处，当门120打开时，移动设备106接收无线信号124(5)而没有任何干扰障碍，即使移动设备106在房间102的外部。在位置114处，移动设备106还接收未被任何中间障碍物改变的无线信号124(5)。
由于位置112和114距离收发器108等距，并且具有到收发器108的直接视线，所以移动设备106可在这两个位置测量对于无线信号124(5)的类似的无线信号特性。在这种情况下，移动设备106可以测量其它无线信号(例如，无线信号124(1)、124(2)、124(3)和124(4))的无线信号特性，以进一步区分位置112和114。例如，无线信号124(2)可以由位于房间102中不同于收发器108的其他地方的天线128发送，使得位置112和114距离天线128不等距。在这种情况下，与位置114相比，移动设备106可以在位置112处测量到无线信号124(2)的不同的功率。因此，无线信号124(2)的测量到的功率可帮助区分位置112和114。
在图1所示的另一示例中，无线信号124(1)源自房间102的外部，并且可以在传播通过一个墙壁126之后在位置114处被检测到。然而，为了到达位置112，无线信号124(1)必须传播通过两个墙壁(即，墙壁126和墙壁118)。由于中间墙壁的数量不同，与位置112相比，移动设备106可在位置114处测量到无线信号124(1)的较高的功率。因此，无线信号124(1)的测量到的功率可帮助区分位置112和114。
从以上讨论应当理解的是，各种额外的因素将可能影响由移动设备106测量的无线信号特性。例如，天线(例如，天线128)的增益、方向性和朝向确定从其发送的无线信号的传播，并且因此由移动设备106测量的对应的无线信号特性将取决于移动设备106相对于天线的位置及其传播模式。其它因素包括各种障碍物和墙壁的反射以及各种障碍物和墙壁内的吸收；这些因素又可取决于形成障碍物的材料的朝向、厚度和材料性质(例如，介电常数和吸收率)。这些因素中的许多，诸如吸收率，也取决于无线信号的频率。
图2示出占用确定器200的一个示例，占用确定器200与移动设备106协作以确定移动设备106在房间102中的占用。占用确定器200是图1的占用确定器100的一个示例。占用确定器200包括(例如，经由总线)彼此通信耦接的处理器210、收发器208和存储器212。类似地，移动设备106包括彼此通信地耦接的移动处理器218、移动收发器216、接口214和移动存储器220。存储器212和移动存储器220存储实现本文所述功能的数据和机器可读指令。收发器208是图1的收发器108的一个示例。
移动设备106包括被实现为机器可读指令的无线信号检测器248，机器可读指令被存储在移动存储器220中并且被配置为控制移动处理器218使用移动收发器216检测无线信号124，并且在移动存储器220中存储标识检测到的无线信号124的无线信号唯一标识符(uid)252的列表。例如，当移动设备106被配置为经由wi-fi无线地操作时，无线信号检测器248可以创建从检测到的无线信号124获得的ssid的列表。无线信号检测器248还可以使用用于无线信号uid、ip地址、mac地址和/或可从无线信号124获得的其他标识信息。
移动设备106还包括被实现为机器可读指令的信号分析器226，机器可读指令被存储在移动存储器220中并且被配置为控制移动处理器218经由移动发送器216接收无线信号124中的一个作为存储在存储器220中的接收到的无线信号246。然后，信号分析器226处理接收到的无线信号246以获得一个或多个无线信号特性236。例如，信号分析器226可以实现傅立叶变换，傅立叶变换计算接收到的无线信号246的频谱并将频谱的一个或多个傅立叶系数存储为无线信号特性236。然后，移动设备106经由网络204向占用确定器200发送无线信号特性236和对应的无线信号uid252。移动设备106还可以与无线信号特性236一起发送移动设备标识符254，使得占用确定器200可以区分使用移动设备106测量的无线信号特性236和使用其他设备测量的无线信号特性。
占用确定器200使用分类器250来确定移动设备106的占用，分类器根据接收到的无线信号特性236计算移动设备106在房间102中的占用概率256。然后，占用确定器200可以将占用概率256存储在存储器212中作为占用数据240。另外，占用确定器200可以将占用概率256与移动设备标识符254一起存储在占用数据240中以跟踪移动设备106的占用。因此，占用数据240是与占用确定器200交互的所有移动设备的寄存器。这样，占用数据240不仅存储房间的二元占用(即，房间是被占用还是未被占用)，而且存储其中的移动设备的数量。
在以下讨论中，分类器250被呈现为具有多个输入节点和一个输出节点的人工神经网络(ann)。然而，分类器250可以使用另一种类型的分类算法(例如，二元分类树、随机森林、支持向量机)来实现，而不脱离其范围。当被实现为ann时，分类器250可以具有任意数量的层、任意层中的任意数量的节点、以及本领域已知的任意类型的人工神经元函数(例如，relu、softmax等)。这些层可以经由任何类型的架构连接，诸如全连接、稀疏连接和递归。
为了将无线信号特性236输入到分类器250中，占用确定器200包括被实现为机器可读指令的特征向量生成器262，机器可读指令被存储在存储器212中并且被配置为控制处理器210将无线信号特性236布置在随后被输入到分类器250的特征向量258中。当分类器250是ann时，特征向量258的每个元素可以对应于接收一个无线信号124的一个无线信号特性(例如，单个功率值、单个实傅立叶系数)的ann的独特输入节点。为了确保一个无线信号124的相同的一个无线信号特性总是被输入到ann的相同的输入节点，特征向量生成器262可以基于对应的无线信号uid252将无线信号特性236输入到特征向量258中。例如，特征向量生成器262可以将每个无线信号uid映射到特征向量258的独特索引，并且从独特索引处开始将对应的无线信号特性236顺序地输入到特征向量258。通过映射返回的相邻的索引由对于单个无线信号的多个无线信号特性隔开。例如，如果对于一个无线信号124存在五个无线信号特性236，并且映射返回起始索引值6，则特征向量生成器262将把五个无线信号特性236输入到特征向量258的元素6到10中。在这种情况下，防止映射返回索引号7到10中的每个作为起始索引。
