CN113970338A - 一种出行模式推荐方法、相关方法及装置和*** - Google Patents

Abstract

本申请公开了一种出行模式推荐方法、相关方法及装置和***，该出行模式推荐方法，包括：响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：对象起点、对象终点、对象出行时间和对象起终点距离；获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；基于所述历史路线规划数据和所述路线规划数据，生成特征数据；将所述特征数据输入预先训练的出行模式预测模型，预测推荐给所述出行对象的出行模式。该方法提高了出行模式预测的准确性。

Description

一种出行模式推荐方法、相关方法及装置和***

技术领域

本申请涉及数据处理技术领域，特别涉及一种出行模式推荐方法、相关方法及装置和***。

背景技术

导航服务是借助出行类应用软件(比如地图导航应用或者网约车应用等)出行的出行对象会高频使用的服务。导航服务大致分为三个阶段：

1)路线请求阶段：出行对象通过出行类应用发起路线规划请求；

2)路线规划阶段：导航服务根据收到的路线规划请求进行路线规划，并返回若干条推荐的规划路线至出行类应用供出行对象选择；

3)导航引导阶段：出行对象通过出行类应用从推荐的规划路线中选择一条后开始导航引导服务。

本申请的发明人在对上述技术进行研究的过程中发现，导航服务如果能够在路线规划前，准确地预测出出行对象需要的出行模式(驾车、公交、骑行、步行等)，并基于出行对象需要的出行模式进行路线规划及推荐，一方面能够带给出行对象好的用户体验，另一方面，出行模式推荐准确，能够明显地降低服务器的计算资源消耗，因为出行模式预测不准确时，出行对象需要切换出行模式，这时导航服务器还需要按照切换后的出行模式再次进行路线规划，比如，预测的出行模式是驾车，导航服务推荐给用户的是驾车规划路线，而出行对象实际需要的出行模式是公交地铁，则导航服务需要为出行对象重新规划公交地铁路线，在这种情况下，导航服务器为驾车路线规划所消耗的计算资源相当于被浪费了。因此，如何提高出行模式预测的准确性是本领域需要持续解决且不断优化的技术问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种出行模式推荐方法、相关方法及装置和***。

第一方面，本申请实施例提供一种出行模式推荐方法，包括：

响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：对象起点、对象终点、对象出行时间和对象起终点距离；

获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

基于所述历史路线规划数据和所述路线规划数据，生成特征数据；

将所述特征数据输入预先训练的出行模式预测模型，预测推荐给所述出行对象的出行模式。

第二方面，本申请实施例提供一种出行模式预测模型的训练方法，包括：

获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

第三方面，本申请实施例提供一种出行模式推荐装置，包括：

第一信息获取模块，用于响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：起点、终点、当前请求时间和起终点距离；

第二信息获取模块，用于获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史请求时间；

学习特征确定模块，用于基于所述历史路线规划数据和所述路线规划数据，得到用于模型学习的特征数据；

预测模块，用于将所述特征数据输入预先训练的出行模式预测模型中预测推荐给出行对象的出行模式。

第四方面，本申请实施例提供一种出行模式预测模型的训练装置，包括：

第三信息获取模块，用于获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

第四信息获取模块，用于获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

训练特征确定模块，用于基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

模型训练模块，用于将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

第五方面，本申请实施例提供一种出行模式推荐***，包括：导航服务器和至少一个终端设备，其中：

所述导航服务器中设置上述的出行模式推荐装置，用于接收所述终端设备发送的路线规划请求，以及将确定出的出行模式发送给所述终端设备；

所述终端设备用于将所述路线规划请求发送至所述导航服务器，并接收所述导航服务器返回的出行模式。

第六方面，本申请实施例提供一种出行模式推荐服务，所述服务运行时执行上述的出行模式推荐方法。

第七方面，本申请实施例提供一种模型训练服务，所述服务运行时执行上述的出行模式预测模型的训练方法。

本申请实施例提供的上述技术方案的有益效果至少包括：

本申请实施例提供的出行模式推荐方法、相关方法及装置和***，该出行模式推荐方法中，通过获得出行对象的路线规划数据和历史路线规划数据，基于路线规划数据和历史路线规划数据，得到特征数据，使用特征数据通过预先训练的出行模式预测模型预测推荐给出行对象的出行模式，由于特征数据综合了出行对象的历史数据(历史路线规划数据)和实时数据(路线规划请求中的路线规划数据)，并且，出行模式预测模型中更好的对出行模式进行预测，提高了出行模式预测的准确性，一方面减少出行对象路线规划时，在出行模式之间的切换次数，从而降低出行对象的路线规划操作复杂度，节约出行对象的路线规划时间，提升了出行对象的用户体验，同时降低导航服务器的算路成本。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

附图说明

附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：

图1为本申请实施例提供的出行模式推荐方法的流程示意图；

图2为本申请实施例提供的出行模式预测模型的训练方法的流程示意图；

图3a为本申请实施例提供的出行模式推荐方法中获取历史真实路线规划请求的流程示意图；

图3b为图3a中历史真实路线规划请求的确定流程示意图；

图4为本申请实施例提供的出行模式预测模型的训练方法中获取作为样本的历史路线规划请求的流程示意图；

图5为本申请实施例提供的导航服务***的结构示意图；

图6a-6c为本申请实施例提供的终端设备中地图导航应用实现路线规划的流程示意图；

图7为本申请实施例提供的出行模式推荐装置的结构示意图；

图8为本申请实施例提供的出行模式预测模型的训练装置的结构示意图；

图9为本申请实施例提供的出行模式推荐***的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

关于出行模式推荐，现有技术中通常推荐出行对象最近一次使用的出行模式，即，将距离出行对象当前出行时间最近一次出行中使用的出行模式作为出行对象当前的出行模式，这种方式容易出现准确度不高的问题。

