申请/专利权人：苹果公司

申请日：2014-05-30

公开（公告）日：2021-01-12

公开（公告）号：CN110035383B

主分类号：H04W4/02(20180101)

分类号：H04W4/02(20180101);H04W4/029(20180101);H04W88/00(20090101);G01S5/02(20100101)

优先权：["20130607 US 61/832,741","20130906 US 14/020,689"]

专利状态码：有效-授权

法律状态：2021.01.12#授权;2019.08.13#实质审查的生效;2019.07.19#公开

摘要：本公开涉及对显著位置进行建模。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。移动设备可在确定移动设备以足够的确定性已经在某个地方或区域停留了足够的时间量时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性用户辅助。

主权项：1.一种方法，包括：由移动设备从耦接到所述移动设备的存储设备接收状态模型，所述状态模型包括多个状态和所述状态之间的过渡，每个状态对应一位置，从第一状态到第二状态的每个过渡指示所述移动设备从对应的第一位置移动到了对应的第二位置，每个状态和每个过渡与一个或多个时间戳相关联；由所述移动设备接收用于预测所述移动设备的未来位置的请求，所述请求指定未来时间；使用当前时间、所述未来时间和所述移动设备的当前位置作为输入并且基于与所述状态模型相关联的时间段和所述状态模型中的所述状态、过渡和相关联的时间戳来确定与每个状态相关联的概率、与所述状态机包含位置数据的时间长度对应的所述时间段、以及指示所述移动设备在所述未来时间将位于与所述状态对应的位置的可能性的概率；以及基于所述概率，提供与至少一个状态相关联的位置作为响应于所述请求的预测未来位置。

全文数据：对显著位置进行建模本申请是申请日为2014年5月30日申请号为201480031991.8发明名称为“对显著位置进行建模”的发明专利申请的分案申请。技术领域本公开整体涉及基于位置的服务。背景技术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。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。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。附图说明图1是示出预测用户辅助的示例性具体实施的图示。图2是示出确定位置群集的示例性技术的图示。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。图4是示出基于位置群集确定的示例性状态模型的图示。图5是示出对状态模型的增量改变的图示。图6A是示出确定示例性状态之间的过渡概率密度的图示。图6B是示出确定示例性状态的进入概率密度的图示。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。图8是示出生成状态模型的示例性过程的流程图。图9是示出预测未来位置的示例性过程的流程图。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。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。各附图中类似的参考符号表示类似的元件。具体实施方式示例性预测用户辅助图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。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。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。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。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。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。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”。构建状态模型的示例性技术图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。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。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可各自包括纬度、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。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。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[T1，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。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。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。