CN111008857A - 用于消费包装商品的消耗预测的系统和方法 - Google Patents

Abstract

一种系统和方法使用低成本和功率效率高的运动传感器，其集成到(或附接到)各种通用消费性包装商品(CPG)容器或包装，以在消费事件期间学习和识别消费者的姿态(或多个)。来自运动传感器(例如，加速度计、罗盘和/或陀螺仪)的感测输入被提供到消耗预测模型/程序，其映射过去消费事件以确定CPG中剩余商品(或多个)的量的百分比。消耗预测模型可以考虑个体消费者的习惯性消费率和历史。基于来自运动传感器的输入(或多个)，可以连续地或以特定时间间隔更新消耗预测模型。然后，该消耗预测模型可以用于预测被跟踪的CPG的剩余量，从而允许系统可以进一步处理与零售商的在线系统的补充库存。

Description

用于消费包装商品的消耗预测的系统和方法

相关申请

本申请要求2018年9月14日提交、题为“SYSTEM AND METHOD FOR ESTIMATINGFOOD CONSUMPTION RATE AND PREDICTING DEPLETION USING BATTERY POWERED MOTIONSENSORS”的美国临时专利申请第62/731,191号，以及2018年10月8日提交、题为“SYSTEMAND METHOD FOR DEPLETION PREDICTION OF CONSUMER-PACKAGED GOODS USING BATTERYPOWERED MOTION SENSORS”的美国临时专利申请第62/742,490号的优先权，在此通过引用将上述专利申请的全部内容并入本文。

技术领域

本公开涉及用于确定消费包装商品(Consumer-packaged good，CPG)的消费的系统和方法。

背景技术

消费性包装商品(“CPG”)零售商正在不断创新他们与如今比以往任何时候都有更多选择的消费者互动的方式。新技术以及对“购买体验”的新颖增强，帮助零售商和品牌留住消费者并推动销售额。2015年，一家电子零售商推出了电池供电的、基于Wi-Fi的设备，其允许消费者通过按下按钮而从品牌订购特定产品。它迅速成为零售商和品牌快速钟爱购买的无所不在且全渠道的商业的模型，满意的消费者体验以及提高的品牌忠诚度，所有这些导致销售额的大幅增长。许多消费者对通过该渠道与上一年相比在2017年翻两番的体验和交易感到兴奋。

尽管前述的事实已经证明了在全渠道商务中简单和快速的重要性，但是这种类型的解决方案具有一些局限性。障碍之一是发起购买的认知负担。尽管从程序上讲很简单，但所参考的解决方案要求消费者做出判断并采取明确的行动进行购买。这极大地限制了其用以最终支持品牌和消费者之间始终可用的、消费者优化的渠道的一般性。例如，消费者不能使用前述类型的解决方案来建立与品牌和零售商的再发订购关系，因为在消费者意识到需要并发起交易之前，系统不知道何时进行补给。

例如使用相机的对象和姿态识别之类的现有方法原则上是方便的，但是在实践中提出了严重的可靠性挑战。已经推出了允许智能器具供应商构建他们自己的消费量表的服务。但是，这种方法要求每个供应商开发其自己的特定监视系统以用于数量评估，并且因此它不是可以被轻松转换并应用于许多其他CPG和供应商的统包(turn-key)模型。

电子商务部门正在快速增长。随着上述类型的产品/服务供应的成功，越来越多的零售商和品牌希望与他们的消费者建立全渠道的商务交流解决方案，以提高忠诚度、便利性和销售额。如今，在此过程中缺少一种简单且可靠的方法可以让消费者在商品耗尽时自动重新补充库存。仅基于时间的再发重新订购策略不会产生最佳结果，因为旧货的消耗时间对于每个购物周期并且随着时间推移而不同。消费者想消费新鲜的、新生产的商品，但他们担心它们的供应缺口，并且记住按时重新订购的认知负担提出了挑战。

