CN101689287A - 关于传感器的上下文敏感可靠性的学习和推理 - Google Patents

关于传感器的上下文敏感可靠性的学习和推理 Download PDF

Info

Publication number
CN101689287A
CN101689287A CN200880022391A CN200880022391A CN101689287A CN 101689287 A CN101689287 A CN 101689287A CN 200880022391 A CN200880022391 A CN 200880022391A CN 200880022391 A CN200880022391 A CN 200880022391A CN 101689287 A CN101689287 A CN 101689287A
Authority
CN
China
Prior art keywords
sensor
data
context
sensing data
fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN200880022391A
Other languages
English (en)
Inventor
E·J·霍维茨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Corp
Original Assignee
Microsoft Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Microsoft Corp filed Critical Microsoft Corp
Publication of CN101689287A publication Critical patent/CN101689287A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously

Abstract

描述了标识不准确的或降级的传感器数据以及对应的传感器的传感器监控系统。该系统分析多个传感器以确定可靠的传感器并且隔离或重新解释不可靠的传感器数据。一种分析组件分析随上下文变化而变化的交通表示，并且确定当前传感器数据无效的概率。根据传感器故障数据的案例库来执行学习和推理以构建传感器健康预测模型，该预测模型能够提供关于传感器输出的推断。所得关于传感器可靠性的推断能够用于关于交通流的基础级推断和预测。

