对比文件名称：2009-12-31_US2009327478A_发明申请_US20090327478A1 SELECTION OF SENSORS FOR MONITORING PHENOMENA CONSIDERING THE VALUE OF INFORMATION AND DATA SHARING PREFERENCES
目标专利名称：用于参与式感知数据采集的方法和设备CN103581939B
模型名称：DeepSeek（本次调用的模型）
### 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（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，<br><br>《隐含公开》 | 【0026】“系统100还包括数据存储104，该数据存储104包括传感器列表106，这些传感器对应于允许使用来自这些传感器的数据的用户。”<br><br>【0028】“选择器组件112基于VOI和接收到的用户定义的共享偏好，从传感器列表106中选择一个或多个传感器以请求数据。” | 对比文件明确提及从“多个用户设备”（即传感器列表106中的传感器）中选择传感器，隐含了针对每个用户设备执行后续操作的基础。对比文件未直接说明“对于每个用户设备”的循环处理，但本领域技术人员可合理推理出：在评估和选择传感器时，必然涉及对每个候选传感器或其对应用户的考量，这构成隐含公开。 | |
| **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<br><br>《隐含公开》 | 【0056】“定位确定器组件506可以分析可用传感器列表106中的传感器，并以特定概率确定每个传感器106的位置……第一种示例模型可以描述为空间混淆方法……选择器组件112根据接收到的相对于现象模型特定区段的信息价值，可以按照定义在该单元内所有传感器上的概率分布来选择特定区域中的传感器。”<br><br>【0057】“第二个示例模型可以描述为稀疏查询方法……对于每个驾驶员，可以估算出与时间相关的可用性分布。选择器组件112可以使用该分布来通知决定哪些汽车（传感器）需要被查询。” | 对比文件通过预测传感器位置（如“与时间相关的可用性分布”）来估计传感器位于特定区域（即子区域）的概率，其核心是利用历史或统计信息进行位置预测。目标专利明确计算用户设备在“预定时间”位于“各个子区域”的“概率”，而对比文件通过空间混淆或稀疏查询模型实现类似功能。本领域技术人员可合理推理出：对比文件的技术方案隐含了利用移动历史信息（如位置分布）计算概率的步骤，因此技术特征B被隐含公开。 | |
| **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<br><br>《隐含公开》 | 【0027】“传感器列表106中的传感器对应于存在于‘现实世界’中的传感器108-110，例如GPS传感器、温度传感器、加速度传感器、速度传感器、气压传感器或任何其他合适的传感器……” | 对比文件公开了传感器类型（即能力信息），并隐含了基于传感器能力确定采集数据类型的逻辑。目标专利明确“基于能力信息确定采集数据类型”，而对比文件在选择传感器时必然会考虑该传感器“能采集什么数据”（例如，温度传感器采集温度数据）。对比文件部分公开了“能力信息”的内容，且本领域技术人员可合理推理出在确定传感器采集任务时，其类型由其能力决定，因此该特征被隐含公开。 | |
| **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<br><br>《隐含公开》 | 【0037】“价值信息确定器组件306基于由需求确定器组件302确定的需求和由不确定性确定器组件304确定的不确定性减少量，来确定接收与现象模型206的特定部分相关的数据的价值信息（VOI）。”<br><br>【0042】“价值信息的一个示例表示如下：R(A)=Σs∈VE[Ds(Var(Xs)-Var(Xs | XA))]”<br><br>【0049】“R(A)=Σs∈V λs ΣsA ΣAA-1 ΣAs” | 对比文件定义了“价值信息”（VOI），该价值信息是基于对特定区段（子区域）的需求（可类比概率）和确定性减少（与数据类型选择相关）来计算的。目标专利的“效用值”是基于概率和类型获得，对比文件的VOI也是基于不确定性减少（与感知数据类型相关）和需求（与位置概率相关）获得。虽然计算方式不同，但原理类似。本领域技术人员可合理推理出对比文件隐含了根据位置概率和数据类型获得价值信息的步骤，因此技术特征D被隐含公开。 |