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中的每一者可包括纬度、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[T7,T8]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[T1,T2]和时间窗口[T7,T8]的长度可以是相同的，也可以是不同的。移动设备102可在时间T2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对应于纬度和经度坐标X1。移动设备102可确定位置群集303对应于纬度和经度坐标X2。移动设备102可确定X1和X2之间的距离满足阈值。作为响应，移动设备102可确定位置群集218和位置群集303属于同一位置显著位置304。移动设备102于是可利用下面在滤波器1中所示的恒定增益滤波器将位置群集303添加到显著位置304。例如，采样数据例如5、6、7的函数，可能对于所有群集不是相同的其中α≥11滤波器1中的值α例如5、6、7可以是采样数据的函数，并且可以对于所有位置群集都是相同的或者对于每个位置群集是不同的。显著位置304、306、和308中的每一者可与一个或多个进入时间戳和一个或多个离开时间戳相关联。每个进入时间戳可对应于与位置群集中第一位置相关联的时间。例如，与显著位置304相关联的第一进入时间戳可以是与作为位置群集218的第一位置的位置202相关联的时间戳。与显著位置304相关联的第二进入时间戳可以是与位置群集303中第一位置相关联的时间戳。同样，每个离开时间戳可对应于与位置群集中最后位置相关联的时间。例如，与显著位置304相关联的第一离开时间戳可以是与作为位置群集218的最后位置的位置206相关联的时间戳。与显著位置304相关联的第二离开时间戳可以是与位置群集303中最后位置相关联的时间戳。显著位置304、306、和308中的每一者可与标签相关联。标签可由用户来指派例如“家”、“健身房”、或“工作地”，或者由移动设备102通过反向地理编码来自动确定。在一些具体实施中，标签可源自对与显著位置相关联的每个位置群集的时点和星期几的模式的语义分析。语义分析可基于人类自然的行为。移动设备102可被编程为应用反映人类行为的预先确定的模式。行为可包括例如每个人都需要一定时间的睡眠。睡眠的时间可以是移动设备102完全静止的时间。用户每天睡眠8小时，并且在家吃饭可能在工作日在家花费X小时例如10至12小时、在周末花费Y小时。用户在星期一到星期五的正常工作时间工作。移动设备102可利用这些模式来将显著位置确定为“家”，在“家”中，1移动设备102每周度过超过第一阈值数量的小时数例如60小时；2移动设备102记录大多数进入和离开；并且3那些进入和离开表明移动设备每天停留至少第二阈值数量的小时数例如8小时。例如，移动设备102可确定与显著位置304相关联的每个位置群集对应于被指定为工作日晚上的时间段例如从晚上7点到第二天早上8点。移动设备102于是可将显著位置304指定为“家”并且提供所述指定作为显著位置304的标签。移动设备102可确定从一个显著位置向另一显著位置的过渡。例如，移动设备102可确定在某个工作日，移动设备102在时间T2和时间T3之间从显著位置304“家”过渡312到显著位置308“工作地”。移动设备102可将所述过渡与过渡开始时间戳例如T2和过渡结束时间戳例如T3相关联。移动设备102可基于显著位置304、306、和308以及过渡312、314、和316来构建状态模型104。在下文中参考图4描述状态模型104的细节。图4是示出基于位置群集确定的示例性状态模型104的图示。状态模型104可以是描绘状态和状态过渡的n阶自回归过程例如一阶自回归过程，其中过渡到状态q中是取决于前一状态r。因此，状态模型104可捕获给定状态之前的状态和过渡的完整历史。状态和状态过渡可以是移动设备102在显著位置之间的移动的抽象。与传统的高斯-马尔可夫模型相比，状态模型104可以是一种充分模型，从而利用时间和持续时间的分配函数保持状态过渡的随机特性。状态模型104可包括状态106、402、和404。状态106、402、和404可分别对应于显著位置304、308、和306。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、308、和306，如上文参考图3所述。状态106、402、和404中的每一者可分别是显著位置304、308、和306的表示。状态模型104可包括从每个状态向每个其他状态的多个过渡。过渡可包括例如从状态106到状态402的过渡406、和从状态106到状态402的过渡408。在状态模型104中，从状态106到状态402的每个过渡可对应于从显著位置304的位置群集到显著位置308的位置群集的过渡。例如，过渡406可表示从显著位置304的位置群集218到显著位置308的位置群集220的过渡312。过渡408可表示从显著位置304的位置群集303到显著位置308的下一位置群集的过渡。过渡406和408中的每一者可与过渡开始时间戳和过渡结束时间戳相关联。每个过渡开始时间戳可以是移动设备102离开由状态106所表示的显著位置304的时间。例如，过渡406的过渡开始时间戳可以是星期二上午7点；过渡408的过渡开始时间戳可以是星期三上午7点。每个过渡结束时间戳可以是移动设备102进入由状态402所表示的显著位置308的时间。例如，过渡406的过渡结束时间戳可以是星期二上午9点；过渡408的过渡结束时间戳可以是星期三上午9点。状态模型104的每个状态可与一个或多个状态进入时间戳和一个或多个状态离开时间戳相关联。