Description

关于传感器的上下文敏感可靠性的学习和推理
背景
计算机驱动的系统利用多组传感器来监控主干流系统。一般而言，主干流系统描述液体、气体、或者粒状物质穿过管道、传送装置、或者导管的移动。城市或地理区域的街道上通过的交通流量的移动也可以被视作主干系统。穿过城市的车流或其他交通工具的流可使用各种类型的传感器或各组传感器来跟踪。收集到的传感器数据可由交通流系统用来监控交通流量的移动。
交通流系统可出于包括路线规划和道路设计在内的各种目的来利用。例如，可以监控交通流以检测和预测瓶颈情形。对诸如交通系统等主干流系统中的瓶颈的标识允许物质转移和缓解瓶颈。此外，对于有成为瓶颈倾向的路段的标识能够协助规划未来的交通流或者修改现有道路(例如，将现有的双车道道路拓宽为四车道道路)。
可以利用各种传感器来监控交通流。尤其在高峰时间，当大多数通勤者上下班时，使用直升飞机、有策略地放置的摄像机和/或通勤者对交通事故的报告来监控大多数主要城市的交通。此外，车流量特别大的道路还可以包含设计用于监控交通流量的压力传感器网络。可经由通过无线电或电视的交通报道广播来为通勤者提供规划通勤路线所必需的交通信息。还可以通过电子信号显示交通信息以警告正在接近立交或者其它问题区域的旅行者。这些信号甚至可包括基于传感器所检测到的交通流量的密度和速度的对行程时间的预测。所提供的交通信息使得驾驶员能够规划他们的通勤路程以避开瓶颈和最小化行程时间。
交通流信息和监控或预测交通流的系统的有效性取决于从传感器接收到的数据的有效性。一般而言，使用大量的传感器来估算或计算系统的当前流和预测未来流。然而，即使在利用由许多传感器收集到的数据的系统中，无效传感器信息会导致交通流系统的性能降级。
概述
以下呈现了简化的概述，以提供对所要求保护的主题的某些方面的基本理解。该概述不是详尽的概观，它不旨在标识所要求保护的主题的关键/重要的元素也不旨在描绘其范围。其唯一的目的是以简化的形式来介绍一些概念，作为稍后提出的更为详细的描述的序言。
计算机驱动的路线规划应用程序以及其它交通流系统每天用于协助用户规划交通、规划通勤路程等等。这些流系统经常取决于从一组传感器接收到的数据。这些系统能够利用使用多种传感器方法来获取的信息，这些传感器方法包括固定或静止的传感器(例如，压力传感器和视频摄像机)，耦合到随交通流移动车辆的传感器(例如，GPS)以及交通报道或者任何其它交通流指示器。这些传感器的可靠性和准确性可取决于传感器类型而变化。机械故障或者其它异常会导致不准确的传感器数据。利用无效或不准确的传感器数据的路线规划或其它交通流系统不太可能产生准确的结果。
在本说明书的一方面，本说明书公开了监控传感器数据并且标识不准确的传感器数据以最小化或减轻无效或不准确的传感器数据的影响。可标记可疑的传感器数据和/或将其从由交通流系统利用的数据集中移除。此外，可以生成警告以便向系统操作员通知与标识出的、降级的传感器数据相关联的一个或多个传感器的可能的故障。
可以结合随时间监视相关系统组件的其他传感器，部分地基于随时间的来自传感器的信号来标识和标记传感器的质量。例如，在通常能在系统中看到变化，并且可通过作出流通过密闭的管道或容器，经由从接近正被评估的传感器的传感器接收到的传感器数据来感测到这些变化的情况下，传感器故障的指示可来自随着时间的推移而不变的传感器的值。可以评估先前获取的传感器数据以确定当前传感器数据是否是非典型的、不正常的、不变的，并且因此更有可能处于一种或多种故障中，这些故障包括正在进行的稳定故障、间歇性的老套(stereotypical)故障、以及以随机方式引入错误的更复杂的故障。
可以基于诸如交通流表示以及当前上下文(例如，一天中的时间、一周中的日子、天气条件、位置、运动等等)等上下文特征来评估和预测传感器质量以确定传感器数据降级的可能性。可以使用交通流表示来确定预期传感器数据并且标识在预期数据的边界之外的传感器数据(例如，基于动态和/或预定阈值)。此外，交通流表示可以基于上下文而动态地变化以增加准确性。可以构造概率模型以根据随时间收集到的关于传感器行为的数据集来推断传感器的健康状况，这些数据集包括基于指示各个传感器的准确性的试探性或其它数据来分配给每一个传感器的、关于该传感器的可能的健康状况的标签。
为了实现前述和相关目的，此处结合以下描述和附图描述了某些说明性的方面。但是这些方面仅指示可实现所要求保护的主题的原则的多种方式中的若干种，且所要求保护的主题旨在包括所有这些方面以及它们的等价物。当结合附图考虑以下详细描述时，其他优点和新颖的特征将是显而易见的。
附图简述
图1是根据此处所描述的主题的至少部分地基于上下文数据来评估传感器性能的传感器监控系统的框图。
图2是根据此处所描述的主题的传感器监控系统的框图。
图3是根据此处所描述的主题的传感器监控系统的框图。
图4是根据此处所描述的主题的提供传感器降级通知的传感器监控系统的框图。
图5是根据此处所描述的主题的预测传感器故障的传感器监控系统的框图。
图6是用于构建/细化其内容随上下文变化而更改的交通系统表示的系统的框图。
图7是根据此处所描述的主题的用于标识传感器数据降级的方法的代表性流程图。
图8是根据此处所描述的主题的用于提供传感器数据降级的通知的方法的代表性流程图。
图9是根据此处所描述的主题的用于预测传感器降级的方法的代表性流程图。
图10是示出合适的操作环境的示意性框图。
图11是示例性计算环境的示意性框图。
详细描述
现在参考附图来描述本发明，所有附图中使用相同的附图标记来指代相同的元素。在以下描述中，为解释起见，阐明了众多具体细节以提供对所要求保护的主题的全面理解。然而，很明显，这一主题可以在没有这些具体细节的情况下实施。在其它情况下，以框图形式示出了公知的结构和设备以便于描述本发明。
如在本申请中所使用的，术语“组件”和“系统”旨在表示计算机相关的实体，其可以是硬件、硬件和软件的组合、软件、或者执行中的软件。例如，组件可以是，但不限于：在处理器上运行的进程、处理器、对象、可执行代码、执行的线程、程序、和计算机。作为说明，运行在服务器上的应用程序和服务器都可以是组件。一个或多个组件可以驻留在进程和/或执行的线程中，并且组件可以位于一个计算机内和/或分布在两个或更多的计算机之间。在本文中使用的词语“示例性”意味着用作示例、实例或说明。在此被描述为“示例性”的任何方面或设计并不一定要被解释为相比其它方面或设计更优选或有利。
此外，所要求保护的主题的各方面可以使用产生控制计算机以实现本发明的各方面的软件、固件、硬件或其任意组合的标准编程和/或工程技术而被实现为方法、装置或制品。在此使用的术语“制品”旨在涵盖可以从任何计算机可读设备、载体或介质访问的计算机程序。例如，计算机可读介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，紧致盘(CD)、数字多功能盘(DVD)……)、智能卡、以及闪存设备(例如，卡、棒、钥匙驱动器……)。另外应该明白，可以使用载波来承载计算机可读电子数据，例如那些用于发送和接收电子邮件或用于访问如因特网或局域网(LAN)等网络的数据。当然，本领域的技术人员将会认识到，在不背离此处所描述的范围或精神的前提下可以对这一配置进行许多修改。
现在参考图1，示出了检测上下文敏感系统的传感器数据和/或传感器性能降级的传感器监控系统100。可以结合诸如交通流系统等各种各样的主干流系统，利用传感器监控系统来提高这些系统的可靠性。交通流系统通常利用由多个传感器收集的信息。对传感器数据的分析可以为交通系统提供关键信息。因此，传感器数据的准确性和可靠性对于这些系统而言是至关重要的。
传感器监控系统100可以向一个或多个传感器102-106请求传感器数据，从这些传感器接收和/或获取传感器数据。传感器接口组件108可通信地耦合到用于确定交通系统(或者其中可采用此处所描述的概念的其他合适的系统)的状态的多个传感器102-106。传感器102-106可以包括嵌入路段中并用于确定一区域内的交通流的速率和/或车辆的数量的压力传感器。传感器102-106还可以包括可视图像传感器，包括但并不限于卫星图像和视频摄像机(例如，固定的摄像机以及安装在直升飞机、飞艇上的摄像机等)。传感器102-106还可以与描述交通事件的网站以及监控一区域内交通的无线电台相关联。此外，传感器102-106还可以包括与各个车辆相关联的传感器，诸如GPS接收器、速度计、加速计等。诸如公共汽车、出租车、以及货运车辆等车辆的车队可用于监控交通流。
传感器还可以被附连或包括在便携式设备中，其中便携式设备可以是可维护到网络的连接的任何合适的设备，诸如个人数字助理(PDA)、智能电话、蜂窝电话、膝上型计算机等。便携式设备传感器可以包括位置传感器、速度传感器或其它有用的传感器。更具体地，传感器可以包括GPS接收器、速度计和加速计。当便携式设备用户移动时，来自传感器的数据可由传感器接口组件108接收。人流量和车流量可以使用便携式传感器设备来监控。
传感器接口组件108可以从一组预定义的传感器接收数据。或者，可以使用一组自组织传感器来收集提供给传感器接口组件108的传感器数据。例如，传感器接口组件108可以从选择提供其位置信息的一组蜂窝电话用户接收传感器数据。
传感器接口组件108可以被配置成持续接收传感器数据。或者，传感器接口组件108可以动态地或者在周期性的基础上获取传感器数据。传感器接口组件108可以格式化数据以供交通流系统使用。传感器接口组件108可以集成从一组异构传感器接收到的传感器数据(例如，从GPS和视频监视接收到的数据)。
传感器数据和/或传感器性能会由于多种原因而降级。简单的机械故障会导致传感器产生无效数据。例如，机械缺陷或者甚至普通的磨损都可导致压力传感器或摄像机失效。传感器经常暴露在温度、湿度的大幅变化、过度振动、以及普通的磨损和损耗中。即使传感器适当地运行，该传感器所附连到的车辆也有可能遭遇机械故障，从而导致无效传感器数据。例如，过热并掉在路旁的汽车中的GPS传感器可指示交通已在该路段上停止。即使是附近存在正确地记录交通流的传感器，来自停止的车辆的传感器的数据也可能影响交通流系统性能。
在传感器生成不准确的数据的情况下，间歇性和/或次要的不准确性和完全故障所导致的性能降级有所不同。通常，能够容易地标识总故障。例如，可以没有难度地标识无法在周一早晨高峰时段期间记录任何交通的传感器。但是，间歇性或较小的错误可能难以检测，但这些错误对依赖传感器数据的交通流系统却有着累积的影响。
传感器监控系统100还可以包括分析与传感器数据相关联的上下文的上下文分析器组件110。例如，上下文分析器组件110可以分析记录数据的一天中的时间。此外，上下文分析器组件110可以确定或接收关于一星期中的日子、一天是否是节假日、当前或者预报的天气情况、当前道路状态(例如，是否以及哪里报告了事故)以及任何其它合适的上下文数据的信息。传感器监控系统100可以至少部分基于上下文数据评估传感器性能。
传感器监控系统100可以包括传感器分析器组件112，该组件分析从传感器102-106接收到的数据并且标识性能降级或发生故障的传感器。传感器分析器组件112的分析可以基于先前从传感器接收到的数据、由接近正被评估传感器的传感器记录的数据和/或上下文信息。在其下收集数据的上下文或情况可在给定其它传感器和上下文信息的情况下用于确定传感器读出数据是合理的还是不太可能的。例如，指示交通流量很大的传感器数据特定路段的高峰时段期间可落入预期的值范围内，但是如果是在周日凌晨3点钟记录的，则是可疑的。传感器分析器组件112可以在传感器分析期间考虑各种上下文事件，包括大型活动的发生(例如，体育活动、文化活动)、天气、事故、使用自然语言的交通报告、车道或道路封闭、历史信息等。
传感器分析器组件112可以访问描述可能的交通流并且随着上下文的改变而更改的交通系统表示114。在一特定示例中，交通系统表示114可以是和/或包括一加权图，其中图的节点表示十字路口，边表示十字路口之间的路段，而与其相关联的权重表示路段/十字路口的平均行进速度或交通流量。权重可随上下文变化而变化。例如，可在一天中的第一事件为一路段提供权重，并且在一天中的第二事件为同一路段提供第二权重。因此，交通系统表示114可以表示在给定一天中的不同时间(例如，高峰时段和非高峰时段)、一周中的不同日子(例如，工作日和周末)、不同的天气条件(例如，雨天和晴天)、以及其它合适的上下文数据的情况下交通流如何改变。
