对比文件名称：2011-12-22_US2011313957A_发明申请_US20110313957A1 DATA PROCESSING APPARATUS, DATA PROCESSING METHOD AND PROGRAM
目标专利名称：971用于参与式感知数据采集的方法和设备CN103581939B
本次调用的模型名称：deepseek-r1
以下是根据目标专利权利要求的技术特征划分，与对比文件进行的特征比对表。
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 (中文翻译) | 公开性论述 |
| 技术特征A：包括：对于多个用户设备中的每个用户设备， | 对比文件[0099]：预测主处理部33包括当前位置节点推定部41和目的地停留地预测部42。表示通过学习部11的学习得到的用户活动模型的参数从用户模型参数存储部12提供给预测主处理部33。<br><br>对比文件[0104]：在图2中，预测系统1包括三个移动终端51-1至51-3和一个服务器52。移动终端51-1至51-3是具有相同功能的同种移动终端51，但移动终端51-1至51-3由不同用户持有。因此，在图2中仅示出了三个移动终端51-1至51-3，但实际上存在与用户数量相对应的数量的移动终端51。 | 对比文件公开了针对多个用户设备（移动终端51-1至51-3）中的每个用户设备的移动历史数据进行处理和预测，但这是分别进行的。目标专利的“对于多个用户设备中的每个用户设备”是后续步骤（计算概率、确定类型、获得效用值）的起始限定，对比文件虽然涉及多个设备，但其处理过程是针对单个用户设备独立进行的，并没有像目标专利那样，为了从多个设备中选择一个或多个而对该多个设备中的每个设备进行并行或系列化的、具有选择目的的同一套计算。该特征仅定义了后续步骤的作用对象，对比文件处理的对象也是每个用户设备，因此该特征被对比文件隐含公开。 |
| 技术特征B：利用所述用户设备的移动历史信息，计算所述用户设备在预定时间位于预定区域的各个子区域的概率 | 对比文件[0080]：学习块11执行学习处理，使用用户的活动历史数据，将用户的活动模型（指示用户行为和活动模式的状态模型）学习为概率状态转移模型。<br><br>对比文件[0100]：当前位置节点推定部41使用从预测预处理部32提供的活动历史数据以及通过学习部11的学习得到的用户活动模型，推定与用户的当前位置对应的状态节点（当前位置节点）。<br><br>对比文件[0101]：目的地停留地预测部42以包括从当前位置节点推定部41推定的当前位置节点能够转移的多个状态节点的树结构，计算到目的地状态节点（目的地节点）为止的节点序列及其发生概率。 |
**论述**：对比文件通过HMM模型对用户移动轨迹建模，利用Viterbi算法等可以计算出用户在特定时刻处于特定状态节点（即子区域）的概率。这与目标专利中利用移动历史信息计算概率的目的和手段在技术原理上是等同的，都是基于历史数据对未来位置的概率性预测。故属于直接公开。 |
| 技术特征C：基于所述用户设备采集感知数据的能力信息，确定当所述用户设备位于所述各个子区域时将要采集的感知数据的类型 | （对比文件全文无相关内容） | 对比文件主要关注基于位置信息的移动预测，完全没有涉及用户设备采集感知数据的能力（如传感器类型）以及基于该能力确定将要采集的数据类型。对比文件处理的数据是用户的位置（经纬度、时间），不涉及“感知数据类型”。该特征是参与式感知数据采集的核心区别之一，对比文件未公开。 |
| 技术特征D：根据针对所述各个子区域所计算的概率以及所确定的感知数据的类型，获得所述用户设备在所述预定区域内的与感知数据采集有关的效用值 | （对比文件全文无相关内容） | 对比文件没有公开任何关于“效用值”的概念。对比文件计算的是到达目的地的“到达概率”和“所需时间”，这些参数用于预测用户行为，而不是衡量用户在某个区域进行感知数据采集的价值或效率。该特征是将概率和数据类型结合以形成用于选择用户设备的量化指标，对比文件未公开。 |