为解决现有技术的问题，本申请提供了出行模式推荐方法，以提高出行模式预测的准确性，降低出行对象的路线规划操作复杂度，节约出行对象的路线规划时间，提升出行对象的用户体验，同时降低导航服务器的成本。

下面通过具体的实施例对本申请实施例提供的技术方案进行说明。

下面对本申请实施例提供的出行模式推荐方法、相关方法及装置和***的具体实施方式进行详细的说明。

实施例一

本申请实施例提供的一种出行模式推荐方法，其流程参照图1所示，包括以下步骤：

S101、响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：对象起点、对象终点、对象出行时间和对象起终点距离；

其中，所述对象起终点距离可以是对象起点与对象终点之间的直线距离。上述对象起点和对象终点，具体可以是对象起点的经纬度位置和对象终点的经纬度位置，其中，对象起点的经纬度位置可以通过定位得到，定位方式可以采用现有技术中的方式，例如，GPS定位，基站定位、WIFI辅助定位等。对象终点经纬度位置，一般是通过出行对象选择的终点在电子地图中确定的。

对象出行时间可以是出行对象发起路线规划请求时选择的出行时间，比如，出行对象下午15点通过地图导航App发起路线规划请求，但出行对象选择的出行时间是15:20，则此时出行时间为15:20；如果出行对象在发起路线规划请求时没有选择出行时间，则可以将该出行对象发起路线规划请求的时间，作为对象出行时间，比如，出行对象下午15点通过地图导航App发起路线规划请求，并且出行对象没有选择出行时间，则此时出行时间为15点。

S102、获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

其中，所述出行对象的历史路线规划数据，可以是通过下述方式得到：

通过对出行对象的历史路线规划请求进行筛选，得到可以代表出行对象的真实出行需求的历史真实路线规划请求，进而得到这些历史真实路线规划请求对应的历史路线规划数据，作为所述出行对象的历史路线规划数据。

本申请实施例中出行对象在一段历史时间内的历史路线规划请求中可能会有一些不能代表出行对象真实出行需求的路线规划请求。这是因为在进行路线规划时，导航服务器可能会推荐错误的出行模式、出行对象也可能误操作或者出行对象只是想对各种出行模式的规划路线的结果进行比较。因此，本方案中为了得到更准确的特征数据，获取的出行对象的历史路线规划数据，可以是代表出行对象的真实出行需求的历史真实路线规划请求对应的路线规划数据。出行对象的历史真实路线规划请求能够代表使用对象的真实出行需求，因此，可以将历史真实路线规划请求对应的路线规划数据作为出行对象的历史路线规划数据。

S103、基于所述历史路线规划数据和所述路线规划数据，生成特征数据；

其中，所述特征数据可以是将历史路线规划数据和路线规划数据进行组合得到的。该特征数据可以是一个向量，其所包含的各信息，可以用向量中的一个或多个参数来表示。例如，当上述路线规划数据为对象起点、对象终点、对象出行时间和对象起终点距离，如果对象起点、对象终点是通过经纬度位置来进行表达的，则对象起点由起点经度、起点纬度组成，对象终点由终点经度、终点纬度组成，所以根据路线规划数据可以生成一个6维特征；假设，上述历史路线规划数据为n个历史真实路线规划请求对应的历史路线规划数据，其中，n为正整数，且每个历史路线规划数据为历史出行模式、历史起终点距离和历史出行时间时，根据n个历史路线规划数据可以生成一个3n维特征。最终，将该6维特征和该3n维特征组合得到的特征数据，即为一个包括3n+6维特征的向量。

本申请实施例中，为了使得到的特征数据在出行模式预测模型中更便于进行运算和处理，可以将历史出行时间的参数，替换为上述路线规划数据中的对象出行时间与历史路线规划数据中的历史出行时间的出行时间间隔的参数，则上述步骤S103，可以通过下述步骤来实现：

确定所述对象出行时间与所述历史出行时间的第一出行时间间隔；

至少基于所述第一出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行时间和所述对象起终点距离，生成特征数据。

当然，本申请实施例中为了得到的特征数据的信息更丰富，上述路线规划数据还可以包括出行对象的路线规划请求的其他信息，上述历史路线规划数据也可以包括历史路线规划请求的其他信息，例如兴趣点(Point of Interest，POI)信息，从而得到的特征数据中还可以包含POI参数。

S104、将所述特征数据输入预先训练的出行模式预测模型，预测推荐给出行对象的出行模式。

该出行模式预测模型可以是使用随机森林模型、深度神经网络模型(Deep NeuralNetworks，DNN)、基于梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)的模型或其他分类器模型训练得到的。本申请实施例对此不做具体限定。从而，将预测时使用的特征数据输入到预先训练的随机森林模型、深度神经网络模型(Deep Neural Networks，DNN)、基于梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)的模型或其他分类器模型中，预测得到推荐给出行对象的出行模式。本申请实施例中，预测得到的出行对象的出行模式，包括但不限于驾车、骑行、公交和步行模式。

在一个实施例中，上述的出行模式预测模型是使用出行对象已完成的历史路线规划请求对应的路线规划数据进行训练得到的，其流程参照图2所示，具体包括下述步骤：

S201、获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

S202、获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

S203、基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

S204、将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

在一个具体实施例中，在执行上述步骤S102时，可以预先筛选得到出行对象的历史真实路线规划请求，然后从预先筛选的所述出行对象的历史真实路线规划请求中，按照到所述对象出行时间由早到晚的顺序，选择预设数量的历史真实路线规划请求，进而获取所述预设数量的历史真实路线规划请求对应的历史路线规划数据作为出行对象的历史路线规划数据。

上述预先筛选得到出行对象的历史真实路线规划请求的流程，参照图3a所示，具体包括下述步骤：

S301：将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

S302：基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求。

在一个具体实施例中，参照图3b所示，上述步骤S302中基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定出行对象的历史真实路线规划请求，具体可以包括下述步骤：

