本申请要求于2015年10月29日提交的美国临时申请no.62/247,997的优先权，将其通过引用并入本文。
本发明的实施例大体涉及在线购买，并且特别地涉及基于位置的被动支付。
背景技术：
大多数形式的传统交通购票需要用户输入来购票。列车和轻轨客户依赖于购买长期票、通过移动应用或网站的在线售票、或在列车站中的购票厅和购票柜台处和从车上的售票员的物理购票。这些购票中的每个要求来自客户的输入。该输入能够是(在售票柜台处)语音的，或者通过软件接口。它们要求关于客户从哪里离开、他要去往哪里、他想要乘坐哪趟列车以及他想要乘坐哪个类别的输入。旅行所要求的用户输入浪费乘客的时间并且能够在输入必须在特定时间或地方发生时导致不便。在一些情况下，如果由于技术故障或定时约束而导致用户不能够提供针对旅程的正确输入以便购票，则可以针对票的未支付而使用户进一步完善。
购票总体上可能是浪费时间和资源的。例如，购票看电影要求排队或在线填写信息。额外地，在需要打印票进入电影院时浪费资源。作为另一示例，将车停在停车场常常要求获得票并在离开时走到售票厅以支付票。在用户时间和打印票方面浪费时间和纸张两者。
技术实现要素：
本文中描述了用于被动地处理针对活动的支付的系统和方法，其利用参与活动的用户的位置数据。在一些实施例中，计算设备接收用户数据，用户数据包括多个用户位置点和与多个用户位置点中的每个相关联的时间。基于用户数据来确定与用户相关联的活动，其中，活动与交通(transportation)和在一场地处的出席(attendance)中的至少一个相关联，识别活动的实例(instance)并且基于活动的实例来处理针对用户的支付量。
在一些实施例中，确定活动包括针对每个位置点从用户数据中提取元数据，将元数据标记有与活动有关的信息以形成描述元数据的特征的汇集(collection)，并且基于描述元数据的特征的汇集来将位置点中的每个与活动信息相关联。在一些实施例中，确定活动的实例包括将用户数据和与活动的实例相关联的位置信息和与活动的实例相关联的定时信息中的至少一个进行比较。
在一些实施例中，本文中描述的系统和方法包括用于从计算设备外部的数据库接收与活动的实例相关联的位置信息和定时信息中的至少一个的计算设备。在一些实施例中，计算设备基于多个位置点来确定以下项中的至少一个：活动的开始时间、与活动相关联的结束时间、以及活动的持续时间。在一些实施例中，活动还与以下项中的至少一个相关联：看电影、参加音乐会、在停车场中停车、乘坐列车、公共汽车、和轮渡中的至少一个、以及行驶通过收费站。在一些实施例中，活动的实例是以下项中的至少一个：与用户看电影相关联的多个电影院中的一个电影院、与用户参加音乐会相关联的多个音乐会场地中的一个音乐会场地、与用户停车相关联的多个停车场中的一个停车场、与用户乘坐列车相关联的多个列车中的一个列车、与用户乘坐公共汽车相关联的多个公共汽车中的一个公共汽车、与用户乘坐轮渡相关联的多个轮渡中的一个轮渡、以及与用户行驶通过收费站相关联的多个收费站中的一个收费站。
在一些实施例中，当活动与用于参与活动的成本相关联时，支付量大于零。在一些实施例中，该系统和方法包括将与支付相关联的信息发送到与用户相关联的用户设备的计算设备。
所公开的主题的这些和其他能力将在审阅了以下各图、具体实施方式和权利要求书之后得到更完全地理解。要认识到，本文中采用的用词和术语是为了描述的目的并且不应当被认为是限制性的。
附图说明
所公开的主题的各种目标、特征和优点可以在结合以下附图考虑时参考对所公开的主题的以下详细描述得到更完全地认识，其中，类似的附图标记识别类似的元件。
图1是示出购买列车票的传统方法的示图。
图2是示出根据一些实施例的用于针对列车票的被动支付的过程的概述的示图。
图3是示出根据本公开内容的一些实施例的网络化系统的系统示图。
图4是根据本公开内容的一些实施例的用户设备的系统示图。
图5是示出根据本公开内容的一些实施例的服务器306的系统示图。
图6是示出根据本公开内容的一些实施例的活动预测模块530的系统示图。
图7是示出根据本公开内容的一些实施例的由服务器从用户设备接收到的未标记的位置信息的示图。
图8是示出根据本公开内容的一些实施例的包括元数据模块601的活动预测模块530中的处理的部分的示图。
图9是示出根据本公开内容的一些实施例的预测模块602的示图。
图10是示出根据本公开内容的一些实施例的预测输出905的示图。
图11是示出根据本公开内容的一些实施例的如由实例检测模块502实施的检测实例的过程的流程图。