这些信息可以直接在提供当前交通流以及对未来交通流的预测的模型中使用。更一般地，可以创建可能的传感器故障的数据库并将其与上下文信息联结，并且该数据库可以在经由机器学习方法来构造模型时使用，该模型基于诸如随时间的最接近的传感器的值、每一个传感器的健康状况等观察来预测每一个传感器。
对于关于交通系统表示114的更多细节，路段处的流(例如，交通移动或预期豫东的方式)可由流上的概率分布来表示，并且这些概率分布可因变于上下文观察，诸如一天中的事件、一周中的日子、日历信息、较早时间看见的流和/或交通系统的其他部分中的流。可训练概率预测模型，其中这些模型采用多种预测方法中的一种方法，该方法获得交通系统上的当前流并计算关于该交通系统上的未来流的预测，其中对未来流的预测可针对不同的上下文。可参考对可与当前传感器上下文进行比较的上下文的预测来评估传感器数据。虽然即使对于相同的上下文也预期会有偏差，但可根据与预期交通流的偏差来生成出错概率。
传感器分析器组件112可利用概率模型。可采用若干区别的或生成性统计方法中的一种来随时间预测和预报。这些方法包括诸如支持向量机等统计分类器、贝叶斯机器学习领域中对贝叶斯结构搜索的使用、对动态贝叶斯网络和相关的隐马尔可夫模型的学习和使用、连续时间贝叶斯网络(CTBN)、以及诸如采用时间贝叶斯模型和被称为ARMA和ARIMA预测模型的模型的时间序列方法系列。
传感器监控系统100可以为诸如路线规划系统等一个或多个交通流系统(未示出)提供传感器数据。传感器数据可以由传感器监控系统100的数据输出组件116来提供给交通流系统。数据输出组件可以提供从传感器102-106接收到的所有传感器数据，包括被标识为降级的数据。可标记可疑或有问题的数据或者为其加上标签，从而允许路线规划系统忽略和/或最小化对可能降级的数据的使用。或者是，传感器数据可以由数据输出组件116过滤，从而使得交通流系统不会接收到被标识为降级的数据。此外，数据输出组件116可以过滤出特定传感器数据并将其他传感器数据标记为可疑。数据输出组件116可以移除具有高降级概率的数据，但提供被标识为可疑但是较不可能是无效的的数据。
创建组件118采用机器学习以构建至少一个用来预测和/或解释传感器输出的模型，包括错误模型和/或故障模型。经由机器学习创建的模型可以被用来预测或解释传感器的输出，包括其错误模型或者故障模态。用机器学习对这些模型的创建依赖对可能的传感器故障数据以及相关上下文数据的库的存储，该库用于创建可应用于任何传感器的预测模型。这些案例库捕捉可能反常的传感器输出的历史，并且将这些关于可能的故障的数据与其他观察耦合，诸如一天中的时间、一周中的日子、所记录的关于交通系统的各部分的交通流的统计数据、传感器的类型和品牌、与当前传感器串联的邻近传感器等等。所构造的模型可以实时应用于解释传感器的可靠性，包括可应用以使用错误数据的输出的确定性和随机函数(例如，该传感器可以提供有价值的信息但必须重新缩放等)。创建组件118可以构建基于证据和可能故障的库来预测传感器故障的概率论模型。
创建组件118可以包括用于从数据中学习并随后根据实现此处所描述的各自动化方面从如此构造的模型(例如，隐马尔可夫模型(HMM)和相关的原型依赖性模型、诸如例如由结构搜索使用贝叶斯模型分数或近似值创建贝叶斯网络等更一般的概率图模型、诸如支持向量机(SVM)等线性分类器、诸如被称为“神经网络”方法的方法等非线性分类器、模糊逻辑方法和执行数据融合的其它方法等)中预测和/或解释传感器输出的一种或多种方法中的机器学习和推理。
方法还包括用于捕获逻辑关系的方法，如定理证明器或更加启发式的基于规则的专家系统等。从这种学习的或手动构造的模型中导出的推论可被用在诸如线性和非线性编程等试图最大化某些目标函数的优化技术中。
现在转到图2，示出了传感器监控系统200。传感器监控系统200可以向多个数据源202-206请求上下文数据，从这些数据源接收和/或获取上下文数据。数据源202-206可以是任何合适的数据源。例如，数据源202可以是描述当前/预报天气情况的网站。在另一示例中，数据源202可以是通告交通事故的无线电台，其中上下文分析器组件110可以理解并解释与这些事故相关的特定单词。
现在参考图3，示出了传感器监控系统300。传感器监控系统300还包括维护先前从传感器102-106接收到的传感器数据的传感器数据储存库302。在分析传感器数据以标识可疑传感器数据时，传感器分析器组件112可以利用先前记录的传感器数据。这可以包括先前从正在被评估的特定传感器接收到的数据。传感器数据储存库302还可以维护先前降级的传感器数据的记录。先前提供降级数据的传感器可被认为是没有未提供过降级数据的传感器可靠。
现在参考图4，示出了向一个或多个用户和/或操作员通知可能的传感器故障的传感器监控系统400。如果确定传感器正在提供无效或不准确的传感器数据，则可以提供警告或通知。关于传感器故障的信息对于其中传感器由集中的系统操作员控制或管控的系统可能尤其有用。关于不准确的传感器数据的信息在决定是否要替换或修理传感器时是没有价值的。
可以按任何合理的方式向用户或系统操作员通知传感器数据降级。通知可以作为传递给蜂窝电话的短消息服务(SMS)文字消息、语音邮件、电子邮件或任何其它传递系统来发送。系统400可以包括图形用户界面(GUI)(未示出)，在这种情况下传感器故障的通知可以表现为指示可能的错误的标记或视觉提示。通知可以包括诸如传感器可能已经是不正确的时间长度、传感器性能已降低到可允许的水平之下的概率以及对操作员有用的任何其它信息等信息。
现在参考图5，示出了预测传感器故障的传感器监控系统500。传感器监控系统500还可以包括能够预测传感器的性能降级或故障的传感器故障预测器组件502。传感器故障预测器组件502可以分析在一段时间内的传感器性能以评估传感器未来将失效或超出可接受的容忍度的可能性。对传感器故障的预测可以基于传感器性能、传感器年限和/或传感器上下文(例如，极端天气情况、过度使用等)。可以使用机器学习系统来预测可能的故障及其对总体系统可靠性的效果和影响。
可采用若干区别的或生成性统计模型中的一种来随时间预测传感器故障。这些方法包括诸如支持向量机等统计分类器、贝叶斯机器学习、对动态贝叶斯网络和相关的隐马尔可夫模型的学习和使用、连续时间贝叶斯网络(CTBN)、以及诸如采用时间贝叶斯模型和被称为ARMA和ARIMA预测模型的模型的时间序列方法系列。
通知组件402可以向系统用户或操作员404通知预测到的传感器故障。可以向操作员404提供所预测的传感器故障时间和/或特定时间段内的传感器故障概率。基于所有可用传感器，传感器故障预测器组件502可以产生最有可能失效的传感器的列表。该列表可基于基于维修和/或更换成本、邻近的其它传感器的数量、预测到的其它邻近传感器的故障或任何其他合理的基础来排定优先顺序。例如，如果确定预测到多个邻近传感器将在几乎同一时间失效，则这些传感器可在该列表上具有优先权，以避免丢失关于一区域的所有或大多数传感器数据。
现在参考图6，示出了用于构建稳健的交通系统表示的系统600。系统600包括数据储存库602，其包括感测到的时间序列数据604，其中这些数据可从多个传感器收集(例如，在驾驶员行进通过交通系统时从这些驾驶者收集)。例如，感测到的时间序列数据604可以通过将位置/速度确定传感器(诸如GSP接收器)与交通系统(例如，大都市交通系统)中的多个驾驶者相关联来获得。当从传感器生成数据时，这些数据可与时间戳相关联。由此，生成与位置确定传感器相关联的关于每一相应驾驶者的轨迹日志，然后可将该日志置于感测到的时间序列数据604中。分段组件606可以用于辨别个别旅行何时停止和开始。当与汽车相关联的传感器在汽车停止移动有阈值量的时间时停止记录时，驾驶者所进行的大多数(但非全部)个别旅行可由分段组件606通过评审出现在传感器日志中的时间间隙来标识。
交通系统标识114可以至少部分地基于感测到的时间序列数据604来构建/定义，并且可以是或包括图，其中图中的各节点表示道路的十字路口，而边表示路段。单条道路可以由多条边来表示，因为每一路段(两个十字路口之间的道路的最小未分解部分)可以是图中的单独的边。另外，边和节点可以与其所表示的道路的纬度和经度相关联。一旦感测到的时间序列数据604分段成个别旅程，这些旅程就可通过任何合适的方式“咬合(snap)”到交通系统表示114。
一旦将轨迹日志映射到路段，则速度分析组件608可以随着不同的时间将不同权重关联到交通系统表示114的图中的边/节点。例如，速度分析组件608可以通过将一周中的各天分成多个类别并将这些类别分成若干时间片来学习关于道路的时间相关交通速度。出于说明的目的，可以假定速度分析组件608将一周中的各天分成两个类别：工作日和周末。这些类别然后可被分成96个时间片：覆盖一天24小时的15分钟的时间块。然而，可以理解，速度分析组件608可以创建与任何种类的上下文数据相关联的类别。例如，速度分析组件608可以基于天气条件、假日等来创建类别。
继续上述示例，速度分析组件608可以通过检查咬合的轨迹中每一对相继的GPS点(A，B)来学习关于所分解的每一个一天中的时间和工作日/周末的单独的平均速度。可以计算每一对之间的驾驶员的平均速度，并且可利用该速度来为从A到B所经历的每一路段创建移动平均。可以向与其时间特性匹配速度计算中所涉及的所收集的数据的时间戳的时间特性的时间块相关联的移动平均应用速度测量。由此，速度分析组件608可以确定各类别(一天中的时间、一周中的天……)中的路段相关联的速度。速度分析组件608然后可以将这一数据与交通系统表示114相关联，使得边和节点基于所收集的数据来加权。
然而，可以辨别可能无法获得每一类别中关于交通系统中的每一道路的数据。由此，道路速度可以在给定“相似”路段的已知道路速度时来推广。更详细而言，推广组件610可以分析交通系统表示114，并向不与对每一类别所收集的数据相关联的路段分配速度值。例如，对于其中没有数据可用的路段和时间段，推广组件610可以分配与在相邻时间块中的相同路段相关联的速度。如果没有与相邻时间块相关联的速度，则推广组件610可以分配来自相似道路的速度和/或来自相似道路的系统级速度平均，其中相似性可以按照交通系统表示114内的道路类来定义。另外，相似性可以通过分析限速、路段的地理邻近性、路段的地理位置等来确定。此外，如果不能定位相似道路和/或系统级速度平均不可用，则关于一时间段的速度可被定义为标出的限速。此外，推广组件610可以利用机器学习技术/系统来学习交通系统表示114内的模式/相关，并至少部分地基于所学习的模式、相关和/或趋势来向路段分配平均道路速度。
交通流表示和/或路段上的道路速度可用于估算与路段相关联的传感器的可能的传感器数据。由这一传感器收集的实际传感器数据可参考估算出的或预测的传感器数据来评估。与预测值有着显著不同的传感器数据可被认为是可疑的。
现在参考图7-9，将通过一系列动作来描述根据所要求保护的主题的方法。可以理解并明了，所要求保护的主题不受动作次序的限制，因为某些动作可以按与本文所示和描述的不同的次序发生和/或与其他动作同时发生。例如，本领域技术人员将会明白并理解，方法可被替换地表示为一系列相互关联的状态或事件，诸如以状态图的形式。而且，并非所有示出的动作都是实现根据所要求保护的主题的方法所必需的。另外还应该理解，下文以及本说明书全文中所公开的方法能够被存储在制品上，以便于把此类方法传送和转移到计算机。在此使用的术语制品，意指包含可以从任何计算机可读设备、载体或介质访问的计算机程序。
具体参考图7，示出了用于检测传感器数据降级的方法。在附图标记702，从多个传感器接收传感器数据。例如，数据可以从一组嵌入于路段中的压力传感器接收。或者，传感器数据可以从与车辆耦合的传感器接收。例如，公共汽车系统可以包括耦合到每一辆公共汽车的、用于监控当前交通流的传感器。从多个传感器记录的传感器数据以各种格式键入。
