CN112070523B - 基于云计算技术在智能交通管理产品中投送广告的方法 - Google Patents

Abstract

本发明公开了一种基于云计算技术在智能交通管理产品中投送广告的方法，所述方法包括：采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据；根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告；实现了基于神经网络技术向用户进行精准广告投送的目的，节约了数据的计算量，提高了数据处理的速度和数据处理的便捷性；对用户侧而言，提高了用户体验以及用户获取信息的便捷性，节约了用户的时间和精力。

Description

基于云计算技术在智能交通管理产品中投送广告的方法

技术领域

本发明涉及云计算技术领域，特别涉及一种基于云计算技术在智能交通管理产品中投送广告的方法。

背景技术

随着计算机技术的不断发展进步以及互联网的逐步普及，互联网在人们的日常工作和生活中占据了越来越重要的地位，也给人们的工作和生活提供了越来越多的便利。人们外出工作、旅游等，大部分也通过互联网进行线上的浏览和预定，比如预定景区门票、住宿酒店等。与此同时，商家通常也可以基于互联网和大数据，在智能交通管理产品中为用户推送相应的广告类信息，以方便用户参考和选择。

目前，利用现有的云计算技术为用户推送相关的广告信息时，通常是根据用户的浏览记录或者是用户的出行记录进行大概的推送，比如，用户浏览了A地的相关景点，则直接推送A地对应的已浏览过的景点和其他景点；利用这种广告推送方式，为用户推送的广告信息不够精准。

发明内容

本发明提供一种基于云计算技术在智能交通管理产品中投送广告的方法，用以利用神经网络向用户进行精准的广告投送。

本发明提供了一种基于云计算技术在智能交通管理产品中投送广告的方法，所述方法包括：

采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据；

根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；

基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告。

进一步地，所述采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据，包括：

根据用户身份识别码，采集预设时长内与所述用户身份识别码相关联的所有历史出行信息；

对采集的所述历史出行信息进行数据处理和数据分析，得到所述用户身份识别码对应的用户历史数据；

其中，所述用户身份识别码包括用户的护照号码和/或身份证号码。

进一步地，所述采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据，包括：

采集预设时长内包含用户的网络售票信息、出发地、目的地以及目的地住宿信息的历史出行信息；

根据所述历史出行信息，获取对应的所述用户历史数据；

其中，所述用户历史数据包括：用户年龄、用户性别、一张网络售票对应的单个目的地与单个出发地之间的单次距离、所述预设时长内总网络售票对应的总距离，最近一次住宿地点对应的单次房间价格、所述预设时长内住宿地点对应的房间总价格，最近一次在住宿地点的单次消费金额、所述预设时长内住宿地点消费的总金额，所述预设时长内乘坐交通工具的交通费，最近一次的景区单次消费金额、所述预设时长内景区消费记录对应的消费总额、住宿地点到景区入口的距离，住宿地点的消费等级信息。

进一步地，所述基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告，包括：

获取与所述用户相关联的智能交通管理产品对应的产品类型和产品ID；

根据得到的所述需求预测信息，基于所述产品类型和产品ID，向用户投送包含所述需求预测信息的广告至所述智能交通管理产品对应的用户终端。

进一步地，所述向用户投送包含所述需求预测信息的广告至所述智能交通管理产品对应的用户终端，包括：

以音频、视频、图片、文字方式中的至少一种方式，和/或任意两种或者两种以上的组合方式，向所述用户终端投送包含所述需求预测信息的广告。

进一步地，所述向所述用户投送包含所述需求预测信息的广告，包括：

按照预先设定的需求指标，从所述需求预测信息中提取出与所述需求指标相关的需求信息；

根据采集的所述历史出行信息，从所述历史出行信息中获取用户基于用户终端的操作日志以及与所述操作日志相关的显示日志；其中，所述用户终端包括：与所述用户相关的智能交通管理产品；

根据所述操作日志和显示日志，计算所述用户终端的常用显示位置指标值，并基于显示位置关系表，获取与所述常用显示位置指标值对应的显示位置；

基于所述需求信息，获取需求信息集合中每条需求信息的需求权重，得到由每条所述需求权重组成的需求权重集合，并根据所述需求权重集合，确定所述需求信息集合的最终排列值；

根据所述最终排列值，确定包含所述需求预测信息的广告所对应的广告布局结果，并将所述广告布局结果传输至所述用户终端，供所述用户终端获取与所述常用显示位置指标值对应的显示位置，并基于所述显示位置进行显示。

