**对比文件名称**：EP3290869A2_Description_20251229_2146
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：GPT-4
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **A：一种用于事件状态检测的方法** <br>**《直接公开》** | [0005] 根据本发明的第一方面，提供了一种处理公用事业消耗信号的方法，包括：<br>监测输入公用事业消耗信号以寻找幅度的变化；<br>如果检测到变化：<br>提取包括该变化的输入信号的第一部分；<br>提取对应于第一部分的第一组特征；<br>为一个或多个公用事业消耗设备状态变化中的每一个确定事件概率值，该事件概率值或每个事件概率值由第一组特征确定，并且是该信号的第一部分对应于设备状态变化的概率。 | 对比文件公开了一种处理公用事业消耗信号的方法，其核心是监测信号变化、提取特征并确定设备状态变化的概率。该方法整体上是一种“事件状态检测方法”，其检测的事件是“公用事业消耗设备的状态变化”。这与目标专利权利要求1整体上属于“事件状态检测的方法”这一上位概念相同。因此，技术特征A被直接公开。 |
| **B：在计算设备处接收多个传感器信号** <br>**《直接公开》** | [0005] 监测输入公用事业消耗信号以寻找幅度的变化；<br>[0095] 在S101中，接收输入公用事业消耗信号。在这种情况下，输入信号包括输入电流信号i(t)和输入电压信号v(t)。 | 对比文件明确记载了接收输入信号（如电流和电压信号），这些信号源自对建筑物公用事业消耗的监测，可视为来自传感器的信号。接收这些信号是进行处理的前提，这与技术特征B中“接收多个传感器信号”的作用相同，均为后续处理提供数据输入。因此，技术特征B被直接公开。 |
| **C：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率** <br>**《隐含公开》** | [0062] 概率值可以由使用统计模型的分类器确定...分类器可以基于训练数据集进行训练。<br>[0145] 分类器可以基于随机森林分类器、DeepNet算法、XGBoost算法...或这些方法的集成。<br>[0146] 分类器在实施前进行训练。 | 对比文件公开了使用分类器（如随机森林、DeepNet等）基于从信号中提取的特征来确定设备状态变化的概率（即“事件概率值”）。虽然未明确限定为“人工神经网络”，但“DeepNet算法”属于人工神经网络的一种实现方式。此外，对比文件的方法是在检测到信号变化时（即特定“时间区间”）进行概率确定。虽然未明确记载“针对多个时间区间中的每个时间区间”，但其方法流程（持续监测信号，对每个检测到的事件进行处理）必然隐含了针对多个时间区间（即每次事件检测对应的区间）进行概率确定的过程。因此，技术特征C被隐含公开。 |
| **D：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态** <br>**《隐含公开》** | [0032] 根据本发明的第五方面，提供了一种处理公用事业消耗数据的方法，包括：<br>获得公用事业消耗信号第一部分的可能设备状态变化列表和对应的事件概率值...<br>生成一个或多个房屋状态模型...<br>计算每个房屋状态模型的房屋状态概率值...<br>[0343] 上述结合图9和10描述的方法基于贝叶斯时间序列方法，例如因子隐马尔可夫模型(FHMM)。 | 对比文件公开了在获得设备状态变化的概率列表后，使用概率模型（如因子隐马尔可夫模型，FHMM）来生成和更新“房屋状态模型”，并计算每个模型的概率。这个过程实质上是基于子事件（单个设备状态变化）的概率，通过一个状态序列模型（FHMM）来推断更宏观的、持续的系统状态（房屋内所有设备的组合状态）。这与技术特征D“基于子事件状态的概率经由状态序列模型来检测事件状态”在技术手段和作用上相同，都是利用概率序列模型进行高层状态推断。因此，技术特征D被隐含公开。 |
| **E：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。** <br>**《隐含公开》** | [0032] ...生成一个或多个房屋状态模型，其中房屋状态模型包括存储的信息，指示每个设备的状态，并且如果设备处于活动状态则指示该设备的状态持续时间，其中生成一个或多个房屋状态模型包括更新一个或多个现有房屋状态模型以反映一个或多个设备中的每一个的每个允许的状态变化；<br>计算每个房屋状态模型的房屋状态概率值... | 对比文件描述的“房屋状态模型”记录了各个设备的状态及其持续时间，并通过概率更新来反映状态变化序列。模型基于输入的子事件概率列表，推断出最可能的状态演变历史（即子事件状态的序列）。这隐含了基于概率确定来检测子事件状态序列的过程。因此，技术特征E被隐含公开。 |