发明内容

本公开通过实现用于利用运动传感器来估计消费包装商品(CPG)的消费率并预测CPG的剩余量的系统和方法，解决了已知解决方案的问题，例如供应缺口以及必须记住和断然地采取行动以按时重新订购。所公开的系统和方法使用低成本和功率效率高的运动传感器，其需要PCB上的最小占用面积，并且能够被毫不费力地集成到(或附接到)各种通用CPG容器或包装。传感器被编程为使用来自运动传感器——例如加速度计、罗盘和/或陀螺仪——的感测输入在消费事件期间学习和识别消费者的(一个或多个)姿态。根据本公开，可以实现数学消耗预测模型，该模型映射过去消费事件以确定剩余商品(或多个)的量的百分比。消耗预测模型可以考虑个体消费者的习惯性消费率和历史。基于来自运动传感器的(一个或多个)感测输入，可以连续地或以特定时间间隔更新消耗预测模型。然后，该模型能够用于预测被跟踪的CPG的剩余量，从而允许系统可以进一步处理与零售商的在线系统的补充库存。传感器还可以包括在共同拥有和共同未决的美国专利申请序列号16/137,835中描述的环境传感器，通过引用将该专利申请整体并入本文。根据本公开的系统和方法还可以使用来自环境传感器的数据来估计商品(或多个)的过期时间。

所公开的系统和方法为消费者提供了一种有效且负担得起的解决方案，该解决方案在消费者喜欢的物品耗尽之前提醒消费者，并且能够智能地向CPG供应商下补充存货订单，以将新的补给物品递送给消费者而在它们的供应中没有缺口。

对于本领域的技术人员来说，根据以下以说明性方式示出和描述的本公开的详细实施例，本公开的前述和其他优点将变得更加明了。可以理解，所公开的主题能够具有其他和不同的实施例，并且其细节能够在各个方面进行修改。

附图说明

在附图中示出了设备、系统和方法的实施例，这些附图旨在作为示例性而非限制性的，其中，相同的附图标记旨在指代相同或对应的部分，并且其中：

图1示出了根据本公开的用于监视消费事件的所公开的系统的组件；

图2示出了根据本公开的针对消费事件监视CPG目标的系统的示例性实施例的过程流程图；

图3示出了根据本公开的使用系统的另一实施例来检测消费事件的过程流程图；

图4示出了根据本公开的用于监视CPG目标并确定CPG目标何时将需要补给的过程流程图；

图5示出了根据本公开的用于监视CPG目标的数量和质量的过程流程图。

具体实施方式

本文阐述的本公开的方面的详细描述参考了附图，附图以说明的方式示出了各种实施例。尽管足够详细地描述了这些各种实施例以使本领域技术人员能够实践本公开，但是应当理解，可以理解可以实现其他实施例，并且可以在不脱离本公开的精神和范围的情况下进行逻辑和机械改变。因此，本文的详细描述仅出于说明的目的而提供，而不是限制性的。例如，在任何方法或过程描述中叙述的步骤可以以不同的顺序执行，并且不必限于所呈现的顺序。而且，对单个实施例的引用可以包括多个实施例，并且对一个以上组件的引用可以包括单个实施例。

图1示出了监视消费事件的所公开系统的组件。系统包括具有运动传感器的智能标签104，该智能标签被配置为与服务器102通信以估计和预测CPG目标(被称为“目标”或“CPG”)105的消耗。为了使监视过程自动化，消费者可以将标签104手动地附接到目标105。替代地，可以将包括运动传感器的标签104的等同物直接内置到CPG 105的容器或包装中。取决于标签104的特定形状和设计以及目标105的包装，手动附接可以采取不同的形式。例如，标签104可以被夹紧、捆扎或胶粘或以其他方式附接到目标105的包装上。附接可以是牢固的，使得目标105的容器或包装的任何运动将相应地引起标签104运动。

消费者可以将标签104配置有描述一组姿态的信息，姿态通常与消费特定类型的商品关联。额外地，可以预先估计在模型中使用的、将消费事件与目标105的剩余量相关的参数，并将参数的初始值配置到标签104上。取决于使用的特定模型和运动传感器类型(或多个)，这些配置和参数可以包括但不限于完整跟踪时段(session)中消费事件的平均数；描述例如倾斜、抬起、放下和平移(panning)的消费者姿态的感测输入的阈值；以及针对要被监视的商品类型的家庭人数(household size)/跟踪时段的平均长度。标签104的配置可以要求消费者使用智能电话或设备100来与标签104通信，例如利用RFID编程或低功耗蓝牙(BLE)应用。替代地，消费者可以首先通过智能电话或设备100输入配置，并将其保存到服务器102以供标签104获取。

