技术领域 本发明涉及定位技术领域， 具体涉及一种终端设备位置确定方法和终 端设备。 背景技术 随着地理信息系统、 移动定位技术、 无线通讯网络、 智能终端技术、 传 感器技术的飞速发展， 基于位置服务（Loca t ion Ba s ed Serv i ce s , LBS)的应 用发展迅速。 LBS是根据用户所处位置提供的一种增值服务， 主要通过移动 定位技术获得用户当前所处的位置， 在电子地图和业务平台的支持下， 提供 给用户与位置相关的信息服务， 可以在用户需要的时间、 地点和环境下， 为 用户提供与位置关联的信息服务， 更加贴近用户需求和实际位置场景。

LBS市场蕴藏着巨大的商机， 运营商、 软件开发商、 地图厂商、 终端厂 商等整个产业链中的众多参与者都积极投入其 中， 大力推进 LBS服务及其应 用。 LBS可以应用于手机导航、 基于位置的社交网络、 室内定位、 室内导航、 智能医疗定位、 智能救助等。 而用户处于 "室内或室外" 的位置状态是 LBS 所需要的一种非常重要的上下文信息， 它是一种相对位置信息， 通过用户使 用的手机等终端设备识别出这种相对位置情境 状态， 对于 LBS应用具有很大 的价值， 可以用于诸多的实际应用场景中， 如：

情境感知手机： 根据用户处于室内室外来自动调整拍照模式、 自动开关 闪光灯、优化拍摄参数，根据室内室外状态自 适应调整 WIFI扫描频度来节约 手机的能耗、 电子设备自动模式切换等；

辅助定位与导航： 能够使用室内室外判定结果辅助进行室内室外 定位， 根据室内室外釆取不同的定位方式， 提高定位效率， 为用户提供准确、 实时 动态的定位与导航服务。

感知用户行为习惯： 结合室内室外判断结果和相关的统计信息， 可以对 用户的活动规律进行较为精确的提取和预测， 从而更好地为用户提供个性化 的服务；

个性化推荐： 推荐软件可以根据用户当前是处于室内还是室 外， 釆取不 同的推荐策略。

近年来移动智能终端， 包括智能手机、 平板电脑、 穿戴式设备等得到了 迅速的普及， 终端设备搭载的传感器类型也是越来越多。 目前大部分智能手 机都配备有 GPS模块、 加速度传感器、 陀螺仪、 磁力计等传感器， 这些传感 器可以获取多种上下文信息， GPS能够定位用户的经纬度位置， 电子罗盘可 以间接获得用户当前的朝向 （以方位角表示） 等。

现有技术大多依赖某种传感器检测到的信息例 如： 温度、 照片信息、 GPS 信号、 通信信号或 WLAN信号， 与设定的门限值进行比较， 确定用户处于室内 或室外， 推理依赖该传感器检测的信号， 准确度较差， 容易误判。 发明内容 技术问题

有鉴于此， 本发明要解决的技术问题是， 现有判断终端设备处于室内或 室外的方法中准确度差， 容易误判的问题。

解决方案

为了解决上述技术问题， 第一方面， 本发明提供了一种终端设备位置确 定方法， 包括：

分别获取各个上下文信息相对于设定位置的条 件概率， 所述上下文信息 为与所述终端设备的位置相关联的信息， 所述设定位置为所述终端设备处于 室内或处于室外；

根据各个所述上下文信息相对于所述设定位置 的条件概率和位置概率模 型， 确定所述终端设备处于所述设定位置的概率；

根据所述终端设备处于所述设定位置的概率， 确定所述终端设备的当前 位置为处于室内或室外。 结合第一方面， 在第一种可能的实现方式中， 所述分别获取各个上下文 信息相对于设定位置的条件概率， 包括：

分别判断各个所述上下文信息是连续信息或离 散信息；

若所述上下文信息为所述连续信息， 则查找所述连续信息的高斯分布曲 线， 根据所述连续信息的高斯分布曲线确定所述上 下文信息相对于所述设定 位置的条件概率； 或

若所述上下文信息为所述离散信息，则查找所 述离散信息的条件概率表， 获取所述上下文信息相对于所述设定位置的条 件概率。

结合第一方面， 在第二种可能的实现方式中， 所述根据各个所述上下文 信息相对于所述设定位置的条件概率和位置概 率模型， 确定所述终端设备处 于所述设定位置的概率， 包括：

根据所述位置概率模型的条件依赖关系， 对各个所述上下文信息相对于 所述设定位置的条件概率的分布进行转化， 等价得到所述终端设备处于所述 设定位置的概率。

结合第一方面的第一种可能的实现方式或第一 方面的第二种可能的实现 方式， 在第三种可能的实现方式中， 所述分别获取各个上下文信息相对于设 定位置的条件概率之前， 包括：

在所述设定位置为所述终端设备处于室内或处 于室外的情况下， 分别对 各个所述上下文信息进行釆集；

若所述上下文信息为所述连续信息， 则釆用高斯分布对所述连续信息进 行模拟， 得到所述连续信息相对于所述设定位置的高斯 分布的均值和 /或方 差， 其中， 所述连续信息包括所述终端设备所处环境的音 量、 所述终端设备 所处环境的光强度、 所述终端设备的移动速度或通信信号强度中的 一种或几 种；