| **F：检测所述事件状态包括检测用户进入交通工具。** <br>**《未公开》** | 无相关记载。 | 对比文件涉及的是建筑物内公用事业消耗设备（如微波炉、洗衣机）的状态检测，其应用场景和技术问题与“检测用户进入交通工具”完全不同。对比文件既未提及交通工具，也未涉及用户移动或进入动作的检测。因此，技术特征F未被公开。 |
| **G：所述多个传感器信号包括音频信号和至少一个运动传感器信号。** <br>**《未公开》** | [0095] ...输入信号包括输入电流信号i(t)和输入电压信号v(t)。 | 对比文件明确记载其处理的信号是公用事业消耗信号，具体为电流和电压信号，属于电力参数信号。它不涉及音频信号，也不涉及任何运动传感器（如加速度计、陀螺仪）产生的信号。因此，技术特征G未被公开。 |
| **H：如权利要求3所述的方法，其中，所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。** <br>**《未公开》** | 无相关记载。 | 基于对技术特征G的分析，对比文件不涉及任何运动传感器信号，因此更不可能公开加速度计、陀螺仪或磁力计信号。技术特征H未被公开。 |
| **I：所述多个传感器信号包括运动传感器信号。** <br>**《未公开》** | 无相关记载。 | 同技术特征G、H的分析，对比文件不涉及运动传感器信号。技术特征I未被公开。 |
| **J：所述多个传感器信号包括音频信号。** <br>**《未公开》** | 无相关记载。 | 同技术特征G的分析，对比文件不涉及音频信号。技术特征J未被公开。 |
| **K：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。** <br>**《未公开》** | [0145] ...诸如随机森林分类器、DeepNet算法、XGBoost算法...<br>[0240] ...基于随机森林(RF)和深度神经网络(DNN)或这些集合的算法...<br>[0143] ...使用卷积神经网络对提取的图作为图像进行训练。 | 对比文件提及了多种分类器，包括DeepNet（一种深度神经网络）和卷积神经网络（CNN），用于对从信号中提取的特征（如图像形式的特征）进行分类。然而，对比文件并未公开“针对每个传感器信号使用CNN确定状态概率，然后再用DNN融合这些概率”这一特定架构。其描述的分类器应用是直接对融合或整体特征进行分类，或用于特定特征（如图像）的分类，未体现权利要求K中所述的先分后合的特定融合流程。因此，技术特征K未被公开。 |
| **L：所述CNN包括三个神经网络层。** <br>**《未公开》** | 无相关记载。 | 对比文件虽然提到了CNN，但未具体描述其网络结构，尤其是层数。因此，技术特征L未被公开。 |
| **M：所述DNN包括单个神经网络层。** <br>**《未公开》** | 无相关记载。 | 对比文件虽然提到了DNN，但未具体描述其网络结构，尤其是层数。因此，技术特征M未被公开。 |
| **N：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。** <br>**《直接公开》** | [0343] ...上述结合图9和10描述的方法基于贝叶斯时间序列方法，例如因子隐马尔可夫模型(FHMM)。<br>[0347] ...该方法是基于因子隐半马尔可夫模型(FHSMM)... | 对比文件在详细描述其概率模型时，明确指出了其使用的是因子隐马尔可夫模型(FHMM)或因子隐半马尔可夫模型(FHSMM)。这直接公开了技术特征N中限定的状态序列模型类型。 |
| **O：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。** <br>**《隐含公开》** | [0032] ...房屋状态模型包括存储的信息，指示每个设备的状态，并且如果设备处于活动状态则指示该设备的状态持续时间...<br>[0347] ...该方法生成状态存活或改变的概率，通过参考存储的存活曲线...该曲线模拟设备在给定其处于该活动状态的持续时间的情况下改变状态的机会。 | 对比文件的“房屋状态模型”明确包含了设备状态的“持续时间”信息。其概率模型（FHSMM）在计算状态转移和存活概率时，明确考虑了设备处于当前状态的持续时间。这意味着对宏观事件状态（房屋整体状态）的检测，是基于子事件（设备状态变化）的序列以及每个子事件状态的历时（持续时间）来进行的。这与技术特征O所描述的作用相同。因此，技术特征O被隐含公开。 |
| **P：所述子事件状态的序列包括含15个子事件状态的序列。** <br>**《未公开》** | 无相关记载。 | 对比文件未对其模型中的子事件状态数量进行任何具体限定，更没有提及“15个”这一特定数量。因此，技术特征P未被公开。 |