在一些实施例中，散列函数266将每个无线信号uid映射到特征向量258的独特索引。然后，特征向量生成器262可以在对应的独特索引处开始将无线信号特性236顺序地输入到特征向量258中。因此，散列函数266确保从一个无线信号124获得的无线信号特征236总是被相同地输入到分类器250(即，输入到ann的相同输入节点)，而不管哪个移动设备测量无线信号特性或何时测量无线信号特性。
有利地，当在房间中检测到新的无线信号124并且其他无线信号124不再可检测时，散列函数266允许ann的输入节点被重新使用。为了最小化散列冲突，ann的输入节点的数量被选择为与预期的无线信号特性的总数相比较大。例如，如果对于一个无线信号测量一个无线信号特性(例如，时间平均功率)，则无线信号特性的总数等于在房间中可检测的无线信号124的数量。在这种情况下，输入节点的数量(即，特征向量258的长度)可以被选择为比在房间中可检测的无线信号124的预期数量大两个数量级。
在一些实施例中，散列函数266的使用基于无线信号124的类型(例如，wi-fi、蓝牙、ble)。例如，wi-fi信号可以被散列到特征向量258的第一部分，而蓝牙信号可以被散列到特征向量258的剩余部分。在其它实施例中，通过向这些稳定信号中的每个分配特征向量258的独特部分来“注册”稳定和/或可靠的无线信号(例如，wi-fi接入点、信标等)。这些独特部分被排除在散列函数266之外，从而防止与这些稳定信号的散列冲突。然后，特征向量258的剩余未注册的部分可以用于其他无线信号，诸如仅当蓝牙设备在房间中并且通电时才可检测的蓝牙信号。
在一个实施例中，占用确定器200动态地学习房间中的哪些无线信号124是稳定的和/或可靠的，有利地自动地注册稳定的无线信号。例如，占用确定器200可以随时间跟踪无线信号uid252的使用，并且注册在扩展的时段(例如，数天或数周)内使用始终高的无线信号124。占用确定器200可以在其使用保持为高时将此无线信号124维持为已注册。当使用下降时，占用确定器200可以取消注册无线信号124，并且将对应的无线信号特性分配给特征向量258的不同的部分。
收发器208和网络204可以根据一个或多个有线和/或无线数据传输协议来操作，协议包括但不限于因特网、本地内联网、个人区域网、局域网、广域网、虚拟专用网、蜂窝连接(3g、4g、5g、nb-1等)、wap(无线应用协议)、通用分组无线电服务、(全球移动通信系统、码分多址、时分多址、频分多址和/或正交频分多址、gps、蜂窝数字分组数据、蓝牙、z-波协议、基于ieee802.11的射频网络、或任何其它有线或无线数字通信协议。
处理器210是一个或多个计算设备，它被配置为执行存储在存储器212中的计算机可读指令，以实现本文所讨论的占用确定器200的功能。存储器212可包括操作存储器，诸如随机存取存储器(ram)，以及数据存储装置，诸如只读存储器(rom)、硬盘驱动器、闪存或任何其它合适的存储器/存储元件。存储器212可包括内部或外部存储器元件，诸如usb驱动器、安全数字卡、磁、光和/或半导体存储器。
移动设备106可以是平板电脑、笔记本电脑、智能电话或任何其他便携式设备。接口214是用户222通过其进行交互的移动设备106的组件。例如，接口214可以是移动设备、平板电脑、计算机的显示屏、鼠标、键盘、触摸屏等等，移动收发器216类似于收发器108和208，并且可以是能够经由网络204发送和/或接收数字通信的任何设备。移动处理器218可以是一个或多个计算设备，被配置为执行存储在移动存储器220中的机器可读指令，以实现本文所讨论的移动设备106的功能。移动存储器220可以包括操作存储器，诸如随机存取存储器(ram)，以及数据存储装置，诸如只读存储器(rom)、硬盘驱动器、闪存或任何其它合适的存储器/存储元件。移动存储器220可以包括可移动存储器元件，诸如compactflash卡、多媒体卡(mmc)和/或安全数字(sd)卡。
训练分类器
图3是确定移动设备106在房间(例如，图1的房间102)中的占用的一个示例系统300的功能图。系统300包括图2的占用确定器200，系统300进一步配置有存储在存储器212中的额外的和/或可替换的数据和机器可读指令。类似地，图3示出与图1-2的移动设备106一起操作的系统300，移动设备106还配置有存储在移动存储器220中的额外的和/或可替换的数据和机器可读指令。在图3中，移动设备106和占用指示器200两者都被示为存储第一信号参数集336、第二信号参数集348和至少一个额外的信号参数集352。这些信号参数集中的每个是图2的无线信号特性236的一个示例。
占用指示器200将分类器250实现为数据和/或机器可读指令，数据和/或机器可读指令存储在存储器212中并且被配置为控制处理器210使用从移动设备106接收的信号参数集中的任何信号参数集以预测移动设备106的占用。分类器250可以被表示为接收参数集x并且返回移动设备106在房间中的占用概率y(例如，图2的占用概率256)的数学函数f，即，y＝f(x)。在这种情况下，分类器250是二元分类器。然后，占用确定器200可以将占用概率y存储在占用数据240中。
每当移动设备106接收一个或多个无线占用信号124时，信号分析器226处理接收到的无线占用信号124以更新信号参数集336、348和352中的一个。然后，移动设备106经由网络204将更新的信号参数集发送到占用确定器200。占用确定器200将更新的信号参数集输入到分类器250，以更新占用概率y和占用数据240。因此，系统300与移动设备106一起工作以重复地更新其对移动设备106在房间中的预测。
