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W继续监测用户的运动轨迹，W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，W新的出行数据增加预测模型的样本容量，W使预测模型 的预测结果越来越准确。
[0059] 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W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。
[0060] 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W提高对用 户出行信息预测的有效性。
[0061] 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W下步骤：
[0062]步骤501，获取用户的个性化信息。
[0063] 在本实施例中，电子设备（例如图1所示的终端设备10U102或服务器104)可W 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W包括但不限于用户 的作息规律、运动轨迹、捜索行为特征等。运里，个性化信息至少包括当前运动轨迹。
[0064] 步骤502,检测上述个性化信息是否还包括捜索行为特征。
[0065] 在本实施例中，电子设备接着可W对上述个性化信息进一步检测，W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，例如是否还包括捜索行为特征。
[0066] 捜索行为特征是用户通过终端设备进行捜索时的行为特征，例如，捜索时使用的 捜索词。在本实施例中，如果该捜索词为与地理信息点（如香山）相关的词，捜索行为特征 至少包括所捜索的地理信息点的位置特征，捜索特征还可W包括但不限于W下至少一项： 对地理信息点进行捜索的时间特征（例如工作日或休息日）、对地理信息点进行捜索时所 处的位置（例如地理位置坐标等）、对所捜索的地理信息点进行捜索的次数、对同一地理信 息点捜索的时间间隔、是否基于所捜索的地理信息点进行路径规划（例如捜索路线）、所捜 索的地理信息点的类别（例如企业、景点、饭店等）、对地理信息点进行捜索的天气特征（如 晴天或下雨等），等等。
[0067] 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。
[0068] 在本实施例中，电子设备可W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捜索行为特征，则电子设备可W确定预测模型为基于历 史捜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 息中不包括捜索行为特征，则电子设备可W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。
[0069] 其中，作为第一预测模型的一个示例，第一预测模型可W包括捜索行为特征中各 项的权重的模型，上述权重根据用户的历史捜索行为特征和历史出行信息计算。例如，捜索 行为特征包括对地理信息点进行捜索的时间特征，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W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 进行捜索的时间特征为工作日时，可W将用户工作日出行的概率作为工作日的对地理信息 点进行捜索的权重。同样，对捜索行为特征的各项分别获得一个权重。当电子设备获取的 个性化信息包括捜索行为特征时，可W通过第一预测模型得到捜索行为特征中各项的预测 权重。可选地，电子设备可W将预设时间段（如3个月）内的捜索行为特征作为本次预测 所获取的捜索行为特征，并按照捜索时间与当前时间的时间间隔为捜索时间计算权重，例 如捜索时间与当前时间的时间间隔越大，则对应的权重越小。
[0070] 作为第一预测模型的另一个示例，第一预测模型还可W是根据用户的历史捜索行 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（gradient boost)决策树。决策树结构的模型可W通过W下方法训练获得：将样本中的捜索行为特征 结合捜索后一定时间段（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W是捜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捜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 预设阔值（如98% )。
[0071] 在一些可选的实现方式中，进行模型训练时，电子设备可W对距离进行约束，即： 如果所捜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 达了所捜索的地理位置。可选地，约束距离可W是当前位置与所捜索的位置之间的距离与 约束系数的乘积，也可W是所捜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W为200米，当用户所捜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捜索的地理位置相距200米 W内的地理位置时，则电子设备认为用户实际到达了所捜索的地理位置。再例如，约束距离 可W为用户所捜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 捜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 地理位置与所捜索的地理位置的距离小于用户所捜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捜索的地理位置。如：当前位置为 广州的用户捜索了 "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W约束系数时，电子设备认为用户实际到达了所捜索的地理位置。
[0072] 关于个性化信息中不包括捜索行为特征时，前述实施例已经给出了一些实现方 式。第二预测模型可W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W是 停留点转移概率模型（如IHMM)，在此不再寶述。
[0073] 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。
[0074] 在本实施例中，电子设备接着可W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。
[0075]W个性化信息中包括捜索行为特征，第一预测模型为包括根据用户的历史捜索行 为特征和历史出行信息计算捜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W将一定时间段（如3个月）内的捜索行为特征进行统计，对每次进行捜索的捜索 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W将对每次进行捜索的捜 索行为特征获得的预测系数与一定时间段（如3个月）内的捜索行为特征的预测系数相除 得到的商，作为用户到达捜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W 根据用户的出行习惯而定（如休息日的概率较大）。
[0076] 在本实施例的可选实现方式中，电子设备可W将基于捜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捜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 位置到所捜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捜索的地理 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捜索的地理 信息点之间的距离进行计算。
[0077] 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，在此不再寶述。
[007引从图5中可W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捜索行为特征的步骤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捜索行为特征的第一预测模型和不包括捜 索行为特征的