阅读说明：本技术 针对位置感测对移动装置分组 (Grouping mobile devices for location sensing ) 是由 A·梅尔奎斯特 B·帕利延多 H·森德斯特伦 L·诺尔德 A·伊斯贝里 A·佩特夫 于 2018-01-12 设计创作，主要内容包括：提供了用于移动装置分组方法(10A、10B)。一种方法(10B),包括从多个移动装置(40A-40C)中的每个移动装置(40A-40C)接收(15B)控制数据(30A、30B),所述控制数据(30A、30B)指示在由相应移动装置(40A-40C)的传感器(43)监测的物理可观测量的测量值的时间序列中检测到的至少一个异常；基于对来自多个移动装置(40A-40C)的控制数据(30A、30B)指示的异常的比较,确定(17)多个移动装置(40A-40C)到至少一个位置感测组中的指派；根据所述至少一个位置感测组实施(20B)组传感器报告。(A grouping method (10A, 10B) for mobile devices is provided. A method (10B) comprising receiving (15B), from each mobile device (40A-40C) of a plurality of mobile devices (40A-40C), control data (30A, 30B), the control data (30A, 30B) being indicative of at least one anomaly detected in a time series of measured values of physical observables monitored by sensors (43) of the respective mobile device (40A-40C); determining (17) an assignment of the plurality of mobile devices (40A-40C) into at least one location sensing group based on a comparison of anomalies indicated by control data (30A, 30B) from the plurality of mobile devices (40A-40C); performing (20B) group sensor reporting according to the at least one position sensing group.)

针对位置感测对移动装置分组

技术领域

本发明的各种实施方式涉及用于组传感器报告和相应的移动装置分组方法，并且涉及根据这些方法操作的装置。各种实施方式具体涉及可在蜂窝网络中操作并与物联网上下文有关的方法和装置。

背景技术

物联网装置的成本和尺寸正在迅速减小。将可以为更多物品配备通信技术，通信技术例如低功率广域网、LPWAN、广域网、WAN或蓝牙低能量BLE。这将支持新类型的应用；例如，在物流业，将可以监测单个物品而不是一组物品在集装箱内或装载到卡车上。

然而，因为IoT装置变小并且电池的尺寸也变小，电池电力将仍然是有限的资源。虽然诸如蜂窝技术之类的WAN无线通信将继续在这样的装置中需要大量的能量，但是降低电池消耗的一种方案是将紧密相邻的IoT装置集群分组，并且将这些IoT装置作为实体对待，因此可以在集群中的装置之间分配通过网络报告感测数据的负担。

例如，在移动跟踪应用中，对于紧密相邻的所有装置而言位置是相同的。移动装置的分组和相关联的组传感器报告可以用于在移动装置之间共享报告负担，或者作为整体增加集群的报告频率以实现较好的位置粒度。在检测到移动装置离开组，该装置将恢复回作为独立单元报告传感数据。

针对组传感器报告标识装置组或集群是已知问题，并且提出了几个解决方案。

例如，可以使用短距离通信技术来检测装置紧密相邻。该解决方案的一个缺点是需要使装置彼此通信。

另选地，可以对所报告的感测数据应用统计方法来推断装置紧密相邻，例如通过比较定位信息。如果装置以低频次彼此独立地报告数据，则该解决方案需要很长时间。这要求在形成集群之前收集许多数据点。

发明内容

鉴于以上所述，在本领域中持续需要解决某些上述需要的方法和装置。

本发明的这些基本目的均由独立权利要求来解决。本发明的优选实施方式在从属权利要求中阐述。

根据第一方面，提供了一种方法。该方法包括以下步骤：从多个移动装置中的每个移动装置接收控制数据，所述控制数据指示在由相应移动装置的传感器监测的物理可观测量的测量值的时间序列中检测到的至少一个异常，基于对来自所述多个移动装置的所述控制数据指示的异常的比较，确定所述多个移动装置到至少一个位置感测组中的指派，以及根据所述至少一个位置感测组实施组传感器报告。