| 技术特征E：基于为所述多个用户设备获得的多个效用值，从所述多个用户设备中选择一个或一个以上用户设备用以参与式感知数据的采集。 | （对比文件全文无相关内容） | 对比文件没有公开从多个用户设备中进行“选择”的过程。对比文件的目标是对单个用户的移动进行预测和建模，不涉及从一群用户中挑选出最合适的参与者来执行某个任务（如数据采集）。对比文件没有效用值，也没有基于效用值进行选择的机制。 |
| 技术特征F：进一步包括：在计算所述概率前，接收并且存储关于所述用户设备在所述各个子区域间移动的位置信息和采集感知数据的能力信息。 | 对比文件[0086]：历史数据蓄积部21蓄积（存储）从传感器装置作为学习数据提供的用户的活动历史数据。<br><br>对比文件[0088]：学习主处理部23将用户的活动历史模型化为用户活动模型。 | 对比文件公开了接收和存储用户设备的位置信息（活动历史数据），但未公开接收和存储“采集感知数据的能力信息”。因此，该特征仅被部分公开。对比文件中接收并存储位置信息，是后续概率计算的基础，这与目标专利中“接收并且存储关于所述用户设备在所述各个子区域间移动的位置信息”的目的和作用相同。对于“采集感知数据的能力信息”，对比文件无任何记载。由于该特征是A+B+C+D+E的组合特征的必要前置步骤，对比文件未公开C，故该特征未被完整公开。 |
| 技术特征G：其中利用所述用户设备的移动历史信息，计算所述用户设备在预定时间位于预定区域的各个子区域的概率包括：根据所述移动历史信息建立马尔可夫链模型，其中所述移动历史信息涉及所述用户设备在所述各个子区域间的位置转移以及在所述各个子区域内的停留时间的统计信息 | 对比文件[0080]：学习块11执行学习处理，使用用户的活动历史数据，将用户的活动模型学习为概率状态转移模型。<br><br>对比文件[0081]：作为用于学习的概率状态转移模型，例如可以采用包括隐藏状态的遍历HMM（隐马尔可夫模型）。预测系统1采用了给遍历HMM施加了稀疏限制的概率状态转移模型。<br><br>对比文件[0132]：遍历HMM是作为结构具有最高自由度的HMM，但若状态数量增加，则难以估计参数λ。 | 对比文件明确公开了利用移动历史信息建立隐马尔可夫模型（HMM），HMM是一种典型的马尔可夫链模型。目标专利的马尔可夫链模型涉及“位置转移”和“停留时间的统计信息”。对比文件的HMM模型同样包括状态转移概率（对应位置转移）和观察概率（其参数如方差可反映停留时间的不确定性）。对比文件[0090-0091]的差异学习过程也体现了对历史数据中已知/未知路径（对应位置转移模式）的处理。因此，建立基于移动历史信息的马尔可夫链模型（HMM）来判断位置转移和刻画停留行为的技术手段在对比文件中被《直接公开》。 |
| 技术特征H：利用所述马尔可夫链模型，计算所述用户设备在所述预定时间位于所述预定区域的各个子区域的概率。 | 对比文件[0101]：目的地停留地预测部42...计算到目的地状态节点（目的地节点）为止的节点序列及其发生概率。<br><br>对比文件[0145]：当前位置节点推定部41将Viterbi算法应用于通过学习得到的用户活动模型（HMM），计算使活动历史数据x=x1, x2, ... xT被观测到的似然性最大的状态转移的路径（状态序列）（最大似然路径）。 | 对比文件公开了在建立HMM后，利用Viterbi算法等计算出状态序列（节点序列）及其发生概率。该概率是在特定时间位于特定状态节点（子区域）的联合概率或边缘概率。这与目标专利中利用马尔可夫链模型计算在预定时间位于各个子区域的概率的技术方案在原理和实现方式上是一致的。因此，该技术特征被对比文件《直接公开》。 |
| 技术特征I：其中根据所述用户设备在移动到的子区域内所能采集的感知数据的类型以及所述子区域内先前已经采集到的、且还未过期的感知数据的类型，确定所述用户设备位于所述子区域时将要采集的感知数据的类型。 | （对比文件全文无相关内容） | 对比文件完全没有公开“感知数据的类型”、“已经采集到的感知数据”、“未过期”等概念。对比文件不涉及数据采集任务的管理，只涉及位置预测。因此，该特征未被公开。 |