一旦标签104被配置并牢固地附接到目标105，消费者就可以通过向标签104发出命令来指示跟踪时段的开始；例如，通过按下按钮或向标签104发送开始信号。在跟踪时段期间，标签104的运动传感器(或多个)持续操作并提供输入以检测消费者姿态从而检测消费事件。姿态检测基于来自观察到的目标105或其包装的取向、角速度和/或沿着3个轴的加速度或其组合的改变的模式识别。一旦识别与消费事件有关的一组完整的姿态，标签104就通知服务器102，并且服务器102记录关于消费事件的细节并更新其消耗预测模型。一组完整的姿态包括与消费事件关联的一个或多个姿态。

标签104还可包括例如温度计、湿度传感器、光传感器之类的环境传感器，以及对监视目标105的保存环境至关重要的其他传感器。可以将该保存环境与关于目标105的对于最长寿命的优选或最佳保存条件或“在使用时最佳”条件的数据集进行比较，以确定何时发生重大偏差。

服务器102维持运行模型，该运行模型保持跟踪自跟踪时段开始起检测到的消费事件。随着更多的消费事件被识别并随着时间的流逝，模型的状态被更新。模型能够被用于通过考虑关于消费的历史数据、用户习惯和当前跟踪时段中模型的状态来预测目标105剩下多少。如果模型确定剩余量低，则它能够向消费者的智能电话或设备100发出警告，以及自动向供应商103发出重新进货订单以补给商品。

消费者可以通过向标签104发出命令来停止跟踪时段，例如，通过双按标签104上的按钮或以其他方式发送结束时段信号。当发生这种情况时，标签104向服务器102发送通知，并且服务器102停止用于跟踪目标105的对应模型。根据本文描述的规则集来更新关键模型参数，例如平均跟踪时段长度和消费事件的总数。

标签104和集线器101之间的通信使用无线技术，例如低功耗蓝牙(BLE)或Zigbee。如果标签104使用Wi-Fi与服务器102进行通信，则集线器101被视为Wi-Fi接入点。在不脱离本公开的情况下，其他无线技术可以类似地用作传输技术。可以部署多个集线器101以增加接收和覆盖范围，并且从而最小化与多个标签104的无线通信期间的数据丢失。每个集线器101通过LAN和Wi-Fi与服务器102通信。服务器102可以代表消费者针对多个目标105同时在云中执行上述消耗建模和预测。建模结果、提醒和描述性信息能够在需要时被发送到消费者的智能电话或设备100。服务器102与供应商103通信以发出和管理新的/现有的重新进货订单和递送。

运动传感器

标签104可以配备有多个运动传感器以检测消费事件。这些传感器通常重量轻、功耗低、并且能够抵抗环境改变。传感器可以最佳地具有较小的占地面积，以使得能够固定到标签104的印刷电路板(PCB)或柔性电路上作为电子组件。替代地，可以将标签104内置到CPG包装中。

本公开的说明性实施例可以包括用于检测消费事件的加速度计、罗盘和陀螺仪。标签104还可以配备有环境传感器以监视除了剩余量之外的目标105的品质(quality)。在美国共同未决专利申请序列号16/137,835中进一步详细描述了环境传感器，通过引用将该申请整体并入本文。

图2示出了根据本公开的用于针对消费事件监视CPG目标105的系统和方法的说明性实施例的过程流程图。系统开始200跟踪时段，并针对消费事件监视202目标105。

标签104的说明性实施例可以包括加速度计204作为运动传感器。加速度计204是测量加速度的设备。当消费者执行例如抬起、倾斜，移动和放下的一系列姿态中的至少一个时，加速度计204测量目标105及其容器或包装的线性加速度。

可以使用工业微机电系统(MEMS)类型的加速度计，因为它们被配置为超低功率且对于三轴线性加速度输出具有高度灵敏性。例如FIFO缓冲器的先进的技术允许感测数据被存储以限制主机处理器的干扰，从而进一步降低操作期间的功耗。加速度计通常使用小型薄塑料接点栅格阵列(LGA)制成，并且可以在-40至85摄氏度的广大温度范围内操作。因此，这样的加速度计允许在气候受控环境(例如，食品储藏室、冰箱或冰柜)中的存储期间监视目标105。

在该说明性实施例中使用的另一传感器是罗盘206或磁力计。罗盘206是检测商品目标105的取向改变的磁传感器。当目标105相对于取向移动并且因此可能经历消费事件时，可以使用罗盘206来检测由于消费者的运动202。

标签104还可以单独地或与其他传感器协调地包括陀螺仪208。陀螺仪在3个维度上测量目标105的角位移/速度。陀螺仪208能够数字地检测和描述在消费事件期间关于消费者的(一个或多个)姿态的信息。可用的MEMS陀螺仪可以被实现为低功耗且能量效率高的小型表面安装电子组件。它们能够在极端温度和湿度环境下工作。

