本发明涉及交通出行服务领域，尤其涉及一种出行方式推荐方法及装置。
背景技术：
：：随着互联网技术的发展，越来越多的电子商务技术应运而生。这些电子商务技术的服务宗旨就是向用户提供更加便捷、高效、准确的服务。以提供便捷交通出行的电子商务技术为例，现有的交通出行网络平台可以向用户提供多样化的出行选择，使得用户在出行前可以提前预定好交通工具，例如，出租车、私家车(快车、专车、顺风车、代驾)、共享单车等，或是提前掌握所要搭乘的交通工具的信息，例如，公共汽车、地铁等的到站及换乘信息，从而节省路程的耗时。然而，实际场景中经常会出现用户在一次完成的出行过程中需要换乘多种交通工具，例如，从a地到达b地，需要先骑行一段共享单车从a地到达附近的地铁站，然后搭乘地铁到达距离b地最近的地铁站，然后再搭乘一段快车或出租车到达b地；当然，从a地到达b地还可以有其他多种换乘方式，如先搭乘一段快车从a地到达附近的公交站，然后搭乘公交车到达距离b地最近的公交站，然后再搭乘一段共享单车到达b地。可见，随着换乘地点的增多，以及换乘方式的可选性的增多，使得换乘规划的复杂度增加，则用户在换乘点思考下个行程该如何到达，该乘坐何种交通工具到达所消耗的精力及时间增加，造成换乘效率不高。因此，如何节省用户出行的时间，提升出行效率是亟需解决的技术问题。技术实现要素：本发明提供一种出行方式推荐方法及装置，用于解决现有技术中用户出行效率不高的技术问题。本发明的第一个方面提供一种出行方式推荐方法，包括：获取用户的历史出行行程数据，所述历史出行行程数据包括：每段出行行程的出发地位置及出发时间，所述每段出行行程的目的地位置及到达时间，所述每段出行行程所使用的交通工具；根据所述每段出行行程的出发地位置及出发时间，所述每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的所述用户的个性化出行路线；根据所述每段出行行程所使用的交通工具，统计用户在每条所述个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型；根据用户的当前位置，在所述用户的个性化出行路线中确定用户的当前目标出行路线；根据所述出行方式预估模型，预估用户在所述当前目标出行路线的每段出行行程中所使用的交通工具；向所述用户推荐所述当前目标出行路线及其包含的每段出行行程对应的交通工具。可选的，所述根据所述每段出行行程的出发地位置及出发时间，所述每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的所述用户的个性化出行路线，包括：根据第一时间阈值，确定第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔是否小于等于所述第一时间阈值；其中，所述第一段出行行程的到达时间先于所述第二段出行行程的出发时间；若所述时间间隔小于等于所述第一时间阈值，则确定两段出行行程具有关联关系，以此类推，将具有所述关联关系的各段出行行程相连接，形成用户的所述个性化出行路线。可选的，所述方法还包括：若所述时间间隔大于所述第一时间阈值且小于等于第二时间阈值，根据预设地理范围阈值，确定所述第一段出行行程的目的地位置与所述第二段出行行程的出发地位置之间的相距距离是否在所述预设地理范围阈值范围内；若在所述预设地理范围阈值范围内，则确定两段行程具有关联关系，以此类推，将具有所述关联关系的各段出行行程相连接，形成用户的所述个性化出行路线。可选的，所述根据所述每段出行行程所使用的交通工具，统计用户在每条所述个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型，包括：基于马尔科夫模型，根据所述每段出行行程所使用的交通工具，统计用户在每条所述个性化出行路线的每段出行行程中基于前次所使用的交通工具确定得到的下次所使用的交通工具的频次，建立每条所述个性化出行路线中每段出行行程使用每种交通工具的概率矩阵，形成所述出行方式预估模型。可选的，所述根据所述出行方式预估模型，预估用户在所述当前目标出行路线的每段出行行程中所使用的交通工具，包括：获取用户前次在所述当前目标出行路线的每段出行行程中使用的交通工具，根据所述概率矩阵，确定基于前次所使用的交通工具得到的下次使用每种交通工具的频次；计算用户在所述当前目标出行路线的每段出行行程中使用每种交通工具的概率，选取每段出行行程中概率值最大的交通工具作为该段行程的交通工具。