例如，状态106的第一状态进入时间戳可以是与位于显著位置304的位置群集218中的移动设备102的第一位置位置202相关联的时间。第一状态离开时间戳可以是与位于显著位置304的位置群集218中的移动设备102的最后位置位置206相关联的时间。第一状态进入时间戳和第一状态离开时间戳可定义移动设备102停留在状态106的第一停留时间412。状态106的第二状态进入时间戳可以是与位于显著位置304的位置群集303中的移动设备102的第一位置相关联的时间。第二状态离开时间戳可以是与显著位置304的位置群集303中的移动设备102的最后位置相关联的时间。第二状态进入时间戳和第二状态离开时间戳可定义移动设备102停留在状态106的第二停留时间414。图5是示出对状态模型104的增量改变的图示。状态模型104可具有可变拓扑结构，从而允许增量增加新状态和删除废弃状态。移动设备102可确定新状态502。例如，移动设备102可确定一系列位置读数指示移动设备102位于一个地方处的持续时间长得足以以足够的确定性表明这个地方是显著位置。移动设备102可确定这个显著位置在状态模型104中没有被表示。作为响应，移动设备102可创建新状态502，并将新状态502添加504到状态模型104。移动设备102可基于移动设备102在访问状态502之前访问的最后一个显著位置来添加进入状态502的过渡。移动设备102可将状态502与第一位置读数的状态进入时间戳相关联，该第一位置读数的状态进入时间戳指示移动设备102位于状态502的显著位置处。移动设备102可将状态502与最后位置读数的状态离开时间戳相关联，该最后位置读数的状态离开时间戳指示在移动设备102进入另一显著位置之前移动设备102位于状态502所表示的显著位置处。移动设备102可基于状态模型104中表示的由移动设备102所访问的下一显著位置来添加从状态502的过渡。除了添加状态之外，移动设备可周期性地从状态模型104中移除状态。移动设备102可确定移动设备102已经有足够长的时间例如超过X天或周阈值没有访问状态404表示的显著位置。因此，移动设备102可从状态模型104中移除506状态404。移除状态404可包括移除进入状态404的过渡和离开状态404的过渡。移动设备102可使用状态模型104来预测移动设备102的未来位置。预测未来位置可以至少部分地基于移动设备102的当前位置。当前位置可以是“在状态中”，其中当前位置由状态模型104的状态表示。在确定当前位置是在状态中时，移动设备102可基于状态之间的过渡概率密度来预测未来位置。当前位置可以是“在状态外”，其中当前位置没有由状态模型104的状态表示。在确定当前位置是“在状态外”时，移动设备102可基于从当前位置进入状态模型104的状态的进入概率密度来预测未来位置。关于确定过渡概率密度和进入概率密度的细节在下文中参考图6A和图6B来介绍。图6A是示出确定示例性状态106和402之间的过渡概率密度602的示意图。过渡概率密度602可指示移动设备102从状态模型104的状态106过渡到状态402的概率分布。移动设备102可在接收到预测移动设备102的未来位置的请求时确定过渡概率密度602。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可位于对应于状态106的显著位置处。未来时间可以是时间点或时间窗口。过渡概率密度602可以是一个时间段例如[Ta,Tb]上的分布，其中Ta是这个时间段的开始时间，Tb是这个时间段的结束时间。时间段[Ta,Tb]可以是预测窗口。在一些具体实施中，开始时间Ta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Tb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Ta和结束时间Tb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。移动设备100可基于移动设备100从状态106到状态402的过去过渡来确定过渡概率密度602。在Ta和Tb之间的给定时间，1过去在所述给定时间从状态106到状态402的越多过渡可对应于越高的概率密度值；2过去在所述给定时间对过渡的越多的确定性可对应于越高的概率密度值；并且3过去在所述给定时间过渡的越稳定模式可对应于越高的概率密度值。例如，t0对应于上午8点，t1对应于下午3点。在过去并且如状态模型104中所记录的，在上午7点和上午9点之间在状态106和状态402之间发生了X次过渡；并且在下午2点和下午4点之间发生了Y次过渡。如果X大于Y，则t0可对应于相对较高的概率密度值604，而t1可对应于相对较低的概率密度值606。此外，过渡的确定性可以是相关的。如果这X次过渡的过渡开始时间戳的平均时间更接近t0的程度更甚于这Y次过渡的过渡开始时间戳的平均时间更接近于t1的程度，则t0可对应于相对较高的概率密度值604，而t1可对应于相对较低的概率密度值606。如果这X次过渡的过渡开始时间戳的方差比这Y次过渡的过渡开始时间戳的方差小，则t0可对应于相对较高的概率密度值604，而t1可对应于相对较低的概率密度值606。此外，过去过渡模式的稳定性可以是相关的。移动设备102可基于时间来确定移动模式。例如，移动设备102可基于状态模型104中的过渡来确定移动设备102的移动是按照星期模式的。在工作日，移动设备102在上午7点和上午9点之间从状态106过渡到状态402。在周末，移动设备102在下午2点和下午4点之间从状态106过渡到状态402。基于这个所识别的星期模式，移动设备102可在t0在工作日的情况下为时间t0关联相对较高的概率密度值604，或者在t0在周末的情况下为时间t0关联相对较低的概率密度值。