使用辅助信息扩充室内室外检测的制作方法

本揭示大体上涉及移动装置中的室内/室外检测，且更具体地说，用于至少部分地基于传感器读数和关于位置状况的信息检测室内/室外状态的技术和系统。

背景技术：

个人计算装置，例如移动电话、平板计算机、膝上型计算机和其它移动装置，正在变得越来越普及。有关移动装置存在于室内还是室外的信息可用于各种应用，且可用以在用户使用装置时增强用户体验。举例来说，室内/室外状态信息可促进一系列应用，例如个性化设置(显示、屏幕亮度、音量等)、日历提醒、无线局域网(wlan)的选通放电位置确定和选通放电搜索。

一些应用要求根据稀少的室内-室外相关数据进行高性能室内/室外检测。两个此类实例是对由低电力装置进行的全球定位系统(gps)信号俘获的管理，所述低电力装置例如电话和可佩戴装置、以及移动装置中的环境情境感知主屏幕。举例来说，当移动装置在室外时，基于卫星的gps可用于位置确定；当移动装置在室内时，例如wifi接入点等其它装置可用于位置确定。高性能室内/室外检测的其它应用可包含情境辅助计算机视觉。

由有成本效益的移动装置提供的室内/室外相关数据在现有技术水平下不足以实现高性能应用。举例来说，基于光的系统仅就白天、非隐蔽式装置和晴空状况而言是精确的；基于磁力计的系统仅在用户移动时是精确的；且基于无线信号强度的系统仅可在室内/室外转换期间具有操作性。室内/室外检测的常规方法可利用来自多个传感器的输入以确定装置的状态。然而，常规方法可能不精确或可能耗电大。因此，需要精确的、有成本效益的室内/室外估计。

技术实现要素：

呈现用于确定移动装置的室内/室外状态的方法、系统、计算机可读媒体和设备。在一些实施例中，这种系统或方法可包含：从可由移动装置存取的传感器获得传感器读数；获得与和移动装置所处的区域相关联的本地状况有关的同期信息；以及从多个经训练模型中选择室内/室外检测模型以供应用。所述选择可至少部分地基于关于本地状况的同期信息。可将传感器读数作为输入提供到所选模型。可基于所选模型确定移动装置的用户位于室内的可能性。可基于所确定的可能性将移动装置分类为位于室内或室外。

在一些实施例中，移动装置位于室内的可能性的确定可包括确定移动装置位于室内的概率量度。可根据概率分布函数估计概率量度。

根据一些实施方案，可使用至少在移动装置处所收集的数据建立经训练模型。在一些实施方案中，可使用在移动装置处所收集的数据更新经训练模型。取决于所述实施方案，可在移动装置处、在服务器处或在移动装置和服务器的组合处建立经训练模型。在实施例中，可至少部分地在位于云中的服务器处建立经训练模型。

在一些实施例中，关于本地状况的信息可表达为从多个可能值中选择的值。此类值可能是离散值。可专门针对从本地状况的多个可能值中选择的不同值训练来自多个经训练模型的每个模型。接着可使用在移动装置处所收集的数据更新此类经训练模型。

在一些方面中，关于本地状况的信息可包括当日时间。可例如关于日出和日落时间计算出当日时间。在一些实施例中，传感器可包括气体传感器，且本地状况可包含挥发性有机化合物的量。

在一些实施例中，本地状况可包含天气状况，且传感器可包括环境光传感器(als)。举例来说，天气状况可指示例如空气温度、湿度、大气压、气体组合物、风速、风向、降雨、日出和日落时间、云层覆盖范围、花粉水平等。

在一些实施例中，确定移动装置是否在室内可进一步基于装置的先前室内/室外状态的确定。

附图说明

图1是根据一个实施例的包括各种传感器和一个室内/室外检测引擎的移动装置。

图2是展示根据一个实施例的训练模型的建立的简化图。

图3是展示根据一个实施例的室内/室外状态的分类的简化图。

图4是说明根据一个实施例的室内/室外分类的实例过程的流程图。

图5是说明根据一个实施例的建立和更新室内/室外检测模型的实例过程的流程图。

图6是根据一个实施例的具有给定als读数的样本的数目与als读数以及日出或日落开始时间的函数的三维图形表示。

图7是根据一个实施例的根据经训练模型的在室内和在室外概率分布函数的实例的图形表示，一个实例是针对晴朗天气，而其它实例是针对多云天气。

图8是根据一个实施例的根据经训练模型的在关于日落的各个时间下的在室内和在室外概率分布函数的实例的图形表示。

图9是在室内/室外确定时使用先前信息的实例的图形说明。

具体实施方式

下文提供了本揭示的某些方面和实施例。如对所属领域的技术人员将显而易见的是，这些方面和实施例中的一些可独立地应用且它们中的一些可组合应用。在以下描述中，出于解释的目的，阐述特定细节以便提供对本发明的实施例的透彻理解。然而，将显而易见的是，可在没有这些特定细节的情况下实践各种实施例。图和描述并不意欲是限制性的。

以下描述仅提供示范性实施例，且并不意欲限制本揭示的范围、适用性或配置。实际上，示范性实施例的以下描述将为所属领域的技术人员提供用于实施示范性实施例的启发性描述。应理解，在不脱离如在所附权利要求书中所阐述的本发明的精神和范围的情况下，可对元件的功能和布置进行各种改变。