本发明的第二个方面提供一种出行方式推荐装置，包括：获取模块，用于获取用户的历史出行行程数据，所述历史出行行程数据包括：每段出行行程的出发地位置及出发时间，所述每段出行行程的目的地位置及到达时间，所述每段出行行程所使用的交通工具；确定模块，用于根据所述每段出行行程的出发地位置及出发时间，所述每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的所述用户的个性化出行路线；建立模块，用于根据所述每段出行行程所使用的交通工具，统计用户在每条所述个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型；所述确定模块，还用于根据用户的当前位置，在所述用户的个性化出行路线中确定用户的当前目标出行路线；预估模块，用于根据所述出行方式预估模型，预估用户在所述当前目标出行路线的每段出行行程中所使用的交通工具；推荐模块，用于向所述用户推荐所述当前目标出行路线及其包含的每段出行行程对应的交通工具。可选的，所述确定模块，包括：第一确定子模块，用于根据第一时间阈值，确定第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔是否小于等于所述第一时间阈值；其中，所述第一段出行行程的到达时间先于所述第二段出行行程的出发时间；当所述时间间隔小于等于所述第一时间阈值时，确定两段出行行程具有关联关系，以此类推，将具有所述关联关系的各段出行行程相连接，形成用户的所述个性化出行路线。可选的，所述确定模块，还包括：第二确定子模块，用于当所述时间间隔大于所述第一时间阈值且小于等于第二时间阈值时，根据预设地理范围阈值，确定所述第一段出行行程的目的地位置与所述第二段出行行程的出发地位置之间的相距距离是否在所述预设地理范围阈值范围内；若在所述预设地理范围阈值范围内，则确定两段行程具有关联关系，以此类推，将具有所述关联关系的各段出行行程相连接，形成用户的所述个性化出行路线。可选的，所述建立模块，具体用于基于马尔科夫模型，根据所述每段出行行程所使用的交通工具，统计用户在每条所述个性化出行路线的每段出行行程中基于前次所使用的交通工具确定得到的下次所使用的交通工具的频次，建立每条所述个性化出行路线中每段出行行程使用每种交通工具的概率矩阵，形成所述出行方式预估模型。可选的，所述预估模块，包括：获取子模块，用于获取用户前次在所述当前目标出行路线的每段出行行程中使用的交通工具；确定子模块，用于根据所述概率矩阵，确定基于前次所使用的交通工具得到的下次使用每种交通工具的频次；计算子模块，用于计算用户在所述当前目标出行路线的每段出行行程中使用每种交通工具的概率；选取子模块，用于选取每段出行行程中概率值最大的交通工具作为该段行程的交通工具。本发明提供的出行方式推荐方法及装置，通过获取用户的历史出行行程数据，历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具；根据每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的用户的个性化出行路线；根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型；根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线；根据出行方式预估模型，预估用户在当前目标出行路线的每段出行行程中所使用的交通工具；向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。本方案通过对用户的大量历史出行数据进行分析，可以准确可靠地判断出用户的各段子行程路径，并根据用户的出行习惯得到其在各段子行程所适合的用车类型，为用户提供准确可靠的出行选择依据，节省用户的出行时间，提升出行效率及出行的便捷性。