有利地，可以基于源自诸如加速度计、压力传感器、陀螺仪、光电二极管、温度传感器或麦克风之类的任何传感器的传感器数据来促进移动装置的分组。不同的传感器测量不同的物理可观测量。

有利地，移动装置的分组可以基于作为在从不同移动装置接收的相应控制数据中指示的至少一个异常而出现的事件，而不需要接收许多数据点。

有利地，即使专用定位传感器(例如全球定位系统GPS传感器等)不可用或暂时接收不到，也可促进移动装置的分组。因此，基于异常比较的装置分组可以比传统装置分组精确和鲁棒，并且可以提高传统装置分组的精确性和鲁棒性。

有利地，根据所确定的位置感测组来实施组传感器报告可减少相应位置感测组的多个移动装置的电池消耗，因为这些移动装置可被视为实体。

这里使用的术语“移动装置”可以指能够移动或被移动并且包括无线接口的设备，通过该无线接口，诸如LPWA、WAN或BLE之类的通信技术建立并维持到无线网络，特别是到蜂窝网络的连接性。这种移动装置的示例包括智能电话、计算机、机器类型通信(MTC)装置和窄带物联网(NB-IOT)装置。

这里使用的术语“无线网络”可以指除了将无线网络基础设施的功能实体相互连接的固定网络链路之外的包括网络节点之间的无线/无线电链路的通信网络。这种网络的示例包括通用移动通信系统UMTS和第三代合作伙伴计划3GPP长期演进LTE蜂窝网络、新无线NR 5G网络、远程无线Lora等。通常，无线网络的各种技术可以适用，并且可以提供(LP)WAN连接性。

这里使用的术语“异常”基于异常检测，即用于标识不符合基线行为的称为异常或离群值的非通常模式的技术。例如，异常可以指给定数据集中不符合预期模式的观测量或事件。将可能的是，与给定异常相关联的测量值显著不同于与给定异常不相关联的其它测量值。例如，异常可以是测量值的峰或谷，例如具有一定的统计显著性。在其它示例中，异常可以由测量值中的峰和/或谷的特定模式来定义，例如间隔不超过100ms的三个连续峰等。将可以理解，异常的具体特征可以随传感器的不同而不同。例如，预期压力传感器可以在测量值的时间序列中显示出与陀螺仪不同的异常。

不同的异常可以示出不同的特征行为，有时称为异常指纹。例如，对于不同的异常，测量值可以示出不同的时间依赖性。例如，第一异常可以与指示“测量值中的三个连续峰”的指纹相关联；而第二异常可以与指示“测量值中的三个连续谷”的指纹相关联。不同的异常可以被标记。

这里使用的术语“时间序列”可以指按时间顺序加索引的一系列测量值，并且特别是在连续且等间隔的时刻测量的一系列测量值，其被称为采样。

这里使用的术语“物理可观测量”可以指可以通过测量确定其瞬时值的物理量。示例包括：压力、声音、亮度、加速度、温度等。

这里使用的术语“传感器”可以指装置的用于检测装置环境中的事件或变化的功能实体。传感器可以包括模数转换器。

例如，加速度计是可用于检测传感器及其装置主机相对于装置环境的加速度的物理可观测量传感器，单位为m/s²。

这里所使用的术语“位置感测组”可以指多个移动装置，这些移动装置在不需要彼此知道的情况下共同移动或被共同移动，并且由于它们彼此邻近而可以由网络共同管理。

这里使用的术语“组传感器报告”可以指允许位置感测组的多个移动装置报告它们相应的传感器数据中的异常，以推测位置感测组的共同位置的技术。例如，这可以通过协调位置感测组的各个移动装置的传感器报告来实现，以在多个移动装置之间共享报告负担，或者作为整体增加组的报告频率以实现较好的位置粒度。应当理解，各种组传感器报告指派可以被指派给位置感测组中的移动装置，例如温度、湿度、位置等。可以设置组头领，该组头领可以控制或实施传感器报告。组头领功能可以被指派给一个移动装置或在应用服务器中实施。

