一种用于感知数据采集的方法，包括： 对于多个用户设备中的每个用户设备，； 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； 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；以及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；以及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。

你好。作为一名专业的专利代理师，我将针对你提供的目标专利说明书和对比文件，为你进行详细的权利要求解读与对比文件侵权/无效特征比对分析。

以下是针对目标专利权利要求1，特别是**技术特征C**的详细比对与分析报告。

---

### 一、 权利要求1及技术特征C的说明书解读

**权利要求1的整体逻辑**：

权利要求1要求保护一种用于参与式感知数据采集的方法，其核心目的是从多个用户设备（UE）中高效地选择出合适的设备来执行数据采集任务，以降低网络资源消耗和采集成本。其执行逻辑为：预测位置（特征B） $\rightarrow$ **确定采集类型（特征C）** $\rightarrow$ 计算效用值（特征D） $\rightarrow$ 选择设备（特征E）。

**技术特征C的深度解读**：

> **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。

结合目标专利说明书，该特征的实质含义如下：

1. **能力信息（前提）**：说明书`[0059]`段明确指出，“能力信息即指用户设备能够感知或采集哪些类型的数据，这通常由用户设备配备的传感器的类型来确定”。

2. **确定数据类型（动作）**：说明书`[0060]`段给出了具体实施方式：“根据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来确定将要采集的感知数据的类型”。例如，设备支持温湿度采集，如果目标子区域温度数据未过期而湿度数据已过期，则系统将“确定”该设备在该子区域采集“湿度”类型的数据。

3. **在方案中的作用**：该特征起到了“过滤”与“匹配”的作用。它将设备自身的硬件能力与子区域的实际数据需求相结合，为后续特征D（计算效用值）提供了关键的变量基础。

---

### 二、 对比文件技术特征比对分析

为方便表述，下文将使用以下简称：

* **D1**：`US20030005030A1` (Reconfigurable autonomous device networks)

* **D2**：`US20090327478A1` (SELECTION OF SENSORS FOR MONITORING PHENOMENA CONSIDERING THE VALUE OF INFORMATION AND DATA SHARING PREFERENCES)

#### 1. D1 (US20030005030A1) 分析

**检索目标**：D1是否公开了“基于设备采集能力信息，确定其位于子区域时将要采集的感知数据类型”。

**原文考证**：

* D1的`[0059]`段提到了设备具有传感器单元（Sensor unit 510），用于接收环境信号（如RF、IR、光学、声学等）。

* D1的`[0076]`段提到了子区域和任务分配：“Networks may be divided up into sub-regions and each region assigned to a subset... Alternately, subsets of devices can be assigned to parallel tasks to collect information regarding different types of environmental signals.”（网络可以被划分为子区域，每个区域分配给一个子集……或者，设备的子集可以被分配到并行任务中，以收集关于不同类型环境信号的信息。例如，一个子集处理红外信号，另一个处理雷达或可见光信号）。

**侵权/无效判定**：

**D1并未实质公开技术特征C。** D1公开了将设备划分为不同子集，并针对不同类型的信号（如红外、雷达）分配特定的设备子集去不同子区域执行任务。这是一种“基于任务预先分配专用设备”的逻辑，而非目标专利中“获知一个多功能设备的能力后，动态确定该设备在特定子区域应该开启哪种采集类型”的逻辑。D1缺乏对“能力信息”的评估以及基于此在子区域内动态“确定采集类型”的具体动作。

#### 2. D2 (US20090327478A1) 分析

**检索目标**：D2是否公开了“基于设备采集能力信息，确定其位于子区域时将要采集的感知数据类型”。

**原文考证**：

* D2的`[0027]`段公开了现实世界中存在多种传感器，如“GPS sensors, temperature sensors, acceleration sensors...”（GPS传感器、温度传感器、加速度传感器等）。

* D2的`[0028]`段公开了基于信息价值（VOI）选择传感器：“selector component 112 selects one or more sensors from the list of sensors 106 from which to request data based at least in part upon the VOI...”

