基于沿路线遇到的周围的可识别无线信号源估计到达时间

摘要

本文公开的技术是用于在设备行进中基于检测周围可识别无线信号(IWS)源的阵列估计移动设备行进的路线的技术。更具体地，本文公开的技术是预测估计到达时间(ETA)。所提交的该摘要是用于理解的，并不是用来解释或限定权利要求的范围或含义的。

说明书

背景

对诸如智能手机之类的移动设备的使用几乎是很普遍的。这些移动设 备中的大多数都包括确定其物理位置的能力。即，移动设备能够确定其在 实体世界中的位置。常用的位置确定通常是通过使用如下方式来完成的： 全球定位系统(GPS)、多个无线信号的某种形式的三角法或插值法、互 联网协议(IP)地理定位或它们的某种组合。

如今出现了很多所谓基于位置的服务(location-based service， LBS)，该服务利用许多人每天携带的移动设备的位置检测功能。例如， LBS包括定向广告、社交网络、定位朋友(“签到”)、照片标签、生命 记录、基于位置的游戏、健身监测、以及其他。基于位置的服务也可以包 括车辆或包裹的追踪。

使用移动设备的位置检测功能，一些LBS可以提供目的地和估计到达 时间(ETA)预测。这种预测可用来避免阻塞、识别方便并且感兴趣的路 径点(例如，加油站、咖啡店等)、协调与其他人到达等。GPS技术是用 于传统ETA预测的最常用的技术。

附图说明

图1根据本文的描述示出了用于说明实现方式的示例邻域地图。

图2根据本文的描述示出了用于说明实现方式的示例路径图。

图3根据本文描述的一个或多个实现方式示出了示例系统。

图4-图6根据本文描述的一个或多个实现方式示出了过程。

图7根据本文所述技术示出了用于实现方式的示例计算系统。

图8根据本文所述技术示出了用于实现方式的示例设备。

以下的详细描述参考了附图。在附图中，(一个或多个)标号最左边 的数字标识该标号第一次出现的附图。在全部附图中使用的相同标号涉及 相似的特征和组件。

具体说明

本文公开的技术是用于在设备行进中基于检测周围可识别无线信号 (IWS)源的阵列估计移动设备行进的路线的技术。更具体地，本文公开 的技术是预测估计到达时间(ETA)。

在本文描述的一个或多个实现方式中，移动设备模拟并追踪用户经常 访问的地点以及用户在这些地点之间的路径。使用周期性无线保真 (“Wi-Fi”)扫描的结果，以节能的方式来完成模拟与追踪。该技术产生 基于图的用户模式的模型，其中节点和边缘表示地点和地点之间的路线 (route)。

本文描述的技术的一个或多个实现方式在用户沿着频繁行进的路线行 进时，辅助正在进行的、对用户可的能目的地处的估计到达时间(ETA) 的计算。从家行进到工作地点是频繁行进的路线的示例。通过在特定的频 繁出行路线上的多次行走，本文描述的技术的一个或多个实现方式沿着该 路线追踪历史时间信息。使用该历史信息，本文描述的技术的一个或多个 实现方式基于正在行进的路线的时间信息计算ETA。

能够准确地预测路线、目的地、和ETA会具有如下的一些应用：

·准确预测目的地和到达时间允许更为智能地预算有限资源(例如， 电池电量、餐厅座位、停车车位、有效的HVAV(供热、通风及空调)管 理、以及网络带宽)。

·准确预测路线和时间信息能够预测可能在路线上遇到的网络资源 (例如，用于云/客户同步的未充分使用的4G无线区域)。

·路线/目的地/ETA信息被直接用于社交网络，用来保存人们所知道的 朋友和家庭的活动。

位置感知

位置感知包括确定其目前位置的移动设备。常规位置确定方法包括 GPS和信号定位(例如，三角测量、三边测量、和其它测量形式的内插与 外推)以相对于多个信号源确定地理物理位置。GPS是近乎无所不在的户 外定位技术，启动GPS的普通智能手机具有3到5米的准确度。针对信号 定位，信号源可以使用蜂窝或IEEE 802.11的变型(即，Wi-Fi)。信号定 位方法取决于信号源地图，该信号源位置是已知的以推断设备的位置。

然而，GPS技术是资源密集型的。尤其，GPS技术是需要计算并且高 耗能的。大多数用户已经学会在他们的移动设备是电池依赖型时有节制地 使用GPS。否则，GPS会迅速消耗他们的移动设备的电池电量。另外。 GPS技术是依据从地球同步卫星接收到的信号的。在室内和在周围高楼林 立的城市街道上一样，移动设备会通常不能接收到足够的信号以完成可靠 的GPS计算。

传统方法依据物理位置或地球物理位置的确定来估计路线、预测目的 地、以及计算估计到达时间(“ETA”)。与那些传统方法不同，本文描 述的技术的一个或多个实现方式基于沿着路线“被观察到(observed)” 的周围的无线环境来了解并识别用户频繁使用的路线。

与那些传统方法不同，本文描述的技术的一个或多个实现方式采用离 散位置估计“逻辑地点”，而不是估计二维或三维位置。一个或多个实现 方式是自训练的，并且不需要数据库或无线资源的地图。另外，一个或多 个实现方式仅需要不频繁的无线电扫描并且不需要数据连接。比起GPS或 Wi-Fi定位方法，这会大大降低用电量。可能会降低高达100倍。

例如，一个或多个实现方式包括移动设备，该移动设备基于在常去的 个别位置处“被观察”的周围无线环境认识并了解该位置。具体地，移动 设备可以认识并了解哪个周围的可标识无线(identifiable wireless，IWS) 源是在该个别位置可接收范围内的地形的一部分。

