CN114596075A - 出行状态确定方法、装置、设备、存储介质及程序 - Google Patents

Abstract

本公开提供了出行状态确定方法、装置、设备、存储介质及程序，涉及人工智能领域，尤其涉及大数据、深度学习技术领域。具体实现方案为：获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；第一采集数据包括轨迹数据，M种交通类型包括非公共交通类型和M‑1种公共交通类型；根据M种交通类型对应的交通路网数据、以及第一采集数据，在M种交通类型中确定用户当前出行采用的目标交通类型；若目标交通类型为M‑1种公共交通类型中的一种，则根据目标交通类型对应的交通路网数据，确定用户的出行状态信息，出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。上述出行状态信息用于提示用户。

Description

出行状态确定方法、装置、设备、存储介质及程序

技术领域

本公开涉及人工智能中的大数据、深度学习技术领域，尤其涉及一种出行状态确定方法、装置、设备、存储介质及程序。

背景技术

随着公共交通的发展，越来越来的用户选择乘坐公共交通出行。

目前，用户在乘坐公共交通出行时，需要用户主动地去关注自己的出行状态。例如，用户在乘坐地铁出行时，需要经常抬头或者起身查看地铁车厢内的站点闪灯图，或者，需要注意倾听地铁车厢内的语音播报，以避免错过站点。这样，用户在出行过程中无法专心、沉浸式的做其他事情，例如，听音乐、刷新闻、看书学习等。

发明内容

本公开提供了一种出行状态确定方法、装置、设备、存储介质及程序。

根据本公开的第一方面，提供了一种出行状态确定方法，包括：

获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数；

根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；

若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

根据本公开的第二方面，提供了一种出行状态确定装置，包括：

获取模块，用于获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数；

第一确定模块，用于根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；

第二确定模块，用于若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例提供的一种应用场景的示意图；

图2为本公开实施例提供的一种出行状态确定方法的流程示意图；

图3为本公开实施例提供的另一种出行状态确定方法的流程示意图；

图4为本公开实施例提供的又一种出行状态确定方法的流程示意图；

图5为本公开实施例提供的层次化识别过程的示意图；

图6为本公开实施例提供的目标交通类型的识别过程的时序示意图；

图7为本公开实施例提供的一种出行状态确定装置的结构示意图；

图8为本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供一种出行状态确定方法、装置、设备、存储介质及程序，应用于人工智能中的大数据、深度学习等技术领域，以提供一种能够自动识别用户出行状态的方式。

本公开实施例中，通过自动识别用户的出行状态，进而可以通过终端设备向用户提示该出行状态，从而避免出现用户错过站点的情况。这样，用户在乘坐公共交通的出行场景中，无需花费较多的精力去主动关注自己的出行状态，从而可以专心的做其他事情，提升用户出行体验。

为了便于理解本公开的技术方案，下面结合图1对本公开实施例的应用场景进行说明。

图1为本公开实施例提供的一种应用场景的示意图。如图1所示，该应用场景包括：终端设备、数据库和出行状态确定装置。

其中，数据库可以存储M种交通类型对应的交通路网数据，M种交通类型包括：非公共交通类型和M-1种公共交通类型，M为大于1的整数。本公开实施例中，M-1种公共交通类型包括下述类型中的至少一种：公交车类型、地铁类型、高铁类型、火车类型、轻轨类型等。非公共交通类型可以为驾车、自行车、步行等。图1中，以M＝3为例进行示例，例如，公共交通类型A可以为非公共交通类型，交通类型B可以为地铁类型，交通类型C可以为公交车类型。

终端设备可以是用户出行过程中随身携带的电子设备，包括但不限于：智能手机、笔记本电脑、平板电脑、智能手表、智能眼镜等。在用户出行过程中，终端设备可以采集各种数据，例如，采集轨迹数据等。并将采集数据上报至出行状态确定装置。

出行状态确定装置可以为软件和/或硬件的形式。一些示例中，出行状态确定装置可以部署到服务器中。另一些示例中，出行状态确定装置还可以部署到终端设备中。本实施例对此不做限定。

参见图1，出行状态确定装置可以从数据库中获取M种交通类型对应的交通路网数据、以及终端设备在预设时段内采集到的采集数据，并根据上述获取到的数据，在M种交通类型中确定出用户当前出行采用的目标交通类型。应理解，目标交通类型为非公共交通类型，或者，为M-1种公共交通类型中的一种。

进而，若目标交通类型是M-1种公共交通类型中的一种，则根据该目标交通类型对应的交通路网数据，确定用户的出行状态信息。出行状态信息可以包括：目标交通线路、当前站点、下一站点中的至少一项。

