以是离散的，也可以是连续的。在确定过渡概率密度602和 状态模型104的状态之间的其他过渡概率密度后，移动设备102可确定移动设备102从当 前状态（例如状态106)直接或间接（例如通过一个或多个中间状态）过渡到每个其他状 态的基于时间的可能性。移动设备102可基于当前位置、未来时间、和移动设备102过渡到 每个状态的概率来确定所预测的移动设备102的未来位置。
[0059] 图6B是示出确定示例性状态106的进入概率密度620的示意图。进入概率密度 620可指示移动设备102从在状态模型104中没有表示的当前位置进入状态106的概率分 布。移动设备102可在接收到用于预测移动设备102的未来位置的请求时确定进入概率密 度620。所述请求可与当前时间和未来时间相关联。在当前时间，移动设备102可位于未表 示的当前位置处。未来时间可以是时间点或时间窗口。
[0060] 进入概率密度620可以是一个时间段（例如[Tc，Td])上的分布，其中Tc是这个 时间段的开始时间，Td是这个时间段的结束时间。时间段[Tc，Td]可以是预测窗口。在一 些具体实施中，开始时间Tc可对应于当前时间、或者具有偏差的当前时间（例如当前时间 之前或之后X分钟）；结束时间Td可对应于未来时间、或者具有偏差的未来时间（例如未 来时间之前或之后Y分钟）。在一些具体实施中，开始时间Tc和结束时间Td可分别对应于 一个时间窗口（例如一天或一周）的开始和结束。
[0061] 移动设备102可基于移动设备102在状态106中的停留时间来确定进入概率密度 620。停留时间（例如停留时间412、414、和622)可如上文中参考图4所述那样来确定。
[0062] 在Tc和Td之间的给定时间，（1)移动设备102过去在所述给定时间越多次停留 在状态106中可对应于越高的概率密度值；（2)过去进入到状态106中的越高的进入确定 性可对应于越高的概率密度值；并且（3)过去进入到状态106中的越稳定的进入模式可对 应于越高的概率密度值。
[0063] 例如，t2对应于上午10点，t3对应于下午3点。在过去并且如状态模型104中通 过停留时间412、414、和622所记录的，在X次的情形中，移动设备102在时间t2位于状态 106中；并且在Y次的情形中，移动设备102在时间t3位于状态106中。如果X小于Y(例 如在这个实例中，X= 2,Y= 3)，则t2可对应于相对较低的概率密度值624,而t3可对应 于相对较高的概率密度值626。
[0064] 附加地或另选地，移动设备102可基于根据状态模型104所确定的状态停留时间 来确定移动设备102的位置是按照星期模式。例如，移动设备102可确定停留时间414和 多个其他停留时间只在工作日发生，而停留时间412和622只在周末发生。基于这个所识 别的星期模式，移动设备102可在时间t2和时间t3落在工作日的情况下将相对较低的概 率密度值624关联到时间t2,而将较高的概率密度值624关联到时间t3。移动设备102可 将相等的概率密度值关联到落在周末的时间t2和时间t3。
[0065] 进入概率密度620可以是离散的或是连续的。在确定进入概率密度620和状态模 型104的状态之间的其他进入概率密度后，移动设备可确定移动设备102从当前位置直接 或间接（例如通过一个或多个中间状态）进入到每个其他状态的基于时间的可能性。移动 设备102可基于当前位置、未来时间、和移动设备102进入每个状态的概率来确定所预测的 移动设备102的未来位置。
[0066] 移动设备102可在基于各种因素计算进入概率密度之前、期间、或之后从状态模 型104中滤除状态。滤除状态可包括阻止这个状态被用于特定位置预测，而不将这个状态 从状态模型104中移除。用于滤除状态的因素可包括当前位置与状态模型104中状态所表 示的位置之间的距离。移动设备102可在确定移动设备102在预测时间窗口期间不太可能 从当前位置到达某个状态的位置时滤除那个状态。移动设备可基于当前时间与时间窗口的 开始时间或结束时间之间的时间差、以及移动设备102的移动的预先指定的最大速度来执 行所述滤除。
[0067] 例如，移动设备102可确定当前时间与预测时间窗口的结束时间Td之间的时间差 为X小时。移动设备可确定当前位置与由状态106所表示的显著位置之间的距离为Y公里。 基于预先指定的最大速度每小时Z公里，移动设备102可在确定X*Z〈Y时，滤除状态106， Χ*Ζ〈Υ表明即使以最大速度行进，移动设备102也不能在X小时内到达状态106所表示的位 置。
[0068] 示例件设备部件
[0069] 图7Α是示出实施预测性用户辅助的示例性移动设备102的部件的框图。移动设 备102的每个部件均可包括硬件部件和软件部件。
[0070] 移动设备102可包括状态模型确定子系统702。状态模型确定子系统702可以是 移动设备102的被编程为利用来自位置确定子系统704的位置数据来确定状态模型（例如 状态模型104)的部件。位置数据可包括一系列一个或多个位置读数，其中每个位置读数都 与一个时间戳相关联。位置读数可包括炜度、经度、并且任选地还有海拔的坐标。
[0071] 位置确定子系统704是移动设备102的被编程为利用卫星导航系统（例如GPS)、 蜂窝通信系统（例如通过利用蜂窝塔的三角测量）、或者无线接入网关（例如通过利用已知 接入点位置的三角测量）来确定移动设备102的位置的部件。
[0072] 移动设备102可包括一个或多个服务706。服务706可包括移动设备102的操作 系统或者一个或多个应用程序的功能。服务706可向位置确定子系统704请求位置数据。 所述请求可激活位置确定子系统704。