无线接入点(WAP)是周围IWS源的具体示例。IWS源在本文中被 称为周围的，因为移动设备在世界各处移动时IWS源可以在该环境中被检 测或“被观察”到。IWS源被称为“可标识的”，因为每个IWS源是唯一 可标识的。例如，每个WAP可以通过其基础服务集标识(basic service set  identification，BSSID)或媒体接入卡(media access card，MAC)地址被 唯一地识别。当然，其他的识别特性可以被单独地使用，或彼此结合起来 使用，或与BSSID或MAC地址结合起来使用。这种其他识别特性的示例 包括服务集标识(service set identification，SSID)和已接收信号强度指示 (received signal strength indication，RSSI)。

地理定位，也被称为地理物理定位，包括确定对象或个人的现实世界 地理位置。“物理定位”比起地理定位是更为广义的术语，并且包括确定 对象或个人的任意现实世界位置。

EAT预测

预测ETA的传统方法通常是基于使用全球定位系统(GPS)或类似信 号遥测技术生成的路线的。用户通常向传统导航系统提供目的地信息。该 系统生成从当前位置到目的地的路线。传统导航系统在行进时基于生成的 路线和假设的行进条件(例如，在生成的路线的道路上的典型速度、典型 的交通状况等)提供ETA，传统导航系统确定途中的地理坐标并且相应地 更新ETA。

不幸的是，传统方法假设用户经由最直接、最有效的路线行进。有时 人们会经常没有理由要这么做。另外，传统的方法必须假设(或者用户必 须提供)运输方式以进行路线选择/速度估计。例如，运输方式是驾驶或乘 坐汽车、骑自行车、和步行。此外，诸如交通之类的情况通常影响用传统 方法和天气条件假设的行进的速率，并且这种条件通常没有考虑到路线和 ETA计算。

示例情景

图1包括用于说明示例情景的示例邻域(neighborhood)地图100，其 中在此描述的技术的一个或多个实现方式可以被采用。出于说明的目的， 地图100示出了在路上行驶的汽车102，在汽车102上有带着激活的移动 设备104的驾驶员或乘客(未示出)。尽管移动设备104为活动的，用户 不需要与其进行交互。事实上，如果用户是汽车的驾驶员，那么这一行为 通常是不安全的。事实上，通过本文描述的实现方式，在不需要与正在驾 驶的驾驶员进行交互的情况下，移动设备104可以被编程来自动地起作 用。这会帮助避免潜在的危险干扰。

地图100还示出了一些兴趣点(POI)，它可以为已知或者被确定为 携带移动设备104的用户行进的路线的起点或终点(即，目的地)。图1 中描述的POI包括家110、餐馆112、咖啡厅114(即，咖啡店)、学校 116、杂货商店118、教堂120、工厂122(即，工作地点)、另一个咖啡 厅124、医生的办公室126、餐厅128、和购物中心130。

地图100还示出了分布在邻域的很多无线接入点(WAP)。每一个 WAP用范围从A-Y的大写字母标明。双虚线圆表示每一个描述的WAP的 范围。尽管在地图100中未被示出，但是在图1中描述的每个POI还包括 一个或多个WAP。

一旦IWS源被移动设备唯一地识别，实现方式可以出于方便处理的目 的分配唯一的标识符(ID)。例如，如在图100中的110处所示，在个人 住宅处的IWS源可以被标为“家”。

通过至少一个实现方式，在移动设备104为激活时，周围IWS源的列 表被追踪。当然，在用户是静止时，周围的IWS源不会改变或至少是变化 不大。然而，当用户(带着移动设备104)行进时，沿着行进路径，新的 IWS源被标注。例如，用户可能是步行、跑步、用机动车、火车、或一些 通过某种其他形式的地面运输工具。

例如，参考地图100，假定Dorothy在工作地点122度过8个小时。 在工作时间，移动设备104记录已经被指定或将要被指定为“工作”的一 个或多个IWS源。她在工作时间以后，驾驶她的汽车102去购物中心 130。从工作地点122行进到商店118时，她的移动设备104遇到标记为 U、T、R、和P的IWS源。在她多次通过该路径以后，工作、U、T、R、 和P和商店的模式会频繁地重复出现。在该点处，该模式可以是被识别的 路线，并且被标识。出于方便的目的，该路线在此被称为工作→商店。命 名的规则所遵循的是源、箭头、随后是目的地的模式。箭头表示路线的定 向性质。当然，因为工作地点122和杂货店118之间存在其他的路径，所 以其他的路径可以具有相同的标签(工作→商店)。例如，工作→商店可 以包括工作、T、M、N、O、商店。

代替确定和追踪如在地图上描述的物理位置或地理位置，本文描述的 技术追踪离散地点(是遇到的周围的IWS)并且至少部分地基于这种离散 地点的有序的模式确定路线。

图2示出了路线图200，该路线图是Dorothy带着她的移动设备104 的一些示例路线的逻辑描述。逻辑上，Dorothy的地点和路线可以被视为 在已经直接行进的地点之间的连接图。图200包括示例路线的示例源 (即，起点)和目的地(即，终点)。那些示例源/目的地是从那些在图 100中描述的示例源/目的地选出的。所选出的示例源/目的地包括家110、 教堂120、商店118、咖啡厅114、工作地点122、餐馆112、和餐厅 128。

在路线图200中，箭头指示点之间路线以及路线的方向。例如，针对 家→教堂路线210，移动设备104至少记录了两种路线，分别由路线数据 集212和214表示。路线数据集212包括家、C、G、J、N、S、和教堂。 路线数据集214包括家、A、B、H、K、V、U、和教堂。例如，针对工作 →家路线220，移动设备至少记录了两种路线，分别由路线数据集222和 224表示。路线数据集222包括工作、U、K、H、B、A、和家。路线数据 集224包括工作、U、V、K、G、C、和家。