通过上述过程，出行状态确定装置可以自动识别得到用户的出行状态信息。进一步的，继续参见图1，出行状态确定装置还可以将用户的出行状态信息提供给终端设备，终端设备向用户输出该出行状态信息，以避免用户错过站点。这样，用户在乘坐公共交通的出行场景中，无需花费较多的精力去主动关注自己的出行状态，从而可以专心的做其他事情，提升用户出行体验。

基于上述应用场景，下面结合几个具体的实施例对本公开技术方案进行详细说明。下面几个具体的实施例可以相互结合，对于相同或者相似的概念或过程，可能在某些实施例中不做赘述。

图2为本公开实施例提供的一种出行状态确定方法的流程示意图。本实施例的方法可以由图1中的出行状态确定装置执行。如图2所示，本实施例的方法包括：

S201：获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数。

本实施例中，出行状态确定装置可以从数据库获取M种交通类型对应的交通路网数据。出行状态确定装置还可以从终端设备获取上述第一采集数据。

其中，非公共交通类型可以为采用驾车、骑自行车、步行等出行方式的交通类型。M-1种公共交通类型包括：公交车类型、地铁类型、高铁类型、火车类型、轻轨类型中的至少一种。

针对非公共交通类型，其对应的交通路网数据包括：某个区域(例如国家、城市、区县的)内的道路的分布、走向、路口位置等。

针对每种公共交通类型，其对应的交通路网数据包括：该公共交通类型对应的N条预设交通线路的路径信息，N为大于或等于1的整数。举例而言，地铁类型对应的交通路网数据包括：地铁1号线的路径信息、地铁2号线的路径信息、地铁3号线的路径信息等。公交车类型对应的交通路网数据包括：公交1号线的路径信息、公交2号线的路径信息、公交3号线的路径信息等。其中，每条预设交通线路的路径信息中包括多个站点的位置信息。

第一预设时段是指当前时刻之前的一个时段。例如，假设当前时刻为时刻T，预设时段的时长为Δt，则第一预设时段可以为时刻(T-Δt)至时刻T之间的时段。

第一采集数据是指终端设备在第一预设时段内采集到的数据。第一采集数据包括轨迹数据。示例性的，终端设备中设置有定位装置，例如全球定位***(GlobalPositioning System，GPS)定位装置。终端设备可以实时获取自身的定位信息，并将自身的定位信息上报至出行状态确定装置。这样，终端设备在第一预设时段内上报的定位信息即可形成终端设备的轨迹数据。

S202：根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

本实施例中，出行状态确定装置通过对M种交通类型对应的交通路网数据、以及第一采集数据进行分析，可以识别出用户当前出行采用的目标交通类型。其中，目标交通类型为非公共交通类型，或者，目标交通类型为M-1种公共交通类型中的一种。

一种可能的实现方式中，可以将第一采集数据中的轨迹数据与M种交通类型对应的交通路网数据进行匹配。例如，若轨迹数据与地铁类型对应的交通路网数据匹配，则确定目标交通类型为地铁类型。若轨迹数据与高铁类型对应的交通路网数据匹配，则确定目标交通类型为高铁类型。

另一种可能的实现方式中，还可以采用机器学习的方式，预先训练得到交通类型识别模型，交通类型识别模型具有识别用户出行所采用的交通类型的能力。通过该模型对M种交通类型对应的交通路网数据、以及第一采集数据进行分析，确定出用户当前出行采用的目标交通类型。

本实施例中，第一采集数据除了包括轨迹数据之外，还可以其他数据。也就是说，终端设备不仅采集轨迹数据，还可以采集其他维度的数据，并上报至出行状态确定装置。

可选的，第一采集数据包括轨迹数据和传感数据。示例性的，终端设备中设置有一种或多种传感器，例如：陀螺仪、加速仪、气压计等。终端设备可以通过传感器采集得到传感数据，并上报至出行状态确定装置。其中，传感数据包括：气压计数据、陀螺仪数据、加速仪数据中的至少一种。

应理解，当用户乘坐不同交通工具出行时，传感器采集到的传感数据的特征是不同的。以地铁出行场景和驾车出行场景为例，该两种出行场景在气压、速度、加速度等方面均存在明显差异。因此，传感数据也可用来识别用户当前出行的交通类型。

该方式中，第一采集数据包括轨迹数据和传感数据，使得在确定目标交通类型时，不仅依据轨迹信息，还依据传感数据，从而提高识别出的目标交通类型的准确性。

可选的，第一采集数据包括轨迹数据和短距离通信连接数据。示例性的，终端设备中设置有一种或者多种短距离通信装置，例如：蓝牙、Wi-Fi等。终端设备可以主动触发短距离通信装置启动扫描，以采集得到短距离通信连接数据，并上报至出行状态确定装置。其中，短距离通信连接数据包括：蓝牙连接数据、Wi-Fi连接数据中的至少一种。蓝牙连接数据包括但不限于：终端设备中的蓝牙装置扫描到的蓝牙设备的类型、数量、信号强度等。Wi-Fi连接数据包括但不限于：终端设备中的Wi-Fi装置扫描到的Wi-Fi设备的类型、数量、信号强度等。

