CN115017202B - 时长的提醒方法及装置 - Google Patents

Abstract

本申请实施例提供一种时长的提醒方法及装置，应用于电子设备，方法包括：响应于接收到第一行程的预定信息，获取包括多种类型的数据的第一行程的数据，获取历史行程数据以及多种类型中的每一类的时长模型，历史行程数据包括历史时长，基于时长模型，获得历史时长的特征以及对应的权重，依据特征以及对应的权重，预测第一行程的时长，展示第一行程的时长的提醒信息。因为将包括历史时长的历史行程数据作为预测时长的依据之一，所以，使得预测得到的时长不再是固定时长，而是与历史行程数据相关的个性化的时长。并且，将多种类型中的每一类对应的时长模型也作为预测时长的依据之一，所以，能够充分挖掘历史行程数据的特征，得到更为精确的预测时长。

Description

时长的提醒方法及装置

技术领域

本申请涉及通信技术领域，尤其涉及一种时长的提醒方法及装置。

背景技术

随着电子设备的发展，为用户提供智能化的服务，成为电子设备目前的发展趋势。智能化服务包括但不限于对用户将要发生的行为的时长进行提醒，例如候机时长或候车时长的提醒等。

发明内容

本申请提供了一种时长的提醒方法及装置，目的在于解决如何实现时长提醒的问题。

本申请实施例的第一方面提供一种时长的提醒方法，应用于电子设备，包括：响应于接收到第一行程的预定信息，获取所述第一行程的数据，所述第一行程的数据包括多种类型的数据，所述多种类型的数据包括：时间数据、位置数据、所属分类的数据以及环境数据，获取历史行程数据以及所述多种类型中的每一类对应的时长模型，所述历史行程数据包括历史时长，基于所述时长模型，获得所述历史时长的特征以及对应的权重，依据所述特征以及对应的权重，预测所述第一行程的时长，展示所述第一行程的时长的提醒信息。因为将包括历史时长的历史行程数据作为预测时长的依据之一，所以，使得预测得到的时长不再是固定时长，而是与历史行程数据相关的个性化的时长。并且，将多种类型中的每一类对应的时长模型也作为预测时长的依据之一，所以，能够充分挖掘历史行程数据的特征，从而得到更为精确的预测时长。

在一种实现方式中，所述多种类型中的每一类对应的时长模型的获取过程包括：将样本行程数据，按照所述多种类型中的每一类，划分为不同的数据集，在每一个所述数据集，以所述样本行程数据中的历史时长为维度，进行聚类，得到所述每一类对应的时长模型。每一类聚类得到一个时长模型，有利于充分学习样本行程数据的特征，以历史时长为维度进行聚类，使得时长模型能够反映时长与样本的数量之间的数量分布特征，从而提高时长模型的预测能力。

在一种实现方式中，所述进行聚类，包括：基于高斯混合模型进行聚类。高斯混合模型能够基于高斯概率密度函数精确地量化事物，有利于提高时长模型的预测准确性。

在一种实现方式中，所述多种类型中的每一类的确定过程包括：确定影响所述第一行程的时长的多种因素，确定属于所述多种因素的子因素，作为所述多种类型中的每一类。因素以及对子因素的划分，能够实现对数据挖掘更多的特征，在不易获取机场服务人员数量、机场当前客流量等正向建模特征，能够使得模型实现从有限的数据中学习到更多的特征。

在一种实现方式中，所述基于所述时长模型，获得所述历史时长的特征以及对应的权重，包括：将包含第一类型的数据的历史行程数据，作为第一历史行程数据，所述第一类型为任意一种类型，将所述第一历史行程数据中包含的历史时长，作为第一历史时长，确定所述第一历史时长在所述第一类型对应的时长模型中所属的分量，作为第一分量，基于所述第一类型对应的时长模型，获得所述第一分量的均值，作为所述特征，获得所述第一分量的方差，作为所述特征对应的权重。获取每一类型的特征以及对应的权重，为后续获得精准的预测时长奠定基础。

在一种实现方式中，所述确定所述第一历史时长在所述第一类型对应的时长模型中所属的分量，作为第一分量，包括：分别确定多个所述第一历史时长在所述第一类型对应的时长模型中所属的分量，得到多个第一候选分量，依据各个所述第一候选分量的个数，从所述多个第一候选分量中选择所述第一分量。即在确定出多个第一候选分量的情况下，使用投票机制，选择出第一分量，例如选择数量最多的第一后续分量为第一分量，有利于提高预测时长的精准性(即预测得到的时长与第一行程实际的时长的差距满足条件)。

