对显著位置进行建模的制作方法
【技术领域】
[0001] 本公开整体涉及基于位置的服务。
【背景技术】
[0002] 很多电子设备具有基于位置的功能。例如，移动设备能够利用卫星导航系统（例 如全球定位系统或GPS)或蜂窝通信系统来估计移动设备的位置。移动设备能执行各种特 定于位置的任务。例如，在移动设备上运行的地图应用程序能使移动设备显示地图。地图 上的标记可指示移动设备的当前位置。在接收到选择该标记的用户输入时，移动设备能显 示当前位置附近的兴趣点，例如，餐厅或加油站。在接收到指定目的地的用户输入时，移动 设备能显示从当前位置到目的地的路线、以及基于关于该路线的交通信息所估计的到达时 间。
【发明内容】
[0003] 描述了用于对显著位置进行建模的技术。显著位置可以是由于各种原因而对于移 动设备的用户而言显著的位置。在以足够的确定性确定移动设备已经在某个地方或区域停 留了足够的时间量时，该移动设备可确定这个地方或区域是显著位置。移动设备可构建作 为一个或多个显著位置的抽象的状态模型。状态模型可包括表示显著位置的状态、和表示 移动设备在位置之间的移动的过渡。移动设备可使用状态模型来提供预测用户辅助。
[0004] 可以实现本说明书中描述的特征以获得一个或多个优点。移动设备可学习移动设 备的移动模式，并使其自身适配于该移动模式。利用本说明书中所述的技术，移动设备能够 实施预测用户辅助。实施预测用户辅助的移动设备能够基于移动模式来提供辅助，而不需 要附加的用户输入。因此，移动设备的用户可具有使用移动设备的服务的更好体验，尤其是 基于位置的服务。例如，移动设备可确定用户通常在工作日上午8点离开家去工作，而在周 末上午8点离开家去健身房。当在上午8点前不久被打开时，在工作日，移动设备可自动地 显示从家到工作地的路线的交通信息；而在周末，移动设备可自动地显示从家到健身房的 路线的交通信息。
[0005] 在附图和以下说明书中阐述了对显著位置进行建模的一个或多个具体实施的细 节。根据说明书、附图及权利要求，对显著位置进行建模的其他特征、方面和优点将显而易 见。
【附图说明】
[0006] 图1是示出预测用户辅助的示例性具体实施的图示。
[0007] 图2是示出确定位置群集的示例性技术的图示。
[0008] 图3是示出基于位置群集来识别显著位置的示例性技术的图示。
[0009] 图4是示出基于位置群集确定的示例性状态模型的图示。
[0010] 图5是示出对状态模型的增量改变的图示。
[0011] 图6A是示出确定示例性状态之间的过渡概率密度的图示。
[0012] 图6B是示出确定示例性状态的进入概率密度的图示。
[0013] 图7A、7B、和7C是示出实施预测用户辅助的示例性移动设备的部件的框图。
[0014] 图8是示出生成状态模型的示例性过程的流程图。
[0015] 图9是示出预测未来位置的示例性过程的流程图。
[0016] 图10是示出实现图1至图9的特征和操作的移动设备的示例性设备架构的框图。
[0017] 图11是实现图1至图9的特征和操作的移动设备的示例性网络操作环境的框图。
[0018] 各附图中类似的参考符号表示类似的元件。
【具体实施方式】
[0019] 示例件预测用户辅助
[0020] 图1是示出预测用户辅助的示例性具体实施的图示。示例性移动设备102可使用 移动设备102的过去移动来预测移动设备102的未来位置。移动设备102于是可适配移动 设备102的行为以执行特定于所预测的未来位置的服务。
[0021] 移动设备102可利用机器学习和数据挖掘技术来学习移动设备102的过去移动。 过去移动可被记录作为移动设备102访问的显著位置和移动设备102在这些显著位置之间 的移动。在以足够的确定性确定移动设备102已经在某个地方或区域停留了足够的时间量 时，移动设备102可确定这个地方或区域是显著位置。在所述时间量满足各种标准的情况 下，例如当时间量满足时间长度阈值（例如X小时）或频率阈值（例如每天X分钟、每周Y 天）时，所述时间量可以是足够的。移动设备102的移动的记录可包括进入每个显著位置 的所测量或计算的时间和离开每个显著位置的所测量或计算的时间。显著位置可与多个进 入和离开相关联。
[0022] 除了显著位置之外，移动的记录可包括显著位置之间的过渡。从第一显著位置向 第二显著位置的每个过渡可与指示移动设备102离开第一显著位置的时间的过渡开始时 间戳以及指示移动设备102进入第二显著位置的时间的过渡结束时间戳相关联。
[0023] 移动设备102可将移动的记录表示为状态模型104。状态模型104可包括各自表 示一个显著位置的状态（例如状态106和其他状态）、和各自表示移动设备102在显著位置 之间的移动的过渡（例如过渡107和状态之间的其他过渡）。在下文中将参考图2至图5 描述确定状态模型104的附加细节。
[0024] 基于状态模型104,移动设备102可确定（1)在给定时间，移动设备102从给定显 著位置移动到每个其他显著位置的过渡概率密度，或者（2)移动设备102从先前未知或未 表示的位置进入显著位置的进入概率密度。移动设备102的模式分析器可利用状态模型 104来确定移动设备102的每日、星期、月度、或年度移动模式。移动设备102的预测引擎 可使用过渡概率密度（或进入概率密度）和移动模式来预测移动设备102在未来时间将进 入（或停留）的显著位置。移动设备102然后可使用所述预测来提供预测用户辅助，例如 辅助用户为未来事件进行计划。