过渡概率密度602可以是离散的，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。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。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。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。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。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。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。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。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。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*ZY时，滤除状态106，X*ZY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。示例性设备部件图7A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。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。位置读数可包括纬度、经度、并且任选地还有海拔的坐标。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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。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联。所述属性可包括与预测时间窗口相关联的可能性，这是基于当前位置、预测时间窗口的未来时间、和预测时间窗口的长度来确定。所述属性可包括累计停留时间，其中具有越长累计停留时间的状态可被排名越高。所述属性可包括对候选位置的状态的访问次数，其中对状态越多的访问或越频繁的访问可被排名越高。预测引擎744可提供一个或多个候选未来位置包括最高排名的候选未来位置给预测引擎接口746作为预测。预测引擎接口746可以是移动设备102的被配置为实施对预测引擎744的应用程序编程接口API，使得符合API的应用程序、功能、或设备能访问预测引擎744所确定的预测的部件。在一些具体实施中，预测引擎接口746可包括对其他设备714例如外部显示屏幕或GPS设备的接口，并且提供预测位置给其他设备714。预测子系统710可包括语义分析器748。语义分析器748是预测子系统710的被配置为基于对显著位置的访问模式来确定每个显著位置的含义的部件。语义分析器748可基于所述含义生成标签例如“工作地”或“家”，并将标签提供给预测引擎接口746以与预测相关联。示例性过程图8是示出生成状态模型104的示例性过程800的流程图。可以由移动设备102执行过程800。移动设备102可从移动设备102的位置确定子系统704接收802移动设备102的多个位置。每个位置可与指示位置确定子系统704确定该位置的时间的时间戳相关联。这些位置可基于位置的时间戳顺序地排序。接收位置可包括从位置确定子系统704一次一个地读取位置。位置确定子系统704的每次读取可通过由位置预测应用程序或功能外部的应用程序或功能对位置确定子系统704的激活来触发。移动设备102可基于群集条件来确定804所排序位置中两个或更多个连续位置形成位置群集。位置群集可指示移动设备102已经停留在如下的地理位置处：该地理位置足够显著以在用于预测移动设备102的移动的状态模型中表示。群集条件可规定，为了被指定为位置群集，连续位置是相同的，或者每对连续位置之间的距离小于空间邻近阈值。此外，群集条件可规定，为了被指定为位置群集，与连续位置中的第一位置相关联的时间戳和与连续位置中的最后位置相关联的时间戳之间的时间差大于时间邻近阈值例如X分钟。地理位置可被指定为显著位置，该显著位置是移动设备102在其中已经停留了至少与时间邻近阈值所指示时间段一样长的时间段的位置。在一些具体实施中，确定位置群集可包括基于与每个相应位置相关联的不确定性值来验证所述两个或更多个连续位置中的每个连续位置。不确定性值可指示相应位置被位置确定子系统704正确确定的可能性。移动设备102可将一个或多个异常值从连续位置中排除。每个异常值可以是与超过阈值的不确定性值相关联的位置。移动设备102然后可利用不是异常值的所验证的位置来确定位置群集。在一些具体实施中，一个显著位置可对应于多个位置群集例如星期一的第一位置群集和星期二的第二位置群集。每个位置群集可包括彼此不同的位置。移动设备102可基于对应于显著位置的一个或多个位置群集，通过对每个位置群集中的位置应用具有恒定增益的递归滤波器来确定显著位置。移动设备102可基于位置群集来确定806状态模型例如状态模型104。移动设备102可将显著位置指定为状态模型中的状态。移动设备102可将移动设备102从第一显著位置向第二显著位置的每个移动表示为从表示第一显著位置的第一状态向表示第二显著位置的第二状态的转化。所述过渡可与过渡开始时间和过渡结束时间相关联。每个状态可与一个或多个状态进入时间戳和一个或多个状态离开时间戳相关联。确定状态模型可包括添加状态或调节状态。