在一种实现方式中，还包括：确定不存在包含所述第一类型的数据的所述历史行程数据，从所述第一类型对应的时长模型的分量中，选择第二分量，获得所述第二分量的均值，作为所述特征，获得所述第二分量的方差，作为所述特征对应的权重。在历史行程数据无法挖掘出某一分类下的特征的情况下，可以针对时长模型中样本行程数据，挖掘这一分类下的特征，以保证获得预测的时长。

在一种实现方式中，所述时长模型表征历史时长与已完成的行程的次数的对应关系，所述从所述第一类型对应的时长模型的分量中，选择第二分量，包括：所述从所述第一类型对应的时长模型的分量中，依据对应的次数选择第二历史时长；将所述第二历史时长在所述第一类型对应的时长模型中所属的分量，作为所述第二分量。针对时长模型中样本行程数据的数量分布特点，挖掘某一分类下的特征，以保证获得精准的预测时长。

本申请实施例的第二方面提供一种电子设备，包括：存储器，所述存储器上存储有供所述电子设备的至少一个处理器执行的指令，以及至少一个处理器，当所述指令被所述至少一个处理器执行时，使所述电子设备执行本申请实施例的第一方面提供的时长的提醒方法。

本申请实施例的第三方面提供一种可读存储介质，所述可读介质上存储有指令，当所述指令被电子设备执行时使电子设备实现本申请实施例的第一方面提供的时长的提醒方法。

附图说明

图1为时长提醒界面的示例图；

图2为本申请实施例所述的时长的提醒方法应用的软件框架的示例图；

图3为本申请实施例所述的时长提醒应用程序的结构示例图；

图4为本申请实施例所述的时长提醒应用程序实现自适应时长提醒的流程图；

图5为本申请实施例所述的候机时长模型的建模流程图；

图6为本申请实施例所述的各个因素、子因素、数据集以及候机时长模型的对应关系示例图；

图7为高斯混合模型的示意图；

图8a-图8d为子因素对应的候机时长模型的示例图；

图9为本申请实施例提供的候机时长的预测流程图；

图10为本申请实施例提供的候机时长的预测流程中的数据示例图；

图11为本申请实施例提供的电子设备的结构示例图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请实施例中，“一个或多个”是指一个、两个或两个以上；“和/或”，描述关联对象的关联关系，表示可以存在三种关系；例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。

在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例涉及的多个，是指大于或等于两个。需要说明的是，在本申请实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

图1中，在手机的负一屏显示多个卡片，出行提醒卡片A中，显示的内容包括：卡片的标题1、路况信息2、目的地3、达到目的地的时长4、候机时长5以及交互控件6(用户点击后跳转至打车界面)。达到目的地的时长4和候机时长5，可以为用户的出行时间提供参考。

目前常用的时长提醒方式采用固定时长，即对于不同的用户，采用的时长相同，例如对于购买机票的用户，均按照候机时长为40分钟提醒。这种时长提醒方式过于刻板，无法针对不同用户提供个性化的提醒，有可能与实际所需时长的相差较大，所以提醒的意义不大，导致用户的体验不好。

发明人在研究的过程中发现，自适应的时长提醒能够改善用户体验，自适应的时长提醒是指，根据环境等客观因素的影响以及用户历史行为所用的历史时长，确定用户行为所需的时长，例如，根据天气、航班情况、以及用户群体、用户A的历史候机时长，提醒用户A的候机时长。

为了实现自适应的时长提醒，本申请实施例提供了一种时长的提醒方法，目的在于为用户提供个性化的提醒时长。

图1中，达到目的地时长4和候机时长5均可进行自适应提醒，在以下的实施例中，以候机时长5的自适应提醒为例，进行说明。

图2为实现本申请实施例提供的时长的提醒方法适用的软件框架示例：

分层架构将软件分成若干个层，每一层都有清晰的角色和分工。层与层之间通过软件接口通信。在一些实施例中，将Android***分为四层，从下至上分别为内核层，安卓运行时(Android runtime)和***库，应用程序框架层，以及应用程序层。