[0025] 在图1的实例中，移动设备102可利用移动设备102的位置确定子系统来确定当 前位置108。移动设备102可确定当前时间110。基于当前位置、当前时间、和状态模型104 的概率和模式，移动设备102可确定移动设备102在未来某个时间的最可能位置是由状态 106表示的显著位置。移动设备102于是可执行对应于所述显著位置、或者对应于从当前位 置到所述显著位置的过渡的用户辅助功能。例如，在被开启或解锁时，移动设备102可在移 动设备102的显示表面上提供显示提示112。提示112可包括用户辅助信息116。用户辅 助信息116例如可包括从当前位置到可能的未来位置的路线、和沿该路线的交通信息。移 动设备102可自动地提供显示提示112和用户辅助信息116,而不要求用户输入可能的未来 位置作为目的地。
[0026] 在一些具体实施中，移动设备102可提供与可能的未来位置相关联的标签。该标 签可以是用户预先指定或者移动设备102通过反向地理编码或通过对移动设备102的移 动的语义分析而确定的兴趣点的地址或名称。例如，移动设备102可确定第一位置可能是 家并且第二位置可能是工作场所。因此，移动设备102可在用户辅助信息116中使用术语 "家"和"工作地"。
[0027] 构律状杰樽铟的示例件抟术
[0028] 图2是示出确定位置群集的示例性技术的图示。（图1的）示例性移动设备102 可使用学习技术来确定（图1的）状态模型104。
[0029] 移动设备102可随时间（T)顺序地跟踪位置数据。顺序地跟踪位置数据可通过借 助另一应用程序来执行，以避免或降低位置数据收集的成本。例如，移动设备102可在另一 服务向移动设备102的位置确定子系统请求位置时收集位置数据。因此，收集位置数据可 以是"免费的"，而不必仅仅为了确定移动设备102的移动模式而激活位置确定子系统。
[0030] 移动设备102可随着时间T收集到位置202、204、206、208、210、和212。收集位置 可以是持续的操作。比指定时间段早的位置可被清除。所述时间段可由用户偏好或隐私策 略来指定。位置202、204、206、208、210、和212可各自包括炜度、经度和海拔坐标并且与指 示相应位置被收集的时间的时间戳相关联。
[0031] 移动设备102可确定位置202、204、206、208、210、和212中的一些属于可指示显著 位置的位置群集。移动设备102可在确定（1)至少预先指定的阈值数量（例如两个）的连 续位置被收集到；（2)连续位置的时间跨度满足预先指定的阈值时间窗口；和（3)在位置被 收集的时间段，这些位置是相同的从而表明移动设备102静止、或者彼此足够近从而表明 移动设备102位于足够小的限定区域中时，确定位置群集被形成。
[0032] 例如，移动设备102可随时间T确定两个位置群集：位置群集218和位置群集220。 位置群集218可包括在比阈值时间窗口（例如45分钟的时间窗口）长的时间段[Tl，T2] 上收集的位置202、204、和206。移动设备102可在确定位置202、204、和206的变化小到足 以满足变化阈值时确定位置群集218包括位置202、204、和206。同样，位置群集220可包 括在时间段[T3，T4]内收集的位置210和212。移动设备102可在确定位置210和212的 变化满足变化阈值时确定位置群集220包括位置210和212。
[0033] 异常值检测机制可滤除不属于群集的位置。例如，移动设备102可确定位置208 与位置206和位置210不同（例如位置206和208之间的距离以及位置208和位置210之 间的距离超过阈值）。此外，移动设备102可确定没有其他位置（1)在位置208之前或之后 的阈值时间窗口内被收集并且（2)地理上与位置208靠近。作为响应，移动设备102可确 定位置208是异常值并且丢弃位置208。此外，如果时间段中的位置显著不同于所述时间段 中的很多其他位置，则移动设备102可将这个不同的位置作为异常值丢弃，并且利用所述 时间窗口中的其他位置来确定位置群集。移动设备102可使用位置群集218和220来确定 显著位置和状态模型104中的状态。
[0034] 图3是示出基于位置群集识别显著位置的示例性技术的图示。利用上文中参考图 2所述的技术，移动设备102可识别位置群集218、220、302、和303。移动设备102可基于位 置群集218、220、302、和303来确定显著位置304、306、和308。
[0035] 移动设备102可基于位置群集218、220、302、和303，利用位置群集218、220、302、 和303中的每一者中的位置来确定显著位置304、306、和308中的每一者。确定显著位置 304、306、和308可以基于具有恒定增益的递归滤波器。下文在下一段落中提供确定显著 位置304、306、和308的细节。显著位置304、306、和308中的每一者可包括炜度、经度、并 且任选地还有海拔的坐标。显著位置304、306、和308中的每一者可与一个或多个位置群 集相关联。例如，显著位置304可在时间段[T1，T2]中对应于位置群集218,并且在时间段 [Τ7，Τ8]期间对应于位置群集303。位置群集218和位置群集303中的位置可以是相同的。 时间段[Τ1，Τ2]和时间窗口 [Τ7，Τ8]的长度可以是相同的，也可以是不同的。
[0036] 移动设备102可在时间Τ2具有初始状态模型。在时间T2+k，移动设备102可接 收增量位置数据，其中k是时间T2与附加位置数据被接收的时间之间的差异（在这个实例 中，k=T7-T2)。移动设备102可使用增量位置数据来确定用于在状态模型中使用的显著 位置304。移动设备102可确定位置群集218对应于炜度和经度坐标XI。移动设备1