除了预测移动设备106在房间中的占用之外，占用确定器200还包括使用训练示例来训练分类器250的额外的机器可读指令(例如，存储在存储器212中)。每个训练示例可以具形式(x,o)，其中o是指示已知占用的二元变量。例如o＝1可以指示移动设备106在房间中，并且o＝0可以指示移动设备106不在房间中。每个训练示例可用于利用反向传播、随机梯度下降或本领域已知的另一训练算法通过最小化成本函数来训练分类器250。
因此，系统300与移动设备106协作以训练分类器250并且使用分类器250用于预测。在以下讨论中，给出系统300可如何获得用于训练分类器250的训练示例的示例。如本领域的技术人员将理解的，由分类器250生成的预测的准确性取决于分类器250已经被训练得有多好，即，使用了多少个训练示例。因此，以下示例对于生成大量训练示例是重要的，如确保分类器250在训练之后以足够的准确性预测占用所需要的。
当移动设备106在进入房间时接收到无线信号124时，可以生成训练示例。独特id码328可以被分配给占用确定器200。在存在多个房间的情况下，每个房间具有相关联的占用确定器200，每个占用确定器200可以被分配对应的独特id码328。独特id码328经由音频、视觉、光学和/或无线方式被传送到移动设备106。例如，在图3中，独特id码328可以显示在显示设备330(例如，“智能显示器”)上，显示设备330与占用确定器200集成或者是连接到“容器(pod)”(例如，mersivetechnologies公司的solsticepod)的现成的显示器或被配置为执行占用确定器200的功能的另一设备。在进入房间时，用户222从显示设备330视觉地读取独特id码328，并且经由接口214将独特id码328输入到移动设备106。在另一示例中，独特id码328通过房间内的扬声器可听地播放，并且移动设备106的麦克风(图1中未示出)记录可听的声音以接收独特id码328。在另一示例中，移动设备106例如通过红外/光传输、sms传输或其他数据通信的方式无线地接收独特id码328。在另一示例中，移动设备106包括相机，相机扫描以qr码、条形码、数码等形式的来自显示设备330的独特id码328。
在接收到独特id码328时，移动设备106将独特id码存储为输入id码332，并且信号分析器226将移动存储器220中的占用指示334设置为true。当设置为true时，占用指示334指示移动设备106已知在房间中，即，占用指示是正占用指示。类似地，当设置为false时，占用指示334指示移动设备106已知在房间外，即，占用指示334是负占用指示。在用户222与接口214交互以输入独特id码328的实施例中，占用指示334由于用户222的动作而被自动验证(假设用户222正确地输入了独特id码328)。在没有用户222的交互的情况下获得独特id码328的实施例中，可以提示用户222(例如，使用在接口214上显示的第一提示338)请求验证移动设备106在房间中；用户222输入的对第一提示338的响应验证移动设备106是否在房间中。
在接收到独特id码328之后，移动设备106接收至少一个无线信号124(例如，作为接收到的占用信号246)。然后，信号分析器226处理接收到的无线信号124以生成第一信号参数集336。然后，移动设备106经由网络204将占用指示334、输入id码332和第一信号参数集336发送到占用确定器302。在从移动设备106接收到此数据时，占用确定器200将接收到的id码332与其独特id码328进行比较。如果两个id码匹配，占用确定器200将接收到的占用指示334和第一信号参数集336存储在存储器212中。然后，占用确定器200可以从第一信号参数集336(即，x)和占用指示334(即，o＝1)形成一个训练示例，并且使用一个训练示例来训练分类器250。另外，由于已知移动设备106物理地位于房间中，因此占用确定器200还可以相应地更新占用数据240。
当两个id码不匹配时，占用确定器200已接收到预期用于不同的占用确定器的数据，在这种情况下，占用确定器200可以忽略接收到的占用指示334和第一信号参数集336，或者经由网络204将接收到的占用指示334和第一信号参数集336转发给预期的占用确定器。另外，当id码的不匹配验证了非预期的第一信号参数集336是由另一房间中的移动设备生成的，占用200可以使用非预期的第一信号参数集336和负占用指示来训练分类器250。
有利地，与接口214的交互(例如，通过用户222)消除了对额外的硬件的需要，并且使用现有硬件，诸如智能显示器和设备(例如，mersivetechnologies公司的solsticepod)。另外，占用确定器200可以确定房间内的移动设备的确切数量，但是不需要房间大小的先验知识。换句话说，与接口214的交互不需要输入房间大小或形状特性来确定相关联的房间内的占用。
占用确定器200还可以被配置为识别移动设备106何时在房间外，在这种情况下，可以在移动设备106离开房间时生成另一训练示例。例如，当用户222离开房间时，用户222可以与接口214交互以生成断开通知342。断开通知342可以在用户222与接口214交互时手动生成。在实施例中，可以响应于第二提示344生成断开通知342。例如，接口214可以周期性地生成第二提示344，“你仍然在房间中吗？”另外，断开通知342可以自动生成，诸如经由当用户222离开房间时从电子设备(诸如rfid发送器、光学ir发送器等)接收电子触发的接口214。
在接收到断开通知342时，信号分析器226可以将占用指示334设置为false。然后，移动设备106可以接收无线信号124(例如，更新图2中的接收到的占用信号246)。然后，信号分析器226处理接收到的无线信号124以生成第二信号参数集348。移动设备106经由网络204将负占用指示334、输入id码332和第二信号参数集348发送到占用确定器200。在从移动设备106接收到此数据时，占用确定器200将接收到的id码332与其独特id码328进行比较。然后，如果两个id码匹配，占用确定器200从接收到的占用指示334和第二信号参数集348形成用于训练分类器250的一个训练示例。另外，由于已知移动设备106物理地离开房间，因此占用确定器200还可以相应地更新占用数据240。