所描述的路线数据集是一个可能的实现方式。如那些本文描述的其他 的实现方式可以更为复杂。在那些实现方式中，每个给定的路线(例如， 工作→家的路线)具有一个数据集，该数据集追踪每次从起点到目的地的 行程中遇到的所有周围的IWS源。而且，在路线数据集中的其他信息(比 如，时间)也可以被追踪。

在任意给定时间，Dorothy可以是在单一的地点或是在去新地点的途 中。由于路线在物理世界中是重叠的，并且由于路线经过她可能停靠地点 的附近，所以将Dorothy的状态预测为单一的路线或地点通常是不可能 的。例如，当Dorothy开车离开工作地点122，她可能回家110、去咖啡厅 124、或是去学校116接孩子。由于这三个地点都在相同的路径上，所以 可能难以从该环境中确定唯一地位于哪一路径。甚至是与Dorothy一起坐 车的乘客仅使用环境也不可能确定她的目的地。

因此，本文描述的实现方式考虑了这三个地点所有可能目的地。而且 还考虑到Dorothy会在与咖啡厅124的位置相同的转角处遇到红色交通 灯。Dorothy等待60秒的红灯，然后继续回家110，实现方式将会考虑到 Dorothy实际上是在等候咖啡。为了容纳这种情况，该实现方式将用户的 状态预测为最多在一个单一的地点(例如，咖啡厅124)和/或行进在可能 的路线集中的一个路线上。(例如，“工作→家”、“工作→商店”、 “工作→咖啡厅”)。

当用户访问特定地点时，这里描述的技术可以利用任何新的或已存在 的学习和识别地点的地点识别技术。例如，该技术可以被链接到工作场所 安全系统，并且标注用户位于工作地点122，因为她扫描了她的身份识别 卡以获得条目进入工作大楼。另外，通过数据条目，用户可以仅识别IWS 源或一些带有诸如“工作”之类命名的这种源。

示例系统

图3示出了用于实现方式本文描述的技术的示例系统300。系统包括 移动设备104、网络335、和网络服务器340。

移动设备104包括存储器310、一个或多个处理器312、无线扫描器 314、追踪器320、路线学习器322、路线估计器324、ETA计算器326、 地图工具328、和动作触发器330。这些功能组件可以被分离，或是硬件 单元的一些组合。可替代地，该组件可以(至少部分地)被实现为软件， 并因此被存储在存储器310中并由处理器312执行。

存储器310可以包括它自身的本地/路线数据库(类似于将被描述的路 线数据库350)。移动设备104上的本地/路线数据库存储设备已学习的路 线，并且追踪器320在执行追踪时使用了这些路线定义。

无线扫描器314周期性地扫描周围IWS源。追踪器320帮助识别遇到 的周围IWS源并将它们存储在存储器310中。当遇到周围IWS源时，无 线扫描器314检测该周围的IWS源，并且识别其唯一的标识(例如， BSSID、MAC地址、语义名称“工作”等)。

使用遇到的一连串的周围IWS源，路线学习器322发现重复发生的模 式并学习路线。基于历史路线，路线估计器324估计当前路线和/或目的 地。基于该估计和历史路线的信息，路线估计器324还可以计算估计的到 达时间(ETA)。

动作触发器330至少部分地基于估计的路线或计算的ETA，执行或触 发预定动作的执行。例如，当移动设备104的位置离目的地仅几分钟时， 自动化文本将被发送给另一用户。该动作的触发至少部分地经常基于当设 备104行进时所遇到的当前周围的IWS源。

使用设备104上的用户界面(UI)，用户可以利用动作触发器330的 配置部分来配置触发动作。动作被定义为包括触发(例如，距离特定目的 地三分钟)、执行的自动动作(例如，发送文本消息)和这种动作的对象 (例如，这种文本消息的接收方)。其他动作的示例包括发送邮件、载入 应用或程序、启动系统功能或其他所谓的区域限定动作。

当然，作为每秒都触发动作的替代，移动设备可以向用户显示ETA计 算。这会保持用户获知到达他们的目的地还需要多长时间。

可替代地，地图工具328可以提供地点的地理定位知识(例如，特定 周围的IWS源)。这种知识可以涉及WAP地理定位的数据库。在该地点 作为地点被识别并加入模型(例如，路线图200)后，地图工具328可以 确定逻辑地点的地理定位。

网络335可以为有线和/或无线网络。它可以包括因特网架构并且可以 被呈现为所谓的“云”。网络330可以包括有线或无线局域网、蜂窝网络和/ 或类似网络。网络330将移动设备104与网络服务器340连接。

作为这里描述的技术的一个或多个实现方式的一部分，网络服务器 340向移动设备104提供帮助。在一些实施方案中，网络335和网络服务 器340未被利用。换言之，没有网络335或网络服务器340的帮助，移动 设备104执行这里描述的实施方案。网络服务器340可以为一个或多个实 际的服务器。

网络服务器340包括路线学习帮助342、路线估计器帮助344、行为 帮助346、地图工具帮助348和路线数据库350。路线学习帮助342可以 帮助路线学习器322学习路线。通过卸载数据处理并将数据转移至非高峰 时间，这一点可以被实现。例如，最近的追踪数据可以在晚上上传，用于 夜间数据处理和报告。

使用UI，用户可以通过动作帮助346配置触发动作。动作帮助346至 少部分地可以被实现为网站，其中用户可以选择触发(例如，距离特定目 的地三分钟)、被执行的自动动作(例如，发送文本消息)和这一动作的 对象(例如，这种文本消息的接收方)。

可替代地，地图工具帮助348可以提供地点的地理定位知识(例如， 特定周围的IWS源)。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。

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。

路线学习操作

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。

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。

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。

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。

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。

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(IWSID₁)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：

R_{起始→终止}＝(P_起始，P_终止，T_平均[T_s1，T_e1{(IWSID₁₁，X₁₁，P₁₁，T_fs11，T_fe11)，(IWSID₁₂， X₁₂，P₁₂，T_fs12，T_fe12)...}]，[T_s2，T_e2，{(IWSID₂₁，X₂₁，P₂₁，T_fs21，T_fe21)，(IWSID₂₂，X₂₂，P₂₂，T_fs22，T_fe22)...}]...)