在附图标记704，分析与传感器和/或流系统的当前状态相关联的上下文。当前上下文可以包括一天中的时间、一周中的日子、当前天气条件等等。上下文可以从包括日历、时钟、列出体育或文化活动的事件日历、天气预报等在内的各种源推断出。
在附图标记706，可以评估传感器数据，并且可标识降级的传感器数据。传感器性能可以通过将从第一传感器接收到的数据与从非常接近正被评估的传感器的一个或多个传感器接收到的数据进行比较来评估。如果该第一传感器与和邻近的传感器，则可以指示该传感器是不可靠的。传感器数据还可以根据诸如一天中的时间、一周中的日子等上下文信息来分析。例如，交通传感器预期可生成指示显著地高于周末凌晨三点的交通流量的工作日高峰时段期间的交通流量的数据。。
在附图标记708，至少部分地基于所分析的传感器数据来输出传感器数据。由有发生故障的传感器生成的传感器数据可以在路线规划系统使用之前标识并且消除，从而提高了路由规划准确性。或者，可以为路线规划系统提供所有传感器数据。然而，可标记与可疑传感器相关联的传感器数据并且还可以包括传感器数据错误概率。对传感器数据的分析可以极大地提高利用传感器数据的路线规划系统的可靠性。
现在参考图8，公开了用于提供传感器降级通知的方法。在附图标记802，选择与传感器相关联的传感器数据以便进行评估。在选择之后，在附图标记804，分析传感器数据以确定传感器数据是否降级。为了确定传感器数据降级，可以参考从邻近的传感器接收到的数据、预期传感器数据以及传感器上下文来分析传感器数据。
在附图标记806，确定是否为传感器数据生成警告或通知。该判定基于对传感器数据的分析。例如，该判定可以基于传感器性能降级概率。可以将该降级概率与预订阈值进行比较，并且如果该概率高于阈值，则可以通知系统操作员。如果没有通知要发送，则该过程进程继续至附图标记812。如果要发送通知，则可以在附图标记808处生成通知消息。该通知可以标识生成可疑传感器数据的一个或多个传感器，并且包括可疑传感器数据无效的概率。在附图标记810，将通知发送给一个或多个用户或系统操作员。在附图标记812，确定是否还有传感器数据要评估。如果是，则该过程返回至其中选择传感器数据以便进行评估的附图标记802。如果没有其他传感器数据要评估，则该过程终止。或者，可以在发送通知之前评估所有传感器数据。在评估所有传感器数据之后，可发送列出降级的传感器数据的所有实例的单个通知。
现在参考图9，示出了用于预测传感器故障的方法。在附图标记902，获取关于所选传感器的先前记录的传感器数据。在附图标记904，分析先前记录的数据。分析传感器数据和传感器数据错误概率中的趋势。在附图标记906，基于所分析的数据以及传感器信息来预测传感器的故障，该传感器信息包括传感器类型、传感器年限、传感器运行条件。或者，生成指定时间段内的传感器故障概率。
在附图标记908，确定预测到的故障是否相关。相关性可以基于预测传感器失效的时间或者传感器将在指定时间段内失效的概率来确定。例如，预测到的一个月内的传感器故障可以被认为是相关的，而预测到的五年内的故障可能是不相关的。
如果预测到的故障不相关，则该过程继续至附图标记914。如果预测到的故障是相关的，则在附图标记910处生成通知。该通知可以包括预测到的一个或多个故障日期和/或故障概率。在附图标记912，将通知发送给系统操作员。系统操作员可以在计划传感器维护和/或更换时以及出于预算的目的利用这些通知。在附图标记914，确定是否还有传感器要评审。如果还有传感器，则该过程返回至附图标记912，并且获取关于所选传感器的先前记录的传感器数据。如果没有更多传感器，则该过程终止。
为了提供有关所要求保护的主题的各个方面的额外的上下文，图10以及以下讨论旨在提供其中可以实现各方面的合适的操作环境1010的简要、概括描述。尽管所要求保护的主题是在诸如程序模块等由一个或多个计算机或其它设备执行的计算机可执行指令的通用上下文中描述的，但本领域的技术人员将认识到，本发明还能够结合其它程序模块和/或作为硬件和软件的组合来实现。
然而，通常，程序模块包括执行特定任务或实现特定数据类型的例程、程序、对象、组件、数据结构等。操作环境1010只是合适的操作环境的一个示例，并不旨在对此处所描述的特征的使用范围或功能提出任何局限。适用于所要求保护的主题的其他公知的计算机系统、环境、和/或配置，包括但不限于，个人计算机、手持式或膝上型装置、多处理器系统、基于微处理器的系统、可编程的消费电子产品、网络PC、小型计算机、大型计算机、包括以上系统或设备的分布式计算环境等等。
参考图10，可用于创建上下文敏感驾驶指示的示例性环境1010包括计算机1012。计算机1012包括处理单元1014、系统存储器1016和系统总线1018。系统总线1018将包括但不限于系统存储器1016的系统组件耦合到处理单元1014。处理单元1014可以是各种可用处理器中的任一种。双微处理器和其它多处理器体系结构也可用作处理单元1014。
系统总线1018可以是若干类型的总线结构中的任一种，包括存储器总线或存储器控制器、外围总线或外部总线、和/或使用各种可用的总线体系结构中的任一种的局部总线，可用的总线体系结构包括，但不限于，8位总线、工业标准体系结构(ISA)、微通道体系结构(MCA)、扩展的ISA(EISA)、智能驱动器电子接口(IDE)、VESA局部总线(VLB)、外围部件互连(PCI)、通用串行总线(USB)、高级图形接口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)以及小型计算机系统接口(SCSI)。系统存储器1016包括易失性存储器1020和非易失性存储器1022。基本输入/输出系统(BIOS)包含诸如在启动期间在计算机1012的元件之间传送信息的基本例程，其存储在非易失性存储器1022中。作为说明而非局限，非易失性存储器1022可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除ROM(EEPROM)或者闪存。易失性存储器1020包括用作外部高速缓存存储器的随机存取存储器(RAM)。作为示例而非限制，RAM以多种形式可用，诸如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接存储器总线(Rambus)RAM(DRRAM)。
计算机1012还包括可移动/不可移动、易失性/非易失性计算机存储介质。例如，图10示出了盘存储1024。盘存储1024包括但不限于诸如磁盘驱动器、软盘驱动器、磁带驱动器、Jaz驱动器、Zip驱动器、LS-100驱动器、闪存卡、或者记忆棒之类的设备。此外，盘存储1024可以包括独立的或者与其它存储介质结合的存储介质，其它存储介质包括但不限于诸如紧致盘ROM设备(CD-ROM)、可记录CD驱动器(CD-R驱动器)、可重写CD驱动器(CD-RW驱动器)或者数字多功能盘ROM驱动器(DVD-ROM)这样的光盘驱动器。例如，DVD-ROM驱动器可用于从DVD中读取视频内容。为了便于将盘存储设备1024连接到系统总线1018，通常使用诸如接口1026等可移动或不可移动接口。
应该明白，图10描述了在用户和在合适的操作环境1010中描述的基本计算机资源之间担当中介的软件。这样的软件包括操作系统1028。可被存储在盘存储1028上的操作系统1024用于控制并分配计算机系统1012的资源。系统应用程序1030通过存储在系统存储器1016或盘存储1024上的程序模块1032和程序数据1034来利用操作系统1028对资源的管理。应该明白，本发明可用各种操作系统或操作系统的组合来实现。
用户通过输入设备1036将命令或信息输入到计算机1012中。输入设备1036包括但不限于，诸如鼠标、跟踪球、指示笔、触摸垫、触摸屏、方向盘按钮等定点设备、键盘、话筒、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪、TV调谐卡、数字照相机、数字摄像机、网络摄像头、遥控器等等。这些以及其它输入设备通过系统总线1018经由接口端口1038连至处理单元1014。接口端口1038包括，例如串行端口、并行端口、游戏端口、以及通用串行总线(USB)。输出设备1040利用与输入设备1036相同类型的某些端口。因此，例如，USB端口可以用来向计算机1012提供输入，以及将来自计算机1012的信息输出到输出设备1040。提供输出适配器1042来示出存在如监视器、车载显示器、扬声器、打印机以及其他输出设备1040等需要特殊适配器的一些输出设备1040。输出适配器1042包括，作为说明而非局限，提供输出设备1040和系统总线1018之间的连接手段的显卡和声卡。应该注意到，其它设备和/或设备系统提供了输入和输出能力两者，诸如远程计算机1044。
计算机1012可以使用至诸如远程计算机1044等一个或多个远程计算机的逻辑连接在网络化环境中操作。远程计算机1044可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的电器、对等设备或者其它常见的网络节点等，且通常包括相对于计算机1012所描述的多个或者全部元件。为了简明起见，对远程计算机1044仅示出了存储器存储设备1046。远程计算机1044经由网络接口1048被逻辑地连接到计算机1012，然后经由通信连接1050物理地连接。网络接口1048涵盖诸如局域网(LAN)和广域网(WAN)这样的通信网络。LAN技术包括光纤分布式数据接口(FDDI)、铜分布式数据接口(CDDI)、以太网/IEEE 802.3、无线Lan(例如，802.11和WiMax)、令牌环/IEEE 802.5等。WAN技术包括但不限于，点对点链路、诸如综合业务数字网(ISDN)及其各种变体等电路交换网、分组交换网、以及数字用户线(DSL)。
通信连接1050指的是用于将网络接口1048连接到总线1018的硬件/软件。虽然为了清楚地举例说明，通信连接1050被示为在计算机1012的内部，但其也可以在计算机1012的外部。仅出于示例的目的，连接到网络接口1048所需要的硬件/软件包括内部和外部技术，诸如包括常规电话级调制解调器、电缆调制解调器以及DSL调制解调器等调制解调器，ISDN适配器，和以太网卡。
图11是所要求保护的主题可以与之交互的示例性计算环境1100的示意性框图。系统1100包括一个或多个客户机1110。客户机1110可以是硬件和/或软件(例如，线程、进程、计算设备)。系统1100还包括一个或多个服务器1130。服务器1130也可以是硬件和/或软件(例如，线程、进程、计算设备)。服务器1130可以容纳各线程以通过例如利用所要求保护的主题来执行转换。在客户机1110和服务器1130之间的一种可能的通信能够以适合在两个或多个计算机进程之间传输的数据分组的形式进行。系统1100包括可以用来使客户机1110和服务器1130之间通信更容易的通信框架1150。客户机1110可在操作上连接到一个或多个可以用来存储对客户机1110本地的信息的客户机数据存储1160。同样地，服务器1130可在操作上连接到一个或多个可以用来存储对服务器1130本地的信息的服务器数据存储1140。在一个具体示例中，服务器可以包括可由客户机通过网络来访问的传感器监控系统。用户可通过客户机和网络来从服务器中的传感器监控系统接收关于传感器或传感器数据的降级的信息。
以上所已经描述的内容包括所要求保护的主题的各方面的例子。当然，出于描绘这一主题的目的而描述每一个可以想到的组件或方法的组合是不可能的，但本领域内的普通技术人员应该认识到，许多进一步的组合和排列都是可能的。因此，所要求保护的主题旨在涵盖所有这些落入所附权利要求书的精神和范围中的改变、修改和变动。此外，就在说明书或权利要求书中使用术语“包括”而言，这一术语旨在以与术语“包含”在被用作权利要求书中的过渡此时所解释的相似的方式为包含性的。