[0073] 状态模型确定子系统702可被配置为在服务706激活位置确定子系统704时读取 位置确定子系统704所提供的位置数据。通过位置确定子系统704的激活来触发读取位置 数据就可避免或最小化确定状态模型的操作对电池电力的消耗。基于位置数据，状态模型 确定子系统702可确定状态模型，并将该状态模型存储在状态模型数据库708中。状态模 型数据库708可包括移动设备102上或者远离移动设备102定位的服务器上的存储设备。
[0074] 移动设备102可包括预测子系统710。预测子系统710是移动设备102的被配置 为基于存储在状态模型数据库708中的状态模型来确定所预测的移动设备102的未来位置 的部件。一个或多个服务712或其他设备714可向预测子系统710请求预测。所述请求可 与未来时间点或时间窗口相关联。作为响应，预测子系统710可提供一个或多个所预测的 对应于所述未来时间或时间窗口的未来位置。
[0075] 图7B是示出图7A的示例性状态模型确定子系统702的部件的框图。状态模型确 定子系统702的每个部件可包括硬件部件和软件部件。
[0076] 状态模型确定子系统702可包括位置监听器720。位置监听器720是状态模型确 定子系统702的被配置为在被位置确定子系统704的激活而触发时从位置确定子系统704 读取位置数据的部件。在一些具体实施中，位置监听器720可被编程为周期性地激活位置 确定子系统704以获取位置数据。
[0077] 位置监听器720可将从位置确定子系统740接收的位置数据存储到原始位置数据 存储库722中。原始位置数据存储库722可以是移动设备102的被编程为存储从位置确定 子系统704读取的原始位置数据的存储设备。原始位置数据存储库722可执行持续性策略， 其中原始位置数据基于用户请求或隐私策略而在指定的持续性周期之后被移除。
[0078] 状态模型确定子系统702可包括抽象引擎724。抽象引擎724是状态模型确定子 系统702的被配置为访问存储在原始位置数据存储库722中的位置数据的部件。基于位置 数据，抽象引擎724可基于一个或多个预先指定的条件来确定位置群集。所述条件可包括 用于建立显著位置的最少位置数量（例如2)、阈值时间窗口（例如最少X分钟）、和异常值 标准。抽象引擎724可通过生成位置群集的抽象来确定显著位置。抽象引擎724可将显著 位置存储在位置数据存储库726中。
[0079] 位置数据存储库726是状态模型确定子系统702的被配置为存储由抽象引擎724 所确定的显著位置的存储设备。位置数据存储库726可执行持续性策略，其中显著位置在 指定的持续性周期之后被移除。位置数据存储库726的持续性策略可不同于原始位置数据 存储库722的持续性策略。
[0080] 状态模型确定子系统702可包括状态模型构建引擎728。状态模型构建引擎728 是状态模型确定子系统702的被配置为从位置数据存储库726读取显著位置并生成状态模 型104的部件。此外，状态模型构建引擎728可被配置为通过对状态模型104添加和移除 状态来维护状态模型104。
[0081] 图7C是示出图7A的示例性预测子系统710的部件的框图。预测子系统710的每 个部件均可包括硬件部件和软件部件。
[0082] 预测子系统710可包括概率建模器740。概率建模器740是预测子系统710的被 配置为基于状态模型（例如状态模型104)的状态和过渡来确定概率密度（例如过渡概率 密度602和进入概率密度620)的部件。概率建模器740可确定在一个时间窗口内的过渡 和进入的概率密度。
[0083] 预测子系统710可包括模式分析器742。模式分析器742是预测子系统710的被 配置为确定移动设备102在时间段上的移动模式的部件。所述时间段可以是一天、一星期、 一个月、或一年。模式分析器742可基于状态模型104的寿命来确定是基于一天、一星期、 一个月、还是一年来确定模式。例如，模式分析器742可确定状态模型104是否已经满足寿 命阈值（例如包含至少X星期的数据）。
[0084] 在确定状态模型104满足所述阈值时，模式分析器742可确定星期模式。星期模 式可包括针对一星期中的每一天计算的概率分布，其中例如针对星期一的概率分布是与针 对星期日的概率分布分开地来确定。在确定状态模型104不满足所述阈值时，模式分析器 742可确定每日模式。每日模式可包括针对一天中的每个小时计算的概率分布，其中例如针 对上午9点到上午10点的概率分布是与针对下午5点到下午6点的概率分布分开地来确 定。
[0085] 在一些具体实施中，模式分析器742可在确定移动设备102已经移动到新地方时 确定每日模式。例如，模式分析器742可确定最近的X个新状态中每一者与比最近的X个 新状态旧的每个状态之间的距离超过了本地阈值（例如Y公里），这表明移动设备102最近 已经行进到新的位置（例如到度假地）。在所述确定后，模式分析器742可确定每日模式， 开始于最近的X个状态。
[0086] 预测子系统710可包括预测引擎744。预测引擎744是预测子系统710的被配置 为接收当前时间和当前位置并确定预测位置的部件。预测引擎744可基于概率建模器740 所提供的过渡和进入的概率密度和从模式分析器742提供的移动模式来确定移动设备102 的预测位置。预测引擎744可基于概率密度和移动模式来识别多个候选未来位置。预测引 擎744然后可利用各种属性来对候选未来位置进行排名。
[0087] 预测引擎744用来对候选未来位置进行排名的属性可包括对状态所表示的候选 未来位置的上一次访问，其中越新近的访问可与越高的排名相关联。所述属性可包括与候 选位置相关联的状态的数据寿命，其中具有越长数据历史的状态可与越高的排名相关