S3021：基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间，获取所述相邻两个历史路线规划请求的第二出行时间间隔；

S3022：基于所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史起终点距离和历史出行模式，获取所述相邻两个历史路线规划请求是否为同程规划请求；若是，则执行步骤S3023；若否，则执行步骤S3024；

S3023：当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值且所述相邻两个历史路线规划请求属于同程规划请求，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求；

S3024：获取所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的请求完成速度；判断所述请求完成速度是否小于预设速度阈值，若是，则执行步骤S3025，若否，则执行步骤S3026，所述预设速度阈值与历史出行时间早的历史规划路线请求对应历史路线规划数据中的历史出行模式相关；

S3025：当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值、所述相邻两个历史路线规划请求不属于同程规划请求且所述请求完成速度小于所述预设速度阈值，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求；

S3026：将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的非历史真实路线规划请求。

以所述相邻两个历史路线规划请求中时间晚的一个历史路线规划请求与排序在其之后的另一个历史路线规划请求组成新的相邻历史路线规划请求，重复前述步骤S3021-S3026，直到确定最后一组相邻两个历史路线规划请求中的历史出行时间早的一个历史路线规划请求是否为出行对象的历史真实路线规划请求。

在一个具体的实施例中，上述步骤S3022中，基于所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史起终点距离和历史出行模式，获取所述相邻两个历史路线规划请求是否为同程规划请求的具体实现步骤，可以是：

判断所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史出行模式是否相同，以及判断所述历史出行时间晚的历史路线规划请求对应的历史路线规划数据中的历史起终点距离是否小于所述历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离；

若是，则确定相邻两个历史路线规划请求中历史出行时间晚的历史路线规划请求为历史出行时间早的历史路线规划请求的同程途中规划请求；若否，则确定相邻两个历史路线规划请求中历史出行时间晚的历史路线规划请求不是历史出行时间早的历史路线规划请求的同程途中规划请求。

在一个具体的实施例中，上述步骤S3024中，获取所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的请求完成速度，具体可以通过下述步骤得到：

基于所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离和所述第二出行时间间隔确定所述历史出行时间早的历史路线规划请求的请求完成速度。

在一个具体实施例中，在选择的历史时间段内，将一个出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序之后，可以得到该出行对象的所有历史路线规划请求的数量。假设该出行对象的历史路线规划请求按照历史出行时间由早到晚的顺序进行排序，得到历史路线规划请求1-6共6个历史路线规划请求。

在确定这6个历史路线规划请求中的出行对象的历史真实路线规划请求时，首先，将历史路线规划请求1和2组成一组相邻历史路线规划请求，通过上述步骤S3021-S3026确定历史路线规划请求1是否为出行对象的历史真实路线规划请求，若是，则将历史路线规划请求1的标签记为1，若不是，则将历史路线规划请求1的标签记为0；

接着，将历史路线规划请求2和3组成一组相邻历史路线规划请求，采用与确定历史路线规划请求1是否为出行对象的历史真实路线规划请求相同的方式，确定历史路线规划请求2是否为出行对象的历史真实路线规划请求，若是，则将历史路线规划请求2的标签记为1，若不是，则将历史路线规划请求2的标签记为0；

对于历史路线规划请求3-5，也采用与上述确定历史路线规划请求1和2是否为出行对象的历史真实路线规划请求相同的方式，依次确定历史路线规划请求3-5是否为出行对象的历史真实路线规划请求，若是，则标签记为1，若否，则标签记为0；

最后，对历史路线规划请求1-5均确定是否为出行对象的历史真实路线规划请求之后，则历史路线规划请求1-5分别对应一个标签0或者1，只需将历史路线规划请求1-5中对应标签为1的请求筛选出来，就可以得到该出行对象的全部的历史真实路线规划请求。

在一个具体实施例中，对于得到的上述出行对象的历史路线规划请求1-6共6个历史路线规划请求，还可以按照下述方式确定这6个历史路线规划请求中的出行对象的历史真实路线规划请求：

首先，将这6个历史路线规划请求组成5组相邻历史路线规划请求，即将历史路线规划请求1和2、2和3、3和4、4和5、5和6分别组成一组相邻历史路线规划请求；

接着，对于每组相邻历史路线规划请求，通过上述步骤S3021-S3026分别确定历史路线规划请求1-5是否为出行对象的历史真实路线规划请求，若是，则将对应的历史路线规划请求的标签记为1，若不是，则将对应的历史路线规划请求的标签记为0；

最后，将历史路线规划请求1-5中对应标签为1的请求筛选出来，得到该出行对象的全部的历史真实路线规划请求。

本申请实施例中，针对每组相邻两个历史路线规划请求，可以首先计算该相邻两个历史路线规划请求的第二出行时间间隔，若该第二出行时间间隔小于等于预设的时间阈值，则会将该相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为出行对象的非历史真实路线规划请求；若该第二出行时间间隔大于预设的时间阈值，则进一步确定该相邻两个历史路线规划请求是否为同程途中规划请求，若两个历史路线规划请求为同程途中规划请求，则可以将该相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为出行对象的历史真实路线规划请求；若该相邻两个历史路线规划请求不是同程途中规划请求，则更进一步确定该相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的完成速度是否小于预设速度阈值，若是，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为出行对象的历史真实路线规划请求，若否，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为出行对象的非历史真实路线规划请求。

本申请实施例中，在确定相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求是否为出行对象的历史真实路线规划请求并进行标记时，可以将最终确定的出行对象的历史真实路线规划请求的标签记为1，而将最终确定的出行对象的非历史真实路线规划请求的标签记为0，这样对所有历史路线规划请求进行标记完成后，就可以将标签为1的历史路线规划请求筛选出来，得到出行对象的全部的历史真实路线规划请求。