在所述上下文信息为所述离散信息的情况下， 釆用多项分布对所述离散 信息进行模拟， 将得到的所述离散信息相对于所述设定位置的 多项分布的概 率保存到所述离散信息的所述条件概率表中， 所述离散信息包括全球定位系 统抓星个数或无线网络热点个数。

结合第一方面或第一方面的第一种至第三种任 一可能的实现方式， 在第 四种可能的实施方式中， 对于上述终端设备位置确定方法， 所述终端设备位 置确定方法还包括：

对所述位置概率模型进行阶段优化， 具体包括：

统计所述位置概率模型的准确率， 在所述位置概率模型的准确率小于或 等于准确率门限值的情况下， 对所述位置概率模型进行上下文信息的删除或 增加后逐级递推， 以优化所述位置概率模型。

结合第一方面或第一方面的第一种至第三种任 一可能的实现方式， 在第 五种可能的实施方式中， 对所述位置概率模型进行全局优化， 具体包括： 在经过设定时间长度的统计后， 根据所述设定时间长度内釆集的所述各 个上下文信息， 重新建立所述位置概率模型。

结合第一方面或第一方面的第一种至第五种任 一可能的实现方式， 在第 六种可能的实施方式中， 所述终端设备位置确定方法还包括：

釆用加权平均法对釆集到的信息进行平滑处理 ， 获取所述上下文信息。 为了解决上述技术问题， 第二方面， 本发明提供了一种终端设备， 包括： 概率获取模块， 用于分别获取各个上下文信息相对于设定位置 的条件概 率， 所述上下文信息为与所述终端设备的位置相关 联的信息， 所述设定位置 为所述终端设备处于室内或处于室外；

模型推理模块， 用于根据各个所述上下文信息相对于所述设定 位置的条 件概率和位置概率模型， 确定所述终端设备处于所述设定位置的概率；

位置确定模块， 用于根据所述终端设备处于所述设定位置的概 率， 确定 所述终端设备的当前位置为处于室内或室外。

结合第二方面，在第一种可能的实现方式中， 所述概率获取模块还用于： 分别判断各个所述上下文信息是连续信息或离 散信息；

若所述上下文信息为连续信息， 则查找所述连续信息的高斯分布曲线， 根据所述连续信息的高斯分布曲线确定所述上 下文信息相对于所述设定位置 的条件概率； 或

若所述上下文信息为离散信息， 则查找所述离散信息的条件概率表， 获 取所述上下文信息相对于所述设定位置的条件 概率。

结合第二方面， 在第二种可能的实现方式中， 所述模型推理模块， 还用 于根据所述位置概率模型的条件依赖关系， 对各个所述上下文信息相对于所 述设定位置的条件概率的分布进行转化， 等价得到所述终端设备处于所述设 定位置的概率。

结合第二方面的第一种可能的实现方式或第二 方面的第二种可能的实现 方式， 在第三种可能的实现方式中， 所述终端设备还包括：

釆集模块， 用于在所述设定位置为所述终端设备处于室内 或处于室外的 情况下， 分别对各个所述上下文信息进行釆集；

模拟模块， 用于若所述上下文信息为所述连续信息， 则釆用高斯分布对 所述连续信息进行模拟， 得到所述连续信息相对于所述设定位置的高斯 分布 的均值和 /或方差， 其中， 所述连续信息包括所述终端设备所处环境的音 量、 所述终端设备所处环境的光强度、 所述终端设备的移动速度或通信信号强度 中的一种或几种；

所述模拟模块， 还用于在所述上下文信息为所述离散信息的情 况下， 釆 用多项分布对所述离散信息进行模拟， 将得到的所述离散信息相对于所述设 定位置的多项分布的概率保存到所述离散信息 的所述条件概率表中， 所述离 散信息包括全球定位系统抓星个数或无线网络 热点个数。

结合第二方面或第二方面的第一种至第三种任 一可能的实现方式， 在第 四种可能的实现方式中， 所述终端设备还包括：

阶段优化模块， 用于对所述位置概率模型进行阶段优化， 统计所述位置 概率模型的准确率， 在所述位置概率模型的准确率小于或等于准确 率门限值 的情况下， 对所述位置概率模型进行上下文信息的删除或 增加后逐级递推， 以优化所述位置概率模型。

结合第二方面或第二方面的第一种至第三种任 一可能的实现方式， 在第 五种可能的实现方式中， 所述终端设备还包括：

全局优化模块， 用于对所述位置概率模型进行全局优化， 在经过设定时 间长度的统计后， 根据所述设定时间长度内釆集的所述各个上下 文信息， 重 新建立所述位置概率模型。

结合第二方面或第二方面的第一种至第五种任 一可能的实现方式， 在第 六种可能的实现方式中， 所述终端设备还包括：

平滑处理模块， 用于釆用加权平均法对釆集到的信息进行平滑 处理， 获 取所述上下文信息。

有益效果

本发明实施例的终端设备可以获取与位置相关 联的多种上下文信息的条 件概率，根据条件概率和位置概率模型确定述 终端设备处于设定位置的概率， 不单独依赖于某一种信息， 因此确定的终端设备位置可靠性和准确度高。

根据下面参考附图对示例性实施例的详细说明 ， 本发明的其它特征及方 面将变得清楚。 附图说明 包含在说明书中并且构成说明书的一部分的附 图与说明书一起示出了本 发明的示例性实施例、 特征和方面， 并且用于解释本发明的原理。