在确定位置群集没有已经被指定为状态模型中的状态时，移动设备102可将该位置群集添加到状态模型作为新状态。在确定位置群集已经被表示为状态模型中的状态时，移动设备102可调节该状态，包括添加进入或离开该状态的过渡、或者为该状态添加新状态进入时间和状态离开时间。移动设备102可将状态模型提供808给移动设备102的预测子系统710以用于生成预测。预测可包括预测移动设备102在给定的未来时间处的未来位置是状态模型中所表示的显著位置中的一个显著位置。预测子系统710可基于如下项来生成预测：当前时间、未来时间、当前位置和基于状态模型的状态和过渡所确定的概率密度。在一些具体实施中，移动设备102可确定810状态模型的每个状态的语义含义。移动设备102可确定状态模型的至少一个属性满足统计阈值，然后确定状态的语义含义和过渡的语义含义。所述统计阈值可包括状态的寿命。确定状态的语义含义包括确定状态是否与生活活动模式例如人去工作或回家的模式相关。确定过渡的语义含义可以是基于两个生活活动之间的往返的属性。例如，移动设备102可确定：在工作日早上，移动设备102通常从显著位置A行进到显著位置B；在工作日晚上，移动设备102通常从显著位置B行进到显著位置A；在周末，移动设备102有时位于位置A，但从未位于位置B。根据所述确定，移动设备102可将位置A指定为“家”而将位置B指定为“工作地”，并且将所述指定作为所预测位置的标签提供给请求预测的应用程序。在一些具体实施中，移动设备102可利用自回归滤波器来随时间推移调节状态模型中的状态。调节状态包括在确定移动设备在给定的时间段没有访问过状态模型所表示的显著位置时从状态模型中移除陈旧状态。图9是示出预测未来位置的示例性过程900的流程图。过程900可由移动设备102例如利用移动设备102的预测子系统710来执行。移动设备102可从耦接到移动设备102的存储设备例如状态模型数据库708接收902状态模型。状态模型可包括多个状态和状态之间的过渡。每个状态可对应于一个位置。从第一状态到第二状态的每个过渡可指示移动设备102过去从对应的第一位置移动到对应的第二位置。每个位置和过渡可与一个或多个时间戳相关联。移动设备102可从应用程序或设备接收904预测移动设备102的未来位置的请求。所述请求可指定未来时间，并且任选地还可指定移动设备102的当前位置。未来时间可包括未来的时间点或未来的时间窗口。移动设备102可利用当前时间、未来时间、和移动设备的当前位置作为输入来确定906与状态模型中的每个状态相关联的概率。如果所述请求不包括当前位置，则移动设备102可利用位置确定子系统704确定当前位置。移动设备102可基于状态、过渡、和相关联时间戳来确定概率。所述概率可指示移动设备102在所述未来时间将位于对应于状态的每个相应位置处的可能性。确定906与每个状态相关联的概率可包括确定当前位置在状态中，其中当前位置被表示为状态模型中的状态。确定每个状态的概率可包括确定在一个或多个过渡中移动设备102从表示当前位置的状态移动到对应于状态的位置的过渡概率密度。过渡概率密度可满足马尔可夫过程的特性。确定过渡概率密度可以基于状态之间的过渡和与这些过渡中每一者相关联的过渡开始时间戳和过渡结束时间戳。确定906与每个状态相关联的概率可包括确定当前位置在状态外，其中当前位置没有被表示为状态模型中的状态。确定要与每个状态相关联的概率可包括确定移动设备102从状态外的当前位置进入对应于每个状态的位置的进入概率密度。确定进入概率密度可以基于移动设备102在每个状态中的停留时间。移动设备102可基于与相应状态相关联的一个或多个进入时间戳和一个或多个离开时间戳来确定停留时间。在一些具体实施中，确定906与每个状态相关联的概率可以基于每天、星期、月度、或年度模式。移动设备102可确定状态模式是否满足寿命阈值例如X周。移动设备102可在确定状态模式满足寿命阈值时确定第一活动模式。第一活动模式可对应于第一时间跨度例如一周。另选地，移动设备102可在确定状态模式不满足寿命阈值时确定第二活动模式。第二活动模式可对应于第二时间跨度例如一天。第一时间跨度可以比第二时间跨度长。移动设备102可基于当前时间、未来时间、和第一活动模式或第二活动模式来确定概率。移动设备102然后可基于当前时间、未来时间、和第一活动模式或第二活动模式来确定与每个状态相关联的概率。在一些具体实施中，移动设备102可基于当前位置与状态模型中所表示的每个位置之间的距离以及当前时间与未来时间之间的差来过滤状态模型中的状态。移动设备102可滤除在给定时间差并且给定移动设备102的移动速度的情况下，移动设备102从当前位置到达状态的可能性低于阈值的状态。基于该概率，移动设备102可响应于请求而提供908与状态相关联的至少一个位置作为所预测的移动设备102的未来位置。在一些具体实施中，提供位置作为所预测的未来位置可包括识别与最高概率相关联的状态以及将与跟最高概率相关联的状态相关联的位置指定为所预测的未来位置。在一些具体实施中，提供位置作为所预测的未来位置可包括基于概率和一个或多个预测属性对状态进行排名、以及将与最高排名相关联的位置指定为所预测的未来位置。预测属性可包括对每个对应位置的上一次访问的时间。预测属性可包括基于当前位置、当前时间、和预测窗口长度得出的预测窗口可能性。预测属性可包括状态模型的时间长度。预测属性可包括每个状态处的累计停留时间。预测属性可包括每个状态处的访问次数。在一些具体实施中，移动设备102可确定状态模型的数据密度满足稀疏模型阈值。作为响应，移动设备102可在稀疏操作模式中确定与每个状态相关联的概率。在稀疏操作模式中，概率密度计算和排名可以比标准操作模式中的计算和排名更不严格的方式来执行。示例性移动设备架构图10是示出实现基于类别的地理围栏的特征和操作的移动设备的示例性设备架构1000的框图。