CN112308285B - 信息处理方法、装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

一种信息处理方法、装置、电子设备和计算机可读存储介质。该信息处理方法包括：获取目标行驶任务的当前特征信息，目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地；基于当前特征信息和知识数据库，预测目标行驶任务的执行时间是否延误，延误是行驶任务的执行时间晚于计划时间；响应于预测到目标行驶任务的执行时间延误，基于知识数据库，确定目标行驶任务的延误原因以及延误原因对执行时间延误的影响程度。该方法可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，减少执行时间的延误。

Description

信息处理方法、装置、电子设备和计算机可读存储介质

技术领域

本公开的实施例涉及一种信息处理方法、装置、电子设备和计算机可读存储介质。

背景技术

随着科学技术和经济的快速发展，人们可以利用各种各样的交通工具执行行驶任务。例如，用户希望从北京出发到达广州，则可以根据时间安排搭乘某一时间的航班或者火车。例如，用户可以根据预计出发时间或预计到达时间来选择希望搭乘的航班或火车，然而由于航班或火车等交通工具经常出现延误，给用户的出行带来不便。

发明内容

本公开至少一个实施例提供一种信息处理方法，包括：获取目标行驶任务的当前特征信息，其中，所述目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地；基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误；其中，所述延误是行驶任务的执行时间晚于所述计划时间，以及响应于预测到所述目标行驶任务的执行时间延误，基于所述知识数据库，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度。

例如，在本公开一实施例提供的信息处理方法中，该信息处理方法还包括：根据多个历史行驶任务，建立所述知识数据库。

例如，在本公开一实施例提供的信息处理方法中，根据多个历史行驶任务，建立所述知识数据库包括：获取所述多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，其中，所述历史执行信息包括所述历史行驶任务的执行时间是否延误以及延误的时间长度；对所述历史执行信息和所述历史特征信息进行关联分析而获得分析结果；以及基于所述分析结果生成所述知识数据库，其中，所述知识数据库包括第一频繁项集对所述执行时间延误的影响程度，所述第一频繁项集是所述至少一个历史特征信息中一个或者多个历史特征信息组成的集合。

例如，在本公开一实施例提供的信息处理方法中，该信息处理方法还包括按照延误时长，对所述多个历史行驶任务进行分类而获得多个延误类别；其中，所述对所述历史执行信息和所述历史特征信息进行关联分析而获得分析结果包括：分别对每个延误类别的所述历史执行信息和所述历史特征信息进行关联分析而获得每个延误类别各自的分析结果。

例如，在本公开一实施例提供的信息处理方法中，该信息处理方法还包括根据预设时间周期，更新所述知识数据库。

例如，在本公开一实施例提供的信息处理方法中，根据预设时间周期，更新所述知识数据库包括：根据所述预设时间周期，获取当前时间周期内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息；对所述当前时间周期内的所述历史执行信息和所述历史特征信息进行关联分析而获得所述当前时间周期的分析结果；以及基于所述当前时间周期的分析结果更新所述知识数据库。

例如，在本公开一实施例提供的信息处理方法中，基于所述当前时间周期的分析结果更新所述知识数据库包括：将所述当前时间周期的分析结果与历史时间周期的分析结果进行加权平均计算以更新所述知识数据库。

例如，在本公开一实施例提供的信息处理方法中，该信息处理方法还包括按照所述交通工具的历史使用情况，确定不同类型的预设时间周期，其中，所述预设时间周期的类型是按照季节、节假日或节气中的至少一个进行分类的；所述基于所述当前时间周期的分析结果更新所述知识数据库，包括：确定参考时间周期，其中，所述参考时间周期为与所述当前时间周期相同类型的历史时间周期；基于所述当前时间周期的分析结果和所述参考时间周期的分析结果，更新所述知识数据库。

例如，在本公开一实施例提供的信息处理方法中，延误原因包括多个子延误原因，所述方法还包括：基于所述知识数据库，确定所述各个子延误原因的支持度和所述多个子延误原因之间的置信度或提升度。

例如，在本公开一实施例提供的信息处理方法中，交通工具包括以下任意一种：飞机、列车、汽车或船只。

例如，在本公开一实施例提供的信息处理方法中，基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误，包括：将所述当前特征信息与所述知识数据库进行比对来预测所述目标行驶任务的执行时间是否延误。

例如，在本公开一实施例提供的信息处理方法中，将所述当前特征信息与所述知识数据库进行比对来预测所述目标行驶任务的执行时间是否延误包括：查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息；以及响应于确定所述知识数据库中存在与所述当前特征信息匹配的历史特征信息，根据匹配的所述历史特征信息预测所述目标行驶任务的执行时间是否延误。

例如，在本公开一实施例提供的信息处理方法中，查询所述知识数据库确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息包括：利用散列算法查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息。

例如，在本公开一实施例提供的信息处理方法中，当前特征信息包括：所述目标行驶任务的出发地、目的地和预设的执行时间中的至少一个；所述历史特征信息包括：所述历史行驶任务的出发地、目的地和历史行驶任务的预设执行时间中的至少一个。

例如，在本公开一实施例提供的信息处理方法中，基于所述知识数据库，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度包括：确定所述知识数据库中与所述当前特征信息相匹配的第二频繁项集，所述第二频繁项集对应于发生延误的历史行驶任务，所述第二频繁项集中的一个或者多个历史特征信息为延误原因；以及根据所述知识数据库中与所述第二频繁项集相关的分析结果，确定所述第二频繁项集的支持度，所述支持度表示所述延误原因对所述执行时间延误的影响程度。

本公开至少一个实施例提供一种信息处理装置，包括：获取单元，配置为获取目标行驶任务的当前特征信息，其中，所述目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地；预测单元，配置为基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误，其中，所述延误是行驶任务的执行时间晚于所述计划时间；以及确定单元，配置为响应于预测到所述目标行驶任务的执行时间延误，基于所述知识数据库，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度。

本公开至少一个实施例提供一种电子设备，包括处理器；存储器，包括一个或多个计算机程序模块；其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现本公开任一实施例提供的信息处理方法的指令。

本公开至少一个实施例提供一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现本公开任一实施例提供的信息处理方法。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。

图1示出了一种可以应用本公开实施例的信息处理方法的应用场景；

图2A示出了本公开至少一个实施例提供的一种信息处理方法的流程图；

图2B示出了图2A所示的信息处理方法中步骤S220的流程示意图；

图3A示出了本公开至少一个实施例提供的另一种信息处理方法的流程图；

图3B示出了图3A所示的信息处理方法中步骤S240的流程示意图；

图4示出了在本公开至少一个实施例提供的信息处理方法中基于当前时间周期的分析结果更新知识数据库的方法流程图；

图5示出了图2A所示的信息处理方法中步骤S230的流程示意图；

图6示出了本公开至少一个实施例提供的一种信息处理方法的应用示例的流程图；

图7示出了本公开至少一个实施例提供的一种信息处理装置的示意框图；

图8A示出了本公开至少一个实施例提供的一种电子设备的示意框图；

图8B示出了本公开至少一个实施例提供的另一种电子设备的示意框图；以及

图9示出了本公开至少一个实施例提供的一种计算机可读存储介质的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

当用户利用交通工具出行时，交通工具执行行驶任务的执行时间延误的情况时有发生，例如经常出现航班延误、列车晚点等情况。交通工具的执行时间延误会对用户的出行计划造成影响，不利于用户进行时间规划，降低了用户体验。而且，交通工具执行行驶任务的执行时间发生延误会对交通工具的运营方造成影响，不利于合理安排行驶任务，不利于提高运营效率。

本公开至少一个实施例提供一种信息处理方法、信息处理装置、电子设备和计算机可读存储介质。该信息处理方法可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，以减少执行时间的延误。

图1示出了一种可以应用本公开实施例的信息处理方法的应用场景。

如图1所示，例如由于业务需求需要增加一班从北京飞往广州的航班，因此航空公司计划开通航班号为XXX-YYY的新航班，并且航空公司计划该航班XXX-YYY的行驶任务为从北京的AAA机场起飞，并从广州的BBB机场落地，以及起飞时间为上午10:00，落地时间为下午16:05。

该航空公司在开通该航班XXX-YYY之前，可以利用本公开实施例中的信息处理方法对该航班XXX-YYY的执行时间的延误情况进行预测，如果预测到执行时间被延误，则可以进一步确定延误原因和延误原因对延误的影响程度。由此，航空公司可以根据预测结果来调整行驶任务，以尽量降低延误的概率或缩短延误时间。假设根据本公开实施例的信息处理方法预测到该行驶任务会被延误，并且延误原因包括起飞时间和目的机场，那么航空公司可以通过调整起飞时间或者改变目的机场来降低行驶任务的执行时间延误的概率。又例如，根据本公开实施例的信息处理方法还预测到起飞时间对执行时间延误的影响程度为60％，而目的机场对执行时间延误的影响程度仅为20％，那么航空公司也可以通过仅调整起飞时间来降低执行时间延误的影响程度。

需要理解的是，上述应用场景仅仅是为了便于对本公开的实施例进行理解，并不意味着本公开实施例的信息处理方法仅用于上述场景。例如，本公开实施例的信息处理方法还可以应用于无人车、火车、汽车、轮船等场景中。

图2A示出了本公开至少一个实施例提供的一种信息处理方法的流程图。如图2A所示，该信息处理方法包括步骤S210-步骤S230。

在步骤S210中，获取目标行驶任务的当前特征信息。例如，目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地。

在本公开的一个实施例中，交通工具例如可以包括以下任意一种：飞机、列车、汽车或船只。目标行驶任务例如可以是飞机从出发地飞行到目的地、列车从出发地行驶到目的地、汽车从出发地行驶到目的地以及船只从出发地行驶到目的地中的任意一种或者多种。在本公开的另一个实施例中，交通工具例如可以是无人驾驶的交通工具，例如无人车、无人机等。

需要说明的是，本公开的实施例中，交通工具的类型不受限制，可以为任意适用的交通工具，这可以根据实际需求而定，本公开的实施例对此不作限制。

为了便于描述，在下文中以交通工具为飞机，目标行驶任务为飞机从出发地飞行到目的地为例来说明本公开实施例的信息处理方法。

例如，当前特征信息可以包括目标行驶任务的出发地、目的地和预设的执行时间中的至少一个。例如，预设的执行时间可以为预设的出发时间和/或预设的到达时间。当前特征信息还可以包括与目标行驶任务相关的其他信息，当前特征信息例如可以是目标行驶任务中与飞行相关的信息，例如可以包括飞机型号、出发地、起飞时间、起飞机场、落地时间、落地机场、飞行时长、途径航路点、机长、当前气候、乘客人数等。

在本公开的一个实施例中，例如可以从任务数据库中获取目标行驶任务的当前特征信息，或者可以是根据用户在交互界面中输入的信息来确定目标行驶任务的当前特征信息。

在步骤S220中，基于当前特征信息和知识数据库，预测目标行驶任务的执行时间是否延误，其中，所述延误是行驶任务的执行时间晚于所述计划时间。

在本公开的一个实施例中，知识数据库例如可以是包含大量的历史行驶任务的数据样本，从而可以根据知识数据库通过神经网络算法建立神经网络模型。例如，将知识数据库作为训练样本，训练得到神经网络模型。将当前特征信息输入到预先建立的神经网络模型中，该神经网络模型预测目标行驶任务的执行时间是否延误。这里，预测结果(例如会延误或者不会延误)仅为具有参考价值的预测的结果，其表示大概率发生的结果，而并非表示目标行驶任务的实际执行时间是否延误。当然，本公开的实施例不限于此，在该信息处理方法中，也可以基于其他方式进行预测，例如采用其他深度学习算法，而不限于神经网络，本公开的实施例对此不作限制。

在本公开的另一个实施例中，知识数据库例如可以是利用关联分析算法对历史行驶任务的数据进行分析而预先建立的。在该实施例中，知识数据库中例如可以包括发生延误的历史行驶任务的历史特征信息所形成的频繁项集(以下简称“发生延误的频繁项集”)，未发生延误的历史行驶任务的历史特征信息所形成的频繁项集以及各个频繁项集对延误的影响程度。

在本公开的一个实施例中，可以将当前特征信息与知识数据库进行比对来预测目标行驶任务的执行时间是否延误。例如可以将当前特征信息与知识数据库中的频繁项集进行比对，若当前特征信息与发生延误的频繁项集相匹配，则可以预测目标行驶任务的执行时间会延误。

例如当前特征信息包含某个频繁项集中的所有元素，并且根据知识数据库确定该频繁项集为发生延误的频繁项集，那么可以预测目标行驶任务的执行时间会延误。

图2B示出了图2A所示的信息处理方法中步骤S220的流程示意图。

例如，如图2B所示，在一些示例中，图2A中的步骤S220可以包括步骤S221和步骤S222。

在步骤S221中，查询知识数据库，确定知识数据库中是否存在与当前特征信息匹配的历史特征信息。

在本公开的一个实施例中，例如可以用散列算法查询知识数据库，或者也可以通过遍历的方式查询知识数据库来确定知识数据库中是否存在与当前特征信息匹配的历史特征信息。通过散列算法可以提高查询知识数据库的效率。

这里，“与当前特征信息匹配的历史特征信息”，例如可以是指当前特征信息与历史特征信息相同，或者历史特征信息为当前特征信息中的部分特征信息。

在步骤S222中，响应于知识数据库中存在与当前特征信息匹配的历史特征信息，根据匹配的历史特征信息预测目标行驶任务的执行时间是否延误。

例如，根据匹配的历史特征信息所属的历史行驶任务，查询知识数据库确定该历史行驶任务的延误情况。若该历史行驶任务发生延误，则可以预测目标行驶任务的执行时间会延误。

在步骤S230中，响应于预测到目标行驶任务的执行时间延误，基于知识数据库，确定目标行驶任务的延误原因以及延误原因对执行时间延误的影响程度。

例如，可以通过查询知识数据库，确定与目标行驶任务的当前特征信息相匹配的发生延误的历史行驶任务，以及确定发生延误的历史行驶任务的历史特征信息，将当前特征信息中与历史特征信息相同的特征信息作为延误原因。例如，当前特征信息为{起飞机场ZUUU，落地机场ABBB，夏季，……}，与当前特征信息相匹配的发生延误的历史行驶任务的历史特征信息为{起飞机场ZUUU，落地机场ABBB}，则确定延误原因包括起飞机场为ZUUU和落地机场为ABBB。

例如，可以根据知识数据库确定延误原因对执行时间延误的支持度，该支持度例如表示延误原因对执行时间延误的影响程度，支持度越大，则表示影响程度越大。该支持度例如可以是利用关联分析算法计算得到的，并且存储于知识数据库中，因此，可以直接读取知识数据库来确定延误原因对执行时间延误的支持度。或者，在其他一些示例中，也可以根据知识数据库中存储的数据来计算支持度，计算得到的支持度被提供给用户，而无需存储在知识数据库中。

例如，支持度表示特定频繁项集{X,Y}在所有频繁项集里出现的概率。频繁项集例如可以包括一个或者多个历史特征信息，该一个或者多个历史特征信息构成了延误原因。例如，支持度的公式为：

Support(X→Y)＝P(X&Y)/P(I)＝num(X&Y)/num(I)

其中，I表示所有频繁项集。num()表示求所有频繁项集里特定频繁项集出现的次数。比如，num(I)表示所有频繁项集的个数，num(X&Y)表示含有{X,Y}的频繁项集的个数。num(I)例如可以是发生延误的全部频繁项集，从而利用num(X&Y)/num(I)可以计算出频繁项集对执行时间延误的支持度。

例如，一段时间内有900个航班，其中有300个发生延误的航班，600个未发生延误的航班。例如，一个频繁项集为{起飞机场为ZBAA，落地机场为ZGGG}，在300个发生延误的航班中，有90个航班的历史特征信息包括{起飞机场为ZBAA，落地机场为ZGGG}，则频繁项集{起飞机场为ZBAA，落地机场为ZGGG}对航班延误的支持度为：90/300＝0.3。

该信息处理方法可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，从而有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，以减少执行时间的延误。在本公开的一个实施例中，若频繁项集中包括多个元素，即，延误原因包括多个子延误原因，该信息处理方法还包括：基于知识数据库，确定各个子延误原因的支持度和多个子延误原因之间的置信度或提升度。利用该信息处理方法，在分析出延误原因的基础上，还可以分析出多个子延误原因之间的内在联系，从而可以更好地调整目标行驶任务，减少延误数量或降低延误程度。

例如，预先建立的知识数据库中包括多个频繁项集之间的置信度和提升度，则可以直接从知识数据库中获取各个子延误原因的支持度和多个子延误原因之间的置信度或提升度。

例如，与当前特征信息相匹配的发生延误的频繁项集为{起飞机场为ZBAA，落地机场为ZGGG，飞行时长5小时}，那么可以确定目标行驶任务的延误原因为起飞机场为ZBAA，落地机场为ZGGG，以及飞行时长5小时。该延误原因包括3个子延误原因，例如可以从知识数据库中读取子延误原因{起飞机场为ZBAA}与子延误原因{落地机场为ZGGG}之间的置信度和提升度，{起飞机场为ZBAA}与子延误原因{飞行时长5小时}之间的置信度和提升度，以及{落地机场为ZGGG}与子延误原因{飞行时长5小时}之间的置信度和提升度。或者还可以从知识数据库中读取{起飞机场为ZBAA，落地机场为ZGGG}与{飞行时长5小时}之间置信度等。

或者，也可以计算多个子延误原因之间的置信度或提升度。置信度表示在先决条件X发生的情况下，由关联规则“X→Y”推出Y的概率。即在含有X的频繁项集中，含有Y的可能性，置信度的计算公式为：

Confidence(X→Y)＝P(Y|X)＝P(X&Y)/P(X)＝num(X&Y)/num(X)

其中，num()表示所有频繁项集里特定频繁项集出现的次数。比如，num(X)表示含有{X}的频繁项集的个数，num(X&Y)表示含有{X,Y}的频繁项集的个数。

提升度表示含有X的条件下，同时含有Y的概率，与Y总体发生的概率之比。提升度反映了关联规则中的X与Y的相关性，提升度>1且提升度越高表明正相关性越高，提升度<1且提升度越低表明负相关性越高，提升度＝1表明没有相关性。提升度的计算公式为：

Lift(X→Y)＝P(Y|X)/P(Y)＝P(X&Y)/P(X)/P(Y)＝num(X&Y)/num(X)/num(Y)。

图3A示出了本公开至少一个实施例提供的另一种信息处理方法的流程图。例如，如图3A所示，除了还进一步包括步骤S240和S250之外，该信息处理方法与图2A所示的信息处理方法基本上相同，相同之处可参考上文内容，此处不再赘述。

在本公开的一个实施例中，信息处理方法还可以包括步骤S240。步骤S240：根据多个历史行驶任务建立知识数据库。

例如，在步骤S240中，根据多个历史行驶任务建立知识数据库。例如，可以是在操作S210之前根据多个历史行驶任务建立知识数据库。

图3B示出了图3A所示的信息处理方法中步骤S240的流程示意图。

如图3B所示，图3A中的步骤S240可以包括步骤S241～S243。

在步骤S241中，获取多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，其中，历史执行信息包括历史行驶任务的执行时间是否延误以及延误的时间长度。

例如，可以从历史飞行任务数据库中获取一个时间段内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，或者获取该历史飞行任务数据库中全部的历史行驶任务各自的历史执行信息和至少一个历史特征信息。

在本公开的实施例中，每个历史行驶任务的历史执行信息可以包括该历史行驶任务是否延误以及延误的时间长度。例如历史行驶任务1的历史执行信息可以是延误2个小时，历史行驶任务2的历史执行信息可以是延误0小时。

在本公开的一个实施例中，历史特征信息可以是历史行驶任务中与飞行相关的信息。历史特征信息可以包括历史行驶任务的出发地、目的地和预设的执行时间中的至少一个。例如，历史特征信息可以包括与历史行驶任务相关的任何信息，例如历史行驶任务使用的飞机型号、历史行驶任务的出发地、历史行驶任务的起飞时间、历史行驶任务的起飞机场、历史行驶任务的落地时间、历史行驶任务的落地机场、历史行驶任务的飞行时长、历史行驶任务飞行所处的气候、历史行驶任务的乘客人数等。

在步骤S242中，对历史执行信息和历史特征信息进行关联分析而获得分析结果。

在本公开的一个实施例中，例如可以利用Apriori算法或者FP_tree算法对历史执行信息和历史特征信息进行关联分析，包括但不限于挖掘历史特征信息中的频繁项集以及计算频繁项集对发生延误的历史行驶任务的支持度。

在本公开的一个实施例中，分析结果例如可以包括频繁项集对未发生延误的历史行驶任务的支持度，频繁项集对发生延误的历史行驶任务的支持度以及多个频繁项集之间的置信度和提升度等。

例如，在一段时间内有900个航班，其中有300个发生延误的航班，600个未发生延误的航班。对该一段时间内的历史执行信息和历史特征信息进行关联分析可以包括：确定频繁项集，例如一个频繁项集为{起飞机场为ZBAA，落地机场为ZGGG}。在300个发生延误的航班中，有90个航班的历史特征信息包括{起飞机场为ZBAA，落地机场为ZGGG}，而在600个未发生延误的的航班中，有100个历史特征信息包括{起飞机场为ZBAA，落地机场为ZGGG}，则频繁项集{起飞机场为ZBAA，落地机场为ZGGG}对航班延误的支持度为：90/300＝0.3，对航班不延误的支持度为:100/600＝0.1667。由于频繁项集{起飞机场为ZBAA，落地机场为ZGGG}对航班延误的支持度和对航班不延误的支持度相差较大，可以确定频繁项集{起飞机场为ZBAA，落地机场为ZGGG}是航班延误的原因之一。

又例如，若频繁项集{起飞机场为ZBAA，飞行时长5小时}对航班延误的支持度为0.21，对航班不延误的支持度为0.23，由于频繁项集{起飞机场为ZBAA，飞行时长5小时}对航班延误支持度和航班不延误支持度相差不大，则可以认为频繁项集{起飞机场为ZBAA，飞行时长5小时}不是延误原因。也就是说，频繁项集对航班延误的支持度与对航班不延误的支持度之间的差值大于预设阈值的情况下，可以确定该频繁项集是造成航班延误的原因。该预设阈值可以是根据实际情况来确定的，例如根据经验数据确定，例如可以是0.1或0.2。

在步骤S243中，基于分析结果生成知识数据库，其中，知识数据库包括第一频繁项集对执行时间延误的影响程度，第一频繁项集是至少一个历史特征信息中一个或者多个历史特征信息组成的集合。

在本公开的一个实施例中，第一频繁项集中的元素例如可以是历史特征信息中的一个或者多个。例如第一频繁项集可以是{起飞机场为ZBAA}，又例如第一频繁项集可以是{起飞机场为ZBAA，落地机场为ZGGG}，又例如第一频繁项集可以是{起飞机场为ZBAA，落地机场为ZGGG，飞行时长5个小时}，又例如第一频繁项集可以是{起飞机场为ZBAA，夏季}。

在本公开的一个实施例中，在知识数据库中，第一频繁项集对执行时间延误的影响程度例如可以用第一频繁项集对延误的支持度来表示。

在本公开的一个实施例中，知识数据库例如可以是任意类型的数据库，例如关系型数据库或非关系型数据库。该知识数据库例如可以包括多个字段，该多个字段例如可以包括延误时长、第一频繁项集、规则后件、第一频繁项集对延误的支持度、第一频繁项集对规则后件的置信度以及第一频繁项集对规则后件的提升度等。例如，规则后件可以是历史特征信息中一个或者多个历史特征信息组成的集合。

例如，可以将第一频繁项集{起飞机场为ZBAA，落地机场为ZGGG}写入知识数据库中，该第一频繁项集为航班发生延误的项集，并且可以将该频繁项集对执行时间延误的影响程度0.3写入知识数据库中。又例如，第一频繁项集{起飞机场为ZBAA，飞行时长5小时}也可以写入知识数据库中，作为航班不发生延误的项集。

在本公开的另一个实施例中，该信息处理方法还可以包括分类操作，该分类操作包括：按照延误时长，对多个历史行驶任务进行分类而获得多个延误类别。例如，可以在步骤S241之后并且在S242之前执行该分类操作。相应地，在步骤S242中，对历史执行信息和历史特征信息进行关联分析而获得分析结果包括：分别对每个延误类别的历史执行信息和历史特征信息进行关联分析而获得每个延误类别各自的分析结果。接下来，在步骤S243中，基于每个延误类别各自的分析结果生成知识数据库。通过根据延误的时长对历史行驶任务进行分类，可以将目标行驶任务的当前特征信息分别与不同类别的频繁项集进行比对，从而可以确定与目标行驶任务匹配的类别，进而提高预测结果的准确性。

例如，延误类别可以分为起飞延误、到达延误、关舱门延误、始发延误等，每个延误类别可以按时长分为多个延误类别，例如起飞延误可以分为延误时间小于30分钟、30分钟-2小时、2小时-4小时、大于4小时。按照多个历史行驶任务各自的执行信息对多个历史行驶任务进行分类，从而可以对每个延误类别的历史执行信息和历史特征信息进行关联分析而获得每个延误类别各自的分析结果。例如可以根据多个历史行驶任务，确定每个延误类别对应的至少一个第一频繁项集，并且计算每个第一频繁项集对延误的支持度。

下表一示出了本公开实施例提供的一种知识数据库的示意性结构图。该表一例如可以是根据2020年1月5日到2020年1月12日内的历史行驶任务建立的知识数据库。

如表一所示，延误类别为关舱门等待30分钟-2小时的历史行驶任务的第一频繁项集可以包括{进港机场ZUUU}、{前序航班离港机场ZUUU}、{航段时间2小时以内}等。

以表一中第一行的数据对表一所示意的知识数据库进行说明。如表一所示，在2020年1月5日到2020年1月12日内，有949个航班关舱门等待30分钟-2小时，在这949个航班中有98个航班的进港机场为ZUUU。因此，可以确定第一频繁项集{进港机场ZUUU}对航班关舱门等待30分钟-2小时的支持度为0.1032666，并且通过关联分析可以计算出“前序航班离港机场ZUUU”的置信度为0.569767442，也即，在包含“进港机场ZUUU”的第一频繁项集中，含有元素“前序航班离港机场ZUUU”的可能性为0.569767442。

表一

需要理解的是，表一仅为一种知识数据库的示意，可以根据实际情况来建立知识数据库而不局限于上表一所示的知识数据库。例如知识数据库中可以包括该知识数据库中数据的采集开始时间和采集结束时间以及采集时间周期。例如在上述情景中，数据的采集开始时间为2020年1月5日，采集结束时间为2020年1月12日，以及采集时间周期为7天。

又例如，知识数据库中还可以包括提升度。提升度表示第一频繁项集中含有元素X的条件下，同时含有元素Y的概率，与元素Y总体发生的概率之比。提升度反映了关联规则中的X与Y的相关性，提升度>1且提升度越高则表明正相关性越高，提升度<1且提升度越低则表明负相关性越高，提升度＝1表明没有相关性。

返回参考图3A，如图3A所示，在本公开的另一个实施例中，该信息处理方法还可以包括步骤S250：根据预设时间周期，更新知识数据库。通过定期更新知识数据库可以保证知识数据库的实效性，从而提高预测结果的准确性。需要理解的是，本公开并不限定步骤S250在步骤S230之后执行，实质上，步骤S250是根据预设时间周期来定期执行的，当然步骤S250也可以是在步骤S230之后执行。

例如，可以根据预设时间周期，获取当前时间周期内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，并对当前时间周期内的历史执行信息和历史特征信息进行关联分析而获得当前时间周期的分析结果，以及基于当前时间周期的分析结果更新知识数据库。预设时间周期例如为7天，则可以每隔7天更新一次知识数据库。获取当前7天内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，并对当前7天内的历史执行信息和历史特征信息进行关联分析而获得当前时间周期的分析结果，以及基于当前7天内的分析结果更新知识数据库。当然，本公开的实施例不限于此，预设时间周期不限于为7天，也可以为10天、14天、30天等任意时间，这可以根据实际需求而定，本公开的实施例对此不作限制。

在本公开的一个实施例中，基于当前时间周期的分析结果更新知识数据库可以是仅根据当前时间周期的分析结果更新知识数据库，此时，可以将知识数据库原有的数据删除，并将当前时间周期内的数据以及分析结果存入知识数据库中。

在本公开的另一个实施例中，基于当前时间周期的分析结果更新知识数据库可以是根据当前时间周期的分析结果和历史时间周期的分析结果更新知识数据库。例如，可以将当前时间周期的分析结果中的支持度和历史时间周期的分析结果中的支持度进行加权平均而得到某个第一频繁项集的支持度，从而将计算结果存入知识数据库中以更新知识数据库。

在本公开的一个实施例中，该信息处理方法还可以包括：按照交通工具的历史使用情况，确定不同类型的预设时间周期，其中，预设时间周期的类型是按照季节、节假日或节气中的至少一个进行分类的。该方法可以进一步地提高知识数据库适用性，提高预测结果的准确性。

例如，航班的历史使用情况发现航班在夏季和冬季使用较多，那么预设时间周期可以是按照季节来确定的，也就是说每个季节为一个预设时间周期。在该实施例中，可以每年的夏季更新一次知识数据库，秋季更新一次知识数据库，冬季更新一次知识数据库，春季更新一次知识数据库。

图4示出了在本公开至少一个实施例提供的信息处理方法中基于当前时间周期的分析结果更新知识数据库的方法流程图。

如图4所示，该方法可以包括步骤S410～S420。

在步骤S410中，确定参考时间周期，其中，参考时间周期为与当前时间周期相同类型的历史时间周期。

例如，预设时间周期可以是按照季节确定的，并且当前时间周期为2020年夏季，则与当前时间周期相同类型的历史时间周期可以包括2019年夏季、2018年夏季等。

在步骤S420中，基于当前时间周期的分析结果和参考时间周期的分析结果，更新知识数据库。

例如，可以将2020年夏季的分析结果与2019年夏季、2018年夏季的分析结果进行综合来更新知识数据库。

例如，可以根据2020年夏季、2019年夏季、2018年夏季的分析结果确定多个发生延误的第一频繁项集，并且对每个第一频繁项集分别对应的2020年夏季的支持度、2019年夏季的支持度、2018年夏季的支持度进行加权平均来确定该第一频繁项集的新支持度，从而将知识数据库中该第一频繁项集的支持度更新为该新支持度。

图5示出了图2A所示的信息处理方法中步骤S230的流程示意图。

例如，如图5所示，在一些示例中，图2A中的步骤S230可以包括步骤S231和步骤S232。

在步骤S231中，确定知识数据库中与当前特征信息相匹配的第二频繁项集，第二频繁项集对应于发生延误的历史行驶任务，第二频繁项集中的一个或者多个历史特征信息为延误原因。

第二频繁项集可以是知识数据库中存储的发生延误的每个历史行驶任务的历史特征信息。

与当前特征信息相匹配的第二频繁项集，例如可以是包含该当前特征信息的第二频繁项集。

在步骤S232中，根据知识数据库中与第二频繁项集相关的分析结果，确定第二频繁项集的支持度，支持度表示延误原因对执行时间延误的影响程度。

例如，可以直接从知识数据库中获取该第二频繁项集对延误的影响程度。直接从知识数据库中读取第二频繁项集对延误的影响程度可以提高该信息处理方法的效率，实时性较好。

例如，也可以根据知识数据库中的数据和支持度的公式，计算发生延误的频繁项集对延误的支持度。支持度表示特定频繁项集{X,Y}在所有频繁项集里出现的概率。例如，在一段时间内有900个航班，其中有300个发生延误的航班，600个未发生延误的航班。例如，一个第二频繁项集为{起飞机场为ZBAA，落地机场为ZGGG}，在300个发生延误的航班中，有90个航班的历史特征信息包括{起飞机场为ZBAA，落地机场为ZGGG}，则第二频繁项集{起飞机场为ZBAA，落地机场为ZGGG}对航班延误的支持度为：90/300＝0.3。

图6示出了本公开至少一个实施例提供的一种信息处理方法的应用示例的流程图。如图6所示，该信息处理方法可以包括步骤S610～S670。

在步骤S610中，获取历史行驶任务数据。历史行驶任务数据可以包括历史行驶任务的历史特征信息和历史执行信息。例如可以执行上文中参考图3B描述的步骤S241。

在步骤S620中，对历史行驶任务进行分类。例如可以是按照延误时长，对多个历史行驶任务进行分类而获得多个延误类别。

在步骤S630，提取每个延误类别的知识。例如可以执行上文中参考图3B描述的操作S320。

在步骤S640中，形成知识数据库。例如可以执行上文中参考图3B描述的步骤S243。

在步骤S650中，根据目标行驶任务的当前特征信息，查询知识数据库而获得查询结果。例如利用散列算法查询知识数据库而获取与当前特征信息相匹配的历史特征信息。例如可以执行上文中参考图2A描述的步骤S220和步骤S230。

在步骤S660中，根据查询结果，生成并输出目标行驶任务的画像。目标行驶任务的画像可以包括目标行驶任务的执行时间是否会延误、延误原因以及延误原因对执行时间延误的影响程度等。

在步骤S670中，确定预设时间周期，以定期更新知识数据库。例如可以根据预设时间周期，执行步骤S241～S243。例如获取当前时间周期内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，并对当前时间周期内的历史执行信息和历史特征信息进行关联分析而获得当前时间周期的分析结果，以及基于当前时间周期的分析结果更新知识数据库。例如，更新知识数据库的方式可以与建立知识数据库的方式相同或部分相同，也即是，可以采用相同或部分相同的数据获取方式、数据计算方式、数据判断方式、数据存储方式等来建立和更新知识数据库。

在本公开的另一实施例中，例如也可以对历史行驶任务和历史执行信息进行决策树分析，通过决策树分析来预测目标行驶任务是否会发生延误。

本公开的至少一个实施例还提供一种信息处理装置，该信息处理装置可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，以减少执行时间的延误。

图7示出了本公开至少一个实施例提供的一种信息处理装置700的示意框图。

例如，如图7所示，该信息处理装置700包括获取单元710、预测单元720和确定单元730。

获取单元710配置为获取目标行驶任务的当前特征信息。例如，目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地。获取单元710例如可以执行图2A描述的步骤S210。

预测单元720配置为基于当前特征信息和知识数据库，预测目标行驶任务的执行时间是否延误，其中，所述延误是行驶任务的执行时间晚于所述计划时间。预测单元720例如可以执行图2A描述的步骤S220。

确定单元730配置为响应于预测到目标行驶任务的执行时间延误，基于知识数据库，确定目标行驶任务的延误原因以及延误原因对执行时间延误的影响程度。确定单元730例如可以执行图2A描述的步骤S230。

例如，获取单元710、预测单元720和确定单元730可以为硬件、软件、固件以及它们的任意可行的组合。例如，获取单元710、预测单元720和确定单元730可以为专用或通用的电路、芯片或装置等，也可以为处理器和存储器的结合。关于上述各个单元的具体实现形式，本公开的实施例对此不作限制。

需要说明的是，本公开的实施例中，信息处理装置700的各个单元与前述的信息处理方法的各个步骤对应，关于信息处理装置700的具体功能可以参考关于信息处理方法的相关描述，此处不再赘述。图7所示的信息处理装置700的组件和结构只是示例性的，而非限制性的，根据需要，该信息处理装置700还可以包括其他组件和结构。

本公开的至少一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器包括一个或多个计算机程序模块。一个或多个计算机程序模块被存储在存储器中并被配置为由处理器执行，一个或多个计算机程序模块包括用于实现上述的信息处理方法的指令。该电子设备可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，以减少执行时间的延误。

图8A为本公开一些实施例提供的一种电子设备的示意框图。如图8A所示，该电子设备800包括处理器810和存储器820。存储器820用于存储非暂时性计算机可读指令(例如一个或多个计算机程序模块)。处理器810用于运行非暂时性计算机可读指令，非暂时性计算机可读指令被处理器810运行时可以执行上文所述的信息处理方法中的一个或多个步骤。存储器820和处理器810可以通过总线系统和/或其它形式的连接机构(未示出)互连。

例如，处理器810可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器810可以为通用处理器或专用处理器，可以控制电子设备800中的其它组件以执行期望的功能。

例如，存储器820可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器810可以运行一个或多个计算机程序模块，以实现电子设备800的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。

需要说明的是，本公开的实施例中，电子设备800的具体功能和技术效果可以参考上文中关于信息处理方法的描述，此处不再赘述。

图8B为本公开一些实施例提供的另一种电子设备的示意框图。该电子设备900例如适于用来实施本公开实施例提供的信息处理方法。电子设备900可以是终端设备等。需要注意的是，图8B示出的电子设备900仅仅是一个示例，其不会对本公开实施例的功能和使用范围带来任何限制。

如图8B所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)910，其可以根据存储在只读存储器(ROM)920中的程序或者从存储装置980加载到随机访问存储器(RAM)930中的程序而执行各种适当的动作和处理。在RAM 930中，还存储有电子设备900操作所需的各种程序和数据。处理装置910、ROM 920以及RAM930通过总线940彼此相连。输入/输出(I/O)接口950也连接至总线940。

通常，以下装置可以连接至I/O接口950：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置960；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置970；包括例如磁带、硬盘等的存储装置980；以及通信装置990。通信装置990可以允许电子设备900与其他电子设备进行无线或有线通信以交换数据。虽然图8B示出了具有各种装置的电子设备900，但应理解的是，并不要求实施或具备所有示出的装置，电子设备900可以替代地实施或具备更多或更少的装置。

例如，根据本公开的实施例，上述信息处理方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包括用于执行上述信息处理方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置990从网络上被下载和安装，或者从存储装置980安装，或者从ROM 920安装。在该计算机程序被处理装置910执行时，可以实现本公开实施例提供的信息处理方法中限定的功能。

本公开的至少一个实施例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用于存储非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时可以实现上述的信息处理方法。利用该计算机可读存储介质，可以预测行驶任务的执行时间是否会延误，并且可以分析出导致行驶任务延误的延误原因和延误原因对执行时间延误的影响程度，有助于根据延误原因和延误原因对执行时间延误的影响程度优化行驶任务，以减少执行时间的延误。

图9为本公开一些实施例提供的一种存储介质的示意图。如图9所示，存储介质1000用于存储非暂时性计算机可读指令1010。例如，当非暂时性计算机可读指令1010由计算机执行时可以执行根据上文所述的信息处理方法中的一个或多个步骤。

例如，该存储介质1000可以应用于上述电子设备800中。例如，存储介质1000可以为图8A所示的电子设备800中的存储器820。例如，关于存储介质1000的相关说明可以参考图8A所示的电子设备800中的存储器820的相应描述，此处不再赘述。

有以下几点需要说明：

(1)本公开实施例附图只涉及到本公开实施例涉及到的结构，其他结构可参考通常设计。

(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种信息处理方法，包括：

获取目标行驶任务的当前特征信息，其中，所述目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地；

基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误，其中，所述延误是行驶任务的执行时间晚于所述计划时间，所述知识数据库包括第一频繁项集对所述执行时间延误的影响程度，所述第一频繁项集是多个历史特征信息组成的集合；以及

响应于预测到所述目标行驶任务的执行时间延误，基于所述知识数据库中的第一频繁项集和所述第一频繁项集对所述执行时间延误的影响程度，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度，

其中，基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误，包括：

将所述当前特征信息与所述知识数据库进行比对来预测所述目标行驶任务的执行时间是否延误，

将所述当前特征信息与所述知识数据库进行比对来预测所述目标行驶任务的执行时间是否延误包括：

查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息；以及

响应于确定所述知识数据库中存在与所述当前特征信息匹配的所述历史特征信息，根据匹配的所述历史特征信息预测所述目标行驶任务的执行时间是否延误。

2.根据权利要求1所述的方法，还包括：

根据多个历史行驶任务，建立所述知识数据库。

3.根据权利要求2所述的方法，其中，所述根据多个历史行驶任务，建立所述知识数据库包括：

获取所述多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息，其中，所述历史执行信息包括所述历史行驶任务的执行时间是否延误以及延误的时间长度；

对所述历史执行信息和所述历史特征信息进行关联分析而获得分析结果；以及

基于所述分析结果生成所述知识数据库。

4.根据权利要求3所述的方法，还包括：

按照延误时长，对所述多个历史行驶任务进行分类而获得多个延误类别；

其中，所述对所述历史执行信息和所述历史特征信息进行关联分析而获得分析结果包括：

分别对每个延误类别的所述历史执行信息和所述历史特征信息进行关联分析而获得每个延误类别各自的分析结果。

5.根据权利要求3所述的方法，还包括：

根据预设时间周期，更新所述知识数据库。

6.根据权利要求5所述的方法，其中，所述根据预设时间周期，更新所述知识数据库包括：

根据所述预设时间周期，获取当前时间周期内的多个历史行驶任务中每个历史行驶任务的历史执行信息和至少一个历史特征信息；

对所述当前时间周期内的所述历史执行信息和所述历史特征信息进行关联分析而获得所述当前时间周期的分析结果；以及

基于所述当前时间周期的分析结果更新所述知识数据库。

7.根据权利要求6所述的方法，其中，所述基于所述当前时间周期的分析结果更新所述知识数据库包括：

将所述当前时间周期的分析结果与历史时间周期的分析结果进行加权平均计算以更新所述知识数据库。

8.根据权利要求6所述的方法，还包括：

按照所述交通工具的历史使用情况，确定不同类型的预设时间周期，其中，所述预设时间周期的类型是按照季节、节假日或节气中的至少一个进行分类的；

所述基于所述当前时间周期的分析结果更新所述知识数据库，包括：

确定参考时间周期，其中，所述参考时间周期为与所述当前时间周期相同类型的历史时间周期；

基于所述当前时间周期的分析结果和所述参考时间周期的分析结果，更新所述知识数据库。

9.根据权利要求1所述的方法，其中，所述延误原因包括多个子延误原因，所述方法还包括：

基于所述知识数据库，确定所述各个子延误原因的支持度和所述多个子延误原因之间的置信度或提升度。

10.根据权利要求1所述的方法，其中，所述交通工具包括以下任意一种：飞机、列车、汽车或船只。

11.根据权利要求1所述的方法，其中，所述查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息，包括：

利用散列算法查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息。

12.根据权利要求3所述的方法，其中，所述当前特征信息包括：所述目标行驶任务的出发地、目的地和预设的执行时间中的至少一个；

所述历史特征信息包括：所述历史行驶任务的出发地、目的地和历史行驶任务的预设执行时间中的至少一个。

13.根据权利要求3所述的方法，其中，所述基于所述知识数据库，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度包括：

确定所述知识数据库中与所述当前特征信息相匹配的第二频繁项集，所述第二频繁项集对应于发生延误的历史行驶任务，所述第二频繁项集中的一个或者多个历史特征信息为延误原因；以及

根据所述知识数据库中与所述第二频繁项集相关的分析结果，确定所述第二频繁项集的支持度，其中，所述支持度表示所述延误原因对所述执行时间延误的影响程度。

14.一种信息处理装置，包括：

获取单元，配置为获取目标行驶任务的当前特征信息，其中，所述目标行驶任务为利用交通工具按照计划时间从出发地移动到目的地；

预测单元，配置为基于所述当前特征信息和知识数据库，预测所述目标行驶任务的执行时间是否延误，其中，所述延误是行驶任务的执行时间晚于所述计划时间，所述知识数据库包括第一频繁项集对所述执行时间延误的影响程度，所述第一频繁项集是多个历史特征信息组成的集合；以及

确定单元，配置为响应于预测到所述目标行驶任务的执行时间延误，基于所述知识数据库中的第一频繁项集和所述第一频繁项集对所述执行时间延误的影响程度，确定所述目标行驶任务的延误原因以及所述延误原因对所述执行时间延误的影响程度，

其中，所述预测单元配置为将所述当前特征信息与所述知识数据库进行比对来预测所述目标行驶任务的执行时间是否延误，

所述预测单元配置为查询所述知识数据库，确定所述知识数据库中是否存在与所述当前特征信息匹配的历史特征信息；以及响应于确定所述知识数据库中存在与所述当前特征信息匹配的历史特征信息，根据匹配的所述历史特征信息预测所述目标行驶任务的执行时间是否延误。

15.一种电子设备，包括：

处理器；

存储器，包括一个或多个计算机程序模块；

其中，所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个计算机程序模块包括用于实现权利要求1-13任一项所述的信息处理方法的指令。

16.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时可以实现权利要求1-13任一项所述的信息处理方法。

Images