Claims (20)

1.一种用于对主干流系统的传感器性能进行上下文敏感监控的系统，所述系统包括以下计算机可执行组件：
从多个传感器获取传感器数据的传感器接口组件(108)；
分析与所述多个传感器相关联的上下文数据的上下文分析器组件(110)；
至少部分地基于对所述上下文数据的分析来标识降级的传感器数据的传感器分析器组件(112)；以及
至少部分地基于对所述降级的传感器数据的标识来提供输出传感器数据的输出组件(116)。
2.如权利要求1所述的系统，其特征在于，所述多个传感器是异构的。
3.如权利要求1所述的系统，其特征在于，所述输出传感器数据至少部分地基于所述传感器数据，过滤以移除所述降级的传感器数据或者根据传感器错误模型来适当地使用所述传感器数据。
4.如权利要求1所述的系统，其特征在于，所述输出传感器数据包括描述所述传感器数据的降级的概率函数。
5.如权利要求1所述的系统，其特征在于，还包括创建组件，其采用机器学习来构建至少一个用于预测和/或解释传感器输出的模型，包括错误模型和/或故障模型。
6.如权利要求1所述的系统，其特征在于，还包括：
根据所述降级的传感器数据来生成警告的通知组件。
7.如权利要求1所述的系统，其特征在于，还包括：
预测所述传感器的子集的故障的传感器预测器组件；以及
根据所预测到的故障来生成警告的通知组件。
8.如权利要求1所述的系统，其特征在于，还包括维护在分析所述传感器数据时使用的先前的传感器数据的传感器数据存储。
9.如权利要求1所述的系统，其特征在于，所述传感器分析器组件至少部分地基于来自物理上接近的传感器的传感器数据来标识所述传感器数据中的降级。
10.如权利要求1所述的系统，其特征在于，所述传感器分析器组件在标识降级的传感器数据时利用交通流表示。
11.一种用于标识有问题的传感器数据的计算机实现的方法，所述方法包括：
从数据源获取数据(702)；
分析所述数据源的上下文(704)；以及
至少部分地基于上下文来将所述数据的子集标识为可疑数据(708)。
12.如权利要求11所述的方法，其特征在于，还包括输出所述可疑数据以及所述数据不正确的概率。
13.如权利要求11所述的方法，其特征在于，所述获取数据的动作包括从异构传感器的集合接收数据。
14.如权利要求11所述的方法，其特征在于，还包括：
根据标识可疑数据来预测所述数据源的故障；以及
根据所预测到的所述数据源的故障来生成通知。
15.如权利要求11所述的方法，其特征在于，还包括：
预测所述数据源在指定时间段内的故障概率；以及
基于所述概率来建立通知。
16.如权利要求11所述的方法，其特征在于，所述上下文包括以下各项中的至少一个：一周中的日子、一天中的时间和/或天气条件。
17.如权利要求11所述的方法，其特征在于，第一数据源的上下文包括从物理上接近的数据源获取的数据。
18.一种用于对主干流系统的传感器性能进行上下文敏感监控的系统，所述系统包括以下计算机可执行组件：
用于从多个传感器接收传感器数据的装置(108)；
用于至少部分地基于传感器上下文来分析传感器数据的装置(112)；以及
用于至少部分地基于对所述传感器数据的分析来过滤输出数据的装置(116)。
19.如权利要求18所述的系统，其特征在于，所述传感器数据分析利用交通流表示。
20.如权利要求18所述的系统，其特征在于，还包括：
用于预测所述传感器的子集的故障的装置；以及
用于向用户通知所预测到的传感器故障的装置。
CN200880022391A 2007-06-28 2008-06-10 关于传感器的上下文敏感可靠性的学习和推理 Pending CN101689287A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/770,649 US7696866B2 (en) 2007-06-28 2007-06-28 Learning and reasoning about the context-sensitive reliability of sensors
US11/770,649 2007-06-28
PCT/US2008/066394 WO2009005963A1 (en) 2007-06-28 2008-06-10 Learning and reasoning about the context-sensitive reliability of sensors