| 技术特征J：其中基于为所述多个用户设备获得的多个效用值，从所述多个用户设备中选择一个或一个以上用户设备用以参与式感知数据的采集还包括以下操作之一：将所述多个效用值中的每一个效用值与预定阈值比较 | （对比文件全文无相关内容） | 对比文件没有公开效用值，也没有公开将效用值与预定阈值进行比较的步骤。该特征未被公开。 |
| 技术特征K：将所述多个效用值进行排序。 | （对比文件全文无相关内容） | 对比文件没有公开效用值，也没有公开对效用值进行排序的步骤。该特征未被公开。 |
| 技术特征L：进一步包括：在选择将参与感知数据采集的用户设备后，通知所述用户设备进行所述感知数据采集 | （对比文件全文无相关内容） | 对比文件没有公开选择用户设备进行感知数据采集的过程，因此也不存在选择后通知设备进行采集的步骤。该特征未被公开。 |
| 技术特征M：接收和存储所述用户设备在所述预定区域内采集的感知数据。 | （对比文件全文无相关内容） | 对比文件虽然接收和存储了位置数据（活动历史数据），但这不是所谓的“感知数据采集”的结果。目标专利的感知数据是指温度、湿度等环境数据，而对比文件的数据是GPS位置信息。两者目的和内容完全不同。该特征未被公开。 |
| 技术特征N：其中根据事件、周期或请求来触发所述方法的执行。 | 对比文件[0110]：在学习过程中，一次处理所需的时间非常长，但不需要频繁执行该处理。因此，由于服务器52通常比便携移动终端51具有更高的处理能力，可以使服务器52基于大约每天蓄积一次的活动历史数据来执行学习处理（参数更新）。<br><br>对比文件[0111]：另一方面，预测处理优选实时且快速地执行并显示，以对应于时刻更新的活动历史数据，因此优选在移动终端51中执行。 | 对比文件公开了学习处理可以周期性（每天一次）执行，预测处理可以实时（周期性或基于请求）执行。这揭示了其方法可以基于周期或事件（如新数据到达）来触发。因此，该技术特征被对比文件《隐含公开》。 |
| 技术特征O：其中利用下式来获得所述效用值：其中Uα表示用户设备α的效用值，Li表示第i个子区域，△T表示执行选择用户设备参与感知数据采集的周期， 表示用户设备α在预定时间t位于子区域Li的概率， 表示用户设备α在子区域Li处能够提供的感知数据的类型的集合， 表示子区域Li内记录的、在预定时间t未过期的感知数据的类型的集合。 | （对比文件全文无此公式及相关内容） | 对比文件没有公开任何关于效用函数的计算公式，不涉及感知数据类型集合、未过期感知数据类型集合等概念。该具体的数学公式未被公开。 |
| 技术特征P：其中所述感知数据包括由用户设备采集的涉及所述各个子区域的湿度、温度、空气质量、位置、亮度、震动、声音和场景的至少一种类型的感知数据。 | 对比文件[0079]：在传感器装置（未图示）（例如GPS传感器）中，在预定周期内获得的表示用户在预定时间的位置（纬度和经度）的时间序列数据被提供给学习块11。 | 对比文件仅公开了感知数据为位置数据（纬度和经度），并未提及湿度、温度、空气质量、亮度、震动、声音和场景等其他类型的感知数据。因此，该特征未被对比文件公开。 |
### 综合结论
经过细致比对，对比文件US2011313957A1公开了一种基于移动历史数据和概率模型（HMM）预测用户位置及路径的方法。其核心思想与目标专利中的概率计算部分（技术特征B、G、H）高度吻合，这些特征被直接公开。技术特征N（根据事件、周期或请求触发）被隐含公开。然而，目标专利的核心发明点在于利用用户设备多样化的**感知能力**和**数据时效性**来构建**效用值**，并基于此从**多个用户设备中进行选择**，以优化参与式感知数据采集的成本和效率。对比文件完全没有涉及感知数据类型、能力信息、数据过期、效用值计算以及设备选择等关键概念。因此，目标专利的其余核心特征（C, D, E, F, I, J, K, L, M, O, P）均未被对比文件以任何形式（直接或隐含）公开。
根据指令要求，以下为代码输出：
<<<B>>>
<<<H>>>
<<<n>>>