图2所示的系统和方法使用包括至少一个运动传感器——例如，加速度计204、罗盘206或陀螺仪208——的标签104来监视目标105。标签104可以周期性地检查是否已经检测到目标105的运动。如果尚未检测到目标105的运动，则系统返回到起点200。

当标签104检测到运动时，它可以将检测到的运动信息发送到信号累积器212，以缓冲210(一个或多个)信号检测和信息(例如，与消费事件有关的信息)。缓冲210可以等待进一步的信号以便累积，并且从而形成与一组特定的时间戳对齐的运动信号序列。模式识别处理器216可以分析(一个或多个)信号并将数据与姿态的列出指示符进行比较214。将(一个或多个)缓冲信号与预先配置的、例如存储的姿态库进行比较可以采取不同的形式和实施方式，例如使用各种距离测量。如果系统确定没有检测到姿态218，则系统返回到起点200。如果系统确定检测到姿态220，则系统将数据添加到模型中以进行处理222。系统继续针对附加姿态监视目标224。

下表1说明了所讨论的传感器类型的示例。还提供每种传感器类型的参考，其中包含关于近似成本、封装尺寸、操作温度和功耗率的信息。

表1运动传感器和属性

例如加速度计204、罗盘206和陀螺仪208之类的多个运动传感器的组合可以用于提供准确的检测并屏蔽导致错误的肯定/否定识别的噪声。替代地，可以仅使用一种类型的传感器。现有技术的MEMS技术使得可以允许标签104包括所有三种类型的运动传感器，从而以低水平的总成本、组合的功率预算和相对较小的占地面积实现更高的识别准确度。

姿态识别

来自消费者的有效消费事件通常与消费者接近、取走和/或归还商品目标105或其容器的至少一个姿态相关。由于标签104附接到目标105(或与目标105集成)，因此系统能够检测和识别对于单个消费者、对于每种类型的商品的一个姿态或一组姿态，每个姿态由线性加速度、取向、角位移/速度以及这些量的改变来表征。如上所述，可以将这些姿态的定义及其对应的感测描述配置到标签104中(例如，以具有定义特定姿态或消费事件的特征加速度、取向和/或角位移等的姿态表的形式)。但是，消费者能够通过在其概要下针对特定商品目标105提供一组个体化的姿态定义来覆写(override)该组默认姿态。

在限定的时间间隔(例如，每秒)的开始200处，系统进行检查202以查看来自例如加速度计204、罗盘206或陀螺仪208的运动传感器的取向、加速度或角速度是否存在重大改变。本领域技术人员应该理解，作为系统进行检查以查看是否存在运动传感器行为的替代方案，可以将标签配置为周期性地发送来自(一个或多个)传感器的信息。如果没有改变，则系统返回到原点200。如果从这些量中的一个或多个中检测到显著改变，则这可能是消费事件的开始，并且改变通过信号累积器212首先被写入缓冲器210。信号累积器212可以等待进一步的信号以便累积，并因此包含在一组特定时间戳的运动信号序列。然后由模式识别处理器216审查214缓冲器210，以查看是否匹配表示预先配置的姿态的定义的信号模式。

将(一个或多个)缓冲信号与预先配置的姿态进行比较可以采取不同的形式和实施方式，例如使用各种距离测量。测量可以优选基于要被识别的所定义的姿态、计算复杂度和存储器需求。其他姿态可以使用不同的测量来确定相似性。可以将包含所有预先配置的姿态的查找表存储在服务器102或标签104上。可以使用查找表，并且具有通过定义阈值的相似性分数的姿态可以被认为肯定检测220。如果查找表中没有姿态匹配当前缓冲并且没有检测到姿态218，则系统返回到其原点200，并准备在下一秒或时间段中再次进行处理。如果识别出模式，则所识别的姿态被发送到规则集以确定是否能够充分确定消费事件222。有时，消费事件需要一个以上的匹配姿态，而不是随时间推移执行的一系列姿态。在肯定匹配之后，系统然后重置224信号累积器212并且返回其初始状态200，并准备在下一个时间段中再次开始。