移动设备例如移动设备102可包括存储器接口1002、一个或多个数据处理器、图像处理器和或处理器1004、以及外围设备接口1006。存储器接口1002、一个或多个处理器1004和或外围设备接口1006可为独立部件，或者可集成到一个或多个集成电路中。处理器1004可包括应用处理器、基带处理器、和无线处理器。移动设备102中的各部件例如可由一根或多根通信总线或信号线耦接。传感器、设备和子系统可被耦接到外围设备接口1006以促进多个功能。例如，运动传感器1010、光传感器1012、和接近传感器1014可被耦接到外围设备接口1006以促进移动设备的取向、照明和接近功能。位置处理器1015例如，GPS接收器可连接到外围设备接口1006以提供地理定位。电子磁力仪1016例如，集成电路芯片也可连接到外围设备接口1006以提供可用于确定磁北方向的数据。因而，电子磁力仪1016可用作电子罗盘。运动传感器1010能够包括被配置成确定移动设备运动速度和方向变化的一个或多个加速计。气压计1017能够包括连接到外围设备接口1006并被配置成测量围绕移动设备的大气压力的一个或多个设备。相机子系统1020和光学传感器1022例如，电荷耦合器件CCD或互补金属氧化物半导体CMOS光学传感器可被用于促进相机功能，诸如拍摄照片和视频剪辑。可通过一个或多个无线通信子系统1024来促进通信功能，所述无线通信子系统可包括射频接收器与发射器和或光学例如红外接收器与发射器。通信子系统1024的具体设计与实现可取决于移动设备打算工作于的通信网络。例如，移动设备可包括被设计为在GSM网络、GPRS网络、EDGE网络、Wi-FiTM或WiMaxTM网络、以及Bluetooth蓝牙TM网络上工作的通信子系统1024。具体地讲，无线通信子系统1024可包括主机协议使得移动设备可被配置为其他无线设备的基站。音频子系统1026可被耦接到扬声器1028和麦克风1030以促进支持语音的功能，诸如语音识别、语音复制、数字记录和电话功能。音频子系统1026可以被配置为从用户接收语音命令。IO子系统1040能够包括触摸表面控制器1042和或其他一个或多个输入控制器1044。可以将触摸表面控制器1042耦接到触摸表面1046或垫片。触摸表面1046和触摸表面控制器1042可例如利用多种触敏技术中的任一种来检测接触及其运动或中断，触敏技术包括但不限于电容技术、电阻技术、红外技术、和表面声波技术，以及用于确定与触摸表面1046的一个或多个接触点的其他接近传感器阵列或其他元件。触摸表面1046能够包括例如触摸屏。可将其他一个或多个输入控制器1044耦接到其他输入控制设备1048，诸如一个或多个按钮、摇臂开关、拇指滚轮、红外端口、USB端口和或指针设备诸如触笔。所述一个或多个按钮未示出可包括用于扬声器1028和或麦克风1030的音量控制的增大减小按钮。在一个具体实施中，在第一持续时间按压按钮可脱离触摸表面1046的锁定；并且在比第一持续时间长的第二持续时间按压按钮可对移动设备102接通或切断电力。用户能够对一个或多个按钮的功能进行自定义。例如，触摸表面1046可还被用于实现虚拟或软按钮和或键盘。在一些具体实施中，移动设备102可显示记录的音频和或视频文件，例如MP3、AAC和MPEG文件。在一些具体实施中，移动设备102可包括MP3播放器的功能。移动设备102因此可包括与iPod兼容的针脚连接器。也可使用其他输入输出和控制设备。存储器接口1002可耦接到存储器1050。存储器1050可包括高速随机存取存储器和或非易失性存储器，例如一个或多个磁盘存储设备、一个或多个光学存储设备，和或闪存存储器如NAND、NOR。存储器1050可存储操作系统1052，诸如Darwin、RTXC、LINUX、UNIX、OSX、WINDOWS、iOS或嵌入式操作系统如VxWorks。操作系统1052可包括用于处理基础系统服务以及用于执行硬件相关任务的指令。在一些具体实施中，操作系统1052可包括内核例如UNIX内核。存储器1050还可存储通信指令1054，以方便与一个或多个附加设备、一个或多个计算机和或一个或多个服务器通信。存储器1050可包括用于促进图形用户界面处理的图形用户界面指令1056；用于促进与传感器有关的处理和功能的传感器处理指令1058；用于促进与电话有关的过程和功能的电话指令1060；用于促进与电子消息收发有关的过程和功能的电子消息收发指令1062；用于促进与web浏览有关的过程和功能的web浏览指令1064；用于促进与媒体处理有关的过程和功能的媒体处理指令1066；用于促进与GPS和导航有关的过程和指令的GPS导航指令1068；用于促进与相机有关的过程和功能的相机指令1070；用于促进磁力仪校准的磁力仪数据1072和校准指令1074。存储器1050还可存储其他软件指令未示出，诸如安全指令、用于方便与web视频相关的过程和功能的web视频指令，和或用于方便与网上购物相关的过程和功能的网上购物指令。在一些具体实施中，媒体处理指令1066划分为音频处理指令和视频处理指令，分别用于促进与音频处理相关的过程和功能以及与视频处理相关的过程和功能。激活记录和国际移动设备识别码IMEI或类似硬件标识符也可被存储在存储器1050中。存储器1050可存储包括建模指令和预测指令的预测性用户辅助指令1076。建模指令在运行时可使处理器1004执行状态模型确定子系统702的操作，包括过程800。预测指令在运行时可使处理器1004执行预测子系统710的操作。所述操作可包括过程900。上面标识的指令和应用程序中的每一者均可对应于用于执行上述一个或多个功能的指令集。这些指令不需要作为独立的软件程序、进程或模块来实施。存储器1050可包括附加的指令或更少的指令。此外，可在硬件和或软件中，包括在一个或多个信号处理和或专用集成电路中，执行移动设备的各种功能。