应理解，当用户乘坐不同交通工具出行时，终端设备采集到的短距离通信连接数据有所差异。以驾车出行场景和地铁出行场景为例进行举例说明，在驾车出行场景中，终端设备扫描到的蓝牙设备始终为车载蓝牙，扫描到的Wi-Fi设备始终为车载Wi-Fi；而在地铁出行场景中，终端设备扫描到的蓝牙设备/Wi-Fi设备的相关信息(数量、类型、信号强度等)随着站点发生变化。因此，短距离通信连接数据也可用来识别用户当前出行的交通类型。

该方式中，第一采集数据包括轨迹数据和短距离通信连接数据，使得在确定目标交通类型时，不仅依据轨迹信息，还依据短距离通信连接数据，从而提高识别出的目标交通类型的准确性。

可选的，第一采集数据包括轨迹数据、传感数据和短距离通信连接数据。这样，在确定目标交通类型时，不同考虑轨迹数据、传感数据和短距离通信连接数据，能够进一步提高识别出的目标交通类型的准确性。

一种可能的实现方式中，还可以获取用户的历史出行数据，所述历史出行数据包括：历史出行时间和历史交通类型。例如，用户曾经在什么时间采用何种交通方式出行。进而，根据所述历史出行数据、所述M种交通类型对应的交通路网数据、以及第一采集数据，确定用户当前出行采用的目标交通类型。

该方式中，在确定目标交通类型时，还考虑用户的历史出行数据，用户的历史出行数据可以为本次交通类型的确定提供指导，提高确定出的目标交通类型的准确性。

S203：若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

其中，目标交通线路是指用户当前乘坐的交通线路，例如，地铁2号线、公交3号线等。目标交通线路上包括多个站点，当前站点是指用户当前到达的站点或者最新经过的站点，下一站点是指用户即将到达的下一个站点。

本实施例中，若目标交通类型为非公共交通类型，则说明用户当前可能采用驾车、自行车、步行等方式出行。该情况下，无需进一步自动识别用户的出行状态。

若目标交通类型为M-1种公共交通类型中的一种，则说明用户当前采用公共交通方式出行。该情况下，继续执行S203来进一步自动识别用户的出行状态。

一种可能的实现方式中，假设出行状态信息包括：目标交通线路、当前站点和下一站点；可以采用如下方式确定出行状态信息：将第一采集数据中的轨迹数据与目标交通类型对应的N条预设交通线路的路径信息进行匹配，以在所述N条预设交通线路中确定出所述目标交通线路；获取终端设备的实时位置信息，将实时位置信息与目标交通线路的路径信息进行匹配，确定出当前站点和下一站点。

举例说明，假设目标交通类型为地铁类型，地铁类型对应的交通路网数据中包括：10条地铁线路的路径信息，每条路径信息中包括多个站点的位置信息。可以通过将第一采集数据中的轨迹数据与上述10条地铁线路的路径信息进行比对，确定出用户当前乘坐的是哪条地铁线路。假设确定出的目标交通线路为地铁5号线，再将终端设备的当前位置信息与地铁5号线的各站点的位置信息进行匹配，确定出当前站点和下一站点。

应理解，本实施例中S203可以循环执行多次，也就是说，在确定用户乘坐公共交通出行之后，可以每隔预设时间间隔获取一次终端设备的实时位置信息，并将实时位置信息与目标交通线路的路径信息进行匹配，从而实现当前站点和下一站点的及时更新。

本实施例中，当出行状态确定装置部署在终端设备时，出行状态确定装置确定出出行状态信息之后，可以通过终端设备的显示屏幕显示该出行状态信息，以提示用户。当出行状态确定装置部署在服务器时，出行状态确定装置确定出出行状态信息之后，可以向终端设备发送该出行状态信息，以便终端设备显示该出行状态信息，从而提示用户。需要说明的是，本实施例对于终端设备对出行状态信息的显示方式不做限定。

本实施例提供的出行状态确定方法，包括：获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型；根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。通过上述方式，实现了出行状态信息的自动识别，出行状态信息用于提醒用户，可以避免用户错过站点。这样，用户在乘坐公共交通出行的场景中，无需花费较多的精力去主动关注自己的出行状态，从而可以专心的做其他事情，提升用户出行体验。

