这种知识可以涉及WAP地理定位的数据库。在该地点已经作为地点被识别并加入 模型（例如，路线图200)后，地图工具帮助348可以确定逻辑地点的地理定位。WAP数据库 的查询可以在移动设备104方便的时候发生。例如，这可以发生于在家、连接至免费Wi-Fi 连接和当充电时。同时，对每个地点，该查询可以仅需要发生一次。
[0060] 路线数据库350存储从移动设备104和其他联网的移动设备收集的一组路线数据 集。服务器的路线数据库350可以包含来自于各种设备的路线。换言之，路线数据库350 至少部分地可以为众包。基于这组路线数据集，路线学习帮助342帮助各个设备学习新的、 未知的、未被识别的或不完整的路线。为了相互参照周围的IWS源和各种移动设备行经的 路线，数据库350可以被查询。
[0061] 路线学习操作
[0062] 图4示出了用于（至少部分地）实现本文描述的技术的示例过程400。特别地，过 程400描述了移动设备104的路线学习操作。
[0063] 在402,移动设备104遇到一系列的周围IWS源。移动设备104周期性地对周围 IWS源进行扫描。追踪器320检测、识别、并且记录遇到的周围的IWS源。
[0064] 每个被检测的并且识别的周围的IWS源作为一系列的这种源的一部分被追踪。如 果该系列中具有不同的周围的IWS源，则该移动设备104正在行进中。不同的周围的IWS源 的图样可以是路线。如在本文中所使用的，路线具有起始地点和终止地点，以及之前沿着路 线遇到的一组周围IWS源。这种路线的示例在路线数据集212、214、222、和224中被示出。
[0065] 该路线学习过程400是增量式的，并且可以被间或地（例如，每夜）运行以保持路 线数据库是最新的。另外，关于路线的时间信息与路线数据集相关联而被追踪并且被存储。 例如，移动设备104追踪该路线被行进了多少次以及该行程所需的平均时间。
[0066] 另外，移动设备104追踪每个IWS源在已知的路线上被观察多少次，以及每个IWS 源在哪个点（通过从开始的时间偏移量）被观察。
[0067] 在一个或多个实现方式中，地点〈起始〉和〈结束〉之间的路线的信息，（在起始 看到IWS标识（IWSID 1)和在中间看到另一个IWS标识（IWSID2))，将被路线数据集的示例 格式表示：
[0068] R起始-终止-（P 起始，P终止，T平均[Tsl，Tel {(IWSIDn，Xn，Pn，Tfsll，T fell)，（IWSID12， X12，Pi2，Tfsl2，Tfel2). ··}]，[Ts2，Te2，{(IWSID21，X21，P 21，Tfs21，Tfe21)，（IWSID22，X 22，P22，Tfs22， Tfe22) ...I]...)
[0069] 其中Tsl和T el分别是第一次出行的起始时间和终止时间，T 是该次出行从起始 到终止总共所用的平均时间，P11是当IWSID1在出行1中被观察到时已经走过的路线的百分 比，以及T fsll是当IWSID i在出行1中被观察到之后开始的时间。即T fsl是从开始的时间偏 移量。Tesll是当IWSID1在出行1中被观察到之后结束的时间。
[0070] 由于所追踪的IWS源的记录包括出发的时间和到达的时间，针对路线的每个周围 IWS源，移动设备104计算在行程中距离多远可以看见周围IWS源以及距离终点有多远。例 如，在离开"工作"之后距离看到IWS源"X"有30秒，并且IWS源"X"距离到"家"还有420 秒。
[0071] 而且，移动设备104通过多次经过该路线积累该信息。在一个或多个实现中，移动 设备104针对每个IWS源在路线表示中存储新的时间信息，如下：
[0072] IWSID1+!;(出发时间，到达时间），（出发时间，到达时间），…}
[0073] 在该时间信息组中，每个时间对捕获在一次经过该路线的过程中观察IWS源的时 间。该时间信息组的大小可以通过合并类似的时间对以及通过去除表示已经长时间没有见 到IWS源的时间对而受到约束。可能发生这种情况，例如，建设工程会增加通过线路的持续 时间。在建设正在进行中时，时间对表示的较长的持续时间是有效的估计。在建设完成之 后，该较长的时间不会再被观察到，并且在一定时间之后系统会将其从系统中清除。应该注 意的是，为了执行该类型的清除操作，系统（例如，系统300)维持针对表示最后一次用该时 间信息观察到该AP的时间对的时间戳。
