CN105183800A - 信息预测的方法和装置 - Google Patents

Abstract

本申请公开了一种信息预测的方法和装置。所述方法的一具体实施方式包括：获取用户的个性化信息，其中，所述个性化信息至少包括当前运动轨迹；根据所述个性化信息，确定对应的预测模型；基于所述个性化信息及所述预测模型，预测用户的出行信息。该实施方式可以提高信息预测的有效性。

Description

信息预测的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及通信技术领域，尤其涉及一种信息预测的方法和装置。

背景技术

智能终端即移动智能终端的简称，拥有接入互联网能力，通常搭载各种操作系统，可根据用户需求定制各种功能。随着互联网技术和智能移动终端的发展，通过植入智能终端的各种传感器采集用户数据，通过通信技术传输用户数据，进而对用户行为进行分析，成为普遍使用的技术手段。例如，有些智能终端可以通过全球定位系统(GlobalPositioningSystem，GPS)传感器采集用户的位置数据，对用户进行定位，进而根据区域特点向用户推送信息，有些智能终端可以通过血压传感器测量用户的血压数据，并传送给后台服务器或者预定的其他终端，进而对用户的血压数据进行监测，等等。

其中，现有技术在对用户的位置数据的分析中，往往通过终端的历史运动轨迹或历史停留位置数据对用户的未来位置进行预测。现有的对用户的未来位置进行预测的技术中，只考虑用户的历史停留位置数据，在对用户未曾到达过的位置的预测中，难以准确给出预测结果。因此，这种信息预测方法存在着终端数据利用不足，导致信息预测的有效性较低的问题。

发明内容

本申请的目的在于提出一种改进的信息预测的方法和装置，来解决以上背景技术部分提到的技术问题。

一方面，本申请提供了一种信息预测的方法，所述方法包括：获取用户的个性化信息，其中，所述个性化信息至少包括当前运动轨迹；根据所述个性化信息，确定对应的预测模型；基于所述个性化信息及所述预测模型，预测用户的出行信息。

在一些实施例中，所述个性化信息还包括：历史运动轨迹。

在一些实施例中，所述根据所述个性化信息，确定对应的预测模型包括：检测所述个性化信息是否还包括搜索行为特征，其中，所述搜索行为特征至少包括所搜索的地理信息点的位置特征；若包括，确定所述预测模型为第一预测模型，其中，所述第一预测模型基于历史搜索行为特征和历史出行信息的样本集训练获得；若不包括，确定所述预测模型为第二预测模型，其中，所述第二预测模型基于历史运动轨迹训练获得。

在一些实施例中，所述搜索行为特征还包括以下至少一项：对地理信息点进行搜索的时间特征、对地理信息点进行搜索时所处的位置、对所搜索的地理信息点进行搜索的次数、对同一地理信息点搜索的时间间隔、是否基于所搜索的地理信息点进行路径规划、所搜索的地理信息点的类别。

在一些实施例中，所述基于所述个性化信息及所述预测模型，预测用户的出行信息包括：基于所述搜索行为特征及所述第一预测模型，获取对用户出行信息的第一预测结果；基于所述当前运动轨迹，对所述第一预测结果进行调整，确定用户到达所搜索的地理信息点的时间和到达的概率。

在一些实施例中，所述基于所述个性化信息及所述预测模型，预测用户的出行信息包括：基于所述历史运动轨迹获取停留点转移概率矩阵；根据所述当前运动轨迹和所述停留点转移概率矩阵确定用户出现在任意停留点的概率和时间。

在一些实施例中，所述方法还包括：获取用户的实际出行信息；基于所述实际出行信息，更新所述预测模型。

第二方面，本申请提供了一种信息预测的装置，所述装置包括：信息获取模块，配置用于获取用户的个性化信息，其中，所述个性化信息至少包括当前运动轨迹；模型确定模块，配置用于根据所述个性化信息，确定对应的预测模型；信息预测模块，配置用于基于所述个性化信息及所述预测模型，预测用户的出行信息。

在一些实施例中，所述个性化信息还包括：历史运动轨迹。

在一些实施例中，所述模型确定模块包括：检测单元，配置用于检测所述个性化信息是否还包括搜索行为特征，其中，所述搜索行为特征至少包括所搜索的地理信息点的位置特征；确定单元，配置用于若所述个性化信息包括搜索行为特征，确定所述预测模型为第一预测模型，其中，所述第一预测模型基于历史搜索行为特征和历史出行信息的样本集训练获得；以及，若所述个性化信息不包括搜索行为特征，确定所述预测模型为第二预测模型，其中，所述第二预测模型基于历史运动轨迹训练获得。