示例性操作环境图11是实现基于类别的地理围栏的特征和操作的移动设备的示例性网络操作环境1100的框图。移动设备1102a和1102b可例如在数据通信中通过一个或多个有线和或无线网络1010来通信。例如，无线网络1112例如蜂窝网络可通过利用网关1116来与广域网WAN1114诸如互联网通信。同样，接入设备1118诸如802.11g无线接入点可提供对广域网1114的通信接入。移动设备1102a和1102b中的每一个可以是移动设备102。在一些具体实施中，语音通信和数据通信二者可通过无线网络1112和接入设备1118建立。例如，移动设备1102a能够拨打和接收电话呼叫例如，使用互联网协议语音VoIP，发送和接收电子邮件消息例如使用邮局协议3POP3，以及通过无线网络1112、网关1116和广域网1114检索电子文档和或流，例如网页、照片和视频例如使用传输控制协议互联网协议TCPIP或用户数据报协议UDP。同样，在一些具体实施中，移动设备1102b可通过接入设备1118和广域网1114来拨打和接收电话呼叫、发送和接收电子邮件消息以及检索电子文档。在一些具体实施中，移动设备1102a或1102b可使用一根或多根缆线物理地连接至接入设备1118，并且该接入设备1118可为个人计算机。在该配置中，移动设备1102a或1102b可被称为“系留”设备。移动设备1102a和1102b也可通过其他方式建立通信。例如，无线设备1102a可通过无线网络1112与其他无线设备例如其他移动设备、蜂窝电话等通信。同样，移动设备1102a和1102b可使用一个或多个通信子系统诸如BluetoothTM通信设备来建立对等通信1120，例如个人局域网。也可实现其它通信协议和拓扑结构。移动设备1102a和1102b可例如通过一个或多个有线和或无线网络与一个或多个服务1130和1140通信。例如，一个或多个位置服务1130可提供与蜂窝塔或无线接入网关相关联的位置数据给移动设备1102a和1102b，从而移动设备1102a和1102b可利用三角测量来确定当前位置。交通服务1140可基于当前时间、当前位置、和预测位置提供交通信息，以辅助用户计划到预测位置的路线。移动设备1102a或1102b也可通过这一个或多个有线和或无线网络访问其他数据和内容。例如，移动设备1102a或1102b可访问内容发布者，诸如新闻站点、真正简单聚合RSS提要、网站、博客、社交网站、开发者网络等等。通过响应于用户触摸例如网页对象而对网络浏览功能或应用程序例如，浏览器的调用，可提供这种访问。如上所述，本说明书的主题的一些方面包括收集和使用从各种来源提供的数据，以改善移动设备可提供给用户的服务。本公开设想到在一些情况下，这个所收集的数据可能包括唯一地标识或者可被用于联系或定位特定个人的个人信息数据。这样的个人信息数据可包括人口统计数据、基于位置的数据、电话号码、电子邮件地址、twitterID、家庭住址、或任何其他标识信息。本公开认识到在本发明的技术中对此类个人信息数据的使用可用于使用户受益。例如，个人信息数据可被用于传递用户有较大兴趣的目标内容。因此，使用此类个人信息数据使得能够对所传送内容进行有计划的控制。此外，本公开还设想到个人信息数据的有益于用户的其他用途。本公开还设想了负责对此类个人信息数据的收集、分析、公开、传送、存储、或其他使用的实体将遵守得到确认的隐私策略和或隐私实践。具体地，此类实体应该实施和一致地使用被一般性地确认为满足或超过对于保持个人信息数据隐私和安全的工业或政府要求的隐私策略和实践。例如，来自用户的个人信息应当被收集用于实体的合法和合理使用，并且不在这些合法使用之外共享或出售。另外，此类收集应当仅在用户知情同意之后进行。另外，此类实体应采取任何所需的步骤以保障和保护对此类个人信息数据的访问，并且确保能够访问个人信息数据的其他人坚持他们的隐私策略和程序。另外，此类实体可使其本身经受第三方评估以证明其对广泛接受的隐私策略和实践的坚持。不管前述情况如何，本公开还设想到其中用户选择性地阻止对个人信息数据的使用或访问的实施例。即，本公开设想到，可提供硬件元件和或软件元件以防止或阻止对此类个人信息数据的访问。例如，就广告递送服务而言，本发明的技术可被配置为允许用户在注册服务期间选择“加入”或“退出”参加收集个人信息数据。因此，虽然本公开广泛地覆盖了使用个人信息数据来实现一个或多个各种本文公开的实施例，但本公开还设想到，各种实施例也可在无需访问此类个人信息数据的情况下实现。即，本发明的技术的各种实施例并不由于缺少此类个人信息数据的全部或一部分而无法正常进行。例如，可通过基于非个人信息数据或绝对最低限度的个人信息，诸如与用户相关联的设备所请求的内容、对内容递送服务可用的其他非个人信息或公开可用信息来推断偏好来选择内容并传送给用户。已描述了本发明的多个具体实施。然而，应当理解，在不脱离本发明的实质和范围的情况下可作出各种修改。