上述用于与第二出行时间间隔进行比较的预设的时间阈值的大小可以根据实际情况或人工经验进行确定，例如可以是1分钟或5分钟。

上述预设速度阈值与历史出行时间早的历史规划路线请求对应历史路线规划数据中的历史出行模式相关，具体的可以是，不同类型的历史出行模式对应不同的预设速度阈值，该预设速度阈值可以根据实际情况或人工经验进行确定，例如，当出行模式为驾车时，驾车模式下预设速度阈值可以是小于200km/h、当出行模式为骑行时，骑行模式下预设速度阈值可以是小于60km/h、当出行模式为公交时，公交模式下预设速度阈值可以是小于150km/h、当出行模式为步行时，步行模式下预设速度阈值可以是小于30km/h。

实施例二

本申请实施例提供一种出行模式预测模型的训练方法，其流程参照图2所示，包括以下步骤：

S201、获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

S202、获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

S203、基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

S204、将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

本申请实施例中，上述步骤S201中的作为样本的历史路线规划请求是通过下述方式得到的：

S401：将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

S402：基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求；

S403：从得到的所述出行对象的多个历史真实路线规划请求中选定多个作为样本的历史路线规划请求。

在一个具体实施例中，上述步骤S401和S402的具体实现过程与上述实施例一中所描述的步骤S301和S302的具体实现过程相类似，具体的实现过程可以参照上述实施例一中的详细描述，本申请实施例中，在此不再赘述。

上述步骤S201中，所述样本路线规划数据中的对象起终点距离可以是对象起点与对象终点之间的直线距离，上述对象起点和对象终点，具体可以是对象起点的经纬度位置和对象终点的经纬度位置，其中，对象起点的经纬度位置可以通过定位得到，定位方式可以采用现有技术中的方式，例如，GPS定位，基站定位、WIFI辅助定位等。对象终点经纬度位置，一般是通过出行对象选择的终点在电子地图中确定的。

对象出行时间可以是出行对象在发起该历史真实路线规划请求时选的择出行时间，比如，出行对象下午15点通过地图导航App发起路线规划请求，但出行对象选择的出行时间是15:20，则此时出行时间为15:20；若出行对象在发起路线规划请求时没有选择出行时间，则可以将该出行对象发起路线规划请求的时间作为对象出行时间，比如，出行对象下午15点通过地图导航App发起路线规划请求，并且出行对象没有选择出行时间，则此时出行时间为15点。

同时，由于上述作为样本的历史路线规划请求为出行对象的历史真实路线规划请求，因此样本路线规划数据中还可以包括对象出行模式，即出行对象的出行模式真值信息。

上述步骤S202中，历史出行时间早于样本路线规划数据中的对象出行时间的历史路线规划请求，可以是，从出行对象的历史路线规划请求中筛选出的能代表出行对象的真实出行需求的历史真实路线规划请求。本申请实施例中，出行对象的历史路线规划请求中可能会有一些不能代表出行对象真实出行需求的历史规划路线。这是因为在进行路线规划时，导航服务器可能会推荐错误的出行模式、出行对象也可能误操作或者出行对象只是想对各种出行模式的规划路线的结果进行比较。因此，本方案中为了得到更准确的特征数据，可以在通过上述步骤S401和S402，确定出行对象的多个历史真实路线规划请求基础上，选定多个作为样本的历史路线规划请求之后，再从得到的所述出行对象的多个历史真实路线规划请求中，按照到作为样本的历史路线规划请求的对象出行时间由早到晚的顺序，从出行对象的多个历史真实路线规划请求中，选择预设数量的历史真实路线规划请求。当得到预设数量的历史真实路线规划请求之后，再获取该预设数量的历史真实路线规划请求对应的路线规划数据作为历史路线规划数据。

上述步骤S203中，基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据，该用于模型训练的特征数据可以是一个向量，并且，该样本路线规划数据中的对象出行模式可以作为用于模型训练的出行模式真值。该用于模型训练的特征数据所包含的各信息，可以用向量中的一个或多个参数来表示。例如，当样本路线规划数据为对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离时，由于样本路线规划数据中的对象出行模式可以作为用于模型训练的出行模式真值，不作为训练模型时的特征参数，如果对象起点、对象终点是通过经纬度位置来进行表达的，则对象起点由起点经度、起点纬度组成，对象终点由终点经度、终点纬度组成，所以根据样本路线规划数据可以生成一个6维特征。假设，上述历史路线规划数据为n个历史路线规划请求对应的路线规划数据，其中n为正整数，每个历史路线规划数据为历史出行模式、历史起终点距离以及历史出行时间，则根据n个历史路线规划数据可以生成一个3n维特征，最终，将该6维特征和3n维特征组合得到的用于模型训练的特征数据，即为一个包括3n+6维特征的向量。

当然本申请实施例中为了得到的训练用特征数据的信息更丰富，上述样本路线规划数据还可以包括出行对象的路线规划请求的其他信息，上述历史路线规划数据也可以包括历史路线规划请求的其他信息，例如兴趣点(Point of Interest，POI)信息，从而得到的特征数据中还可以包含POI参数。

本申请实施例中，为了使得到的用于模型训练的特征数据在模型训练过程中更便于进行运算和处理，可以将历史出行时间的参数替换为上述样本路线规划数据中的对象出行时间与历史路线规划数据中的历史出行时间的出行时间间隔的参数，则上述步骤S203，可以通过下述步骤来实现：

基于样本路线规划数据中的对象出行时间和历史路线规划数据中的历史出行时间，确定所述对象出行时间与所述历史出行时间的第三出行时间间隔；

至少基于所述第三出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行模式、所述对象出行时间和所述对象起终点距离，生成特征数据。

上述步骤S204中所描述的直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求，其具体流程包括以下步骤：

将所述样本路线规划数据中的所述对象出行模式与所述出行模式预测模型预测的出行模式进行比较，所述出行模式预测模型根据比较结果调整自身参数，直到所述模型的参数符合要求。