内核层是硬件和软件之间的层。内核层至少包含显示驱动，摄像头驱动，音频驱动，传感器驱动。Android Runtime包括核心库和虚拟机。Android runtime负责安卓***的调度和管理。核心库包含两部分：一部分是java语言需要调用的功能函数，另一部分是安卓的核心库。

应用程序框架层为应用程序层的应用程序提供应用编程接口(applicationprogramming interface，API)和编程框架。应用程序框架层包括一些预先定义的函数。如图2所示，应用程序框架层可以包括窗口管理器，内容提供器，视图***，电话管理器，资源管理器，通知管理器等。应用程序层可以包括一系列应用程序包。应用程序包可以包括相机，通话等应用程序。

在本申请的实施例中，为了实现时长的自适应提醒，应用程序层还包括：软件开发工具包(Software Development Kit，SDK)和时长提醒应用程序。可以理解的是，在以候机时长提醒为例的场景下，SDK为航班信息SDK。

需要说明的是，本申请实施例虽然以Android***为例进行说明，但是其基本原理同样适用于基于iOS或Windows等操作***的电子设备。

如图3所示，时长提醒应用程序包括业务呈现模块、业务逻辑处理模块以及情境感知模块。航班信息SDK可以集成在业务呈现模块中，可以看作航班信息服务提供方的客户端，用于从航班信息提供方的云端，获取公开的航班信息。航班信息SDK、业务呈现模块、业务逻辑处理模块以及情境感知模块，与云端协同，实现自适应的航班时长提醒功能的具体流程，可参见图4所示，包括以下步骤：

S1、业务逻辑处理模块向情景感知模块订阅航班短信监测。

S2、用户使用电子设备订票，电子设备接收到航班的订票短信后，情景感知模块监测到航班短信。

S3、情景感知模块向业务逻辑处理模块发送航班短信通知。

S4、业务逻辑处理模块向情景感知模块订阅候机时长提醒时间围栏。

可以理解的是，时间围栏通常是时间点，达到该时间点后，执行某种处理。本实施例中，假设候机时长提醒时间围栏为起飞前4小时。起飞时间可以由情景感知模块从航班短信中获得。

S5、业务逻辑处理模块向情景感知模块订阅机场进出地理围栏。

可以理解的是，S4和S5的执行步骤不做限定。

S6、在进入候机时长提醒时间围栏后，情景感知模块向业务逻辑处理模块发送候机时长提醒通知。

S7、业务逻辑处理模块向业务呈现模块发送航班数据检测指示。

S8、业务呈现模块从航班数据SDK查询用户的航班数据。

航班数据通常包括：航班号、计划起飞时间、起飞机场和降落机场等。

S9、航班数据SDK向业务呈现模块发送用户的航班数据。

S10、业务呈现模块向业务逻辑处理模块发送用户的航班数据。

S11、业务逻辑处理模块向智慧云请求模型。

模型用于预测候机时长。

S12、智慧云向业务逻辑处理模块发送模型。

S13、业务逻辑处理模块依据模型、航班数据以及历史候机数据，预测候机时长。

历史候机数据是指，用户已经完成的候机行为产生的数据，包括但不限于已经完成的候机行为的候机时长。

因为结合本次航班的数据以及历史候机数据，使用模型预测候机时长，所以，预测得到的候机时长考虑了用户的行为习惯，实现了自适应的时长预测，能够为用户展示用户个性化的提醒时长。