图 1为本发明实施例一的终端设备位置确定方法� �流程图；

图 2为本发明实施例二的终端设备位置确定方法� �流程图；

图 3a为本发明实施例三的终端设备位置确定方法� ��流程图；

图 3b 为本发明实施例三的终端设备位置确定方法中 高斯分布曲线的示 意图；

图 3c 为本发明实施例三的终端设备位置确定方法中 条件概率表的示意 图；

图 3d为本发明实施例三的终端设备位置确定方法� ��模型优化的示意图； 图 4为本发明实施例四的终端设备的结构框； 图 5为本发明实施例五的终端设备的结构框图；

图 6为本发明实施例六的终端设备的结构框图。 具体实施方式 以下将参考附图详细说明本发明的各种示例性 实施例、 特征和方面。 附 图中相同的附图标记表示功能相同或相似的元 件。 尽管在附图中示出了实施 例的各种方面， 但是除非特别指出， 不必按比例绘制附图。

在这里专用的词 "示例性" 意为 "用作例子、 实施例或说明性" 。 这里 作为 "示例性" 所说明的任何实施例不必解释为优于或好于其 它实施例。

另外， 为了更好的说明本发明， 在下文的具体实施方式中给出了众多的 具体细节。 本领域技术人员应当理解， 没有这些具体细节， 本发明同样可以 实施。 在另外一些实例中， 对于大家熟知的方法、 手段、 元件和电路未作详 细描述， 以便于凸显本发明的主旨。

实施例 1

图 1为本发明实施例一的终端设备位置确定方法� �流程图，如图 1所示， 该终端设备位置确定方法包括：

步骤 101、 分别获取各个上下文信息（contex t )相对于设定位置的条件 概率， 所述上下文信息为与所述终端设备的位置相关 联的信息， 所述设定位 置为所述终端设备处于室内或处于室外。

具体地， 终端设备可以实时获取与终端设备的位置相关 联的信息。 与终 端设备的位置相关联的信息可以包括多种， 例如： 终端设备所处环境的音量 (简称环境音量） 、 终端设备所处环境的光强度 （简称环境光强度） 、 终端 设备的移动速度或通信信号强度、 GPS ( G loba l Pos i t ioning Sys tem, 全球 定位系统）抓星个数或无线网络如 Wi-F i ( wi re les s-f ide l i ty , 无线保真） 热点个数等上下文信息，这些上下文信息可以 由终端设备的各种传感器获取， 也可以是第三方服务所提供的数据。其中， 环境音量可以由声音传感器获得， 环境光强度可以由光线传感器获得， 移动速度可以由 GPS模块获得， 通信信 号强度可以由通信模块获得， GPS抓星个数可以由 GPS模块获得， 无线网络 热点个数可以由无线网络模块获得。 终端设备釆集到的与位置相关联的各种 信息可能具有误差， 可以对釆集到的信号先进行平滑处理如： 釆用加权平均 法对釆集到的信息进行平滑处理， 获取的信息作为位置确定最终使用的上下 文信息。 平滑处理的算法可以有多种， 本发明实施例不限定平滑处理算法的 具体形式。

终端设备分别获取各个上下文信息相对于设定 位置的条件概率的方式， 可以先分别判断各个所述上下文信息是连续信 息或离散信息， 然后根据不同 类型的上下文信息， 按照以下方式处理：

方式一、 若所述上下文信息为所述连续信息， 则查找所述连续信息的高 斯分布曲线， 根据所述连续信息的高斯分布曲线确定所述上 下文信息相对于 所述设定位置的条件概率。

方式二、 若所述上下文信息为所述离散信息， 则查找所述离散信息的条 件概率表， 获取所述上下文信息相对于所述设定位置的条 件概率。

步骤 1 02、 根据各个所述上下文信息相对于所述设定位置 的条件概率和 位置概率模型， 确定所述终端设备处于所述设定位置的概率。

具体地， 根据所述位置概率模型的条件依赖关系， 对各个所述上下文信 息相对于所述设定位置的条件概率的分布进行 转化， 等价得到所述终端设备 处于所述设定位置的概率。 移动终端使用釆集到的多种上下文信息， 根据位 置概率模型和条件概率表分别计算设定位置的 概率。 其中， 设定位置可以是 室内， 也可是室外。 例如： 先使用釆集到的多种上下文信息查询各自的条 件 概率表或高斯分布曲线， 得到在各个单独上下文信息处于室内 （或室外） 的 概率数值，再把这些概率数值输入位置概率模 型，计算得出当前处于室内（或 室外） 的概率。

步骤 1 03、 根据所述终端设备处于所述设定位置的概率， 确定所述终端 设备的当前位置为处于室内或室外。

具体地， 如果终端设备计算得到处于室内的概率大于或 等于处于室外的 概率， 则判定用户当前处于室内， 否则判定用户当前处于室外。 此外， 终端 设备可以将判定结果通过显示界面告知用户， 通过用户反馈， 确定此次判定 结果是否准确。

本实施例的终端设备可以获取与位置相关联的 多种上下文信息的条件概 率， 根据条件概率和位置概率模型确定述终端设备 处于设定位置的概率， 不 单独依赖于某一种信息， 因此确定的终端设备位置可靠性和准确度高。 由于 可以在终端设备上实时进行室内 /室外位置判断， 不需要借助其他服务器， 不 需要增加其他硬件模块， 因此实时性和实用性强， 复杂度低。