进一步地，所述根据所述操作日志和显示日志，计算所述用户终端的常用显示位置指标值，包括：

根据所述操作日志和显示日志，计算得到所述用户的常用显示位置指标值D，可以采用如下数学表达式得到：

其中，K1表示：根据所述操作日志获取用户在用户终端上的操作次数；x_k1、y_k1表示根据所述操作日志获取当用户在所述用户终端上进行第k次操作时，对应的操作点的横坐标、纵坐标；x_k2、y_k2表示根据所述显示日志获取当用户在所述用户终端进行所述第k次操作后，对应的用户终端的内容显示区域的中心点的横坐标、纵坐标；表示：用户在所述用户终端进行第k次操作的操作时长；/>表示：用户在所述用户终端进行第k次操作后所述内容显示区域的内容显示时长；p_k表示：用户在所述用户终端上进行第k次操作所对应的操作位置修正因子，其取值范围为[0.6-0.8]。

进一步地，所述根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息，包括：

根据所述用户历史数据，从所述用户历史数据中选取出用户行为特征对应的用户出行参数，利用所述用户出行参数，构建神经网络预测模型；

利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级；

基于得到的可能的所述消费等级，获取与所述消费等级相匹配的所述需求预测信息。

进一步地，所述根据所述用户历史数据，从所述用户历史数据中选取出用户行为特征对应的用户出行参数，利用所述用户出行参数，构建神经网络预测模型，包括：

根据所述用户历史数据，选取所述用户行为特征对应的所述用户出行参数如下：用户年龄x₁，最近一次一张网络售票对应的单个目的地与单个出发地之间的单次距离x₂，所述预设时长内总网络售票对应的总距离x₃，用户性别x₄，最近一次住宿地点对应的单次房间价格x₅，所述预设时长内住宿地点对应的房间总价格x₆，最近一次在住宿地点的单次消费金额x₇，所述预设时长内住宿地点消费的总金额x₈，所述预设时长内乘坐交通工具的交通费x₉，最近一次的景区单次消费金额x₁₀，所述预设时长内景区消费对应的消费总额x₁₁，住宿地点到景区入口的距离x₁₂；同时，从所述用户历史数据中获取用户每次对应的所述住宿地点的消费等级信息z，其中，所述消费等级信息z设置为五个等级；

假设有N个用户分别对应的所述用户历史数据，则有：其中，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}；

基于所述用户出行参数，构建所述神经网络预测模型predict(x)，则有对应的数学表达式(1)：

predict(x)＝(W₄(σ(W₃(σ(W₂(σ(W₁x)+b₁)+b₂))+b₃))+b₄)； (1)

所述数学表达式(1)中，x为12维的输入变量，即x为所述用户出行参数x₁至x₁₂，W_i和b_i中，i＝1,2,3,4；

W₁,W₂,W₃,W₄，b₁,b₂,b₃,b₄为预先设置的矩阵，为所述神经网络预测模型的中间参数；

且W₁∈R^12×6，表示W₁为12×6维实矩阵；W₂∈R^6×4，表示W₂为6×4维实矩阵；W₃∈R^4×2，表示W₃为4×2维实矩阵；W₄∈R^2×1，表示W₄为2×1维实矩阵；b₄∈R，表示b₄为实数；b₃∈R²，表示b₃为2维实向量；b₂∈R⁴，表示b₂为4维实向量；b₁∈R⁶，表示b₁为6维实向量；σ(x)为switch函数，σ()的数学表达式为：

定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数W_i和b_i；

根据计算得到的所述参数W_i和b_i，得到所述神经网络预测模型predict(x)。

进一步地，所述定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数W_i和b_i，包括：

定义损失函数LossFunction(y)，则有对应的数学表达式(3)：

所述数学表达式(3)中，λ为超参数，N为所述用户历史数据中包含的用户数量，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}；||||F为矩阵Frobenius范数，即若A是m*n阶矩阵，则有对应的数学表达式(4)：

其中，Tr为矩阵的迹；

按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值。

进一步地，所述按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值，包括：

采用梯度下降的方式，最小化所述损失函数LossFunction(y)，则有数学表达式(5)：

其中，β取值为：β＝10^-3；

利用所述数学表达式(5)，更新所述参数W_i和b_i；

在所述损失函数LossFunction(y)的取值满足：LossFunction＜10^-6时，停止更新；

将停止更新时所述参数W_i和b_i的值，即W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的值，作为所述神经网络预测模型predict(x)中各参数分别对应的取值。