每当移动设备106生成第二提示344以确定用户222是否仍在房间中时，可以生成额外的训练示例。具体地，当用户222通过指示他或她仍在房间中来响应第二提示344时，用户222的占用肯定是已知的(即占用指示334等于true)，并且因此可以用作用于产生一个训练示例的监督信号。信号分析器226然后可以基于至少一个无线信号124的新测量更新额外的信号参数集352，并且将更新的额外的信号参数集352和占用指示334(即，true)发送到占用确定器200，用于训练分类器250和更新占用数据240。
从以上论述应了解的是，每当(a)移动设备106从至少一个无线信号124的新测量更新信号参数集336、348和352中的任一个，和(b)移动设备106的占用肯定已知时，可生成训练示例。例如，当占用确定器200以与独特id码328不匹配的输入id码332接收到房间内训练示例(即，o＝1)，则占用确定器200已经接收到预期用于不同的占用确定器的训练示例，在这种情况下，占用确定器200可以假设发送通信的移动设备在不同的房间中，并且因此可以使用接收到的参数集和监督信号o＝0来训练分类器250。
信号参数集336、348及352中的每个可表示为单个值、值的一维向量、值的二维矩阵或经充分地定大小以及被配置为存储信号参数集的任何其它数据结构。例如，信号参数集可以被表示为向量
在许多场景中，需要多个无线信号124来识别移动设备106是否在给定房间中。在这种情况下，信号参数集可以表示为矩阵
其中每个
占用概率可以数学地表示为y＝p(o＝1|x)，即移动设备106在房间(o＝1)中的条件概率(给定参数集x)。在一些实施例中，逻辑回归被用于根据
分类器250可以使用本领域已知的机器学习技术来训练。例如，可以获得s形函数的对于权重
c(o,y)＝-ology-(1-o)log(1-y)
平均误差e可以通过对特定的移动设备和房间的m个训练值的完整集合对c进行求和来获得：
然后，可以使用已知技术，诸如梯度下降，使平均误差e最小化。
在实施例中，用于训练分类器250的训练示例包括既不是“1”(房间内)也不是“0”(房间外)的监督信号o的值。例如，考虑移动设备106离开房间，但是占用指示334未被更新为false的情况。在一些实施例中，信号分析器226可以监视gps信号353或其他定位信号(例如，来自与房间所位于的建筑物不相关联的可用的网络)以推断移动设备106不再在房间中。在这种情况下，可以显示第一提示338以询问用户(即，“看起来你已经离开了房间？需要从显示器断开连接吗？”)。如果用户指示断开(即，生成断开通知342)并且gps信号338指示移动设备106例如距离房间100米远，则分类器250可以使用其中监督信号o是移动设备106仍在房间中的可能性(例如，o＝0.8)的训练示例来训练。使用从至少一个无线信号124确定的信号参数集x，然后可以使用训练示例(x，0.8)来训练分类器250。
在特定实施例中，分类器250仅使用移动设备106已知在房间中的训练示例(例如，监督信号o＝1)来训练，诸如当用户222经由接口214将独特id码328输入到移动设备106中时占用指示334被设置为true时。在此类实施例中，分类器250经训练以最优地预测移动设备106何时在房间中。然而，分类器250可能不一定最优地预测移动设备106何时在房间外。
在一些实施例中，占用确定器200使用通用设备占用特性360来生成用于新移动设备的训练示例，新移动设备尚未向占用确定器200发送其自己的训练示例中的任何训练示例。例如，新移动设备可以属于刚进入房间但尚未将独特id码328输入到他或她的移动设备中的新用户。通用设备占用特性360可以存储在连接到网络204的服务器370上，或者存储在存储器212中的占用确定器200本地。通用设备占用特性360可包括先前训练的分类器250，包括使用来自特定的品牌和/或型号的移动设备的信号参数集训练的先前训练的分类器250。
作为占用确定器200可如何使用通用设备占用特性360的示例，假设移动设备106是特定品牌的智能电话。从移动设备106(以及可选地，相同的品牌和/或型号的其他移动设备)接收的训练示例可以用于训练分类器250以预测相同的品牌的新移动设备的占用，即使新移动设备先前尚未向占用确定器200传送任何无线信号特性。从移动设备的类型(例如，品牌、型号、年龄等)接收的训练示例越多，分类器250可以初始地预测该类型的新移动设备的占用越准确。
分类器250可被训练以具有指示对应的移动设备106是在房间内还是在房间外的额外的信号参数集的知识。例如，分类器250可以使用监督学习算法来训练，监督学习算法监视至少一个额外的信号参数集352以进一步训练分类器250。
在实施例中，监督学习算法(诸如图6中所示的，下文讨论的)可以监视额外的参数集352，并且使用移动设备106的占用数据240的知识，向分类器250添加额外的训练数据。例如，如果占用确定器20诸如通过接收第一信号参数集336而知道移动设备106在房间中，则在接收第二信号参数集348之前接收的任何额外的信号参数集352可以由监督学习算法用于使用正占用指示来训练分类器250。
占用确定器200的上述特征中的任一个可以从移动设备106远程地执行或在移动设备106处执行。例如，占用确定器200可以位于智能显示器或“pod”(诸如mersivetechnologies公司的solsticepod)内或附近，或被配置为执行占用确定器200的功能的另一设备内或附近。然而，在一些实施例中，占用确定器200的一个或多个特征与移动设备106集成，使得移动设备106包括分类器250，并且能够处理第一、第二和额外的信号参数集336、348、352以自动地确定其自身的占用数据240。然后，移动设备106可以经由移动收发器216和网络204将移动设备生成的占用数据240发送到第三方设备，诸如智能显示器、“pod”(如上所述)或占用服务器。此配置提供了不需要额外的硬件来实现系统300的优点。换句话说，仅需要移动设备106(可以是智能电话)。
