CN114565188A - 用户出行意图的预测方法、系统、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种用户出行意图的预测方法、系统、电子设备和存储介质。该预测方法包括：获取用户在预设历史时间段内的历史出行数据；基于所述历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；基于所述第一出行数据，构建用户出行意图预测模型；获取用户的待处理出行数据；将所述待处理出行数据输入所述用户出行意图预测模型，输出用于表征用户出行意图的预测结果。本发明通过识别代订行为，剔除订单预订人与实际出行人不一致的订单，保证每一个出行人对应的样本数据的可靠性，从而提高预测模型的准确性。用户出行意图的预测结果可以用于制定推荐策略，提高平台的服务质量，优化用户的出行体验。

Description

用户出行意图的预测方法、系统、电子设备和存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种用户出行意图的预测方法、系统、电子设备和存储介质。

背景技术

目前，各个平台在判断用户出行意图时，直接获取同一用户的所有订单数据，对这些订单数据进行一系列处理(如剔除异常数据、切词等)，以得到满足训练条件的样本数据；然而，基于这些样本数据的出行意图预测结果普遍存在预测精度低，无法准确判断用户一次行程的出行意图的问题。

发明内容

本发明要解决的技术问题是为了克服现有技术中预测用户出行意图时缺少识别代订行为的步骤，导致无法排除预订人与出行人不一致的订单，以至于预测准确率低的缺陷，提供一种用户出行意图的预测方法、系统、电子设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种用户出行意图的预测方法，包括以下步骤：

获取用户在预设历史时间段内的历史出行数据；

基于历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

基于第一出行数据，构建用户出行意图预测模型；

获取用户的待处理出行数据；

将待处理出行数据输入用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

较佳地，基于第一出行数据，构建用户出行意图预测模型的步骤包括：

对第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据；

基于一次行程数据，构建用户出行意图预测模型。

较佳地，对第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据的步骤包括：

基于第一出行数据，获取用户在预设历史时间段内的若干位置数据；

获取用户在每个位置数据对应的每个位置处的停留时长；

将停留时长最长的位置作为用户的常住地，并获取常住地对应的第一位置数据；

基于第一位置数据，以及第一出行数据中出行订单的开始时间和结束时间，归类得到所有第一出行数据中属于同一单次行程的一次行程数据。

较佳地，一次行程数据包括行程参数数据和出行意图标签数据，基于一次行程数据，构建用户出行意图预测模型的步骤包括：

将同一一次行程数据的行程参数数据作为输入，对应的出行意图标签数据作为输出，构建用户出行意图预测模型。

较佳地，预测方法还包括：

基于历史出行数据，获取用户的页面操作行为数据；

基于页面操作行为数据确定用户的出行偏好数据；

在出行偏好数据与出行意图标签数据表征的出行意图一致时，则确定出行意图标签数据有效。

较佳地，将同一一次行程数据的行程参数数据作为输入，对应的出行意图标签数据作为输出，构建用户出行意图预测模型的步骤包括：

获取目标特征数据，目标特征数据用于表征一次行程数据中与用户出行意图相关的数据；

将同一单次行程的目标特征数据作为输入，对应的出行意图标签数据作为输出，构建用户出行意图预测模型。

较佳地，目标特征数据包括行程特征数据、用户特征数据、页面操作特征数据中的至少一种。

较佳地，预测方法还包括：

每隔预设时长，更新获取新的历史出行数据；

和/或，

根据预测结果，生成与用户出行意图相匹配的推荐信息。

本发明还提供一种用户出行意图的预测系统，包括：

历史数据获取模块，获取用户在预设历史时间段内的历史出行数据；

第一数据筛选模块，基于历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

模型构建模块，基于第一出行数据，构建用户出行意图预测模型；

待处理数据获取模块，获取用户的待处理出行数据；

预测模块，将待处理出行数据输入用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，处理器执行计算机程序时实现上述的用户出行意图的预测方法。

本发明还提供一种计算机可读存储介质，存储计算机程序，计算机程序被处理器执行时实现上述的用户出行意图的预测方法。

在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。

本发明的积极进步效果在于：通过识别代订行为，剔除订单预订人与实际出行人不一致的订单，保证每一个出行人对应的样本数据的可靠性，从而提高预测模型的准确性。用户出行意图的预测结果可以用于制定推荐策略，提高平台的服务质量，优化用户的出行体验。