为使读者更深刻地理解本公开的实现原理，现结合以下图3-图6对图2所示的实施例进行进一步细化。

图3为本公开实施例提供的另一种出行状态确定方法的流程示意图。如图3所示，本实施例的方法包括：

S301：获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数。

应理解，S301的实现方式可以参见图2中S201的详细描述，此处不做赘述。

S302：对所述M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征。

本实施例中，可以根据第一采集数据中的轨迹数据与每种交通类型对应的交通路网数据之间的匹配情况，构建得到第一出行特征。示例性的，第一出行特征可以包括：终端设备的轨迹与路网中各条道路之间的距离、夹角等信息，还可以包括：终端设备的轨迹与预设交通线路之间的距离、夹角等信息。

可选的，若第一采集数据中还包括传感数据，则还可以对传感数据进行特征提取。该情况下，第一出行特征中还可以包括：从传感数据中提取得到的特征，例如：终端设备的移动速度、加速度、气压信息等。

可选的，若第一采集数据中还包括短距离通信连接数据，则还可以对短距离通信连接数据进行特征提取。该情况下，第一出行特征中还可以包括：从短距离通信连接数据中提取得到的特征，例如：扫描到的蓝牙设备的特征、扫描到的Wi-Fi设备的特征等。

S303：通过预设的交通类型识别模型对所述第一出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第一概率。

其中，交通类型识别模型可以为预先训练得到的机器学习模型。本实施例对于交通类型识别模型的结构以及训练过程不做限定。示例性的，将第一出行特征输入交通类型识别模型，交通类型识别模型输出M种交通类型对应的第一概率。

S304：根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

示例性的，可以在M种交通类型各自对应的第一概率中，确定出最大概率，将最大概率对应的交通类型确定为目标交通类型。

S305：若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

应理解，S305的实现方式可以参见图2中S203的详细描述，此处不做赘述。

本实施例中，通过对M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征，进而，利用交通类型识别模型对第一出行特征进行处理，确定出用户当前出行采用的目标交通类型，从而，提高了目标交通类型的准确性。

图4为本公开实施例提供的又一种出行状态确定方法的流程示意图。如图4所示，本实施例的方法包括：

S401：获取M种交通类型对应的交通路网数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数。

S402：获取终端设备的当前位置信息。

本实施例中，S401和S402的执行顺序不做限定，二者顺序可以互换，或者，二者可以同步执行。

S403：根据所述当前位置信息、以及所述M种交通类型对应的交通路网数据，确定用户是否处于出行状态。

若是，则继续执行S404。

若否，则结束。

示例性的，将当前位置信息分别与每种交通类型对应的交通路网数据进行比对，确定终端设备的当前位置是否位于某种交通类型对应的交通路网上。若终端设备的当前位置位于某种交通类型对应的交通路网上，则确定用户处于出行状态；若终端设备的当前位置没有位于任何一种交通类型对应的交通路网上，则确定用户不处于出行状态。

可选的，S403中在确定用户是否处于出行状态时，除了可以参考M种交通类型对应的交通路网数据，还可以参考楼块数据。示例性的，将当前位置信息与楼块数据进行比对，若终端设备的当前位置处于楼块内，则说明用户当前位于楼块内，不处于出行状态。这样，可以进一步提高出行状态识别结果的准确性。

本实施例中，S402和S403的目的是过滤掉用户明显没有乘坐公共交通的场景。在识别到用户处于出行状态的情况下，说明用户可能采用非公共交通出行，也可能采用某一种公共交通出行，可以通过执行后续步骤，进一步识别用户采用的目标交通类型。

S404：获取终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据。

S405：对所述M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征。

S406：通过预设的交通类型识别模型对所述第一出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第一概率。

本实施例中，S405和S406的实现方式可以参见S302和S303的详细描述，此处不做赘述。

本实施例与图3所示实施例的一个不同之处在于，本实施例考虑到实际交通场景中，可能存在两种不同交通类型的路网为平行路的场景。例如，某条地铁线路设置在某条道路的下方，则该条地铁线路与该条道路为平行路。该情况下，若地铁类型或非公共交通类型对应的概率为最大概率，则有可能存在误判的情况。

因此，本实施例中，在确定出M种交通类型各自对应的第一概率之后，不是直接将最大概率对应的交通类型确定为目标交通类型，而是根据M种交通类型各自对应的第一概率，确定交通类型识别模型本次识别结果的准确性(即S407)。在认为本次识别结果的准确性较高的情况下，才将最大概率对应的交通类型确定为目标交通类型(即S408)。在认为本次识别结果的准确性不高的情况下，利用更丰富的特征信息进行更精细的识别过程(即S409-S412)。