根据一些实施方式，所述控制数据指示所述至少一个异常的时间戳和与所述至少一个异常相关联的标记中的至少一项，所述标记是根据由多个移动装置中的相应移动装置使用来检测测量值的时间序列中的异常的相应检测器模型来标识的。

有利地，通过仅发送基本控制数据，比较由相应关联标记指示的异常可以减少相应移动装置的电池消耗，并且通过简化比较本身可以减少接收和数据处理网络节点的功率消耗。

这里使用的术语“标记”可以指表示当使用可以由网络节点预先配置的检测器模型检测时至少一个异常的标识符。

具体地，如果至少一个异常可使用由网络配置的检测器模型来检测并且因此表示“已知异常模式”，则标记可以被分配给该至少一个异常。不同的标记可以对应于不同异常。

被标记的异常模式还可以与位置信息相关联，意味着检测器模型不仅检测异常，而且隐含地找到移动装置的当前位置。

标记的示例包括：路障、左转、右转、公路入口、公路出口、减速带等。

可以理解，标记的数据大小可以显著小于包括至少一个异常的测量值的数据大小。这有助于减少所需的带宽。

例如，如果至少一个异常被识别为具有高显著性，例如与给定显著性阈值有关，则该至少一个异常可以在向网络节点发送的相应控制数据中通过短标记而不是通过时间序列的庞大部分来指示。

这里使用的术语“显著性”可以指通过由网络配置的检测器模型识别至少一个异常的确定性。例如，0％的识别显著性可以表示由网络配置的检测器模型是不可用的，或者已经基于除了该至少一个异常之外的异常配置。相反，100％的识别显著性可以指示在已经基于至少一个异常配置了检测器模型之后，由网络配置的检测器模型再次遇到该至少一个异常。由于所监测的物理可观察量的模拟性质，识别显著性会低于100％。

这里使用的术语“检测器模型”可以指根据样本数据建立的模型，其使得能够在测量值的时间序列中进行异常检测。例如，简单的统计检测器模型可以涉及时间序列的移动平均值的倍数作为阈值，以确定时间序列中的离群值或异常。较复杂的检测器模型例如可以涉及机器学习，特别是基于人工神经网络的机器学习。

根据一些实施方式，控制数据指示包括至少一个异常在内的测量值的时间序列的一部分、和在至少一个异常发生时相应移动装置的位置信息中的至少一项。

在不可能可靠地检测每个单独移动装置处的异常的情况下，控制数据的这种实现方式会是有帮助的。例如，给定移动装置检测到给定异常的显著性会是有限的。然后，基于在来自多个移动装置的控制数据中获得的测量值，可以集中地执行较可靠的异常检测，例如通过各种测量值之间的相关。

此外，在例如由于复杂性而不容易将每个异常分类到给定标记中的情况下，控制数据的这种实现方式会是有帮助的。然后，通过提供测量值可以避免不确定性。而且，关于异常的类型的先验知识可能不可用。

此外，在用于检测异常的检测器模型还没有被正确训练的情况下，控制数据的这种实现方式会是有帮助的。

有利地，使用测量值对来自多个移动装置的控制数据指示的异常进行比较促进在还没有传感器数据大量基础可用时和/或在还没有观测的异常的情况下将多个移动装置指派到位置感测组中。

基于测量值的时间序列部分，可以能够训练相关模型。这可以帮助标识某些异常原则上是否适合用作装置分组中的决策标准。

这里使用的术语“训练”可以总体上指根据过去收集的数据推测出例如决策功能这样的功能的过程。具体在机器学习上下文中，训练可以涉及基于由输入值或向量和期望输出值组成的一组训练示例的受监督学习，或者涉及基于训练示例的无监督学习，该无监督学习中来自多个移动装置的控制数据被用作输入并且由来自多个移动装置的控制数据指示的异常的比较的结果被用作期望输出值。