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明一示例性实施例示出的出行方式推荐方法的流程示意图；图2为本发明另一示例性实施例示出的出行方式推荐方法的流程示意图；图3为本发明一示例性实施例示出的出行方式推荐装置的结构示意图；图4为本发明另一示例性实施例示出的出行方式推荐装置的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明一示例性实施例示出的出行方式推荐方法的流程示意图，如图1所示，本实施例以该出行方式推荐方法应用于出行方式推荐装置中来举例说明，该出行方式推荐装置可通过硬件和/或软件的方式实现，实际应用中，出行方式推荐装置可以独立设置，如其可以为与用户的客户端进行交互的应用服务器；也可以集成于提供交通出行的网络平台(以下简称“平台”)所基于的云端服务器中，并与提供交通出行的网络平台所基于的存放有各类数据库的数据服务器配合使用；此外，出行方式推荐装置所基于的服务器可与数据服务器为同一服务器，或者为隶属于同一服务器集群的不同服务器，本发明对此均不进行限制；该出行方式推荐装置还可以集成设置在与提供交通出行的网络平台进行交互的用户的客户端所依托的设备中，其通过与提供交通出行的网络平台进行信息交互、数据更新，实现本发明的出行方式推荐方法，用户的客户端所依托的设备可以例如，智能手机、平板电脑pad(portableandroiddevice，简称“pad”)或各种移动电子设备中，以上这些电子设备可以统称为“终端”。以下实施例中以该出行方式推荐装置为应用服务器为例进行说明。该出行方式推荐方法具体包括：步骤101、获取用户的历史出行行程数据。在本步骤中，历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具。该历史出行行程数据的获取可以通过提供交通出行的网络平台采集用户通过该平台完成的用车订单进行统计。其中，每段出行行程所使用的交通工具可以包括任意形式的交通工具，例如，出租车、私家车(快车、专车、顺风车、代驾)、单车等，或者具有固定站点的公共交通工具，例如公交车、地铁等。用户可以在终端中安装预定上述各种出行方式的客户端程序，即应用程序(application，“app”)，以实际应用场景为例，用户通过平台在出发前预定好出租车，结束用车后平台记录此次用户使用出租车出行的出行记录，形成一条用户的历史出行行程数据。步骤102、根据每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的用户的个性化出行路线。在本步骤中，所谓每段出行行程之间的关联关系是指，各个零散分布的出行行程之间可以连接为用户的一条出行轨迹，具体的，将零散分布的各个目的地位置的坐标点、出发地位置的坐标点按照用户的行进方向连接为一条轨迹线条。举例来说，用户从a点出发，途径b点，再到c点，最终到达d点，则将a、b、c、d四个地理位置相连接，得到用户的一条出行轨迹。其中，所谓每段出行行程的出发地位置、目的地位置，是指例如用户在a点开启一辆共享单车，则平台记录a点为该段出行行程的出发地位置；用户骑行单车到达b点后改乘地铁，则平台记录b点为该段出行行程的目的地位置；从a到b为一段用户的出行行程。平台根据用户在b点购置地铁票的记录或者刷地铁卡进入地铁站的记录获知用户开启了下一段出行行程，若用户乘坐地铁到达c点后，通过平台呼叫了快车，则b到c为一段用户的出行行程，平台记录b点为该段出行行程的出发地位置，记录c点为该段出行行程的目的地位置；同理，平台获取到用户在c点乘坐快车的用车记录，则c点为用户的下一段出行行程的出发地位置，若用户乘坐快车到达d后，平台记录了用户缴纳此次快车车费的结束用车的记录，则从a点到达d点，用户采用了多种交通工具，且a、b、c、d并非孤立的地理位置，而是用户出行的一条完整轨迹路线，因此，将如前述a、b、c、d这样的各个地理位置点关联起来，形成包含包含一段或多段出行行程(如，a到b、b到c、c到d)的用户个性化出行路线。此外，上述用户的个性化出行路线的确定，还需要依据每段出行行程的出发时间及每段出行行程的到达时间进行辅助确定。例如，平台记录了前述a到b到c到d的行程信息，但a到b到c是发生在上午，而c到d是发生在下午，则a到b到c到d不能被认为是用户的一条个性化出行路线，因此，该个性化出行路线需要满足用户一次性出行的条件，也就是说用户从a点出发，其真实的目的地是d点，中间的b点和c点为中转站。因此，对于前述情况，a到b到c可能为用户的一条个性化出行路线，可以作为包含a到b，b到c两段出行行程的一条个性化出行路线，而c到d为用户的一条个性化出行路线，作为仅包含c到d一段出行行程的一条个性化出行路线。有关用户的个性化出行路线的具体确定方式本领域技术人员可以通过对用户的历史出行行为建模并采用数学统计分析方法进行确定，例如，增强学习算法或其他统计、训练算法，本实施例中对该个性化出行路线的确定方法不作具体限定。