实施例 2

图 2为本发明实施例二的终端设备位置确定方法� �流程图， 图 2与图 1 标号相同的步骤具有相同的含义， 如图 2所示， 与上一实施例的区别在于， 在步骤 1 01之前， 该终端设备位置确定方法， 还可以包括以下步骤：

步骤 201、 在所述设定位置为所述终端设备处于室内或处 于室外的情况 下， 分别对各个所述上下文信息进行釆集。

步骤 202、 根据釆集的上下文信息生成对应的条件概率表 和位置概率模 型， 具体可以包括以下情况：

情况一、 在所述上下文信息为所述连续信息的情况下， 则釆用高斯分布 对所述连续信息进行模拟， 得到所述连续信息相对于所述设定位置的高斯 分 布的均值和 /或方差，其中，所述连续信息包括所述终端� �备所处环境的音量、 所述终端设备所处环境的光强度、 所述终端设备的移动速度或通信信号强度 中的一种或几种。

情况二、 在所述上下文信息为所述离散信息的情况下， 釆用多项分布对 所述离散信息进行模拟， 将得到的所述离散信息相对于所述设定位置的 多项 分布的概率保存到所述离散信息的所述条件概 率表中， 所述离散信息包括全 球定位系统抓星个数或无线网络热点个数。

具体地， 从步骤 201到步骤 202是终端设备对各种上下文信息的条件概 率进行离线学习的过程。 例如： 分别釆集终端设备在室内、 室外两种场景下 的多种与设定位置有较强关联的上下文信息， 包括： 环境音量、 环境光强度、

GPS抓星个数、 终端设备的移动速度、 WIFI热点个数、 通讯信号强度等。 其 中， 环境音量、 环境光强度、 GPS抓星个数、 终端设备的移动速度为连续信 息， WIFI热点个数、 通讯信号强度为离散信息。 在上下文信息为连续信息如 时， 可以釆用高斯分布对连续信息进行模拟， 得到连续信息相对于设定位置 的高斯分布的均值和 /或方差。在上下文信息为离散信息的情况下� �统计得到 在某一种上下文信息取特定值时， 当前用户所处位置是室内或室外的条件概 率， 并形成条件概率表， 将条件概率表作为先验知识存储在终端设备中 。 本 发明实施例中对所选用的上下文信息的种类和 数量不做限制， 不局限于上述 六种， 还可以根据实际情况可以扩展使用更多与位置 相关联的其它上下文信 息， 或者仅用更少量的上下文信息。

在执行步骤 101到步骤 103 , 对终端设备的位置进行在线判定之后， 将 判定结果通过用户界面呈现， 由用户对判定结果的正确性进行反馈。 然后可 以根据用户反馈将判定结果的推理记录分为正 面推理记录和负面推理记录两 部分， 正面推理记录是判定正确的记录， 负面推理记录是判定错误的记录。

为了保证位置概率模型的准确性， 该终端设备位置确定方法还可以包括 对位置概率模型进行优化的过程， 具体可以釆用阶段优化和全局优化相结合 的方法， 如在一段时间内 （如一天内） ， 若突发性出现推理错误率剧增 （可 能是用户到了一个全新环境， 或者某个传感器失灵） ， 则进行阶段优化； 经 过一段时间之后 （如一周后） ， 积攒了大量数据， 可对位置概率模型定期进 行全局优化。 具体如下：

情况一、 对所述位置概率模型进行阶段优化， 具体包括：

统计所述位置概率模型的准确率， 在所述位置概率模型的准确率小于或 等于准确率门限值的情况下， 对所述位置概率模型进行上下文信息的删除或 增加后逐级递推， 以优化所述位置概率模型。

具体地， 可以基于数量不多的负面推理记录进行， 在完整的位置概率模 型基础上， 可以恰当地删除部分上下文信息达到优化位置 概率模型的目的。 阶段优化的方法是基于一段时间内收集到足够 多的用户反馈信息， 计算位置 概率模型的准确率。 如果统计得到当前准确率低于准确率门限值， 则针对用 户反馈的负面推理记录， 将完整的位置概率模型删减若干上下文信息的 变量 得到的位置概率模型， 进行不确定性推理， 从中找到能够提高推理准确率的 模型， 并在下一轮推理中启用该新的位置概率模型。 例如： 用户处于家庭场 景中， 以环境音量、 环境光强度和 WIFI热点个数作为各个变量， 确定位置概 率模型。 在用户处于出差场景时， WIFI热点个数导致原本的位置概率模型不 准确， 则可以删除位置概率模型中的 WIFI热点个数这个变量。 此外， 也可以 在位置概率模型中增加新的上下文信息的变量 。 例如： 用户从出差场景回到 家庭场景， 可以恢复位置概率模型中的 WIFI热点个数这个变量。

阶段优化的特点是可以快速重构模型， 无需大量训练数据， 复杂度低， 能快速达到有效提升推理准确性的效果。

情况二、 对所述位置概率模型进行全局优化， 具体包括：

在经过设定时间长度的统计后， 根据所述设定时间长度内釆集的所述各 个上下文信息， 重新建立所述位置概率模型。

具体地， 可以基于较长时间段、 累积数量较多的新的用户标注记录， 重 新进行一遍模型参数训练以达到全局优化位置 概率模型的目的。 全局优化的 方法是将新增的用户标注记录 （包括负面推理记录和正面推理记录 ) 与原有 的训练数据结合，按照离线学习阶段描述的方 法重新进行一遍模型参数训练， 建立位置概率模型。