进一步地，所述利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级，包括：

利用构建的所述神经网络模型predict(x)，引入round()函数，记所述round()函数的取值为四舍五入的整数，则当获取到所述用户历史数据对应的所述用户出行参数x∈R¹²用户出行参数，即所述x₁，x₂，x₃，…，x₁₂，则预测所述用户出行时可能的消费等级为round(predict(x))。

本发明一种基于云计算技术在智能交通管理产品中投送广告的方法，采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据；根据所述用户历史数据，构建神经网络预测模型，并利用构建的所述神经网络预测模型，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告；实现了基于神经网络技术向用户进行精准广告投送的目的，节约了数据的计算量，提高了数据处理的速度和数据处理的便捷性；对用户侧而言，提高了用户体验以及用户获取信息的便捷性，节约了用户的时间和精力。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明基于云计算技术在智能交通管理产品中投送广告的方法的一种实施方式的流程示意图。

图2是图1所述实施例中步骤S20的一种实施方式的流程示意图。

图3是本发明基于云计算技术在智能交通管理产品中投送广告的方法中，构建神经网络预测模型的一种实施方式的流程示意图。

图4是本发明基于云计算技术在智能交通管理产品中投送广告的方法中，计算获取所述神经网络预测模型参数的一种实施方式的流程示意图。

图5是图1所述实施例中步骤S30的一种实施方式的流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供了一种基于云计算技术在智能交通管理产品中投送广告的方法，根据用户的历史出行信息，通过训练神经网络的参数，可以得到用户行为特征与用户最终需求信息之间的非线性显示表达，将其用于预测广告投送；由于涉及到的数据量非常大，因此，利用云计算中的并行计算来训练神经网络；另外，由于训练好的神经网络无需再进行优化，因此节约了计算量。本发明基于云计算技术在智能交通管理产品中投送广告的方法，基于神经网络技术，实现了向用户进行精准广告投送的目的，节约了数据的计算量，提高了数据处理的速度和数据处理的便捷性。

如图1所示，图1是本发明基于云计算技术在智能交通管理产品中投送广告的方法的一种实施方式的流程示意图。本发明一种基于云计算技术在智能交通管理产品中投送广告的方法，可以实施为如下描述的步骤S10-S30：

步骤S10、采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据。

本发明实施例中，系统根据数据处理需求和具体的应用场景，确定历史出行信息所需的时间段，进而确定所述预设时长的具体取值。根据确定的所述预设时长，采集用户在所述预设时长内对应的所有历史出行记录。目前，由于互联网的便捷性，在实际的应用场景中，用户的出行信息基本上均可以通过互联网的大数据得到，比如，用户出行的购票信息和出行乘坐的交通工具，用户的出发地，用户到达的目的地，用户购买的景区门票，通过用户的消费记录即可得到用户在景区的消费信息等。根据采集的所述历史出行信息，即可分析得出上述历史出行信息中的用户历史数据。

在一个实施例中，所述用户历史数据包括但不限于：用户年龄、用户职业、用户性别、用户消费信息和用户住宿信息等。

步骤S20、根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息。

系统根据从所述历史出行信息中得到的所述用户历史数据，基于获取得到的所述用户历史数据来预测与用户的可能需求信息，进而根据预测结果，得到该用户对应的需求预测信息，以便后续根据该需求预测信息为用户投送对应的包含上述需求预测信息的广告信息。

进一步地，在一个实施例中，系统可以通过构建神经网络模型来获取用户对应的需求预测信息。在本发明实施例中，系统根据所述用户历史数据，构建对应的神经网络预测模型。利用所述用户历史数据对构建的所述神经网络预测模型进行训练，得到所述神经网络预测模型对应的参数，即可利用已知参数的神经网络预测模型，对该用户可能的需求信息进行计算和预测，从而得到该用户对应的需求预测信息。

本发明实施例中，利用了神经网络强大的表示性，将投送广告的技术问题转化为一个神经网络预测模型的监督学习的技术问题；通过训练神经网络模型，得到神经网络模型对应的参数，基于得到的神经网络模型对应的参数，即可得到用户行为特征与该用户最终需求之间的非线性显示表达，并将其用于预测广告投送。由于涉及的数据量非常大，因此利用云计算中的并行计算来训练神经网络模型。由于训练好的神经网络模型无需再进行优化，因而节约了数据的计算量。