步骤103、根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型。在本步骤中，所谓出行方式预估模型，是用于确定用户在一条个性化出行路线中的各段出行行程中使用每种交通工具的概率的模型。该模型的建立包括但不限于采用数学模型对该用户的每条个性化出行路线进行数学表示，构建得到的模型用于实现对用户在每段出行行程中最可能采用的交通工具进行预测，该出行方式预估模型包括但不限于马尔科夫模型、高斯模型、混合高斯模型、贝叶斯模型等其中一种模型或多种模型。步骤104、根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线。在本步骤中，用户的当前位置可以在用户打开该提供交通出行的网络平台的客户端的时刻获取。在获取用户的当前位置之前，还可以包括向用户的终端发送询问消息，询问是否开启终端的定位功能，若用户同意开启，则由终端读取用户的当前位置并发送到后台的应用服务器。具体获取方式可以通过用户终端的gps定位装置获取当前位置，或者还可以基于终端网络信号的供给基站的位置计算终端当前位置，还可以通过获取用户终端设备的ip地址等方式。获得了用户当前的位置信息，由于之前通过分析用户的历史出行行程数据，应用服务器已经掌握了用户的多条个性化出行路线，因此，可以在其中找到包含该当前位置的个性化出行路线作为用户本次出行的目标出行路线。其中，根据不同情况，根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线的方法也不同，例如，仅获知用户当前位置的情况，则可以根据前述步骤102所确定的用户个性化出行路线预测该目标出行路线；还可以根据用户自己输入的目的位置，结合当前位置，更为准确地给出该两点间的直通或换乘路线。进一步地，还可能出现基于同一当前位置，有多条可能的个性化出行路线，则可以根据各条个性化出行路线在历史出行行程数据中被统计的频次，将最可能的目标出行路线推荐给用户，或将几种可能的目标出行路线推送给用户，并接收用户从中进行选择后的确认消息，以确定哪条个性化出行路线为用户本次的出行路线。步骤105、根据出行方式预估模型，预估用户在当前目标出行路线的每段出行行程中所使用的交通工具。步骤106、向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。在上述两个步骤中，根据用户的当前位置，确定得到本次出行的目标出行路线后，若该目标出行路线中包含多段出行行程，则根据出行方式预估模型，预估用户最有可能采用的交通工具，并推荐给用户；或者还可以将出行方式预估模型与当前出行的路况相结合，预估当下最适合采用的交通工具，从而给出一个即结合了用户个性化出行喜好(出行方式预估模型)，又结合了实际出行环境的最优的出行方式规划，进一步提升用户出行效率，方便用户出行。本实施例提供的出行方式推荐方法，通过获取用户的历史出行行程数据，历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具；根据每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的用户的个性化出行路线；根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型；根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线；根据出行方式预估模型，预估用户在当前目标出行路线的每段出行行程中所使用的交通工具；向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。本方案通过对用户的大量历史出行数据进行分析，可以准确可靠地判断出用户的各段子行程路径，并根据用户的出行习惯得到其在各段子行程所适合的用车类型，为用户提供准确可靠的出行选择依据，节省用户的出行时间，提升出行效率及出行的便捷性。图2为本发明另一示例性实施例示出的出行方式推荐方法的流程示意图，如图2所示，在上一实施例的基础上，该出行方式推荐方法，具体包括：步骤201、获取用户的历史出行行程数据。在本步骤中，该历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具。