[0074] 在404,移动设备104分析该系列遇到的周围的IWS源（例如，wl，w2, w3, ... wn) 以确定地点识别。路线学习器322执行地点识别以将单个IWS源或一组源命名为地点。例 如，地点可以被命名为"家"或"工作"或一些其他的唯一标签。然后移除代表地点访问的 IWS观察的序列，并将在该系列中以具有代表在该地点所花费的时间的令牌对它们进行替 换。例如，考虑IWS子序列· . . w4, w3，w6，w6，w6，w6，w6，w3...。如果已知地点P27包含IWS w6,那么地点识别器将《6的一系列的观察识别为对地点P 27的访问。
[0075] 相应地，路线学习器将该系列的IWS观察（在这一情形下）替换为标志'P27'，结 果，子序列变成... w4，w3, P27，w3...。通过这种方式，全部系列的IWS观察被缩减为IWS观 察的子序列，该子序列代表移动时期，由代表移动的起始和终止地点的标志括在一起。对特 定的实施方案，与地点访问相应的系列的一段被替换为代表该地点的标志：
[0076] (P〇, wi+1, wi+2, wi+3w, . . . , P1, wj+1, wj+2, wj+3, . . . , P2...)
[0077] 其中P。、P2为地点标志。
[0078] 该系列的余下的片段（segment)代表路线行经的次数，并且这些片段之前和之后 的地点标志为该次出行的起始和结束。
[0079] 在406,路线学习器322更新路线数据集。对例如地点a和b之间的追踪的该系列 的IWS源的每一片段，路线学习器322执行以下操作：
[0080] ?如果路线R^b不存在，则创建它。即，如果对a和b之间的路线不存在路线数据 集，那么生成新的路线数据集。
[0081] ?否则，如果路线已存在，那么基于出行计数和使用在该段中的首次和最终Wi-Fi 扫描时间得到的最新行进时间，通过增加出行次数和调整平均出行时间，更新这一路线数 据集。
[0082] ?针对在该段中的每一个观察的IWSID :如果它尚未被包括，将IWSID加入Ra_b数 据集的集合，并基于在该段中的首次观察，更新计数和加权百分比。
[0083] 在408,基于收集的时间信息，线路数据集被更新。事实上，在该点，可以基于集群 的数据（比如，行进路线的时间）将数据集分组并分类。
[0084] 很多因素可以影响沿着特定已知的路线行进的时间。这种出行时间的示例影响因 素包括：天气条件（例如，下雪、刮风等）、一天中的某个时间（例如，午餐时间）、一周中的 某天（工作日、周末等）、交通状况（高峰时间、事故、建设）、行进方式（例如，步行、骑自行 车、或乘车等）等等。
[0085] 这些因素的影响被并入到在那些情况之下多次出行的时间中。特定已知路线的路 线数据集可以根据成群的类似时间的路线被分组。例如，假定17个数据集是关于7分钟的 集群，5个数据集关于1小时的集群。这些组中的每一个被假定以表示用户经由不同的运输 方式行进。可能7分钟的行程是开车，沿着相同路线的1小时行程是步行。在移动设备行 进时，路线数据集的分组可以在计算ETA时被使用。
[0086] 在408,更新的结果被存储于移动设备的存储器310中。通过网络330,这种结果 可以被上传至网络服务器340。
[0087] 预测目的地以及计算ETA的操作
[0088] 图5示出了用于（至少部分地）实现本文描述的技术的示例过程500。特别地，过 程500描述了移动设备104的路线估计操作。当用户沿着已知路线行进时，过程500还会 预测目的地并计算ETA。该过程500可以始终在操作，从而在正在进行的基础上维持用户的 地点、路线、目的地、和ETA的估计。
[0089] 过程500是基于证据的，它利用每次Wi-Fi扫描以或者增加或者减少对用户的位 置模型（例如，路线图200)中每一地点和/或路线的信任。用户的状态为地点和路线的组 合，它的信任级别超过阈值并因此代表用户最可能的位置。
[0090] 在502,移动设备104遇到周围的IWS源。移动设备104在该设备行进时周期性地 扫描周围的IWS源。移动设备104检测并识别沿着当前路线遇到的周围的IWS源。
[0091] 在504,移动设备104沿着其目前的路线观察遇到的周围的