附图说明

图1为本发明实施例1的用户出行意图的预测方法的流程图。

图2为本发明实施例2的用户出行意图的预测方法的第一流程图。

图3为本发明实施例2的用户出行意图的预测方法的具体示例图。

图4为本发明实施例2的用户出行意图的预测方法的第二流程图。

图5为本发明实施例3的用户出行意图的预测系统的模块示意图。

图6为本发明实施例4的用户出行意图的预测系统的模块示意图。

图7为本发明实施例5的电子设备结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

本实施例提供一种用户出行意图的预测方法，参照图1，该预测方法包括以下步骤：

S1、获取用户在预设历史时间段内的历史出行数据；

S2、基于历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

S3、基于第一出行数据，构建用户出行意图预测模型；

S4、获取用户的待处理出行数据；

S5、将待处理出行数据输入用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

具体地，本实施例获取的历史出行数据可以包括历史出行订单数据(机票订单、酒店订单、门票订单等)，用户在下单时可能存在为自己购买、为他人代购等多种情况。通过识别订单预订人和订单出行人的名称、身份证号码等标识信息，可以筛选出订单预定人和订单出行人一致的历史出行订单，过滤掉为他人代购的订单。

本实施例中，通过筛选出订单预订人和订单出行人一致的历史出行订单，可以准确识别代订行为，保证每一个出行人对应的样本数据的可靠性，从而提高预测模型的准确性。用户出行意图的预测结果可以用于制定推荐策略，若用户的出行意图是休闲度假，可以为用户推荐目的地的美食、景点，若用户的出行意图是商务出差，则可以为用户推荐出行便利的酒店。通过准确预测用户的出行意图，可以为用户提供更好的服务。

实施例2

参照图2，本实施例的用户出行意图的预测方法是对实施例1的进一步改进。

在一可实施的方式中，步骤S3包括：

S301、对第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据；

S302、基于一次行程数据，构建用户出行意图预测模型。

具体地，用户在一次行程中可能产生若干个机票订单和住宿订单，也可能只产生单一的机票订单或住宿订单。通过归类处理，可以将属于同一单次行程的订单打包，得到完整的一次行程数据。

结合一次完整的行程来预测用户的出行意图，解决了根据单一订单难以判断用户出行意图的问题，提高了预测模型的准确性。

在一可实施的方式中，步骤S301包括：

S3011、基于第一出行数据，获取用户在预设历史时间段内的若干位置数据；

S3012、获取用户在每个位置数据对应的每个位置处的停留时长；

S3013、将停留时长最长的位置作为用户的常住地，并获取常住地对应的第一位置数据；

S3014、基于第一位置数据，以及第一出行数据中出行订单的开始时间和结束时间，归类得到所有第一出行数据中属于同一单次行程的一次行程数据。

具体地，在出行订单较为碎片化、不足以切分一次行程时，可以通过用户的位置数据以及常住地数据辅助推测一次完整行程的开始时间和结束时间，并以此作为划分一次行程的依据。例如，用户的常住地为上海，用户购买了2021年12月1日上海到深圳的机票以及2021年12月2日从深圳到广州的火车票，除此以外用户12月在本平台没有其他的出行订单。若用户位置数据显示用户于12月6日出现在上海，则可以推测用户本次行程的起止时间为12月1日至12月6日，打包一次行程数据时，可以得到本次行程的时间为6天，且将上述的机票与火车票数据打包到同一单次行程的数据中。

通过用户位置数据辅助打包一次行程数据，可以解决非团队游、非定制游的场景下难以划分一次行程的问题，可以提高打包一次行程数据的准确性，将零散的订单归类，得到更准确的训练样本，以保证后续模型训练的精度。