步骤202、根据第一时间阈值，确定第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔是否小于等于第一时间阈值。其中，第一段出行行程的到达时间先于第二段出行行程的出发时间若小于等于该第一时间阈值；若小于等于，则执行步骤203；若大于该第一时间阈值且小于等于第二时间阈值，则执行步骤204。在本步骤中，根据第一段出行行程的到达时间先于第二段出行行程的出发时间的限定条件，可知第一段出行行程与第二段出行行程之间为先后两段行程的关系，则时间间隔限定了前段行程的结束到后段行程的开始之间的时长。举例来说，用户在a点开启一辆共享单车，到达b点后改乘地铁，用户乘坐地铁到达c点后改乘快车到达d；则从a到b为前次用车，从b到c为下次用车；若在b点结束使用共享单车的时间为t1(第一段出行行程的到达时间点)，在b点刷卡进入地铁站的时间为t2(第二段出行行程的出发时间点)，则t2-t1为第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔。所谓第一时间阈值，为根据大量用户历史出行数据总结归纳出的符合用户普遍出行规律的时间阈值，例如，用户从b点停放共享单车的地点走到乘坐地铁的地铁站可能需要3分钟，则若第一时间阈值为10分钟，3分钟小于第一时间阈值，则可以认为用户在b点进行了换乘，则a到b，b到c为用户的一条个性化出行路线。步骤203、确定两段出行行程具有关联关系，以此类推，将具有关联关系的各段出行行程相连接，形成用户的个性化出行路线。在本步骤中，在用户的历史出行行程数据中找到步骤202中各段能够彼此连接的出行行程，并将它们彼此连接，从而得到包含了一段或多段出行行程的用户的个性化出行路线。步骤204、根据预设地理范围阈值，确定第一段出行行程的目的地位置与第二段出行行程的出发地位置之间的相距距离是否在预设地理范围阈值范围内，若在预设地理范围阈值范围内，则执行步骤203。在本步骤中，仅仅通过步骤202的第一时间阈值条件确定两段出行行程是否为关联行程，可能会筛除很多实际应用中属于用户的个性化出行路线的分段出行行程，因此，需要通过预设地理范围阈值的条件对个性化出行路线进行更加准确地判定。例如，用户在a点乘坐地铁到达b点后走路到达c，从c叫了快车到达了d点。其中，a点为单位，d点为用户家，则很显然从a到d为用户的一条个性化出行路线，然而，由于用户从b点到达c点，平台未记录到用户的历史出行行程数据，因为其走路从b到c，且该段路程用户走路耗时超过了第一时间阈值(例如，10分钟)，则根据步骤202，平台不认为该a到b的出行行程与c到d的出行行程之间具有关联关系。这样就会使得平台后续向用户推荐个性化出行路线的换乘方案时存在换乘间断点或不准确的地方。因此，针对此种情况，可以采用预设地理范围阈值，确定第一段出行行程的用车地点(b点)，与第二段出行行程的用车地点(c)点之间的相距距离是否超出预设地理范围阈值(例如，1000米)，该预设地理范围阈值可以为根据大量用户历史步行的出行数据总结归纳出的符合用户普遍换乘步行规律的地理范围阈值。若未超出，则可以认为用户在b点走路到达了c点，则将a到b，b到c，c到d连接为用户的一条个性化出行路线。此外，对于用户在b点换乘因为某些原因，例如，进入超市买了瓶水等情况，使得第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔超出了第一时间阈值，则也可以根据该预设地理范围阈值确定用户就在b点附近，从而判定a到b，b到c具有一定的关联关系。进一步的，除了单纯以预设地理范围阈值作为判定条件，还可以借助其他技术辅助判定，例如，可以获取用户终端的加速度传感器或步行检测传感器测量的数据，辅助判断用户是否在b到c间采用步行的换乘方式。此外，仅以时间间隔大于第一时间阈值的条件结合预设地理范围阈值的条件进行判断，可能会出现误判，因此，还需要限定时间间隔大于第一时间阈值且小于等于第二时间阈值(如半个小时，认为在某地点的短暂停留，如前述例子中用户在b点进入超市买瓶水的时间)。此外，对于用户长时间在某个地点停留，然后再出发的场景，通常不认为其为一条连贯的出行路线，例如，上午，用户从a点到达b点再到达c点，其中a点为家，c点为单位，b点为途径换乘点；然后，下午，用户从c点到达d点再到达a点，也就是说下班回家与上班用户走了不同的路线，则，a到b到c再到d再到a不会被认为是用户的一条个性化出行路线，a到b到c为用户的一条个性化出行路线，c到d到a为用户的一条个性化出行路线。