步骤S30、基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告。

智能交通管理产品可以是用于向用户提供智能交通服务的APP或者电子产品。

针对得到的所述用户对应的需求预测信息，通过与所述用户相关联的智能交通管理产品，将上述需求预测信息对应的广告投送至对应的用户。利用本发明的这种投送广告的方式，即可实现广告的精准投送。从用户侧来讲，提升了用户体验，节约了用户的时间和精力。

进一步地，在一个实施例中，系统在采集用户的历史出行信息时，以用户身份识别码为出发点，抓取与所述用户身份识别码相关联的历史出行信息。本发明实施例中，所述采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据，可以按照如下方式实施：

根据用户身份识别码，采集预设时长内与所述用户身份识别码相关联的所有历史出行信息；对采集的所述历史出行信息进行数据处理和数据分析，得到所述用户身份识别码对应的用户历史数据。

本发明实施例中，所述用户身份识别码包括但不限于：用户的护照号码和/或身份证号码，只要该用户身份识别码唯一标识一名用户即可。

进一步地，本发明实施例中，在基于用户身份识别码采集预设时长内与所述用户身份识别码相关联的所有历史出行信息的同时，也可以一并采集与所述用户身份识别码有关联关系的其他用户身份识别码对应的历史出行信息；比如，根据用户A的身份识别码采集用户A的历史出行信息时，一并采集与用户A的所述历史出行信息重叠的经常一起出行的用户B的历史出行信息；和/或与用户A有亲属关系的其他家庭成员的历史出行信息，比如用户A出行所携带的宝宝的历史出行信息、用户A的家人对应的历史出行信息等。

在本发明的另一个实施例中，系统在采集用户的历史出行信息时，以用户身份识别码为出发点，抓取与所述用户身份识别码相关联的历史出行信息。本发明实施例中，所述采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据，也可以按照如下方式实施：

采集预设时长内包含用户的网络售票信息、出发地、目的地以及目的地住宿信息的历史出行信息；根据所述历史出行信息，获取对应的所述用户历史数据。

其中，所述用户历史数据包括但不限于：用户年龄、用户性别、一张网络售票对应的单个目的地与单个出发地之间的单次距离、所述预设时长内总网络售票对应的总距离，最近一次住宿地点对应的单次房间价格、所述预设时长内住宿地点对应的房间总价格，最近一次在住宿地点的单次消费金额、所述预设时长内住宿地点消费的总金额，所述预设时长内乘坐交通工具的交通费，最近一次的景区单次消费金额、所述预设时长内景区消费记录对应的消费总额、住宿地点到景区入口的距离，住宿地点的消费等级信息。

进一步地，在一个实施例中，在投送所述需求预测信息对应的广告时，基于与所述用户关联的智能交通产品的产品ID进行投放。本发明实施例中，所述基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告，可以按照如下方式实施：

获取与所述用户相关联的智能交通管理产品对应的产品类型和产品ID；根据得到的所述需求预测信息，基于所述产品类型和产品ID，向用户投送包含所述需求预测信息的广告至所述智能交通管理产品对应的用户终端。

本发明实施例中，获取与所述用户相关联的所述产品类型和产品ID的获取方式包括但不限于：与所述用户身份识别码绑定的所述产品ID，和/或与所述用户身份识别码相关联的其他用户身份识别码绑定的所述产品ID，比如，用户A的亲属等。

本发明实施例中，基于所述需求预测信息进行广告投放时，其广告投放方式包括但不限于：以音频、视频、图片、文字方式中的至少一种方式，和/或任意两种或者两种以上的组合方式，向所述用户终端投送包含所述需求预测信息的广告。所述智能交通管理产品对应的用户终端包括但不限于：车载终端。

进一步地，在一个实施例中，如图2所示，图2是图1所述实施例中步骤S20的一种实施方式的流程示意图。其中，图1所述实施例中的“步骤S20、所述根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息”，可以按照如下方式实施：即所述根据所述用户历史数据，构建神经网络预测模型，并利用构建的所述神经网络预测模型，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；通过构建神经网络模型，得到用户对应的需求预测信息的这种实现方式，可以实施为图2所述实施例中描述的步骤S21-S23。