S407：确定所述M种交通类型各自对应的第一概率是否满足预设条件：最大概率与其他任一概率之差均大于或等于预设阈值。

示例性的，在M种交通类型各自对应的第一概率中，确定出最大概率，分别计算最大概率与其他任一概率的差值。若所有差值均大于或等于预设阈值，则说明最大概率明显高于其他任一概率，该情况下，认为当前场景为非平行路场景，交通类型识别模型的识别结果的准确性较高，继续执行S408。若存在某些差值小于预设阈值，则说明存在其他概率与最大概率较为接近，该情况下，认为当前场景可能为平行路场景，交通类型识别模型可能存在误判的情况，继续执行S409-S412。

S408：将所述最大概率对应的交通类型，确定为用户当前出行采用的目标交通类型。

S409：获取所述终端设备在第二预设时段内采集到的第二采集数据；其中，所述第二预设时段的时长大于所述第一预设时段的时长，所述第二采集数据包括：传感数据、短距离通信连接数据和轨迹数据。

一个示例中，第二预设时段可以位于第一预设时段之后。例如，假设第一预设时段为时刻(T-Δt1)至时刻T，则第二预设时段可以为时刻T至时刻(T+Δt2)，其中，Δt2＞Δt1。

另一个示例中，第二预设时段可以包含第一预设时段。例如，假设第一预设时段为时刻(T-Δt1)至时刻T，则第二预设时段可以为时刻(T-Δt2)至时刻T，其中，Δt2＞Δt1。

本实施例中，第二采集数据比第一采集数据包含的内容更多。例如，第一采集数据包括轨迹数据，第二采集数据除了包括轨迹数据之外，还可以包括传感数据和短距离连接数据。

进一步的，出行状态确定装置可以根据所述M种交通类型对应的交通路网数据、以及所述第二采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。具体参见S410至S412的描述。

S410：对所述M种交通类型对应的交通路网数据、以及所述第二采集数据进行特征提取，得到第二出行特征。

S411：通过所述交通类型识别模型对所述第二出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第二概率。

应理解，S410和S411的实现方式与S302和S303类似，此处不做赘述。

S412：将所述M种交通类型各自对应的第二概率中的最大概率对应的交通类型，确定为用户当前出行采用的目标交通类型。

本实施例中，由于第二预设时段的时长大于第一预设时段的时长，并且，第二采集数据比第一采集数据包含的内容更多，因此，S410中提取得到的第二出行特征比S405中提取得到的第一出行特征更加丰富，进而，交通类型识别模型对第二出行特征进行处理，得到的M种交通类型各自对应的第二概率更加准确。因此，将最大概率对应的交通类型确定为目标交通类型，提高了目标交通类型的准确性。

S413：若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

应理解，S413的实现方式与图2中S203类似，此处不做赘述。

上述图4所示实施例中，在识别目标交通类型时采用了层次化识别(或者称为“分步识别”)的方式。图5为本公开实施例提供的层次化识别过程的示意图。如图5所示，目标交通类型的识别过程分为三步：

第一步：粗识别。

其中，粗识别对应图4中的S401至S403。利用终端设备的当前位置信息、以及M种交通类型对应的交通路网数据，识别用户当前是否处于出行状态。若用户当前不处于出行状态(即非出行场景)，则结束，不再进行后续的识别过程。若用户当前处于出行状态(即出行场景)，则继续后续的再识别步骤。由此可见，通过第一步的粗识别，可以排除明显的非出行场景。

第二步：再识别。

其中，再识别对应图4中的S404至S408。参见图5，对终端设备在第一预设时段内采集的第一采集数据(轨迹数据)、以及M种交通类型对应的交通路网数据进行特征提取，得到第一出行特征，通过交通类型识别模型对第一出行特征进行处理，得到M种交通类型各自对应的第一概率。若M种交通类型各自对应的第一概率满足预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则说明当前场景为非平行路场景，该情况下，将最大概率对应的交通类型确定为目标交通类型。

若M种交通类型各自对应的第一概率不满足上述预设条件，则说明当前场景为平行路场景，该情况下，继续执行后续的精细识别步骤。

第三步：精细识别。

其中，精细识别对应图4中的S409至S412。参见图5，对终端设备在第二预设时段内采集的第二采集数据(轨迹数据、传感数据、短距离通信连接数据)、以及M种交通类型对应的交通路网数据进行特征提取，得到第二出行特征。通过交通类型识别模型对第二出行特征进行处理，得到M种交通类型各自对应的第二概率。将最大概率对应的交通类型，确定为目标交通类型。

本实施例中，通过采用“粗识别、再识别、精细识别”多层次的识别方式，能够提高识别出的目标交通类型的准确性，并且，本公开技术方案可适用于各种场景，提高了应用场景的灵活性。针对非平行路场景，只需要粗识别和在识别即可得到识别结果，提高了识别效率；针对平行路场景，除了粗识别和再识别之外，还需要精细识别，提高了识别结果的准确性。