表2提供了消费事件中的预先配置的姿态的示例，其包含对于相关运动传感器的对应信号描述。通过示例的方式，表2描述了通常与洗衣机衣物洗涤剂的使用或消费关联的姿态，然而，应当理解，这仅是示出消费事件的示例。在该示意中，消费者A打开洗涤剂瓶的盖、抬起瓶、并将洗涤剂倒入洗衣机的抽屉中。在下表中定义在典型的消费事件期间共同执行的这一系列姿态，并且，如在此示例中，如果关联的目标105被标识为衣物洗涤剂，则可以将其预先配置到标签104上。

表2姿态和关联测量

实际上，洗涤剂瓶可以具有螺旋盖或翻转盖。有时，它可能根本没有可移除的盖。标签104可以根据消费者的选择附接到例如瓶的盖或主体上(例如在其颈部或手柄上)。取决于配置，标签104的版本可以仅配备有加速度计或配备有多种类型的传感器。因此，规则集被设计为适应这些不同的情况，并判断某个姿态或一系列姿态是否证明有效的消费事件。

表3是示例性规则集的示例，其假设加速度计传感器参与其中并且可选地存在陀螺仪或罗盘。表3是示例性实施例，并且仅作为示例提供。可以使用更复杂的规则集，并且可以在不脱离本公开的情况下对于不同商品类型指定和使用不同的规则集。

表3运动传感器和属性

步骤	评估/声明	真	假
				1	检测到模式#2？	前往步骤2	前往步骤A
2	标签配备有罗盘？	前往步骤3	前往步骤4
				3	检测到模式#1？	前往步骤B	前往步骤A
4	标签配备有陀螺仪？	前往步骤5	前往步骤B
				5	检测到模式#3？	前往步骤B	前往步骤A
A	判断：否，无有效消费事件
				B	判断：是，检测到有效消费事件

图3示出了如在表3中所述的用于检测消费事件的过程流程图。在所定义的时间间隔(例如，每秒)的开始300处，系统进行检查302以查看是否存在来自运动传感器、例如罗盘304或陀螺仪308的取向306或角速度310的重大改变。如果未检测到改变，则系统返回没有发生消费事件312。如果从这些量中的一个或多个检测到改变，则这可以指示消费事件的开始314。

消耗预测

这里描述了说明性消耗预测模型，其描述消费事件与商品剩余量(作为百分比)之间的关系。不同的模型可以用于不同的CPG目标105。服务器102可以维护多个模型，并且取决于消费者的偏好和行为改变，使用至少一个模型来执行有关商品目标105的消费的预测。

每种商品的消耗预测特征包括一组参数和变量。相应参数和变量表示CPG目标105的当前状态。例如，变量可以包括自跟踪时段开始起的时间、在当前跟踪时段中检测到的消费事件的累积数量以及在过去的消费事件之间经过的时间。消耗预测参数是将变量与输出状态相关的系数，例如作为百分比的剩余目标商品的量。

在跟踪时段中，标签104可以连续地向服务器102馈送感测信息，包括自跟踪时段开始起经过的时间、以及关于识别的消费事件的详细信息，和其他信息，例如消费事件的时间戳。信息可以用于立即更新在服务器102上运行的消耗预测模型的状态。在跟踪时段期间，参数不变。在跟踪时段结束后，模型参数被更新。在消耗预测模型运行时，通过遵循模型并达到目标105的预测剩余量的级别，能够从模型的当前状态执行预测。

更简单的模型可能更易于实现并且更容易估计其参数，但是可能遭受更低的准确度。如果需要，可以使用具有更多参数和变量的更全面的模型来获得更高的精度。使用的参数和变量将取决于安装在标签104上的传感器。以下简单模型被示出为累积的消费事件的数量与作为百分比的剩余量之间的线性关系的示例：

R＝a+bA+e。

其中，R是其容器中剩余的CPG目标105的量。R可以是百分比。A是表示自跟踪时段开始起的累积消费事件的数量的变量。模型参数a和b用于基于跟踪时段的数量A来确定剩余量(R)。在跟踪时段开始时，a是存在的CPG目标105的总量。在CPG目标105从100％开始的情况下，a的示例值是1。每个消费事件的平均减少被定义为b。消费者可以输入参数b，或者可以基于过去的消费事件或从服务器102获取的信息来估计参数b。可以通过e来捕获误差和不精确。例如，e可以捕获在检测消费者姿态以触发消费事件的记录中的误差率。A被定义为0≤A≤a/b，否则R＝0％。

这个简单的模型需要估计系数a、b。如果假设b为常数，则其可以从相同商品目标105的先前记录的跟踪时段中直接被测量。一旦已知b，给定状态变量A，就可以容易地预测R。

