CN113537548B - 一种行驶路线的推荐方法、装置及设备 - Google Patents

Abstract

本申请提供一种行驶路线的推荐方法、装置及设备，该方法包括：接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。通过本申请的技术方案，提高游客的体验感和满意度。

Description

一种行驶路线的推荐方法、装置及设备

技术领域

本申请涉及智能管理领域，尤其是一种行驶路线的推荐方法、装置及设备。

背景技术

近年来，野生动物园越来越流行，进入野生动物园的游客不断增加，野生动物园的开放对于丰富人们的业余生活具有积极的推进作用，使越来越多的游客有机会观赏到多种野生动物。野生动物园是一种真实的游览形式，其主要形式是游客可以驾驶自己的车辆或者动物园的车辆进入野生动物园进行游览，与野生动物“零距离”接触，增加对野生动物的了解，培养对大自然的兴趣。

野生动物园区别于普通动物园的主要特点是：野生动物的活动范围不固定，即不会在固定区域；占地面积广阔，一般没有固定的游览路线。

基于以上特点，游客在游览野生动物园时，通常是自己设定游览路线，但是，游客在按照该游览路线游览野生动物园时，可能无法看到目标野生动物(即游客希望看到的野生动物)，导致游客的体验感和满意度比较低。

发明内容

本申请提供一种行驶路线的推荐方法，所述方法包括：

接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；

根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。

在一种可能的实施方式中，所述根据所述标识信息确定与所述目标动物对应的运动行为模型之前，所述方法还包括：

针对任一初始动物，确定初始动物的标识信息和时空数据，所述时空数据包括采集时间和采集位置，且所述初始动物在所述采集时间处于所述采集位置；

根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型；

记录所述初始动物的标识信息与所述运动行为模型的对应关系。

在一种可能的实施方式中，所述确定初始动物的标识信息和时空数据，包括：基于针对所述初始动物采集的每个电子标签数据，根据所述电子标签数据确定所述初始动物的标识信息；根据所述电子标签数据的数据采集时刻和数据采集位置，确定所述初始动物的时空数据；或者，

基于针对所述初始动物采集的每个图像数据，获取所述图像数据的特征信息，根据所述特征信息确定所述初始动物的标识信息；根据所述图像数据的图像采集时刻和图像采集位置，确定所述初始动物的时空数据。

在一种可能的实施方式中，所述根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型，包括：

从所述初始动物的所有时空数据中选取与目标时间对应的至少一个目标时空数据，所述目标时空数据中的采集时间与所述目标时间相匹配；

根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；

根据所述目标时间和所述目标位置建立所述初始动物对应的运动行为模型。

在一种可能的实施方式中，所述根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型，包括：

根据初始动物的属性信息对同一种类的初始动物进行聚类，得到初始动物类别，其中，所述初始动物类别包括至少一个初始动物；

从初始动物类别的所有初始动物的时空数据中选取与目标时间对应的至少一个目标时空数据，所述目标时空数据中的采集时间与所述目标时间相匹配；

根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；

根据所述目标时间和所述目标位置建立初始动物类别对应的运动行为模型。

在一种可能的实施方式中，所述运动行为模型还包括目标时间与行为特征的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间的行为特征；所述根据所述标识信息确定与所述目标动物对应的运动行为模型之后，所述方法还包括：根据所述运动行为模型预测所述目标动物在所述指定时间区间的行为特征；将所述指定时间区间的行为特征推荐给所述客户端。

在一种可能的实施方式中，所述根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围，包括：

获取所述目标动物在当前时刻的当前位置，并根据所述运动行为模型和所述当前位置，预测所述目标动物在指定时间区间的活动范围。

在一种可能的实施方式中，若所述查询请求包括至少两个目标动物的标识信息，所述根据所述活动范围确定行驶路线，包括：

根据每个目标动物在指定时间区间的活动范围，以及所述客户端的当前位置，确定所述至少两个目标动物的游览顺序，并根据所述游览顺序和每个目标动物在指定时间区间的活动范围，确定所述行驶路线。

本申请提供一种行驶路线的推荐装置，所述装置包括：接收模块，用于接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

确定模块，用于根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

预测模块，用于根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；

推荐模块，用于根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。

本申请提供一种服务器，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；

所述处理器用于执行机器可执行指令，以实现如下步骤：

接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；

根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。

由以上技术方案可见，本申请实施例中，可以根据目标动物对应的运动行为模型预测目标动物在指定时间区间的活动范围，并根据活动范围确定行驶路线，将行驶路线推荐给游客，使得游客在按照该行驶路线游览野生动物园时，能够看到目标动物，提高游客的体验感和满意度。能够增强动物档案管理过程的准确性，在提升园区管理效率的同时，能够根据游客的游览偏好对其推荐合适的游览路线，提升游览体验感，提升游客在园区内的游玩效率。

附图说明

为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者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，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其他的附图。

图1是本申请一种实施方式中的建立运动行为模型的流程示意图；

图2A是本申请一种实施方式中的初始动物的数据记录示意图；

图2B是本申请一种实施方式中的时空数据的获取流程图；

图2C是本申请一种实施方式中的建立运动行为模型的示意图；

图2D是本申请另一种实施方式中的建立运动行为模型的示意图；

图2E是本申请一种实施方式中的身份档案管理的示意图；

图3是本申请一种实施方式中的行驶路线的推荐方法的流程示意图；

图4是本申请一种实施方式中的行驶路线的推荐装置的结构示意图；

图5是本申请一种实施方式中的服务器的硬件结构图。

具体实施方式

在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

野生动物园区别于普通动物园的主要特点是：野生动物的活动范围不固定，即不会在固定区域；占地面积比较广阔，一般没有固定的游览路线。基于以上特点，本申请实施例中，可以根据运动行为模型预测动物在指定时间区间的活动范围，并根据该活动范围确定行驶路线，将行驶路线推荐给游客，游客在按照该行驶路线游览野生动物园时，大概率能够看到目标动物，从而提高游客的体验感和满意度，在提升园区管理效率的同时，能够提升游览体验感。

以下结合具体实施例，对本申请实施例的技术方案进行说明。

本申请实施例中，可以先建立动物的运动行为模型，为了区分方便，可以将该动物称为初始动物，初始动物可以是野生动物园的部分动物，也可以是野生动物园的全部动物，对此不做限制。初始动物可以是野生动物园的野生动物，也可以是野生动物园的非野生动物，对此初始动物的类型也不做限制。

为了建立初始动物对应的运动行为模型，可以获取初始动物的目标时间和目标位置，根据初始动物的目标时间和目标位置建立与该初始动物对应的运动行为模型，比如说，运动行为模型可以包括该目标时间与该目标位置的映射关系，运动行为模型用于表示该初始动物在该目标时间处于该目标位置。