S14、业务逻辑处理模块向业务呈现模块发送出行提醒指示，出行提醒指示包括预测得到的候机时长。

S15、业务呈现模块显示出行提醒卡片。

可以理解的是，显示的出行提醒卡片可以如图1所示，卡片上显示预测得到的候机时长。

用户可以根据卡片的提醒信息，安排时间去往机场。在用户达到机场后，情景感知模块通过电子设备的定位数据，感知到用户达到机场，触发以下流程：

S16、情景感知模块向业务逻辑处理模块发送进入机场围栏通知。

S17、业务逻辑处理模块向业务呈现模块发送航班数据检测指示。

S18、业务呈现模块从航班信息SDK查询用户的航班数据。

S19、航班数据SDK向业务呈现模块发送用户的航班数据。

S20、业务呈现模块向业务逻辑处理模块发送用户的航班数据。

S21、业务逻辑处理模块向智慧云发送用户的航班数据以及达到机场的时间。

可以理解的是，达到机场的时间可以有业务逻辑处理模块在接收到进入机场围栏通知后，从电子设备的计时模块获得。

S22、业务逻辑处理模块本地保存用户的航班数据以及达到机场的时间。

S23、智慧云使用业务逻辑处理模块发送的数据，重新训练模型。

可以理解的是，S22中，业务逻辑处理模块向智慧云发送的数据，为智慧云训练模型所需的数据，因此，航班数据和到达机场时间仅为一种示例，还可以包括其它数据。

航班的起飞时间等可能相比于订票时有所变更，所以，再次获取航班数据，能够给智慧云提供更为精准的候机数据，有利于提高模型预测的候机时长的准确性。

可以看出，S16-S23的目的在于，更新用户历史行为数据，并使用更新后的数据，再次训练模型，以提高模型的预测能力，使得预测结果更精确(即预测的时长与实际时长更接近)。

图4中，依据模型、航班数据以及历史候机数据，预测候机时长，与使用固定提醒时长相比，预测得到的候机时长更接近模型学习到的全量用户的候机特征，以及当前用户的历史行为特征，能够更接近实际候机时长，所以是一种自适应的提醒方式，能够为用户提供个性化的候机时长提醒。

基于图4所示的流程，发明人进一步发现：重新训练(如周期性训练)模型对于提高模型的预测能力的贡献有限，要实现预测出更精确的时长，需要进一步提升模型的预测能力，但要显著提高模型的预测能力，存在以下两个难点：1、用户数据稀疏：对于单一用户来讲，其历史行为等待时长的数据量往往较少，存在数据稀疏问题。2、正向建模特征不足问题：如果按照传统的机器学习建模流程，首先需要选定对候机时长有直接预测作用的特征，例如，机场服务人员数量、机场当前客流量、天气等，作为模型输入，但是对于终端用户来说有些数据例如机场服务人员数量、机场当前客流量等，难以获取。

为了克服用户数据稀疏以及正向建模数据不足的问题，本申请实施例提出了一种新的建模方法，以及基于新的建模方法得到的模型，提供一种新的预测候机时长的方法。

结合图4所示的流程，新的建模方法由智慧云执行，即S12中，智慧云下发的模型使用新的建模方法获得，并且，S23中，智慧云使用新的建模方法重新训练模型。新的预测候机时长的方法由业务逻辑处理模块执行，涉及S11请求模型以及S13预测候机时长的步骤。

下面将对新的建模方法以及候机时长预测的新方法，分别进行详细说明。

图5为本申请实施例提供的时长预测模型的建模方法，可以理解的是，建模方法可以由图4所示的智慧云执行，也可以由电子设备执行，以下以智慧云执行为例进行说明。

图5中包括以下步骤：

S51、获取全量用户的候机数据。

全量用户是指能够上传用户的候机数据的多个电子设备的用户(或账户)。例如，结合图4所示的流程，多个电子设备执行S21，使得智慧云获得多个用户的候机数据。全量用户通常可以看作这多个用户的全部。

候机数据至少包括已经结束的候机行为产生的数据。一条候机数据包括：环境数据、航班数据和候机时长。环境数据包括但不限于航班起飞当天的天气数据。

可以理解的是，因为因航空管制等导致的起飞延误为突发情况，不易挖掘特征，且不属于用户能够控制的层面，所以，本实施例中，候机时长为计划起飞时间与用户到达机场的时间之间的时长。

因为机场服务人员数量、机场当前客流量等正向建模特征不易获取，所以，本实施例中，将较为容易获取的候机数据作为建模使用的数据。

在某些实现方式中，环境数据由智慧云依据航班数据中的起飞时间查询获得。如S21所示，业务逻辑处理模块向智慧云发送航班数据和用户到达机场的时间，智慧云依据航班数据中的计划起飞时间查询得到环境数据。在另一些实现方式中，环境数据由业务逻辑处理模块发送至智慧云，例如，将S21替换为，将环境数据与航班数据以及起飞时间一并发给智慧云，业务逻辑处理模块可以从订票短信获取环境数据，也可以依据航班数据中的起飞时间查询获得。