在一些实施例中，发送器208是物理上位于房间中的无线路由器的部分和网络204的部分。在这种情况下，占用确定器200与无线路由器通信(例如，经由有线方式)以广播一个无线信号124并与移动设备通信。另外，在这种情况下，占用确定器200不再需要物理地位于房间中，而是可以位于其他地方(例如，作为位于其他地方的网络服务器的部分)，假若占用确定器200可以与显示设备330通信(例如，显示设备330具有用于连接到网络204的收发器)。
图4描述了房间布局400，示出分别位于第一和第二房间402、404中的图3的第一和第二系统300(1)、300(2)。在布局400中，第一系统300(1)包括位于第一显示设备330(1)内的第一占用确定器200(1)，第二系统100(2)包括位于第二显示设备330(2)内的第二占用确定器200(2)。在位置406处，移动设备106在建筑物的走廊中(例如，在房间402和404的外部)。在位置408处，移动设备106在房间402中。
如图4所示，障碍物可以改变分别由第一和第二占用确定器300(1)、300(2)广播的第一和第二无线信号124(6)、124(7)。例如，在位置406处，移动设备106仍可接收第一无线信号124(6)，但它被第一门410、墙壁412和第二门414改变。在位置406处，移动设备106也可以接收第二无线信号124(7)，但是它仅被墙壁416改变。在位置408处，移动设备106可以接收第一无线占用信号124(6)的未改变版本和由墙壁412改变的第二无线信号124(7)的版本。在一些场景中，从两个无线信号124(6)、124(7)生成的信号参数集可通过提供用于训练分类器250(1)和250(2)的额外的训练示例来提高第一和第二占用确定器300(1)和300(2)两者的准确性。例如，如果移动设备106仅从第二无线信号124(7)生成信号参数集，则信号参数在位置406和408处可以是相同的。因此，使用额外的无线信号124提高了训练示例的质量和分类器250的准确性。
可以为每个房间，并且在特定实施例中为每个移动设备生成多个分类器(例如，分类器250)。例如，图4示出与第一房间402相关联的第一分类器250(1)，和与第二房间404相关联的第二分类器250(2)。这样，当新的房间(第k个房间)被配备占用确定器200和/或系统300，并且连接到移动设备106时，新的分类器nk被实例化并且在连接的该时刻的信号样本x被用于开始训练分类器nk。最终，移动设备106能够查询若干分类器以确定一个移动设备是否识别房间(例如，网络np返回接近1的概率，指示一个移动设备在第p个房间中)。
图5示出确定移动设备在房间中的占用的方法500的一个示例。方法500可以使用以上描述的并且在图1-4中示出的占用确定器100和200的一个或多个组件来实现。在框502处，方法500在移动设备处接收至少一个无线信号。在框502的一个示例中，移动设备106接收至少一个无线信号124。
在框504处，方法500确定在移动设备处是否接收到独特id码。如果在框504处接收到独特id码，则方法500进行到框506，否则方法500继续到框502以接收至少一个无线信号。在一些实施例中，方法500在框502处并未肯定地“接收”无线信号(即，处理和存储与无线信号相关联的数据)，直到在框504处接收到独特id码。在框504的一个示例中，与占用指示器200相关联的独特id码328经由接口214被输入到移动设备106，并且作为输入id码332被存储在移动设备106中。
在框506，方法500在框504处输入输入id码时从接收的无线信号确定第一信号参数集(以及可选地，正占用指示)。在框506的一个示例中，信号分析器226生成第一信号参数集336(并且可选地将占用指示334设置为true)。
在框508处，方法500将确定的第一信号参数集(以及可选地，正占用指示)发送到占用确定器。在框508的一个示例中，其中占用确定器200远离移动设备106，第一信号参数集336(以及可选地，正占用指示334)经由移动收发器216和网络204被发送到占用确定器200。在占用确定器200的功能在移动设备106内实施的实施例中，框508可简单地包括使用占用确定器200从移动存储器220访问存储的第一信号参数集336(以及可选地，正占用指示334)。
在框510处，方法500确定移动设备的占用数据。在框510的一个示例中，占用确定器200确定移动设备106的占用数据240。在占用确定器200的功能在移动设备106内实现的实施例中，在框510处，占用数据240可以从移动设备106发送到外部设备。
在框512处，方法500确定是否接收到断开通知。如果是，则方法500进行到框514，否则方法500循环，直到在框512处接收到负占用指示。在实施例中，如果在框512处在预定的时间段内未接收到断开通知，则方法500可以执行框514的一次迭代。在框512的一个示例中，移动设备106确定是否接收到断开通知342。
在框514处，方法500提示用户关于移动设备的房间内或房间外状态。在框514的一个示例中，经由接口214向用户222自动地显示第二提示344，请求移动设备106是在房间内还是在房间外。
在框516中，方法500从由移动设备测量的另外的至少一个接收到的无线信号来确定第二信号参数集(以及可选地，负占用指示)。当对框514的提示的响应指示移动设备在房间外时，可以发起框516。在实施例中，当在框512处接收到断开通知时，框516可以自动地发起。在框516的一个示例中，信号分析器226确定第二信号参数集348。