在一些实施例中，所述搜索行为特征还包括以下至少一项：对地理信息点进行搜索的时间特征、对地理信息点进行搜索时所处的位置、对所搜索的地理信息点进行搜索的次数、对同一地理信息点搜索的时间间隔、是否基于所搜索的地理信息点进行路径规划、所搜索的地理信息点的类别。

在一些实施例中，所述信息预测模块包括：第一预测单元，配置用于基于所述搜索行为特征及所述第一预测模型，获取对用户出行信息的第一预测结果；调整单元，配置用于基于所述当前运动轨迹，对所述第一预测结果进行调整，确定用户到达所搜索的地理信息点的时间和到达的概率。

在一些实施例中，所述信息预测模块包括：转移概率矩阵获取模块，配置用于基于所述历史运动轨迹获取停留点转移概率矩阵；第二预测单元，配置用于根据所述当前运动轨迹和所述停留点转移概率矩阵确定用户出现在任意停留点的概率和时间。

在一些实施例中，所述装置还包括：实际出行信息获取模块，配置用于获取用户的实际出行信息；模型更新模块，配置用于基于所述实际出行信息，更新所述预测模型。

本申请提供的信息预测的方法和装置，通过获取用户的个性化信息，其中，该个性化信息至少包括当前运动轨迹，接着根据上述个性化信息，确定对应的预测模型，然后基于上述个性化信息及所述预测模型，预测用户的出行信息，由于引入了当前运动轨迹等个性化信息，从而提高了信息预测的有效性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了可以应用本申请实施例的示例性系统架构；

图2是根据本申请的信息预测的方法的一个实施例的流程图；

图3是根据本申请的信息预测的方法的运动轨迹及停留点的示意图；

图4是根据本申请的信息预测的方法的一个应用场景的示意图；

图5是根据本申请的信息预测的方法的又一个实施例的流程图；

图6是根据本申请的信息预测的装置的一个实施例的结构示意图；

图7是根据本申请的信息预测的装置的又一个实施例的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、网络103、服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

第一用户可以使用终端设备101、102通过网络103与服务器104交互，以接收或发送消息等。终端设备101、102上可以安装位置信息的监控或管理工具、信息预测应用的客户端、地图类应用、搜索类应用等。服务器104可以根据终端设备101、102安装的位置信息的监控或管理工具获取第一用户的当前运动轨迹，并对第一用户的出行信息进行预测，或者可以接收终端设备101、102安装的信息预测的客户端预测的第一用户的出行信息。服务器104还可以对终端设备101、102或服务器104预测的至少一个第一用户的出行信息进行统计、分析。可选地，服务器104可以基于对至少一个第一用户的出行信息的统计、分析向第一用户推送信息。

可选地，系统架构100还可以包括终端设备105。终端设备105通过网络103与服务器104交互，以接收或发送消息等。服务器104可以将终端设备101、102或服务器104预测的至少一个第一用户的出行信息发送给终端设备105，以供第二用户通过终端设备105了解至少一个第一用户的出行信息的统计特征。终端设备105也可以通过服务器104向第一用户推送信息。

终端设备101、102和终端设备105可以是各种电子设备，包括但不限于个人电脑、智能手机、智能手表、平板电脑、个人数字助理等等。

服务器104可以是提供各种服务的服务器。服务器可以对接收到的数据进行存储、分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的信息预测的方法可以由终端设备101、102执行，也可以由服务器104执行，信息预测的装置可以设置于终端设备101、102中，也可以设置于服务器104中。

应当理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参考图2，其示出了信息预测的方法的一个实施例的流程200。该信息预测的方法，包括以下步骤：

步骤201，获取用户的个性化信息。

在本实施例中，电子设备(例如图1所示的终端设备101、102或服务器104)可以从本地或远程地获取用户的个性化信息。具体而言，当上述电子设备就是安装有信息预测应用的客户端或者至少安装有位置信息的监控或管理工具的终端设备(如终端设备101、102)时，其可以直接从本地获取上述个性化信息；而当上述电子设备是为位置信息的监控或管理工具，或者信息预测应用的客户端提供支持的后台服务器(如服务器104)时，其可以通过有线连接方式或者无线连接方式从终端设备获取用户的行为信息。上述无线连接方式包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