其中T_s1和T_e1分别是第一次出行的起始时间和终止时间，T_平均是该次出行 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_fs11是当IWSID₁在出行1中被观察到 之后开始的时间。即T_fs1是从开始的时间偏移量。T_es11是当IWSID₁在出行 1中被观察到之后结束的时间。

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。

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：

IWSID₁+{(出发时间，到达时间)，(出发时间，到达时间)，...}

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。

在404，移动设备104分析该系列遇到的周围的IWS源(例如，w1， 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w6的一系列的观察识别为对地点P₂₇的访问。

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：

(P₀，wi+1，wi+2，wi+3w，...，P₁，wj+1，wj+2，wj+3，...，P2...)

其中P₀、P₁、P₂为地点标志。

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。

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：

·如果路线R_a→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。

·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。

·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R_a→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。

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。

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。

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。

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。

预测目的地以及计算ETA的操作

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。

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。

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。

在504，移动设备104沿着其目前的路线观察遇到的周围的IWS源。 在移动设备104经过路线时，操作504回到操作502以重复扫描和观察动 作。在该过程中，每个对识别的周围IWS源的观察被添加过去观察的序列 中。这会针对已经由设备观察到的IWS创建IWS的时序系列。如果该系 列中具有不同的周围IWS源，则移动设备104正在行进中。不同的周围 IWS源的模式可以是路线。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。操作502和504可以由移动 设备的无线扫描器314和/追踪器320执行。

如图5所描述的，只要移动设备104在移动，操作502和操作504就 会进行连续循环操作。同样地，只要移动设备104在移动，操作502-514 就会进行连续循环操作。在操作504到操作506之间示出了宽箭头。该宽 箭头表示两个单独的却相关的连续循环之间的连接。第二个循环(即，操 作502-514)使用有关追踪的周围IWS源的信息来执行其动作。事实上， 大多数新近遇到的周围的IWS源(或更新的一个)可以被第二循环使用。

在506，移动设备104尝试识别当前地点和路线。这一识别试图的结 果可能导致几个确定中的一个：

·移动设备104在地点P_i，或者正行进于集合{R₁，R₂，...R_n}中的路 线；

·移动设备104为静止的，且位于已知地点P_i；

·移动设备104正行进于集合{R₁，R₂，...R_n}中的路线；

·移动设备104处于未知地点中；或者

·移动设备104正行进于未知路线。

这些确定还可以被称为用户“状态”。使用从过去行程学习的地点/路线 信息(存储于存储器310中)，路线估计器324可以识别何时行进路线， 并预测目的地和ETA。操作506可以由线路估计器324执行。

在508，移动设备104更新一个或多个已知路线(例如，之前被识别 的路线)的每一个的“信任”级。即，对给定路线或地点，信任调整的程度 依赖于在遇到的一系列周围的IWS源的一个或多个部分中所发现的证据。

事实上，通过每一个遇到的周围的IWS源，移动设备104获得证据以 调整一个或多个之前已知的地点/位置或路线的信任级别。如果遇到的周围 的IWS源与已知路线或地点匹配，对匹配的路线或地点的信任增加。信任 增加的量依赖于用户的最近历史。例如，如果用户最近离开诸如家110的 地点，以家为起始的路线中遇到的周围的IWS源的观察，相比那些不具备 这一点的观察，将增加更多的信任。

类似地，如果用户的状态包含具有诸如工作地点122的目的地的路 线，从工作地点自身遇到的周围的IWS源的观察，将使我们到达工作地点 的信任快速增加。操作508可以由线路估计器324执行。

在510，移动设备104确定一条或多条已知路线中的哪一条最可能与 当前路线匹配。在识别操作504期间，在没有任何相匹配的周围的IWS源 的情况下，对所有已知路线和地点的信任降低。如果这一情况继续，基于 Wi-Fi信号的稳定性，用户的状态将最终选定于“未知地点”或“未知路线”。 对路线的证据和对地点的证据被同时或至少近似于同时处理，这是因为特 定的周围的IWS源可以为地点和一条或多条路线的一部分(例如，在去往 家110和去往咖啡厅124的路上的餐厅128)。信任增长的量基于被它们 的地点和路线图表示的用户的历史。

被该模型预测的路线或地点的信任，相比那些未被该模型预测的地点 或路线的信任，以更快速率增长。例如，如果用户在从家110去往咖啡厅 124的路线上，设备104观察到与咖啡厅124相关的周围的IWS源，对地 点咖啡厅的信任快速增长。在另一方面，如果设备104观察到与地点教堂 120相关的周围的IWS源且我们并非在去往教堂的路线上，那么对地点教 堂的信任增长缓慢。

当地点和路线的信任上升级超过了指定的或计算的信任阈值时，移动 设备104确定哪一路线或地点最可能匹配。降到阈值下的那些地点或路线 将不予考虑。这些阈值可以基于用户状态被分配。当然，用户在一个时刻 最多可以处于一个地点。因此，如果地点上升超过了状态包含的阈值，任 何其他地点立刻被移除。操作510可以由线路估计器324执行。

在512，移动设备104基于由操作510确定的已知路线和关于当前路 线追踪到的信息来预测目的地。操作512可以由ETA计算器326执行。

在514，移动设备104基于由操作510确定的已知路线和关于当前路 线追踪到的信息计算ETA。所确定的路线为具有最高信任度的路线。操作 514可以由ETA计算器326执行。