在以下描述中给出特定细节以提供对实施例的透彻理解。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述实施例。举例来说，电路、系统、网络、过程和其它组件可以框图形式展示为组件以免以不必要的细节混淆实施例。在其它情况下，可在没有不必要的细节的情况下展示熟知的电路、过程、算法、结构以及技术以便避免混淆实施例。

此外，应注意，个别实施例可描述为经描绘为流程图、作业图、数据流图、结构图或框图的过程。尽管流程图可将操作描述为连续过程，但许多操作可并行或同时执行。另外，可重新布置操作的次序。过程在其操作完成时终止，但可具有不包含在图中的额外步骤。过程可对应于方法、函数、程序、子例程、子程序等。当过程对应于函数时，其终止对应于所述函数返回到调用函数或主函数。

术语“计算机可读媒体”包含但不限于便携式或非便携式存储装置、光学存储装置以及能够存储、包含或运载指令和/或数据的各种其它媒体。计算机可读媒体可包含非暂时性媒体，在非暂时性媒体中可存储数据，且非暂时性媒体并不包含无线地或在有线连接上传播的载波和/或暂时性电子信号。非暂时性媒体的实例可包含但不限于磁盘或磁带、光学存储媒体，例如光盘(cd)或数字通用光盘(dvd)、快闪存储器、存储器或存储器装置。计算机可读媒体可具有存储于其上的可表示程序、函数、子程序、程序、例程、子例程、模块、软件包、类别的代码和/或机器可执行指令，或指令、数据结构或程序语句的任何组合。一个代码段可通过传递和/或接收信息、数据、自变量、参数或存储器内容耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可经由包含存储器共享、消息传递、令牌传递、网络传输等的任何合适的装置传递、转发或传输。

此外，实施例可由硬件、软件、固件、中间件、微码、硬件描述语言或其任何组合来实施。当以软件、固件、中间件或微码实施时，用于执行必要任务的程序代码或代码段(例如，计算机程序产品)可存储于计算机可读或机器可读媒体中。处理器可执行必要任务。

检测移动装置位于室内还是室外的系统和方法可涉及从呈现于移动装置上的传感器获得一或多个读数。取决于所述情形，低功率传感器和高功率传感器都可用于所述检测。低功率传感器可有利地在需要连续地监视移动装置在室内还是在室外的情形中利用。高功率传感器可例如在低功率传感器无法提供可靠确定时或在要求精确确定时利用。

图1是说明根据一个实施例的实例移动装置的组件的框图。所属领域的普通技术人员将了解，图1中所展示的移动装置100的硬件配置是实例，且移动装置100不限于所描绘的硬件配置或任何特定硬件配置。

如图1中所示，移动装置100包括处理器110。处理器110可经配置以执行存储于计算机可读媒体上的指令以执行根据实施例的各种方法。装置100还可包括计算机可读媒体，其中软件应用程序存储于所述媒体上。移动装置100还可包括例如相机155等视频俘获装置、麦克风120、扬声器150、输入装置140和显示器130。如所展示，移动装置100还包括存储器160。存储器160可以是非易失性存储装置(例如，硬磁盘驱动器(hdd)、固态驱动器(ssd)或其它合适的非易失性存储装置)、存储卡(例如，sd卡、microsd卡、multimediacard(mmc)、compactfash卡等)或其它合适的存储媒体。在一些实施例中，存储器160可存储与室内/室外检测相关的数据且能够由室内/室外检测引擎190存取，这将在下文描述。

如图1中所示，移动装置100包括可用于在网络上无线地发射和接收数据的收发器170。这种网络的实例可包含蜂窝网络(例如cdma、gsm或lte)、wifi、bluetooth^tm、zigbee^tm或其它合适的商用或专有无线技术。在一些实施例中，收发器170可用于从网络获得与和移动装置100所处的区域相关联的本地状况有关的信息。

移动装置100还可包含或能够存取一或多个传感器180。如本文中所使用，传感器包含位置传感器或定位器(例如，全球定位系统(gps)传感器、estimote传感器、位置信标、ibeacon传感器或其它合适的位置传感器)、高度计、陀螺仪、磁力计、碰撞传感器、加速度计、红外传感器、环境光传感器、运动传感器、手势传感器、温度传感器或温度计或任何其它合适的传感器。

如图1中所示，移动装置100包括加速度计181。加速度计181可用于测量移动装置100的加速度。加速度计可包含单轴或多轴加速度计，且可用于检测所测量的加速度的量值和方向作为向量数量。从加速度计所接收的输入可用于确定例如用户何时从静止开始移动或用户何时停止。

如所展示，移动装置100包括陀螺仪或示波器182。陀螺仪可用于测量移动装置100的取向，且因此测量其旋转。磁力计184可用于测量移动装置100处或周围磁场的强度和方向。磁力计184可基于若干物理原理，例如霍耳效应、磁性隧道传输、各向异性磁阻或洛仑兹力测量。

如图1中所示，移动装置100还包括天气传感器183。在一些实施例中，天气传感器183可进一步包括用以测量移动装置周围大气的温度的温度计和/或用以测量大气压的大气压传感器。