本申请实施例中，在进行出行模式预测模型的训练时，可以预先为待训练的出行模式预测模型设定一个训练目标，该训练目标可以是一个损失函数，则该训练目标对应的模型的参数，即为损失函数的损失，例如交叉熵损失。在模型训练过程中，通过将每个作为样本的历史路线规划请求的样本路线规划数据中的对象出行模式与所述出行模式预测模型预测的出行模式进行比较，得到损失函数的损失，出行模式预测模型该损失函数的损失对自身参数进行调整，得到调整后的出行模式预测模型。重复模型训练过程，直至该损失函数的损失无法再降低时，即该模型的参数符合要求时，模型训练结束，得到训练好的出行模式预测模型。

在一个优选的实施例中，在模型训练过程中，由于训练时的特征数据的数量有限，因此损失函数的损失最小时，得到的出行模式预测模型可能会出现过拟合，造成出行模式预测模型所预测出的出行模式的准确率可能不高。为了解决出行模式预测模型出现过拟合的问题，本申请实施例中，可以将多个作为样本的历史真实路线规划请求对应的特征数据划分为训练样本和测试样本，使用训练样本进行模型训练，并且在出行模式预测模型训练过程中，重复将测试样本输入到待训练的出行模式预测模型中，根据测试样本的对象出行模式与出行模式预测模型预测的预测结果进行比较，得到出行模式预测模型的出行模式预测的准确率，当出行模式预测的准确率最大时，确定模型的参数符合要求，将出行模式预测的准确率最大时的出行模式预测模型作为训练好的出行模式预测模型。

例如，训练时作为样本的历史路线规划请求个数为10000，则会得到10000组用于模型训练的特征数据。然后，将这10000组用于模型训练的特征数据中的8000组作为训练样本，剩余2000组作为测试样本。在训练出行模式预测模型时，先将8000组作为训练样本的用于模型训练的特征数据输入出行模式预测模型对模型进行训练，在训练过程中，重复将该2000组作为测试样本的用于模型训练的特征数据输入到训练中的出行模式预测模型，每输入一次就会得到2000个预测结果，将这2000个预测结果分别与作为样本的历史真实路线规划请求的对象出行模式真值，即样本路线规划数据中的对象出行模式进行比较；如果相同，则出行模式预测模型预测结果正确；如果不同，则出行模式预测模型预测结果错误。最终得到这2000个预测结果为正确的个数，假设正确的预测结果为1700个，则出行模式预测模型的准确率为85％。如果在出行模式预测模型训练的过程中，将该2000组测试样本输入训练中的出行模式预测模型的次数为10次，在这10次测试得到的出行模式预测模型的准确率分别是：40％、70％、72％、77％、81％、83％、84％、85％、84％、83％。那么，就可以选取准确率为85％时的出行模式预测模型，作为训练好的出行模式预测模型，而不会选择损失函数的损失最小时的出行模式预测模型，作为训练好的出行模式预测模型。

在一个优先的实施例中，如果在上述模型训练结束后，每次根据测试样本得到的出行模式预测模型的准确率均很低，训练得到的出行模式预测模型不能满足出行模式推荐的需求，还可以通过人工方式对出行模式预测模型的参数进行调整。再对参数调整后的出行模式预测模型进行训练，得到参数调整后的出行模式预测模型的准确率。重复上述确定出行模式预测模型的准确率，根据准确率调整参数，再对参数调整后的出行模式预测模型进行训练的过程；直至出行模式预测模型的准确率到达预设要求，得到训练好的预测模型。

本申请的发明人在实践中发现，如果直接利用实时的出行对象的路线规划数据进行出行模式预测的方法，从出行对象的实时路线规划数据提取特征，例如将对象起终点距离、对象起点、对象终点、对象出行时间等作为特征参数，以出行对象请求的出行模式作为真值进行模型训练，得到出行预测模型。由于这种出行预测模型训练时，使用的出行模式真值可能是导航服务器推荐的错误的出行模式，也可能是出行对象误操作的出行模式，还可能仅仅是出行对象在路线规划时对各种出行模式进行对比的结果，这些场景下的路线规划请求并非出行对象的真实出行需求。因此，训练时的实时路线规划数据和出行模式真值并非出行对象的真实出行需求，训练得到的出行模式预测模型的准确性无法得到保证，造成预测到的出行模式可能不符合出行对象的真实需求。

基于此，本申请的发明人提出了上述出行模式预测模型的训练方法，通过获取出行对象的历史真实路线规划请求，选定作为样本的历史路线规划请求并将作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据；基于样本路线规划数据和历史路线规划数据，得到用于模型训练的特征数据，使用该用于模型训练的特征数据对出行模式预测模型进行训练，确定预设的模型目标参数符合要求时，得到训练好的出行模式预测模型。

通过综合使用出行对象的样本路线规划数据和预设数量的历史路线规划数据，得到用于模型训练的特征数据。该用于模型训练的特征数据中既包含作为样本的历史路线规划请求所对应的真实路线规划数据，又包含历史出行时间早于作为样本的历史路线规划请求的预设数量的历史真实路线规划请求对应的真实历史路线规划数据。因此，训练得到的出行模式预测模型的准确率更高，有利于更好的对出行模式进行预测，使用该训练得到的出行模式预测模型预测得到的出行模式更符合出行对象的真实出行需求，减少了出行对象路线规划时，在出行模式之间的切换次数，从而降低出行对象的路线规划操作复杂度，节约出行对象的路线规划时间，提升了出行对象的用户体验，同时降低导航服务器的算路成本。