图12是示出根据本公开内容的一些实施例的确定活动的开始位置和结束位置的过程的示图。
图13是示出根据本公开内容的一些实施例的基于活动来评估可能的旅程的过程的示图。
图14是示出根据本公开内容的一些实施例的被动支付的过程的流程图。
具体实施方式
本文公开了用于使用移动设备上的位置跟踪来了解用户何时乘坐列车并且能够了解他们在哪趟列车上以及他们需要哪个票的系统和方法。之后在不需要从用户在设备上的任何输入的情况下为用户购票，使得他能够继续他的旅程而不中断。
在本公开内容的一些实施例中，本文中描述的用于被动支付的系统和方法适用于所有公共交通，包括但不限于列车、电车、公共汽车、出租车、轮渡、地铁和飞机。本文中描述的系统和方法还适用于事件，包括但不限于戏剧、电影和运动事件。
交通示例包括乘列车、公共汽车、汽车、轮渡、飞机、自行车和自主车辆旅行。在一些实施例中，交通检测算法的模式包括识别被使用的车辆，连接到车辆的日程表，并且利用该交通模式计算用户的旅程。api可以插入到支付系统中以处理针对该旅程的购票。
场地示例包括音乐厅、运动事件、电影院、健身中心、以及停车场。对于这些情况，检测算法在一些实施例中检测一个人是否在一定时间段内处于特定位置中。api可以之后连接到场地的购票平台。
在一些实施例中，本文中描述的系统和方法能够用于收费站。对于收费站，交通模式可以与用户经过的特定路段组合，并且车辆或车辆的驾驶员可以连接到收费系统的api以执行收费的支付。该技术可以在驾驶员的智能设备内运行，而且还可以被安装在汽车本身中，如果汽车配备有gps系统和通信技术的话。
图1是示出购买列车票的传统方法的示图。
图1示出了用户从售票员100购票，用户从自助售票机101购票，用户从移动设备102购票，用户从计算机103购票，以及用户从列车104上的购票代理购票。如以上所描述的，用于购票的这些方法中的每个具有缺点。例如，用户必须在他们的日程表中分配额外的时间以考虑在从售票员100或从自助售票机101购票时排队等待相关联的时间。通过互联网连接的设备(例如，102、103)购票要求用户输入关于开始目的地、结束目的地、旅行时间和支付信息的组合的信息。从列车104上的售票员购票可能要求用户携带钞票。从列车上的售票员购票可能还可能导致由于定价结构而导致的较高票价或与在列车上购票相关联的罚金。
图2是示出根据一些实施例的用于针对列车票的被动支付的过程的概述的示图。
参考步骤200，用户在开始目的地处上列车。如下面更详细地描述的，为了使用本文中描述的系统和方法中的一些，用户具有能够连接到其他设备或服务器并且(例如，通过网络)将信息发送到其他设备或服务器和从其他设备或服务器接收信息的移动设备。在一些实施例中，移动设备还具有位置跟踪功能(例如，gps、wifi、蜂窝id、蓝牙)。如下面更详细地描述的，移动设备还能够托管记录位置信息并将该信息传达到服务器的应用。
参考步骤202，用户正在乘坐从开始目的地到最终目的地的列车。如以上所指出的，移动设备能够托管记录用户的位置信息并将该信息传达到服务器的应用。对用户的位置的确定和记录可以在没有任何用户交互的情况下进行。在一些实施例中，基于位置信息来为用户购票。
参考步骤204，用户从列车上下车。在一些实施例中，在下列车之后通知用户票已购买。在一些实施例中，购买的通知可以在用户仍然在列车上时被传达给用户。在任一情况下，用户已经完成了旅程并为该旅程买了票而无需用户等待排队或花费时间购票。
图3是示出根据本公开内容的一些实施例的网络化系统的系统示图。图3示出了用户设备302、网络304和服务器306。
如以上所描述的，用户设备302可以与参与本文中描述的被动购票系统和方法的用户相关联，并且可以从参与网络化系统的用户收集信息。在一些实施例中，用户设备302可以包括能够记录和发送关于用户与另一用户或位置的接近度的信息的任何计算机化设备。在一些实施例中，计算机化设备可以包括智能电话、平板电脑、计算机、膝上型计算机、汽车、或智能手表，其可以被安装有方便收集数据的移动应用。如下面在伴随图4的文本中更详细地描述的，用户设备可以包括数据采集模块和通知模块。
在一些实施例中，用户设备302可以包括车辆安装的数据收集代理，诸如汽车车载诊断模块、遥测和车联网模块、应答器、车载gps模块、以及收集有关数据的其他系统。
在一些实施例中，用户设备302可以包括客户可穿戴设备或健身监测器，诸如jawboneup、fitbitcharge或苹果手表设备。