通常，移动设备104基于来自在当前路线上最后已知的周围IWS源的 时间信息和自从遇到该IWS源的时间推移计算ETA。当移动设备104在 当前路线上第一次遇到第一已知的周围IWS源时建立初始ETA。

移动设备104在当前路线上遇到的已知的周围的IWS源之间计算 ETA。计算ETA是通过自遇到已知的周围IWS源以后过去每一秒就降低 到达时间一秒来完成的。在该方法中，在没有遇到已知的周围IWS源的情 况下，移动设备104假设用户继续朝向确定路线的预定目的地前进。

当移动设备104遇到确定路线的已知的周围IWS源时，移动设备利用 与该已知的IWS源相关联的时间信息来更新预定目的地处的ETA。遇到 的已知的IWS源可以充当对移动设备104已经朝向确定路线的预定目的地 行进了多远的指示。例如，如果标有“X13”的IWS源总是在距离目的地 还有90秒的时候被看到，则遇到X13时可以将到达时间改为90秒。

然而，出于各种原因(例如，交通、运输方式等)，从出发地点以及 在到达目的地之前看到X13的时间可以变化。如之前关于图4所讨论的， 与路线上的每个IWS相关联的时间信息在路线中表示为(出发时间、到达 时间)时间对的集合。为说明该变化，移动设备104使用针对该确定路线 的特定IWS源的过去时间对的加权平均值更新到达时间。加权是基于历史 时间数据中的出发时间是怎样紧密匹配当前路线的经过时间的。

例如，假设Isabel开车上下班用8分钟，但是在天气好的日子她步行 上下班，需要一个小时。间或地，她周日上班，并且在那些时候她总是开 车，因为路上车很少所以仅需要4分钟的时间。在该示例中，通常在上班 的路上大约四分之三处遇到被标记为IWS-4的特定的IWS源。地点/路线 模型具有很多经过最近几周收集的IWS-4的记录。那些记录中的大多数表 示在离开家之后6分钟以及在到达工作地点之前2分钟遇到IWS-4。其他 记录表示在她步行过程中的40分钟处以及距离到达20分钟处遇到IWS- 4。很少的记录表示在周日较短时间的驾驶过程中在出发后3分钟处以及 在到达之前1分钟处遇到IWS-4。

如下的表A说明该示例的情况：

表A

表A的行表示相同路线的出行，列表示沿着那些路线收集的关于IWS 源的时间数据。在此列出的行可以被称为沿着相同路线的多次出行的集 合。

表A示出了Isabel在从家到工作地点的路上遇到的5个IWS。表A中 的很多格中包括一组数字对。这些数值对是针对每个IWS源以及针对每个 由移动设备104学习的路线的时间对(出发时间，到达时间)。在该表 中，路线根据在示例中描述的三种上班情况被分组。这些组中的每一个可 以在本文中被称为相关组。

针对该示例，假设在Isabel行进到工作地点时，移动设备104在经过 路线中的24分钟处遇到IWS-4。最可能的情景是Isabel步行去工作，她离 工作地点大约还有24分钟。因此，该方法是权衡了遇见时间最为匹配的 IWS的到达时间以确定运输方式。可以利用如下二次加权函数：

时间＝归一化(Sum(model_sample_time_to_destination/(actual_time_since_departure- model_sample_time_since_departure)^2)

该二次加权函数为如下目的服务：接近于相关组的创建和选择。用该 方法，我们不需要实际构建相关组或在追踪时选取它们。所有的这些由该 加权函数完成，该加权函数会更为大量包括过去出行的到达估计，该过去 出行的到达估计最紧密地匹配目前出行的自从出发后的时间。

用于从之前观察的值中选择估计的到达时间的方法不仅对处理不同的 行进方式有效，而且允许我们处理由于各种交通状况引起的进行时间中的 变化。

假设Hope在大多数上下班的时候会受到交通状况的影响，但是由于 最后四分之一英里是沿着一条偏僻的通路所以会一直很快。该方法会学习 到这点。移动设备104会随着时间学习到沿着大多数Hope的路线的进展 是变化的，并且移动设备104会保持完全的分配那些时间。移动设备104 会基于来自源的时间选择估计时间。然而，移动设备104也会了解到，不 管到达该地点用了多长时间，最后的四分之一英里始终用100秒。用这种 方式，该方法比起简单的速率测量或其他线性近似要好得多。

在一些实现方式中，每次遇到已知的IWS源不会重置目前的到达时间 估计。为了提供对ETA计算的平稳性，移动设备104会执行平稳的算法， 其中在目前估计贡献75％时每次遇到已知IWS源确定新的估计的25％。

在516，移动设备104可以向用户显示ETA。而且，基于确定的路 线，可以触发或执行动作。用户可能已配置移动设备在某个地点或基于给 定路线的ETA执行动作。例如，当用户离开工作地点122并开始回家 110，一旦从工作地点到家的路线被确定，移动设备可以发送消息给她的 丈夫。实际上，该消息可以包括计算的ETA。操作516可以由动作触发器 330执行。

在一些实现方式中，被认为接近于已知地点的周围IWS源可以忽略。 例如，隔壁邻居的周围的IWS源可以从涉及家110的路线数据集剔除，以 避免它们导致错误结论，即当用户实际上在地点停留时，结论却是她已沿 着路线开始移动。

同样，在路线和它的反向(家→工作地点和工作地点→家)均超过用 户状态中包含的阈值的情况下，过程500仅包括具有更高信任的路线。因 为两条路线将共享许多共同的周围的IWS源，所以将会发生这种情形。