| **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。<br><br>《隐含公开》 | 【0028】“选择器组件112基于VOI和接收到的共享偏好，从传感器列表106中选择一个或多个传感器以请求数据。”<br><br>【0006】“基于需求加权信息价值，可以确定接收与现象模型特定部分相关的数据的价值。” | 对比文件明确公开了基于“价值信息”（VOI，即效用值）和用户偏好从多个传感器（即用户设备）中选择一个或多个进行数据采集。这与目标专利基于效用值选择用户设备参与感知数据采集一致。虽然对比文件引入了用户偏好作为附加条件，但其核心逻辑是依据计算出的价值来选择传感器，因此技术特征E被隐含公开。 | |
| **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。<br><br>《隐含公开》 | 【0026】“系统100还包括数据存储104，该数据存储104包括传感器列表106……选择器组件112接收VOI和来自传感器的用户定义的共享偏好。”<br><br>【0027】“传感器列表106中的传感器对应于传感器108-110……（传感器类型）。” | 对比文件的数据存储104存储了传感器列表106，其包含传感器的类型（即能力信息）。另外，对比文件通过位置确定器506获取传感器位置信息。虽然未明确说明“在计算概率前”接收，但本领域技术人员可合理推理出：在计算传感器位置分布或价值信息之前，系统必须已经接收并存储了传感器的位置数据（通过历史查询）和能力信息。因此该特征被隐含公开。 | |
| **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<br><br>《未公开》 | 【无相关披露】<br>对比文件在【0056-0057】描述了空间混淆和稀疏查询模型，并提及“与时间相关的可用性分布”，但未公开或暗示利用移动历史信息建立马尔可夫链模型。其使用的模型是高斯过程或其他概率模型，而非马尔可夫链。 | 目标专利明确限定通过建立马尔可夫链模型来计算概率，该模型涉及位置转移和停留时间统计。对比文件虽然涉及位置概率计算，但其采用的技术路径（如高斯过程、基于单元的概率分布）与马尔可夫链模型完全不同。对比文件既没有直接公开，也没有在任何部分暗示或合理推理出用马尔可夫链来实现该概率计算。因此技术特征G未被直接或隐含公开。 | |
| **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。<br><br>《未公开》 | 【无相关披露】<br>同上，对比文件的概率计算基于其他模型。 | 由于对比文件未公开技术特征G（建立马尔可夫链模型），因此基于该模型计算概率的特征H也未被公开。 | |
| **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。<br><br>《隐含公开》 | 【0026】“用户可定义的数据共享偏好……用户可能不希望在一定的时间段内被请求超过限定次数的数据。”<br><br>【0046】“资源使用情况可以建模，例如，通过将非负成本c(s)与每个观察s∈W关联起来……” | 目标专利引入“未过期”概念以避免采集冗余数据。对比文件未明确提及“过期”，但其公开的用户偏好（如限定时间段内的请求次数）和资源成本模型，隐含了避免重复或低效数据采集的思想。本领域技术人员可合理推理出，在持续监测的场景下，系统需要跟踪已收集数据的状态以避免浪费，虽然对比文件未明确“过期”，但其逻辑框架内存在类似考量，因此特征I被隐含公开。 | |
| **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<br><br>《未公开》 | 【无相关披露】<br>对比文件【0046】提到成本模型C(B)=Σs∈B c(s)，并声称“该成本模型可用于减少或基本最小化收集的读数数量”，但未提及通过将效用值与预定阈值比较来选择。 | 对比文件未公开或暗示通过预设阈值比较效用值来选择传感器。其选择过程基于价值信息与用户偏好的结合，或基于成本最小化，而非简单的阈值判断。因此该特征未被公开。 | |