在某些实现方式中，如S21所示，业务逻辑处理模块向智慧云发送航班数据和用户到达机场的时间，由智慧云依据航班数据中的计划起飞时间与用户到达机场的时间计算得到候机时长。在另一些实现方式中，业务逻辑处理模块依据航班数据中的计划起飞时间与用户到达机场的时间计算得到候机时长，并向智慧云发送航班数据和候机时长，如将S21替换为：业务逻辑处理模块向智慧云发送航班数据和候机时长。

S52、将候机数据按照预设的因素以及子因素，划分为不同的数据集。

因为单一用户的数据稀疏，所以，本步骤中，不仅设置因素，还在每个因素下设置子因素，用于划分候机数据，以对能够获取的数据进行更为细致的特征挖掘。

本实施例中，因素包括但不限于：航班类型、机场类型、计划起飞时间段以及天气。

一个因素的子因素可以看作属于该因素的各个具体项。航班类型因素下的子因素包括国内航班和国际航班。机场类型是指起飞的机场的名称，子因素的示例为首都机场、大兴机场、深圳宝安机场等。计划起飞时间段是指计划起飞时间所处的时间范围，计划起飞时间段因素下的子因素包括的但不限于：上午、中午、下午以及晚上。天气是指起飞时的天气状态，天气因素下的子因素包括但不限于：晴天、阴天、雨天、以及雾天。

图6所示包括因素和子因素下的数据集的示例，其中，第一行为全量用户的候机数据，第二行为各个因素，第三行为各个因素之下的各个子因素。图6中，将候机时长模型简称为“模型”。

可以理解的是，因为候机数据包括多项数据，所以一条候机数据可能被划分至多个数据集中。

S53、对每一个数据集中的候机数据，以候机时长为维度，进行基于高斯混合模型的聚类，得到各个子因素对应的候机时长模型。

高斯混合模型是用高斯概率密度函数(正态分布曲线)精确地量化事物的模型，它是由若干个基于高斯概率密度函数(正态分布曲线)形成的模型。

假设有随机变量x，则高斯混合模型可以表示为：

其中，高斯分布N(x|μ_k,σ_k)称为高斯混合模型的第k个分量(component)，K表示分量的总数量,π_k表示第k个分量对应的权重，

μ_k为第k个分量的均值，σ_k为第k个分量的方差。

图7所示为高斯混合模型的示例，构成高斯混合模型可以近似看作3个正态分布曲线(即3个分量)的包络线。m分别为三个分量的均值。

可以理解的是，为了得到每个子因素下的候机时长模型，需要在任意一个数据集中进行基于高斯混合模型的聚类，以图6为例，对数据集1中的候机数据进行候机时长维度的基于高斯混合模型的聚类，得到国内航班子因素(对应)的候机时长模型A1，以此类推，得到各个子因素的候机时长模型。

图8a为国内航班子因素对应的候机时长模型的示例，图8b为首都机场子因素对应的候机时长模型的示例，图8c为上午子因素对应的候机时长模型的示例，图8d为晴天子因素对应的候机时长模型的示例。在各个子因素对应的候机时长模型中，横坐标为候机时长，单位为小时，纵坐标为数量，数量表示候机数据的条数，即航班的数量，例如，首都机场子因素对应的候机时长模型中，第一个分量的峰值1小时，对应的数量为375，表示候机数据中，首都机场起飞且候机时长为一小时的航班的数量为375架。

可以看出，以候机时长为维度，进行基于高斯混合模型的聚类，能够将候机数据按照候机时长划分为几个分量，分量的均值和方差能够反映在子因素对应的数据集中，航班在候机时长维度的数量分布特征。

从图5所示的流程可以看出，对于较容易获取的候机数据，设置因素和子因素，在各个子因素上进行建模，得到各个子因素对应的候机时长模型。不仅无需使用不易获取的数据，还能够实现对候机数据的特征的充分挖掘。可以理解的是，因素以及子因素的划分方式仅为示例，还可以，划分为更多层，例如，在上午子因素下，再划分为多个时间段。对候机数据进行更多层次的划分，有利于更进一步挖掘数据的特征。