在一些实施例中，数据可以从用户设备302直接被发送到网络304(例如，在移动应用的情况下)，或者可以通过中间步骤被收集。例如，在车辆遥测系统的情况下，中间模块可以被利用以从车载设备收集信息并通过无线链接将其发送到智能电话，在那里其可以之后被发送到网络304。
在一些实施例中，移动应用可以被安装在用户的智能计算设备上并向用户提供选择性加入各种数据收集机制的功能。例如，用户可以允许本文中描述的系统经由移动app收集用户的联系人、facebook朋友、instagram朋友、随时间的位置数据、以及使用智能计算设备、电话和消息传送模式进行的支付。
在一些实施例中，用户设备302可以采取向各种连接的设备提供的应用或小应用程序的形式。例如，嵌入在dvr中的app可以发送关于观察习惯和偏好的数据，而嵌入在汽车的导航系统中的软件可以发送关于位置和驾驶模式的数据。
本领域技术人员将认识到，没有对可以与本公开内容中描述的系统一起利用的用户设备的类型和种类的限制。
网络304使得能够在用户设备302之间进行通信。网络304可以是公共网络，诸如互联网，其中用户设备302和服务器304中的每个使用诸如wi-fi、以太网和4g无线的通信协议经由网关连接。备选地，网络304可以是封闭式网络，诸如局域网(lan)，其中关系分析系统的各个部件不可在开放式互联网上访问。在一些实施例中，经由网络304的通信能够被加密，或者额外的安全协议可以被利用，诸如虚拟专网(vpn)或安全接壳(ssh)隧道。
服务器306可以包括实施用于保持关于用户收集的数据的数据库的一个或多个服务器计算机。如下面在伴随图5的文本中更详细地描述的，服务器306还可以包括活动检测模块、实例匹配模块、以及用于处理用户位置信息并相应地对用户计费的计费模块。在一些实施例中，服务器306的具体配置可以取决于许多因素，诸如数据库的类型、数据库的期望大小、以及用户执行预期。在一些实施例中，该系统是可扩展的并且可以随着需求增加而添加额外的处理能力。在一些实施例中，该系统可以是用户设备302本身，并且不要求网络304和服务器306中的一个或多个。
图4是根据本公开内容的一些实施例的用户设备的系统示图。用户设备302包括传感器模块410、预处理模块412、用户设备数据库414、通知模块416、通信模块418。
传感器模块410可以包括包含gps、wifi、蜂窝id、蓝牙、气压计、加速度计、陀螺仪和磁场传感器的一个或多个传感器。在一些实施例中，传感器模块410可以定期地获取传感器测量结果，其由包括时间、旅行的距离、和到感兴趣点的接近度的若干不同条件触发。这些测量结果可以包括设备的位置和时间，并且还可以包括气压、加速度、磁场、和设备取向。
预处理模块412可以从传感器模块接收传感器数据并在将数据存储在本地或跨网络发送数据之前对数据进行预处理。例如，在一些实施例中，预处理模块412可以被用于处理来自设备传感器的数据，其是大的以通过网络发送(例如，加速度计数据)，或者其可以容易地在设备上被处理。
用户设备数据库414可以从传感器模块410或预处理模块412接收数据并对其进行存储。例如，在一些实施例中，用户设备200可以将数据缓存在本地以节省电池使用，或者由于较差的网络连接。
通知模块416可以基于与本文中描述的系统和方法相关联的动作来向用户提供更新和警告。例如，通知可以被显示(例如，在移动设备的显示器上)或者否则通过移动设备200(例如，借助于音频或振动)被发送到用户，其警告用户他们的旅行完成，并且通知他们用户已经被收费。
通信模块418将数据发送到移动设备302并从移动设备302接收数据。例如，通信模块418可以将用户数据发送到服务器306以进行进一步处理。通信模块418还可以从服务器接收通信(例如，指示支付已经被处理)。
如下面更详细地描述的，在一些实施例中，图5中示出的并在伴随图5的文本中描述的模块和相关联的功能可以被定位在用户设备302内。
图5是示出根据本公开内容的一些实施例的服务器306的系统示图。服务器306包括服务器缓存520、提取模块501、实例检测模块502、以及收费模块503。提取模块501包括活动预测模块530和用户历史数据库532。相关模块包括日程表匹配模块640和日程表匹配数据库542。
服务器缓存520存储通过网络304从用户设备302接收到的数据。在一些实施例中，服务器缓存520被用于存储数据直到足够的数据已经累积以提供用户的活动的准确评估。在一些实施例中，从用户设备302接收到的数据被直接处理以便提供用户活动的连续估计。使用连续匹配的一个示例是用于旅行应用，其中具有关于用户的位置的许多数据点可以通知旅行的类型。使用服务器缓存520来存储数据的示例是用于事务应用，诸如电影或活动购票，或者停车场购票，其中，使用历史数据来准确地预测事件的发生和位置比在当前时间段期间处理许多数据用户点更重要。