个性化信息，可以是具有个体特性的信息，例如用户的个人行为习惯信息(作息规律、运动轨迹、搜索行为特征)等等。在这里，用户的个性化信息主要包括可以通过对终端设备的监测或者通过对用户在终端设备上的操作的监测获取的用户的个人行为习惯信息。

上述个性化信息至少可以包括当前运动轨迹。运动轨迹可以表示物体从开始位置到结束位置所经过的路线组成的空间特征。运动轨迹可以由运动轨迹方向(如移动方向)、运动轨迹形式(如直线轨迹)表示。在本实施例中，将用户持有的终端设备在不同时间点所在的位置作为轨迹点，用户的运动轨迹可以通过轨迹点的连线来表示。如图3所示，标号301指示的是一个轨迹点，各轨迹点之间的连线构成了运动轨迹302，图3中连线的箭头表示运动轨迹的方向。

实践中，每个终端设备都可以具有一个身份码，例如智能手机的移动设备国际身份码(InternationalMobileEquipmentIdentity，IMEI)。电子设备可以将该身份码作为终端设备的身份标识号码，用以区分不同的终端设备。其中，用户的地理位置信息可以通过终端设备内置的定位单元获取。该定位单元可以通过硬件实现，例如可以是终端设备所集成的定位器(如全球卫星定位系统GPS终端)；也可以通过软件实现，例如可以是定位应用(如可以运行在安卓操作系统的51定位终端)；还可以通过软件、硬件结合实现。当终端的位置信息的获取通过定位应用实现时，定位应用可以根据终端接入网络(如WIFI网络、移动数据蜂窝网络等)的IP地址(InternetProtocolAddress，网际协议地址)自动查找相应的基站从而获取终端的当前位置，也可以通过GPS定位数据获取终端的当前位置。可选地，用户的个性化信息还可以包括历史运动轨迹、搜索行为特征等。

用户的运动轨迹可以包括运动路线和停留点。运动路线即多个位置的连线。停留点是根据运动路线中轨迹点的集中情况来确定的。例如，将多个时间相邻的速度均在速度阈值以下的轨迹点合并为一个停留位置，如果这些停留位置中任两个停留位置的中心之间的距离小于距离阈值，并且，多个停留位置中第一个停留位置的停留时间的开始时刻到最后一个停留位置的结束时刻之间的时间间隔大于时间阈值时，则将这多个停留位置组成的区域判定为停留点。其中，停留点的位置可以用这多个停留位置组成的区域的中心位置来表示。如图3所示，圆形区域303、304内的各轨迹点组成的区域为一个停留点。可选地，轨迹点的速度可以通过两个轨迹点之间的距离除以经过两个轨迹点所用的时间来计算。

步骤202，根据上述个性化信息，确定对应的预测模型。

在本实施例中，电子设备接着可以对步骤201中获取的用户的个性化信息进行分析，确定根据用户的个性化信息对用户的出行信息进行预测的预测模型。

本领域技术人员可以理解，如果用户的个性化信息不同，电子设备可以确定不同的信息预测的预测模型。比如一个新的终端设备，用户没有通过该终端设备进行过搜索行为，也无法获取用户的历史运动轨迹，则电子设备获得的个性化信息可能只有当前运动轨迹。此时，电子设备可以确定预测模型为根据地图上的地理信息点之间的路线建立的预测模型。电子设备也可以确定预测模型为基于对大量用户的出行路线进行统计而建立的模型。

如果用户对终端设备持有一段时间，而没有进行过搜索行为，则电子设备所获取的个性化信息可能包含历史运动轨迹和当前运动轨迹。在这种情况下，电子设备可以具有预先根据用户的历史运动轨迹训练的停留点转移概率模型。如果电子设备获取的个性化信息包括当前运动轨迹，则可以检测是否有使用该终端设备的用户的历史运动轨迹，若有，则将预测模型确定为该停留点转移概率模型。

以无限的隐马尔科夫模型(infiniteHiddenMarkovModel，iHMM)为例，将每个停留点作为无限的隐马尔科夫模型的一个状态，由具有相应概率密度分布的状态序列产生的观测向量的观测向量序列作为预测模型。电子设备根据用户的历史运动轨迹训练停留点转移概率模型的过程可以为：首先根据用户的历史运动轨迹得到用户的历史停留点；接着根据历史运动轨迹中的运动路线得到用户在每个历史停留点向其它各历史停留点转移的顺序和次数，从而得到各历史停留点之间的转移序列，进而得到各历史停留点之间的转移概率矩阵；进一步地，对用户处于每个历史停留点时，用α、β、γ三个超参数控制产生三种预测结果，得到预测用户在当前运动轨迹基础上的停留点预测模型。这三种预测结果即停留在原停留点、转移至其它历史停留点、到达新的停留点。

具体地，作为一种可选的实现方式的示例，用α表示用户到达在每个历史停留点的先验概率，用β表示用户访问历史停留点以外的地点的概率—即产生新的停留点的概率，用γ表示停留点数量的期望值，用n_ij表示从停留点i转移到停留点j的概率，用表示停留点j为地图上已知的停留点的概率，则当用户当前位置为停留点i时，用户向各停留点转移的概率为：

停留在当前停留点的概率为：

从当前停留点转移到其他历史停留点转移的概率为：

从当前停留点转移到新的停留点的概率为：

其中，从当前停留点转移到新的停留点时，新的停留点为地图上已知的地点的概率为：新的停留点为地图上未知的停留点的概率为：

步骤203，基于上述个性化信息及上述预测模型，预测用户的出行信息。

在本实施例中，电子设备接着可以通过确定的预测模型，对获取的个性化信息进行匹配和/或计算，预测出用户可能的出行信息，例如可以是出行时间、出行地点和/或出行地概率等等。

以用户的个性化信息包括历史运动轨迹和当前运动轨迹，预测模型为iHMM为例：在步骤202中已经通过公式详细介绍了iHMM的预测用户到达各停留点的概率的原理，进行预测时，电子设备可以根据用户的当前运动轨迹建立停留点转移序列作为待预测样本，并使用上述的表示预测用户到达各停留点的概率的原理的各公式组成的模型对待检测样本进行评估，获得用户停留在原停留点、转移到其他历史停留点或到达新的停留点的概率。预测的用户转移到的其他停留点即为出行地点，转移到其他停留点的概率即为出行概率。出行时间可以根据用户当前运行轨迹中的速度和两个停留点之间的距离计算，也可以根据停留点之间的转移所需的时间进行计算(如对在两个历史停留点之间的转移时间取平均值)。

在本实施例的一些实现方式中，电子设备在根据相应的个性化信息和预测模型对用户出行信息进行预测后，还可以继续监测用户的运动轨迹，以获取用户的实际出行信息，包括出行路线、停留点等，并将当前运动轨迹加入历史运动轨迹，将新的停留点加入历史停留点，同时更新相应的预测模型，以新的出行数据增加预测模型的样本容量，以使预测模型的预测结果越来越准确。

如图4所示，给出了本实施例的一个应用场景的示意图。如图4所示，在标号401中，电子设备通过用户所使用的终端设备获取用户的当前运动轨迹；接着，电子设备检测是否获取过用户的历史运动轨迹，若是，确定预测模型为根据用户的历史运动轨迹训练的停留点转移概率模型，如标号402所示；然后，如标号403所示，电子设备将当前运动轨迹中包含的停留点序列作为待预测样本，通过停留点转移概率模型进行评估，预测用户的出行地点、出行概率、出行时间等出行信息；进一步地，电子设备可以将所预测的出行概率最大的出行地点作为目标地点，并获取目标地点的相关信息，例如当前位置到目标地点的路况信息、目标地点的停车场位置信息等，推送给用户。

本实施例的信息推送方法，通过引入当前运动轨迹等个性化信息，可以提高对用户出行信息预测的有效性。

进一步参考图5，其示出了信息预测的方法的又一个实施例的流程500。该地图显示方法的流程500，包括以下步骤：

步骤501，获取用户的个性化信息。

在本实施例中，电子设备(例如图1所示的终端设备101、102或服务器104)可以从本地或远程地获取用户的个性化信息。其中，用户的个性化信息可以包括但不限于用户的作息规律、运动轨迹、搜索行为特征等。这里，个性化信息至少包括当前运动轨迹。

步骤502，检测上述个性化信息是否还包括搜索行为特征。

在本实施例中，电子设备接着可以对上述个性化信息进一步检测，以确定上述个性化信息中除了包括当前运动轨迹外还包括哪些信息，例如是否还包括搜索行为特征。

搜索行为特征是用户通过终端设备进行搜索时的行为特征，例如，搜索时使用的搜索词。在本实施例中，如果该搜索词为与地理信息点(如香山)相关的词，搜索行为特征至少包括所搜索的地理信息点的位置特征，搜索特征还可以包括但不限于以下至少一项：对地理信息点进行搜索的时间特征(例如工作日或休息日)、对地理信息点进行搜索时所处的位置(例如地理位置坐标等)、对所搜索的地理信息点进行搜索的次数、对同一地理信息点搜索的时间间隔、是否基于所搜索的地理信息点进行路径规划(例如搜索路线)、所搜索的地理信息点的类别(例如企业、景点、饭店等)、对地理信息点进行搜索的天气特征(如晴天或下雨等)，等等。

步骤503，若包括，确定预测模型为第一预测模型，若不包括，确定预测模型为第二预测模型。

在本实施例中，电子设备可以根据对个性化信息的检测结果，确定相应的预测模型：如果检测到个性化信息中包括搜索行为特征，则电子设备可以确定预测模型为基于历史搜索行为特征和历史出行信息的样本集训练获得的第一预测模型；如果检测到个性化信息中不包括搜索行为特征，则电子设备可以确定预测模型为基于历史运动轨迹训练获得的第二预测模型。

其中，作为第一预测模型的一个示例，第一预测模型可以包括搜索行为特征中各项的权重的模型，上述权重根据用户的历史搜索行为特征和历史出行信息计算。例如，搜索行为特征包括对地理信息点进行搜索的时间特征，则电子设备根据历史出行信息分别获取用户休息日出行的概率和工作日出行的概率。休息日或工作日出行的概率例如可以是一个时间段内休息日或工作日出行的天数与总休息日或工作日的天数的比值。当对地理信息点进行搜索的时间特征为工作日时，可以将用户工作日出行的概率作为工作日的对地理信息点进行搜索的权重。同样，对搜索行为特征的各项分别获得一个权重。当电子设备获取的个性化信息包括搜索行为特征时，可以通过第一预测模型得到搜索行为特征中各项的预测权重。可选地，电子设备可以将预设时间段(如3个月)内的搜索行为特征作为本次预测所获取的搜索行为特征，并按照搜索时间与当前时间的时间间隔为搜索时间计算权重，例如搜索时间与当前时间的时间间隔越大，则对应的权重越小。

作为第一预测模型的另一个示例，第一预测模型还可以是根据用户的历史搜索行为特征和历史出行信息通过机器学习训练的决策树结构的模型，例如梯度提升(gradientboost)决策树。决策树结构的模型可以通过以下方法训练获得：将样本中的搜索行为特征结合搜索后一定时间段(如3个月)内的出行信息进行分类，建立不同的子树，子树中每个叶子节点对应一个预测分数，该预测分数可以是搜索行为特征到达该节点的概率，从而获得初始预测模型；对前一次获取的预测模型中分错的类增加权重，再次划分，循环执行该步骤，直到模型对样本中的搜索行为特征预测的出行信息与实际的出行信息对比准确率达到预设阈值(如98％)。

在一些可选的实现方式中，进行模型训练时，电子设备可以对距离进行约束，即：如果所搜索的地理信息点与实际到达的地理位置之间的距离小于约束距离，则认为用户到达了所搜索的地理位置。可选地，约束距离可以是当前位置与所搜索的位置之间的距离与约束系数的乘积，也可以是所搜索的地理位置与实际到达的地理位置之间实际距离。例如，约束距离可以为200米，当用户所搜索的地理位置与当前位置的距离小于第一预设距离(如100公里)，或者同属于一个城市时，用户实际到达了与所搜索的地理位置相距200米以内的地理位置时，则电子设备认为用户实际到达了所搜索的地理位置。再例如，约束距离可以为用户所搜索的地理位置与当前位置的距离与约束系数(如0.05)的乘积，当用户所搜索的地理位置与当前位置的距离大于第二预设距离(如500公里)时，如果用户到达的地理位置与所搜索的地理位置的距离小于用户所搜索的地理位置与当前位置之间的距离与约束系数的乘积时，则电子设备认为用户实际到达了所搜索的地理位置。如：当前位置为广州的用户搜索了“北京机场”，则如果用户所到达的地理位置与北京机场的距离小于广州与北京的距离乘以约束系数时，电子设备认为用户实际到达了所搜索的地理位置。

关于个性化信息中不包括搜索行为特征时，前述实施例已经给出了一些实现方式。第二预测模型可以是根据地图上的地理信息点之间的路线建立的预测模型，也可以是停留点转移概率模型(如IHMM)，在此不再赘述。

步骤504，基于上述个性化信息及上述预测模型，预测用户的出行信息。

在本实施例中，电子设备接着可以通过确定的预测模型，对获取的个性化信息进行匹配和/或计算，预测出用户可能的出行信息，例如出行时间、出行地点和/或出行概率。

以个性化信息中包括搜索行为特征，第一预测模型为包括根据用户的历史搜索行为特征和历史出行信息计算搜索行为特征中各项的权重的模型为例，电子设备进行本次预测时，可以将一定时间段(如3个月)内的搜索行为特征进行统计，对每次进行搜索的搜索行为特征中各项的权重相加，得到预测系数。可选地，电子设备可以将对每次进行搜索的搜索行为特征获得的预测系数与一定时间段(如3个月)内的搜索行为特征的预测系数相除得到的商，作为用户到达搜索行为特征包含的地理信息点的出行概率。其中，出行时间可以根据用户的出行习惯而定(如休息日的概率较大)。

在本实施例的可选实现方式中，电子设备可以将基于搜索行为特征及上述第一预测模型获取的对用户出行信息的预测结果作为第一预测结果，接着对当前运动轨迹的方向进行判断，根据当前运动轨迹的方向、前一停留点的位置和所搜索的地理信息点的位置之间的关系对第一预测结果进行调整。例如，当用户的当前运动轨迹的方向与前一停留点的位置到所搜索的地理信息点的位置的方向相同时，第一预测结果中用户到达所搜索的地理信息点的概率增大，到达时间可由当前运动轨迹中的运动速度和当前位置与所搜索的地理信息点之间的距离进行计算。

在本实施例中，上述实现流程中的步骤501、步骤504分别与前述实施例中的步骤201、步骤203基本相同，在此不再赘述。

从图5中可以看出，与图2对应的实施例不同的是，本实施例中的信息预测的方法的流程500多出了检测个性化信息是否还包括搜索行为特征的步骤502，同时步骤503与步骤202不同的是，步骤503将预测模型分为包括搜索行为特征的第一预测模型和不包括搜索行为特征的第二预测模型。通过增加的步骤502和与步骤202不同的步骤503，本实施例描述的方案可以引入更多的用户的个性化信息数据，从而实现更有效的用户出行信息的预测。该实施例中，电子设备可以将对大量用户的出行信息的预测结果进行汇总，进而推送给各地理信息点的管理人员或商户。

应当注意，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种信息预测的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于电子设备中。

如图6所示，本实施例所述的信息预测的装置600包括：信息获取模块601、模型确定模块602和信息预测模块603。其中，信息获取模块601配置用于获取用户的个性化信息，其中，个性化信息至少包括当前运动轨迹；模型确定模块602配置用于根据上述个性化信息，确定对应的预测模型；信息预测模块603配置用于基于上述个性化信息及上述预测模型，预测用户的出行信息。

进一步地，如图7所示，模型确定模块602包括检测单元6021和确定单元6022。检测单元6021配置用于检测个性化信息是否还包括搜索行为特征，其中，搜索行为特征至少包括所搜索的地理信息点的位置特征。确定单元6022配置用于若上述个性化信息包括搜索行为特征，确定预测模型为第一预测模型，其中，第一预测模型基于历史搜索行为特征和历史出行信息的样本集训练获得；以及，若上述个性化信息不包括搜索行为特征，确定预测模型为第二预测模型，其中，第二预测模型基于历史运动轨迹训练获得。

应当理解，图6、图7中记载的诸模块或单元分别与参考图2、图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于图6、图7中的装置及其中包含的单元或模块，在此不再赘述。

本领域技术人员可以理解，上述信息预测的装置600还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图6、图7中未示出。

本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括信息获取模块，模型确定模块和信息预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，信息获取模块还可以被描述为“配置用于获取用户的个性化信息的模块”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的信息预测的方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种信息预测的方法，其特征在于，所述方法包括：