Publications (1)

Publication Number Publication Date
CN101689287A true CN101689287A (zh) 2010-03-31

Family

ID=40159707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880022391A Pending CN101689287A (zh) 2007-06-28 2008-06-10 关于传感器的上下文敏感可靠性的学习和推理

Country Status (5)

Country Link
US (1) US7696866B2 (zh)
EP (1) EP2176822A4 (zh)
JP (1) JP4790864B2 (zh)
CN (1) CN101689287A (zh)
WO (1) WO2009005963A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735450A (zh) * 2011-04-08 2012-10-17 通用电气公司 用于评估燃烧机的运行的系统和方法
CN102970366A (zh) * 2012-11-23 2013-03-13 江苏物联网研究发展中心 基于地理信息系统的气象监控系统
CN103562685A (zh) * 2011-05-31 2014-02-05 丰田自动车株式会社 传感器信息增补系统以及传感器信息增补方法
CN103916927A (zh) * 2014-03-17 2014-07-09 华中科技大学 一种基于改进和声搜索算法的无线传感器网络路由方法
US9654997B2 (en) 2011-10-28 2017-05-16 Telefonaktiebolaget Lm Ericcson (Publ) Method and system for evaluation of sensor observations
CN106716074A (zh) * 2014-07-23 2017-05-24 哈希公司 探测装置
CN108541363A (zh) * 2015-12-26 2018-09-14 英特尔公司 用于管理传感器异常的技术
CN109857018A (zh) * 2019-01-28 2019-06-07 中国地质大学（武汉） 一种数字传感器软模型系统
CN111557012A (zh) * 2018-12-03 2020-08-18 戴斯数字有限责任公司 跨传感器预测性推断
CN111599166A (zh) * 2019-02-20 2020-08-28 通用汽车环球科技运作有限责任公司 用于解释交通信号和协商信号化的交叉路口的方法和系统
US11693423B2 (en) * 2018-12-19 2023-07-04 Waymo Llc Model for excluding vehicle from sensor field of view

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4978789B2 (ja) * 2007-08-13 2012-07-18 富士通株式会社 センサ評価システム、センサ評価方法、および、センサ評価プログラム
US8386157B2 (en) * 2008-10-10 2013-02-26 Jin Hong Kim Universal GPS traffic monitoring system
CN101753609B (zh) * 2008-12-15 2012-09-19 中国移动通信集团公司 分布式系统版本控制方法、节点及系统
US20110157355A1 (en) * 2009-12-28 2011-06-30 Yuri Ivanov Method and System for Detecting Events in Environments
CN103026780B (zh) * 2010-06-30 2016-06-29 诺基亚技术有限公司 用于控制传感器的调用的方法和设备
US9315333B2 (en) * 2010-09-09 2016-04-19 Laitram, L.L.C. System and method for measuring, mapping, and modifying the temperature of a conveyor
US20120173301A1 (en) * 2011-01-04 2012-07-05 International Business Machines Corporation System and method for failure association analysis
US9311615B2 (en) 2010-11-24 2016-04-12 International Business Machines Corporation Infrastructure asset management
WO2013024672A1 (ja) * 2011-08-12 2013-02-21 オムロン株式会社 情報管理装置、情報管理プログラム、および情報管理方法
WO2013116993A1 (en) * 2012-02-08 2013-08-15 Telefonaktiebolaget L M Ericsson Method, computer program, computer program product and system for handling sensor data
DE102012209443B4 (de) * 2012-06-05 2022-10-20 Robert Bosch Gmbh Verfahren zum Durchführen einer Diagnose einer mit einem Steuergerät in einem Kraftfahrzeug verbundenen Funktionseinheit und Vorrichtung eingerichtet zur Durchführung des Verfahrens
US20140159914A1 (en) * 2012-07-24 2014-06-12 Alan C. Heller Electronic reporting systems and methods
DE102012218362A1 (de) * 2012-10-09 2014-04-24 Bayerische Motoren Werke Aktiengesellschaft Schätzung des Straßentyps mithilfe von sensorbasierten Umfelddaten
KR101606239B1 (ko) 2013-05-31 2016-03-24 삼성에스디에스 주식회사 센싱 데이터 분석 시스템 및 방법
US10552511B2 (en) * 2013-06-24 2020-02-04 Infosys Limited Systems and methods for data-driven anomaly detection
US20160077166A1 (en) * 2014-09-12 2016-03-17 InvenSense, Incorporated Systems and methods for orientation prediction
EP3195564B1 (en) * 2014-09-16 2019-03-06 Telefonaktiebolaget LM Ericsson (publ) Sensor system of master and slave sensors, and method therein
EP3016352B1 (en) * 2014-11-03 2019-02-06 Fujitsu Limited Method of managing sensor network
JP2016162249A (ja) * 2015-03-03 2016-09-05 住友電気工業株式会社 センサ管理装置、センサ、監視システム、センサ管理方法、センサ管理プログラム、監視方法および監視プログラム
US10048996B1 (en) * 2015-09-29 2018-08-14 Amazon Technologies, Inc. Predicting infrastructure failures in a data center for hosted service mitigation actions
US11436911B2 (en) * 2015-09-30 2022-09-06 Johnson Controls Tyco IP Holdings LLP Sensor based system and method for premises safety and operational profiling based on drift analysis
US10902524B2 (en) 2015-09-30 2021-01-26 Sensormatic Electronics, LLC Sensor based system and method for augmenting underwriting of insurance policies
US11151654B2 (en) 2015-09-30 2021-10-19 Johnson Controls Tyco IP Holdings LLP System and method for determining risk profile, adjusting insurance premiums and automatically collecting premiums based on sensor data
US10510006B2 (en) 2016-03-09 2019-12-17 Uptake Technologies, Inc. Handling of predictive models based on asset location
US10552914B2 (en) 2016-05-05 2020-02-04 Sensormatic Electronics, LLC Method and apparatus for evaluating risk based on sensor monitoring
US10810676B2 (en) 2016-06-06 2020-10-20 Sensormatic Electronics, LLC Method and apparatus for increasing the density of data surrounding an event
US10489752B2 (en) * 2016-08-26 2019-11-26 General Electric Company Failure mode ranking in an asset management system
US11003518B2 (en) 2016-09-29 2021-05-11 Hewlett-Packard Development Company, L.P. Component failure prediction
CN106507315B (zh) * 2016-11-24 2019-06-28 西安交通大学 基于网络社交媒体数据的城市交通事故预测方法和系统
US10337753B2 (en) * 2016-12-23 2019-07-02 Abb Ag Adaptive modeling method and system for MPC-based building energy control
US10482689B2 (en) 2016-12-31 2019-11-19 Intel Corporation Crowdsourced failure mode prediction
US10783778B2 (en) 2017-10-20 2020-09-22 Microsoft Technology Licensing, Llc Traffic data reconciliation and brokering
US11537868B2 (en) * 2017-11-13 2022-12-27 Lyft, Inc. Generation and update of HD maps using data from heterogeneous sources
JP7006199B2 (ja) * 2017-12-01 2022-01-24 オムロン株式会社 データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
EP3725135A1 (en) * 2017-12-12 2020-10-21 Schreder Sa Luminaire network with sensors
EP3766058A2 (en) * 2018-03-16 2021-01-20 Schreder S.A. Luminaire network with sensors
WO2020036818A1 (en) * 2018-08-12 2020-02-20 Presenso, Ltd. System and method for forecasting industrial machine failures
JP6997873B2 (ja) * 2018-08-22 2022-01-18 株式会社Ｎｔｔドコモ 検知装置
US11069161B2 (en) 2019-09-30 2021-07-20 Ford Global Technologies, Llc Adaptive sensor fusion
JP7222344B2 (ja) * 2019-12-06 2023-02-15 横河電機株式会社 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム
GB201919198D0 (en) * 2019-12-23 2020-02-05 Univ Surrey Sensor fault prediction method and apparatus
CN115135358A (zh) * 2020-02-27 2022-09-30 美国西门子医学诊断股份有限公司 使用机器学习的自动传感器追踪验证
JP7333284B2 (ja) * 2020-03-16 2023-08-24 株式会社日立製作所 保守支援システム及び保守支援方法
CN111524348A (zh) * 2020-04-14 2020-08-11 长安大学 一种长短期交通流预测模型及方法
WO2022032102A1 (en) * 2020-08-06 2022-02-10 Front End Analytics Llc Apparatus and method for electronic determination of system data integrity
WO2022033677A1 (en) * 2020-08-12 2022-02-17 Siemens Aktiengesellschaft System and method for adaptive traffic signal planning and control
KR102425529B1 (ko) * 2020-12-08 2022-07-25 한남대학교 산학협력단 카메라를 이용한 자율주행 지게차
CN115237510A (zh) * 2021-04-23 2022-10-25 沃尔沃汽车公司 用于车辆的建议提供设备、系统和方法
DE102021209681A1 (de) 2021-09-03 2023-03-09 Robert Bosch Gesellschaft mit beschränkter Haftung Konzept zum Unterstützen eines Kraftfahrzeugs durch eine Infrastruktur
WO2023195049A1 (ja) * 2022-04-04 2023-10-12 日本電気株式会社 監視装置、監視システム、監視方法、及び非一時的なコンピュータ可読媒体