移动装置100还可包括环境光传感器(als)185。als可测量落在传感器上的光的量，且因此测量移动装置100周围区域的亮度。举例来说，als可以是检测光子存在的光子检测器。以此方式，als可模拟人眼感知环境为“明亮”或“黑暗”的方式。

如图1中所示，移动装置100还可包含gps位置传感器286。移动装置100可使用gps位置传感器286以利用例如来自卫星的信号确定移动装置100的一组全球位置坐标。gps位置传感器186可用于确定移动装置100在地图上的位置信息。此类位置信息可包含移动装置的位置的城市、州、国家、街道地址和/或邮政编码。在一些实施例中，移动装置100可包含除了或代替gps位置传感器外的其它三角测量或三边测量位置传感器。举例来说，其它卫星定位系统可包含辅助gps(agps)系统。

移动装置100还可包含湿度传感器187。湿度传感器187可用于测量大气中湿度的量，例如，如分数或百分比。移动装置100还可包含气体传感器188。气体传感器188可检测传感器周围空气中的某些气体的水平。举例来说，气体传感器188可检测周围空气中的臭氧、氮氧化物、一氧化碳或挥发性有机化合物的百分比。移动装置100还可包含图1中未展示的其它传感器。此类传感器的实例包含接近传感器、碰撞传感器、手势传感器等。

如图1中所示，移动装置100包括室内/室外检测引擎190。室内/室外检测引擎190可包含其自身的处理器，或室内/室外检测引擎190可使用处理器110的处理能力。在一些实施例中，如移动装置100中所展示，室内/室外检测引擎可包含数据库191、模型训练器引擎192和室内/室外分类器193。在一些实施例中，室内/室外检测引擎190可包含数据库191、模型训练器引擎192和室内/室外分类引擎193中的全部、一些或都不包括。数据库191、模型训练器192和分类引擎193将在下文进一步描述。iod引擎可经配置以从收发器170、传感器180接收输入并输出移动装置100的所检测的室内/室外状态。

在一些实施例中，例如来自成套传感器180的移动装置100能够存取的传感器可单独地由室内/室外检测引擎190使用以检测移动装置100的室内/室外状态。如图1中所示，所述成套传感器180位于移动装置100中。然而，在其它实施例中，传感器180可邻近于移动装置100但在物理上与移动装置100分离。

在一些实例中，环境光传感器(als)185读数可用于预测移动装置在室内还是在室外。来自als的高读数可指示移动装置在室外，原因是在晴朗天建筑物内部的光强度通常低于室外光强度。在其它实例中，例如在收发器170处所接收的蜂窝信号的信号强度可用于检测移动装置存在于室内还是室外。在又另一实例中，来自测量环境中磁场的量的磁力计的读数可用于室内/室外检测。当在室外时，地球磁场可支配磁力计读数，而在室内，磁力计读数可能会受到各种电器设备和结构的影响。

在一些实施例中，气体传感器188可用于检测移动装置的室内/室外状态。举例来说，如果气体传感器指示例如臭氧、氮氧化物或一氧化碳等更高水平的气体，那么移动装置更有可能在室外，原因是此类气体通常出现在室外。如果气体传感器指示更高挥发性有机化合物，那么移动装置更有可能在室内。挥发性有机化合物是在室温下具有高蒸气压的化学品。它们可能以高水平存在于家用产品和汽车产品中，所述家用产品包含涂料、木材防腐剂、气雾喷雾剂、清洁剂、杀菌剂、空气清新剂。

基于单个传感器读数的室内/室外检测可能具有若干局限性。举例来说，基于als的检测在夜间或在多云天可能不可用或不精确。在一些实施例中，多个传感器可与彼此组合使用以改进室内/室外检测的精确性。举例来说，基于地球磁场在室外可能不会受到极大影响的事实，来自加速度计181的读数可与磁力计读数结合使用以检测移动装置100的室内/室外状态。加速度计测量移动装置的加速度的量，且因此可检测绝大多数种类的运动。当加速度计检测到运动时，可测量来自磁力计的若干读数。在运动期间磁力计读数的低变化性可指示移动装置在室外。然而，地球磁场可能会受到室内各种电器设备和结构的显著影响。因此，运动检测结合磁力计测量结果的高变化性可指示移动装置在室内。

在一些实施例中，来自陀螺仪182的读数可与来自磁力计184的读数结合使用以检测室内/室外状态。陀螺仪可测量移动装置的旋转改变。举例来说，磁力计读数的高变化性组合陀螺仪中的低变化性可指示移动装置在室内。这种情形指示移动装置是相对静止的，同时移动装置周围的磁场是可变的—在室内由于来自物体和电器设备的磁干扰而更有可能发生的情形。

来自多个传感器的室内/室外检测可基于：基于传感器读数背后的物理现实智能地组合读数，例如在以上所展示的实例中。在其它实例中，来自多个传感器的读数还可用作检验机制以改进室内/室外检测的可靠性。

在一些实施例中，来自位于移动装置中的传感器的读数可由其它数据扩充。在一些实例中，移动装置的存储器中的此类数据可在本地可用。在一些实施例中，可通过网络与来自移动装置外部的来源的传感器读数同时获得此类数据。在一些实施例中，此类数据可与例如天气状况等本地状况有关。