实施例三

在一个实施例中，参照图5所示，本申请实施例提供的出行模式推荐方法可以由该导航服务***中的导航服务器1执行。该导航服务***中，导航服务器1通过网络与终端设备2和数据服务器3连接。有路线规划需求的出行对象通过终端设备2发起路线规划请求时，终端设备2通过接入网实现与导航服务器1进行网络通信，响应于终端设备2的路线规划请求，导航服务器1可以实时获取出行对象的路线规划数据，该出行对象的路线规划数据包括对象起点、对象终点、对象出行时间和对象起终点距离。同时，导航服务器1通过与数据服务器3进行通信，得到出行对象的历史路线规划请求的数据并进行处理，从而获取出行对象的历史路线规划数据，该出行对象的历史路线规划数据包括历史出行模式、历史起终点距离和历史出行时间。导航服务器1基于该出行对象的路线规划数据和该出行对象的历史路线规划数据，生成特征数据并输入预先训练的出行模式预测模型，预测得到推荐给出行对象的出行模式。从而，导航服务器1可以基于该预测的推荐给出行对象的出行模式，进行路线规划及推荐，最终将确定出的出行模式以及对应的推荐路线发送到终端设备2。推荐给出行对象的出行模式和路线更符合出行对象的实际出行需求。

本申请实施例中导航服务器1基于得到的出行对象的出行模式进行路线规划的具体实现方式，可以参照现有技术中的描述，本申请实施例中对此不做限定。

本申请实施例中，数据服务器3中的历史路线规划请求的数据，可以是导航服务器1在为出行对象进行路线规划时得到并上传的数据，也可以是终端设备发起路线规划请求后，获取到导航服务器1推荐的规划路线时上传的数据。

本申请实施例中，导航服务器1和数据服务器3可以单独设置，也可以集成为一个服务器，或导航服务器1和数据服务器3可以由服务器集群实现。

本申请实施例中，该出行模式预测模型的训练过程也可以是在导航服务器1中执行的。在对出行模式预测模型进行训练时，导航服务器1通过与数据服务器3进行通信，得到出行对象的历史路线规划请求的数据并进行处理，得到作为样本的历史路线规划请求，从而进一步获取作为样本的历史路线规划请求对应的样本路线规划数据以及历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的史路线规划数据，该样本路线规划数据包括对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离，该历史路线规划数据包括历史出行模式、历史起终点距离和历史出行时间。导航服务器1基于该样本路线规划数据和该历史路线规划数据，生成用于模型训练的特征数据，并输入待训练的出行模式预测模型中进行训练，最终得到训练好的出行模式预测模型。

本申请实施例3中导航服务器实现出行对象的出行模式推荐，以及实现训练得到出行模式预测模型的具体过程，可以参考上述实施例1和实施例2中相应方法的详细描述，在此不再赘述。

本申请实施例提供的导航服务***，出行对象通过终端设备2向导航服务器1发送路线规划请求后，能够获取到满足真实路线规划需求的推荐出行模式和推荐路线，为出行对象的导航出行提供了更好的服务和用户体验。

本申请实施例的导航服务***中，导航服务器1基于实时获取的出行对象的路线规划数据，以及基于从数据服务器3获取的数据得到出行对象的历史路线规划数据，生成特征数据，在预先训练好的出行模式预测模型中使用该特征数据，预测出推荐给出行对象的出行模式。在出行模式预测时，不仅获取出行对象的实时路线规划信息，而且还从出行对象的历史路线规划请求的数据中获取到出行对象的历史路线规划信息，综合利用出行对象的历史和实时路线规划信息，提高了出行模式预测的准确性，不仅能够提升出行对象的用户体验，而且能够明显降低导航服务器的计算资源消耗。

下面举例说明出行对象借助终端设备中的地图导航应用实现路线规划，得到导航服务器推荐的出行模式和推荐的规划路线的实现过程。

在一个实施例中，参照图6a-图6c所示，假设出行对象通过操作终端设备，在终端设备中运行地图导航应用。若出行对象启动地图导航应用后，如图6a所示，在地图导航应用的界面中会显示当前位置(即“首都国际机场”)的地图信息。当出行对象在图6a所示的地图导航应用的界面的“搜索框”中输入目的地信息(即“首开广场”)并进行目的地搜索，则地图导航应用向导航服务器发出获取目的地对应的地图数据的请求，在接收目的地对应的地图数据之后，地图导航应用的界面转换到如图6b所示的搜索结果界面，在地图导航应用的界面中会显示目的地位置(即“首开广场”)的地图信息。假设，出行对象在如图6b所示的搜索结果界面中点击“路线”对应的操作区域，则通过地图导航应用向导航服务器发出了路线规划请求，进而导航服务响应于该路线规划请求，执行上述实施例中所描述的出行模式推荐方法，为出行对象准确地预测出其需要的出行模式，以及进行路线规划得到若干条推荐的规划路线，并返回至地图导航应用供出行对象选择，参照图6c所示的规划路线推荐界面，显示推荐的出行模式为“驾车”模式，并显示从当前位置(即“首都国际机场”)至目的地位置(即“首开广场”)所推荐的规划路线。

基于相同的发明构思，本申请实施例还提供一种出行模式推荐装置、出行模式预测模型的训练装置和出行模式推荐***、出行模式推荐服务、模型训练服务、计算机可读存储介质和导航设备。由于这些装置、终端和***所解决问题的原理与前述出行模式推荐方法、出行模式预测模型的训练方法相似，因此该装置、设备和***的实施可以参见前述方法的实施，重复之处不再赘述。

本申请实施例提供一种出行模式推荐装置，参照图7所示，包括：

第一信息获取模块101，用于响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：起点、终点、当前请求时间和起终点距离；

第二信息获取模块102，用于获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史请求时间；；

学习特征确定模块103，用于基于所述历史路线规划数据和所述路线规划数据，得到用于模型学习的特征数据；

预测模块104，用于将所述特征数据输入预先训练的出行模式预测模型中，预测推荐给出行对象的出行模式。

在一个实施例中，上述学习特征确定模块103，具体用于确定所述对象出行时间与所述历史出行时间的第一出行时间间隔；

至少基于所述第一出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行时间和所述对象起终点距离，生成特征数据。