提取模块501通过网络304从服务器缓存520和用户设备302的组合接收数据和从用户设备302直接接收数据。提取模块501提取数据流的有关部分以进行特定日程表匹配。在列车旅行的示例中，这可以包括确定列车旅程何时开始和结束并将该范围内的位置点传送到活动预测模块530。该模块还可以检测在模块502中进行匹配的必要事件的发生。例如，对于停车场使用情况，活动预测模块530可以检测用户何时已经离开他们在停车场中的汽车。对于音乐会场地使用情况，活动预测模块530可以检测用户在场地处并返回该访问发生之间的次数。如下面在伴随图6-图9的文本中更详细地描述的，活动预测模块530处理用户数据以提取活动信息，将活动信息存储在用户历史数据库532中，并且基于服务器缓存520和用户历史数据库532中的用户信息来预测用户的活动。用户历史数据库532被用于存储用户的过去的活动，使得活动预测模块可以从用户的过去的活动中学习何时对随后活动进行标记。例如，在列车购票示例中，当提取模块501从位置点的流中提取列车旅程时，可以有利的是知道用户通常在每天早上乘坐列车通勤上班。在基于事件的活动示例中，可以有利的是知道用户从不在停车场附近的街道上停车，因此预测用户已经将他们的汽车停在停车场中的准确性更高。在一些实施例中，活动可以是在一定时间段内执行的任何动作，例如停车、乘列车、参加事件。在一些实施例中，提取模块501在从用户设备302接收位置点数据之前接收与用户设备302相关联的活动信息。例如，用户设备302可以订阅与具体活动相关的服务(例如，列车购票服务、电影票服务)。在一些实施例中，提取模块501基于接收到的用户数据来确定与用户相关联的活动。
实例检测模块502从提取模块501接收提取的数据的有关部分并使用实例检测模块502将所提取的数据与特定活动或日程表进行匹配，如下面在伴随图9-图11的文本中更详细地描述的。例如，如果活动是列车旅行，则实例检测模块502将所提取的数据与特定列车日程表进行匹配。在音乐会场地的情况下，实例检测模块502可以识别在用户访问该场地期间进行的特定事件。实例检测模块502还将用户的过去的活动存储在日程表匹配数据库542中并将历史日程表数据并入到其预测中。使用通勤上班的示例：如果系统具有指示用户总是乘坐7:30列车到办公室的历史数据，则其可以从具有稀疏的或较差的数据的天中恢复。使用用户每周一和周四早上去健身中心的示例，实例检测模块502可以限制识别这些事件所需要的数据量。如下面在伴随图11的文本中更详细地描述的，实例检测模块502可以例如在交通应用中查看适当的交通网络并精确地确定进行了哪个旅程(例如，在时间t从站a至站b的列车号x)。
收费模块503针对服务向用户收费。一旦已经成功地检测到活动或日程表，系统就可以自动对用户计费。如以上所描述的，在一些实施例中，收费完成的指示通过网络304被发送到用户设备302。
收费模块503针对服务向用户收费。一旦已经成功地检测到活动或日程表，系统就可以自动对用户计费。如以上所描述的，在一些实施例中，收费完成的指示通过网络304被发送到用户设备302。
在一些实施例中，图5中示出的并在伴随图5的文本中描述的模块和相关联的功能可以被定位在用户设备302内。
图6是示出根据本公开内容的一些实施例的活动预测模块530的系统示图。活动预测模块530包括外部数据存储600、元数据模块601和预测模块602。
元数据模块601从服务器缓存520和外部数据存储600接收数据。元数据模块601基于接收到的数据来计算元数据或特征(在机器学习模型中使用的术语)。为了生成元数据，元数据模块601可以从外部数据存储600接收标记或参数。例如，外部数据存储600可以是来自地理信息系统(gis)提供商(诸如google或openstreetmap)的交通/轨道链接、或场地信息。使用标记与列车相对应的点的示例，由元数据模块601提取的元数据可以包括：用户在特定时间位置点的速度、每个时间位置点到最近的列车轨道的距离、到最近的列车站的距离、以及到最近的路段的距离。以标记与电影有关的点为例，由模块601提取的元数据可以包括范围内的wifi路由器、蜂窝id、在电影持续的时间段内在用户周围的其他蓝牙设备的存在、以及加速度计活动。在活动是基于事件或场地的这种情况下，使用的外部数据存储可以包括场地信息，诸如地理空间坐标、开放时间或日程表(在事件的情况下)、场地的种类(或类型)。在停车场的示例中，这可以包括在访问停车场(指示用户行驶到停车场并从其步行离开)之前和之后的交通模式。其还可以包括气压(指示用户行驶过停车场的斜坡以及用户停在哪层)。