可以理解的是，高斯混合模型仅为一种示例，也可以使用其它聚类模型，只要能够将子因素的数据集聚类为不同的分类，并能够获得不同分类的数据分布特征即可。

基于图5所示的建模流程获得的各个子因素的候机时长预测模型，预测候机时长的流程如图9所示，可以理解的是，图9所示的流程为S11和S13的具体实现方式。

在本实施例中，假设电子设备A的使用者为用户A，用户A已预订机票，电子设备A接收到的订票短信包含的航班数据为：2020-11-10，上午10:00，北京首都机场-深圳宝安机场，航班号XXXXX(假设该航班号指示国内航班)。为了便于区分，将用户预定的航班(还未候机)的航班数据称为当前航班数据。

图9中包括以下步骤：

S91、请求用户A的当前航班数据对应的候机时长模型以及环境数据对应的候机时长模型(为了便于说明，将该步骤请求的候机时长模型称为目标模型)。

当前航班数据对应的候机时长模型是指：当前航班数据中的子因素对应的候机时长模型，以用户A已预订机票为例，当前航班数据中的子因素包括：国内航班、首都机场、上午。所以，请求图8a-图8c所示的候机时长模型。

环境数据对应的候机时长模型是指，环境子因素对应的候机时长模型。本实施例中，假设上午10:00为晴天，则环境子因素为晴天，获取图8d所示的候机时长模型。

在某些实现方式中，环境数据由业务逻辑处理模块从电子设备中的相关应用程序获取，例如，从天气应用程序获取天气数据。

传输与当前航班数据和环境数据对应的候机时长模型，可以节省传输资源和电子设备的存储资源。可以理解的是，也可以获取全部子因素的候机时长模型。

可以理解的是，S91为S11的具体实现方式。

本步骤中的航班数据以及环境数据示例，以及对应的目标模型如图10中的101所示。

S92、获取用户A的历史候机数据。

用户A的候机数据，是指用户A已经结束的候机行为产生的数据。一条历史候机数据包括航班数据、环境数据和历史候机时长。

假设用户A的历史候机数据的示例如图10中的102为：

a、国际航班、上午、首都机场、雨天，历史候机时长为1.2小时。

b、国内航班、中午、首都机场、雾天，历史候机时长为1.1小时。

c、国内航班、上午、首都机场、雨天，历史候机时长为1.3小时。

d、国际航班、晚上、首都机场、雨天，历史候机时长为2.3小时。

可以理解的是，结合图4所示的流程，在某些实现方式中，用户A的历史候机数据可以依据每次保存的航班数据和达到机场时间获取，如S22，在另一些实现方式中，S22可以替换为直接保存依据航班数据和达到机场时间获取的候机数据，作为本步骤中的历史候机数据。

S93、在各个目标模型上提取历史航班数据映射的时长特征以及对应的权重。

具体的，假设任意一个目标模型为模型i，模型i对应子因素i(即某个子因素，称为目标子因素)，模型i上历史航班数据映射的时长特征为：与历史航班数据中的子因素i对应的历史候机时长，在模型i上所属的分量的均值。时长特征对应的权重为：与历史航班数据中的子因素i对应的历史候机时长，在模型i上所属的分量的方差。

如图10中的103所示：

在模型i为图8a的示例下，模型i对应的子因素为国内航班，前述历史航班数据示例中，b和c中包含与国内航班对应的历史候机时长，在图8a所示的国内航班的候机时长模型中，首先需要确定b和c中包含的历史候机时长所属的分量。

本实施例中，可以使用式(2)确定历史候机时长所属的分量：

x_i为历史候机时长。

b中的历史候机时长1.1小时，属于图8a所示模型的第二个分量，标记为A12，c中的历史候机时长1.3小时属于图8a所示模型的第二个分量A12。由此可以确定，国航班对应的候机时长模型上，用户A的历史候机数据映射的时长特征为第二个分量的均值1.5小时，权重为第二个分量的方差0.75。

在模型i为8b的示例下，模型i对应的子因素为首都机场，前述历史航班数据示例中，a、b、c以及d中，均包含与首都机场对应的历史候机时长，按照式(2)确定a中的历史候机时长1.2小时属于图8b所示模型的第一个分量，标记为B11，b中的历史候机时长1.1小时属于图8b所示模型的第一个分量B11，c的历史候机时长1.3小时属于图8b所示模型的第一个分量B11，d的历史候机时长为2.3小时属于图8b所示模型的第二个分量B12。