具体判定过程是，首先，获取到用户在c点的前后两次用车间隔时长大于了第一时间阈值的条件，再判断其是否小于第二时间阈值的条件，若小于可以认为其在c点短暂停留后再出发，则上述a到b到c再到d再到a可能为一条个性化出行路线；但若用户在c点的停留时间超出第二时间阈值的条件，则不认为上述a到b到c再到d再到a为一条个性化出行路线。也就是说，上班和下班为两次出行行程，若其在c点停留了大概8个小时则超出了第二时间阈值。步骤205、基于马尔科夫模型，根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中基于前次所使用的交通工具确定得到的下次所使用的交通工具的频次，建立每条个性化出行路线中每段出行行程使用每种交通工具的概率矩阵，形成出行方式预估模型。步骤206、根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线。步骤207、获取用户前次在当前目标出行路线的每段出行行程中使用的交通工具，根据概率矩阵，确定基于前次所使用的交通工具得到的下次使用每种交通工具的频次。步骤208、计算用户在当前目标出行路线的每段出行行程中使用每种交通工具的概率，选取每段出行行程中概率值最大的交通工具作为该段行程的交通工具。步骤209、向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。在步骤205～步骤209中，马尔科夫模型遵循马尔科夫原理，是一种统计模型，可以对于某个状态序列通过其中的每个状态取决于前面有限个状态确定该状态序列的规律。对于每条个性化出行路线中的每段出行行程所使用的交通工具的类型进行预测的过程，可以通过前述对用户的历史出行行程数据进行统计判定得到用户的各个性化出行路线；然后统计用户在每条个性化出行路线的每段出行行程中基于前次所使用的交通工具确定得到的下次所使用的交通工具的频次，即在一条个性化出行路线中，上一出行行程使用某交通工具后，下一行程使用各种交通工具的数量分布。以此推测用户将会在下次行程中使用的交通工具的类型。为了简化运算，对于一阶马尔科夫模型来说，假设用户在某一条个性化出行路线的一段出行行程中所使用的交通工具的记录为表1所示，表1时间交通工具2017/5/3018:36出租车2017/6/217:58出租车2017/6/1212:04出租车2017/6/2020:07快车2017/6/279:43出租车2017/6/2813:06出租车2017/6/2814:56出租车2017/6/2817:40出租车2017/6/299:10出租车2017/6/2911:16出租车2017/6/2916:44出租车2017/7/310:26出租车2017/7/418:58出租车2017/7/422:18出租车2017/7/610:01出租车2017/7/715:06出租车2017/7/719:27出租车2017/7/119:30出租车2017/7/1311:36快车2017/7/1515:25出租车2017/7/179:00出租车2017/7/1811:42出租车2017/7/1820:58出租车根据步骤205，基于马尔科夫模型，可以得出表2的概率矩阵，表2下次使用出租车下次使用快车上次使用出租车182上次使用快车20由表2的概率矩阵可知，当告知用户上一次在该出行行程中所使用的交通工具的类型，通过表2的跳转矩阵，可以对用户下一次在该出行行程中使用哪种交通工具做出预测。统计得到的条件概率如下：p(y＝a│x＝a)＝0.9；p(y＝b│x＝a)＝0.1；p(y＝a│x＝b)＝1；p(y＝b│x＝b)＝0。其中，x表示上次使用的交通工具的类型，y表示下次使用的交通工具的类型，a表示该交通工具为出租车，b表示该交通工具为快车。假设用户上次在该段出行行程中使用快车b，通过马尔科夫矩阵，可以很快得到用户下一次在该段出行行程中使用快车b的概率为0，使用出租车a的概率为1，则平台将推荐该段出行行程选用出租车a的方案给用户。以上仅以一条个性化出行路线中的一段出行行程的马尔科夫矩阵为例进行说明，根据不同的个性化出行路线建立不同的马尔科夫模型，并根据每条个性化出行路线中所包含的多段出行行程的个数，建立不同维度的马尔科夫模型，从而确定从a点到b点，从b点到c点，从c点到d点......