在框518处，方法500将确定的第二信号参数集(以及可选地，负占用指示)发送到占用确定器。在框518的一个示例中，其中占用确定器200远离移动设备106，第二信号参数集348(以及可选地，负占用指示334)经由移动收发器216和网络204被发送到占用确定器200。在占用确定器200的功能在移动设备106内实现的实施例中，框518可以简单地包括使用占用确定器200从移动存储器220访问存储的第二信号参数集348(以及可选地，负占用指示334)。
在框520处，方法500更新与移动设备有关的占用数据。在框520的一个示例中，占用确定器200更新关于移动设备106的占用数据240。在占用确定器200的功能在移动设备106内实施的实施例中，占用数据240可被发送到远离移动设备106的第三方设备。
在框522处，方法500接收至少一个额外的信号参数集。在框522的一个示例中，占用确定器200从移动设备106接收至少一个额外的参数集352。然后，方法500基于额外的参数集重复框520。
图6示出训练用于确定房间占用的分类器的方法600的一个示例。方法600可以由占用确定器200实现，无论是在移动设备106内还是远离其定位，以训练分类器250。方法600或其部分可表示训练分类器250的监督学习算法。
在框602处，方法600接收在移动设备处生成的第一信号参数集。在框602的一个示例中，占用指示器200从移动设备106接收第一信号参数集336。在框604处，方法600使用从第一信号参数集和监督信号形成的训练示例来训练分类器。在框606的一个示例中，占用确定器200通过组合第一信号参数集336和正占用指示334来创建训练示例。然后，占用确定器200使用训练示例来训练分类器250。
在一些实施例中，方法600包括框606，其中方法600继续使用从额外的信号参数集形成的训练示例来训练分类器。在这些实施例的一些中，框606具有子框608，其中方法600添加来自当已知移动设备在房间中时生成的额外的信号参数集的额外的房间内训练示例。在子框608的一个示例中，已知当移动设备106在房间中时在移动设备106处生成至少一个额外的信号参数集352，因为它是在占用指示334被设置为true之后并且在占用指示334被设置为false之前生成的。在子框608的一些实施例中，已知当移动设备106在房间中时在移动设备106处生成至少一个额外的信号参数集352，因为它是在第一信号参数集336(或匹配第一信号参数集336的额外的信号参数集352)之后且在第二信号参数集348(或匹配第二信号参数集348的额外的信号参数集352)之前生成。
在框610处，方法600接收在移动设备处生成的第二信号参数集。在框610的一个示例中，占用指示器200从移动设备106接收第二信号参数集348。在框612处，方法600使用从第二信号参数集和监督信号形成的训练示例来训练分类器。在框612的一个示例中，占用确定器200通过组合第二信号参数集348和负占用指示334来创建训练示例。占用确定器200然后使用训练示例来训练分类器250。
在一些实施例中，方法600包括框616，其中方法600继续使用从额外的信号参数集形成的训练示例来训练分类器。在这些实施例的一些中，框616具有子框620，其中方法600添加来自当已知移动设备在房间外时生成的额外的信号参数集的额外房间外训练示例。在子框620的一个示例中，已知当移动设备106在房间外时在移动设备106处生成至少一个额外的信号参数集352，因为它是在占用指示334被设置为false之后生成的。在子框620的一些实施例中，已知当移动设备106在房间外时在移动设备106处生成至少一个额外的信号参数集352，因为它是在第二信号参数集348(或匹配第二信号参数集348的额外的信号参数集352)之后生成。
在一些实施例中，方法600可以与方法500结合使用，使得在方法500的框522处接收的额外的信号参数集也用于生成用于训练分类器的额外的训练示例。
图7示出确定移动设备在房间中的占用的方法700的一个示例。方法700可以使用如上所述和图1-4所示的占用确定器100和200的一个或多个组件来实现。方法700在框702处开始。在操作的一个示例中，在移动设备106处接收到进入在移动设备106上运行的房间占用应用的输入id码332时触发方法700。
在决策框704处，移动设备确定分类器是否已经存在以确定移动设备的房间占用。如果是，则方法700进行到框714，否则方法700进行到框706。在框704的一个示例中，移动设备106与占用确定器200通信以确定占用确定器200是否先前实例化(即，生成和训练)了可以与由移动设备106测量的无线信号特性一起使用的已经存在的分类器250。已经存在的分类器可以是存储在占用确定器200中的若干这样的分类器中的一个，并且由占用确定器200使用以确定多个移动设备在单个房间中的占用。已经存在的分类器可以对应于移动设备106的类型(例如，品牌和/或型号)，其中占用确定器200针对每种类型的移动设备存储并使用一个分类器250。可替换地，已经存在的分类器可以是对移动设备106唯一的，其中占用确定器200针对每个移动设备(当前和/或先前在房间中)存储并使用一个分类器250。可替换地，已经存在的分类器可以是用于房间中的所有移动设备106的仅一个分类器250，而不管类型如何。
在框704的一个示例中，占用确定器200位于远离移动设备106的位置，并且移动设备106经由网络204将移动设备id254发送到占用确定器200。然后，占用确定器200将移动设备id254与注册的分类器250进行比较，以确定已经存在的分类器250是否可以与移动设备106一起使用。在占用确定器200与移动设备106集成的情况下，移动设备106搜索移动存储器220以确定是否已经为与输入id码332相关联的给定房间生成了已经存在的分类器250。
在决策框706处，方法700确定是否将生成新分类器并且使用来自移动设备的无线信号特性来训练新分类器。如果是，则方法700进行到框710，否则方法700进行到框708。在框700的一个示例中，在接口214上呈现提示，请求用户222是否想要针对移动设备106或移动设备106的类型训练新分类器。在框706的另一示例中，查询占用确定器200或移动设备106内的设置以确定是否要针对移动设备106或移动设备106的类型训练新分类器。