| **技术特征K**：将所述多个效用值进行排序。<br><br>《未公开》 | 【无相关披露】<br>对比文件【0028】描述选择器组件基于VOI和偏好选择传感器，但未具体描述对效用值进行排序操作。 | 对比文件未公开通过对效用值排序来选择传感器的具体步骤。其选择过程可能基于其他算法（如优化、随机选择），但没有明确揭示“排序”这一技术手段。因此该特征未被公开。 | |
| **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<br><br>《隐含公开》 | 【0031】“请求器组件202可以从选中的一个或多个传感器请求数据，例如，通过ping选定的传感器以获取数据。” | 对比文件的“请求器组件202通过ping选定的传感器以获取数据”明确包含向用户设备（传感器）发出通知以进行数据采集的步骤。虽然目标专利表述为“通知”，对比文件表述为“ping”，但本质相同。本领域技术人员可合理推知这是通知用户设备进行采集。因此特征L被隐含公开。 | |
| **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。<br><br>《隐含公开》 | 【0032】“系统200还包括更新器组件204，该更新器组件204接收来自被请求器组件202ping的传感器的数据。更新器组件204更新现象模型206……”<br><br>【0026】“数据存储104包括传感器列表106……” | 对比文件明确公开了“更新器组件204接收数据”和“数据存储104”的存在。虽然数据存储104主要存储传感器列表，但系统必然有存储机制。本领域技术人员可合理推理出接收的感知数据会被存储（以便更新模型或后续使用）。因此特征M被隐含公开。 | |
| **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。<br><br>《未公开》 | 【无相关披露】<br>对比文件描述了通过请求（如【0031】的ping）触发数据采集，但未明确描述整个“方法”（即选择用户设备的方法）的触发机制是事件、周期还是请求。 | 对比文件侧重于在需要数据时（基于VOI）进行查询，但未从宏观流程上说明选择传感器的方法本身如何被触发。虽然数据请求可以视为一种触发，但目标专利的触发机制是宏观的方法启动，对比文件未将其作为技术特征公开。因此特征N未被公开。 | |
| **技术特征O**：其中利用下式来获得所述效用值：<br><br>《未公开》 | 【0042】对比文件公开了另一公式：R(A)=Σs∈VE[Ds(Var(Xs)-Var(Xs | XA))]<br><br>【0049】进一步具体化为：R(A)=Σs∈V λs ΣsA ΣAA-1 ΣAs | 目标专利的公式与对比文件的公式在结构、变量含义和计算逻辑上完全不同。目标专利的公式包含概率、集合模运算等，而对比文件的公式基于方差减少和需求。对比文件未以任何方式公开或暗示目标专利中的具体公式。因此特征O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。<br><br>《隐含公开》 | 【0001】“在现代世界，越来越多的传感器被消费者使用，这些传感器可以确定，例如，用户的位置、用户的当前温度、用户经历的温度（例如，80度）、用户的移动方向、速度、加速度和/或减速度等信息。”<br><br>【0027】“传感器108-110，例如GPS传感器、温度传感器、加速度传感器、速度传感器、气压传感器或任何其他合适的传感器。” | 对比文件公开了多种传感器类型，包括位置（GPS）、温度（温度传感器）、速度（加速度/速度传感器）、气压（可归类于空气质量相关）。虽然未穷举目标专利列表中的所有项（如亮度、震动、声音、场景），但本领域技术人员可合理推理出对比文件的技术方案适用于各种传感器类型，且列表具有开放性。对比文件部分公开了感知数据的类型，因此技术特征P被隐含公开。 |
### 公开性代码汇总
根据上述详细分析，对比文件对目标专利权利要求的技术特征公开情况如下：
**直接公开**：无
**隐含公开**：特征A、B、C、D、E、F、I、L、M、P
**未公开**：特征G、H、J、K、N、O
<<<a>>><<<b>>><<<c>>><<<d>>><<<e>>><<<f>>><<<i>>><<<l>>><<<m>>><<<p>>>