举例来说，在网络上从气象站所获得的本地湿度数据可与来自传感器187的湿度传感器读数同时使用。本地湿度数据可提供移动装置在室外时所测量的湿度的预期值。因此，如由传感器所测量的湿度值与来自所获得的数据的预期湿度值之间的显著不匹配指示移动装置在室内。同样地，可将由移动装置上的例如天气传感器183等传感器所测量的温度与从移动装置所处的地理区域网络获得的温度比较。接近匹配可指示移动装置位于室外。

作为另一实例，关于云层覆盖的本地天气数据可与来自als185的读数结合使用。当所获得的天气信息指示移动装置所处的区域为晴朗天气且als读数指示低光值时，可推断移动装置100位于室内。

返回到图1，在所说明的实施例中，室内/室外检测(iod)引擎190包括数据库191、模型训练器引擎192和室内/室外分类器193。如图中所示，iod引擎可与根据实施例的机器学习模型结合使用。数据库191可用于存储至少一个经训练iod模型。在一些实施例中，数据库191可存储多个经训练模型。数据库191可包括非易失性存储器。模型训练器引擎192可包括存储于计算机可读媒体中的指令以及经配置以执行所存储的指令的一或多个处理器。室内/室外分类器193可包括存储于计算机可读媒体中的指令以及经配置以执行所存储的指令的一或多个处理器。

iod引擎190可用于实施根据实施例的方法，包含选择和应用机器学习模型。建立和应用机器学习模型的实例将进一步参考图2和图3解释。

图2是展示根据一个实施例的训练模型的建立的简化图。过程200是来自多个经训练模型的一个经训练模型的建立的实例。根据实施例，可专门针对从本地状况的多个可能值中选择的值训练每个经训练模型。举例来说，本地状况可包括天气代码和/或日落时间。作为简单的非限制性实例，天气代码可表示晴朗还是多云。日落时间可分类为(i)日落在半小时内；(ii)日落在半小时与一小时之间；以及(iii)日落超过一小时。因此，在以上实例中，可建立六种单独情形的经训练模型：晴朗天气和多云天气的日落时间的每种情况。

如图2中所示，过程200可用于建立本地状况的值的模型。在框210处，可从所获得的数据中提取特征。可从例如移动装置外部的来源等各种来源获得数据，所述移动装置例如是服务器。或者或另外，可从移动装置、例如从移动装置上的传感器获得呈传感器读数形式的数据。在步骤210处，可选择最相关的预测值或变量的子集以形成特征向量。在一些实例中，例如主成分分析(pca)或线性判别分析(lda)等方法可应用于特征提取。可通过从可用数据收集的一或多个统计数据形成特征向量。针对iod的特征向量的元素的一些实例可包含平均光强度与倒数第二光强度的对数、磁场与倒数第二磁场的平均强度、磁场强度与倒数第二磁场强度的标准差、磁场向量的方向、根据陀螺仪测量的当前角速度、当日时间、接近传感器的输出、本地温度/湿度/压力、平均加速度、加速度的标准差以及来自附近气象站的平均温度/湿度/压力。一般来说，来自传感器或来自远程服务器的输出值以及对此类数据的分析结果(包含阈值分析、复杂数据处理等)可用作特征。在某一实例中，从服务器与从装置获得的测量结果的值之间的差可用作特征。

在一些实施例中，用于特征提取的装置数据可包含来自例如先前所描述的传感器180等一或多个传感器的传感器读数。用于特征提取的数据还可包含其它来源，所述其它来源如图2中所说明包含来自服务器的数据。来自服务器的数据可包含与例如在给定时间点或时间段的天气状况等本地状况有关的信息。服务器可位于网络处或从来自网络的天气服务、网页或新闻报道获得数据。在一些实施例中，可从服务器获得移动装置所处的地理区域(例如，zip编码)的天气相关数据。可通过移动装置使用众多途径检测移动装置所处的地理区域。举例来说，移动装置可根据gps传感器读数获得其位置。作为另一实例，移动装置可基于附近wifi热点的ip地址估计其位置。基于移动装置所处的地理区域，所述移动装置可经由网络从服务器中检索所述区域的天气信息。

从服务器获得的给定位置的天气信息可包含变量，例如云层覆盖、日落/日出时间、温度(当前、当日最低温、当日最高温)、湿度、大气压、花粉含量、风速、风向、降雨等。整体天气状况还可表达为天气代码。在一个实例中，72个代码可用于指代各种天气状况。在所述实例中，晴朗、少云、中雨等可具有单独代码。

在框处220，可使用在框210中所获得的数据进行训练。用于训练过程的输入可包含例如在框210结束时所获得的特征向量。对框220的输入还可包含来自例如尚未进行特征提取步骤的服务器等外部来源的数据。此外，对框220的输入可包含用于训练的地面实况信息或地面实况信息代理。

用于训练的地面实况信息可表示装置的已知室内/室外状态。举例来说，在训练期间，用户可键入关于移动装置位于室内还是室外的地面实况信息。在一些实施例中，过程200可在物理上与例如建立服务器等移动装置脱离的位置处发生。当在建立服务器处建立训练模型时，类似于移动装置100的具有传感器的移动装置可用于训练。已建立的经训练模型可存储于移动装置100的存储器中。在一些实施例中，过程200可在移动装置100处发生。在此类实施例中，可使用从移动装置100的传感器获得的数据以及使用地面实况和/或地面实况代理从外部获得的信息在移动装置100处建立经训练模型。地面实况代理将在下文进一步解释。