在一可实施的方式中，一次行程数据包括行程参数数据和出行意图标签数据，步骤S302包括：

S3021、将同一一次行程数据的行程参数数据作为输入，对应的出行意图标签数据作为输出，构建用户出行意图预测模型。

具体地，行程参数数据可以包括行程的总天数、行程的工作日天数、出行人人数等，出行意图标签数据可以标识的出行类别包括商务出行、旅游出行等。

通过构建出行意图预测模型，可以利用用户的历史出行数据预测用户待出行行程的意图，提高传统依靠人工识别用户出行意图的便利性和准确性。

在一可实施的方式中，本实施例的预测方法还包括：

基于历史出行数据，获取用户的页面操作行为数据；

基于页面操作行为数据确定用户的出行偏好数据；

在出行偏好数据与出行意图标签数据表征的出行意图一致时，则确定出行意图标签数据有效。

具体地，用户的页面操作行为数据可以包括搜索行为数据、浏览行为数据等，通过用户在一次行程前后的页面操作行为数据，可以辅助判断用户本次行程的出行意图。例如，一次行程中，用户多次搜索景点攻略、当地美食，则可以确定用户的出行偏好为旅游，出行偏好数据和出行意图标签数据可以结合起来判断用户本次出行的意图。

通过获取用户的页面操作行为判断用户的出行偏好，可以获得更完整的有关用户一次行程的信息，解决单从出行订单不能准确判断出行意图的问题，提高对用户出行意图判断的准确性。

在一可实施的方式中，步骤S3021还包括：

获取目标特征数据，目标特征数据用于表征一次行程数据中与用户出行意图相关的数据；

将同一单次行程的目标特征数据作为输入，对应的出行意图标签数据作为输出，构建用户出行意图预测模型。

具体地，目标特征数据可以包括但不限于行程特征数据、用户特征数据、页面操作特征数据。

行程特征数据包括：行程过夜天数、同行人数、行程出发时间、工作日信息等。

用户特征数据包括：非节假日去过的城市数、工作日同城市去过的次数等。

页面操作特征数据包括：是否搜索过攻略、浏览该目的地的酒店房型数等。

通过选取合适的目标特征数据，可以提高预测模型的性能，为用户提供更精准的推荐服务。

在一可实施的方式中，本实施例的预测方法还包括：

每隔预设时长，更新获取新的历史出行数据。

具体地，可以按照T-1的方式更新获取新的历史出行数据，即从当前日期的前一天起算，获取预设历史时间段内的历史出行数据。例如，2021年12月5日的预测模型，获取2020年12月5日至2021年12月4日之间的出行数据；2021年12月6日的预测模型，则更新获取2020年12月6日至2021年12月5日之间的出行数据。

当然，也可以根据实际需求每隔七天、一个月或者其他预设时长更新历史出行数据。

待处理的订单数据则通过实时更新的方式，输入预测模型中。

通过每隔预设时长，更新获取新的历史出行数据，可以避免样本数据的滞后，提高了预测模型的准确性。

在一可实施的方式中，本实施例的预测方法还包括：

根据预测结果，生成与用户出行意图相匹配的推荐信息。

具体地，根据预测结果生成推荐信息的方式可包括：若用户的出行意图为商务出差，则推荐距离车站或者市中心较近的商务宾馆；若用户的出行意图为旅游度假，则推荐当地的著名景点和特色美食等。

通过生成与用户出行意图相匹配的推荐信息，可以根据相关信息进行个性化推荐、服务以及交叉销售等应用。

图3以一具体示例说明了本实施例提供的用户出行意图预测方法的实施过程。

图4为本实施例提供的用户出行意图的预测方法的流程图。从各个业务单元的消息队列实时获取数据进行打包；再对打包后的数据进行特征处理；实时模型获取处理好的数据进行训练；需求方系统通过调用实时模型进行用户出行意图的预测。具体实施方式如下：

(1)获取数据

从各个业务单元同步订单数据、页面操作行为数据、用户位置数据。进入离线数据池的数据将进入离线行程打包；进入实时数据池的数据将进入实时行程拼接(代码与离线大致一致)，由此将得到用户的行程数据。

(2)特征处理

如上文所述，特征数据可以包括但不限于行程特征数据、用户特征数据、页面操作特征数据。

(3)模型训练与输出

上述特征进入模型训练。选取商务强正样本和休闲强负样本，正负样本训练Xgboost(一种算法)模型进行分类，离线与实时数据跑入模型预测行程的商务休闲属性，给出概率分数。最终通过规则给强正负样本优化输出结果。