全局优化的特点是需要大量训练数据， 复杂度高， 能从根本上优化整个 位置概率模型。

本实施例的终端设备可以获取与位置相关联的 多种上下文信息的条件概 率， 根据条件概率和位置概率模型确定述终端设备 处于设定位置的概率， 不 单独依赖于某一种信息， 因此确定的终端设备位置可靠性和准确度高。 由于 可以在终端设备上实时进行室内 /室外位置判断， 不需要借助其他服务器， 不 需要增加其他硬件模块， 因此实时性和实用性强， 复杂度低。 并且， 可根据 用户反馈对位置概率模型进行自动优化， 随着环境、 场景的变化可以动态优 化， 能有效提高实际使用环境中的判定准确性， 具备较好的自适应性和灵活 性。 此外， 使用阶段性优化和全局优化相结合的动态优化 方法， 能同时兼顾 训练复杂度和判定准确性。

实施例 3

图 3a为本发明实施例三的终端设备位置确定方法� ��流程图， 如图 3a所 示， 该终端设备位置确定方法可以包括以下步骤：

离线学习阶段， 釆集多种上下文信息并形成条件概率表。

步骤 301、 分别在室内和室外场景下利用终端设备上的各 种传感器釆集 得到多种上下文信息， 包括： 环境音量、 环境光强度、 GPS抓星数、 通讯信 号强度、 终端设备的移动速度等。

步骤 302、获得针对离散信息和连续信息的条件概率 表和位置概率模型。 对于连续信息如： 环境音量、 环境光强、 通讯信号强度、 终端设备的移 动速度等， 釆用高斯分布进行模拟， 学习到的参数为该上下文信息的相应的 高斯分布的均值和方差。如图 3b所示， 为本发明实施例三的终端设备位置确 定方法中高斯分布曲线的示意图， 根据环境音量的高斯分布的均值和方差确 定的条件概率， 声音分贝相对于室内的条件概率分布在 （-5—5 ) 分贝之间， 声音分贝相对于室外的条件概率分布在（ 0_20 )分贝之间。 对于离散信息如： GPS抓星个数、 WIF I热点个数， 釆用多项分布建模， 学习到的为多项分布对 应的各项的概率， 统计得到条件概率表。 如图 3c所示， 为本发明实施例三的 终端设备位置确定方法中条件概率表的示意图 ， 由 GPS抓星个数条件概率表 中可知， GPS抓星个数为 1时， 处于室内的概率为 0. 8 , 处于室外的概率为 0. 2。

在线判定阶段， 根据终端设备当前传感器所釆集到上下文信息 结合条件 概率表判定所处的位置。

步骤 303、 通过终端设备上的各种传感器， 实时自动釆集多种上下文信 息。 例如： 釆集环境音量、 环境光强度、 GPS抓星数、 通讯信号强度、 终端 设备的移动速度等数据， 然后对于釆集到的数据做平滑处理， 以消除由于某 些传感数据跳变所造成的负面影响， 所用平滑处理方法不限， 一般釆用加权 平均的方法做数据平滑处理。 将平滑处理后的数据作为上下文信息进行后续 的判定， 可以得到更准确地描述。

步骤 304、 根据离线学习阶段所获得的条件概率表， 以及上一步实时自 动釆集的上下文信息， 分别计算出此时终端设备处于室内或室外的概 率。 具 体计算的方法为： 先使用釆集到的多种上下文信息查询各自的条 件概率表， 得到在各个单独的上下文下处于室内或者室外 的概率数值， 再把这些概率数 值输入位置概率模型计算得出当前处于室内或 者室外的概率。

如果计算得到处于室内的概率大于或等于处于 室外的概率， 则判别用户 当前处于室内， 否则判别用户当前处于室外。 在数据不完备的情况下， 即部 分上下文缺失的时候， 需要对缺少的上下文进行积分处理， 比较计算得到的 室内室外概率的大小， 概率大的作为判定结果。

例如： 在数据完备的情况下， 对高级上下文进行推理就根据条件依赖关 系对条件概率分布进行转化， 根据贝叶斯定理可以得到如下公式 （ 1 ) p position | voice, light , wifi, gsm, gps, speed)

p{position | voice, light, wifi, gsm, gps, speed | position x p(position))

piyoice, light, wifi, gsm, gps, speed)

∞ p(voice, light, wifi, gsm, gps, speed \ position) x p(position) ( 1 )

QC p (voice I position) x pilight | position) x piwifi | position) x p(gsm | position)

xp(gps I position) x p (speed | position) x p(position)

其中， 为等价于， ( ^{vo c} ^ ^^ ^o ")为环境音量的条件积无率； P^ ^li S ^ht I P ^osition ) 为环境音量的条件概率； P ifi \ position) wiFI热点个数的条件概率；