可以使用各种技术来改进模型并降低误差率。举例来说，可以将a和b视为随机变量，并应用回归技术来估计它们的值并最小化它们的均方误差。假设a和b在消费者的习惯和消费行为保持稳定的限定的时间段内(例如，在过去三个月的时间段内)不显著改变，则服务器102可以从相同的CPG目标105的先前完成的跟踪时段收集关于记录的(R,A)对的历史数据。消耗预测模型可以使用该数据集来估计两个模型参数。

表4是在三个月的时期内的5个跟踪时段的示例。在这些跟踪时段中的所记录的(R,A)对如下。

表4对于洗涤剂示例观察到的历史数据

跟踪时段	自动收集(R,A)	用户输入(R,A)
			1	(1,0),(0,10)	无
2	(1,0)	(0.5,6)
			3	(1,0),(0,9)	无
4	(1,0),(0,11)	无
			5	(1,0),(0,10)	无

表4的自动收集列是指在过去的跟踪时段期间收集的样本。在该示例中，当跟踪时段开始时，系统假设R＝100％且A＝0。当消费者结束跟踪时段时，系统假设目标105已被完全消费掉，并且因此R＝0％。当跟踪时段结束并且系统估计目标105可能没有被完全消费掉时，系统可以要求消费者输入对目标105的剩余量的估计。在上面的示例中，当商品通过6个消费事件剩余50％的量时，消费者对于跟踪时段#2提供了信息。在执行线性回归后，基于示例数据的估计模型为：

R＝1.00309-0.0985A

如所示，该示例发现当R约为100％时A为0。此外，通过查看估计的系数b，在该示例中的每个消费事件为商品105总量减少了约10％。系统可以在将来的消费事件中使用此估计的模型。

作为进一步的示例，假设在下一个洗涤剂跟踪时段中，同一消费者存在8个消费事件。如果假设所有条件等于上述示例，则剩余量被预测为1.00309-0.0985*8＝21.5％。给定该消费者在过去三个月中对洗涤剂的跟踪时段的平均长度(以时间为单位)为T，则直到洗涤剂完全耗尽为止剩余的时间约为0.215T。

另外，在标签104包括环境传感器的情况下，标签104可以记录目标105的保存条件。服务器102可以与最佳保存条件相比使用目标105的保存条件来评估并确定目标105的推断过期时间。服务器102可以将目标105的预测剩余寿命存储为T₂。当跟踪时段继续时，服务器102可以更新模型以预测目标105何时过期。

消耗预测模型的参数由系统频繁地更新和修改。例如，如果CPG目标105是冰淇淋，则与夏季期间相比，系数b在冬季期间可以更小。当家庭人数发生改变时，系数b也很可能会发生改变。因此，系统可以使用来自传感器和消费者的最新输入以及可从服务器102获得的数据来重新校准自身，以保持高准确度。系统可以在跟踪时段结束后不久使用更新后的数据重新估计模型参数。校准的模型可以在新的跟踪时段中使用。

以上示例仅示意了在借助姿态检测的商品消耗预测的应用中的特定模型构建。实际上，可以构建和评估多个模型以产生更准确的预测结果。服务器102具有同时跟踪数据和估计多个模型的能力，然而，基于其评估，一个模型可以用于在特定时间进行预测。服务器102可以自校准并且自动连续地进行估计。

图4示出了用于监视CPG目标105和确定CPG目标105何时需要补给424的过程流程图。系统针对特定目标105选择消耗预测模型402。消耗预测模型可以使用存储在服务器102上的过去消费历史或使用消费者输入的数据来开发与CPG目标105关联的参数404。标签104可以使用预先配置的列表来确定406如何识别与目标105的消费事件关联的姿态。标签104与目标105连接，并且跟踪时段被发起408。

在操作中，标签104在跟踪时段期间跟踪410目标105的消费事件。标签104在跟踪时段期间用消费事件和相关的时间戳来更新416消耗预测模型。消费者可以结束跟踪时段412。当R被估计为等于0或者消费者结束跟踪时段412时，标签104结束跟踪414。模型基于跟踪时段数据418来更新参数(例如，用于模型校准)。消费/消耗模型运行420以确定估计的R值(即，剩余目标商品的百分比)422。模型确定424何时需要补充库存/补给(例如，当达到针对补给设置的阈值水平时)。如果模型确定需要补充库存/补给，则可以向供应商下订单以补充库存/补给目标104。当模型确定需要补充库存/补给时，服务器102可以向消费者和/或供应商发出提醒，例如经由短消息服务(SMS)、增强消息服务(EMS)、多媒体消息服务(MMS)、即时消息、电子邮件通知等。