在一些实施例中，可对本地状况的特定值单独执行训练。举例来说，可对每个天气代码单独执行训练。作为一个实例，可对晴朗天气和多云天气单独执行训练。

在一些实施例中，经训练模型可在移动装置用于iod时连续地更新。在此类实施例中，来自移动装置上的传感器的传感器读数可与作为数据从服务器获得的与本地状况有关的信息一起使用以更新驻留于移动装置100上的经训练模型。在一些实施例中，地面实况代理可用于更新经训练模型。

地面实况代理可表示可在足够的精确度下确定移动装置在室外的情形。举例来说，加速度计读数可用于检测移动装置正以高速移动，由此产生移动装置在室外的推断。作为另一实例，如果移动装置可检测到来自环境传感器的读数的极高值，例如读数10,000勒克斯，那么其最有可能在室外。作为另一个实例，如果移动装置可检测到若干gps卫星，那么其最有可能在室外。在使用期间，移动装置100可在可推论地面实况代理的时间期间获得各种其它传感器的读数，且将传感器读数馈送回经训练模型以便对其更新。同时，关于本地状况、在一些实例中为本地天气状况的信息可作为输入被馈送到经训练模型中以更新经训练模型。在某种意义上，在移动装置使用期间来自其的数据可用于经训练模型的“在线学习”和“更新”。

地面实况代理的另一个实例可包含移动装置附近存在装置的检测。举例来说，可确定为打印机信号的蓝牙信号可暗示移动装置靠近打印机定位，且因此可能位于室内。另一方面，可确定为汽车信号的蓝牙信号可暗示移动装置靠近汽车定位，且因此可能位于室外。对靠近移动装置的多个蓝牙装置的检测可指示移动装置可能在室内。地理围栏算法还可用于确定移动装置是否在例如商场、建筑物或办公室等特定区域内部，且因此分类为在室内或在室外。

在一些实施例中，可通过众包建立或更新过程200。在此类实施例中，传感器读数和来自各种移动装置的数据可用于建立或更新经训练iod模型。

来自过程200的输出可以是针对本地状况的特定值的各种iod模型。举例来说，来自框220的输出可以是针对天气代码的每个值的多个iod模型。iod模型可用于确定移动装置在室内的可能性。在一些实施例中，iod模型可包括概率分布函数，所述概率分布函数指示移动装置针对本地状况的特定值、针对传感器读数的不同水平而在室内的概率。因此，概率分布函数可用于针对传感器读数的给定值确定移动装置位于室内的概率。

图3是展示根据一个实施例的应用训练模型以将移动装置分类为在室内或在室外的简化图。框310展示可用经训练iod模型。可使用例如参考图2所描述的过程200等训练过程建立框310的iod模型。若干经训练iod模型可供使用，在一些实例中是针对本地状况的每个值。

在框320处，可对从装置获得的数据以及从服务器获得的外部数据执行特征提取。在步骤320处，可选择最相关的预测值或变量的子集以形成特征向量。可通过从可用数据收集的一或多个统计数据形成特征向量。针对iod的特征向量的元素的一些实例可包含平均光强度与倒数第二光强度的对数、磁场与倒数第二磁场的平均强度、磁场强度与倒数第二磁场强度的标准差、磁场向量的方向、根据陀螺仪测量的当前角速度、当日时间、接近传感器的输出、本地温度/湿度/压力、平均加速度、加速度的标准差以及来自附近气象站的平均温度/湿度/压力。一般来说，来自传感器或来自远程服务器的输出值以及对此类数据的分析结果(包含阈值分析、复杂数据处理等)可用作特征。在某一实例中，从服务器与从装置获得的测量结果的值之间的差可用作特征。在一些实例中，例如主成分分析(pca)或线性判别分析(lda)等方法可应用于特征提取。

在一些实施例中，用于特征提取的装置数据可包含来自例如先前所描述的传感器180等一或多个传感器的传感器读数。用于特征提取的数据还可包含其它来源，所述其它来源如图3中所说明包含来自服务器的数据。来自服务器的数据可包含与例如在给定时间点的天气状况等本地状况有关的信息。服务器可位于网络处或从来自网络的天气服务、网页或新闻报道获得数据。在一些实施例中，可从服务器获得移动装置所处的地理区域(例如，zip编码)的天气相关数据。可通过移动装置使用众多途径检测移动装置所处的地理区域。举例来说，移动装置可根据gps传感器读数获得其位置。作为另一实例，移动装置可基于附近wifi热点的ip地址估计其位置。基于移动装置所处的地理区域，所述移动装置可经由网络从服务器中检索所述区域的天气信息。可与传感器读数同时获得与本地状况有关的此类信息。

在框330处，过程300包括将移动装置分类为在室内或在室外。根据在框310中的多个训练模型，可基于关于本地状况的信息选择相关模型，所述信息可作为输入在框330处提供。举例来说，如果来自服务器的数据指示移动装置所处的区域中的天气是晴朗的，那么可选择适用于晴朗天气的iod模型。将在下文描述其它实例。