而且，在一些实现方式中，通过查看遇到的匹配的周围的IWS源在过 往的行程有多远，路线内的进程被估计。例如，周围的IWS源可能与用户 的集合中的当前路线，P1→P5和P1→P8，都匹配，一个通常在整个行程 的25％的路程遇到，另一个为80％。处理600可以估计用户为去往P5的 路程的25％或者去往P5的路程的80％。通过平均行程时间来测量该估 计，然后处理可以估计ETA。

用户的路线和地点以及Wi-Fi基础架构将随着时间改变。为容纳这一 情况，一些实施方案可以随着时间老化训练数据。这可以例如通过两种方 法实现：一种是仅利用最近(例如，最近六个月内)的Wi-Fi追踪，间或 从头重新训练。替换地，‘存活时间’字段可以用于路线和地点数据，允许 训练数据的老化程度增长。

图6示出了用于(至少部分地)实现本文描述的技术的示例过程 600。特别地，过程600描述了ETA计算操作。该过程600可以始终在操 作，从而在正在进行的基础上维持目的地和ETA的估计。

在602，移动设备104追踪关于移动设备正在行进的当前路线的信 息，其中关于当前路线的追踪信息包括遇到当前路线的一个或多个周围的 可识别无线信号(IWS)源的时间。

在604，移动设备在多个已知路线中确定匹配移动设备正在行进的当 前路线的已知路线。

在606，移动设备104获得关于沿确定路线的多次出行的集合的历史 信息，其中沿着确定路线的多次出行的集合的历史信息包括：遇到确定路 线的一个或多个周围的可识别无线信号(IWS)源的时间。

在608，移动设备104确定相关历史信息。该设备基于具有类似的遇 到确定路线的一个或多个周围的IWS源的时间的出行集群将多次出行分组 为出行的相关组。该设备确定出行中的哪个相关组具有的确定路线的遇到 的时间最接近当前路线的遇到的时间，并且该设备选择确定的相关组。

在610，移动设备104在可能是计算前路线的目的地处的估计到达时 间。ETA计算是基于关于当前路线的追踪信息和来自沿着确定的已知路线 的多次出行的集合的历史信息的。更确切地说，该计算是基于选择相关组 的历史信息的。该组有效地成为了多次出行的集合，通过获取所述多次出 行而从所述多次出行获取了所述历史信息，并且基于该历史信息进行ETA 计算。

示例计算设备

图7示出了可以(至少部分地)实现本文描述技术的示例系统700。 在各种实现方式中，系统700是介质系统，但是系统700不限于本文。例 如，系统700可以被嵌入到个人计算机(PC)、膝上计算机、超膝上计算 机、平板、触摸板、便携式计算机、手提计算机、掌上计算机、个人数字 助理(PDA)、蜂窝电话、蜂窝电话/PDA的结合、电视、智能设备(例 如，智能手机、智能平板、或智能电视)、移动互联网设备(MID)、消 息传递(messaging)设备、数据通信设备等等。

在各种实现方式中，系统700包括被耦合到显示屏720的平台702。 平台702从例如内容服务设备730、内容分发设备740或其他相似的内容 源之类的设备接收内容。包括一个或多个导航特征的导航控制器750可以 被用来与(例如)平台702和/或显示屏720交互。

在各种实现方式中，平台702包括芯片集705、处理器710、内存 712、存储器714、图像子系统715、应用716、和/或无线电收发设备718 的任意结合。芯片集705在处理器710、内存712、存储器714、图形子系 统715、应用716、和/或无线电收发设备718之间提供互相通信。例如， 芯片集705可以包括能够提供与存储器714互相通信的存储器适配器(未 示出)。

存储器710可以被实现为复杂指令集计算机(CISC)或精简指令集计 算机(RISC)处理器、x86指令集兼容处理器、多核心、或任意其他微处 理器或中央处理单元(CPU)。在各种实现方式中，处理器710可以是双 核处理器、双核移动处理器等等。

内存712可以被实现为易失性存储设备，比如但不限于随机存取存储 器(RAM)、动态随机存取存储器(DRAM)、或静态RAM (SRAM)。

存储器714可以被实现为非易失性存储设备，比如但不限于磁盘驱动 器、光盘驱动器、磁带驱动器、内置存储设备、附加存储设备、闪存、电 池备用同步DRAM(SDRAM)、和/或网络可接入存储设备。在各种实现 方式中，存储器714在包括多个硬盘驱动时具有针对有用的数字介质提高 存储加强性能保护的技术。

图形子系统715处理诸如静止的图像或视频之类的图像以用于显示。 例如，图形子系统717可以是图形处理单元(GPU)或视觉处理单元 (VPU)。模拟或数字接口可以被用来通信地耦合图像子系统715和显示 屏720。例如，该接口可以是高精度多媒体接口、显示端口、无线高精度 媒体接口(HDMI)、和/或无线HD适用技术。图形子系统715可以被集 成到处理器710或芯片集705。在一些实现方式中，图形子系统717可以 是被通信地耦合到芯片集705的独立卡。

本文描述的图形和/或视频处理技术在各种硬件架构中被实现。例如， 图形和/或视频功能可以被集成到芯片集内。替代地，可以使用离散图像处 理器和/或视频处理器。作为另一个实现方式，图形和/或视频功能可以由 包括多核处理器的通用处理器提供。在另一实施例中，可以在消费者电子 设备中实现该功能。

无线电收发设备718包括能够使用各种适当的无线通信技术来传输和 接收信号的一个或多个无线电收发设备。这种技术包括通过一个或多个无 线网络的通信。示例无线网络包括但不限于无线局域网络(WLAN)、无 线个人域网络(WPAN)、无线城域网络(WMAN)、蜂窝网络、和卫星 网络。在通过这些网络进行的通信中，无线电收发设备718根据任意版本 的一个或多个适用标准进行操作。