并行地，可以启动校准过程以允许消费者提供在典型的消费事件中最有可能使用的一组姿态。运动传感器可以记录具有阈值(例如表3中所述的阈值)的这些预先配置的姿态。在获得模型参数的初始估计之后，这些参数可以用于在实时跟踪时段中执行预测。当跟踪时段正在进行时，例如加速度计204、罗盘206和陀螺仪208之类的运动传感器被用于通过识别随时间推移执行的一组预定义姿态，使用规则集来检测消费事件。随着跟踪的进行，服务器102利用关于消费事件及其时间戳的信息来更新其模型变量。服务器102使用模型执行预测以导出直到CPG目标变得完全耗尽(或达到阈值消耗水平)为止剩余的时间。在跟踪时段结束时，模型基于其记录的信息以及任何消费者输入对其参数进行自校准。校准之后，更新的模型准备进行另一个跟踪时段。该过程是迭代的。

图5示出了根据本公开的用于监视CPG目标105的量和品质的过程流程图。系统针对特定目标105选择消耗预测模型502。模型可以使用存储在服务器102上的过去消费历史或使用消费者输入的数据(例如，训练)来开发与CPG目标105关联的参数504。标签104连接到目标105，并且例如由消费者发起跟踪时段508。标签开始跟踪时段510。消费者可以结束跟踪时段512。可以将标签与目标514分离并使用时段数据来校准528模型参数。

标签104在跟踪时段期间跟踪510目标105的环境条件516和消费事件522。标签104或服务器102可以运行多个模型，包括用于跟踪目标105的品质的品质模型518和用于监视目标105的剩余量的消耗预测模型524。目标105的过期520由品质模型518估计。目标的剩余量526由数量模型524估计。系统使用针对目标的估计过期520和/或消耗526而计算的值来确定530何时需要补充库存/补给。如果系统确定需要补充库存/补给，则它可以向供应商下订单以补充库存/补给目标104。当模型确定需要补充库存/补给时，服务器102可以向消费者和/或供应商发出提醒。

尽管在本文的实施例中描述了示意性服务器，但是应当理解，本文描述的用于消耗预测和质量监视的处理可以由微控制器以程序代码来实现，其例如配置在例如冰箱、冰柜、储藏柜等的器具中，并且本领域技术人员应该理解，分立的控制电子器件、大规模集成电路或其他控制技术可以用于实现本文所述的功能。

尽管在本文的实施例中公开了示意性传感器，包括用于监视姿态或消费事件的加速度计、罗盘和/或陀螺仪，但是应当理解，根据公开内容，可以实现其他类型的传感器，例如超声、振动传感器、红外传感器、微波传感器等。

尽管本文公开了各种实施例，但是应当理解，公开内容不限于此，并且可以在不脱离本公开内容的情况下进行修改。本公开的范围由所附权利要求书限定，并且意图在字面上或等效地将落入权利要求书含义内的所有设备都涵盖在其中。

Claims (20)