作为输入提供到分类的装置数据可包含一或多个传感器读数。所选iod模型可用于针对传感器读数的给定值估计移动装置在室内的概率。基于所获得的概率，移动装置可分配有检测到移动装置在室内还是在室外的“类别标签”。

图4描绘流程图，所述流程图说明根据一个实施例的室内/室外检测的实例过程400。过程400可由iod引擎190执行。iod引擎190可包括一或多个处理器以执行过程400的步骤。在一些实施例中，代替或除iod引擎190自身的处理器外，处理器110可为iod引擎190提供处理能力。

在框410处，过程400包含从可由移动装置存取的一或多个传感器获得一或多个传感器读数。在一些实施例中，iod引擎190可从来自成套传感器180的一或多个传感器获得读数。尽管传感器180被展示为在物理上位于移动装置100内，但在一些实施例中，传感器180可在物理上与移动装置脱离。举例来说，传感器可在物理上位于可佩戴装置中，所述可佩戴装置可耦合到移动装置100。

在框420处，过程400包含获得与和移动装置所处的区域相关联的本地状况有关的同期信息。在实施方案中，iod引擎可获得此类信息。在一些实施例中，步骤420可涉及从无线网络中检索信息。例如收发器170等连接到iod引擎的通信设备可用于经由网络与连接到移动装置的服务器通信，所述网络例如局域网(lan)、广域网(wan)、因特网等。网络可利用例如包含gsm、cdma、lte的蜂窝等技术，或例如wifi、蓝牙和wimax等其它技术。本地状况的实例可包含某一地理区域的天气信息、地理区域的大气中的气体组合物信息、地理区域的日出和/或日落时间。服务器可包含属于通讯社、气象站、实验室、大学等的服务器。在一些实例中，本地区域可表示例如zip编码等邮政编码。

在实施方案中，可从连接到物联网的装置获得与本地状况有关的信息。在实施方案中，可通过众包从其它移动装置获得此类信息。在众包模型下，蜂窝网络管理器可追踪来自位于地理区域内的多个移动装置的传感器读数以估计所述区域的位置状况的值。

获得与本地状况有关的信息可与获得传感器读数同时发生。在此上下文中，“同时”可指在获得传感器读数的时间附近存在或预期存在关于本地状况的信息。举例来说，可在获得传感器读数的数秒、数分钟或数小时内检索关于本地状况的信息。或者，可在不同时间检索关于本地状况的信息，但所述本地状况预期在获得传感器读数时的数秒、数分钟或数小时内存在。举例来说，虽然天气预报的内容(本地状况信息的实例)可预测预期在获得传感器读数时的数秒、数分钟、数小时等内存在的天气状况，但是可在获得传感器读数之前的时间检索天气预报自身。与本地状况有关的信息还可能仅在有限时间段内可变和有效，所述有限时间段包含获得传感器读数时的时间段。举例来说，当检索到天气信息时，所检索的信息的一部分可以是在获得传感器读数时的时间段内移动装置所处的zip编码的温度。在实施方案中，可获得关于位置的多个状况的信息。

在框430处，过程400包含从多个经训练模型中选择室内/室外检测模型以供应用。所述选择可至少部分地基于关于本地状况的同期信息。在实施方案中，框430中的步骤可由移动装置100的iod引擎190的组件执行。数据库191可存储使用例如过程200等流程建立的多个经训练iod模型。存储于数据库191中的经训练iod模型中的每一个可适用于关于本地状况的信息的值。在实施例中，关于本地状况的信息可分类成多个可能值。

借助于非限制性实例，关于本地状况的信息可能是指天气状况，在一种情况下是指百分比大气湿度。百分比湿度可分类成三个可能值：低湿度、正常湿度和高湿度。可建立三个单独经训练模型：一个针对低湿度，一个针对正常湿度，且一个针对高湿度。作为另一实例，可建立每个天气代码的单独经训练模型。在实施例中，可选择适用于关于本地状况的信息的值的iod模型。举例来说，如果所获得的天气代码对应于晴朗，那么可选择晴朗模型。

在一些实施例中，可使用在移动装置处所收集的数据建立经训练模型。在一些实施例中，可使用在移动装置处所收集的数据更新经训练模型。在一些实施例中，还可在移动装置处建立经训练模型。在实施方案中，可至少部分地在服务器处建立经训练模型。

在框440处，过程400包含将传感器读数作为输入提供到所选模型。在一些实施方案中，iod引擎190可具有来自传感器读数的数据。如稍后参考实例将解释，所选iod模型可提供移动装置位于室内的概率与传感器读数的概率分布函数。在实施方案中，可根据多于一个传感器读数和/或关于本地状况的信息提供移动装置位于室内的概率。

在框450处，过程400包含确定移动装置的用户位于室内的可能性。这种确定可基于所选模型。举例来说，可通过确定从传感器获得的读数的概率而根据概率分布函数计算所述可能性。在其它实施方案中，可在从传感器获得的读数被输入到iod模型之前对其进行校正或操纵。在实施方案中，其它量度可用于确定移动装置位于室内的可能性，例如百分比或其它函数。