步骤S21、根据所述用户历史数据，从所述用户历史数据中选取出用户行为特征对应的用户出行参数，利用所述用户出行参数，构建神经网络预测模型。

步骤S22、利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级。

步骤S23、基于得到的可能的所述消费等级，获取与所述消费等级相匹配的所述需求预测信息。

本发明实施例中，在获取用户出行参数时，根据所述用户历史数据，选取所述用户行为特征对应的所述用户出行参数如下：用户年龄x₁，最近一次一张网络售票对应的单个目的地与单个出发地之间的单次距离x₂，所述预设时长内总网络售票对应的总距离x₃，用户性别x₄，最近一次住宿地点对应的单次房间价格x₅，所述预设时长内住宿地点对应的房间总价格x₆，最近一次在住宿地点的单次消费金额x₇，所述预设时长内住宿地点消费的总金额x₈，所述预设时长内乘坐交通工具的交通费x₉，最近一次的景区单次消费金额x₁₀，所述预设时长内景区消费对应的消费总额x₁₁，住宿地点到景区入口的距离x₁₂；同时，从所述用户历史数据中获取用户每次对应的所述住宿地点的消费等级信息z；本发明实施例中，将所述消费等级信息z设置为五个等级。

进一步地，基于获取的所述用户出行参数，如图3所示，图3是本发明基于云计算技术在智能交通管理产品中投送广告的方法中，构建神经网络预测模型的一种实施方式的流程示意图。本发明实施例中，构建神经网络预测模型可以实施为如图2描述的步骤S31-S34。

步骤S31、获取N个用户分别对应的所述用户历史数据。

本发明实施例中，假设获取了N个用户分别对应的所述用户历史数据，则有：其中，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}。

步骤S32、基于所述用户出行参数，构建所述神经网络预测模型predict(x)，则有对应的数学表达式(1)：

predict(x)＝(W₄(σ(W₃(σ(W₂(σ(W₁x)+b₁)+b₂))+b₃))+b₄)； (1)

所述数学表达式(1)中，x为12维的输入变量，即x为所述用户出行参数x₁至x₁₂，W_i和b_i中，i＝1,2,3,4；

W₁,W₂,W₃,W₄，b₁,b₂,b₃,b₄为预先设置的矩阵，为所述神经网络预测模型的中间参数；

且W₁∈R^12×6，表示W₁为12×6维实矩阵；W₂∈R^6×4，表示W₂为6×4维实矩阵；W₃∈R^4×2，表示W₃为4×2维实矩阵；W₄∈R^2×1，表示W₄为2×1维实矩阵；b₄∈R，表示b₄为实数；b₃∈R²，表示b₃为2维实向量；b₂∈R⁴，表示b₂为4维实向量；b₁∈R⁶，表示b₁为6维实向量；σ(x)为switch函数，σ()的数学表达式为：

步骤S33、定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数W_i和b_i。

步骤S34、根据计算得到的所述参数W_i和b_i，得到所述神经网络预测模型predict(x)。

进一步地，在一个实施例中，如图4所示，图4是本发明基于云计算技术在智能交通管理产品中投送广告的方法中，计算获取所述神经网络预测模型参数的一种实施方式的流程示意图。本发明实施例中，所述图3所述实施例中的“步骤S33、定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数W_i和b_i”，可以实施为如下描述的步骤S41-S42。

步骤S41、定义损失函数LossFunction(y)，则有对应的数学表达式(3)：

所述数学表达式(3)中，λ为超参数，N为所述用户历史数据中包含的用户数量，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}；||||F为矩阵Frobenius范数，即若A是m*n阶矩阵，则有对应的数学表达式(4)：

其中，Tr为矩阵的迹。

步骤S42、按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值。

进一步地，所述按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值，可以按照如下技术手段实施：

采用梯度下降的方式，最小化所述损失函数LossFunction(y)，则有数学表达式(5)：

其中，β取值为：β＝10^-3；

利用所述数学表达式(5)，更新所述参数W_i和b_i；

在所述损失函数LossFunction(y)的取值满足：LossFunction＜10^-6时，停止更新；将停止更新时所述参数W_i和b_i的值，即W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的值，作为所述神经网络预测模型predict(x)中各参数分别对应的取值。

进一步地，基于上述实施例的描述，所述利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级，可以按照如下方式实施：

利用构建的所述神经网络模型predict(x)，引入round()函数，记所述round()函数的取值为四舍五入的整数，则当获取到所述用户历史数据对应的所述用户出行参数x∈R¹²参数，即所述x₁，x₂，x₃，…，x₁₂，则预测所述用户出行时可能的消费等级为round(predict(x))。