中各段出行行程中概率最大的交通工具的类型，并推荐给用户。图3为本发明一示例性实施例示出的出行方式推荐装置的结构示意图，如图3所示，本实施例的出行方式推荐装置，包括：获取模块31，用于获取用户的历史出行行程数据，历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具。确定模块32，用于根据每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的用户的个性化出行路线。建立模块33，用于根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型。确定模块32，还用于根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线。预估模块34，用于根据出行方式预估模型，预估用户在当前目标出行路线的每段出行行程中所使用的交通工具。推荐模块35，用于向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。该出行方式推荐装置可用于实现图1所示的方法实施例，其实现原理相似，在此不再赘述。本发明提供的出行方式推荐装置，通过获取用户的历史出行行程数据，历史出行行程数据包括：每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，每段出行行程所使用的交通工具；根据每段出行行程的出发地位置及出发时间，每段出行行程的目的地位置及到达时间，确定每段出行行程之间是否具有关联关系，形成包含一段或多段出行行程的用户的个性化出行路线；根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中使用每种交通工具的频次，建立出行方式预估模型；根据用户的当前位置，在用户的个性化出行路线中确定用户的当前目标出行路线；根据出行方式预估模型，预估用户在当前目标出行路线的每段出行行程中所使用的交通工具；向用户推荐当前目标出行路线及其包含的每段出行行程对应的交通工具。本方案通过对用户的大量历史出行数据进行分析，可以准确可靠地判断出用户的各段子行程路径，并根据用户的出行习惯得到其在各段子行程所适合的用车类型，为用户提供准确可靠的出行选择依据，节省用户的出行时间，提升出行效率及出行的便捷性。图4为本发明另一示例性实施例示出的出行方式推荐装置的结构示意图，如图4所示，基于上述实施例，本实施例的出行方式推荐装置中，确定模块32，包括：第一确定子模块321，用于根据第一时间阈值，确定第一段出行行程的到达时间与第二段出行行程的出发时间之间的时间间隔是否小于等于第一时间阈值；其中，第一段出行行程的到达时间先于第二段出行行程的出发时间；当时间间隔小于等于第一时间阈值时，确定两段出行行程具有关联关系，以此类推，将具有关联关系的各段出行行程相连接，形成用户的个性化出行路线。可选的，确定模块32，还包括：第二确定子模块322，用于当时间间隔大于第一时间阈值且小于等于第二时间阈值时，根据预设地理范围阈值，确定第一段出行行程的目的地位置与第二段出行行程的出发地位置之间的相距距离是否在预设地理范围阈值范围内；若在预设地理范围阈值范围内，则确定两段行程具有关联关系，以此类推，将具有关联关系的各段出行行程相连接，形成用户的个性化出行路线。可选的，建立模块33，具体用于基于马尔科夫模型，根据每段出行行程所使用的交通工具，统计用户在每条个性化出行路线的每段出行行程中基于前次所使用的交通工具确定得到的下次所使用的交通工具的频次，建立每条个性化出行路线中每段出行行程使用每种交通工具的概率矩阵，形成出行方式预估模型。可选的，预估模块34，包括：获取子模块341，用于获取用户前次在当前目标出行路线的每段出行行程中使用的交通工具。确定子模块342，用于根据概率矩阵，确定基于前次所使用的交通工具得到的下次使用每种交通工具的频次。计算子模块343，用于计算用户在当前目标出行路线的每段出行行程中使用每种交通工具的概率。选取子模块344，用于选取每段出行行程中概率值最大的交通工具作为该段行程的交通工具。该出行方式推荐装置可用于实现图2所示的方法实施例，其实现原理相似，在此不再赘述。本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12当前第1页12