可使用条件概率和概率统计理论学确定移动装置位于室外的概率。作为实例，对于涉及来自als的勒克斯值作为传感器读数以及关于位置状况的云层覆盖信息的情况，可用在室外的概率、获得所述特定勒克斯值的概率以及当移动装置在室外时获得所述云层覆盖的所述特定勒克斯值的概率使用以下条件概率来针对给定勒克斯值和云层覆盖表达移动装置在室外的概率：

p(室外|勒克斯，天气)＝[p(室外)xp(勒克斯|室外，天气)]/p(勒克斯)，其中室外表示移动装置位于室外，勒克斯表示来自als传感器的读数，且天气表示云层覆盖。所述实例是非限制性的且可适用于若干传感器读数和关于本地状况的若干信息片段。尽管以上所展示的实例适用于一个传感器读数和关于本地状况的一个信息片段，但在实施方案中可使用来自多个传感器的更多输入数据和/或关于本地状况的多个信息片段。

在以上实例等式中，可使用各种途径估计等式右侧的概率。举例来说，可基于人的日常活动估计他或她存在于室外的概率。在周末，在工作时间期间，在室外的概率可能为低。可基于地理位置(纬度)、一年中的时间等估计某一勒克斯值的概率。使用以上基于条件概率的公式，移动装置位于室内还是室外的决策可用公式表示为机器学习问题。可基于将概率与阈值比较作出室内/室外状态的决策。可因此针对例如晴朗和多云等云层覆盖的各种值建立随着勒克斯值变化而指示移动装置位于室内(或室外)的概率的概率分布函数。

在框450处，过程400包含基于所述可能性将移动装置分类为在室内或在室外。举例来说，在一个实施方案中，如果如使用所选iod模型针对传感器读数测量的概率超过某一数字，例如0.5，那么iod分类器193可将移动装置分类位于室内。作为另一实例，针对传感器读数的给定值，可将移动装置位于室内的概率与移动装置位于室外的概率比较。可基于所述比较将移动装置分类为在室内或在室外。在其它实施方案中，所述分类可取决于除所确定的概率外的因子，例如装置的室内/室外状态的先前确定。下文将参考图9解释考虑先前历史的分类。

图5描绘流程图，所述流程图说明根据一个实施例的实例过程500。在框510处，过程500包含将所获得的本地状况表达为从多个可能值中选择的值。稍早提供了一个实例，其中所获得的本地状况包含大气湿度。在框520处，过程500包含专门针对从本地状况的多个可能值中选择的不同值训练来自多个经训练模型的每个模型。在实施方案中，训练可在服务器处发生。在其它实施方案中，训练可在移动装置处发生。

在框530处，过程500包含使用在移动装置处所收集的数据更新经训练模型。在实施方案中，iod引擎190的模型训练器引擎192可用于更新经训练模型。稍早参考图2使用地面实况代理解释了使用装置数据更新训练模型的方法的一个实例。所更新的模型可存储在移动装置100处，例如存储于数据库191中。或者或另外，所更新的模型可经由网络传达到服务器。使用来自移动装置的数据的此类连续学习有时被称为“在线学习”。

现在将使用以下两个种类的本地状况解释iod分类的实例：日出/日落开始时间和天气代码。给定区域的日出/日落时间大体上可供各种天气网络使用且是可由移动装置100从因特网中检索的数据。类似地，天气代码(为简单起见，晴朗或多云)也是大体上可供使用的天气数据。为了说明，环境光传感器(als)将用作传感器的实例。然而，所属领域的技术人员将理解和了解，所述实例意味着是非限制性的，且本发明的实施例可与和本地状况有关的信息和传感器读数的若干组合一起实践。

图6是具有给定als读数的样本的数目与als读数和日出或日落开始时间的函数的三维图形表示。x轴表示任意单位的als读数。其可以是例如勒克斯值的对数或指示亮度的任何其它单位。在所展示的比例中，超过9的值例如可见于明亮的晴朗天。y轴表示日出时间或日落开始时间。为解释简单起见，y轴在下文在以下段落中将被称为日落时间，尽管其可同等地表示日出到当前的时间。z轴表示呈现日落时间和als读数的给定组合的样本的数目。图6中的条越高，在所述日落时间获得als读数的所述值的概率越高。

根据图6中所展示的实例可推论，假设白昼和黑夜相等，大体上在更大日落开始时间直至正午获得更高als读数。在所展示的实例中，通常从日落开始6小时获得最高als读数。图6还表明als读数的大部分改变发生在小的时间窗期间，大约为从日落开始一小时。在此时间段期间，当基于als读数时，室内/室外检测可能倾向于具有更高错误率。可能有用的是将日落时间分类成三个不同值：(i)日落到日落前0.5小时；(ii)日落前0.5小时到日落前1小时；以及(iii)白天(日落前超过1小时)以集中于日落附近的短时间段。

基于日落时间的三个值，可形成上述每个值的单独模型：(i)、(ii)和(ii)。三个模型中的一个可适用于每个当日时间。举例来说，如果需要在日落前数分钟确定室内/室外状态，那么模型(i)将可应用。