* D2的`[0060]`段提到了确定特定片段（子区域）的VOI并请求数据：“a value of information for receiving data with respect to a particular segment... is determined... data is requested from at least one sensor... based at least in part upon the determined value of information and preferences”。

**侵权/无效判定**：

**D2并未实质公开技术特征C。** D2的核心逻辑是“系统缺少什么数据（需求/VOI） $\rightarrow$ 寻找能提供该数据的传感器 $\rightarrow$ 考虑隐私偏好后发出请求”。D2中列出了不同类型的传感器，隐含了系统知道这些传感器提供什么数据，但其并未公开“针对一个用户设备，评估其综合采集能力信息，并借此确定该设备到达某子区域时应当采集何种特定类型的数据”。D2是“因需求找设备”，而技术特征C是“看设备能力定任务”，两者的技术手段和逻辑起点存在明显差异。

#### 3. D1与D2的组合分析

**判定结果：D1与D2的单独或组合均未毫无疑义地公开或实质公开技术特征C。**

**理由**：

即使将D1（将特定传感器设备分配到特定子区域）与D2（基于信息价值和偏好在特定路段/区域选择传感器）结合，本领域技术人员也无法直接推导出技术特征C。

技术特征C的精髓在于**动态的类型匹配**（例如目标专利说明书`[0060]`段记载的：设备支持A和B，子区域缺B不缺A，因此确定采集B）。D1是静态的专用设备分配，D2是基于全局需求反向筛选单一类型的传感器（如筛选GPS测速度）。两者均未教导“获取用户设备的综合感知能力信息，并根据其移动到的子区域的状况，主动为该设备确定一种或多种将要采集的数据类型”这一技术方案。因此，该特征具备新颖性和创造性空间。

---

### 三、 技术特征比对表格

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书的公开内容，对权利要求1进行深入的法律与技术解释，并结合对比文件D1（US20030005030A1）和D2（US20090327478A1）的原文进行逐项特征比对及创造性分析。

---

## 一、 结合目标专利说明书解释权利要求1

目标专利解决的核心技术问题在于：在集中式参与式感知数据采集系统中，如何**有效地选择合理数目的用户设备**（UE）参与数据采集，从而在**降低感知数据采集成本和网络资源消耗**的同时，**最大化地理覆盖范围和感知能力**（说明书\[0004\]-\[0005\]）。

### 1. 整体技术方案的内在逻辑

权利要求1构建了一个基于“历史移动轨迹预测”与“动态感知能力/需求匹配”的**双维度效用评估机制**：

* **空间与时间维度（特征B）**：利用移动历史信息，通过马尔可夫链等模型（说明书\[0009\]），预测用户设备在**未来预定时间**出现在各个**细分非均匀子区域**的概率。这解决了“设备在什么时间大概率会去哪”的问题。

* **感知能力与需求维度（特征C）**：不是机械地看设备有什么传感器，而是结合“子区域内先前已采集且未过期的数据”这一环境上下文，动态确定“该设备在这个子区域**真正需要且将要采集**的感知数据类型”（说明书\[0010\], \[0060\]）。这解决了“设备去了之后能贡献什么新鲜数据”的问题。

* **效用最大化决策（特征D、E）**：将上述概率值与数据类型数进行复合计算（如说明书\[0014\]的效用函数公式），量化为单一指标（效用值），最终实现按需精简选择设备（说明书\[0011\]）。

---

## 二、 特征比对表格

为了清晰展现各对比文件的公开情况，以下给出技术特征比对表。

---

## 三、 最接近的对比文件（D1 vs D2）分析

在创造性分析中，**对比文件2（D2）最适合作为最接近的对比文件（D0）**。原因如下：

1. **技术领域完全相同**：目标专利与D2均属于**集中式参与式感知（Participatory Sensing）或众包传感器数据采集领域**。它们的核心对象都是日常消费级用户设备（智能手机、车载导航等），都需要平衡用户侧的隐私/资源开销（本专利提及的报酬成本，D2提及的隐私和电量开销）。而D1属于**军用/工业自主无人工具网络（AV）及神经网络控制领域**，其设备是专门部署的无人机/无人车，不属于“参与式感知”范畴。

2. **解决的技术问题相同**：目标专利与D2均旨在解决“**如何从大量不可控的用户设备中，选择最合适、最经济的设备来采集数据，避免数据冗余和资源浪费**”的问题。而D1解决的是“如何通过多机协作调整物理位置以跟踪、消灭物理目标”。

3. **技术特征覆盖度最高**：如特征比对表所示，D2毫无疑问或实质公开了权利要求1中除具体计算公式外的**绝大部分核心架构特征**（特征A、B、C、D、E），特别是本专利赖以立足的“历史轨迹位置预测（特征B）”和“结合概率与区域价值计算效用/VOI（特征D）”在D2中均有对应的技术方案（D2中\[0057\]的历史分布估计以及\[0045\]的公式 $F(B)=E_A[R(A)]$）。相比之下，D1完全缺失了特征B和特征D。