为通信信号强度的条件概率； p gps \ position、为 GPS抓星个数的 条件概率； ^^^Ι ^^'^")为终端设备的移动速度的条件概率； Prosit 为 设定位置的条件概率。 其中， ( ^ ")表示在室内或者是在室外的概率， 如 (/^ to")=l表示在室外的条件概率， /^。^'。")=0表示在室内的条件概率， 通 常可以认为这两中位置情况下的概率是相等的 ， 即室内或室外的条件概率 p p _0S iti ₀ n、=^。 当然室内和室外的条件概率也可以设置成不相 等的值在数据不 完备的情况下（仅使用部分上下文信息）， 可以对缺少的数据进行积分处理。 比较计算得到的室内外的概率， 概率高的作为判定结果。 在一个变量值缺失的情况下， 根据这个变量的分布， 将这个变量 所有可能的值都代入计算， 然后对结果求期望 （进行平均）。 对于离散 的变量， 可以直接穷举计算； 对于连续的变量， 一般会假设有一个容 易求解的分布 （比如高斯分布）， 积分后一般可以得出一个解。 例如， 假设公式 （ 1 ) 中缺失的是环境音量， 在数据不完备的情况下， 对数据 不确定的节点进行变量积分， 如下公式 （ 2 ):

p(position | light, wifi, gsm, gps, speed)

F p (position | voice, light, wifi, gsm, gps, speed | position x p(position))

^voicep(voice, light, wifi, gsm, gps, speed)

∞ F p(voice, light, wifi, gsm, gps, speed | position) x p(position)

piyoice | position) x p light | position) x p{wifi | position) x p(gsm | position)

oc

v ^oice x pigps I position) x p(speed \ position) x p(position) ( 2 ) 在公式 （ 2 ) 中， 表示对环境音量 （ vo i ce ) 进行变量积分运 算。

模型动态优化阶段， 当模型的推理准确性下降到低于指定门限值 时对模型进行动态优化：

步骤 305、 设定统计时间为 T, 最小判别次数门限值为 N, 准确率门限值 为 Α， ， 推理完成后， 通过用户界面将推理结果呈现给用户， 用户通过界面 对本次推理结果的正确性进行确认反馈， 生成一条推理记录（Contex tDa ta , Pos i t ion_ Inf , Feedback)。

步骤 306、 对时间长度 T内用户反馈的所有推理记录进行统计， 计算推 理准确率 A ,如果推理记录数量大于 N ,且推理准确率低于准确率门限值 Α， ， 则对位置概率模型进行阶段性优化， 从完整位置概率模型中通过删除若干个 上下文信息的变量得到多个新的位置概率模型 ， 并逐级递推， 即当逐一删除 单个上下文信息的变量后依然不能满足要求时 ， 再逐步同时删除两个上下文 变量， 以此类推， 从中找到对推理结果提升最优的模型， 在下一轮推理中使 用该新的位置概率模型，图 3d为本发明实施例三的终端设备位置确定方法� �� 模型优化的示意图，如图 3d所示，该局部优化的过程具体可以包括如下� ��骤： 步骤 306a、 初始化变量个数， 假设选定推理变量个数为 k ( k初始化为完 备上下文集合的势 Ψ ) , 这样的位置概率模型有 ^个， ^为从 Ψ个变量中选 取 k个的组合数。

步骤 306b、 初始化循环次数， i =0 , ^i<c ^。

M

步骤 306e、 判断准确率是否高于门限值， 如果 ^Α ^ ^{> Α} ' , 执行步骤 306f , 否则， 执行步骤 306 g。

步骤 306f、 如果上述推理准确率满足准确率门限要求， 即 Α' , 则终 止该优化过程， 将位置概率模型调整为 = 。

步骤 306g、 令循环次数加 1 , 即 = + 1 , 继续遍历其他的具有 k个变量的 局部位置概率模型。

步骤 306h、 如果已遍历具有特定变量个数如 k个变量的 ^个所有可能的 局部模型， 则令 k=k-l , 再删减一个变量， 重复步骤 306a。

步骤 306 i、 如果遍历了所有 k的情况， 但仍未找到满足准确率门限值的 模型， 则使用准确率最高的局部模型作为下一轮的位 置概率模型。

步骤 307、 基于较长时间段、 累积数量较多的新的用户标注记录， 重新 进行一遍模型参数训练以达到全局优化位置概 率模型的目的。 全局优化的方 法是将新增的用户标注记录， 包括负面推理记录和正面推理记录， 与原有的 训练数据结合， 按照离线学习阶段描述的方法重新进行一遍模 型参数训练。

本实施例的终端设备可以获取与位置相关联的 多种上下文信息的条件概 率， 根据条件概率和位置概率模型确定述终端设备 处于设定位置的概率， 不 单独依赖于某一种信息， 因此确定的终端设备位置可靠性和准确度高。 由于 可以在终端设备上实时进行室内 /室外位置判断， 不需要借助其他服务器， 不 需要增加其他硬件模块， 因此实时性和实用性强， 复杂度低。 并且， 可根据 用户反馈对位置概率模型进行自动优化， 随着环境、 场景的变化可以动态优 化， 能有效提高实际使用环境中的判定准确性， 具备较好的自适应性和灵活 性。 此外， 使用阶段性优化和全局优化相结合的动态优化 方法， 能同时兼顾 训练复杂度和判定准确性。

实施例 4

图 4为本发明实施例四的终端设备的结构框图， 如图 4所示， 该终端设 备可以包括：

概率获取模块 41 , 用于分别获取各个上下文信息相对于设定位置 的条件 概率， 所述上下文信息为与所述终端设备的位置相关 联的信息， 所述设定位 置为所述终端设备处于室内或处于室外；

模型推理模块 43 , 用于根据各个所述上下文信息相对于所述设定 位置的 条件概率和位置概率模型， 确定所述终端设备处于所述设定位置的概率； 位置确定模块 45 , 用于根据所述终端设备处于所述设定位置的概 率， 确 定所述终端设备的当前位置为处于室内或室外 。