图7说明针对日落时间的三个值的移动装置位于室内的概率分布函数以及移动装置位于室外的概率分布函数。日落时间有效地对应于当日时间。

曲线图700a对应于白天，即，模型(iii)，或大于日落开始一小时。分布710a表示根据als读数在白天期间移动装置在室内的概率。如根据分布710a所显而易见的，大约3.1到3.2的als读数对应于在室内的最高概率。对于als读数的更高和更低值，在室内的概率下降。分布720a表示根据als读数移动装置位于室外的概率。在室外的概率分布在大约6.5的als读数处达到峰值。对于als的更高和更低读数，概率下降，但比在室内的情况更加平缓。

如曲线图700a中所示，对于给定als读数，对于给定模型，存在两个概率—一个是移动装置位于室内的概率，而另一个是移动装置位于室外的概率。在将移动装置分类为在室内或在室外时可比较所述两个概率。在一些实施方案中，可简单地基于针对als的所述读数在室内概率高于在室外概率而将移动装置分类为在室内。在其它实施方案中，除在室内和在室外概率外的其它因子可用于所述分类。

曲线图700b对应于日落一小时与日落半小时之间的时间段(模型(ii))。分布710b表示根据als读数在此当日时间内移动装置在室内的概率。大约3.1到3.2的als读数同样对应于在室内的最高概率，这可能是由于室内光不会受到太阳的显著影响。对于als读数的更高和更低值，在室内的概率下降。分布720b表示根据als读数移动装置位于室外的概率。在室外的概率分布在大约4.1的als读数处达到峰值。对于als的更高和更低读数，概率下降，但比在室内的情况更加平缓。对于在室外的情况，由于更接近日落，因此峰值概率显著转变成更低als读数。

曲线图700c对应于日落半小时与日落之间的时间段(模型(i))。分布710c表示根据als读数在此当日时间内移动装置在室内的概率。大约3.1到3.2的als读数仍对应于在室内的最高概率。对于als读数的更高和更低值，在室内的概率下降。分布720c表示根据als读数移动装置位于室外的概率。在室外的概率分布在大约3.1的als读数处达到峰值。对于als的更高和更低读数，概率下降，但比在室内的情况更加平缓。在非常接近于日落时，iod检测、尤其是基于als读数检测移动装置在室外倾向于具有高错误率。移动装置在室内和在室外的概率在als读数的大约相同值处达到峰值。

在一些方面中，als读数还可能会受到例如天气代码等另一本地状况的影响。为解释简单起见，天气代码可分类为晴朗或多云，尽管天气代码可能存在若干值。可针对晴朗天气且针对多云天气建立、改进或细分以上参考日落时间解释的模型中的每一个。

图8说明针对晴朗天气且针对多云天气的日落时间的一个值移动装置位于室内的概率分布函数以及移动装置位于室外的概率分布函数。曲线图800a包含针对晴朗天气移动装置位于室内的概率分布(810a)以及移动装置位于室外的概率分布(830a)。曲线图800b包含针对多云天气移动装置位于室内的概率分布(810b)以及移动装置位于室外的概率分布(830b)。

曲线图800a和800b的比较说明：针对als读数(由线820表示)的给定值，在室内和在室外概率基于所应用的模型是“晴朗”模型还是“多云”模型而可能不同。因此，将移动装置分类为在室内或在室外可取决于所选模型。当同时检索关于天气的信息以获得als读数时，适当模型(晴朗/多云和日落时间)可应用来估计移动装置的室内/室外状态。

图9是在室内/室外确定时使用先前信息的实例的图形说明。曲线900a将随着als读数变化移动装置在室内的概率的概率分布函数(由阴影910a表示)以及移动装置在室外的概率(由阴影920a表示)说明为直方图。对应曲线图900b使用分布910b(在室内)、分布920b(在室外)说明x-y曲线图中的概率。在曲线图900b中，y轴已经标准化为曲线910b和920b。

在如曲线图900b中所展示的线930b的周围区域中，例如对于940b与950b之间的als读数，确定移动装置的室内/室外状态变得倾向于发生错误。在940b与950b之间的区域中，移动装置的所确定的状态可针对als读数的极小改变而在室内与室外之间切换。这些频繁改变不大可能表示装置在室内与室外之间的快速实际物理移动，而实际上是在室内和在室外的概率针对那些als值类似的伪影。

在例如940b与950b之间的区域中，可进一步基于装置的先前室内/室外状态的确定来确定移动装置是否在室内。在曲线图900b中所展示的实例中，如果装置一旦已经确定为在室内，那么装置的状态可分类为在室内，直至als读数与线950b相交。如果als读数高于由线950b标记的值，那么所分类的状态可保持在室外，直至als读数变得低于由线940b标记的值。以此方式，“迟滞”效应可并入到iod中以防止状态之间的错误快速切换。

已描述了若干实施例，可在不脱离本发明的精神的情况下使用各种修改、替代构造和等效物。举例来说，在一些实施例中，装置除移动装置100外可包含和/或另外提供上文所论述的组件和/或功能性中的一或多个，且因此可实施本文所描述的一或多个实施例。

在另外的额外和/或替代实施例中，以上元件可仅仅是较大系统的组件，其中其它规则可优先于本发明的应用或以其它方式修改本发明的应用。此外，可在考虑以上元件之前、期间或之后进行多个步骤。因此，以上描述不限制本揭示的范围。