在决策框708处，方法700确定通用分类器是否要用于新分类器。如果是，则方法700进行到框712，否则方法700(1)进行到框710以使用移动设备训练通用分类器并使用占用确定器200注册经训练的通用分类器，或(2)在框718处结束而不确定移动设备的占用。在框708的一个示例中，在接口214上呈现提示，请求用户222是否想要使用针对移动设备106的类型的通用设备占用特性360(例如，经由服务器370或占用确定器200)来实例化新分类器。在框708的另一示例中，查询占用确定器200或移动设备106内的设置以确定是否要使用通用设备占用特性360来实例化新分类器。
在框710中，方法700训练确定移动设备的占用的自动化智能分类器。使用用于生成和/或实例化任何存在的分类器250的上述系统和方法中的任何系统和方法来实现框710。例如，可以使用上述方法500和600的任何一个或多个步骤来实现框710。另外，在一个实施例中，自动化智能分类器仅被训练以预测移动设备106何时在房间中，而不是移动设备106何时在房间外。在另一实施例中，自动化智能分类器被训练以预测移动设备106何时在房间中以及何时在房间外。
在框712中，方法700获得针对移动设备的类型的通用设备占用特性。在框712的一个示例中，移动占用确定器200下载与移动设备106的品牌、型号和操作系统中的一个或多个匹配的通用设备占用特性360(例如，经由网络204从服务器370)。在框710的另一示例中，移动设备106经由网络204从占用确定器200下载与移动设备106的品牌、型号和操作系统中的一个或多个匹配的通用设备占用特性360。
在框714中，方法700使用(1)在框704中识别的已经存在的分类器、(2)在框706中生成的新通用分类器和(3)在框710中训练的自动化智能分类器中的一个来确定包括移动设备的房间的房间占用数据。在框714的一个示例中，信号参数集(例如，第一信号参数集336、第二信号参数集348和/或额外的信号参数集352)由移动设备106的信号分析器226生成，并且被发送到占用确定器200。占用确定器200将此信号参数集输入到对应的分类器250以生成用于移动设备106的占用数据240。在占用确定器200位于远离移动设备106的位置的情况下，在生成占用数据240之前，信号参数集经由网络204从移动设备106发送到占用确定器200。
在框716中，房间占用数据被发送到远程设备。在框716的一个示例中，占用确定器200将房间占用数据240发送到服务器370、第三方服务器(诸如建筑物占用管理服务器)、显示设备330和另一设备中的一个或多个。如果占用确定器200与移动设备106集成，则占用数据240从移动设备106经由网络104发送到服务器370、第三方服务器(诸如建筑物占用管理服务器)、显示设备330和另一设备中的一个或多个。在框716的另一示例中，当移动设备106将占用数据240发送到例如显示设备330时，移动设备106自动连接到显示设备330(或另一设备，诸如由mersivetechnologies公司制造的solsticepod)以允许移动设备106与设备330交互。
在框718处，方法700结束。方法700可以周期性地或非周期性地(例如，当与方法700相关联的数据改变时)重复，以实时更新房间的占用数据。另外，方法700可以在多个设备上执行，使得对于任何给定房间，该房间的占用是自动已知的。
图8示出确定移动设备在房间中的占用的方法800的一个示例。可以使用如上所述和图1-4所示的占用确定器100和200的一个或多个组件来实现方法800。
在框804中，方法800从无线信号接收由移动设备测量的无线信号特性。在框804的一个示例中，移动设备106经由网络204将第一信号参数集336发送到占用确定器200。在一个实施例中，框804包括子框806，其中方法800接收由移动设备检测到的无线信号的无线信号标识符，无线信号标识符唯一地标识无线信号。在子框806的一个示例中，移动设备106经由网络204将移动设备id254发送到占用确定器200。
在框808中，方法800通过使用分类器来根据接收到的无线信号特性计算占用概率，从而预测移动设备在房间中的占用。在框808的一个示例中，占用确定器200根据由移动设备106测量的无线信号特性236来计算占用概率256。在一个实施例中，框808包括子框810，其中方法800基于无线信号标识符将无线信号特性输入到分类器。在子框810的一个示例中，特征向量生成器262从无线信号特性236形成特征向量258，其中占用确定器200将特征向量258输入到分类器250。
在一些实施例中，方法800包括框812，其中方法800存储占用概率。在这些实施例的一个中，方法800从移动设备接收移动设备id，并且将移动设备id与移动设备的占用概率一起存储。在框812的一个示例中，占用确定器200从移动设备106接收移动设备id254，并且将占用概率256与移动设备id254一起存储在占用数据240中。
在其他实施例中，方法800包括框814，其中方法800使用从占用指示和接收到的无线信号特性形成的训练示例来训练分类器。占用指示可以是验证当移动设备测量到至少一个无线信号时移动设备在房间中的正占用指示，或者是验证当移动设备测量到至少一个无线信号时移动设备在房间外的负占用指示。在框814的一个示例中，占用确定器200通过将接收到的占用指示334与第一信号参数集336、第二信号参数集348和额外的信号参数集352中的一个进行组合来形成训练示例。然后，占用确定器200使用训练示例来训练分类器250。
在其它实施例中，方法800包括框802，其中方法800无线地发送由移动设备测量的无线信号。在框802的一个示例中，占用确定器200发送由移动设备106测量的无线信号124(5)以获得无线信号特性。
预聚类和地理位置选择