在历史航班数据在同一个目标模型映射在不同的分量情况下，通过投票机制确定一个分量。具体的，将历史航班数据在同一个目标模型上映射数量较多的分量，作为所属的分量。例如，历史候机数据a、b以及c映射至图8b所示的模型的第一个分量B11，候机数据d映射在图8c所示的模型上的第二个分量B12，第一个分量的映射数据多于第二个分量的映射数据，所以，历史候机数据在图8b所示的模型上所属的分量为第一个分量B11。

由此确定，首都机场对应的候机时长模型上，用户A的历史候机数据映射的时长特征为第一个分量的均值1.0小时，权重为第一个分量的方差0.45。

在模型i为8c的示例下，模型i对应的子因素为上午，前述历史航班数据示例中，a和c中包含与国内航班对应的历史候机时长，假设在图8c所示的上午的候机时长模型中，如图9所示，a中的历史候机时长1.2小时属于图8c所示模型的第一个分量，标记为C11，c中的历史候机时长1.3小时属于图8c所示模型的第一个分量C11，由此确定，上午对应的候机时长模型上，用户A的历史候机数据映射的时长特征为第一个分量C11的均值1.0小时，权重为第一个分量C11的方差0.72。

在模型i为图8d的示例下，模型i对应的子因素为晴天，前述历史航班数据示例中，没有包含晴天的数据。在此情况下，本实施例中，将最大数量(即纵轴所示的数量)对应的分量，作为历史候机数据在模型i所属的分量。在图8d所示的模型上，将最大数量375对应的第二分量D12，作为历史候机数据在晴天子因素对应的模型所属的分量，特征时长为1.5小时，权重为0.6。

S94、依据各个时长特征以及对应的权重，预测得到候机时长。

假设历史候机数据在m个目标模型上映射的候机时长特征构成候机时长特征向量T＝{t₁,t₂,...,t_m}，对应的权重构成的权重向量为W＝{w₁,w₂,...,w_m}，在某些实现方式中，可以使用softmax归一化的方式，得到预测的候机时长。在另一些实现方式中，使用L1范数归一化(L1 Normalization)的方式，得到预测的候机时长。

或者，还可以使用机器学习算法进行候机时长的预测，具体的，将各个时长特征以及对应的权重，输入训练后的机器学习模型(如线性回归模型)，得到机器学习模型输出的候机时长。机器学习模型的训练过程，可以在每个数据集的建模(如S53)时进行。

本实施例所述的流程，通过在影响时长的多个因素上建模，结合当前行为数据(如已预定的航班的数据)与环境数据，从已建立的模型中提取多因素的时长特征，将这些多因素的时长特征进行融合以实现用户自适应的时长判别，从而提供准确性较高的时长提醒。

在以上实施例中，均以候机时长的预测为例进行说明，但可以理解的是，时长并不限定于候机时长，还可以是候车时长等，进一步的，并不限定于等候时长，还可以是其它时长，例如图1所示的到达机场的路程所耗费的时长。

基于上述说明，时长可以概括为任意行程(称为第一行程)的时长，在此基础上，上述实施例中所述候机数据可以概括为第一行程的数据，第一行程的数据中包括多种类型的数据，即上述各个子因素。

多种类型的数据包括但不限于：时间数据如上述上午和下午等、位置数据如上述大兴机场等、所属分类的数据如上述国内航班和国际航班等，以及环境数据如上述晴天等。

可以理解的是，第一行程的时长，可以包括但不限于：完成第一行程所需的时长，以及完成第一行程的部分行程所需的时长，如从地点A至地点B的行程中，候机的时长。可以依据第一行程以及所需预测的时长的特点，预先配置多种类型。

可以理解的是，建模所用的历史行程数据可以看作样本行程数据，某个用户的历史行程数据与样本行程数据，可统称为历史行程数据。

本申请实施例提供的时长的提醒方法，应用在电子设备，电子设备可以为手机、车载设备(也可称为车机)、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobilepersonal computer，UMPC)、手持计算机、上网本、个人数字助理(personal digitalassistant，PDA)、可穿戴电子设备、虚拟现实设备等。