---

## 四、 结合D2与其他对比文件的创造性评述

### 1. 结合方式：D2 + 公知常识（或D1）

若将D2作为最接近的对比文件：

* **被D2公开的特征**：特征A、B、C、D、E的核心逻辑均已被D2公开。

* D2明确公开了利用历史查询和位置信息，估计每个设备随时间变化的可用性空间分布（对应特征B：利用移动历史信息计算位于子区域的概率）。

* D2公开了根据传感器类型和区域减少不确定性的需要来选择数据类型（对应特征C）。

* D2公开了利用预期需求加权方差削减来量化信息价值 $F(B)$（对应特征D：根据概率和类型获得感知有关的效用值）。

* D2公开了选择组件（Selector）依据该价值选择传感器进行数据请求（对应特征E）。

* **未被最接近对比文件（D2）公开的特征（微弱区别特征）**：

本专利权利要求1在文字表述上与D2唯一的微弱区别在于，本专利将该效用评估具体表述为“*根据针对各个子区域所计算的概率以及所确定的感知数据类型，获得效用值*”。

### 2. 区别特征的实质

然而，深入分析D2的说明书第\[0044\]-\[0045\]段可以发现，D2的期望信息价值函数 $F(B)=E_A[R(A)]$，其中的期望（$E_A$）就是基于传感器在空间区域 $A$ 的**可用性概率分布**进行计算的，而 $R(A)$ 本身就是基于特定区域 $s$ 的数据流需求和方差削减（即**感知数据类型及价值**）进行求和的。

因此，权利要求1所限定的方法，本质上只是将D2中已经公开的“空间概率分布”与“区域数据价值（VOI）”的联合评估过程，引入了具体的感知计算语境。这种转移动作对于本领域技术人员而言，在D2给出了明确的数学框架和应用逻辑的前提下，只是**常规的方案设计或等同变换**，并没有带来意料之外的技术效果。

---

## 五、 无效请求方最薄弱的技术特征（即专利所有人的防线）

如果我是无效请求方（或者反过来，站在代理师角度为专利权人筑防），本案中**对于请求方而言最薄弱、最难攻破的技术特征（即目标专利最强的防线）**在于：

> **特征C中隐藏的、并在说明书\[0010\]及效用函数（特征D的具体体现）中固化的“基于子区域内先前已经采集到的、且还未过期的数据类型”来“动态确定将要采集的数据类型”这一内涵。**

### 法律与技术理由：

1. **权利要求书的解释空间**：虽然权利要求1文字较为简化（“*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*”），但根据《专利法实施指南》，权利要求应当结合说明书及附图进行解释。

2. **说明书的实质贡献**：目标专利说明书\[0010\]及效用函数公式（说明书\[0014\]-\[0016\]）中明确指出，确定数据类型是通过集合模运算：

$$\Gamma_{L_i} \setminus \Psi_{L_i}(t)$$

即**【设备能采集的类型集合】 $\setminus$ 【该子区域记录的未过期的类型集合】**。

这意味着，本专利的“确定感知数据类型”是一个**引入时间轴的环境动态去重机制**——即使设备具备采集温度的能力，如果该区域刚刚有人采集过且未过期，系统也会把温度类型“剔除”，确定为不采集。

3. **D2的对抗盲区**：D2虽然提到了“降低空间上的方差不确定性（Variance Reduction）”，也提到了限制用户每月上传次数，但其并没有公开**在服务器端针对每一个细分地理子区域，实时维护一个带有动态“过期时间（Expiration）”的数据类型矩阵**，并用其去动态裁剪、定制单个移动设备进入该区域时的感知任务。

4. **诉讼策略提示**：如果请求方仅仅用D2的“根据需求确定类型”来生搬硬套对抗特征C，专利权人极易通过**结合说明书进行限缩解释**，抗辩本专利具有“动态时间去重、精确控制感知冗余、极其精细化降低能耗”的独特技术效果，从而维持创造性。