在一种可能的实施方式中，可以由野生动物园的管理人员观察初始动物的情况，获知初始动物的目标时间和目标位置，并将目标时间和目标位置输出给服务器，服务器根据目标时间和目标位置建立初始动物对应的运动行为模型。

在另一种可能的实施方式中，可以由部署在野生动物园的采集设备获取与初始动物对应的数据，并将这些数据输出给服务器。服务器可以根据数据以及数据的相关信息(如时间信息和位置信息等)，分析出初始动物的目标时间和目标位置，并根据目标时间和目标位置建立初始动物对应的运动行为模型。

当然，上述方式只是两个示例，对此不做限制，只要能够获取到初始动物的目标时间和目标位置，并根据目标时间和目标位置建立与该初始动物对应的运动行为模型即可。在后续过程中，以“服务器根据数据以及数据的相关信息分析出初始动物的目标时间和目标位置”的实现方式为例进行说明。

参见图1所示，为建立运动行为模型的流程示意图，该方法可以包括：

步骤101，针对任一初始动物，确定该初始动物的标识信息和时空数据，时空数据包括采集时间和采集位置，且初始动物在该采集时间处于该采集位置。

示例性的，基于针对初始动物采集的每个电子标签数据，可以根据电子标签数据确定初始动物的标识信息；根据电子标签数据的数据采集时刻和数据采集位置，确定初始动物的时空数据。或者，基于针对初始动物采集的每个图像数据，可以获取图像数据的特征信息，根据该特征信息确定初始动物的标识信息；根据图像数据的图像采集时刻和图像采集位置，确定初始动物的时空数据。

以下对“确定初始动物的标识信息和时空数据”的实现方式进行说明。

方式1：针对野生动物园中的任一初始动物(以初始动物a1为例)，初始动物a1身上佩戴有电子标签(以电子标签b1为例)。参见表1所示，在数据库中记录初始动物a1的标识信息(即初始动物a1的标识，用于区分不同的初始动物，后续将初始动物a1的标识信息记为a111)，电子标签b1的标签值(即电子标签b1的唯一电子编码，用于区分不同的电子标签，后续将电子标签b1的标签值记为b111)与时空数据的对应关系，初始状态下，时空数据为空。

表1

初始动物的标识信息	电子标签的标签值	时空数据
			a111	b111
a211	b211
			…	…

可以在野生动物园部署大量采集设备，这些采集设备用于获取电子标签的标签值，例如，电子标签是基于RFID(Radio Frequency Identification，射频识别)的电子标签时，采集设备可以是RFID采集设备。电子标签是基于NFC(Near Field Communication，近场通信)的电子标签时，采集设备可以是NFC采集设备。当然，电子标签也可以是其它类型，如红外、蓝牙等，对此不做限制。

在初始动物a1的移动过程中，假设初始动物a1位于位置区域1，则部署在位置区域1的采集设备(如采集设备1)能够采集到电子标签b1的标签值b111，并将电子标签数据发送给服务器，该电子标签数据可以包括标签值b111。

基于该电子标签数据中的标签值b111，服务器可以查询表1所示的数据库，得到初始动物a1的标识信息，即初始动物a1的标识信息可以为a111。

采集设备1还可以确定标签值b111的数据采集时刻(即自身获取到标签值b111的时刻)，且电子标签数据可以包括标签值b111的数据采集时刻。服务器在得到电子标签数据后，可以从电子标签数据中获取到标签值b111的数据采集时刻。或者，若电子标签数据未包括标签值b111的数据采集时刻，则服务器可以将自身接收到电子标签数据的时刻，确定为标签值b111的数据采集时刻。

采集设备1还可以确定标签值b111的数据采集位置(即采集设备1所处的位置区域，即能够采集到标签值的区域，比如说，当初始动物位于该位置区域时，采集设备1能够采集到针对该初始动物的标签值，当初始动物位于该位置区域之外时，采集设备1无法采集到针对该初始动物的标签值)，且电子标签数据可以包括标签值b111的数据采集位置。服务器在得到电子标签数据后，可以从电子标签数据中获取到标签值b111的数据采集位置。或者，若电子标签数据未包括标签值b111的数据采集位置，则服务器可以查询采集设备1的位置区域，并将采集设备1的位置区域确定为标签值b111的数据采集位置。

例如，服务器可以预先配置每个采集设备的标识与该采集设备的位置区域的映射关系，基于此，服务器在接收到采集设备1发送的电子标签数据后，通过采集设备1的标识查询该映射关系，得到采集设备1的位置区域。

综上所述，服务器在得到电子标签数据后，可以确定初始动物a1的标识信息，电子标签数据的数据采集时刻T1和数据采集位置P1(即位置区域)。

在初始动物a1位于位置区域1时，采集设备1可以周期性的向服务器发送电子标签数据，这些电子标签数据的数据采集时刻会发生变化，而数据采集位置不变，均是数据采集位置P1。同理，当初始动物移动到位置区域2时，部署在位置区域2的采集设备2能够将电子标签数据发送给服务器，以此类推。

基于上述处理，服务器可以得到大量数据采集时刻和数据采集位置的对应关系，并根据初始动物的标识信息将这些数据更新到数据库，参见表2所示。

表2

然后，服务器可以对数据库中的数据采集时刻进行整合，得到与数据采集位置对应的时间区间，比如说，可以将对应同一数据采集位置的连续时刻整合为同一时间区间，而该时间区间表示时空数据中的采集时间，该数据采集位置表示时空数据中的采集位置，参见表3所示，为整合后的数据库。

表3

从表3可以看出，针对标识信息a111对应的初始动物a1，在时间区间t1处于数据采集位置P11，在时间区间t2处于数据采集位置P2。

方式2：针对野生动物园中的任一初始动物(以初始动物a1为例)，可以采集包括初始动物a1的训练图像，并获取该训练图像的特征向量c111。例如，可以将训练图像输出给神经网络，且训练图像的打标值为初始动物a1的标识信息a111。神经网络对训练图像进行处理，得到训练图像的特征向量(假设为特征向量c111)，并得到特征向量c111与标识信息a111的对应关系。

当然，神经网络的实现方式只是示例，还可以采用其它方式，只要能够得到训练图像的特征向量即可，这个特征向量能够唯一区分出初始动物a1。

在得到训练图像的特征向量c111后，神经网络可以输出特征向量c111与标识信息a111，这样，服务器可以在数据库中记录初始动物a1的标识信息a111，特征向量c111与时空数据的对应关系，参见表4所示。或者，神经网络可以记录初始动物a1的标识信息a111与特征向量c111的对应关系，且服务器在数据库中记录标识信息a111与时空数据的对应关系，参见表5所示。