这里使用的术语“机器学习”可以指用于数据驱动学习和决策制定的计算方法，而不涉及任何数据特定的编程。

这里使用的术语“时间戳”可以指时间序列内的时间序列部分的定时信息，和/或相对于绝对时间的定时信息。例如，时间戳可以表示时间序列的包括至少一个异常的部分的开始时间和/或结束时间。公共时间基准可以用于多个装置。

这里使用的术语“时间序列的部分”可以指没有间隙或具有间隙的时间序列的部分，但是在任何情况下都包括指示至少一个异常的那些测量值。

这里使用的术语“位置信息”可以指定义特定地理位置的信息。例如，位置信息可以包括纬度和经度信息，可选地包括海拔高度信息，并且可以例如被表示为小数，表示为度-分-秒或任何其它表示。位置信息可以表示无线或蜂窝网络的最后已知的接入点或小区、小区的区段，或移动装置本身的位置。

根据一些实施方式，物理可观察量选自包括以下各项的组；加速度、位置、旋转、声压、温度、压力、亮度。

根据一些实施方式，该方法还包括：基于相关模型比较多个移动装置的异常。相关模型的至少一个参数是通过机器学习技术配置的。

有利地，随着在现场系统中捕获更多的传感器数据，机器学习可以允许装置分组的连续调整和改进。例如，如以上指出，可以基于与控制数据一起接收的测量值来训练相关模型。

有利地，机器学习可以允许数据驱动的学习和决策制定，而不涉及任何数据特定的编程。

有利地，通过根据异常的比较推测哪些异常对于装置分组是有关的或重要的，机器学习可以允许减少移动装置的报告频率和/或提高集群粒度。

这里使用的术语“相关模型”可以指能够将异常相关的任何模型，例如基于测量值的相应时间序列的标记或部分。例如，简单相关模型可以涉及作为不同时间序列的基于其相应时间戳彼此对准的两个部分的相似性的度量的互相关。较复杂的相关模型例如可以涉及机器学习，特别是基于人工神经网络的机器学习。

根据一些实施方式，机器学习技术基于测量值的时间序列来操作。其一部分可以由控制数据指示。

根据一些实施方式，该方法还包括：基于并非源自多个移动装置的传感器的基准控制数据来验证所确定的指派。

有利地，这使得能够如果位置感测组偏离预期则识别并采取适当的行动。

这里使用的术语“基准控制数据”可以指外部数据，例如包裹列表或订单数据库，其反映一个或多个预期组指派并且可以将所确定的位置感测组与其比较。

根据一些实施方式，机器学习技术还基于基准控制数据操作。

有利地，通过基准控制数据提供期望输出值，这可以有助于基于由输入值或向量和期望输出值组成的训练示例的机器学习。

根据一些实施方式，该方法还包括：从所述多个移动装置中的至少一个移动装置接收指示测量值的时间序列的上行训练控制数据；基于所述上行训练控制数据：配置由所述多个移动装置中的所述至少一个移动装置使用来检测异常的相应检测器模型的至少一个参数，以及向所述多个移动装置中的所述至少一个移动装置发送包括所述相应检测器模型的至少一个参数在内的下行控制数据。

另外，所述配置可以基于机器学习技术。

这里使用的术语“上行”可以指从终端装置特别是移动装置向网络特别是无线网络的通信方向。

有利地，基于相应的上行训练控制数据以及来自多个移动装置的上行训练控制数据指示的异常的比较结果，可以配置相应检测器模型，并且随着在现场系统中捕获更多的传感器数据还可以进一步改进相应检测器模型。这可以有助于较可靠地检测异常。此外，可以训练新类型的异常。可以分配相应标记。