### 请求方的应对补救建议：

为了攻克这一薄弱点，无效请求方**绝不能仅依赖目前的D1和D2**。必须启动补充检索，重点检索**“时间驱动的无线传感网数据生命周期管理（Data Expiry in WSN）”**或**“带有生存期（TTL/Time-to-Live）的感知众包空间任务分配”**相关的背景技术文献，作为D3/D4。通过证明“在子区域中剔除未过期数据类型属于感知网领域的常规去重手段（公知常识）”，配合D2的主架构，方能彻底破坏该专利的创造性。

# 技术特征C的对比文件公开性分析报告

**致：** 审查员 / 专利所有权人

**关于：** 目标专利（CN103581939B）权利要求1中技术特征C的公开性分析

作为一名经验丰富的专利代理师，我紧密结合目标专利说明书的整体发明构思与语境，对权利要求1中的**技术特征C**进行了深入的法律与技术分析。现结合三份对比文件（D1、D2、D3）的原文及详细出处，做出如下专业分析意见。

---

## 一、 目标专利技术特征的准确理解

### 1. 权利要求1的架构与特征分解

目标专利权利要求1保护一种用于感知数据采集的方法，其技术特征分解如下：

* **技术特征A**：包括：对于多个用户设备中的每个用户设备，

* **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；

* **技术特征C（目标特征）**：**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；**

* **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；

* **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。

### 2. 结合说明书对技术特征C的内涵解析

根据目标专利说明书背景技术`[0004]`以及具体实施方式`[0037]`、`[0059]`、`[0060]`的记载：

* **“能力信息”的本质**：是指用户设备自身硬件所配备的传感器类型（如温度、湿度、空气质量、亮度、震动等），即该设备**“能够”**采集何种数据（参见说明书`[0059]`）。

* **“确定将要采集的感知数据类型”的机制**：这是一种**协同和去冗余的控制机制**。它不仅看设备“能”采集什么，还要结合该子区域的历史数据状态。说明书`[0060]`明确举例：“当支持温度和湿度感知数据采集的用户设备移动到……温度数据还未过期，但湿度数据已经过期的子区域时，则可以确定该用户设备将采集湿度类型的感知数据”。

* **语境约束**：该特征处于“参与式感知数据采集”的群智感知（Crowdsensing）语境下，由“中央数据服务器（感知数据代理）”根据候选设备的能力和时空匹配度，动态指导设备“在特定子区域将要采集什么类型的数据”，其核心目的是**降低感知成本、避免同一区域的数据冗余、解决设备感知能力受限的问题**（参见说明书`[0004]`、`[0044]`）。

---

## 二、 对比文件特征比对表格

为了清晰展现各对比文件与目标专利权利要求1（特别是特征C）的对应关系，特制备如下特征比对表。各对比文件的公开号指代关系如下：

* **D1**：US20110313957A1

* **D2**：US8140658B1

* **D3**：CN101610567B

---

## 三、 针对技术特征C的公开性详细评述

### D1 (US20110313957A1) 分析：毫无疑问未公开

* **D1的技术实质**：D1的核心发明在于一种数据处理设备和方法，其利用隐马尔可夫模型（HMM）学习用户的移动历史数据（时间、经度、纬度的三维数据），从而在差分学习中能够加入“未知路径”的拓扑节点，最终实现对用户未来“目的地、经停点、到达概率、所需时间”的预测（参见D1摘要、`[0008]`、`[0079]`）。

* **关于特征C的审查结论**：D1的整个技术方案完全聚焦于“位置和轨迹预测”这一移动性管理本身。D1中采集的数据只有“GPS位置+时间”，**根本不存在“异构感知能力信息”的概念**，更没有“根据设备位于某个子区域去动态确定、分配其应当采集何种传感器数据类型（如温湿度、空气质量等）”的任何教导或暗示。因此，D1既没有单独、也没有与其它特征组合毫无疑问地公开技术特征C。

### D2 (US8140658B1) 分析：未实质公开

* **D2的技术实质**：D2公开了一种无线集成网络传感器（WINS NG）架构，强调微传感器、低功耗信号处理、低cost无线网络在环境监控中的应用。

* **关于特征C的原文比对**：

* D2在【0008】中提到：“...both the communications and signal processing parameters can be negotiated between the master and the sensor nodes. Further, ... fusion of data across multiple types of sensors is possible in one node...”（两向通信允许主节点与传感器节点协商通信和信号处理参数，允许在一节点内融合多种类型的传感器数据）。

* D2在【0086】和【0025】中提到，传感器网络包含异构元素（heterogeneous elements），可以由不同类型的传感器节点组成，且整个网络可视为分布式活动数据库。

* **代理师合理解释与评述**：

虽然D2提到了节点具有“不同的传感器类型（异构性）”，且主节点可以与子节点“协商信号处理参数”，但D2的立足点是**传统的静态无线传感器网络（WSN）**（节点位置通常固定或随机散落，如【0009】所述的自组网）。D2的控制逻辑是“主节点根据需求调配现有的传感器数据”，其既**没有**“利用设备的移动历史信息预测其未来的子区域位置概率”（特征B），更**不可能存在**“基于这种子区域位置预测，去动态确定该设备移动到该子区域时‘将要采集的数据类型’”这一联锁控制特征。D2提及的异构性属于网络架构的泛泛描述，并未公开特征C所设定的动态确定感知数据类型的具体技术方案。

### D3 (CN101610567B) 分析：毫无疑问未公开

* **D3的技术实质**：D3公开了一种基于无线传感器网络的动态群组调度方法，主要用于“移动目标跟踪”。其核心逻辑是：目标移动时，唤醒离目标最近的M个静态传感器节点组成动态群组G，并在群组内通过代价函数（兼顾能量和预测精度）调度下一时刻哪个节点作为工作任务节点（参见D3说明书`[0006]`-`[0009]`）。

* **关于特征C的审查结论**：

* **主客体颠倒**：目标专利权利要求1中移动的是“用户设备（感知主体）”，计算的是感知主体自身去往各子区域的概率。而D3中移动的是“目标（被感知客体）”，拓扑网络中的传感器节点本身是静态部署的（参见D3说明书`[0078]`：“在100米×100米的区域内随机地分布着50个传感器节点”）。

* **缺乏能力与类型的对应**：D3群组内的传感器节点其感知功能是固定且均一的（皆为跟踪目标位置的传感器，如D3说明书`[0078]`所述的距离测量函数）。群组调度的目的是为了节能和提高位置跟踪精度，不涉及、也不需要“基于节点感知能力去确定将要采集的数据类型”。D3完全没有公开特征C。

---

## 四、 结论与总结意见

根据上述比对分析，本代理师认为：

1. **单独公开性**：对比文件D1、D2、D3中的任何一篇，均**没有单独**毫无疑问地公开或实质公开目标专利权利要求1中的技术特征C。

2. **组合公开性**：技术特征C将“设备感知能力”与“预测的子区域数据状态”进行了有机的时空关联，构成了参与式群智感知中独特的去冗余采集机制。D1仅解决了纯粹的轨迹预测（不含感知能力分配）；D2仅提到了传感器节点的异构性和参数协商（不含位置预测动态触发机制）；D3仅涉及静态节点对移动目标的跟踪调度。**将D1、D2、D3进行组合，也无法拼凑出技术特征C所述的“基于能力信息确定当位于各个子区域时将要采集的感知数据类型”的技术教导。**

综上所述，目标专利权利要求1的技术特征C具有明显的突出的实质性特点和显著的进步，对比文件D1、D2、D3单独或组合均未实质公开技术特征C。

作为一名经验丰富的专利代理师，我将为您对目标专利进行深度权利要求解析。本次分析将完全基于对比文件的原文，严格杜绝任何虚构与幻觉，通过精细化的特征比对与最接近对比文件的选定，为您理清无效请求中的关键切入点。

---

## 一、 目标专利权利要求1的合规与原意解析

在结合目标专利说明书（`CN103581939B`）对权利要求1进行深入剖析后，各个技术特征的真实法律边界与技术内涵界定如下：

* **技术特征A（主题/前序）：** 属于典型的参与式感知（Participatory Sensing）架构。说明书第`[0003]`段指出，其本质是“集中式的方式”，由分布式用户设备采集数据并通过无线链路报告给中央数据服务器（即感知数据代理）。

* **技术特征B（位置预测）：** 其技术实质通过说明书第`[0009]`、`[0053]`段得到明确限定，即必须基于历史轨迹“构建齐次马尔可夫链模型”，通过状态转移概率矩阵 $P$ 和停留时间概率矩阵 $R$ 来联立计算“未来预定时间段位于某个子区域的概率”。

* **技术特征C（能力/类型确定）：** 该特征具有特定限制条件。说明书第`[0010]`、`[0037]`、`[0060]`段进行了实质限定，即确定将要采集的数据类型时，不仅看用户设备自身的传感器能力，**还必须考虑该子区域内先前记录的数据是否已经过期**。若未过期则不采集，以此消除数据冗余。

* **技术特征D（效用值计算）：** 效用值并非主观评分，而是具有严格数学定义的数值。说明书第`[0014]`、`[0063]`段给出了明确的效用函数公式，它是将预测概率与动态确定的非过期感知数据类型集合进行模运算及求和后得到的定量化定量指标。

* **技术特征E（设备选择）：** 属于典型的任务指派决策。说明书第`[0011]`段指出，通过对计算出的效用值进行“与预定阈值比较”或“排序”，从而挑选出“合理/合适数目”的设备。其技术效果如第`[0025]`段所述，是为了在降低数据采集成本（向用户支付报酬）的同时，最小化网络资源消耗。

---

## 二、 对比文件技术特征实质公开情况分析

针对三份对比文件，逐一检索其原文，严格比对权利要求1的特征公开情况：

### 1. 对比文件D1（US20110313957A1）

* **整体解决的技术问题：** 如何在获取未知路线的移动历史数据时，简单地进行增量/差分学习（Difference Learning），避免拓扑结构无法扩展以及更新整个模型耗时过长的问题。

* **对特征B的公开情况：** 实质公开。其原文第`[0003]`、`[0008]`段明确提及利用用户移动历史数据（Movement History Data）表达为一种概率状态转移模型（Probabilistic State Transition Model），并使用该模型来预测用户在未来预定时间（After a predetermined time）的目的地（Location/Destination Node）及到达概率（Arrival Probability）。其具体模型在第`[0081]`段指出采用了隐马尔可夫模型（HMM）。

* **对特征C、D、E的公开情况：** **均未公开**。D1完全聚焦于用户自身的轨迹行为预测和模型演进，根本不涉及“感知数据采集的能力信息”、“感知数据类型”、“效用值”以及“从多个用户设备中进行选择指派”的任何内容。

### 2. 对比文件D2（US8140658B1）

* **整体解决的技术问题：** 传统的军用或工业传感器网络通常只向上单向传输原始数据，导致能量和带宽极度浪费。D2旨在构建一种具有分布式信号处理能力的无线集成网络传感器（WINS）网络，通过节点与主控间的双向通信及参数协商，减少通信流量和降低整体功耗。

* **对特征A、C、E的公开情况：** 实质公开。

* 对于**特征A**，原文第`[0008]`、`[0025]`、`[0086]`段公开了大量传感器节点（Sensor Nodes）与网关、服务器组成的分布式网络架构。

* 对于**特征C**，原文第`[0008]`、`[0045]`段公开了“两路通信允许节点与主控之间对通信和信号处理参数进行协商（negotiated）”，且节点包含多种类型的传感器（如地音、红外、地磁、相机等），能够根据主控的要求或自身剩余资源，对不同的感知功能模块（Sensor, Processing, and Radio Boards）进行切、换、插、拔，从而确定采集什么类型的数据。

* 对于**特征E**，原文第`[0014]`、`[0015]`、`[0086]`段公开了“数据融合中心（Fusion Center）”或网关能够根据应用需求、能量成本等参数，在 peer-to-peer 扁平网络中调度和选择一个或多个节点参与联合协作感知（如Beamforming或Data Fusion）。

* **对特征B、D的公开情况：** **均未公开**。D2在调度节点时基于的是当前的静态位置或静态拓扑关系，完全没有涉及“利用移动历史信息计算用户设备在未来位于各个子区域的概率”以及“计算效用值”。

### 3. 对比文件D3（CN101610567B）

* **整体解决的技术问题：** 解决现有无线传感器网络节点调度方法中，未考虑能量与精度动态折衷、未限制调度范围以及无法满足实时跟踪需求的问题。

* **对特征A、B、C、D、E的公开情况：**

* **特征A：** 毫无疑问公开。说明书第`[0006]`段步骤1）和步骤2）中均明确指出了系统中存在“多个传感器节点（对应用户设备）”。

* **特征B：** 毫无疑问公开。说明书第`[0006]`段步骤1）、步骤2）及第`[0039]`-`[0051]`段明确指出：任务传感器节点“运用状态估计方法（如卡尔曼滤波、扩展卡尔曼滤波EKF等）来预测移动目标的位置和速度”，并且在当前时刻，以移动目标的位置为参考，预测和计算各传感器节点（即子区域）在下一时刻距离目标位置的远近概率并形成群组集合。