表4

初始动物的标识信息	初始动物的特征向量	时空数据
			a111	c111
…	…

表5

初始动物的标识信息	时空数据
		a111
…

示例性的，可以在野生动物园部署大量采集设备，这些采集设备用于采集包括初始动物的目标图像，例如，可以是IPC、图像传感器等，对此不做限制。

在初始动物a1的移动过程中，假设初始动物a1位于位置区域1，则部署在位置区域1的采集设备(如采集设备1)能够采集包括初始动物a1的目标图像，并将图像数据发送给服务器，该图像数据可以包括该目标图像。

基于图像数据中的目标图像，服务器可以获取目标图像的特征向量。例如，将目标图像输出给神经网络，由神经网络对目标图像进行处理，得到目标图像的特征向量(如c111)。针对表4的情况，神经网络可以输出特征向量c111，服务器通过特征向量c111查询表4所示的数据库，得到初始动物a1的标识信息a111。针对表5的情况，神经网络可以通过特征向量c111查询到标识信息a111，且输出标识信息a111，服务器可以直接确定初始动物a1的标识信息a111。

示例性的，在实际应用中，采集设备1在得到包括初始动物a1的目标图像后，还可以由采集设备1获取目标图像的特征向量c111，且图像数据可以包括特征向量c111。服务器在接收到图像数据后，可以直接从图像数据中获取特征向量c111，并通过特征向量c111查询到标识信息a111。例如，在采集设备1的计算资源充足时，则采集设备1可以获取目标图像的特征向量c111。

采集设备1还可以确定目标图像的图像采集时刻(即自身获取到目标图像的时刻)，且图像数据可以包括图像采集时刻。服务器在得到图像数据后，可以从图像数据中获取到该图像采集时刻。或者，若图像数据未包括图像采集时刻，则服务器可以将自身接收到图像数据的时刻，确定为图像采集时刻。

采集设备1还可以确定目标图像的图像采集位置(即采集设备1所处的位置区域)，且图像数据可以包括图像采集位置。服务器得到图像数据后，从图像数据中获取到图像采集位置。或者，若图像数据未包括图像采集时刻，服务器查询采集设备1的位置区域，将采集设备1的位置区域确定为图像采集位置。

综上所述，服务器在得到图像数据后，可以确定初始动物a1的标识信息，并确定图像数据的图像采集时刻T1和图像采集位置P1(即位置区域)。

显然，每个采集设备均可以周期性的向服务器发送图像数据，因此，服务器可以得到大量图像采集时刻和图像采集位置的对应关系，并对这些图像采集时刻进行整合，得到与图像采集位置对应的时间区间，而该时间区间表示时空数据中的采集时间，该图像采集位置表示时空数据中的采集位置，参见表6或表7所示。从表7可以看出，针对标识信息a111对应的初始动物a1，在时间区间t1处于图像采集位置P11，在时间区间t2处于图像采集位置P2。

表6

表7

方式3：针对野生动物园中的任一初始动物a1，参见图2A所示，初始动物a1佩戴有电子标签b1，且采集包括初始动物a1的训练图像，获取训练图像的特征向量c111。基于此，可以在数据库中记录初始动物a1的标识信息a111，电子标签b1的标签值b111，特征向量c111与时空数据的对应关系，参见表8所示。

表8

初始动物的标识信息	电子标签的标签值	初始动物的特征向量	时空数据
				a111	b111	c111
…	…	…

可以在野生动物园部署大量采集设备，如用于获取电子标签的标签值的RFID采集设备，以及，用于采集包括初始动物的目标图像的IPC采集设备。

在上述应用场景下，参见图2B所示，服务器获取时空数据的过程包括：

步骤1011，服务器判断是否接收到电子标签数据。

如果是，则执行步骤1012，如果否，则执行步骤1014。

示例性的，当初始动物a1位于位置区域1时，若部署在位置区域1的RFID采集设备采集到电子标签b1的标签值b111，则可以将电子标签数据发送给服务器，其中包括标签值b111。基于此，服务器可以接收到电子标签数据。

步骤1012，服务器基于标签值b111查询数据库(表8所示)，得到初始动物a1的标识信息a111，并确定标签值b111的数据采集时刻和数据采集位置。

步骤1013，服务器根据标识信息a111将标签值b111的数据采集时刻和数据采集位置更新到数据库中。在步骤1013之后，可以执行步骤1014。

其中，步骤1011-步骤1013可以参见方式一，在此不再重复赘述。

步骤1014，服务器判断是否接收到图像数据。

如果是，则执行步骤1015，如果否，则执行步骤1017。

示例性的，当初始动物a1位于位置区域2时，若部署在位置区域2的IPC采集设备采集到包括初始动物a1的目标图像，则可以将图像数据发送给服务器，其中包括该目标图像。基于此，服务器可以接收到图像数据。

步骤1015，服务器获取目标图像的特征向量(如特征向量为c111)，并通过特征向量c111查询数据库(表8所示)，得到初始动物a1的标识信息a111，并确定目标图像的图像采集时刻和目标图像的图像采集位置。

步骤1016，服务器根据标识信息a111将目标图像的图像采集时刻和图像采集位置更新到数据库中。在步骤1016之后，可以执行步骤1017。

其中，步骤1014-步骤1016可以参见方式二，在此不再重复赘述。

步骤1017，服务器对数据库中的采集时刻(如数据采集时刻和图像采集时刻)进行整合，得到与同一采集位置(如数据采集位置和图像采集位置)对应的时间区间，该时间区间表示时空数据中的采集时间，参见表9所示。

表9

综上所述，基于上述3种方式的任一方式，均可以确定初始动物的标识信息和时空数据，并记录该标识信息与该时空数据的对应关系，而且，该时空数据包括采集时间和采集位置，且初始动物在该采集时间处于该采集位置。

综上所述，可以使用深度学习算法(如神经网络)对初始动物进行特征建模，并保存初始动物的特征向量。通过采集设备采集目标图像，基于目标图像的特征向量确定初始动物的身份，提高对动物身份识别的准确性。还可以引入电子标签，通过采集设备采集电子标签的标签值，更加准确的识别动物身份。

至此，完成步骤101的实现过程，可以确定初始动物的时空数据。

步骤102，根据采集时间和采集位置建立初始动物对应的运动行为模型，示例性的，该运动行为模型可以包括目标时间与目标位置的映射关系，该运动行为模型用于表示该初始动物在该目标时间处于该目标位置。

示例性的，可以基于时空数据中的采集时间，将时空数据划分到与该采集时间匹配的统计周期。例如，统计周期可以为“一周”、“一天”、“一小时”，“野生动物园在一天中的开放时间”等，对此不做限制。为了方便描述，后续以“一天”为统计周期，则第1天(从0点到24点)的时空数据对应统计周期1，第2天的时空数据对应统计周期2，以此类推。假设时空数据A的采集时间处于统计周期1，则将时空数据A划分到统计周期1；假设时空数据B的采集时间处于统计周期2，则将时空数据B划分到统计周期2，以此类推。