1.一种监视消费商品的剩余量的方法，所述方法包括步骤：

将包括至少一个运动传感器的标签附接到消费商品；

配置所述标签以识别与所述消费商品的消费事件关联的姿态；

使用所述至少一个运动传感器开始跟踪时段，以检测所述消费商品的运动，从而监视与所述消费商品的所述消费事件关联的姿态；

将来自在所述标签上包括的所述至少一个运动传感器的信息提供到被配置为确定所述消费商品的剩余量的消耗预测模型；

确定所述运动是否是与所述消费商品的消费事件关联的识别的姿态；和

基于所述消费商品的所述消费事件来预测所述消费商品的剩余量。

2.根据权利要求1所述的监视消费商品的剩余量的方法，还包括：

从所述至少一个运动传感器接收信号；

缓冲所述信号；

将所述信号与预先配置的姿态列表进行比较，所述预先配置的姿态列表与所述消费商品的所述消费事件关联；和

确定是否已经检测到与所述消费商品的消费事件关联的识别的姿态。

3.根据权利要求1所述的监视消费商品的剩余量的方法，还包括：

用所述消费事件和关联时间戳来更新被配置为确定消费商品模型的剩余量的消耗预测模型。

4.根据权利要求1所述的监视消费商品的剩余量的方法，还包括：

提醒消费者所述消费商品的剩余量。

5.根据权利要求1所述的监视消费商品的剩余量的方法，还包括：

预测所述消费商品何时将被耗尽；

生成补给所述消费商品的订单；和

通知供应商补给所述消费商品。

6.根据权利要求5所述的监视消费商品的剩余量的方法，还包括：

在所述消费商品完全耗尽之前下订单以补给所述消费商品。

7.根据权利要求1所述的监视消费商品的剩余量的方法，还包括：

结束所述消费商品的跟踪时段；

使用对于所述跟踪时段的经过时间和在所述跟踪时段期间发生的消费事件的数量来更新所述模型；和

校准所述消耗预测模型。

8.根据权利要求1所述的监视消费商品的剩余量的方法，其中，从包括加速度计、罗盘和陀螺仪的组中选择所述至少一个运动传感器。

9.根据权利要求1所述的监视消费商品的剩余量的方法，还包括步骤：

确定关于每个消费事件的消费商品的消耗率的系数；

确定所述消费商品的跟踪时段的平均长度；

预测所述消费商品耗尽之前的估计的剩余时间；和

下订单以在估计所述消费商品要被耗尽之前补给所述消费商品。

10.一种用于监视消费商品的剩余量的系统，包括：

服务器；

至少一个消耗预测模型，被配置为预测所述消费商品的剩余量，所述至少一个消耗预测模型在所述服务器上运行，包括表示所述消费商品的剩余量的至少一个参数；

至少一个标签，被布置在至少一个消费商品上，所述至少一个标签包括至少一个运动传感器，并且被配置为检测所述至少一个消费商品的运动并从所述至少一个运动传感器生成信号；

信号累积器，操作性地连接到所述至少一个运动传感器，所述信号累积器被配置为接收来自所述至少一个运动传感器的信号；和

模式识别处理器，被配置为将来自所述至少一个运动传感器的信号与定义与消费事件关联的运动的预先配置的表进行比较。

11.根据权利要求10所述的用于监视所述至少一个消费商品的剩余量的系统，还包括：

消费者设备，操作性地连接到所述服务器；

所述消费者设备被配置为指示所述服务器开始或结束跟踪时段；并且

所述消费者设备还被配置为从所述服务器接收提醒，该提醒包括所述至少一个消费商品的剩余量。

12.根据权利要求11所述的用于监视所述至少一个消费商品的剩余量的系统，其中，所述服务器被配置为在跟踪时段结束之后校准所述模型。

13.根据权利要求11所述的用于监视所述至少一个消费商品的剩余量的系统，其中，所述服务器被配置为当所述至少一个消耗预测模型预测需要补给所述消费商品时向供应商发送提醒以补给所述消费商品。

14.根据权利要求11所述的用于监视所述至少一个消费商品的剩余量的系统，其中，所述标签被配置为当所述模式识别处理器检测到已经发生消费事件时，与所述服务器通信以更新所述至少一个消耗预测模型。

15.一种用于监视消费商品的剩余量的标签系统，包括：

至少一个运动传感器，与所述消费商品集成；

模式识别处理器，操作性地连接到所述至少一个运动传感器，所述模式识别处理器被配置为从所述至少一个运动传感器接收至少一个信号并确定是否已经发生消耗事件；

消耗预测模型，用于预测所述消费商品的剩余量，所述消耗预测模型被配置为当所述模式识别处理器确定已经发生消耗事件时进行更新。

16.根据权利要求15所述的用于监视消费商品的剩余量的标签系统，其中，所述消耗预测模型输出包括所述消费商品的预测的剩余量的提醒。

17.根据权利要求16所述的用于监视消费商品的剩余量的标签系统，其中，所述提醒由消费者在消费者设备上接收。

18.根据权利要求16所述的用于监视消费商品的剩余量的标签系统，其中，所述标签被配置为当需要补给所述消费商品的量时向供应商发送补给通知。

19.根据权利要求16所述的用于监视消费商品的剩余量的标签系统，其中，所述标签被配置为在所述消耗预测模型预测所述消费商品将被耗尽的时间之前，创建补给通知以补给所述消费商品。

20.根据权利要求15所述的用于监视消费商品的剩余量的标签系统，其中，从包括加速度计、罗盘和陀螺仪的一组传感器中选择所述至少一个传感器。

Images