在上述图4或图5所示实施例的基础上，下面结合图6对本公开中的目标交通类型的识别过程进行举例说明。

图6为本公开实施例提供的目标交通类型的识别过程的时序示意图。如图6所示，本实施例的识别过程包括：

(1)在时刻T0开启粗识别。

一个示例中，终端设备中安装有地图应用。在时刻T0，终端设备检测到用户开启地图应用，响应于检测到该启动操作，终端设备向出行状态确定装置发送识别请求，识别请求中包括终端设备的当前位置信息。该示例中，终端设备可以为手机等。

另一个示例中，当用户需要终端设备提示出行状态信息时，用户可以向终端设备输入预设指令。例如，用户可以将预设开关置为开启状态。终端设备根据预设指令，向出行状态确定装置发送识别请求，识别请求中包括终端设备的当前位置信息。该示例中，终端设备可以为智能手表等。

出行状态确定装置接收到识别请求之后，根据终端设备的当前位置信息和M种交通类型对应的交通路网数据进行粗识别，以确定用户是否处于出行状态。其中，粗识别的具体过程可以参见图4或图5所示实施例的详细描述，此处不做赘述。

(2)在时刻T1粗识别过程结束。

在识别到用户处于出行状态的情况下，出行状态确定装置向终端设备发送第一指令，用于指示终端设备开始上报采集数据。从时刻T1开始，终端设备采集数据并上报至出行状态确定装置。

(3)在时刻T2开启再识别。

在时刻T2，出行状态确定装置根据终端设备在第一预设时段(时刻T1至时刻T2)内采集的第一采集数据(包括轨迹数据)、以及M种交通类型对应的交通路网数据，开启再识别过程。其中，再识别的具体过程可以参见图4或图5所示实施例的详细描述，此处不做赘述。

(4)在时刻T3开启精细识别。

在时刻T3，出行状态确定装置根据终端设备在第二预设时段内采集的第二采集数据(包括轨迹数据、传感数据、短距离通信连接数据)、以及M种交通类型对应的交通路网数据，开启精细识别过程。其中，精细识别的具体过程可以参见图4或图5所示实施例的详细描述，此处不做赘述。

应理解，上述的第二预设时段可以为时刻T1至时刻T3之间的时段，也可以为时刻T2至时刻T3之间的时段，本实施例对此不作限定。

一种可能的实现方式中，精细识别的过程可以执行多轮。参见图6，在时刻T3开启第1轮精细识别之后，还可以在时刻T4开启第2轮精细识别。

(5)在时刻T4开启新一轮精细识别。

在时刻T4，出行状态确定装置根据终端设备在第二预设时段(例如：T1至T4之间的时段，或者T2至T4之间的时段，或者T3至T4之间的时段)内采集的第二采集数据(包括轨迹数据、传感数据、短距离通信连接数据)、以及M种交通类型对应的交通路网数据，开启精细识别过程。

需要说明的是，本实施例对于精细识别的循环执行次数不做限定。后一轮精细识别的结果可用于对前一轮精细识别的结果进行修正。通过采用多轮精细识别，可以进一步提高目标交通类型的准确性。

图7为本公开实施例提供的一种出行状态确定装置的结构示意图。如图7所示，本实施例提供的出行状态确定装置700，包括：获取模块701、第一确定模块702和第二确定模块703。其中，

获取模块701，用于获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数；

第一确定模块702，用于根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；

第二确定模块703，用于若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

一种可能的实现方式中，所述第一确定模块702包括：

特征提取单元，用于对所述M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征；

处理单元，用于通过预设的交通类型识别模型对所述第一出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第一概率；

第一确定单元，用于根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

一种可能的实现方式中，所述第一确定单元包括：

第一确定子单元，用于若所述M种交通类型各自对应的第一概率满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则将所述最大概率对应的交通类型，确定为所述目标交通类型。

一种可能的实现方式中，所述确定单元包括：

获取子单元，用于若所述M种交通类型各自对应的第一概率不满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则获取所述终端设备在第二预设时段内采集到的第二采集数据；其中，所述第二预设时段的时长大于所述第一预设时段的时长，所述第二采集数据包括：传感数据、短距离通信连接数据和轨迹数据；

第二确定子单元，用于根据所述M种交通类型对应的交通路网数据、以及所述第二采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

一种可能的实现方式中，所述第二确定子单元具体用于：

对所述M种交通类型对应的交通路网数据、以及所述第二采集数据进行特征提取，得到第二出行特征；

通过所述交通类型识别模型对所述第二出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第二概率；

将所述M种交通类型各自对应的第二概率中的最大概率对应的交通类型，确定为所述目标交通类型。

一种可能的实现方式中，所述第一确定模块702具体用于：

获取所述终端设备的当前位置信息；

将所述当前位置信息分别与所述M种交通类型对应的交通路网数据进行比对，以确定用户是否处于出行状态；

若确定用户处于出行状态，则根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

一种可能的实现方式中，所述目标交通类型对应的交通路网数据包括：N条预设交通线路的路径信息，所述N为大于或等于1的整数；所述出行状态信息包括：目标交通线路、当前站点和下一站点；所述第二确定模块703包括：