具体地， 终端设备可以实时获取与终端设备的位置相关 联的信息。 与终 端设备的位置相关联的信息可以包括多种， 例如： 终端设备所处环境的音量 (简称环境音量） 、 终端设备所处环境的光强度 （简称环境光强度） 、 终端 设备的移动速度或通信信号强度、 GPS抓星个数或无线网络如 Wi -F i热点个 数等上下文信息， 这些上下文信息可以由终端设备的各种传感器 获取， 也可 以是第三方服务所提供的数据。 其中， 环境音量可以由声音传感器获得， 环 境光强度可以由光线传感器获得， 移动速度可以由 GPS模块获得， 通信信号 强度可以由通信模块获得， GPS抓星个数可以由 GPS模块获得， 无线网络热 点个数可以由无线网络模块获得。 终端设备釆集到的与位置相关联的各种信 息可能具有误差， 可以对釆集到的信号先进行平滑处理如： 釆用加权平均法 对釆集到的信息进行平滑处理， 获取的信息作为位置确定最终使用的上下文 信息。 平滑处理的算法可以有多种， 本发明实施例不限定平滑处理算法的具 体形式。

本实施例的终端设备的概率获取模块可以获取 与位置相关联的多种上下 文信息的条件概率， 模型推理模块根据条件概率和位置概率模型确 定述终端 设备处于设定位置的概率， 不单独依赖于某一种信息， 因此位置确定模块确 定的终端设备位置可靠性和准确度高。

实施例 5

图 5为本发明实施例五的终端设备的结构框图， 图 5与图 4标号相同的 组件具有相同的含义，如图 5所示，该终端设备的概率获取模块 4 1还可以用 于：

分别判断各个所述上下文信息是连续信息或离 散信息；

若所述上下文信息为所述连续信息， 则查找所述连续信息的高斯分布曲 线， 根据所述连续信息的高斯分布曲线确定所述上 下文信息相对于所述设定 位置的条件概率； 或

若所述上下文信息为所述离散信息，则查找所 述离散信息的条件概率表， 获取所述上下文信息相对于所述设定位置的条 件概率。

在一种可能的实现方式中， 所述模型推理模块 4 3 , 还用于根据所述位置 概率模型的条件依赖关系， 对各个所述上下文信息相对于所述设定位置的 条 件概率的分布进行转化， 等价得到所述终端设备处于所述设定位置的概 率。

在一种可能的实现方式中， 所述终端设备还包括：

釆集模块 51 , 用于在所述设定位置为所述终端设备处于室内 或处于室外 的情况下， 分别对各个所述上下文信息进行釆集；

模拟模块 5 3 , 用于若所述上下文信息为所述连续信息， 则釆用高斯分布 对所述连续信息进行模拟， 得到所述连续信息相对于所述设定位置的高斯 分 布的均值和 /或方差，其中，所述连续信息包括所述终端� �备所处环境的音量、 所述终端设备所处环境的光强度、 所述终端设备的移动速度或通信信号强度 中的一种或几种；

所述模拟模块 5 3 , 还用于在所述上下文信息为所述离散信息的情 况下， 釆用多项分布对所述离散信息进行模拟， 将得到的所述离散信息相对于所述 设定位置的多项分布的概率保存到所述离散信 息的所述条件概率表中， 所述 离散信息包括全球定位系统抓星个数或无线网 络热点个数。

在一种可能的实现方式中， 所述终端设备还包括：

阶段优化模块 55 , 用于对所述位置概率模型进行阶段优化， 统计所述位 置概率模型的准确率， 在所述位置概率模型的准确率小于或等于准确 率门限 值的情况下，对所述位置概率模型进行上下文 信息的删除或增加后逐级递推， 以优化所述位置概率模型。

在一种可能的实现方式中， 所述终端设备还包括：

全局优化模块 57 , 用于对所述位置概率模型进行全局优化， 在经过设定 时间长度的统计后， 根据所述设定时间长度内釆集的所述各个上下 文信息， 重新建立所述位置概率模型。

在一种可能的实现方式中， 所述终端设备还包括：

平滑处理模块 59 , 用于釆用加权平均法对釆集到的信息进行平滑 处理， 获取所述上下文信息。

本实施例的终端设备可以获取与位置相关联的 多种上下文信息的条件概 率， 根据条件概率和位置概率模型确定述终端设备 处于设定位置的概率， 不 单独依赖于某一种信息， 因此确定的终端设备位置可靠性和准确度高。 由于 可以在终端设备上实时进行室内 /室外位置判断， 不需要借助其他服务器， 不 需要增加其他硬件模块， 因此实时性和实用性强， 复杂度低。 并且， 可根据 用户反馈对位置概率模型进行自动优化， 随着环境、 场景的变化可以动态优 化， 能有效提高实际使用环境中的判定准确性， 具备较好的自适应性和灵活 性。 此外， 使用阶段性优化和全局优化相结合的动态优化 方法， 能同时兼顾 训练复杂度和判定准确性。 实施例 6

图 6为本发明实施例六的终端设备的结构框图。 所述终端设备可以是具 备计算能力的主机服务器、 个人计算机 PC、 或者可携带的便携式计算机或终 端等。 本发明具体实施例并不对计算节点的具体实现 做限定。

所述终端设备包括处理器（processor) 61、 通信接口（Communicat ions

Interface) 62、 存储器（memory array) 63和总线 64。 其中， 处理器 61、 通 信接口 62、 以及存储器 63通过总线 64完成相互间的通信。