在一个实施例中，上述第二信息获取模块102，具体用于从预先筛选的所述出行对象的历史真实路线规划请求中，按照到所述对象出行时间由早到晚的顺序，选择预设数量的历史真实路线规划请求；

获取所述预设数量的历史真实路线规划请求对应的历史路线规划数据。

在一个实施例中，上述第二信息获取模块102，具体用于将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求。

在一个实施例中，上述第二信息获取模块102，具体用于基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间，获取所述相邻两个历史路线规划请求的第二出行时间间隔；

基于所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史起终点距离和历史出行模式，获取所述相邻两个历史路线规划请求是否为同程规划请求；

当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值且所述相邻两个历史路线规划请求属于同程规划请求，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求。

在一个实施例中，上述第二信息获取模块102，具体用于获取所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的请求完成速度；

判断所述请求完成速度是否小于预设速度阈值，所述预设速度阈值与历史出行时间早的历史规划路线请求对应历史路线规划数据中的历史出行模式相关；

当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值、所述相邻两个历史路线规划请求不属于同程规划请求且所述请求完成速度小于所述预设速度阈值，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求。

在一个实施例中，上述第二信息获取模块102，具体用于基于所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离和所述第二出行时间间隔，确定所述历史出行时间早的历史路线规划请求的请求完成速度。

在一个实施例中，上述第二信息获取模块102，具体用于判断所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史出行模式是否相同，以及判断所述历史出行时间晚的历史路线规划请求对应的历史路线规划数据中的历史起终点距离是否小于所述历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离；

若是，则确定所述历史出行时间晚的历史路线规划请求为所述历史出行时间早的历史路线规划请求的同程途中规划请求。

本申请实施例提供一种出行模式预测模型的训练装置，参照图8所示，包括：

第三信息获取模块201，用于获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划样本请求的路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

第四信息获取模块202，用于获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史规划出行模式、历史规划出行距离和历史规划出行时间；

训练特征确定模块203，用于基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

模型训练模块204，用于将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

在一个实施例中，上述训练特征确定模块203，具体用于基于样本路线规划数据中的对象出行时间和历史路线规划数据中的历史出行时间，确定所述对象出行时间与所述历史出行时间的第三出行时间间隔；

至少基于所述第三出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行模式、所述对象出行时间和所述对象起终点距离，生成特征数据。

在一个实施例中，上述模型训练模块204，具体用于将所述样本路线规划数据中的所述对象出行模式与所述出行模式预测模型预测的出行模式进行比较，所述出行模式预测模型根据比较结果调整自身参数，直到所述模型的参数符合要求。

在一个实施例中，上述的出行模式预测模型的训练装置，还包括：样本获取模块200，用于从出行对象的历史路线规划请求中，选定多个作为样本的历史路线规划请求。

在一个实施例中，上述样本获取模块200，具体用于将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求；

从得到的所述出行对象的多个历史真实路线规划请求中选定多个作为样本的历史路线规划请求。

在一个实施例中，上述样本获取模块200，具体用于从得到的所述出行对象的多个历史真实路线规划请求中，按照到所述样本路线规划数据中所述对象出行时间由早到晚的顺序，选择预设数量的历史真实路线规划请求；

上述第四信息获取模块202，具体用于获取所述预设数量的历史真实路线规划请求对应的路线规划数据作为历史路线规划数据。

本申请实施例提供一种出行模式推荐***，参照图9所示，包括：导航服务器1和至少一个终端设备2，其中：

所述导航服务器1中设置上述的出行模式推荐装置，用于接收所述终端设备2发送的路线规划请求，以及将确定出的出行模式发送给所述终端设备2；

所述终端设备2用于将所述路线规划请求发送至所述导航服务器1，并接收所述导航服务器1返回的出行模式。

本申请实施例提供一种出行模式推荐服务，所述服务运行时执行上述的出行模式推荐方法。

本申请实施例提供一种模型训练服务，所述服务运行时执行上述的出行模式预测模型的训练方法。

本申请实施例提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述的出行模式推荐方法和/或上述的出行模式预测模型的训练方法。

本申请实施例提供一种导航设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的出行模式推荐方法和/或上述的出行模式预测模型的训练方法。

本申请实施例提供一种出行模式推荐方法、相关方法及装置和***，该出行模式推荐方法中，通过获得出行对象的路线规划数据和历史路线规划数据，基于路线规划数据和历史路线规划数据，得到特征数据，使用特征数据通过预先训练的出行模式预测模型预测推荐给出行对象的出行模式，由于特征数据综合了出行对象的历史数据(历史路线规划数据)和实时数据(路线规划请求中的路线规划数据)，并且，出行模式预测模型中更好的对出行模式进行预测，提高了出行模式预测的准确性，一方面减少出行对象路线规划时，在出行模式之间的切换次数，从而降低出行对象的路线规划操作复杂度，节约出行对象的路线规划时间，提升了出行对象的用户体验，同时降低导航服务器的算路成本。

除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算***、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理***的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理***的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本申请的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本申请。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本申请处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本申请单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本申请的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (19)

1.一种出行模式推荐方法，包括：

响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：对象起点、对象终点、对象出行时间和对象起终点距离；

获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

基于所述历史路线规划数据和所述路线规划数据，生成特征数据；

将所述特征数据输入预先训练的出行模式预测模型，预测推荐给所述出行对象的出行模式。

2.如权利要求1所述的方法，其中，所述基于所述历史路线规划数据和所述路线规划数据，生成特征数据，包括：

确定所述对象出行时间与所述历史出行时间的第一出行时间间隔；

至少基于所述第一出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行时间和所述对象起终点距离，生成特征数据。