第二确定单元，用于将所述第一采集数据中的轨迹数据与所述N条预设交通线路的路径信息进行匹配，以在所述N条预设交通线路中确定出所述目标交通线路；

获取单元，用于获取所述终端设备的实时位置信息；

第三确定单元，用于将所述实时位置信息与所述目标交通线路的路径信息进行匹配，确定出所述当前站点和所述下一站点。

一种可能的实现方式中，所述第一确定模块702具体用于：

获取所述用户的历史出行数据，所述历史出行数据包括：历史出行时间和历史交通类型；

根据所述历史出行数据、所述M种交通类型对应的交通路网数据、以及所述第一采集数据，确定用户当前出行采用的目标交通类型。

一种可能的实现方式中，本实施例提供的装置还包括：

显示模块，用于显示所述出行状态信息；或者，

发送模块，用于向所述终端设备发送所述出行状态信息。

一种可能的实现方式中，所述M-1种公共交通类型包括：地铁类型、公交车类型、高铁类型、火车类型、轻轨类型中的至少一种。

一种可能的实现方式中，所述传感数据包括：气压计数据、陀螺仪数据、加速仪数据中的至少一种；所述短距离通信连接数据包括：蓝牙连接数据、Wi-Fi连接数据中的至少一种。

本实施例提供的出行状态确定装置，可用于执行上述任意方法实施例提供的出行状态确定方法，其实现原理和技术效果类似，此处不做赘述。

需要说明的是，本实施例中的用户出行相关信息(例如轨迹信息)并不是针对某一特定用户的出行信息，并不能反映出某一特定用户的个人信息。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如出行状态确定方法。例如，在一些实施例中，出行状态确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的出行状态确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行出行状态确定方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (25)

1.一种出行状态确定方法，包括：

获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数；

根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；

若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

2.根据权利要求1所述的方法，其中，根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

对所述M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征；

通过预设的交通类型识别模型对所述第一出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第一概率；

根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

3.根据权利要求2所述的方法，其中，根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

若所述M种交通类型各自对应的第一概率满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则将所述最大概率对应的交通类型，确定为所述目标交通类型。

4.根据权利要求2所述的方法，其中，根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

若所述M种交通类型各自对应的第一概率不满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则：

获取所述终端设备在第二预设时段内采集到的第二采集数据；其中，所述第二预设时段的时长大于所述第一预设时段的时长，所述第二采集数据包括：传感数据、短距离通信连接数据和轨迹数据；

根据所述M种交通类型对应的交通路网数据、以及所述第二采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

5.根据权利要求4所述的方法，其中，根据所述M种交通类型对应的交通路网数据、以及所述第二采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

对所述M种交通类型对应的交通路网数据、以及所述第二采集数据进行特征提取，得到第二出行特征；

通过所述交通类型识别模型对所述第二出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第二概率；

将所述M种交通类型各自对应的第二概率中的最大概率对应的交通类型，确定为所述目标交通类型。

6.根据权利要求1至5任一项所述的方法，其中，根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

获取所述终端设备的当前位置信息；

将所述当前位置信息分别与所述M种交通类型对应的交通路网数据进行比对，以确定用户是否处于出行状态；

若确定用户处于出行状态，则根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

7.根据权利要求1至6任一项所述的方法，其中，所述目标交通类型对应的交通路网数据包括：N条预设交通线路的路径信息，所述N为大于或等于1的整数；所述出行状态信息包括：目标交通线路、当前站点和下一站点；

根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，包括：

将所述第一采集数据中的轨迹数据与所述N条预设交通线路的路径信息进行匹配，以在所述N条预设交通线路中确定出所述目标交通线路；

获取所述终端设备的实时位置信息；

将所述实时位置信息与所述目标交通线路的路径信息进行匹配，确定出所述当前站点和所述下一站点。

8.根据权利要求1至7任一项所述的方法，其中，根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型，包括：

获取所述用户的历史出行数据，所述历史出行数据包括：历史出行时间和历史交通类型；

根据所述历史出行数据、所述M种交通类型对应的交通路网数据、以及所述第一采集数据，确定用户当前出行采用的目标交通类型。

9.根据权利要求1至8任一项所述的方法，根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息之后，还包括：