由于本发明实施例中，针对所述用户出行时可能的消费等级预先配置的是五级，即所述消费等级信息z_i对应地有：z_i∈{0,1,2,3,4}；因此，在预测得到的是使用户出行时可能的消费等级round(predict(x))的取值与所述消费等级信息z_i的取值一致，即所述消费等级round(predict(x))的取值为0、1、2、3、4、5。本发明实施例中，所述消费等级信息可以根据具体需求或者具体的应用场景进行配置，本发明实施例对所述消费等级信息对应的具体的消费等级的取值不进行限定。比如，可以根据具体需求设置所述消费等级为0、1、2这三个等级；也可以根据具体的应用场景，比如对消费等级的要求较为精确，则可以根据具体的应用场景，设置所述消费等级为0、1、2、3、4、5、6、7、8、9。

系统进而根据得到的可能的所述消费等级，获取与所述消费等级相匹配的所述需求预测信息，并向对应的用户投放与所述消费等级相匹配的所述需求预测信息对应的广告，从而实现广告的精准投放。

本发明基于云计算技术在智能交通管理产品中投送广告的方法，采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据；根据所述用户历史数据，构建神经网络预测模型，并利用构建的所述神经网络预测模型，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告；实现了基于神经网络技术向用户进行精准广告投送的目的，节约了数据的计算量，提高了数据处理的速度和数据处理的便捷性；对用户侧而言，提高了用户体验以及用户获取信息的便捷性，节约了用户的时间和精力。

基于以上图1至图4所述实施例的描述，如图5所示，图5是图1所述实施例中步骤S30的一种实施方式的流程示意图。在本发明实施例中，图1所述实施例中的“步骤S30、基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告”，可以实施为如下描述的步骤S51-S55。

步骤S51、按照预先设定的需求指标，从所述需求预测信息中提取出与所述需求指标相关的需求信息。

本发明实施例中，按照预先设定的n_s个需求指标，从所述需求预测信息中提取与所述n_s个需求指标相关的n_s条需求信息，即其中，S表示提取的需求信息集合；/>表示与第n_s个需求指标相关的需求信息。

步骤S52、根据采集的所述历史出行信息，从所述历史出行信息中获取用户基于用户终端的操作日志以及与所述操作日志相关的显示日志；其中，所述用户终端包括：与所述用户相关的智能交通管理产品。

步骤S53、根据所述操作日志和显示日志，计算所述用户终端的常用显示位置指标值，并基于显示位置关系表，获取与所述常用显示位置指标值对应的显示位置。

本发明实施例中，根据所述操作日志和显示日志，计算得到所述用户的常用显示位置指标值D，可以采用如下数学表达式得到：

其中，K1表示：根据所述操作日志获取用户在用户终端上的操作次数；x_k1、y_k1表示根据所述操作日志获取当用户在所述用户终端上进行第k次操作时，对应的操作点的横坐标、纵坐标；x_k2、y_k2表示根据所述显示日志获取当用户在所述用户终端进行所述第k次操作后，对应的用户终端的内容显示区域的中心点的横坐标、纵坐标；表示：用户在所述用户终端进行第k次操作的操作时长；/>表示：用户在所述用户终端进行第k次操作后所述内容显示区域的内容显示时长；p_k表示：用户在所述用户终端上进行第k次操作所对应的操作位置修正因子；在一个具体的应用场景中，所述操作位置修正因子p_k对应的取值范围为[0.6-0.8]。

步骤S54、基于所述需求信息，获取需求信息集合中每条需求信息的需求权重，得到由每条所述需求权重组成的需求权重集合，并根据所述需求权重集合，确定所述需求信息集合的最终排列值。

基于所述需求信息，获取提取的需求信息集合S中的每条需求信息的需求权重集合其中，/>表示第n_s个需求指标的需求权重值；根据所述需求权重集合，确定所述需求信息集合S的最终排列值F，则有：

其中，/>

步骤S55、根据所述最终排列值，确定包含所述需求预测信息的广告所对应的广告布局结果，并将所述广告布局结果传输至所述用户终端，供所述用户终端获取与所述常用显示位置指标值对应的显示位置，并基于所述显示位置进行显示。

根据上述最终排列值F，确定包含所述需求预测信息的广告所对应的广告布局结果，进而，基于用户终端比如智能交通管理产品，将所述广告布局结果传输到所述用户终端；所述用户终端接收到所述广告布局结果，根据所述常用显示位置指标值，获取与所述常用显示位置指标值对应的显示位置，并基于所述显示位置，所述用户终端将包含所述需求预测信息的广告进行显示。其中，本发明实施例中，所述显示位置关系表包括：常用显示位置指标值及其对应的显示位置。