(4)实时商务休闲标签输出

优先取实时数据，若无实时数据则调用离线数据。

(5)数据传输与存储

通过qmq(一种消息队列)消费和soa(一种面向服务的架构)落地数据。数据写入统一由java(一种计算机编程语言)程序进行维护，包括写入mongo(一种后台权限管理系统)和更新redis(一种数据库)，并且加入日志存档，保证数据可追溯。更新mongo收口到统一程序，可以更好的控制mongo的写入速度。写入mongo后可以根据配置更新redis，可以较为灵活的处理。

(6)业务方接口调用

数据从mongo/redis发送至用户画像查询接口。业务方可通过接口调用商务休闲标签数据。

本实施例提供的用户出行意图的预测方法，可以产生以下有益效果：

1)准确识别代订行为，避免代订行为造成的订单预定人和订单出行人的不一致；

2)将用户出行意图的标签打在实际出行人的行程粒度，结合完整行程来预测用户出行的出行目的，解决了单一订单对于出行目的难以判断的问题；

3)结合用户关于此次行程的搜索与浏览数据，多维度的对用户的偏好与出行意图做出更加准确的判断；

4)不断更新退订、改签订单，减少该类未出行订单对于用户未来行程出行意图的误判；

5)实时获取待处理订单能够获取到用户最新的行程信息，得到实时出行目的的输出结果，并且可以同步更新推荐策略。根据预设时长更新历史出行数据能够更加准确并稳定的对用户的出行目的进行判断，提高预测模型的准确性。

实施例3

本实施例提供一种用户出行意图的预测系统。参照图5，本实施例的用户出行意图的预测系统包括：

历史数据获取模块1，获取用户在预设历史时间段内的历史出行数据；

第一数据筛选模块2，基于历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

模型构建模块3，基于第一出行数据，构建用户出行意图预测模型；

待处理数据获取模块4，获取用户的待处理出行数据；

预测模块5，将待处理出行数据输入用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

由于本实施例中的用户出行意图的预测系统与实施例1中的用户出行意图的预测方法的实现原理类似，故在此不再赘述。

本实施例提供的预测系统，通过筛选出订单预订人和订单出行人一致的历史出行订单，可以准确识别代订行为，保证每一个出行人对应的样本数据的可靠性，从而提高预测模型的准确性。

实施例4

在实施例3的基础上，参照图6，本实施例提供一种用户出行意图的预测系统。

在一可实施的方式中，模型构建模块3包括归类处理单元301，用于对所述第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据；还包括模型构建单元302，用于基于所述一次行程数据，构建所述用户出行意图预测模型。

在一可实施的方式中，归类处理单元301还用于基于所述第一出行数据，获取用户在所述预设历史时间段内的若干位置数据；获取用户在每个所述位置数据对应的每个位置处的停留时长；将所述停留时长最长的位置作为用户的常住地，并获取所述常住地对应的第一位置数据；基于所述第一位置数据，以及所述第一出行数据中出行订单的开始时间和结束时间，归类得到所有所述第一出行数据中属于同一单次行程的所述一次行程数据。

在一可实施的方式中，所述一次行程数据包括行程参数数据和出行意图标签数据，模型构建单元302还用于将同一所述一次行程数据的所述行程参数数据作为输入，对应的所述出行意图标签数据作为输出，构建所述用户出行意图预测模型。

在一可实施的方式中，预测系统还包括出行偏好获取模块6，用于基于所述历史出行数据，获取用户的页面操作行为数据；基于所述页面操作行为数据确定用户的出行偏好数据；在所述出行偏好数据与所述出行意图标签数据表征的出行意图一致时，则确定所述出行意图标签数据有效。

在一可实施的方式中，模型构建单元302还用于获取目标特征数据，所述目标特征数据用于表征所述一次行程数据中与用户出行意图相关的数据；将所述同一单次行程的所述目标特征数据作为输入，对应的所述出行意图标签数据作为输出，构建所述用户出行意图预测模型。