为了确定一个或多个移动设备在多个房间中的占用，可以使用多个二元分类器，其中每个特定的房间具有至少一个二元分类器。可替换地，可以使用单个多项式分类器来确定针对所有房间的占用。分类器的这两种实施方式之间的差异在具有高度可变性的ann的可扩展性和再训练方面具有显著的优点。在移动、移除发射器或添加新设备/位置的情况下，单个多项式分类器将不断地需要更新、重新缩放和/或重新训练。另外，一组多个二元分类器的总体尺寸和计算复杂度与每个二元分类器中的元素的数量(例如，每个ann的输入节点的数量)的总和成比例，而多项式分类器随每个分类器中的元素的数量的乘积缩放。最后，多个二元分类器提供了优于单个多项分类器的处理优化，由此可以使用具有多个处理器和/或线程的计算机系统来同时训练或分类若干二元分类器。
不管分类器实施方式如何，当需要学习许多(例如，数千个)设备/位置时，计算性能和可扩展性可能变得有问题。对于在各个地理区域中的多个校园上具有分布式资源的大组织，情况常常是这样。在这些情况下，庞大数量的二元分类器可能变得笨重并且难以管理、训练和使用。幸运的是，可以将大套的二元分类器分组为分类器聚类，分类器聚类本身更服从总体性能要求。当需要特别的二元分类器时(例如，用于分类或训练)，首先识别适当的聚类，然后仅需要考虑其中包括的二元分类器。
在一个实施例中，使用对应房间的测量的位置将二元分类器分组为分类器聚类。例如，可以经由gps或接近其源位置已知的网络接入点来获得房间的位置。然后，当若干二元分类器类似地定位(例如，在相同的建筑物内)时，可以将它们分组到一个分类器聚类中。在另一实施例中，经训练的多项式分类器(例如，决策树、k均值、k最近值、神经网络等)接收特征向量并输出包括对应的二元分类器的聚类。这样的系统可以通过使用自动聚类来进一步自动化，其中当添加、移动、移除各种位置时，聚类本身被编程地重新平衡(即，二元分类器在聚类之间移动)。
散列
分类器接收输入特征向量(例如，参见图2中的特征向量258)，输入特征向量的各个元素表示分类器要学习的不同的量。这些元素可以被认为是高维空间中的正交轴，其中，例如，第一元素表示第一发射器的信号强度，第二元素表示第二发射器的信号强度，等等。虽然无线信号特性和特征向量元素之间的这种简单映射对于许多应用(例如，图像处理、回归等)工作良好，但是环境的性质和针对设备/位置分类而测量的信号使得这种方法不可接受。从一个信号扫描(例如，如由图2的无线信号检测器248实现的)到下一个，可以有更少或更多的发射器，并且它们的相对顺序可以非常不同。
虽然简单的映射可以在一定程度上减轻这个问题，但是它需要可以在给定房间中测量的可能的发射器的整个集合的先验知识。突然引入新发射器需要完全重构和重新训练可以处理给定特征向量的任何/所有分类器。由于许多无线信号(例如wi-fi、蓝牙、ble等)通常由来往于房间的移动设备发射，因此检测到瞬态信号的机会非常高。另外，天线方向性使得无线信号在用户的位置/朝向即使稍微改变时也容易被看到和丢弃。
在一个实施例中，通过保留大量(比预期的发射器的数量多大约两个数量级)的元素来构造特征向量。对于给定发射器，可以计算其无线信号uid的散列(md5、sha1等)，并通过特征向量的长度(即，余数)对其进行调制。这产生了特征向量的可重复并且通常独特的索引，其中发射器的对应的无线信号特性可以被顺序地输入。另外，使用这样的大特征向量，减少了不同的发射器之间的散列冲突的机会(具体地，可以考虑“生日问题”并且计算冲突的精确概率)。最后，随着瞬时发射器的来往，它们在特征向量中的存在可能不与固定/稳定的发射器冲突，而是对应的索引仅作为噪声/不重要的被分类器学习。
在其它实施例中，基于无线信号的类型(例如，wi-fi、ble、蜂窝等)来实现散列。这等效于形成若干子特征向量，每个信号类型对应一个，并且将子特征向量连接在一起以形成单个最终特征向量。另外，一些非常稳定和/或可靠的无线信号(例如，wi-fi接入点、信标等)可以使用分类器被“注册”，因此保留特征向量的对应元素。这样，将保证显著的发射器不会与瞬态源冲突。在一个实施例中，在没有管理员配置/交互的情况下动态地学习和设置“保留”发射器。
位置感知学习
在一个实施例中，使用与新训练示例组合的先前收集的训练示例的整个集合来重新训练每个分类器。可以使用这些训练示例来执行后向传播的各种排列。额外地，度量(例如，样本收集时间、特征向量的元素与平均特征向量之间的平均差等)可用于选择先前收集的过去训练样本的子集。
在另一个实施例中，分类器是一步训练的，即，仅使用新训练示例来训练。随着新训练示例变得可用，执行后向传播的一个或多个步骤。这种方法具有若干益处，包括：(1)训练示例不需要被存储、排序或以其他方式管理用于将来训练使用，(2)随着分类器适应于变化的成本函数最小值，演进签名(例如，被添加/移动/移除的固定的发射器)可以被自动处理，以及(3)运行几轮反向传播通常比使用训练示例的整个集合重新训练分类器更快且效率高得多。
当用过去和/或当前训练示例的训练集进行重新训练或反向传播时，可能期望缩放和/或归一化训练集中的正和负样本的数量。特别是在分类器的数量很大的情况下，训练集可变得非常不均匀，即，可存在比正样本更多的更显著的负样本。这种不平衡是以下事实的结果：如果n个位置是使用在每个位置收集的一个训练示例来训练的，则对于任何给定位置，将仅有一个正训练示例而有(n-1)个负训练示例。在一个实施例中，训练集的归一化可以通过修改反向传播期间使用的步长，并且对于正的情况按1的倍数缩放，或者对于负的情况按1/(n-1)缩放来实现。在另一实施例中，训练集可通过简单地复制测试用例来归一化；负用例不重复，但正样本重复(n-1)倍。
在不脱离本发明的范围的情况下，可以对上述方法和系统进行改变。因此，应当注意的是，包括在上述说明中或在附图中示出的内容应当被解释为说明性的而非限制性的。所附权利要求旨在覆盖本文所述的所有一般和特定特征，以及本方法和系统的范围的所有陈述，从语言上讲，这些陈述可以说是落在权利要求的范围内。
- 还没有人留言评论。精彩留言会获得点赞！