示例性的，服务器可以获取目标时间。例如，可以将统计周期(即一天)划分为多个时间区间，每个时间区间可以是一个目标时间。例如，将统计周期划分为240个时间区间，得到240个目标时间，每个时间区间为10分钟，目标时间可以包括：0点至0点10分，0点10分至0点20分，以此类推。

又例如，从所有统计周期中选取一个统计周期，如统计周期2，将这个统计周期2内的所有时空数据中的采集时间作为目标时间。例如，假设统计周期2包括100个时空数据，则将这100个时空数据中的采集时间，确定为目标时间。

当然，上述只是确定目标时间的两个示例，对此不做限制。

在得到目标时间后，在一种可能的实施方式中，参见图2C所示，为了根据采集时间和采集位置建立初始动物对应的运动行为模型，可以采用如下步骤：

步骤10211，从初始动物的所有时空数据中选取与目标时间对应的至少一个目标时空数据，该目标时空数据中的采集时间与该目标时间相匹配。

例如，针对目标时间1，在统计周期1的所有时空数据中，选取采集时间与目标时间1存在重合时间(如部分重合或者全部重合)的时空数据，即时空数据的采集时间全部或者部分位于目标时间1。在统计周期2的所有时空数据中，选取采集时间与目标时间1存在重合时间的时空数据，以此类推。基于此，可以得到与目标时间1对应的多个时空数据，将这些时空数据记为目标时空数据。

同理，针对目标时间2，可以得到与目标时间2对应的多个目标时空数据，针对目标时间3，可以得到与目标时间3对应的多个目标时空数据，以此类推。

步骤10212，基于与目标时间对应的至少一个目标时空数据，根据每个目标时空数据中的采集位置确定与目标时间对应的目标位置。

示例性的，针对目标时间1，在得到与目标时间1对应的多个目标时空数据之后，可以根据所有目标时空数据的采集位置，确定每个采集位置的概率，并可以将概率最大的采集位置作为与目标时间1对应的目标位置，或者，当最大概率大于预设阈值(可以根据经验进行配置，如大于50％的任意阈值)时，才会将概率最大的采集位置作为与目标时间1对应的目标位置。

例如，目标时间1对应100个目标时空数据，95个目标时空数据中的采集位置是P1，5个目标时空数据中的采集位置是P2，P1的概率是95％，P2的概率是5％。基于此，假设95％大于预设阈值，则将采集位置P1作为与目标时间1对应的目标位置，且初始动物在目标时间1处于目标位置P1的概率是95％。

示例性的，基于目标时间1对应的多个目标时空数据，可以采用机器学习算法获取每个采集位置的概率，如可以将目标时空数据输入给神经网络，由神经网络对目标时空数据进行处理，得到每个采集位置的概率，对此处理过程不做限制，或者，也可以采用其它类型的机器学习算法，得到每个采集位置的概率，对此不做限制，只要能够得到每个采集位置的概率即可。

同理，针对目标时间2，可以得到与目标时间2对应的目标位置，并得到初始动物在目标时间2处于该目标位置的概率，以此类推。

步骤10213，根据目标时间和目标位置建立初始动物对应的运动行为模型。

在上述步骤中，可以得到每个目标时间对应的目标位置，以及，初始动物在该目标时间处于该目标位置的概率，因此，可以利用这些数据建立初始动物对应的运动行为模型，该运动行为模型可以包括目标时间与目标位置的映射关系，该运动行为模型用于表示该初始动物在该目标时间处于该目标位置。

例如，运动行为模型包括目标时间1与目标位置P1的映射关系，且初始动物在目标时间1处于目标位置P1的概率是95％。运动行为模型包括目标时间2与目标位置P2的映射关系，且初始动物在目标时间2处于目标位置P2的概率是80％。运动行为模型包括目标时间3与目标位置P3的映射关系，且初始动物在目标时间3处于目标位置P3的概率是70％，以此类推。

综上所述，运动行为模型可以包括所有目标时间(如240个目标时间)与目标位置的对应关系，即通过运动行为模型模拟初始动物的运动轨迹，如初始动物在目标时间1处于目标位置P1，在目标时间2处于目标位置P2，以此类推，在目标时间240处于目标位置P240，上述目标位置P1，目标位置P2，…，目标位置P240就是初始动物的运动轨迹，且每个目标位置可以对应一个目标时间。

在得到目标时间后，在另一种可能的实施方式中，参见图2D所示，为了根据采集时间和采集位置建立初始动物对应的运动行为模型，可以采用如下步骤：

步骤10221，根据初始动物的属性信息对同一种类的初始动物进行聚类，得到初始动物类别，其中，初始动物类别可以包括至少一个初始动物。

示例性的，针对每个初始动物来说，可以获取该初始动物的属性信息，该属性信息可以包括但不限于：初始动物的种类(如老虎类，狮子类，狼类等等)，初始动物的年龄，初始动物的性别，初始动物的攻击性，初始动物的简单介绍等，对此属性信息不做限制，所有与初始动物有关的内容，均属于属性信息。

由于初始动物的属性信息包括初始动物的种类，因此，可以利用初始动物的种类对同一种类的初始动物进行聚类，得到初始动物类别。例如，将所有“老虎”聚类，得到初始动物类别1(老虎类)，初始动物类别1包括多个老虎，每个老虎具有唯一的标识信息。又例如，将所有“狼”聚类，得到初始动物类别2(即狼类)，初始动物类别2包括多个狼，每个狼具有唯一的标识信息。

步骤10222，从初始动物类别的所有初始动物的时空数据(即，可以为每个初始动物的所有时空数据)中选取与目标时间对应的至少一个目标时空数据，该目标时空数据中的采集时间与该目标时间相匹配。

例如，假设初始动物类别1包括初始动物11-初始动物18，则可以获取初始动物11-初始动物18中的每个初始动物的所有时空数据。

针对目标时间1，在统计周期1的所有时空数据(这里是初始动物11-初始动物18的所有时空数据，而不是一个初始动物的所有时空数据)中，选取采集时间与目标时间1存在重合时间的时空数据，在统计周期2的所有时空数据中，选取采集时间与目标时间1存在重合时间的时空数据，以此类推。基于此，可以得到与目标时间1对应的多个时空数据，将这些时空数据记为目标时空数据。

同理，可以得到与目标时间2对应的多个目标时空数据，以此类推。

步骤10223，基于与目标时间对应的至少一个目标时空数据，根据每个目标时空数据中的采集位置确定与目标时间对应的目标位置。

示例性的，步骤10223可以参见步骤10212，在此不再赘述。

步骤10224，根据目标时间和目标位置建立初始动物类别对应的运动行为模型，并将该运动行为模型确定为该初始动物类别的每个初始动物对应的运动行为模型，即该初始动物类别的每个初始动物可以对应相同的运动行为模型。

示例性的，运动行为模型可以包括目标时间与目标位置的映射关系，运动行为模型用于表示初始动物类别的初始动物在该目标时间处于该目标位置。

示例性的，建立运动行为模型的方式可以参见步骤10213，与步骤10213的区别在于，该运动行为模型是初始动物类别对应的，即作为初始动物类别的每个初始动物对应的运动行为模型。例如，假设初始动物类别1包括初始动物11-初始动物18，则该运动行为模型作为初始动物类别1对应的运动行为模型，又作为初始动物11-初始动物18中的每个初始动物对应的运动行为模型。

综上所述，参见图2C或图2D所示，可以得到运动行为模型，在一种可能的实施方式中，可以确定初始动物的生活方式(如群居或独居，初始动物的属性信息包括生活方式)。若初始动物的生活方式为群居，则可以采用图2D所示的方式，得到该初始动物对应的运动行为模型。若初始动物的生活方式为独居居，则可以采用图2C所示的方式，得到该初始动物对应的运动行为模型。

至此，完成步骤102的实现过程，可以确定初始动物对应的运动行为模型。

步骤103，记录初始动物的标识信息与运动行为模型的对应关系。

参见上述实施例，可以得到初始动物的标识信息，并可以得到该初始动物对应的运动行为模型，基于此，可以记录初始动物的标识信息与该初始动物对应的运动行为模型的对应关系。例如，可以记录初始动物a1的标识信息a111与初始动物a1对应的运动行为模型的对应关系，可以记录初始动物a2的标识信息a211与初始动物a2对应的运动行为模型的对应关系，以此类推。

参见上述实施例，针对每个初始动物，可以涉及如下内容，初始动物的标识信息，初始动物的属性信息，初始动物对应的运动行为模型，初始动物对应的初始动物类别，基于此，在一种可能的实施方式中，可以对初始动物的身份档案进行整理，即建立初始动物的身份档案管理信息，该身份档案管理信息可以包括但不限于以下信息的至少一种：初始动物的标识信息，初始动物的属性信息，初始动物对应的运动行为模型，初始动物对应的初始动物类别。

例如，在初始状态下，可以对野生动物园中的初始动物进行身份注册，参见图2E所示，在身份注册过程中，可以在数据库中记录初始动物的标识信息，初始动物的属性信息，电子标签的标签值，初始动物的特征向量，时空数据(初始状态为空)等内容，参见表8所示，表8未示出初始动物的属性信息。

参见图2E所示，基于初始动物的属性信息，可以对同一种类的初始动物进行聚类，得到初始动物类别，在聚类过程中，可以划分多个级别的目录，最终精确到某一种精细类别。例如，在图2E中，可以划分为N级目录，各级目录可以包括但不限于：界(Kingdom)，门(Phylum)，纲(Class)，目(Order)，科(Family)，属(Genus)，种(Species)等，对此各级目录的类型不做限制。

例如，针对某个初始动物a1，在所有一级目录中，可以确定初始动物a1所属的目标一级目录，如初始动物a1属于种类A。然后，在种类A对应的所有二级目录中，可以确定初始动物a1所属的目标二级目录，如初始动物a1属于种类A1。然后，在种类A1对应的所有三级目录中，可以确定初始动物a1所属的目标三级目录，如初始动物a1属于种类A11，以此类推，最终，确定初始动物a1所属的第N级目录，并确定初始动物a1属于第N级目录的哪个种类。

参见图2E所示，在对所有初始动物进行上述处理后，可以得到聚类信息，即在第N级目录的每个种类下，记录属于该种类的各初始动物的标识信息。

显然，经过上述处理，可以得到每个初始动物对应的初始动物类别，该初始动物类别可以是该初始动物在第N级目录下对应的种类，也可以是该初始动物在第N-1级目录下对应的种类，…，还可以是该初始动物在第2级目录下对应的种类(如种类A1，种类A2等)，还可以是该初始动物在第1级目录下对应的种类(如种类A，种类B等)，对此初始动物类别不做限制。

参见图2E所示，通过与采集设备交互，服务器可以获取大量时空数据，并将这些时空数据记录到表8所示的数据库中。基于这些时空数据，服务器可以建立初始动物对应的运动行为模型。通过运动行为模型能够模拟初始动物的运动轨迹，且运动行为模型表示初始动物在目标时间处于目标位置，因此，能够分析出在目标时间，初始动物经常出现在哪个目标位置，从而指导游客的行驶路线。示例性的，该运动行为模型可以是一个初始动物对应的运动行为模型，从而根据该运动行为模型分析该初始动物经常出现在哪个目标位置。该运动行为模型也可以是一个初始动物类别对应的运动行为模型，从而根据该运动行为模型分析该初始动物类别的所有初始动物经常出现在哪个目标位置。

综上所述，服务器可以从数据库中获取到初始动物的标识信息和属性信息，可以从聚类信息中获取到初始动物对应的初始动物类别，并获取到初始动物对应的运动行为模型，基于上述信息，可以得到初始动物的身份档案管理信息。

示例性的，参见图2E所示，服务器还可以提供动物信息统计功能，即统计野生动物园的动物总数量，每个初始动物类别的动物总数量等，对此不做限制。

综上所述，上述方式能够进行动物档案的准确整理、归档，增强动物档案管理过程的准确性，提升园区的管理效率，能够根据时空数据生成运动行为模型，根据运动行为模型分析动物的活动范围，为行驶路线的推荐提供数据基础。

基于上述应用场景，本申请实施例中提出一种行驶路线的推荐方法，该方法可以应用于服务器，参见图3所示，为该方法的流程示意图，该方法包括：

步骤301，接收客户端发送的查询请求，查询请求包括目标动物的标识信息。

示例性的，游客可以通过客户端(如APP或者浏览器等)访问服务器，服务器可以向游客显示野生动物园的基本信息，如所有或部分初始动物的信息(如初始动物的特点，年龄，图片等，对此不做限制，可以是能够向游客显示的任意信息)，游客可以从这些初始动物中选择自己希望观看的初始动物。为了区分方便，可以将初始动物中游客希望观看的动物称为目标动物。

示例性的，游客可以在客户端点击目标动物的按钮，这样，客户端可以接收到针对目标动物的命令，并生成查询请求，并将该查询请求发送给服务器。

在目标动物的显示界面中，可以包括目标动物的标识信息，因此，客户端向服务器发送查询请求时，该查询请求可以包括该目标动物的标识信息。

步骤302，根据该标识信息确定与目标动物对应的运动行为模型。

参见上述实施例，已经为初始动物建立运动行为模型，因此，在步骤302中，服务器在接收到查询请求后，可以从查询请求中获取目标动物的标识信息，并确定该标识信息对应的运动行为模型，该运动行为模型就是与目标动物对应的运动行为模型，该运动行为模型可以包括目标时间与目标位置的映射关系，且该运动行为模型用于表示目标动物在目标时间处于该目标位置。

步骤303，根据该运动行为模型预测目标动物在指定时间区间的活动范围；其中，该指定时间区间包括从当前时间开始的未来一段时间。

例如，假设当前时间为时刻A，未来一段时间是60分钟(可任意配置)的时间，则指定时间区间包括时刻A-时刻B，时刻A与时刻B的长度为60分钟。

基于运动行为模型中的所有目标时间，从这些目标时间中确定与指定时间区间存在重合时间(如部分重合或者全部重合)的目标时间，可以将确定的目标时间对应的目标位置作为目标动物在指定时间区间的活动范围。

例如，假设目标时间1与指定时间区间存在重合时间，目标时间2与指定时间区间存在重合时间，基于运动行为模型，可以从运动行为模型中获取与目标时间1对应的目标位置P1，与目标时间2对应的目标位置P2，显然，目标动物在指定时间区间的活动范围可以包括目标位置P1和目标位置P2。

在一种可能的实施方式中，可以获取目标动物在当前时刻的当前位置，并根据运动行为模型和当前位置，预测目标动物在指定时间区间的活动范围。

示例性的，为了获取目标动物在当前时刻的当前位置，可以采用如下方式：由于采集设备是实时工作的，因此，服务器可以得到目标动物的采集时间和采集位置，具体方式参见步骤101的3种方式，在此不再赘述。服务器可以从目标动物的所有采集时间中，选择距离当前时刻最接近的采集时间，并将该采集时间对应的采集位置，作为目标动物在当前时刻的当前位置。

示例性的，基于运动行为模型中的所有目标时间，确定与指定时间区间存在重合时间的目标时间(后续记为目标时间A)，若目标时间A对应的目标位置包括当前位置，或者，与当前位置比较接近(如当前位置中心与目标位置中心的距离小于阈值)，则认为运动行为模型的结果比较准确，可以将当前位置和目标时间A对应的目标位置，作为目标动物在指定时间区间的活动范围。

若目标时间A对应的目标位置与当前位置比较远(如当前位置中心与目标位置中心的距离大于或等于阈值)，则认为运动行为模型的结果不准确，可以根据当前位置确定目标动物在指定时间区间的活动范围。例如，以当前位置中心为原点，将指定半径范围内的区域作为目标动物在指定时间区间的活动范围。

当然，上述只是示例，还可以采用其它方式预测目标动物在指定时间区间的活动范围，只要与当前位置和/或运动行为模型预测有关即可。

步骤304，根据活动范围确定行驶路线，并将行驶路线推荐给客户端。

示例性的，在确定目标动物在指定时间区间的活动范围后，服务器可以根据客户端的位置以及该活动范围，规划出行驶路线，基于该行驶路线，使得游客能够在指定时间区间内到达活动范围，对此行驶路线不做限制。

在将该行驶路线推荐给客户端后，游客可以从客户端查看到该行驶路线，并可以根据自己意愿，决定是否按照该行驶路线游览野生动物园。

在一种可能的实施方式中，若游客希望观看至少两个目标动物，则步骤301中，游客可以在客户端点击至少两个目标动物的按钮，使得客户端向服务器发送的查询请求中，包括至少两个目标动物的标识信息。基于此，服务器确定至少两个目标动物分别对应的活动范围。然后，根据每个目标动物在指定时间区间的活动范围，以及客户端的当前位置，确定至少两个目标动物的游览顺序，并根据游览顺序和每个目标动物在指定时间区间的活动范围，确定行驶路线。

例如，针对目标动物1和目标动物2，目标动物1在指定时间区间的活动范围(后续记为活动范围1)与客户端的当前位置更近，则游览顺序可以为先目标动物1后目标动物2。然后，根据客户端的当前位置以及活动范围1，规划行驶路线1，基于行驶路线1，使得游客能够在指定时间区间内到达活动范围1。规划从活动范围1到活动范围2(即目标动物2在指定时间区间的活动范围)的行驶路线2，基于行驶路线2，使得游客能够在指定时间区间内到达活动范围2。

当然，上述方式只是示例，在规划行驶路线时，可以考虑游客行驶路线最短，能够在指定时间区间内到达活动范围等因素，对此规划方式不做限制。

将行驶路线1和行驶路线2推荐给客户端后，游客可以根据自己的意愿，决定是否按照行驶路线1和行驶路线2野生动物园，对此不做限制。

以下结合几个具体情况，对行驶路线的推荐过程进行说明。

情况一、确定目标动物对应的运动行为模型，获取目标动物在当前时刻的当前位置，根据该运动行为模型和该当前位置，预测目标动物在指定时间区间的活动范围。根据活动范围确定行驶路线，并将行驶路线推荐给客户端。

例如，当目标动物对应的运动行为模型是基于一个动物的时空数据建立时，即采用图2C的方式建立运动行为模型，则可以根据运动行为模型和目标动物在当前时刻的当前位置，预测目标动物在指定时间区间的活动范围。

例如，当游客只想看某个动物个体(即目标动物)时，可以获取目标动物在当前时刻的当前位置，并根据运动行为模型分析目标动物在指定时间区间容易出现的位置，基于上述信息预测出目标动物在指定时间区间的活动范围。

情况二、确定目标动物对应的运动行为模型，根据该运动行为模型预测目标动物在指定时间区间的活动范围，并根据活动范围确定行驶路线。

例如，当目标动物对应的运动行为模型是基于初始动物类别的多个动物的时空数据建立时，即采用图2D的方式建立运动行为模型，则可以直接根据该运动行为模型，预测目标动物在指定时间区间的活动范围。

例如，当游客想看某个种群动物(种群动物包括大量聚集在一起的目标动物，基于一个目标动物的标识信息确定的运动行为模型，是该种群动物的运动行为模型)时，可以根据该种群动物的运动行为模型分析目标动物在指定时间区间容易出现的位置，然后预测出目标动物在指定时间区间的活动范围。

情况三、针对至少两个目标动物的情况，可以确定每个目标动物对应的运动行为模型，并根据运动行为模型预测目标动物在指定时间区间的活动范围，即得到每个目标动物在指定时间区间的活动范围。根据每个目标动物在指定时间区间的活动范围，以及客户端的当前位置，确定至少两个目标动物的游览顺序，根据游览顺序和每个目标动物在指定时间区间的活动范围，确定行驶路线。

例如，游客可以在一个序列添加希望观看的动物个体或种群，即希望观看至少两个目标动物，可以根据运动行为模型分析目标动物在指定时间区间容易出现的位置，然后预测出目标动物在指定时间区间的活动范围。然后，按照这些活动范围与游客的距离等度量方式，给出规划的游览路线，对此不做限制。

在上述实施例中，由服务器根据运动行为模型预测目标动物在指定时间区间的活动范围，并根据活动范围确定行驶路线。与上述方式不同的是，基于运动行为模型预测中的所有目标时间，可以确定与指定时间区间存在重合时间的目标时间，并将这些目标时间对应的目标位置发送给客户端，这些目标位置表示目的动物在指定时间区间内会出现的位置，对此实现方式不做限制。

在上述实施例中，由服务器根据运动行为模型预测目标动物在指定时间区间的活动范围，并根据活动范围确定行驶路线。与上述方式不同的是，服务器得到运动行为模型后，可以将运动行为模型发送给客户端，客户端根据运动行为模型预测目标动物在指定时间区间的活动范围，根据活动范围确定行驶路线。

由以上技术方案可见，本申请实施例中，可以根据目标动物对应的运动行为模型预测目标动物在指定时间区间的活动范围，并根据活动范围确定行驶路线，将行驶路线推荐给游客，使得游客在按照该行驶路线游览野生动物园时，能够看到目标动物，提高游客的体验感和满意度。能够增强动物档案管理过程的准确性，在提升园区管理效率的同时，能够根据游客的游览偏好对其推荐合适的游览路线，提升游览体验感，提升游客在园区内的游玩效率。

在一种可能的实施方式中，除了包括目标时间与目标位置的映射关系，运动行为模型还可以包括目标时间与行为特征的映射关系，运动行为模型用于表示目标动物在该目标时间的行为特征。综上所述，运动行为模型可以包括目标时间，目标位置与行为特征的映射关系。基于此，还可以根据运动行为模型预测目标动物在指定时间区间的行为特征，并将指定时间区间的行为特征推荐给客户端，使得游客可以获知目标动物在指定时间区间的行为特征。比如说，根据该运动行为模型预测目标动物在指定时间区间的活动范围，并预测目标动物在指定时间区间的行为特征，根据活动范围确定行驶路线，并将行驶路线和行为特征推荐给客户端，表示按照该行驶路线游览时，目标动物具有该行为特征。

示例性的，在步骤101中，在获取初始动物的时空数据时，还可以获取初始动物的行为特征(如睡觉，喂食或活动等)，例如，可以采集包括初始动物的目标图像，将该目标图像输入给神经网络，以使神经网络分析初始动物的行为特征，当然，神经网络的实现方式只是一个示例，对此不做限制，只要能够得到初始动物的行为特征即可。在得到初始动物的时空数据和行为特征后，可以将时空数据和行为特征一起更新到数据库中，参见表10所示。

表10

显然，由于数据库中已经包括时空数据和行为特征，因此，可以根据该时空数据(即采集时间和采集位置)和该行为特征建立初始动物对应的运动行为模型，建立方式可以参见步骤102，其区别在于，运动行为模型包括目标时间，目标位置与行为特征的映射关系，该运动行为模型用于表示该初始动物在该目标时间处于该目标位置，且表示该目标动物在该目标时间的行为特征。

步骤303中，由于运动行为模型包括目标时间，目标位置与行为特征的映射关系，因此，可以根据运动行为模型预测目标动物在指定时间区间的活动范围，并根据运动行为模型预测目标动物在指定时间区间的行为特征，根据该活动范围确定行驶路线，并将行驶路线和行为特征推荐给客户端。在将行为特征推荐给客户端后，游客可以获知目标动物在指定时间区间的行为特征，可以根据动物当前行为特征，选择是否进行观赏，提升游客在园区内的游玩效率。

基于与上述方法同样的申请构思，本申请实施例中提出一种行驶路线的推荐装置，参见图4所示，为所述装置的结构示意图，所述装置包括：接收模块41，用于接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；确定模块42，用于根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；预测模块43，用于根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；推荐模块44，用于根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。

所述确定模块42还用于：针对任一初始动物，确定初始动物的标识信息和时空数据，时空数据包括采集时间和采集位置，初始动物在所述采集时间处于所述采集位置；根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型；记录所述初始动物的标识信息与所述运动行为模型的对应关系。

所述确定模块42确定初始动物的标识信息和时空数据时具体用于：基于针对初始动物采集的每个电子标签数据，根据电子标签数据确定所述初始动物的标识信息；根据所述电子标签数据的数据采集时刻和数据采集位置，确定所述初始动物的时空数据；或者，基于针对初始动物采集的每个图像数据，获取图像数据的特征信息，根据所述特征信息确定所述初始动物的标识信息；根据所述图像数据的图像采集时刻和图像采集位置，确定所述初始动物的时空数据。

所述确定模块42根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型时具体用于：从初始动物的所有时空数据中选取与目标时间对应的至少一个目标时空数据，目标时空数据中的采集时间与所述目标时间相匹配；根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；根据所述目标时间和所述目标位置建立所述初始动物对应的运动行为模型。

所述确定模块42根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型时具体用于：根据初始动物的属性信息对同一种类的初始动物进行聚类，得到初始动物类别，其中，所述初始动物类别包括至少一个初始动物；从初始动物类别的所有初始动物的时空数据中选取与目标时间对应的至少一个目标时空数据，所述目标时空数据中的采集时间与所述目标时间相匹配；根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；根据所述目标时间和所述目标位置建立初始动物类别对应的运动行为模型。

所述运动行为模型还包括目标时间与行为特征的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间的行为特征；所述预测模块43还用于：根据所述运动行为模型预测所述目标动物在所述指定时间区间的行为特征；所述推荐模块44还用于：将所述指定时间区间的行为特征推荐给所述客户端。

所述预测模块43根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围时具体用于：获取目标动物在当前时刻的当前位置，并根据所述运动行为模型和所述当前位置，预测所述目标动物在指定时间区间的活动范围。

若查询请求包括至少两个目标动物的标识信息，所述推荐模块44根据活动范围确定行驶路线时具体用于：根据每个目标动物在指定时间区间的活动范围，以及所述客户端的当前位置，确定所述至少两个目标动物的游览顺序，并根据所述游览顺序和每个目标动物在指定时间区间的活动范围，确定所述行驶路线。

基于与上述方法同样的申请构思，本申请实施例中提出一种服务器，参见图5所示，所述服务器可以包括：处理器51和机器可读存储介质52，所述机器可读存储介质52存储有能够被所述处理器51执行的机器可执行指令；所述处理器81用于执行机器可执行指令，以实现如下步骤：

接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

根据所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；

根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端。

基于与上述方法同样的申请构思，本申请实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本申请上述示例公开的行驶路线的推荐方法。

其中，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种行驶路线的推荐方法，其特征在于，所述方法包括：

接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

根据所述目标动物在当前时刻的当前位置和所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；其中，所述根据所述目标动物在当前时刻的当前位置和所述运动行为模型预测所述目标动物在指定时间区间的活动范围，包括：基于所述运动行为模型中的所有目标时间，确定与所述指定时间区间存在重合时间的目标时间；若该目标时间对应的目标位置包括当前位置，或该目标时间对应的目标位置与当前位置的距离小于阈值，则将当前位置和该目标时间对应的目标位置作为所述目标动物在指定时间区间的活动范围；若该目标时间对应的目标位置与当前位置的距离大于或等于阈值，则以当前位置的中心为原点，将指定半径范围内的区域作为所述目标动物在指定时间区间的活动范围；

根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端；

其中，所述运动行为模型还包括目标时间与行为特征的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间的行为特征；所述根据所述标识信息确定与所述目标动物对应的运动行为模型之后，根据所述运动行为模型预测所述目标动物在所述指定时间区间的行为特征；将所述指定时间区间的行为特征推荐给所述客户端；

其中，若所述查询请求包括至少两个目标动物的标识信息，所述根据所述活动范围确定行驶路线，包括：根据每个目标动物在指定时间区间的活动范围，以及所述客户端的当前位置，确定所述至少两个目标动物的游览顺序，并根据所述游览顺序和每个目标动物在指定时间区间的活动范围，确定所述行驶路线。

2.根据权利要求1所述的方法，其特征在于，所述根据所述标识信息确定与所述目标动物对应的运动行为模型之前，所述方法还包括：

针对任一初始动物，确定初始动物的标识信息和时空数据，所述时空数据包括采集时间和采集位置，且所述初始动物在所述采集时间处于所述采集位置；

根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型；

记录所述初始动物的标识信息与所述运动行为模型的对应关系。

3.根据权利要求2所述的方法，其特征在于，

所述确定初始动物的标识信息和时空数据，包括：

基于针对所述初始动物采集的每个电子标签数据，根据所述电子标签数据确定所述初始动物的标识信息；根据所述电子标签数据的数据采集时刻和数据采集位置，确定所述初始动物的时空数据；或者，

基于针对所述初始动物采集的每个图像数据，获取所述图像数据的特征信息，根据所述特征信息确定所述初始动物的标识信息；根据所述图像数据的图像采集时刻和图像采集位置，确定所述初始动物的时空数据。

4.根据权利要求2所述的方法，其特征在于，所述根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型，包括：

从所述初始动物的所有时空数据中选取与目标时间对应的至少一个目标时空数据，所述目标时空数据中的采集时间与所述目标时间相匹配；

根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；

根据所述目标时间和所述目标位置建立所述初始动物对应的运动行为模型。

5.根据权利要求2所述的方法，其特征在于，所述根据所述采集时间和所述采集位置建立所述初始动物对应的运动行为模型，包括：

根据初始动物的属性信息对同一种类的初始动物进行聚类，得到初始动物类别，其中，所述初始动物类别包括至少一个初始动物；

从初始动物类别的所有初始动物的时空数据中选取与目标时间对应的至少一个目标时空数据，所述目标时空数据中的采集时间与所述目标时间相匹配；

根据每个目标时空数据中的采集位置确定与所述目标时间对应的目标位置；

根据所述目标时间和所述目标位置建立初始动物类别对应的运动行为模型。

6.一种行驶路线的推荐装置，其特征在于，所述装置包括：

接收模块，用于接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

确定模块，用于根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

预测模块，用于根据所述目标动物在当前时刻的当前位置和所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；其中，所述预测模块具体用于：基于所述运动行为模型中的所有目标时间，确定与所述指定时间区间存在重合时间的目标时间；若该目标时间对应的目标位置包括当前位置，或该目标时间对应的目标位置与当前位置的距离小于阈值，则将当前位置和该目标时间对应的目标位置作为所述目标动物在指定时间区间的活动范围；若该目标时间对应的目标位置与当前位置的距离大于或等于阈值，则以当前位置的中心为原点，将指定半径范围内的区域作为所述目标动物在指定时间区间的活动范围；

推荐模块，用于根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端；

其中，所述运动行为模型还包括目标时间与行为特征的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间的行为特征；所述预测模块还用于：根据所述运动行为模型预测所述目标动物在所述指定时间区间的行为特征；所述推荐模块还用于：将所述指定时间区间的行为特征推荐给所述客户端；

其中，若查询请求包括至少两个目标动物的标识信息，所述推荐模块根据活动范围确定行驶路线时具体用于：根据每个目标动物在指定时间区间的活动范围，以及所述客户端的当前位置，确定所述至少两个目标动物的游览顺序，并根据所述游览顺序和每个目标动物在指定时间区间的活动范围，确定所述行驶路线。

7.一种服务器，其特征在于，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；

所述处理器用于执行机器可执行指令，以实现如下步骤：

接收客户端发送的查询请求，所述查询请求包括目标动物的标识信息；

根据所述标识信息确定与所述目标动物对应的运动行为模型；其中，所述运动行为模型包括目标时间与目标位置的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间处于所述目标位置；

根据所述目标动物在当前时刻的当前位置和所述运动行为模型预测所述目标动物在指定时间区间的活动范围；其中，所述指定时间区间包括从当前时间开始的未来一段时间；其中，所述根据所述目标动物在当前时刻的当前位置和所述运动行为模型预测所述目标动物在指定时间区间的活动范围，包括：基于所述运动行为模型中的所有目标时间，确定与所述指定时间区间存在重合时间的目标时间；若该目标时间对应的目标位置包括当前位置，或该目标时间对应的目标位置与当前位置的距离小于阈值，则将当前位置和该目标时间对应的目标位置作为所述目标动物在指定时间区间的活动范围；若该目标时间对应的目标位置与当前位置的距离大于或等于阈值，则以当前位置的中心为原点，将指定半径范围内的区域作为所述目标动物在指定时间区间的活动范围；

根据所述活动范围确定行驶路线，并将所述行驶路线推荐给所述客户端；

其中，所述运动行为模型还包括目标时间与行为特征的映射关系，所述运动行为模型用于表示所述目标动物在所述目标时间的行为特征；所述根据所述标识信息确定与所述目标动物对应的运动行为模型之后，根据所述运动行为模型预测所述目标动物在所述指定时间区间的行为特征；将所述指定时间区间的行为特征推荐给所述客户端；

其中，若所述查询请求包括至少两个目标动物的标识信息，所述根据所述活动范围确定行驶路线，包括：根据每个目标动物在指定时间区间的活动范围，以及所述客户端的当前位置，确定所述至少两个目标动物的游览顺序，并根据所述游览顺序和每个目标动物在指定时间区间的活动范围，确定所述行驶路线。