这里使用的术语“下行”可以指从网络特别是无线网络向终端装置特别是移动装置的通信方向。

根据一些实施方式，配置相应检测器模型的至少一个参数包括：训练由所述多个移动装置中的所述至少一个移动装置使用来检测异常的相应检测器模型。

有利地，训练相应检测器模型可以允许数据驱动的学习和决策制定，而不涉及任何数据特定的编程。

根据第二方面，提供了一种操作移动装置的方法，所述方法包括以下步骤：从网络的网络节点接收包括检测器模型的至少一个参数在内的下行控制数据，基于根据所述至少一个参数配置的所述检测器模型，在由所述移动装置的传感器监测的物理可观测的测量值的时间序列中检测至少一个异常，以及向所述网络节点发送指示所述至少一个异常的控制数据。

有利地，通过仅发送基本控制数据，基于检测器模型检测至少一个异常可以减少相应移动装置的电池消耗。减少了控制信令开销。如果经标记的异常已经具有相关联的位置信息，则可以进一步减少电池消耗，因为不需要移动装置运行任何定位方法来找到当前位置。

这里使用的术语“网络节点”可以指经由可用的WAN连接性提供服务(例如移动装置的分组)的云服务器基础设施。云服务器基础设施可以由服务器硬件/软件和/或分布式处理来实现。网络节点可以是无线网络或数据网络(例如因特网)的一部分。

根据一些实施方式，该方法还包括根据控制数据建立的至少一个位置感测组来实施组传感器报告。

有利地，根据所确定的位置感测组来实施组传感器报告可以减少相应位置感测组的多个移动装置的电池消耗，因为这些移动装置可被视为实体。组头领可以是可用的。可以在经分组的装置之间共享分组传感器报告。

根据一些实施方式，该方法还包括：依赖于识别所述至少一个异常的显著性，在周期性报告和非周期性报告之间进行选择以用于发送所述控制数据。

有利地，这可以响应于新传感器数据的可用性而加速移动装置的分组或者减少相应移动装置的电池消耗。

例如，如果该至少一个异常被识别为具有高显著性，例如与第一给定显著性阈值有关，则对应的控制数据可以被立即发送给网络节点，即非周期地报告，以例如提高现有位置感测组的定位精度。

另选地或附加地，如果至少一个异常被识别为具有低显著性，例如与第二给定显著性阈值有关，则非周期性报告可能是适当的。在这种情况下，该至少一个异常可能还没有由网络配置的检测器模型遇到，并且对应的控制数据也可以有助于将移动装置分组到位置检测组。

非周期性报告可以依靠专用资源。这里，可以响应于对非周期性报告的需要来传送上行调度请求和下行调度许可，以获得专用资源。

在所有其它情况下，或者当降低电池消耗是重要的考虑因素时，周期性报告可能是适当的。周期性报告可以利用预先调度的资源。例如，以特定时间模式/周期性报告调度重新出现的被半持久调度的资源可用于周期性报告。可以不需要专用资源。

根据一些实施方式，该方法还包括：根据周期性报告调度将多个异常聚集到所述控制数据的消息中。

有利地，通过由于每次传输的传输开销而较不频繁地发送检测到的异常，这可以保持相应移动装置的电池资源。

根据第三方面，提供了一种移动装置，所述移动装置包括传感器；和处理器，所述传感器适于从网络的网络节点接收包括检测器模型的至少一个参数在内的下行控制数据，基于根据所述至少一个参数配置的检测器模型，在由所述移动装置的传感器监测的物理可观测量的测量值的时间序列中检测至少一个异常，向网络节点(50)发送指示所述至少一个异常的控制数据。

这里使用的术语“无线接口”可以指装置的用于提供对对应无线通信网络的无线连接性的功能实体。

这里使用的术语“处理器”可以指装置的用于执行在装置的存储器中提供的方法步骤的功能实体。

根据一些实施方式，处理器还适于执行各种实施方式的方法。

有利地，上述与根据第二方面的方法相关的技术效果和优点同样适用于具有对应特征的移动装置。

根据第四方面，提供了一种网络节点，所述网络节点包括处理器，所述处理器适于从多个移动装置中的每个移动装置接收控制数据，所述控制数据指示在由相应移动装置的传感器监测的物理可观测量的测量值的时间序列中检测到的至少一个异常，基于对来自所述多个移动装置的控制数据指示的异常的比较，确定所述多个移动装置到至少一个位置感测组中的指派，以及根据所述至少一个位置感测组实施组传感器报告。

这里使用的术语“网络接口”可以指装置的用于提供对对应通信网络的网络连接性的功能实体。

根据一些实施方式，处理器还适于执行各种实施方式的方法。

有利地，上述与根据第一方面的方法相关的技术效果和优点同样适用于具有对应特征的网络节点。

根据第五方面，提供了一种系统。该系统包括各种实施方式的移动装置和各种实施方式的网络节点。

附图说明

将参照附图描述本发明的实施方式，其中相同或相似的附图标记表示相同或相似的元件。

图1是例示根据实施方式的方法的示意图。

图2是例示在根据实施方式的方法中传递的上行训练控制数据的示意图。

图3是例示根据实施方式的方法的变型例的示意图。

图4是例示根据实施方式的方法的另外变型例的示意图。

图5是例示在根据实施方式的方法中传送的控制数据的示意图。

图6是用于例示根据实施方式的移动装置的示意图。

图7是用于例示根据实施方式的网络节点的示意图。

具体实施方式

现在将参照附图描述本发明的示例性实施方式。虽然将在特定应用领域的上下文中描述一些实施方式，但是这些实施方式不限于该应用领域。此外，各种实施方式的特征可以彼此组合，除非另外具体相反说明。

附图被认为是示意性表示，并且附图中所示的元件不必须按比例示出。相反，各种元件被表示为使得它们的功能和一般目的对于本领域技术人员变得明显。

图1是例示出根据实施方式的方法10A、10B的示意图。

这些实施方式基于指示在不使用由网络配置的检测器模型的情况下检测12的异常的控制数据30A来实施移动装置40A-40C的分组。

图1左侧所示出的方法10A用于操作多个移动装置40A-40C中的移动装置40A-40C，而图1右侧所示的方法10B用于操作网络节点50。

根据方法10A，多个移动装置40A-40C中的每个移动装置40A-40C包括相应传感器43，其可以是低成本传感器，例如加速度计、麦克风等。每个传感器43监测在测量值的相应时间序列中捕获的相应物理可观测值。相应物理可观察量可以是加速度、位置、旋转、声压、温度、压力、亮度等。

不同移动装置40A-40C可以包括对应的传感器。在一些情况下，每个移动装置40A-40C包括多于单个传感器。

相应移动装置40A-40C可以在测量值的相应时间序列中单独检测12至少一个异常。

如果是这样，则在图1的示例中，相应移动装置40A-40C向网络节点50发送15A指示至少一个异常的控制数据30A。如图1所示，方法10A的发送步骤15A执行由相应移动装置40A-40C发送控制数据30A，而方法10B的接收步骤15B执行网络节点50相应接收制数据30A。

初始地，可以假设默认的检测器模型，例如简单的统计检测器模型，使得通常可以在没有由网络配置的检测器模型的任何辅助的情况下执行检测12。因此，相应移动装置40A-40C向网络节点50发送15A指示至少一个异常的相应上行控制数据30A，参见图2。这里，上行控制数据30A包括时间戳和测量值的时间序列的关联部分。可选地，上行控制数据30A包括被测量的位置。

测量值的时间序列的该部分被包括在控制数据30A中，因为通常未经训练的检测器模型是相当不可靠的。

再次参考图1，当发送15A上行控制数据时，相应移动装置40A-40C可以依赖于识别至少一个异常的显著性在控制数据30A的周期性报告和非周期性报告之间选择13。

如前所述，假设检测12不依靠根据从网络节点50接收的至少一个参数配置的检测器模型。因此，该至少一个异常不被识别为“已知异常模式”，并且选择非周期性报告以尽快向网络节点50提供控制数据30A，以在创建网络配置的检测器模型时考虑该至少一个异常。