在一可实施的方式中，所述目标特征数据包括行程特征数据、用户特征数据、页面操作特征数据中的至少一种。

在一可实施的方式中，历史数据获取模块1还用于每隔预设时长，更新获取新的所述历史出行数据；预测模块5还用于根据所述预测结果，生成与用户出行意图相匹配的推荐信息。

由于本实施例中的用户出行意图的预测系统与实施例2中的用户出行意图的预测方法的实现原理类似、有益效果类似，故在此不再赘述。

实施例5

本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1或2所提供的用户出行意图的预测方法。

如图7所示，电子设备9具体包括：

至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：

总线93包括数据总线、地址总线和控制总线。

存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2所提供的用户出行意图的预测方法。

电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1或2所提供的用户出行意图的预测方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2所述的用户出行意图的预测方法的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (11)

1.一种用户出行意图的预测方法，其特征在于，所述预测方法包括以下步骤：

获取用户在预设历史时间段内的历史出行数据；

基于所述历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

基于所述第一出行数据，构建用户出行意图预测模型；

获取用户的待处理出行数据；

将所述待处理出行数据输入所述用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

2.如权利要求1所述的用户出行意图的预测方法，其特征在于，所述基于所述第一出行数据，构建用户出行意图预测模型的步骤包括：

对所述第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据；

基于所述一次行程数据，构建所述用户出行意图预测模型。

3.如权利要求2所述的用户出行意图的预测方法，其特征在于，所述对所述第一出行数据进行归类处理，获取属于同一单次行程的一次行程数据的步骤包括：

基于所述第一出行数据，获取用户在所述预设历史时间段内的若干位置数据；

获取用户在每个所述位置数据对应的每个位置处的停留时长；

将所述停留时长最长的位置作为用户的常住地，并获取所述常住地对应的第一位置数据；

基于所述第一位置数据，以及所述第一出行数据中出行订单的开始时间和结束时间，归类得到所有所述第一出行数据中属于同一单次行程的所述一次行程数据。

4.如权利要求3所述的用户出行意图的预测方法，其特征在于，所述一次行程数据包括行程参数数据和出行意图标签数据，所述基于所述一次行程数据，构建所述用户出行意图预测模型的步骤包括：

将同一所述一次行程数据的所述行程参数数据作为输入，对应的所述出行意图标签数据作为输出，构建所述用户出行意图预测模型。

5.如权利要求4所述的用户出行意图的预测方法，其特征在于，所述预测方法还包括：

基于所述历史出行数据，获取用户的页面操作行为数据；

基于所述页面操作行为数据确定用户的出行偏好数据；

在所述出行偏好数据与所述出行意图标签数据表征的出行意图一致时，则确定所述出行意图标签数据有效。

6.如权利要求4或5所述的用户出行意图的预测方法，其特征在于，所述将同一所述一次行程数据的所述行程参数数据作为输入，对应的所述出行意图标签数据作为输出，构建所述用户出行意图预测模型的步骤包括：

获取目标特征数据，所述目标特征数据用于表征所述一次行程数据中与用户出行意图相关的数据；

将所述同一单次行程的所述目标特征数据作为输入，对应的所述出行意图标签数据作为输出，构建所述用户出行意图预测模型。

7.如权利要求6所述的用户出行意图的预测方法，其特征在于，所述目标特征数据包括行程特征数据、用户特征数据、页面操作特征数据中的至少一种。

8.如权利要求1-5中任一项所述的用户出行意图的预测方法，其特征在于，所述预测方法还包括：

每隔预设时长，更新获取新的所述历史出行数据；

和/或，

根据所述预测结果，生成与用户出行意图相匹配的推荐信息。

9.一种用户出行意图的预测系统，其特征在于，所述预测系统包括：

历史数据获取模块，获取用户在预设历史时间段内的历史出行数据；

第一数据筛选模块，基于历史出行数据，筛选出订单预定人和订单出行人一致的历史出行订单对应的第一出行数据；

模型构建模块，基于第一出行数据，构建用户出行意图预测模型；

待处理数据获取模块，获取用户的待处理出行数据；

预测模块，将待处理出行数据输入用户出行意图预测模型，输出用于表征用户出行意图的预测结果。

10.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述的处理器执行所述计算机程序时实现权利要求1-8中任一项所述的用户出行意图的预测方法。

11.一种计算机可读存储介质，存储计算机程序，其特征在于，所述的计算机程序被处理器执行时实现权利要求1-8中任一项所述的用户出行意图的预测方法。

Images