| **Q：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。** <br>**《隐含公开》** | [0201] 所有设备都根据分类器置信度输出向量获得事件概率值...<br>[0202] ...具有最高概率的设备状态变化...被简单地作为最终输出从系统输出。<br>[0312] ...输出最可能的状态... | 对比文件中，分类器输出事件概率值，而概率模型（状态序列模型）计算出每个“房屋状态模型”的概率值（即置信水平）。系统最终输出的是最可能的状态或状态历史，这隐含了基于概率（置信水平）进行判断和决策的过程。虽然未明确记载“超过阈值时检测到”的步骤，但选择“最可能”的状态本质上等同于设定了一个相对的置信阈值（即选择概率最高者）。因此，技术特征Q被隐含公开。 |
| **R：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。** <br>**《直接公开》** | [0005] ...提取对应于第一部分的第一组特征；确定一个或多个公用事业消耗设备状态变化中的每一个的事件概率值，该事件概率值或每个事件概率值由第一组特征确定...<br>[0132] 在S104中，从第一部分中提取第一组特征... | 对比文件明确且反复地记载了从输入信号（如电流、电压信号）中提取特征（第一组特征），并基于这些提取的特征来确定设备状态变化的概率（即子事件状态的概率）。这与技术特征R的描述完全一致。因此，技术特征R被直接公开。 |
| **S：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。** <br>**《未公开》** | [0073] ...系统可以是IoT设备。<br>[0354] ...该方法可以在IoT设备上实现。 | 对比文件提到系统可以是“IoT设备”，这是一个相对宽泛的概念，可能包括但不限于可穿戴设备或移动设备。更重要的是，对比文件的传感器信号来源于建筑物的公用事业总消耗（如总电流、电压），这些传感器是固定安装在电力线路上的，而非来自可穿戴或移动设备自带的传感器。因此，技术特征S未被公开。 |
| **T：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。** <br>**《未公开》** | 无相关记载。 | 对比文件未提及对其接收的多个信号（如多相电流、电压）进行“时间同步”处理。其方法描述中，信号是作为时间序列自然接收和处理的，未强调同步问题。因此，技术特征T未被公开。 |
| **U：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。** <br>**《未公开》** | 无相关记载。 | 基于技术特征T未被公开，且对比文件本身也未提及“重采样”以统一采样率的步骤。因此，技术特征U未被公开。 |
| **V：基于对所述事件状态的检测来执行动作。** <br>**《隐含公开》** | [0077] 智能电表可以包括...公用事业中断通知装置、以及用于建筑物等单元的公用事业质量监测装置。<br>[0201] ...输出用于输出与信号变化相对应的多个设备的状态变化相关的信息的输出。 | 对比文件描述的系统（如智能电表）具有输出模块，用于输出设备状态变化信息。这种“输出信息”可以视为一种“动作”，例如通知用户或触发其他系统。虽然未明确列举具体动作，但基于检测结果执行输出/通知动作是该类系统的常规和隐含目的。因此，技术特征V被隐含公开。 |
| **W：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。** <br>**《未公开》** | 无相关记载。 | 对比文件输出的信息是关于家用电器状态的，其可能执行的动作是显示这些信息或发送通知。它完全不涉及“激活导航系统”、“向交通工具传送指示”等与交通工具相关的特定动作。因此，技术特征W未被公开。 |
| **X：所述多个传感器信号包括至少两种不同类型的传感器信号。** <br>**《直接公开》** | [0008] ...输入公用事业消耗信号包括多个对应信号，例如输入电流信号、对应电压信号以及由电流和电压信号生成的对应实功、视在功和无功功率信号。<br>[0095] ...输入信号包括输入电流信号i(t)和输入电压信号v(t)。 | 对比文件明确记载其处理的信号至少包括电流信号和电压信号，这是两种不同类型的电信号。此外，还提到由它们衍生出的实功、视在功、无功功率信号。这满足了“包括至少两种不同类型的传感器信号”这一特征。因此，技术特征X被直接公开。 |
<<<A>>><<<B>>><<<N>>><<<X>>>
<<<c>>><<<d>>><<<e>>><<<o>>><<<q>>><<<r>>><<<v>>>