在各种实现方式中，显示屏720包括任意电视型监控器或显示屏。例 如，显示屏720可以包括计算机显示屏幕、触屏显示屏、视频监控器、类 似电视的设备、和/或电视。显示屏720可以是数字的和/或模拟的。在各 种实现方式中，显示屏720可以是全息显示屏。另外，显示屏720可以是 接收视觉投影的透明表面。这种投影传递各种形式的信息、图像、和/或对 象。例如，这种投影可以是针对移动增强现实(mobile augmented reality， MAR)应用的视觉叠加。根据一个或多个软件应用(716)的控制，平台 702可以在显示屏720上显示用户界面722。

在各种实现方式中，一个或多个内容服务设备730可以通过任意国 家、国际、和/或独立的服务被托管，并且可因此经由互联网接入到平台 702。一个或多个内容服务设备730可以被耦合到平台702和/或被耦合到 显示屏720。平台702和/或一个或多个内容服务设备730可以被耦合到网 络760以将媒体信息传送至网络760，以及将媒体信息从网络760传出。 一个或多个内容分发设备740也可以被耦合到平台702和/或显示屏720。

在各种实现方式中，一个或多个内容服务设备730包括有线电视盒、 个人计算机、网络、电话、互联网使能设备、能够传递数字信息和/或内容 的应用、以及能够经由网络760或直接在内容提供者与平台702和/或显示 屏720之间进行单向或双向传送内容的任意其他类似的设备。内容可以经 由网络760被单向和/或双向地传送至系统700中的任意一个组件和内容提 供者，以及将内容从系统700中的任意一个组件和内容提供者传出。示例 内容包括任意媒体信息，例如，视频、音乐、医学、和游戏信息等等。

一个或多个内容服务设备730接收内容，该内容比如是包括媒体信 息、数字信息、和/或其他内容的有线电视程序。示例内容提供者包括任意 有线或卫星电视、或无线、或互联网内容提供者。所提供的示例并不意味 着根据本公开以任意方式来限制实现。

在各种实现中，平台702可以从具有一个或多个导航特征的导航控制 器750接收控制信号。例如，控制器750的导航特征可以被用来与用户界 面722交互。在一些实施例中，导航控制器750可以是诸如计算机硬件组 件之类的定点设备，特别是允许用户将空间(例如，连续的并且多维的) 数据输入到计算机中的人机界面设备。很多系统(比如，图形用户界面 (GUI)、电视和监控器)允许用户使用物理手势来控制数据并将数据提 供至计算机或电视。

可以通过移动显示屏(例如，显示屏720)上显示的指针、光标、聚 焦环、或其他视觉指示器来在显示屏上重复移动控制器750的导航特征。 例如，根据软件应用716的控制，位于导航控制器750的导航特征可以被 映射到在用户界面722上显示的视觉导航特征。在一些实施例中，控制器 750可能不是单独的组件而是被集成到平台702和/或显示屏720。然而， 本公开不限于这些元件或在本文示出或描述的内容。

在各种实现方式中，在系统700中示出的组件中的任意一个或多个可 以被集成。例如，平台702和一个或多个内容服务设备730可以被集成， 或平台702和一个或多个内容分发设备740可以被集成，或平台702、一 个或多个内容服务设备730、和一个或多个内容分发设备740可以被集 成。在各种实施例中，平台702和显示屏720可以是一个集成单元。显示 屏720和一个或多个内容服务设备730可以被集成，或显示屏720和一个 或多个内容分发设备740可以被集成。这些示例并不意味着限定本公开。

在各种实施例中，系统700可以被实现为无线系统、有线系统、或以 上两者的结合。当被实现为无线系统时，系统700可以包括适用于通过无 线共享媒体(比如，一个或多个天线、发送器、接收器、收发器、放大 器、过滤器、控制逻辑等等)进行通信的组件和接口。无线共享媒体的示 例包括无线频谱(比如，RF频谱)的部分。当系统700被实现为有线系统 时，系统700可以包括适用于通过有线通信媒体(比如，输入/输出 (I/O)适配器、将I/O适配器连接到相应的有线通信介质的物理连接器、 网络接口卡(NIC)、磁碟控制器、视频控制器、音频控制器等等)进行 通信的组件和接口。有线通信媒体的示例可以包括电线、电缆、金属引 线、印刷电路板(PCB)、底板、交换结构、半导体材料、双绞线、同轴 电缆、光纤、以及其他。

平台702可以建立一个或多个逻辑或物理信道以传送信息。该信息包 括媒体信息和控制信息。媒体信息指的是表示用户的内容的任意数据。内 容的示例包括来自语音对话、视频会议、流视频、电子邮件(e-mail)、 消息、语音邮件消息、字母数字符号、图像、图形、视频、本文等的数 据。来自语音对话的数据可以是，例如话语信息、静音时段、背景噪声、 舒适噪声、音调、以及其他同类项。控制信息指的是表示用于自动系统的 命令、指令、或控制词的任意数据。例如，控制信息可以用来通过系统路 由媒体信息，或者指示节点以预定方式处理该媒体信息。然而，这些实施 例不限于这些元件或在图7中示出或描述的内容。

如上所述，系统700可以以不同的物理方式或形态因数来体现。图7 示出了系统700可以被体现为小形态因数设备700的实现方式。例如，在 实施例中，设备700可以被实现为具有无线功能的移动计算设备。移动计 算设备指的是具有处理系统和移动电源或供应电源(比如，一个或多个电 池)的任意设备。

除了那些已经提及的移动计算设备示例之外，移动计算设备示例还可 以包括被安排由个人来穿戴的计算机，比如，手腕计算机、手指计算机、 环形计算机、眼镜计算机、皮带夹计算机、臂带计算机、鞋计算机、服装 计算机、以及其它可穿戴计算机。在各种实施例中，移动计算设备可以被 实现为能够执行计算机应用以及语音通信和/或数据通信的智能手机。尽管 一些实施例可以用移动计算设备来描述，但是其他实施例也可以使用其他 无线移动移动计算设备来实现。这些实施例并不限于本文。