预测模块602采用机器学习模型，如下面在伴随图7-图9的文本中更详细地描述的，其基于从元数据模块601生成的元数据和来自用户历史数据库532的数据来做出预测。从预测模块602输出的预测信息还被反馈回到用户历史数据库532中作为告知未来预测的历史数据。例如，在活动包含交通模式的情况下，其可以识别用户从家里行驶到列车站，随后乘列车通勤到用户工作的邻近城镇上班，并且从列车站步行去工作。该示例可以导致针对乘坐列车和将汽车停在收费停车场两者的被动支付。
图7是示出根据本公开内容的一些实施例的由服务器从用户设备接收到的未标记的位置信息的示图。图7示出从移动设备700接收到的数据和未标记的位置点702。
在一些实施例中，从用户设备700接收到的数据包括未标记的位置信息。如以上所描述的，从用户设备接收到的数据可以直接由提取模块501接收或首先被存储在服务器缓存520中。使用从移动电话数据提取列车日程表的示例，未标记的点702中的一些可以对应于列车旅程，并且一些未标记的点702可以对应于步行旅程。为了将用户成功地与特定日程表匹配，未标记的位置点可以被标记有正确的交通模式。通常，这些点在时间和空间上被不规则地定位。未标记的点702还可以包含可以将点从用户实际所处的地方向上移位到若干百米的错误。
图8是示出根据本公开内容的一些实施例的包括元数据模块601的活动预测模块530中的处理的部分的示图。图8示出特征的汇集800和特征的聚集的集合801。
如以上所描述的，元数据模块601将从移动数据设备700接收到的数据(其可以包括通过网络直接从移动设备接收到的数据或来自服务器缓存520的数据)与来自外部数据存储600的数据进行组合。该数据的组合针对接收到数据的每个点进行。数据被组合以生成元数据(特征)。在每个点处的特征的汇集由框800指示。这些可以包括计算的量，诸如位置点到各种感兴趣元素的距离，诸如到最近的路或铁路的距离、位置点是在陆地上还是在水里、由设备返回的或根据邻近位置点的时间和位置计算的速度。特征的汇集800中的每个与点相关联并且按时间排序。特征的汇集800的集合被捆绑以形成特征的聚集的集合801。聚集在定界符之间被执行，定界符可以是允许清楚地在活动的两个序列之间进行区分的任何事件。例如，如果用户记录长时间停留在家里，随后多个位置点和在工作地点停留，停留可以是定界符并且在它们之间的位置点可以被聚集成序列。这些定界符可以基于应用来选择。使用参加音乐会的示例，有关定界符可以是用户处于场地的特定距离内的时间。在停车场的示例中，定界符可以是基于时间的，并且系统可以针对围绕他们访问停车场的特定时间窗口分析用户的行为。
图9是示出根据本公开内容的一些实施例的预测模块602的示图。预测模块602包括数据清理模块902、活动标记模块903、校正模块904和预测905。
数据清理模块902接收特征的聚集的集合801，其在伴随图8的文本中被描述。数据清理模块902清理接收到的数据，过滤或校正由设备不准确性而引起的任何虚假数据。例如，位置准确性可以在设备不能执行gps测量时下降。额外地，设备可以通过扫描可用wifi网络来进行位置测量。这假设wifi网络是静止的，wifi网络可能不是静止的(例如，列车上或公共汽车上的wifi)。另一共同假象在gps测量由于信号被高层建筑物反射而变得不准确时出现。数据清理可以通过无数不同的算法(诸如聚类、或中值平均偏差过滤器)来完成。
活动标记模块903从数据清理模块902接收清理的数据并将清理的数据标记有与活动有关的信息。例如，在列车购票的情况下，活动标记模块903标记换乘模式。活动标记模块903包括在已经被标记有准确交通模式(已知为“真值数据”)的数据序列上被训练并且能够在给定了在601中生成的特征的情况下准确地将数据标记有活动的机器学习算法。因为由活动标记模块903使用的机器学习算法是序列标记算法，所以算法对不准确的输入数据具有抵抗力。使用列车作为示例，短序列列车->列车->步行->列车->列车是不可能的序列。极可能的是，中间的步行点是虚假的，并且序列仅仅包括列车上的位置点。序列标记算法能够补偿这些情况。该序列标记模型还可以输出其在所选择的标记以及备选标记上的置信度。例如，在以上列车/步行序列中，每个元素可以是概率或置信度的系综(ensemble)，诸如(列车：90％，步行8％，汽车2％)或者(步行50％，列车48％，汽车2％)，其获得基于特定准则而分配的标记，诸如具有最大概率的标记。
校正模块904从活动标记模块903接收标记的数据并从用户历史数据库532接收用户历史数据。基于用户历史数据、与标记相关联的置信度和备选标记的存在，校正模块904可以选择校正标记的数据。校正标记的数据的示例包括列车何时停在一站点处。在这种情景中，低测量速度可以使模型将用户在停止期间的位置点标记为“步行”。该情境允许模块904在用户仍然在列车上时校正标记并且列车标记是更合适的。类似地，如果看电影的用户短暂地离开以使用洗手间并且之后返回，则模型不应当推测用户去看两个短电影并在中间去步行而不是看单个正常长度电影。一旦标记的数据被校正模块904处理，预测数据就被输出905。预测数据包括描述每个数据点的标记，如下面在伴随图10的描述中更详细地描述的。
图10是示出根据本公开内容的一些实施例的预测输出905的示图。图10示出步行位置点1002和列车位置点1004。
参考回到图7，从移动设备700接收到的数据包括地图上的点，其全部被指代为未标记702。在使用活动预测模块530处理接收到的数据700之后，输出预测数据905包括地图上的全部被标记为步行位置点1002或列车位置点1004的点。步行位置点1002是指在用户在步行的同时测量的位置数据，并且列车位置点1004是指在用户乘坐列车的同时测量的位置数据。
图11是示出根据本公开内容的一些实施例的如由实例检测模块502实施的检测实例的过程的流程图。在一些实施例中，实例检测模块502可以例如在交通应用中查看合适的交通网络并精确地确定进行了哪个旅程(例如，在时间t从站a到站b的列车号x)。
参考步骤1100，实例检测模块502识别给定活动的界限。活动例如可以包括旅行、事件参加、或停车。针对这些活动中的每个的界限可以包括活动的开始和结束，例如针对乘坐列车，开始将是用户上车的列车站并且结束是用户下车的地方。实例检测模块502可以使用活动的位置数据但是利用其对潜在交通网络的理解对其进行增强并过滤已知的假象。已知的假象包括未准确地表示用户的位置的位置(弱/无信号，设备缓存呈现错误的位置，gps信号在附近的高层建筑物上反射)。其他数据源还可以被插入在该点处以精炼该评估，诸如来自例如日程表匹配数据库542的那些。
参考步骤1101，实例检测模块502基于活动来获得可能的实例(例如，旅程、场地)。例如，在乘坐列车的情况下，基于对实例检测模块502可用的(例如，从托管信息的外部站点下载的或存储在内部服务器中的)数据，可能的旅程包括开始站和相关联的时间以及结束站和相关联的时间。在列车示例中，减少可能的旅程的数量的许多方式之一将是在乘坐完成之前或之后检测用户停留。在用户去看电影的示例中，挑战在于在附近的许多可能的场地之中正确地识别场地。
参考步骤1102，实例检测模块502计算在用户的数据与所有可能的旅程之间的差异。例如，实例检测模块502可以计算在用户的位置点中的每个与每个可能的旅程中的那个之间的距离，如下面更详细地描述的。实例检测模块502可以使用针对每段旅程的已知轨迹和从各个源获得的定时来建立在所有有关时间的准确位置。
参考步骤1103，实例检测模块502针对异常值过滤在步骤1102中计算的差异数据。在一些实施例中，实例检测模块502通过使用诸如检测序列中的无序元素、中值平均偏差和由于设备上的数据采集的已知假象的方法来过滤差异数据。当检测到已知假象时，这些点可以被忽略或被处置具有较低置信度。例如，特定假象仅仅在列车上出现，因此当这样的虚假点的位置具有有限值时，用户此时在列车上的指示肯定是有用的。
参考步骤1104，实例检测模块502评估哪个旅程是最可能的。实例检测模块502评估每个可能的旅程的“拟合优度”以选择最好的一个。由步骤1102返回的距离针对各种因素(点密度、不确定性、等等)被校正并一起被平均成表征每个旅程多好地匹配用户数据的质量量度。这是另一步骤，其中，如果期望的话，来自步骤542的历史数据可以引入已知的用户特异性行为来帮助在可能的旅程之间的歧义消除。
参考步骤1105，实例检测模块502评估结果中的置信度。实例检测模块502执行关于从步骤1104获得的数据的置信度的评估。实例检测模块502并入多个因素分析，包括除其他因素外的拟合优度、用户数据的质量、以及难以区分的旅程的存在。如果置信度高，则校正模块502发送支付请求(步骤1107)。如果置信度不够高，则校正模块502发送它以进行审查(步骤1106)。
参考步骤1106，实例检测模块502可以在实例检测模块502确定结果不令人满意时审查结果。实例检测模块502可以允许由人类管理者利用高级工具对不确定的旅程的审查，高级工具帮助他们做出更准确的评估，识别部件中的任何是否出错(来自设备的数据，活动检测，等等)，或者多个可能的旅程是否不可能利用可用的数据来消除歧义。其之后校正不正确的评估并且可以在错误地检测时丢弃旅程(例如，用户在沿着列车轨道的道路上行驶并且算法未识别汽车而是相反做出分配列车的错误)。当通过添加的分析建立高置信度时，实例检测模块502之后发送有效旅程用于支付处理(在步骤1107)。
参考步骤1107，实例检测模块502可以在结果令人满意时发送支付请求。实例检测模块502可以针对特定用户的检测到的可计费活动将支付请求发送到收费模块503，例如，乘坐要求票来乘坐的列车。
图12是示出根据本公开内容的一些实施例的确定活动的开始位置和结束位置的过程的示图。图12示出位置点1200、位置点1201、段1202、活动的结束1204、活动的结束1205以及识别活动的结束12041205的过程1203。
位置点1200是与被分析的段的开始相对应的位置点。位置点1201是与被分析的段的结束相对应的位置点。段1202是感兴趣段，其包括在活动的开始位置点1200与结束位置点1201之间出现的所有有关位置点。段1202被表示为以顺序次序连接位置1200和1201的粗黑状。
步骤1203是容错开始站检测和结束站检测的过程。步骤1203可以补偿数据中的假象、噪声、系统错误和其他错误源以及用于从开始位置点1200走到结束位置点1201的潜在交通网络中的因素并输出一个或多个可能的开始站和结束站(分别是1204和1205)。1204是用户开始活动的场地或位置，并且1205是用户结束活动的场地或位置。最好的始发站/到达站的选择可以尤其包括在活动的位置点与可能的站之间的距离、在站之间旅行需要的连接的数量、紧挨着列车旅程之前或之后的在列车站的停留的存在、用户的过去的历史、各种用户特异性信息(诸如家庭、工作、习惯、爱好、等等)。
图13是示出根据本公开内容的一些实施例的基于活动来评估可能的旅程的过程的示图。图13示出被评估的路径1300、用户位置1301、已知的数据1302、在用户位置与已知数据之间的偏差1303。
被评估的路径1300可以是指由用户步行或乘车进行的旅程(例如，在旅程中由特定列车使用的铁路)。
用户位置1301是指由服务器接收到的用户的位置点。在一些实施例中，在一定时间段内可以有多个接收到的用户位置1301。
已知的数据1302是指沿针对对应的用户位置的旅程的交通方式(例如公共汽车、列车、轮渡、等等)的位置。在一些实施例中，交通方式的位置使用日程表和已知的延迟来估计，或者在可用时使用实际位置来估计。如图13所示，用户位置1301可以根据已知数据1302而变化。
在用户位置与已知数据之间的偏差1303表示在用户与交通方式之间的距离。偏差1303是在观察到的位置与预期日程表之间的偏差的度量。该值越大，被分析的旅程越不可能是正确的旅程。例如，如果用户在列车a上，则到列车a的预期位置的距离将接近于0。然而，如果用户实际上在10分钟之后开动的列车b上，则到列车a的距离变成10分钟*列车的速度(例如60mph)，其对应于10英里的距离。
图14是示出根据本公开内容的一些实施例的被动支付的过程的流程图。
参考步骤1400，从用户接收数据。该数据包括关于用户在各个时间点处的位置的信息。在一些实施例中，在预定义时间间隔(例如，每秒一次、每分钟一次)接收数据。在一些实施例中，接收用户数据的频率可以与用户参数(例如，用户速度、位置)相关。例如，可以在系统检测到用户正以更大的速度行进时以更大的频率接收用户数据。还可以在系统检测到用户正在靠近与用户可能参加的事件相关联的场地(例如，电影院、音乐会)时以更大的频率接收用户数据。
参考步骤1401，提取有关活动。用户数据被处理以识别有关活动，包括标记的旅程(例如，乘坐列车、乘坐轮渡)和访问(例如，在游乐园、在动物园花费的时间)。由设备提供的位置点和各种数据的流被反馈到机器学习模型中，机器学习模型将流分成与连续单个活动块相对应的段并利用合适的标记(例如，列车、汽车、步行、等等)来识别它们。
参考步骤1402，识别活动的情境(在本文中还称为“实例”)。本文中描述的系统可以识别活动的情境，诸如乘坐的确切列车(在时间t从站a到站b的列车号x)或访问的场地(从时间t1到时间t2的建立y)。本文中描述的系统可以获取标记的单个活动段并可以使用与其相关联的交通网络(例如，轨道提供商、交通机构、其他用户、实时源、等等)的数据来进行评估。
参考步骤1403，处理支付。根据需要基于活动的类型和情境来处理支付。例如，当用户实际上在要求旅行的票的列车上时而不是当用户沿列车轨道行驶时处理支付。在一些实施例中，仅仅在与活动的实例相关联的支付大于零时处理支付。
本文中描述的主题可以被实施在数字电子电路中或计算机软件、固件、或硬件(包括本说明书中公开的结构单元及其结构等效物，或它们的组合)中。本文中描述的主题可以被实施为一个或多个计算机程序产品，诸如有形地体现在信息载体中(例如机器可读存储设备中)或嵌入在传播的信号中以供数据处理装置(例如，可编程处理器、计算机、或多个计算机)运行或控制数据处理装置(例如，可编程处理器、计算机、或多个计算机)的操作的一个或多个计算机程序。计算机程序(还被称为程序、软件、软件应用、或代码)可以以包括汇编语言或解释语言的任何形式的编程语言来编写，并且其可以以任何形式来部署，包括作为独立程序或作为模块、部件、子例程、或适合于在计算环境中使用的其他单元。程序可以被存储在保持其他程序或数据的文件的部分中、专用于讨论中的程序的单个文件中、或多个协同文件(例如，存储一个或多个模块、子程序、或代码的部分的文件)中。计算机程序可以被部署为被运行在一个计算机上或在一个站点处的或跨多个站点分布的并且通过通信网络相互连接的多个计算机上。
本说明书中描述的处理和逻辑流程，包括本文中描述的主题的方法步骤，可以由一个或多个可编程处理器来执行，一个或多个可编程处理器运行一个或多个计算机程序以通过操作输入数据并生成输出来执行本文中描述的主题的功能。处理和逻辑流程还可以由本文中描述的主题的装置执行，并且本文中描述的主题的装置可以被实施为专用逻辑电路，例如fpga(现场可编程门阵列)或asic(专用集成电路)。
通过举例的方式，适合于运行计算机程序的处理器包括通用微处理器和专用微处理器两者、以及任何种类的数字计算机的任何一个或多个处理器。通常，处理器将从只读存储器或随机访问存储器或两者接收指令和数据。计算机的基本元件是用于运行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括或被操作性地耦合以从一个或多个大容量存储设备接收数据或将数据转移到一个或多个大容量存储设备，一个或多个大容量存储设备用于存储数据，例如磁盘、磁光盘、或光盘。适合于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，通过举例的方式，包括半导体存储器设备(例如eprom、eeprom和闪存存储器设备)；磁盘(例如，内部硬盘或可移除盘)；磁光盘；以及光盘(例如，cd和dvd盘)。处理器和存储器可以通过专用逻辑电路来补充或并入到专用逻辑电路中。
为了提供与用户的交互，本文中描述的主题可以被实施在计算机上，计算机具有显示设备，例如crt(阴极射线管)或lcd(液晶显示器)监视器，其用于向用户显示信息，以及键盘和指点设备(例如鼠标或轨迹球)，通过其用户可以将输入提供到计算机。其他种类的设备也可以用于提供与用户的交互。例如，向用户提供的反馈可以是任何形式的感觉反馈(例如，视觉反馈、听觉反馈、或触觉反馈)，并且来自用户的输入可以以任何形式来接收，包括声学输入、语音输入或触觉输入。
本文中描述的主题可以被实施在计算系统中，计算系统包括后端部件(例如，数据服务器)、中间件部件(例如，应用服务器)、或前端部件(例如，具有图形用户界面或用户可以通过其与本文中描述的主题的实施方式进行交互的网络浏览器)、或这样的后端部件、中间件部件和前端部件的任何组合。系统的部件可以通过数字数据通信的任何形式或介质(例如，通信网络)来相互连接。通信网络的示例包括局域网(“lan”)和广域网(“wan”)，例如互联网。
要理解，所公开的主题不限于其对以下描述中阐述的或附图中图示的构造的细节和部件的布置的应用。所公开的主题能够是其他实施例并且能够以各种方式来实践和执行。此外，要理解，本文中采用的用词和术语是为了描述的目的并且不应当被视为限制。
因此，本领域技术人员将认识到，本公开内容所基于的构思可以被容易地用作用于设计用于实现所公开的主题的若干目的的其他结构、方法和系统的基础。因此，重要的是，将权利要求视为包括等效构造，只要它们不脱离所公开的主题的精神和范围。
尽管已经在前述示例性实施例中描述和说明了所公开的主题，但是要理解，本公开内容已经仅仅通过举例的方式进行，并且可以在不脱离所公开的主题的精神和范围的情况下对所公开的主题的实施方式的细节进行许多改变，所公开的主题的精神和范围仅由随附的权利要求书限制。