显示所述出行状态信息；

向所述终端设备发送所述出行状态信息。

10.根据权利要求1至9任一项所述的方法，其中，所述M-1种公共交通类型包括：地铁类型、公交车类型、高铁类型、火车类型、轻轨类型中的至少一种。

11.根据权利要求4或5所述的方法，其中，所述传感数据包括：气压计数据、陀螺仪数据、加速仪数据中的至少一种；

所述短距离通信连接数据包括：蓝牙连接数据、Wi-Fi连接数据中的至少一种。

12.一种出行状态确定装置，包括：

获取模块，用于获取M种交通类型对应的交通路网数据、以及终端设备在第一预设时段内采集到的第一采集数据；所述第一采集数据包括轨迹数据，所述M种交通类型包括非公共交通类型和M-1种公共交通类型，所述M为大于1的整数；

第一确定模块，用于根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型；

第二确定模块，用于若所述目标交通类型为所述M-1种公共交通类型中的一种，则根据所述目标交通类型对应的交通路网数据，确定用户的出行状态信息，所述出行状态信息包括：目标交通线路、当前站点、下一站点中的至少一项。

13.根据权利要求12所述的装置，其中，所述第一确定模块包括：

特征提取单元，用于对所述M种交通类型对应的交通路网数据、以及所述第一采集数据进行特征提取，得到第一出行特征；

处理单元，用于通过预设的交通类型识别模型对所述第一出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第一概率；

第一确定单元，用于根据所述M种交通类型各自对应的第一概率，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

14.根据权利要求13所述的装置，其中，所述第一确定单元包括：

第一确定子单元，用于若所述M种交通类型各自对应的第一概率满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则将所述最大概率对应的交通类型，确定为所述目标交通类型。

15.根据权利要求13所述的装置，其中，所述确定单元包括：

获取子单元，用于若所述M种交通类型各自对应的第一概率不满足如下预设条件：最大概率与其他任一概率之差均大于或等于预设阈值，则获取所述终端设备在第二预设时段内采集到的第二采集数据；其中，所述第二预设时段的时长大于所述第一预设时段的时长，所述第二采集数据包括：传感数据、短距离通信连接数据和轨迹数据；

第二确定子单元，用于根据所述M种交通类型对应的交通路网数据、以及所述第二采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

16.根据权利要求15所述的装置，其中，所述第二确定子单元具体用于：

对所述M种交通类型对应的交通路网数据、以及所述第二采集数据进行特征提取，得到第二出行特征；

通过所述交通类型识别模型对所述第二出行特征进行处理，得到用户当前出行采用的交通类型分别为所述M种交通类型的第二概率；

将所述M种交通类型各自对应的第二概率中的最大概率对应的交通类型，确定为所述目标交通类型。

17.根据权利要求12至16任一项所述的装置，其中，所述第一确定模块具体用于：

获取所述终端设备的当前位置信息；

将所述当前位置信息分别与所述M种交通类型对应的交通路网数据进行比对，以确定用户是否处于出行状态；

若确定用户处于出行状态，则根据所述M种交通类型对应的交通路网数据、以及所述第一采集数据，在所述M种交通类型中确定用户当前出行采用的目标交通类型。

18.根据权利要求12至17任一项所述的装置，其中，所述目标交通类型对应的交通路网数据包括：N条预设交通线路的路径信息，所述N为大于或等于1的整数；所述出行状态信息包括：目标交通线路、当前站点和下一站点；所述第二确定模块包括：

第二确定单元，用于将所述第一采集数据中的轨迹数据与所述N条预设交通线路的路径信息进行匹配，以在所述N条预设交通线路中确定出所述目标交通线路；

获取单元，用于获取所述终端设备的实时位置信息；

第三确定单元，用于将所述实时位置信息与所述目标交通线路的路径信息进行匹配，确定出所述当前站点和所述下一站点。

19.根据权利要求12至18任一项所述的装置，其中，所述第一确定模块具体用于：

获取所述用户的历史出行数据，所述历史出行数据包括：历史出行时间和历史交通类型；

根据所述历史出行数据、所述M种交通类型对应的交通路网数据、以及所述第一采集数据，确定用户当前出行采用的目标交通类型。

20.根据权利要求12至19任一项所述的装置，还包括：

显示模块，用于显示所述出行状态信息；或者，

发送模块，用于向所述终端设备发送所述出行状态信息。

21.根据权利要求12至20任一项所述的装置，其中，所述M-1种公共交通类型包括：地铁类型、公交车类型、高铁类型、火车类型、轻轨类型中的至少一种。

22.根据权利要求15或16所述的装置，其中，所述传感数据包括：气压计数据、陀螺仪数据、加速仪数据中的至少一种；

所述短距离通信连接数据包括：蓝牙连接数据、Wi-Fi连接数据中的至少一种。

23.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至11中任一项所述的方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至11中任一项所述的方法。

25.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至11中任一项所述方法的步骤。

Images