权利要求：1.一种方法，包括：由移动设备和从耦接到所述移动设备的存储设备接收状态模型，所述状态模型包括多个状态和所述状态之间的过渡，每个状态对应一位置，从第一状态到第二状态的每个过渡指示所述移动设备从对应的第一位置移动到了对应的第二位置，每个状态和每个过渡与一个或多个时间戳相关联；由所述移动设备接收用于预测所述移动设备的未来位置的请求，所述请求指定未来时间；使用当前时间、所述未来时间和所述移动设备的当前位置作为输入并且基于与所述状态模型相关联的时间段和所述状态模型中的所述状态、过渡和相关联的时间戳来确定与每个状态相关联的概率、与所述状态机包含位置数据的时间长度对应的所述时间段、以及指示所述移动设备在所述未来时间将位于与所述状态对应的位置的可能性的概率；以及基于所述概率，提供与至少一个状态相关联的位置作为响应于所述请求的预测未来位置。2.如权利要求1所述的方法，其中确定与每个状态相关联的概率包括：确定所述当前位置在状态中，其中，所述当前位置表示为所述状态模型中的状态。3.如权利要求2所述的方法，其中确定与每个状态相关联的概率包括确定在一个或多个过渡中所述移动设备从所述当前位置移动到与所述每个状态对应的位置的过渡概率密度。4.如权利要求3所述的方法，其中：所述过渡概率密度满足马尔可夫过程的特性，并且确定所述过渡概率密度基于状态之间的过渡以及与所述过渡中的每一个相关联的过渡开始时间戳和过渡结束时间戳。5.如权利要求1所述的方法，其中确定每个状态的概率包括：确定所述当前位置在状态外，其中，所述当前位置没有表示为所述状态模型中的状态。6.如权利要求5所述的方法，其中确定与每个状态相关联的概率包括确定所述移动设备进入与所述每个状态对应的位置的进入概率密度。7.如权利要求6所述的方法，其中确定所述进入概率密度基于所述移动设备在每个状态中的停留时间，所述停留时间基于与相应状态相关联的一个或多个进入时间戳和一个或多个退出时间戳确定。8.如权利要求1所述的方法，其中确定与每个状态相关联的概率包括：确定与所述状态模型相关联的所述时间段是否满足寿命阈值；在确定与所述状态模型相关联的所述时间段满足所述寿命阈值时确定第一活动模式，其中，第一活动模式对应于第一时间跨度，或在确定与所述状态模型相关联的所述时间段不满足所述寿命阈值时确定第二活动模式，其中第二活动模式对应于第二时间跨度，第一时间跨度比第二时间跨度长；以及基于所述当前时间、所述未来时间和第一活动模式或第二活动模式来确定所述概率。9.如权利要求1所述的方法，包括基于所述当前位置和所述状态模型中表示的每个位置之间的距离以及所述当前时间与所述未来时间之间的差来过滤所述状态模型中的状态。10.如权利要求1所述的方法，其中提供所述位置作为所述预测未来位置包括：识别与最高概率相关联的状态和指定与所述最高概率相关联的状态所关联的位置作为所述预测未来位置；或基于所述概率和一个或多个预测属性对所述状态进行排名并指定与最高排名相关联的位置作为所述预测未来位置。11.如权利要求10所述的方法，其中预测属性包括以下中的至少一者：最后一次访问每个对应位置的时间；基于所述当前位置、所述当前时间和预测窗口长度得出的预测窗口可能性；所述状态模型的时间长度；每个状态处的累积停留时间；或每个状态处的访问次数。12.如权利要求1所述的方法，包括：确定所述状态模型的数据密度满足稀疏模型阈值；以及作为响应，确定稀疏操作模式中与每个状态相关联的概率。13.一种系统，包括：一个或多个处理器；和非瞬态存储设备，存储可操作来使得所述一个或多个处理器执行包括以下操作的操作的指令：由移动设备和从耦接到所述移动设备的存储设备接收状态模型，所述状态模型包括多个状态和所述状态之间的过渡，每个状态对应一位置，从第一状态到第二状态的每个过渡指示所述移动设备从对应的第一位置移动到了对应的第二位置，每个状态和每个过渡与一个或多个时间戳相关联；由所述移动设备接收用于预测所述移动设备的未来位置的请求，所述请求指定未来时间；使用当前时间、所述未来时间和所述移动设备的当前位置作为输入并且基于与所述状态模型相关联的时间段和所述状态模型中的所述状态、过渡和相关联的时间戳来确定与每个状态相关联的概率、与所述状态机包含位置数据的时间长度对应的所述时间段、以及指示所述移动设备在所述未来时间将位于与所述状态对应的位置的可能性的概率；以及基于所述概率，提供与至少一个状态相关联的位置作为响应于所述请求的预测未来位置。14.如权利要求13所述的系统，其中确定与每个状态相关联的概率包括：确定所述当前位置在状态中，其中，所述当前位置表示为所述状态模型中的状态。15.如权利要求14所述的系统，其中确定与每个状态相关联的概率包括确定在一个或多个过渡中所述移动设备从所述当前位置移动到与所述每个状态对应的位置的过渡概率密度。16.如权利要求15所述的系统，其中：所述过渡概率密度满足马尔可夫过程的特性，并且确定所述过渡概率密度基于状态之间的过渡以及与所述过渡中的每一个相关联的过渡开始时间戳和过渡结束时间戳。17.如权利要求13所述的系统，其中确定每个状态的概率包括：确定所述当前位置在状态外，其中，所述当前位置没有表示为所述状态模型中的状态。18.如权利要求17所述的系统，其中确定与每个状态相关联的概率包括确定所述移动设备进入与所述每个状态对应的位置的进入概率密度。19.如权利要求18所述的系统，其中确定所述进入概率密度基于所述移动设备在每个状态中的停留时间，所述停留时间基于与相应状态相关联的一个或多个进入时间戳和一个或多个退出时间戳确定。20.一种非瞬态存储设备，存储可操作来使得一个或多个处理器执行包括以下操作的操作的指令：由移动设备和从耦接到所述移动设备的存储设备接收状态模型，所述状态模型包括多个状态和所述状态之间的过渡，每个状态对应一位置，从第一状态到第二状态的每个过渡指示所述移动设备从对应的第一位置移动到了对应的第二位置，每个状态和每个过渡与一个或多个时间戳相关联；由所述移动设备接收用于预测所述移动设备的未来位置的请求，所述请求指定未来时间；使用当前时间、所述未来时间和所述移动设备的当前位置作为输入并且基于与所述状态模型相关联的时间段和所述状态模型中的所述状态、过渡和相关联的时间戳来确定与每个状态相关联的概率、与所述状态机包含位置数据的时间长度对应的所述时间段、以及指示所述移动设备在所述未来时间将位于与所述状态对应的位置的可能性的概率；以及基于所述概率，提供与至少一个状态相关联的位置作为响应于所述请求的预测未来位置。

百度查询： 苹果公司 对显著位置进行建模

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD