路线推送、模型训练方法、装置、电子设备和存储介质

技术领域

本公开涉及数据处理领域，具体为智能交通领域，尤其涉及一种路线推送、模型训练方法、装置、电子设备和存储介质。

背景技术

随着交通路线的日趋复杂，人们目前需要依靠相关导航定位技术来为自己的出行提供便利。

向用户推送出行线路，可以提高用户的出行便捷性。

发明内容

本公开提供了一种路线推送、模型训练方法、装置、电子设备和存储介质。

根据本公开的一方面，提供了一种路线推送方法，包括：

获取目标用户的历史行为数据，并确定所述目标用户的通行路线；

根据所述历史行为数据，确定所述通行路线对应的路线特征；

根据所述路线特征，在所述目标用户的通行路线中确定目标路线，并向所述目标用户进行推送。

根据本公开的一方面，提供了一种路线筛选模型的训练方法，包括：

获取样本用户的历史行为数据，并生成所述样本用户的样本路线；

对所述样本路线进行特征提取，确定所述样本路线对应的样本特征；

根据所述样本用户、所述样本路线和所述样本特征，生成样本数据；

根据所述样本用户的历史行为数据，对所述样本数据进行标注，并添加到所述样本数据中；

根据所述样本数据，对路线筛选模型进行训练，所述路线筛选模型用于对所述样本用户的多个样本数据进行预测，以对各所述样本数据中的样本路线进行筛选。

根据本公开的一方面，提供了一种路线推送装置，包括：

通行路线确定模块，用于获取目标用户的历史行为数据，并确定所述目标用户的通行路线；

路线特征提取模块，用于根据所述历史行为数据，确定所述通行路线对应的路线特征；

路线推送模块，用于根据所述路线特征，在所述目标用户的通行路线中确定目标路线，并向所述目标用户进行推送。

根据本公开的一方面，提供了一种路线筛选模型的训练装置，包括：

样本路线确定模块，用于获取样本用户的历史行为数据，并生成所述样本用户的样本路线；

路线特征提取模块，用于对所述样本路线进行特征提取，确定所述样本路线对应的样本特征；

样本数据生成模块，用于根据所述样本用户、所述样本路线和所述样本特征，生成样本数据；

样本类型标注模块，用于根据所述样本用户的历史行为数据，对所述样本数据进行标注，并添加到所述样本数据中；

模型训练模块，用于根据所述样本数据，对路线筛选模型进行训练，所述路线筛选模型用于对所述样本用户的多个样本数据进行预测，以对各所述样本数据中的样本路线进行筛选。

根据本公开的另一方面，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本公开任一实施例所述的路线推送方法，或路线筛选模型的训练方法。

根据本公开的另一方面，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本公开任一实施例所述的路线推送方法，或路线筛选模型的训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任一实施例所述的路线推送方法，或路线筛选模型的训练方法。

本公开实施例可以提高路线的推荐精准性。

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是根据本公开实施例公开的一种路线推送方法的流程图；

图2是根据本公开实施例公开的另一种路线推送方法的流程图；

图3是根据本公开实施例公开的另一种路线推送方法的流程图；

图4是根据本公开实施例公开的一种路线筛选模型的训练方法的流程图；

图5是根据本公开实施例公开的一种应用场景的示意图；

图6是根据本公开实施例公开的一种路线推送内容的界面图；

图7是根据本公开实施例公开的一种路线推送装置的结构图；

图8是根据本公开实施例公开的一种路线筛选模型的训练装置的结构图；

图9是用来实现本公开实施例的路线推送方法或路线筛选模型的训练方法的电子设备的框图。

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。

图1是根据本公开实施例公开的一种路线推送方法的流程图，本实施例可以适用于对一个用户的多个通行路线进行筛选，得到目标路线，并推荐给该用户的情况。本实施例方法可以由路线推送装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。

S101，获取目标用户的历史行为数据，并确定所述目标用户的通行路线。

目标用户为待推送路线的用户。示例性的，目标用户为浏览地图界面的用户，可以在界面上显示推送的路线。历史行为数据可以是指目标用户量历史做出的行为，具体可以包括下述至少一项：历史操作和历史移动轨迹等，其中，历史操作可以是指目标用户对路线的访问操作，历史移动轨迹是指目标用户在现实世界中经过的轨迹点等数据，历史行为数据用于确定目标用户的通行路线。通行路线是指目标用户可能感兴趣的路线，通行路线用于筛选出待推送的目标路线。根据历史行为数据确定目标用户的通行路线可以包括下述至少一项：根据历史行为数据中历史操作行为，确定历史操作行为关联的通行路线；和根据历史行为数据中历史定位信息，生成目标用户的通行路线。其中，历史操作行为可以用户对路线的访问操作。历史操作行为关联的通行路线，为用户访问的路线。对路线的访问操作可以是包括下述至少一项：点击路线、收藏路线和查询路线等。

S102，根据所述历史行为数据，确定所述通行路线对应的路线特征。

路线特征用于对通行路线进行筛选。根据历史行为数据确定通行路线对应的路线特征，是指，从历史行为数据中，确定通行路线关联的数据，并从关联的数据中，统计描述通行路线的特征，确定为路线特征。

路线特征包括下述至少一项：访问特征、定位特征和类型特征等。历史行为数据包括历史操作行为、历史定位信息和移动速度等，根据沿着通行路线的移动速度可以确定沿着通行路线移动的通行类型。示例性的，根据所述历史行为数据，确定所述通行路线对应的路线特征，包括下述至少一项：根据所述历史操作行为，确定所述通行路线的访问统计信息，确定为访问特征，并作为所述通信路线的路线特征；根据所述历史定位信息，确定所述历史定位信息与所述通行路线之间的空间关系，确定为定位特征，并作为所述通行路线的路线特征；和，根据沿着所述通行路线行驶的通行类型，确定类型特征，并作为所述通行路线的路线特征。

S103，根据所述路线特征，在所述目标用户的通行路线中确定目标路线，并向所述目标用户进行推送。

目标路线用于推送给目标用户，以使目标用户浏览，快速了解目标路线的信息，减少目标用户出行的操作成本。实际上，本公开实施例提供的是在目标用户并未给出路线起点和路线终点的情况下，获取目标用户的历史行为数据，最终确定目标用户的目标路线，向目标用户推送目标路线。

通行路线的数量为至少一个。根据路线特征，可以对通行路线进行筛选，得到目标路线。

示例性的，可以根据路线特征，检测满足预设筛选条件的通行路线，确定为目标路线。例如，筛选出路线特征满足筛选条件的通行路线，确定为目标路线。在一个具体的例子中，筛选条件用于筛选出访问次数大于等于预设访问阈值。

又如，可以是根据路线特征，计算各通行路线的分数，根据分数，对各通行路线进行筛选，确定目标路线。根据路线特征，计算各通行路线的分数，根据分数，对通行路线进行排序，选择排序结果中前n个通行路线，确定为目标路线，其中，n为正整数；或者，根据路线特征，计算各通行路线的分数，根据分数，选择大于(或小于)等于预设分数阈值的至少一个通行路线，确定为目标路线。其中，根据路线特征，计算通行路线预测结果，可以是根据路线特征的统计信息，并将多个不同特征的统计信息进行加权求和，计算预测结果。或者还可以根据预先训练的模型，根据路线特征，计算通行路线预测结果。

在现有技术中，通常根据用户的实时位置和用户输入的起点和终点，确定推荐路线，都需要用户去操作。

根据本公开的技术方案，获取用户的历史行为数据，确定通行路线，并确定通行路线的路线特征，对目标用户的多个通行路线进行筛选，得到目标路线，并向目标用户进行推送，可以向用户推荐感兴趣的路线，减少用户查询路线的操作成本，增加出行便捷性。

图2是根据本公开实施例公开的另一种路线推送方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述确定所述目标用户的通行路线，具体化为：根据所述历史行为数据中历史定位信息，确定所述目标用户的关键定位信息；根据所述目标用户的关键定位信息，生成所述目标用户的通行路线。

S201，获取目标用户的历史行为数据，并确定所述目标用户的通行路线。

S202，根据所述历史行为数据中历史定位信息，确定所述目标用户的关键定位信息。

历史定位信息可以是指采集的目标用户的定位信息。关键定位信息用于生成通行路线。根据历史定位信息确定目标用户的关键定位信息，可以是根据历史定位信息，确定目标用户的频繁定位的定位点，并确定关键定位信息；或者，根据历史定位信息，确定至少一组定位点，其中，每组定位点为处于同一时间段的定位点，根据各组定位点，确定关键定位信息。

其中，频繁定位的定位点可以是指目标用户的通勤地点，其中，通勤地点包括住所位置点和工作位置点。根据历史定位信息，确定目标用户的频繁定位的定位点可以是，获取通勤时间段内的定位和定位时间，并进行聚类，确定住所位置点和工作位置点，并作为目标用户的频繁定位的定位点。根据频繁定位的定位点，确定关键定位信息，可以是将频繁定位的定位点及其位置，确定为关键定位信息。

根据历史定位信息，确定至少一组定位点，可以是按照定位点的定位时间，对各定位点进行聚类，得到至少一个时间段的定位点，将同一时间段的定位点，确定为一组定位点。根据各组定位点，确定关键定位信息，可以是将各组定位点以及各定位点的位置，确定为关键定位信息。

S203，根据所述目标用户的关键定位信息，生成所述目标用户的通行路线。

根据关键定位信息，生成通行路线可以是，将关键定位信息中的至少两个定位点进行路径规划，生成通行路线。

如前例，根据历史定位信息，确定目标用户的频繁定位的定位点，并确定关键定位信息。相应的，根据关键定位信息，生成通行路线，可以是根据关键定位信息，确定至少一对定位点，针对每对定位点确定路线起点和路线终点，生成对应的通行路线。一对定位点可以生成至少一个通行路线。示例性的，频繁定位的定位点包括住所位置点和工作位置点。根据关键定位信息，确定住所位置点和工作位置点，以住所位置点作为起点，且工作位置点作为终点，生成至少一个通行路线，还可以以工作位置点作为起点，且住所位置点作为终点，生成至少一个通行路线，该两组通行路线可以存在相同的通行路线。

又如，根据历史定位信息，确定至少一组定位点，其中，每组定位点为处于同一时间段的定位点，根据各组定位点，确定关键定位信息。相应的，根据关键定位信息，生成通行路线，可以是根据关键定位信息，将一组的定位点进行连接，并映射到道路上，生成至少一条通行路线。

S204，根据所述历史行为数据，确定所述通行路线对应的路线特征。

根据所述历史行为数据，确定所述通行路线对应的路线特征，包括下述至少一项：根据所述历史操作行为，确定所述通行路线的访问统计信息，确定为访问特征，并作为所述通信路线的路线特征；根据所述历史定位信息，确定所述历史定位信息与所述通行路线之间的空间关系，确定为定位特征，并作为所述通行路线的路线特征；和，根据沿着所述通行路线行驶的通行类型，确定类型特征，并作为所述通行路线的路线特征。

其中，历史操作行为可以是访问操作，访问统计信息可以包括：用户对路线的查询次数、点击次数、是否查询、是否点击和是否收藏等。通行类型，可以包括：公共交通工具、步行、骑车或个人驾车等类型，此外，还可以细分，例如，公共交通工具，可以按照车辆类型细分为地铁、公交、无人车或出租车等，或者公共交通工具，还可以按照能源类型，细分为传统能源、新能源或混合能源等。

可选的，所述根据所述历史行为数据，确定所述通行路线对应的路线特征，包括：根据所述历史定位信息，确定所述历史定位信息与所述通行路线之间的空间关系，作为所述通行路线的路线特征。

空间关系可以是指历史定位信息与通行路线在空间上的异同，空间关系具体可以包括下述至少一项：分布和位置等。空间关系用于确定通行路线的路线特征。示例性的，空间关系，可以包括下述至少一项：关键定位信息与通行路线之间的位置关系；历史定位信息与通行路线之间的重合定位信息，与历史定位信息之间的分布关系；和历史定位信息与通行路线之间的重合定位信息，与通行路线中之间的分布关系等。

根据历史定位信息，确定历史定位信息与通行路线之间的空间关系，可以包括下述至少一项：根据历史定位信息，确定关键定位信息；计算关键定位信息包括的定位点与通行路线之间的距离；将历史定位信息包括的定位点以及通行路线包括的轨迹点进行匹配，得到重合点；计算重合点与定位点之间的数量比值；和将历史定位信息包括的定位点以及通行路线包括的轨迹点进行匹配，得到重合点；计算重合点与轨迹点之间的数量比值。

其中，关键定位信息包括的定位点与通行路线之间的距离，可以是指通勤地点与通行路线之间的距离，以描述目标用户的通勤地点与通行路线之间的地理位置关系。重合点是目标用户经过的定位点与通行线路之间的交集，交集与通行路线中所有轨迹点之间的数量比值，描述交集与通行路线的重合分布情况，表示目标用户经过通行路线的频率。交集与目标用户经过的全部定位点之间的数量比值，描述交集与目标用户经过的定位点的重合分布情况，表示目标用户经过该交集点的频率。

通过历史定位信息，确定历史定位信息与通行路线之间的空间关系，并作为该通行路线的路线特征，可以从空间上确定通行路线的特征，丰富通行路线的特征，并且，基于目标用户定位生成的通行路线，增加路线特征的代表性，基于路线特征筛选目标路线，从而提高目标路线筛选的准确性。

S205，根据所述路线特征，在所述目标用户的通行路线中确定目标路线，并向所述目标用户进行推送。

可选的，所述路线为公共交通路线。

通行路线为公共交通路线，目标路线为公共交通路线。公共交通路线为公共交通工具行驶的路线，通常，公共交通路线是指包括固定站点的路线，公共交通工具沿着公共交通路线行驶，按照各固定站点的次序，依次行驶到各固定站点停车，等待乘客上车或下车。公共交通工具通常不会偏离公共交通路线行驶，并且仅在预设的固定站点停车。

其中，生成通行路线可以是指，基于起点和终点，进行包括公共交通路线的路径规划；或者，还可以是基于同一时间段的多个轨迹点，对轨迹点进行连接，并映射到道路上，与至少一个公共交通路线进行匹配，生成通行路线。

通过配置目标路线为公共交通路线，使得本公开实施例的路线推送方法应用于公共交通的应用场景中，可以对公共交通路线进行推送，减少用户查询公共交通路线的操作成本，增加出行便捷性。

根据本公开的技术方案，通过根据历史行为数据中的历史定位信息，确定关键定位信息，并根据关键定位信息，生成通行路线，可以根据用户的历史移动轨迹，生成用户感兴趣的通行路线，增加目标路线的筛选范围，提高目标路线的推荐准确性。

图3是根据本公开实施例公开的另一种路线推送方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述根据所述路线特征，在所述目标用户的通行路线中确定目标路线，具体化为：将所述目标用户、所述通行路线和所述通行路线对应的路线特征，确定为所述目标用户对应的输入数据；将所述目标用户对应的多个输入数据，输入至预先训练的路线筛选模型中，得到所述路线筛选模型输出的各所述输入数据的预测结果，各所述输入数据中的通行路线不同；根据各所述输入数据的预测结果，在所述多个输入数据的通行路线中，确定目标路线。

S301，获取目标用户的历史行为数据，并确定所述目标用户的通行路线。

S302，根据所述历史行为数据，确定所述通行路线对应的路线特征。

S303，将所述目标用户、所述通行路线和所述通行路线对应的路线特征，确定为所述目标用户对应的输入数据。

输入数据用于输入到路线筛选模型中，以筛选目标路线。输入数据包括目标用户、通行路线和通行路线对应的路线特征。其中，通行路线对应的路线特征可以包括多个路线特征，可以将路线特征进行融合，例如，进行拼接形成向量或加权计算等。将融合后的路线特征，确定为通行路线对应的路线特征。一个目标用户存在多个通行路线，根据该目标用户分别与不同的通行路线，生成不同的输入数据，并与该目标用户对应。目标用户可以对应多个输入数据，目标用户对应的多个输入数据中，目标用户相同，但通行路线不同。

此外，针对不同的目标用户，可以分别生成不同的目标用户对应的输入数据。不同目标用户对应的输入数据中的通行路线可以相同，也可以不同。将同一个目标用户对应的输入数据输入路线筛选模型，可以得到该目标用户的目标路线，向该目标用户进行推送。根据不同目标用户的输入数据，可以得到不同目标用户的目标路线，并分别像对应的目标用户进行目标路线进行推送，实现不同用户的精准推送和个性化推送。

S304，将所述目标用户对应的多个输入数据，输入至预先训练的路线筛选模型中，得到所述路线筛选模型输出的各所述输入数据的预测结果，各所述输入数据中的通行路线不同。

路线筛选模型可以是机器学习模型，例如，卷积神经网络模型、梯度提升决策树模型(Gradient Boosting Decision Tree，GBDT)或协同过滤模型(CollaborativeFiltering，CF)等。路线筛选模型用于对输入的同一目标用户的输入数据进行筛选预测，输出同一目标用户的不同输入数据的预测结果。

输入数据的预测结果用于对输入数据进行筛选，具体是对输入数据中的通行路线进行筛选。输入数据的预测结果可以是指输入数据中通行路线的推荐程度，可以用分数表示，以描述目标用户对该输入数据中的通行路线的感兴趣程度。

S305，根据各所述输入数据的预测结果，在所述多个输入数据的通行路线中，确定目标路线，并向所述目标用户进行推送。

预测结果用于在通行路线中确定目标路线。示例性的，预测结果为分数，如果分数越大，表明目标用户对输入数据中的通行路线越感兴趣，则将筛选出高分的至少一个通行路线确定为目标路线；如果分数越小，表明目标用户对输入数据中的通行路线越感兴趣，则将筛选出低分的至少一个通行路线确定为目标路线。

可选的，所述根据所述路线特征，在所述目标用户的通行路线中确定目标路线，包括：根据所述历史行为数据，获取所述目标用户的平均出行速度；根据所述平均出行速度，确定所述目标用户的出行方式特征；根据所述路线特征和所述出行方式特征，在所述目标用户的通行路线中确定目标路线。

获取历史行为数据，从中确定同一时间段的定位点，根据定位点之间的道路距离和定位时间，确定该同一段时间的定位点对应的平均出行速度。根据多个同一段时间的定位点对应的平均出行速度，确定目标用户的平均出行速度。示例性的，可以统计多个时间段的定位点对应的平均出行速度，计算均值，确定为目标用户的平均出行速度；或者，对多个平均出行速度进行聚类，将数量最多的类中的平均出行速度，确定为目标用户的平均出行速度。此外，还可以是其他方式确定目标用户的平均出行速度，对此不具体限定。

实际上不同出行方式，对应的速度不同。出行方式特征可以是指目标用户的出行方式的特征。出行方式特征可以是指出行方式类型，例如可以包括下述至少一项：公共交通工具、步行、自行车或驾车等。可以预设平均出行速度的范围与出行方式特征的对应关系。检测平均出行速度所属的范围，并确定对应的出行方式特征。出行方式特征用于与路线特征共同配合在通行路线中筛选出目标路线。

需要说明的是，基于路线筛选模型的筛选方式中。将出行方式特征添加到目标用户对应的多个输入数据中，也即目标用户对应的多个输入数据中出行方式特征相同，将目标用户对应的多个输入数据输入至路线筛选模型中，得到路线筛选模型输出的各输入数据的预测结果。

通过增加目标用户的出行方式特征，并结合路线特征，在通行路线中筛选目标路线，增加用户的特征，丰富了特征的内容，提高特征的代表性，基于路线特征和出行方式特征筛选路线，提高路线的推荐准确性。

根据本公开的技术方案，通过预先训练的路线筛选模型，对输入的同一目标用户的输入数据进行检测，输出同一目标用户的不同输入数据的预测结果，可以在针对目标用户生成的全部通行路线中，筛选出目标路线，提高路线的推荐准确性。

图4是根据本公开实施例公开的一种路线筛选模型的训练方法的流程图，本实施例可以适用于训练路线筛选模型的情况。本实施例方法可以由路线筛选模型的训练装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。

S401，获取样本用户的历史行为数据，并生成所述样本用户的样本路线。

样本用户可以是指形成样本数据的用户。样本路线是指样本用户可能感兴趣的路线。

S402，对所述样本路线进行特征提取，确定所述样本路线对应的样本特征。

样本特征可以是指样本路线的特征。样本特征用于筛选出样本用户感兴趣的路线。

S403，根据所述样本用户、所述样本路线和所述样本特征，生成样本数据。

样本数据用于输入到路线筛选模型中，以训练路线筛选模型。一个样本用户存在多个样本路线，根据该样本用户分别与不同的样本路线，生成不同的样本数据，并与该样本用户对应。样本用户可以对应多个样本数据，样本用户对应的多个样本数据中，样本用户相同，但样本路线不同。还可以收集多个样本用户的数据，并针对每个样本用户确定样本路线和样本特征，形成每个样本用户对应的样本数据。

S404，根据所述样本用户的历史行为数据，对所述样本数据进行标注，并添加到所述样本数据中。

对样本数据进行标注，用于标注该样本数据的样本路线是否是用户感兴趣的路线。其中，标注具体是标注样本路线的数值，添加到样本数据中，从而训练得到的路线筛选模型可以对同一个目标用户的输入数据进行预测结果计算。将标注的信息添加到样本数据中，作为样本数据的一部分，对路线筛选模型进行训练。

可选的，所述根据所述样本用户的历史行为数据，对所述样本数据进行标注，包括：根据所述样本用户的历史行为数据中历史操作行为，对所述样本数据进行正负样本标注。

标注为正样本的样本数据，表示包括的样本路线为样本用户感兴趣的路线；标注为负样本的样本数据，表示包括的样本路线为样本用户不感兴趣的路线。示例性的，可以采用数字1标注样本数据为正样本，采用数字0标注样本数据为负样本。根据历史操作行为进行正负样本标注，具体可以是，在样本路线存在对应的历史操作行为的情况下，将该样本路线所属的样本数据标注为正样本；在样本路线不存在对应的历史操作行为的情况下，将该样本路线所属的样本数据标注为负样本。样本路线存在对应的历史操作行为，可以是指样本用户对样本路线进行浏览、点击、收藏或查询等操作。样本路线不存在对应的历史操作行为，可以是指样本用户对样本路线并未进行任何操作。此外，样本路线存在对应的历史操作行为，可以是指样本用户对样本路线进行浏览、点击、收藏或查询等操作的次数大于等于预设次数阈值。样本路线不存在对应的历史操作行为，可以是指样本用户对样本路线进行浏览、点击、收藏或查询等操作的次数小于预设次数阈值。此外，还有其他方式确定样本路线是否存在对应的历史操作行为，对此不具体限定。

通过根据历史操作行为，对样本数据进行正负标注，可以准确获取用户了解过的路线，并作为样本数据的真值，训练路线筛选模型，可以提高路线筛选模型的路线筛选准确率。

S405，根据所述样本数据，对路线筛选模型进行训练，所述路线筛选模型用于对所述样本用户的多个样本数据进行预测，以对各所述样本数据中的样本路线进行筛选。

对路线筛选模型进行训练，具体是，将样本数据中除标注之外的数据，输入至路线筛选模型中，得到各样本数据的预测结果，并将标注作为样本数据的真值，并基于预测结果与真值之间的差异，计算损失函数，在损失函数的数值收敛至稳定值，损失函数的数值小于等于预设值，或迭代次数大于等于次数值的情况下，确定路线筛选模块训练完成。训练完成的路线筛选模块用于多个同一目标用户的输入数据进行检测，确定各输入数据的预测结果，从而根据预测结果在各输入数据中筛选出目标路线。

此外，还可以根据历史行为数据，获取样本用户的平均出行速度；根据平均出行速度，确定样本用户的出行方式特征；将出行方式特征添加到样本数据中，以使出行方式特征作为样本数据中的一部分训练路线筛选模块。

根据本公开的技术方案，通过获取样本用户的历史行为数据，确定样本路线，并确定样本路线的路线特征，形成样本数据，并且基于历史行为数据对样本数据进行标注，添加到样本数据，同时基于添加后的样本数据对路线筛选模块进行训练，可以增加样本路线的范围，提高样本数据的样本代表性，提高路线筛选模型的筛选准确率。

图5是根据本公开实施例公开的另一种路线推送方法的场景图。路线推送方法可以包括：

S501，获取历史操作行为。

获取目标用户的历史行为数据，提取历史操作行为。具体的，历史操作行为是目标用户针对特定应用(例如，地图应用等)的操作。

S502，获取通行路线。

获取历史操作行为关联的通行路线。例如，获取目标用户点击、浏览、收藏和搜索的路线等。

S503，获取历史定位信息。

获取目标用户的历史行为数据，提取历史定位信息。历史定位信息可以包括定位点、定位点的位置和定位点的检测时间等。

S504，获取通勤地点。

根据历史定位信息，确定频繁定位的定位点，并进行聚类，得到通勤地点，通勤地点包括住所位置点和工作位置点。根据住所位置点和工作位置点，可以获取更多的通勤路线，确定为通行路线，增加通行路线的覆盖范围。

S505，算路。

基于通勤地点，确定至少一组起点和终点，进行算路，得到包括公共交通路线的至少一个路线。

S506，生成通行路线。

将前述算路得到的路线中的公共交通路线确定为通行路线。

S507，去躁。

对历史定位信息进行去躁。去躁的方式主要是去重，剔除同一时间段内位置相同或非常相近的定位点。

S508，获取多组定位点。

对去躁的历史定位信息，确定至少一个时间段的定位点，一个时间段的定位点，生成一组定位点。获取多组定位点，可以获取代表代表目标用户出行习惯的轨迹点集合，增加通行路线的覆盖范围。

S509，生成通行路线。

针对每组定位点，进行连接，并绑路，得到至少一个路线。将前述得到的路线中的公共交通路线确定为通行路线。

S510，获取通行路线。

将前述得到的通行路线进行汇聚。

S511，确定线路特征。

根据历史行为数据，确定通行路线对应的路线特征。具体包括下述至少一项：根据历史操作行为，确定通行路线的访问统计信息，确定为访问特征，并作为通信路线的路线特征；根据历史定位信息，确定历史定位信息与通行路线之间的空间关系，确定为定位特征，并作为通行路线的路线特征。根据历史定位信息，确定历史定位信息与通行路线之间的空间关系，可以包括下述至少一项：根据历史定位信息，确定关键定位信息；计算关键定位信息包括的定位点与通行路线之间的距离；将历史定位信息包括的定位点以及通行路线包括的轨迹点进行匹配，得到重合点；计算重合点与定位点之间的数量比值；和将历史定位信息包括的定位点以及通行路线包括的轨迹点进行匹配，得到重合点；计算重合点与轨迹点之间的数量比值。

根据关键定位信息中的通勤地点与通行路线之间的距离，可以获取更多更丰富的路线特征。

S512，生成样本数据。

将目标用户作为样本用户，将通行路线作为样本路线，将线路特征作为样本特征，生成一条样本数据。收集多个用户的多个路线，生成多条样本数据。

S513，标注样本数据。

根据历史操作行为对样本数据进行正负样本标注。检测是否存在样本路线对应的历史操作行为，对样本数据进行正负样本标注。

S514，训练线路筛选模型。

根据标注后的样本数据，训练线路筛选模型。

S515，生成输入数据。

将目标用户、通行路线和线路特征，生成一条输入数据。收集目标用户的多个通行路线，生成多条输入数据。

S516，获取预测结果。

将同一个目标用户的多个输入数据输入到预先训练的线路筛选模型中，得到不同输入数据的预测结果。

S517，对通行路线进行排序。

根据不同输入数据的预测结果对通行路线进行排序。示例性的，排序结果越靠前，表明目标用户对通行路线的感兴趣程度越高。可以选择排序结果中前3个通行路线，确定目标路线。并将目标路线向目标用户推送。

可以在指定应用的界面上显示推送的目标线路。示例性的，如图6所示，界面中可以搜索路线，应用常用功能中可以选择不同出行方式，以及在常用地址中用户可以设置常用的通勤地点。在界面最底部，公共交通路线的区域可以显示推送的目标路线。此外还可以获取目标路线的实时信息，同时和目标路线进行显示。例如，可以获取沿着目标路线的车辆的标识信息和行驶信息等，还可以根据实时定位，获取该车辆到达最近的站点的预测时长等信息。

根据本公开的技术方案，根据住所位置点和工作位置点，生成通行路线，相比于用户操作关联的线路，通过该数据算路得到的通行路线更能代表用户的习惯，提高新路线的精准度，根据多组定位点生成通行路线，可以大幅度扩大通行路线的覆盖范围，并且基于通勤地点与通行路线之间的距离，确定路线特征，可以丰富路线的特征代表性，增加用户的频繁出行路线的特征内容，进一步提高目标路线的筛选准确性。

根据本公开的实施例，图7是本公开实施例中的路线推送装置的结构图，本公开实施例适用于对一个用户的多个通行路线进行筛选，得到目标路线，并推荐给该用户的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。

如图7所示的一种路线推送装置700，包括：通行路线确定模块701、路线特征提取模块702和路线推送模块703；其中，

通行路线确定模块701，用于获取目标用户的历史行为数据，并确定所述目标用户的通行路线；

路线特征提取模块702，用于根据所述历史行为数据，确定所述通行路线对应的路线特征；

路线推送模块703，用于根据所述路线特征，在所述目标用户的通行路线中确定目标路线，并向所述目标用户进行推送。

根据本公开的技术方案，获取用户的历史行为数据，确定通行路线，并确定通行路线的路线特征，对目标用户的多个通行路线进行筛选，得到目标路线，并向目标用户进行推送，可以向用户推荐感兴趣的路线，减少用户查询路线的操作成本，增加出行便捷性。

进一步的，所述通行路线确定模块701，包括：关键定位确定单元，用于根据所述历史行为数据中历史定位信息，确定所述目标用户的关键定位信息；通行路线生成单元，用于根据所述目标用户的关键定位信息，生成所述目标用户的通行路线。

进一步的，所述路线特征提取模块702，包括：空间特征确定单元，用于根据所述历史定位信息，确定所述历史定位信息与所述通行路线之间的空间关系，作为所述通行路线的路线特征。

进一步的，所述路线推送模块703，包括：输入数据确定单元，用于将所述目标用户、所述通行路线和所述通行路线对应的路线特征，确定为所述目标用户对应的输入数据；模型检测单元，用于将所述目标用户对应的多个输入数据，输入至预先训练的路线筛选模型中，得到所述路线筛选模型输出的各所述输入数据的预测结果，各所述输入数据中的通行路线不同；目标路线筛选单元，用于根据各所述输入数据的预测结果，在所述多个输入数据的通行路线中，确定目标路线。

进一步的，所述路线推送模块703，包括：平均出行速度获取单元，用于根据所述历史行为数据，获取所述目标用户的平均出行速度；出行方式确定单元，用于根据所述平均出行速度，确定所述目标用户的出行方式特征；目标路线确定单元，用于根据所述路线特征和所述出行方式特征，在所述目标用户的通行路线中确定目标路线。

进一步的，所述路线为公共交通路线。

上述路线推送装置可执行本公开任意实施例所提供的路线推送方法，具备执行路线推送方法相应的功能模块和有益效果。

根据本公开的实施例，图8是本公开实施例中的路线筛选模型的训练装置的结构图，本公开实施例适用于训练路线筛选模型的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。

如图8所示的一种路线筛选模型的训练装置800，包括：样本路线确定模块801、路线特征提取模块802、样本数据生成模块803、样本类型标注模块804和模型训练模块805；其中，

样本路线确定模块801，用于获取样本用户的历史行为数据，并生成所述样本用户的样本路线；

路线特征提取模块802，用于对所述样本路线进行特征提取，确定所述样本路线对应的样本特征；

样本数据生成模块803，用于根据所述样本用户、所述样本路线和所述样本特征，生成样本数据；

样本类型标注模块804，用于根据所述样本用户的历史行为数据，对所述样本数据进行标注，并添加到所述样本数据中；

模型训练模块805，用于根据所述样本数据，对路线筛选模型进行训练，所述路线筛选模型用于对所述样本用户的多个样本数据进行预测，以对各所述样本数据中的样本路线进行筛选。

根据本公开的技术方案，通过获取样本用户的历史行为数据，确定样本路线，并确定样本路线的路线特征，形成样本数据，并且基于历史行为数据对样本数据进行标注，添加到样本数据，同时基于添加后的样本数据对路线筛选模块进行训练，可以增加样本路线的范围，提高样本数据的样本代表性，提高路线筛选模型的筛选准确率。

进一步的，所述样本类型标注模块804，包括：正负样本标注单元，用于根据所述样本用户的历史行为数据中历史操作行为，对所述样本数据进行正负样本标注。

上述路线筛选模型的训练装置可执行本公开任意实施例所提供的路线筛选模型的训练方法，具备执行路线筛选模型的训练方法相应的功能模块和有益效果。

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。

图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性区域图。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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如路线推送方法或路线筛选模型的训练方法。例如，在一些实施例中，路线推送方法或路线筛选模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的路线推送方法或路线筛选模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路线推送方法或路线筛选模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(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系统上执行和/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，可以从存储系统、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系统、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/或区域图中所规定的功能/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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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系统和技术，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。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统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，也可以为分布式系统的服务器，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。