根据方法10B，网络节点50从多个移动装置40A-40C中的每个移动装置40A-40C接收15B相应控制数据30A。

然后，网络节点50可以基于相关模型比较16多个移动装置40A-40C的异常。相关模型的至少一个参数是由机器学习技术的，该机器学习技术可以基于测量值的时间序列来操作，并且还可以基于基准控制数据来操作。

然后，网络节点50基于由来自多个移动装置40A-40C的相应控制数据30A指示的异常的比较16，确定17多个移动装置40A-40C到至少一个位置感测组中的指派。

然后，网络节点50可以基于并非源自多个移动装置40A-40C的传感器43的基准控制数据来验证18所确定的组指派，所述基准控制数据反映一个或多个预期组指派，例如是包裹列表或订单数据库。

然后，网络节点50根据至少一个位置感测组实施20B组传感器报告。举例来说，此可涉及根据所述至少一个位置感测组中的相应位置感测组将相应报告频率指派并传递到每一移动装置40A到40C。

根据方法10A，多个移动装置40A-40C中的每个移动装置40A-40C也可以根据按照控制数据30A建立的至少一个位置感测组实施20A组传感器报告。例如，这可以包括由每个移动装置40A-40C根据至少一个位置感测组中的相应位置感测组来接收和应用相应报告频率。

图2是例示在根据实施方式的方法10A、10B中传递的上行控制数据30A的示意图。

上行控制数据30A指示至少一个异常的时间戳31、时间序列的包括至少一个异常的测量值的部分32、和在至少一个异常发生时相应移动装置40A-40C的位置信息33中的至少一项。

将多个移动装置40A-40C指派到特定位置感测组中可以要求多个移动装置40A-40C中的至少一个移动装置40A-40C已经在向网络节点50发送并由网络节点50接收的上行控制数据30A中提供了其位置信息33。

图3是例示根据实施方式的方法10A、10B的变型的示意图。

这些实施方式实现用于创建相应检测器模型的机器学习技术，该相应检测器模型由多个移动装置40A-40C中的至少一个移动装置40A-40C使用来检测至少一个异常。

根据方法10B，网络节点50从多个移动装置40A-40C中的至少一个移动装置40A-40C接收15B上行训练控制数据99A，该上行训练控制数据99A指示测量值的时间序列，即，如上所述按照时间顺序加索引的测量值的序列。这里，通常不要求移动装置40A-40C已经识别出测量值的时间序列中的任何异常。例如，在移动装置40A-40C处可能没有可用的检测器模型。

然后，网络节点50基于上行训练控制数据99A配置19相应检测器模型的至少一个参数，该相应检测器模型由多个移动装置40A-40C中的至少一个移动装置40A-40C使用来检测至少一个异常。配置步骤19可以附加地基于机器学习技术。

配置19相应检测器模型的至少一个参数可以包括训练由多个移动装置40A-40C中的至少一个移动装置40A-40C使用来检测异常的相应检测器模型。例如，该训练可以涉及基于由输入值或向量和期望输出值组成的训练示例的无监督学习，其中来自多个移动装置的上行训练控制数据被用作输入。

然后，网络节点50向多个移动装置40A-40C中的至少一个移动装置40A-40C发送11B包括相应检测器模型的至少一个参数在内的下行控制数据99B。

图4是例示根据实施方式的方法10A、10B的另外变型例的示意图。

这些实施方式基于指示使用网络配置的检测器模型检测12的异常的控制数据30A来实施移动装置40A-40C的分组。

与图2中相同的附图标记表示相同的元件，并且不需要进一步提及。

根据方法10A，相应移动装置40A-40C响应于网络节点50的方式11B而接收11A下行控制数据99B。该下行控制数据包括相应检测器模型的至少一个参数。例如，可以使用接收到的上行训练控制数据99A来训练检测器模型。检测器模型通常由算法/方法和参数组成。非常基本的示例将是训练发现可以使用线性回归y＝B0+B1*x。然后该模型将B0和B1作为参数。然后可以通过提供x来预测Y。另外，可以能够更新检测器模型的算法/方法。