获取用户的个性化信息，其中，所述个性化信息至少包括当前运动轨迹；

根据所述个性化信息，确定对应的预测模型；

基于所述个性化信息及所述预测模型，预测用户的出行信息。

2.根据权利要求1所述的方法，其特征在于，所述个性化信息还包括：历史运动轨迹。

3.根据权利要求2所述的方法，其特征在于，所述根据所述个性化信息，确定对应的预测模型包括：

检测所述个性化信息是否还包括搜索行为特征，其中，所述搜索行为特征至少包括所搜索的地理信息点的位置特征；

若包括，确定所述预测模型为第一预测模型，其中，所述第一预测模型基于历史搜索行为特征和历史出行信息的样本集训练获得；

若不包括，确定所述预测模型为第二预测模型，其中，所述第二预测模型基于历史运动轨迹训练获得。

4.根据权利要求3所述的方法，其特征在于，所述搜索行为特征还包括以下至少一项：对地理信息点进行搜索的时间特征、对地理信息点进行搜索时所处的位置、对所搜索的地理信息点进行搜索的次数、对同一地理信息点搜索的时间间隔、是否基于所搜索的地理信息点进行路径规划、所搜索的地理信息点的类别。

5.根据权利要求4所述的方法，其特征在于，所述基于所述个性化信息及所述预测模型，预测用户的出行信息包括：

基于所述搜索行为特征及所述第一预测模型，获取对用户出行信息的第一预测结果；

基于所述当前运动轨迹，对所述第一预测结果进行调整，确定用户到达所搜索的地理信息点的时间和到达的概率。

6.根据权利要求4所述的方法，其特征在于，所述基于所述个性化信息及所述预测模型，预测用户的出行信息包括：

基于所述历史运动轨迹获取停留点转移概率矩阵；

根据所述当前运动轨迹和所述停留点转移概率矩阵确定用户出现在各停留点的概率和时间。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述方法还包括：

获取用户的实际出行信息；

基于所述实际出行信息，更新所述预测模型。

8.一种信息预测的装置，其特征在于，所述装置包括：

信息获取模块，配置用于获取用户的个性化信息，其中，所述个性化信息至少包括当前运动轨迹；

模型确定模块，配置用于根据所述个性化信息，确定对应的预测模型；

信息预测模块，配置用于基于所述个性化信息及所述预测模型，预测用户的出行信息。

9.根据权利要求8所述的装置，其特征在于，所述个性化信息还包括：历史运动轨迹。

10.根据权利要求9所述的装置，其特征在于，所述模型确定模块包括：

检测单元，配置用于检测所述个性化信息是否还包括搜索行为特征，其中，所述搜索行为特征至少包括所搜索的地理信息点的位置特征；

确定单元，配置用于若所述个性化信息包括搜索行为特征，确定所述预测模型为第一预测模型，其中，所述第一预测模型基于历史搜索行为特征和历史出行信息的样本集训练获得；以及，若所述个性化信息不包括搜索行为特征，确定所述预测模型为第二预测模型，其中，所述第二预测模型基于历史运动轨迹训练获得。

11.根据权利要求10所述的装置，其特征在于，所述搜索行为特征还包括以下至少一项：对地理信息点进行搜索的时间特征、对地理信息点进行搜索时所处的位置、对所搜索的地理信息点进行搜索的次数、对同一地理信息点搜索的时间间隔、是否基于所搜索的地理信息点进行路径规划、所搜索的地理信息点的类别。

12.根据权利要求11所述的装置，其特征在于，所述信息预测模块包括：

第一预测单元，配置用于基于所述搜索行为特征及所述第一预测模型，获取对用户出行信息的第一预测结果；

调整单元，配置用于基于所述当前运动轨迹，对所述第一预测结果进行调整，确定用户到达所搜索的地理信息点的时间和到达的概率。

13.根据权利要求11所述的装置，其特征在于，所述信息预测模块包括：

转移概率矩阵获取模块，配置用于基于所述历史运动轨迹获取停留点转移概率矩阵；

第二预测单元，配置用于根据所述当前运动轨迹和所述停留点转移概率矩阵确定用户出现在任意停留点的概率和时间。

14.根据权利要求8-13中任一所述的装置，其特征在于，所述装置还包括：

实际出行信息获取模块，配置用于获取用户的实际出行信息；

模型更新模块，配置用于基于所述实际出行信息，更新所述预测模型。