如图8所示，设备800包括外壳802、显示屏804、I/O设备806、和 天线808。设备800还包括导航特征812。显示屏804包括用于显示适合 于移动计算设备的信息的任意适当的显示单元。I/O设备806包括用于将 信息输入到移动计算设备的任意适当的I/O设备。I/O设备806的示例包括 字母数字键盘、数字小键盘、触摸板、输入键、按钮、开关、拨动开关、 麦克风、扬声器、语音识别设备和软件等等。信息也可以通过麦克风(未 示出)的方式被输入到设备800。这种信息通过语音识别设备(未示出) 被数字化。这些实施例并不限于此情境中。

各种实施例可以使用硬件元件、软件元件、或以上两者的结合来实 现。硬件元件的示例包括处理器、微处理器、电路、电路元件(例如，晶 体管、电阻器、电容器、电感器等)、集成电路、专用集成电路 (ASIC)、可编程逻辑设备(PLD)、数字信号处理器(DSP)、现场可 编程门阵列(FPGA)、逻辑门、寄存器、半导体设备、芯片、微芯片、 芯片集等等。软件的示例包括软件组件、程序、应用、计算机程序、应用 程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、 例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、 指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符 号、或它们的任意组合。实施例是否是使用硬件元件和/或软件元件来实现 的确定会根据很多因素(比如，所期望的计算速率、功率水平、耐热性、 处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速 度、及其他设计或性能约束)变化。

至少一个实施例的一个或多个方面可以通过存储在机器可读介质上的 典型指令来实现，该机器可读介质表示在处理器中的各种逻辑，当该机器 可读介质被机器读取时使得机器构建逻辑以执行本文描述的技术。这种被 称为“IP核”的表示可以被存储在有形的机器可读介质上，并且可以被提 供给各种客户或生产装置以加载到实际实行逻辑或处理器的制造机器。

尽管本文提出的某些特征已经参考各种实现方式来描述，但是该描述 并不旨在以限定的含义来解释。因此，对于本领域技术人员来说显而易见 的、本公开涉及的、本文描述的实现方式的各种修改以及其他实现方式被 认为是落入本公开的精神和范围内的。

根据本发明的实现方式已经在具体实施例中被描述。这些实施例意为 说明性的而不是限制性的。很多变化、修改、添加、和改进是可能的。因 此，可以针对在本文被描述为单个实例的组件提供多个实例。各种组件、 操作、和数据存储之间的边界在某种程度上是随意的，并且具体操作在特 定说明性的配置中被演示。功能的其他分配可被预见，并且落入权利要求 的范围。最终，在各种配置中表示为独立组件的结构和功能可以被实现为 组合结构或组件。以上这些和其他变化、修改、添加、改进落入由权利要 求限定的本发明的范围内。

附加和替代实现备注

在本文中移动设备可以被称为无线设备、手机、手持设备等。通常， 移动设备是一种具有显示屏幕和某种用户输入机制(例如，触摸屏或键 盘)的小型、手持、便携式计算装置。这种移动设备的重量通常不超过两 磅。这种移动设备通常装配有无线通信功能，比如，WiFi、蓝牙、和蜂 窝。移动设备的实现方式示例包括智能手机、平板计算机、特征电话、个 人数字助理(PDA)、任意无线使能可穿戴设备、膝上型计算机、上网本 计算机、或其它所谓的手持设备或计算机。

在上述示例性实现方式的描述中，出于解释的目的，给出了特定数 字、材料配置、以及其他细节以便更好地解释所要求保护的本发明。然 而，对于本领域技术人员来说显而易见的是，可以使用不同于本文描述的 示例性细节实施所要求保护的发明。在其他实例中，公知的特征被省略或 简化以阐明示例性实现方式的描述。

发明者旨在将描述的示例性实现方式作为主要的示例。发明者并不旨 在用这些示例性实现方式来限定权利要求的范围。相反，发明者可以预见 所要求保护的发明也可以以其他的方式结合其他现有的或未来的技术来体 现并实现。

另外，在本文中使用的词语“示例性”意为用作示例、实例、或说 明。本文中作为示例性描述的任意方面或设计不一定被理解为必须优选于 其他方面或设计或比其他方面或设计有优势。相反，使用词语“示例性” 旨在以具体的方式表示概念和技术。例如，术语“技术”可以指的是如本 文描述的上下文所指示的一个或多个设备、装置、系统、方法、制品、和/ 或计算机可读指令。

如在本应用中所使用的，术语“或”意在表示包含性的“或”而不是 排他性的“或”。也就是说，除非另有指定或从上下文中明确的，“X使 用A或B”意在表示任意自然的包含性排列。也就是说，如果X使用A； X使用B；或X使用A和B，则以上的实例中的任意实例都满足“X使用 A或B”。另外，在本应用和权利要求中使用的冠词“一”和“一个”通 常应该被解释为“一个或多个”，除非另有指定或从上下文中明确地指出 是单数形式。

应该注意的是所描述过程的顺序并不旨在被理解为限定该过程，并且 多个所描述的过程块可以以任意顺序结合以实现该过程或替代过程。另 外，在不脱离本文所描述的主题的精神和范围的情况下可以从过程中删除 个别的过程块。

本文描述的一个或多个

术语“计算机可读介质”包括计算机存储介质。例如，计算机存储介 质可以包括但不限于磁存储设备(例如，硬盘、软盘、和磁条)、光盘 (例如，高密度磁盘(CD)和数字通用光盘(DVD))、智能卡、闪速 存储设备(例如，拇指驱动、记忆棒、键驱动、和SD卡)、和易失性及 非易失性存储器(例如，随机存取存储器(RAM)、只读存储器 (ROM))。