然后，相应移动装置40A-40C基于根据该至少一个参数配置的检测器模型在由移动装置40A-40C的传感器43监测的物理可观测量的测量值的时间序列中检测12至少一个异常。

然后，相应移动装置40A-40C可以依赖于识别所述至少一个异常的显著性，在周期性报告和非周期性报告之间选择13用于所述控制数据30A、30B的发送。

根据所选择的周期性报告调度，相应移动装置40A-40C可以将多个异常聚集14到控制数据30B的消息中。

然后，相应移动装置40A-40C向网络节点50发送15A指示至少一个异常的控制数据30A，30B。例如，多个移动装置40A-40C中的相同的移动装置40A-40C依赖于对潜在的至少一个异常的识别的相应显著性的需要，可以选择性地发送表示至少一个异常的控制数据30A或控制数据30B。

具体地，与发送15A包括指示测量值的时间序列的部分32和位置信息33的上行控制数据30A相比，发送15A包括针对“已知异常模式”的标记34的控制数据30B可以需要较少的电池资源。

在图4的示例中，发送控制数据30B。

根据方法10B，网络节点50从多个移动装置40A-40C中的每个移动装置40A-40C接收15B相应控制数据30B。通常，一些移动装置40A-40C可以发送控制数据30A；而其它移动装置40A-40C可以发送控制数据30B。

自此，基于控制数据30A或控制数据30B可以执行与图2中相同的方法序列。

特别地，比较16多个移动装置40A-40C的异常可以在具有相同或相似时间戳31的标记34之间、以及在具有相同或相似时间戳31的时间序列32的部分之间执行。

图5是例示在根据实施方式的方法10A、10B中传递的控制数据30B的示意图。

控制数据30B指示至少一个异常的时间戳31、和与至少一个异常关联的标记34中的至少一者。根据由多个移动装置40A-40C中的相应移动装置40A-40C使用以检测测量值的时间序列中的异常的相应检测器模型来标识标记34。

如将理解的，与控制数据30A相比，控制数据30B具有减小的尺寸。

图6是用于例示根据实施方式的移动装置40A-40C的示意图。

移动装置40A-40C包括处理器41、无线接口42和传感器43。

处理器41和无线接口42适用于从网络的网络节点50接收包括检测器模型的至少一个参数在内的下行控制数据11A。

处理器41适用于基于根据至少一个参数配置的检测器模型在由移动装置40A-40C的传感器43监测的物理可观测量的测量值的时间序列中检测12至少一个异常。

另外，传感器43可以包括产生位置信息的位置估计能力。

处理器41和无线接口42还适用于向网络节点50发送15A指示至少一个异常的控制数据30A、30B。

处理器41还适用于执行根据各种实施方式的操作移动装置40A-40C的方法10A。

图7是用于例示根据实施方式的网络节点50的示意图。

网络节点50包括处理器51和网络接口52。

处理器51和网络接口52适用于从多个移动装置40A-40C的每个移动装置40A-40C接收15B控制数据30A、30B，控制数据30A、30B指示在由各个移动装置40A-40C的传感器43监测的物理可观测量的测量值的时间序列中检测到的至少一个异常。

处理器51适用于基于对来自多个移动装置40A-40C的控制数据30A、30B指示的异常的比较来确定17多个移动装置40A-40C到至少一个位置感测组中的指派。

处理器51还适用于根据所述至少一个位置感测组实施20B组传感器报告，并且执行根据各种实施方式的操作网络节点50的方法10B。