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5400246A (en) * 1989-05-09 1995-03-21 Ansan Industries, Ltd. Peripheral data acquisition, monitor, and adaptive control system via personal computer
US5812865A (en) 1993-12-03 1998-09-22 Xerox Corporation Specifying and establishing communication data paths between particular media devices in multiple media device computing systems based on context of a user or users
US5555376A (en) 1993-12-03 1996-09-10 Xerox Corporation Method for granting a user request having locational and contextual attributes consistent with user policies for devices having locational attributes consistent with the user request
US5493692A (en) 1993-12-03 1996-02-20 Xerox Corporation Selective delivery of electronic messages in a multiple computer system based on context and environment of a user
WO1996013764A1 (de) 1994-10-26 1996-05-09 Siemens Aktiengesellschaft Verfahren zur analyse eines messwertes sowie messwertanalysator zur durchführung des verfahrens
US6035104A (en) 1996-06-28 2000-03-07 Data Link Systems Corp. Method and apparatus for managing electronic documents by alerting a subscriber at a destination other than the primary destination
ATE236418T1 (de) * 1998-08-17 2003-04-15 Aspen Technology Inc Verfahren und vorrichtung zur sensorbestätigung
US6747675B1 (en) 1998-12-18 2004-06-08 Tangis Corporation Mediating conflicts in computer user's context data
US7107539B2 (en) 1998-12-18 2006-09-12 Tangis Corporation Thematic response to a computer user's context, such as by a wearable personal computer
US6842877B2 (en) 1998-12-18 2005-01-11 Tangis Corporation Contextual responses based on automated learning techniques
US6513046B1 (en) 1999-12-15 2003-01-28 Tangis Corporation Storing and recalling information to augment human memories
US6812937B1 (en) 1998-12-18 2004-11-02 Tangis Corporation Supplying enhanced computer user's context data
US7055101B2 (en) 1998-12-18 2006-05-30 Tangis Corporation Thematic response to a computer user's context, such as by a wearable personal computer
US7080322B2 (en) 1998-12-18 2006-07-18 Tangis Corporation Thematic response to a computer user's context, such as by a wearable personal computer
US6466232B1 (en) 1998-12-18 2002-10-15 Tangis Corporation Method and system for controlling presentation of information to a user based on the user's condition
US6791580B1 (en) 1998-12-18 2004-09-14 Tangis Corporation Supplying notifications related to supply and consumption of user context data
US6801223B1 (en) 1998-12-18 2004-10-05 Tangis Corporation Managing interactions between computer users' context models
US7076737B2 (en) 1998-12-18 2006-07-11 Tangis Corporation Thematic response to a computer user's context, such as by a wearable personal computer
US6968333B2 (en) 2000-04-02 2005-11-22 Tangis Corporation Soliciting information based on a computer user's context
US6847892B2 (en) 2001-10-29 2005-01-25 Digital Angel Corporation System for localizing and sensing objects and providing alerts
US6598195B1 (en) * 2000-08-21 2003-07-22 General Electric Company Sensor fault detection, isolation and accommodation
US20020044152A1 (en) 2000-10-16 2002-04-18 Abbott Kenneth H. Dynamic integration of computer generated and real world images
US20030046401A1 (en) 2000-10-16 2003-03-06 Abbott Kenneth H. Dynamically determing appropriate computer user interfaces
US20020054130A1 (en) 2000-10-16 2002-05-09 Abbott Kenneth H. Dynamically displaying current status of tasks
US7373283B2 (en) * 2001-02-22 2008-05-13 Smartsignal Corporation Monitoring and fault detection system and method using improved empirical model for range extrema
SE522545C2 (sv) * 2001-03-06 2004-02-17 Goalart Ab System, anordning och förfarande för diagnostisering av flödesprocesser
WO2002088850A1 (en) * 2001-04-26 2002-11-07 Abb As Method for detecting and correcting sensor failure in oil and gas production system
KR20030045420A (ko) 2001-12-04 2003-06-11 (주) 이스텍 수질측정시스템
JP4041395B2 (ja) * 2002-12-27 2008-01-30 東京瓦斯株式会社 故障検出装置及び故障検出方法
JP2005250557A (ja) 2004-03-01 2005-09-15 Mail Support Systems:Kk モバイル技術による日常的水質監視システム
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735450A (zh) * 2011-04-08 2012-10-17 通用电气公司 用于评估燃烧机的运行的系统和方法
CN102735450B (zh) * 2011-04-08 2016-08-10 通用电气公司 用于评估燃烧机的运行的系统和方法
CN103562685A (zh) * 2011-05-31 2014-02-05 丰田自动车株式会社 传感器信息增补系统以及传感器信息增补方法
CN103562685B (zh) * 2011-05-31 2015-12-23 丰田自动车株式会社 传感器信息增补系统以及传感器信息增补方法
CN103975557B (zh) * 2011-10-28 2018-09-07 瑞典爱立信有限公司 用于传感器观测的评价的方法和系统
US9654997B2 (en) 2011-10-28 2017-05-16 Telefonaktiebolaget Lm Ericcson (Publ) Method and system for evaluation of sensor observations
CN102970366A (zh) * 2012-11-23 2013-03-13 江苏物联网研究发展中心 基于地理信息系统的气象监控系统
CN103916927B (zh) * 2014-03-17 2017-06-13 华中科技大学 一种基于改进和声搜索算法的无线传感器网络路由方法
CN103916927A (zh) * 2014-03-17 2014-07-09 华中科技大学 一种基于改进和声搜索算法的无线传感器网络路由方法
CN106716074A (zh) * 2014-07-23 2017-05-24 哈希公司 探测装置
CN108541363A (zh) * 2015-12-26 2018-09-14 英特尔公司 用于管理传感器异常的技术
CN111557012A (zh) * 2018-12-03 2020-08-18 戴斯数字有限责任公司 跨传感器预测性推断
CN111557012B (zh) * 2018-12-03 2023-09-15 戴斯数字有限责任公司 跨传感器预测性推断
US11693423B2 (en) * 2018-12-19 2023-07-04 Waymo Llc Model for excluding vehicle from sensor field of view
CN109857018A (zh) * 2019-01-28 2019-06-07 中国地质大学（武汉） 一种数字传感器软模型系统
CN111599166A (zh) * 2019-02-20 2020-08-28 通用汽车环球科技运作有限责任公司 用于解释交通信号和协商信号化的交叉路口的方法和系统
CN111599166B (zh) * 2019-02-20 2022-06-17 通用汽车环球科技运作有限责任公司 用于解释交通信号和协商信号化的交叉路口的方法和系统

Also Published As

Publication number Publication date
US7696866B2 (en) 2010-04-13
JP4790864B2 (ja) 2011-10-12
US20090002148A1 (en) 2009-01-01
WO2009005963A1 (en) 2009-01-08
EP2176822A1 (en) 2010-04-21
EP2176822A4 (en) 2012-06-20
JP2010533903A (ja) 2010-10-28

Similar Documents

Publication Publication Date Title
CN101689287A (zh) 关于传感器的上下文敏感可靠性的学习和推理
Gutierrez-Osorio et al. Modern data sources and techniques for analysis and forecast of road accidents: A review
US7948400B2 (en) Predictive models of road reliability for traffic sensor configuration and routing
Nallaperuma et al. Online incremental machine learning platform for big data-driven smart traffic management
Shaygan et al. Traffic prediction using artificial intelligence: review of recent advances and emerging opportunities
CN1776739B (zh) 使用对概率相关性和环境数据的建模与分析的交通预报
US7706965B2 (en) Rectifying erroneous road traffic sensor data
CN102385799B (zh) 交通状态预测装置
Basso et al. The importance of flow composition in real-time crash prediction
CN101479733A (zh) 对上下文敏感的路线推断道路速度
CN103890730A (zh) 用于传感器驱动的车辆遥测应用和服务的开发和部署的计算平台
KR20060092909A (ko) 확률적 상호 의존 관계 및 정황 데이터의 모델링 및 분석을이용하는 교통 예측
AU2007224206A1 (en) Assessing road traffic conditions using data from mobile data sources
Zheng et al. Framework for fusing traffic information from social and physical transportation data
CN103430203A (zh) 远程无线通讯智能执行ping操作的系统及方法
US20230128964A1 (en) Mobile Device And System For Automated Trip Familiarity Recognition And Corresponding Method Thereof
Abdi et al. A review of travel and arrival-time prediction methods on road networks: classification, challenges and opportunities
Fan et al. Evaluating crisis perturbations on urban mobility using adaptive reinforcement learning
Mehrannia et al. Deep representation of imbalanced spatio‐temporal traffic flow data for traffic accident detection
EP2682926B1 (en) Traffic delay detection by mining ticket validation transactions
Evans et al. Evolution and future of urban road incident detection algorithms
Kashifi et al. Spatiotemporal grid-based crash prediction—application of a transparent deep hybrid modeling framework
Zarindast et al. A data-driven method for congestion identification and classification
Gomes et al. A survey on traffic flow prediction and classification
US20230258461A1 (en) Interactive analytical framework for multimodal transportation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20100331