本发明实施例通过采集用户的操作信息和显示信息，来确定用户终端对应的显示位置，便于提高用户的体验效果；同时，根据需求指标从需求预测信息中提取需求信息，且通过确定需求信息的权重值，便于对广告进行有效布局，最大程度的提高广告投送给用户的有效性；另外，将广告布局结果传输到用户终端对应的显示位置进行显示，提高用户的观看体验效果，提高了广告投送的智能性和人机的可交互性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述方法包括：

采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据；

根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息；

基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告；

所述根据所述用户历史数据，对所述用户的可能需求信息进行预测，得到所述用户对应的需求预测信息，包括：

根据所述用户历史数据，从所述用户历史数据中选取出用户行为特征对应的用户出行参数，利用所述用户出行参数，构建神经网络预测模型；

利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级；

基于得到的可能的所述消费等级，获取与所述消费等级相匹配的所述需求预测信息；

所述根据所述用户历史数据，从所述用户历史数据中选取出用户行为特征对应的用户出行参数，利用所述用户出行参数，构建神经网络预测模型，包括：

根据所述用户历史数据，选取所述用户行为特征对应的所述用户出行参数如下：用户年龄x₁，最近一次一张网络售票对应的单个目的地与单个出发地之间的单次距离x₂，所述预设时长内总网络售票对应的总距离x₃，用户性别x₄，最近一次住宿地点对应的单次房间价格x₅，所述预设时长内住宿地点对应的房间总价格x₆，最近一次在住宿地点的单次消费金额x₇，所述预设时长内住宿地点消费的总金额x₈，所述预设时长内乘坐交通工具的交通费x₉，最近一次的景区单次消费金额x₁₀，所述预设时长内景区消费对应的消费总额x₁₁，住宿地点到景区入口的距离x₁₂；同时，从所述用户历史数据中获取用户每次对应的所述住宿地点的消费等级信息z，其中，所述消费等级信息z设置为五个等级；

假设有N个用户分别对应的所述用户历史数据，则有：其中，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}；

基于所述用户出行参数，构建所述神经网络预测模型predict(x)，则有对应的数学表达式(1)：

predict(x)＝(W₄(σ(W₃(σ(W₂(σ(W₁x)+b₁)+b₂))+b₃))+b₄)； (1)

所述数学表达式(1)中，x为12维的输入变量，即x为所述用户出行参数x₁至x₁₂，W_i和b_i中，i＝1,2,3,4；

W₁,W₂,W₃,W₄，b₁,b₂,b₃,b₄为预先设置的矩阵，为所述神经网络预测模型的中间参数；

且W₁∈R^12×6，表示W₁为12×6维实矩阵；W₂∈R^6×4，表示W₂为6×4维实矩阵；W₃∈R^4×2，表示W₃为4×2维实矩阵；W₄∈R^2×1，表示W₄为2×1维实矩阵；b₄∈R，表示b₄为实数；b₃∈R²，表示b₃为2维实向量；b₂∈R⁴，表示b₂为4维实向量；b₁∈R⁶，表示b₁为6维实向量；σ(x)为switch函数，σ()的数学表达式为：

定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数W_i和b_i；

根据计算得到的所述参数W_i和b_i，得到所述神经网络预测模型predict(x)。

2.如权利要求1所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述采集预设时长内用户对应的历史出行信息，得到所述历史出行信息中包含的用户历史数据，包括：

根据用户身份识别码，采集预设时长内与所述用户身份识别码相关联的所有历史出行信息；其中，所述用户身份识别码包括：用户的护照号码和/或身份证号码；

对采集的所述历史出行信息进行数据处理和数据分析，得到所述用户身份识别码对应的用户历史数据；

其中，所述历史出行信息包括：预设时长内包含用户的网络售票信息、出发地、目的地以及目的地住宿信息；

所述用户历史数据包括：用户年龄、用户性别、一张网络售票对应的单个目的地与单个出发地之间的单次距离、所述预设时长内总网络售票对应的总距离，最近一次住宿地点对应的单次房间价格、所述预设时长内住宿地点对应的房间总价格，最近一次在住宿地点的单次消费金额、所述预设时长内住宿地点消费的总金额，所述预设时长内乘坐交通工具的交通费，最近一次的景区单次消费金额、所述预设时长内景区消费记录对应的消费总额、住宿地点到景区入口的距离，住宿地点的消费等级信息。

3.如权利要求1所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述基于与所述用户相关的智能交通管理产品，向所述用户投送包含所述需求预测信息的广告，包括：