3.如权利要求1所述的方法，其中，所述获取所述出行对象的历史路线规划数据，包括：

从预先筛选的所述出行对象的历史真实路线规划请求中，按照到所述对象出行时间由早到晚的顺序，选择预设数量的历史真实路线规划请求；

获取所述预设数量的历史真实路线规划请求对应的历史路线规划数据。

4.如权利要求3所述的方法，其中，所述方法进一步包括：

将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求。

5.如权利要求4所述的方法，其中，所述基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求，具体包括：

基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间，获取所述相邻两个历史路线规划请求的第二出行时间间隔；

基于所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史起终点距离和历史出行模式，获取所述相邻两个历史路线规划请求是否为同程规划请求；

当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值且所述相邻两个历史路线规划请求属于同程规划请求，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求。

6.如权利要求5所述的方法，其中，所述方法进一步包括：

获取所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的请求完成速度；

判断所述请求完成速度是否小于预设速度阈值，所述预设速度阈值与历史出行时间早的历史规划路线请求对应历史路线规划数据中的历史出行模式相关；

当所述相邻两个历史路线规划请求的第二出行时间间隔大于预设的时间阈值、所述相邻两个历史路线规划请求不属于同程规划请求且所述请求完成速度小于所述预设速度阈值，则将所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求记为所述出行对象的历史真实路线规划请求。

7.如权利要求6所述的方法，其中，所述获取所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求的请求完成速度，具体包括：

基于所述相邻两个历史路线规划请求中历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离和所述第二出行时间间隔，确定所述历史出行时间早的历史路线规划请求的请求完成速度。

8.如权利要求5-7任一项所述的方法，其中，所述基于所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史起终点距离和历史出行模式，获取所述相邻两个历史路线规划请求是否为同程规划请求，具体包括：

判断所述相邻两个历史路线规划请求对应的历史路线规划数据中的历史终点、历史出行模式是否相同，以及判断所述历史出行时间晚的历史路线规划请求对应的历史路线规划数据中的历史起终点距离是否小于所述历史出行时间早的历史路线规划请求对应的历史路线规划数据中的历史起终点距离；

若是，则确定所述历史出行时间晚的历史路线规划请求为所述历史出行时间早的历史路线规划请求的同程途中规划请求。

9.一种出行模式预测模型的训练方法，包括：

获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

10.如权利要求9所述的方法，其中，所述基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据，包括：

基于样本路线规划数据中的对象出行时间和历史路线规划数据中的历史出行时间，确定所述对象出行时间与所述历史出行时间的第三出行时间间隔；

至少基于所述第三出行时间间隔、所述历史出行模式、所述历史起终点距离、所述对象起点、所述对象终点、所述对象出行模式、所述对象出行时间和所述对象起终点距离，生成特征数据。

11.如权利要求9所述的方法，其中，所述直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求，包括：

将所述样本路线规划数据中的所述对象出行模式与所述出行模式预测模型预测的出行模式进行比较，所述出行模式预测模型根据比较结果调整自身参数，直到所述模型的参数符合要求。

12.如权利要求9-11任一项所述的方法，其中，所述获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据之前，还包括：从出行对象的历史路线规划请求中，选定多个作为样本的历史路线规划请求。

13.如权利要求12所述的方法，其中，所述从出行对象的历史路线规划请求中，选定多个作为样本的历史路线规划请求，包括：

将所述出行对象的历史路线规划请求按历史出行时间由早到晚的顺序进行排序；

基于相邻两个历史路线规划请求对应的历史路线规划数据中的历史出行时间、历史出行模式、历史终点及历史起终点距离，确定所述出行对象的历史真实路线规划请求；

从得到的所述出行对象的多个历史真实路线规划请求中选定多个作为样本的历史路线规划请求。

14.如权利要求13所述的方法，其中，所述获取历史出行时间早于所述样本路线规划数据中所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，包括：

从得到的所述出行对象的多个历史真实路线规划请求中，按照到所述样本路线规划数据中所述对象出行时间由早到晚的顺序，选择预设数量的历史真实路线规划请求；

获取所述预设数量的历史真实路线规划请求对应的路线规划数据作为历史路线规划数据。

15.一种出行模式推荐装置，包括：

第一信息获取模块，用于响应于路线规划请求，获得出行对象的路线规划数据，所述路线规划数据至少包括：对象起点、对象终点、对象出行时间和对象起终点距离；

第二信息获取模块，用于获取所述出行对象的历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

学习特征确定模块，用于基于所述历史路线规划数据和所述路线规划数据，得到用于模型学习的特征数据；

预测模块，用于将所述特征数据输入预先训练的出行模式预测模型中，预测推荐给出行对象的出行模式。

16.一种出行模式预测模型的训练装置，包括：

第三信息获取模块，用于获取作为样本的历史路线规划请求对应的路线规划数据作为样本路线规划数据，所述样本路线规划数据至少包括：对象起点、对象终点、对象出行模式、对象出行时间和对象起终点距离；

第四信息获取模块，用于获取历史出行时间早于所述样本路线规划数据中的所述对象出行时间的历史路线规划请求对应的路线规划数据作为历史路线规划数据，所述历史路线规划数据至少包括：历史出行模式、历史起终点距离和历史出行时间；

训练特征确定模块，用于基于所述样本路线规划数据和所述历史路线规划数据，得到用于模型训练的特征数据；

模型训练模块，用于将所述特征数据作为待训练的出行模式预测模型的输入，对所述模型进行训练，直到根据所述样本路线规划数据中的对象出行模式，确定所述模型的参数符合要求。

17.一种出行模式推荐***，包括：导航服务器和至少一个终端设备，其中：

所述导航服务器中设置权利要求15所述的出行模式推荐装置，用于接收所述终端设备发送的路线规划请求，以及将确定出的出行模式发送给所述终端设备；

所述终端设备用于将所述路线规划请求发送至所述导航服务器，并接收所述导航服务器返回的出行模式。

18.一种出行模式推荐服务，所述服务运行时执行所述权利要求1-8所述的出行模式推荐方法。

19.一种模型训练服务，所述服务运行时执行所述权利要求9-14所述的出行模式预测模型的训练方法。

Images