通信接口 62用于与网元通信，其中网元包括例如虚拟机� ��理中心、共享 存储等。

处理器 61用于执行程序。 处理器 61可能是一个中央处理器 CPU, 或者 是专用集成电路 ASIC (Application Specific Integrated Circuit ) , 或 者是被配置成实施本发明实施例的一个或多个 集成电路。

存储器 63用于存放文件。 存储器 63可能包含高速 RAM存储器， 也可能 还包括非易失性存储器（non-volatile memory) , 例如至少一个磁盘存储器。 存储器 63也可以是存储器阵列。 存储器 63还可能被分块， 并且所述块可按 一定的规则组合成虚拟卷。

在一种可能的实施方式中， 上述程序可为包括计算机操作指令的程序代 码。 该程序具体可用于：

分别获取各个上下文信息相对于设定位置的条 件概率， 所述上下文信息 为与所述终端设备的位置相关联的信息， 所述设定位置为所述终端设备处于 室内或处于室外；

根据各个所述上下文信息相对于所述设定位置 的条件概率和位置概率模 型， 确定所述终端设备处于所述设定位置的概率；

根据所述终端设备处于所述设定位置的概率， 确定所述终端设备的当前 位置为处于室内或室外。

在一种可能的实现方式中， 所述分别获取各个上下文信息相对于设定位 置的条件概率， 包括： 分别判断各个所述上下文信息是连续信息或离 散信息；

若所述上下文信息为所述连续信息， 则查找所述连续信息的高斯分布曲 线， 根据所述连续信息的高斯分布曲线确定所述上 下文信息相对于所述设定 位置的条件概率； 或

若所述上下文信息为所述离散信息，则查找所 述离散信息的条件概率表， 获取所述上下文信息相对于所述设定位置的条 件概率。

在一种可能的实现方式中， 所述根据各个所述上下文信息相对于所述设 定位置的条件概率和位置概率模型， 确定所述终端设备处于所述设定位置的 概率， 包括：

根据所述位置概率模型的条件依赖关系， 对各个所述上下文信息相对于 所述设定位置的条件概率的分布进行转化， 等价得到所述终端设备处于所述 设定位置的概率。

在一种可能的实现方式中， 所述分别获取各个上下文信息相对于设定位 置的条件概率之前， 包括：

在所述设定位置为所述终端设备处于室内或处 于室外的情况下， 分别对 各个所述上下文信息进行釆集；

若所述上下文信息为所述连续信息， 则釆用高斯分布对所述连续信息进 行模拟， 得到所述连续信息相对于所述设定位置的高斯 分布的均值和 /或方 差， 其中， 所述连续信息包括所述终端设备所处环境的音 量、 所述终端设备 所处环境的光强度、 所述终端设备的移动速度或通信信号强度中的 一种或几 种；

在所述上下文信息为所述离散信息的情况下， 釆用多项分布对所述离散 信息进行模拟， 将得到的所述离散信息相对于所述设定位置的 多项分布的概 率保存到所述离散信息的所述条件概率表中， 所述离散信息包括全球定位系 统抓星个数或无线网络热点个数。

在一种可能的实现方式中， 还包括：

对所述位置概率模型进行阶段优化， 具体包括： 统计所述位置概率模型的准确率， 在所述位置概率模型的准确率小于或 等于准确率门限值的情况下， 对所述位置概率模型进行上下文信息的删除或 增加后逐级递推， 以优化所述位置概率模型。

在一种可能的实现方式中， 还包括：

对所述位置概率模型进行全局优化， 具体包括：

在经过设定时间长度的统计后， 根据所述设定时间长度内釆集的所述各 个上下文信息， 重新建立所述位置概率模型。

在一种可能的实现方式中， 还包括：

釆用加权平均法对釆集到的信息进行平滑处理 ， 获取所述上下文信息。 本领域普通技术人员可以意识到， 本文所描述的实施例中的各示例性单 元及算法步骤， 能够以电子硬件、或者计算机软件和电子硬件 的结合来实现。 这些功能究竟以硬件还是软件形式来实现， 取决于技术方案的特定应用和设 计约束条件。 专业技术人员可以针对特定的应用选择不同的 方法来实现所描 述的功能， 但是这种实现不应认为超出本发明的范围。

如果以计算机软件的形式来实现所述功能并作 为独立的产品销售或使用 时， 则在一定程度上可认为本发明的技术方案的全 部或部分 （例如对现有技 术做出贡献的部分） 是以计算机软件产品的形式体现的。 该计算机软件产品 通常存储在计算机可读取的存储介质中， 包括若干指令用以使得计算机设备 (可以是个人计算机、 服务器、 或者网络设备等）执行本发明各实施例方法 的全部或部分步骤。而前述的存储介质包括 U盘、移动硬盘、只读存储器（ ROM , Read-On ly Memory ) 、 随机存取存储器 ( RAM, Random Acce s s Memory ) 、 磁 碟或者光盘等各种可以存储程序代码的介质。

以上所述， 仅为本发明的具体实施方式， 但本发明的保护范围并不局限 于此， 任何熟悉本技术领域的技术人员在本发明揭露 的技术范围内， 可轻易 想到变化或替换， 都应涵盖在本发明的保护范围之内。 因此， 本发明的保护 范围应所述以权利要求的保护范围为准。