对比文件的名称：2009-12-23_CN101610567A_发明公开_CN101610567A 一种基于无线传感器网络的动态群组调度方法
目标专利的名称：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：大型语言模型（GPT-4）
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **特征A：** 包括：对于多个用户设备中的每个用户设备，<br>**公开性：未公开** | 对比文件步骤2：“利用当前时刻的任务传感器节点去唤醒距离目标位置最近的传感器节点，接着唤醒距离目标第二近的传感器节点，如此下去，唤醒第M近的传感器节点，共M个被唤醒的传感器节点形成一个动态群组集合G。”该方法涉及多个传感器节点，但并未对每个节点执行后续的独立计算。 | 对比文件虽然涉及多个传感器节点，但方法流程是对当前任务节点进行操作并形成群组，并不是针对每个用户设备分别进行概率计算、类型确定等步骤。特征A中“对于多个用户设备中的每个用户设备”要求对每个设备执行后续操作，对比文件未明确公开此限定。 |
| **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>**公开性：未公开** | 对比文件步骤1：“目标进入无线传感器网络……运用状态估计方法来预测移动目标的位置和速度”；传感器节点位置固定，无移动历史。 | 对比文件预测的是移动目标的位置，而非用户设备（传感器节点）的位置；传感器节点静止，不存在移动历史信息，更未计算节点在各子区域的概率。因此特征B未公开。 |
| **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>**公开性：未公开** | 对比文件中传感器节点仅通过距离测量跟踪目标，未涉及多种感知数据类型；能力信息仅与能量、通信相关，而非感知数据类型。 | 对比文件未公开用户设备具有多种感知能力（如温度、湿度等），也未提及根据能力信息确定在不同子区域要采集的数据类型。因此特征C未公开。 |
| **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>**公开性：未公开** | 对比文件步骤3定义代价函数J(j,Δtk)基于预测精度和能量消耗，但未涉及子区域概率和数据类型。 | 对比文件不存在子区域概率计算和感知数据类型确定，效用值的获得方式完全不同。因此特征D未公开。 |
| **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>**公开性：未公开** | 对比文件步骤3在群组集合G中基于代价函数选择下一任务节点，但代价函数并非从概率和数据类型得到，且选中单个节点。 | 对比文件的选择依据（代价函数）与特征E的效用值（基于概率和数据类型）不同，且未公开基于多个效用值选择多个用户设备。因此特征E未公开。 |
| **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>**公开性：未公开** | 对比文件在形成群组时需要传感器节点位置坐标（如步骤2中根据距离唤醒节点），但未提及接收移动位置信息，也未提及感知能力信息。 | 对比文件未公开预先接收和存储移动位置信息（节点固定）以及感知能力信息。因此特征F未公开。 |
| **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>**公开性：未公开** | 对比文件使用卡尔曼滤波（KF/EKF）等状态估计方法预测目标位置，未建立马尔可夫链模型。 | 对比文件未涉及马尔可夫链模型的建立，也未利用移动历史中的位置转移和停留时间统计。因此特征G未公开。 |
| **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>**公开性：未公开** | 同上，无马尔可夫链模型。 | 对比文件不存在马尔可夫链模型，故不可能利用其计算概率。因此特征H未公开。 |
| **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>**公开性：未公开** | 对比文件未涉及感知数据类型及其过期概念，所有节点只测量距离。 | 对比文件没有数据类型和过期数据的概念，无法根据这些因素确定采集类型。因此特征I未公开。 |
| **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>**公开性：未公开** | 对比文件步骤3.2：“如果群组集G中至少有一个传感器节点满足精度要求（预测精度≤φ0），则选取能量最小的节点。”这里比较的是预测精度与阈值φ0。 | 对比文件将预测精度与阈值比较，但特征J要求将效用值（基于概率和数据类型）与预定阈值比较，两者对象不同。因此特征J未公开。 |
| **特征K：** 将所述多个效用值进行排序<br>**公开性：隐含公开** | 对比文件步骤3.1：“在群组集合内使代价函数值最小的传感器节点作为下一时刻的任务传感器节点。”代价函数J(j,Δtk)由(14)式计算，选择最小值需要对多个候选节点的代价函数值进行比较或排序。 | 对比文件公开了通过使代价函数值最小来选节点，这必然涉及对多个候选值进行排序或比较。本领域技术人员可以合理推断出，对效用值（类似评价指标）进行排序以选择节点是类似操作。因此特征K被隐含公开。 |
| **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>**公开性：直接公开** | 对比文件步骤2：“利用当前时刻的任务传感器节点去唤醒距离目标位置最近的传感器节点……唤醒第M近的传感器节点”；步骤3：“调度下一个任务传感器节点作为工作节点”。唤醒/调度即通知节点进行测量。 | 对比文件明确公开了在选择下一任务节点后，通过唤醒或调度通知该节点执行感知（测量）任务。这与特征L的通知用户设备进行感知数据采集完全相同。因此特征L直接公开。 |
| **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>**公开性：隐含公开** | 对比文件步骤3中，EKF算法使用“新的测量值y(i)(k)……更新状态估计mk(i)和Pk(i)”。测量值即为采集的感知数据，被用于更新状态，意味着被接收和存储。 | 对比文件虽未明确使用“接收和存储”表述，但测量数据被滤波算法接收并用于更新状态估计，实质包含了接收和存储过程。本领域技术人员可以合理推断出该数据被接收并存储。因此特征M隐含公开。 |
| **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>**公开性：直接公开** | 对比文件步骤1：“目标进入无线传感器网络，距离目标最近的传感器节点被唤醒作为任务传感器节点”，以此触发后续调度方法。 | 对比文件以目标进入网络作为事件触发方法的执行，属于事件触发。因此特征N直接公开。 |
| **特征O：** 其中利用下式来获得所述效用值：……（公式）<br>**公开性：未公开** | 对比文件未包含目标专利中的效用值计算公式（涉及概率、数据类型集合等）。 | 对比文件的代价函数公式与目标专利的效用值公式完全不同，且未公开该特定公式。因此特征O未公开。 |
| **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>**公开性：未公开** | 对比文件中传感器节点仅测量距离，未涉及多种环境感知数据类型。 | 对比文件未公开感知数据可包括湿度、温度、空气质量等多种类型。因此特征P未公开。 |
<<<k>>><<<L>>><<<m>>><<<N>>>