* **特征C：** 实质公开。说明书第`[0006]`段步骤3.1）、3.2）及第`[0013]`段公开了：群组集合G内包含了传感器节点的位置、能量以及传感器节点的标识号等信息；当前节点会根据对精度的要求以及当前节点支持的测量函数、硬件模块，确定这些节点是否满足当前的跟踪任务需求，从而确定其采集感知数据的类型。

* **特征D：** 毫无疑问公开。说明书第`[0064]`-`[0066]`段直接公开了代价函数公式：

$$J(j, \Delta t_k) = w \cdot \frac{1}{\sigma_j^2(k+1|\Delta t_k)} + (1-w) \cdot \frac{\Delta t_k}{E(i,j)}$$

其中明确将“预测精度”与“采样期间的平均能量消耗”进行加权平均作为代价函数（即对应的效用值）。其计算完全依赖于针对各个节点（子区域）所计算的预测概率（精度）及确定的数据类型（能量模型对应的处理位数 $b$）。

* **特征E：** 毫无疑问公开。说明书第`[0006]`段步骤3.1）、3.2）及第`[0068]`-`[0073]`段公开了：基于为多个节点计算出来的代价函数值，通过“使代价函数值最小”的原则或“排序”，从中选择一个或一个以上节点作为下一时刻的任务传感器节点（工作节点）参与移动目标的跟踪感知数据采集。

---

## 三、 权利要求1与对比文件的特征比对表格

为了清晰展现公开性比对结果，特制作以下技术特征比对表：

---

## 四、 最接近对比文件的选定与创造性评述

### 1. 最接近对比文件的选定

在创造性分析过程中，**对比文件D3（CN101610567B）最适合作为本案最接近的对比文件**。

* **技术领域完全相同：** 二者均属于无线传感器网络（感知网络）资源分配与节点调度/选择的技术领域。

* **解决的技术问题极其相似：**

* 目标专利旨在解决：“如何有效地选择合理数目的用户设备来采集地理覆盖范围和感知能力尽可能大的感知数据，从而降低感知数据采集的成本并同时提高采集数据的效率（说明书`[0005]`）”。

* 对比文件D3旨在解决：“折衷考虑预测精度、能量消耗，还要考虑传感器节点本身的计算和通信资源限制，满足实时跟踪需求（说明书`[0004]`、`[0022]`）”。

* **公开的技术特征最多：** 从上表可见，D3公开了权利要求1中除微弱区别特征外的几乎所有技术特征（A、B、C、D、E），构成了最基础的技术平台。

### 2. 未被最接近对比文件（D3）完全公开的特征及其他对比文件情况

经严格原文对勘，D3虽然公开了权利要求1的全部架构，但由于其应用场景为“跟踪移动目标”，在部分特征的**内部构件边界**上与目标专利存在极细微的表观差异：

* **特征B的区别精细度：** 目标专利是“利用用户设备**自身的移动历史**”预测自身未来的子区域概率；而D3是“利用**移动目标的运动状态历史**”通过状态估计方程计算其未来进入各节点子区域的概率。

* *其他对比文件公开情况：* **D1（US20110313957A1）**在其第`[0003]`、`[0008]`段已经毫无异议地公开了“利用用户设备/用户本身的移动历史数据（Movement history data），通过HMM概率模型预测用户设备自身在未来预定时间的位置和概率”。

* **特征C的区别精细度：** 目标专利在确定数据类型时，加入了“子区域内先前已经采集到的、且还未过期的感知数据类型”这一去冗余的控制规则（说明书`[0010]`）。

* *其他对比文件公开情况：* **D2（US8140658B1）**在第`[0008]`、`[0015]`段公开了网络会根据当前的带宽限制、已有数据的冗余情况（Data Aggregation/Summary Report）在节点和主控间动态协商并切换所需采集的数据类型。

---

## 五、 无效请求方最薄弱的技术特征提示

若您代表无效请求方对该目标专利提起无效宣告请求，全案**最薄弱、最容易受到专利权人顽强抵抗的技术特征是：技术特征C中隐藏的“数据过期/去冗余判断规则”以及特征B中“自身轨迹马尔可夫预测”的结合**。

### 薄弱点成因分析：

专利权人在无效答辩阶段，极有可能会通过**狭义解释权利要求**或**修改权利要求（将说明书第`[0010]`段或第`[0009]`段的细则写入独立权利要求）**来进行抗辩。其抗辩逻辑通常如下：

1. **对于特征B：** 专利权人会强调D3跟踪的是“外在的移动目标”，而本发明预测的是“用户设备自身的移动行为”，两者的马尔可夫链/滤波模型的输入源和技术含义不同。

2. **对于特征C：** 专利权人会死守说明书第`[0010]`段和效用函数公式，强调本发明的核心创造性在于“确定采集类型时必须减去未过期的类型（$\mathcal{T}_{L_i}^t \setminus \mathcal{T}_{L_i}^{t, expire}$）”，这一动态去冗余机制是D3的能量/精度调度模型和D2的板卡切换中完全不具备的。

### 应对策略建议：

* **主攻D3+D1组合：** 坚决主张将D3作为最接近对比文件。针对设备自身轨迹预测（特征B），指出将D1中利用HMM预测用户自身位置的常规技术手段应用到D3的动态群组调度架构中，对本领域技术人员而言仅仅是普通的“技术推演与模块替换”，属于显而易见的设计变更。

* **针对特征C进行常规技术常识（公知常识）说理：** 强调在感知网络中，根据数据的生命周期（Lifetime/Expire Time）来剔除冗余数据、决定是否启动相应传感器，属于无线传感器网络（WSN）领域里极为常规的“数据融合与缓存管理”公知常识，不具有突出的实质性特点。

根据权利要求1所述的方法，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。

根据权利要求1所述的方法，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；以及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。

根据权利要求1所述的方法，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。

根据权利要求1所述的方法，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；以及 将所述多个效用值进行排序。

根据权利要求1所述的方法，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；以及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。

根据权利要求1所述的方法，其中根据事件、周期或请求来触发所述方法的执行。

根据权利要求1所述的方法，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。

根据权利要求1-8的任意一项所述的方法，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。

一种用于感知数据采集的方法，包括： 发送用户设备的位置信息，以便利用由所述位置信息形成的移动历史信息来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； 发送用户设备的采集感知数据的能力信息，以便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； 接收关于选择所述用户设备参与预定区域的感知数据采集的通知；以及响应于接收到所述通知，参与预定区域的感知数据采集， 其中所述选择基于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，并且所述效用值是根据针对所述各个子区域所计算的概率和所确定的感知数据的类型来获得的。

一种用于感知数据采集的设备，包括： 至少一个处理器以及包含计算机程序代码的至少一个存储器； 所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备对于多个用户设备中的每个用户设备至少执行：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； 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；以及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；以及所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备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。

根据权利要求11所述的设备，其中所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：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。

根据权利要求11所述的设备，其中所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：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；以及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。

根据权利要求11所述的设备，其中所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：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。

根据权利要求11所述的设备，其中所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：将所述多个效用值中的每一个效用值与预定阈值比较；以及 将所述多个效用值进行排序。

根据权利要求11所述的设备，其中所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：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；以及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。

根据权利要求11所述的设备，其中根据事件、周期或请求来触发所述设备的执行。

根据权利要求11所述的设备，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。

根据权利要求11-18的任意一项所述的设备，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。

一种用于感知数据采集的设备，包括： 至少一个处理器以及包含计算机程序代码的至少一个存储器； 所述处理器以及所述存储器被配置成利用所述处理器，使得所述设备至少执行：发送用户设备的位置信息，以便利用所述位置信息形成的移动历史信息来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； 发送用户设备的采集感知数据的能力信息，以便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； 接收关于选择所述用户设备参与预定区域的感知数据采集的通知；以及响应于接收到所述通知，参与预定区域的感知数据采集， 其中所述选择基于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，并且所述效用值是根据针对所述各个子区域所计算的概率和所确定的感知数据的类型来获得的。

一种用于感知数据采集的设备，包括： 用于对于多个用户设备中的每个用户设备执行操作的以下装置，计算装置，用于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； 确定装置，用于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；以及获得装置，用于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；以及选择装置，用于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。

一种用于感知数据采集的设备，包括： 第一发送装置，用于发送用户设备的位置信息，以便利用由所述位置信息形成的移动历史信息来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； 第二发送装置，用于发送用户设备的采集感知数据的能力信息，以便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； 接收装置，用于接收关于选择所述用户设备参与预定区域的感知数据采集的通知；以及采集装置，用于响应于接收到所述通知，参与预定区域的感知数据采集，其中所述选择基于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，并且所述效用值是根据针对所述各个子区域所计算的概率和所确定的感知数据的类型来获得的。