如图11所示，电子设备可以包括处理器110，外部存储器接口120，内部存储器121，通用串行总线(universal serial bus，USB)接口130，充电管理模块140，电源管理模块141，电池142，天线1，天线2，移动通信模块150，无线通信模块160，音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，传感器模块180，按键190，马达191，指示器192，摄像头193，显示屏194，以及用户标识模块(subscriber identification module，SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A，陀螺仪传感器180B，气压传感器180C，磁传感器180D，加速度传感器180E，距离传感器180F，接近光传感器180G，指纹传感器180H，温度传感器180J，触摸传感器180K，环境光传感器180L，骨传导传感器180M等。

可以理解的是，本实施例示意的结构并不构成对电子设备的具体限定。在另一些实施例中，电子设备可以包括比图11更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了***的效率。

在上述部件之上，运行有操作***。例如苹果公司所开发的iOS操作***，谷歌公司所开发的Android开源操作***(如图2所示)，微软公司所开发的Windows操作***等。

Claims (10)

1.一种时长的提醒方法，其特征在于，应用于电子设备，包括：

响应于接收到第一行程的预定信息，获取所述第一行程的数据，所述第一行程的数据包括多种类型的数据，所述多种类型的数据包括：时间数据、位置数据、所属分类的数据以及环境数据；

获取历史行程数据以及所述多种类型中的每一类对应的时长模型；所述历史行程数据包括历史时长；第一类型对应的所述时长模型包括：各个分量以及所述各个分量的特征和权重，所述各个分量以包括属于所述第一类型的数据的样本行程数据中的时长划分，所述第一类型为任意一种类型；

获得所述历史时长在对应的时长模型中所属的分量；

基于所述时长模型，获得所述分量的特征以及对应的权重；

依据所述特征以及对应的权重，预测所述第一行程的时长；

展示所述第一行程的时长的提醒信息。

2.根据权利要求1所述的方法，其特征在于，所述多种类型中的每一类对应的时长模型的获取过程包括：

将样本行程数据，按照所述多种类型中的每一类，划分为不同的数据集；

在每一个所述数据集，以所述样本行程数据中的历史时长为维度，进行聚类，得到所述每一类对应的时长模型。

3.根据权利要求2所述的方法，其特征在于，所述进行聚类，包括：

基于高斯混合模型进行聚类。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述多种类型中的每一类的确定过程包括：

确定影响所述第一行程的时长的多种因素；

确定属于所述多种因素的子因素，作为所述多种类型中的每一类。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述时长模型，获得所述历史时长的特征以及对应的权重，包括：

将包含第一类型的数据的历史行程数据，作为第一历史行程数据；

将所述第一历史行程数据中包含的历史时长，作为第一历史时长；

确定所述第一历史时长在所述第一类型对应的时长模型中所属的分量，作为第一分量；

基于所述第一类型对应的时长模型，获得所述第一分量的均值，作为所述特征，获得所述第一分量的方差，作为所述特征对应的权重。

6.根据权利要求5所述的方法，其特征在于，所述确定所述第一历史时长在所述第一类型对应的时长模型中所属的分量，作为第一分量，包括：

分别确定多个所述第一历史时长在所述第一类型对应的时长模型中所属的分量，得到多个第一候选分量；

依据各个所述第一候选分量的个数，从所述多个第一候选分量中选择所述第一分量。

7.根据权利要求6所述的方法，其特征在于，还包括：

确定不存在包含所述第一类型的数据的所述历史行程数据；

从所述第一类型对应的时长模型的分量中，选择第二分量；

获得所述第二分量的均值，作为所述特征，获得所述第二分量的方差，作为所述特征对应的权重。

8.根据权利要求7所述的方法，其特征在于，所述时长模型表征历史时长与已完成的行程的次数的对应关系；

所述从所述第一类型对应的时长模型的分量中，选择第二分量，包括：

所述从所述第一类型对应的时长模型的分量中，依据对应的次数选择第二历史时长；

将所述第二历史时长在所述第一类型对应的时长模型中所属的分量，作为所述第二分量。

9.一种电子设备，其特征在于，包括：

存储器，所述存储器上存储有供所述电子设备的至少一个处理器执行的指令；以及

至少一个处理器，当所述指令被所述至少一个处理器执行时，使所述电子设备执行权利要求1-8任一项所述的时长的提醒方法。

10.一种可读存储介质，所述可读存储介质上存储有指令，当所述指令被电子设备执行时使电子设备实现权利要求1-8任一项所述的时长的提醒方法。

Images