获取与所述用户相关联的智能交通管理产品对应的产品类型和产品ID；

根据得到的所述需求预测信息，基于所述产品类型和产品ID，向用户投送包含所述需求预测信息的广告至所述智能交通管理产品对应的用户终端；

其中，向用户投送所述广告的方式包括：以音频、视频、图片、文字方式中的至少一种方式，和/或任意两种或者两种以上的组合方式。

4.如权利要求1或2或3所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述向所述用户投送包含所述需求预测信息的广告，包括：

按照预先设定的需求指标，从所述需求预测信息中提取出与所述需求指标相关的需求信息；

根据采集的所述历史出行信息，从所述历史出行信息中获取用户基于用户终端的操作日志以及与所述操作日志相关的显示日志；其中，所述用户终端包括：与所述用户相关的智能交通管理产品；

根据所述操作日志和显示日志，计算所述用户终端的常用显示位置指标值，并基于显示位置关系表，获取与所述常用显示位置指标值对应的显示位置；

基于所述需求信息，获取需求信息集合中每条需求信息的需求权重，得到由每条所述需求权重组成的需求权重集合，并根据所述需求权重集合，确定所述需求信息集合的最终排列值；

根据所述最终排列值，确定包含所述需求预测信息的广告所对应的广告布局结果，并将所述广告布局结果传输至所述用户终端，供所述用户终端获取与所述常用显示位置指标值对应的显示位置，并基于所述显示位置进行显示。

5.如权利要求4所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述根据所述操作日志和显示日志，计算所述用户终端的常用显示位置指标值，包括：

根据所述操作日志和显示日志，计算得到所述用户的常用显示位置指标值D，可以采用如下数学表达式得到：

其中，K1表示：根据所述操作日志获取用户在用户终端上的操作次数；x_k1、y_k1表示根据所述操作日志获取当用户在所述用户终端上进行第k次操作时，对应的操作点的横坐标、纵坐标；x_k2、y_k2表示根据所述显示日志获取当用户在所述用户终端进行所述第k次操作后，对应的用户终端的内容显示区域的中心点的横坐标、纵坐标；表示：用户在所述用户终端进行第k次操作的操作时长；/>表示：用户在所述用户终端进行第k次操作后所述内容显示区域的内容显示时长；p_k表示：用户在所述用户终端上进行第k次操作所对应的操作位置修正因子，其取值范围为[0.6-0.8]。

6.如权利要求1所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述定义损失函数，利用定义的所述损失函数，计算所述神经网络预测模型predict(x)中的参数Wi和bi，包括：

定义损失函数LossFunction(y)，则有对应的数学表达式(3)：

所述数学表达式(3)中，λ为超参数，N为所述用户历史数据中包含的用户数量，y_i是所述用户出行参数组成的12维的向量，即y_i＝(x₁，x₂，x₃，…，x₁₂)；z_i是消费等级信息，且z_i∈{0,1,2,3,4}；||||F为矩阵Frobenius范数，即若A是m*n阶矩阵，则有对应的数学表达式(4)：

其中，Tr为矩阵的迹；

按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值。

7.如权利要求6所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述按照预设最小化处理方式，对所述损失函数LossFunction(y)进行处理使其在预设误差范围内接近于0，从而得到所述神经网络预测模型predict(x)中的相关参数W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的取值，包括：

采用梯度下降的方式，最小化所述损失函数LossFunction(y)，则有数学表达式(5)：

其中，β取值为：β＝10^-3；

利用所述数学表达式(5)，更新所述参数W_i和b_i；

在所述损失函数LossFunction(y)的取值满足：LossFunction＜10^-6时，停止更新；

将停止更新时所述参数W_i和b_i的值，即W₁、W₂、W₃、W₄、b₁、b₂、b₃、b₄的值，作为所述神经网络预测模型predict(x)中各参数分别对应的取值。

8.如权利要求7所述的基于云计算技术在智能交通管理产品中投送广告的方法，其特征在于，所述利用构建的所述神经网络预测模型，对所述用户出行时可能的消费等级进行预测，得到可能的所述消费等级，包括：

利用构建的所述神经网络模型predict(x)，引入round()函数，记所述round()函数的取值为四舍五入的整数，则当获取到所述用户历史数据对应的所述用户出行参数x∈R¹²，即所述x₁，x₂，x₃，…，x₁₂，则预测所述用户出行时可能的消费等级为round(predict(x))。