交通限行信息查询方法、装置、服务器及介质与流程

1.本技术涉及人工智能技术领域，更具体的说，是涉及交通限行信息查询方法、装置、服务器及介质。


背景技术：

2.不同城市有不同的交通限行政策，如上海市不允许外地车牌在每日7至19时出现在内环内地面道路，而众多的外地车主，由于对上海市出行政策不熟悉，导致经常出现扣分、罚款等情况。
3.因此，急需一种交通限行信息查询方法，以使得用户可以查询各个城市的限行信息。


技术实现要素：

4.有鉴于此，本技术提供了一种交通限行信息查询方法、装置、服务器及介质。
5.为实现上述目的，本技术提供如下技术方案：
6.根据本公开实施例的第一方面，提供一种交通限行信息查询方法，包括：
7.获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括限行地域；
8.将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案；
9.将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案；
10.发送所述目标交通限行答案至所述客户端。
11.根据本公开实施例的第二方面，提供一种交通限行信息查询装置，包括：
12.获取模块，用于获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括限行地域；
13.搜索模块，用于将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案；
14.确定模块，用于将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案；
15.发送模块，用于发送所述目标交通限行答案至所述客户端。
16.根据本公开实施例的第三方面，提供一种服务器，包括：
17.处理器；
18.用于存储所述处理器可执行指令的存储器；
19.其中，所述处理器被配置为执行所述指令，以实现如第一方面述交通限行信息查询方法。
20.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可
读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述交通限行信息查询方法。
21.经由上述的技术方案可知，本技术提供的交通限行信息查询方法，若用户需要查询交通限行信息，可以通过客户端输入交通限行咨询信息，预先构建的查询模型可以通过内部的搜索模块搜索到交通限行咨询信息对应的多个交通限行答案；查询模型中的分析汇总模块有汇总多个交通限行答案的能力，从而可以总结得到目标交通限行答案；发送目标交通限行答案至客户端。从而实现了用户查询各个城市的限行信息的目的。
附图说明
22.为了更清楚地说明本技术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，下面描述中的附图仅仅是本技术的实施例，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，还可以根据提供的附图获得其他的附图。
23.图1为本技术实施例涉及的硬件架构的示意图；
24.图2是根据一示例性实施例示出的一种交通限行信息查询方法的流程图；
25.图3为本技术实施例提供的查询模型的一种结构的示意图；
26.图4是根据一示例性实施例示出的一种交通限行信息查询装置框图；
27.图5是根据一示例性实施例示出的一种用于服务器的框图。
具体实施方式
28.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.本技术实施例提供了一种交通限行信息查询方法、装置、服务器及介质，在对本技术实施例进行说明之前，先对本技术涉及的硬件架构进行说明。
30.如图1所示，为本技术实施例涉及的硬件架构的示意图，该硬件架构包括：电子设备11以及服务器12。
31.示例性的，电子设备11可以为任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如，手机、平板电脑、掌上电脑、个人计算机、可穿戴设备、智能电视、自助设备等。
32.示例性的，电子设备11可以运行有客户端，客户端可以为应用程序客户端、网页版客户端或小程序。
33.示例性的，电子设备11可以为用户手持的终端设备。
34.示例性的，服务器12可以为一台服务器，也可以是由多台服务器组成的服务器集群，或者，是一个云计算服务中心。
35.示例性的，服务器12可以为rpa(机器人流程自动化，robotic process automation)机器人。
36.用户若想要查询某个城市的限行情况，可以在电子设备运行的客户端中输入交通
限行咨询信息，如周六上海的限行信息。电子设备可以将交通限行咨询信息发送至服务器12，服务器12查询到目标交通限行答案后，发送至客户端。
37.本领域技术人员应能理解上述电子设备和服务器仅为举例，其他现有的或今后可能出现的电子设备或服务器如可适用于本公开，也应包含在本公开保护范围以内，并在此以引用方式包含于此。
38.图2是根据一示例性实施例示出的一种交通限行信息查询方法的流程图，如图2所示，交通限行信息查询方法用于服务器中，包括以下步骤s21至步骤s24。
39.步骤s21：获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括地域。
40.示例性的，交通限行咨询信息可以是用户输入至客户端的。
41.示例性的，交通限行咨询信息可以为用户近期的浏览地图应用程序的浏览记录。
42.示例性的，交通限行咨询信息包括：限行地域、限行时间、车牌尾号、车牌所属地中的一种或多种。
43.示例性的，限行地域可以包括国家、省、市、区、街道中的至少一个层级。
44.示例性的，限行时间是指用户需要达到上述地域的时间，如用户想要周六抵达上海，则限行时间可以为周六。限行时间甚至可以精确到分钟，如用户想要查询周六上午10：01至下午5：07上海的xx街道的限行信息，则限行时间为周六上午10：01至下午5：07。
45.示例性的，有的地区针对不同车牌尾号限行的政策不同，所以交通限行咨询信息还可以包括车牌尾号，例如，若车牌照为冀f12345，则车牌尾号为5。
46.示例性的，有的地区针对不同地域的车辆的限行政策不同，如若限行地域为上海，上海针对所属地为北京的车辆和所属地为河北省的车辆的限行政策可能不同，所以交通限行咨询信息还可以包括车牌所属地，如上述冀f12345的车牌所属地为河北省保定市。
47.步骤s22：将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案。
48.如图3所示，为本技术实施例提供的查询模型的一种结构的示意图。
49.查询模型包括搜索模块31以及分析汇总模块32。
50.在一可选实现方式中，搜索模块31包括：关键词拆分单元、检索单元。其中，关键词拆分单元用于从交通限行咨询信息中得到关键词。检索单元，用于基于关键词从数据库中查找交通限行答案。
51.示例性的，检索单元可以获取与所述关键词相似度高于或等于第二阈值的所述交通限行答案。
52.示例性的，关键词拆分单元还用于确定关键词的词性。检索单元可以基于关键词以及关键词的词性从数据库中查找交通限行答案。
53.示例性的，第二阈值可以基于实际情况而定，这里不进行限定。
54.示例性的，数据库可以连接网络，不断更新自己存储的交通限行答案。示例性的，数据库可以从政府官网、大数据博客、社交网络获取交通限行答案。
55.在一可选实现方式中，搜索模块31可以为机器学习模型。
56.搜索模块31可以从数据库中获取与关键词相似度较高的一个或多个交通限行答案。
57.在一可选实现方式中，分析汇总模块32可以为机器学习模型。
58.在训练机器学习模型的过程中涉及机器学习中的人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术中至少一种。
59.示例性的，机器学习模型可以为神经网络模型、逻辑回归模型、线性回归模型、支持向量机(svm)、adaboost、xgboost、transformer-encoder、chatgpt模型中任一种模型。
60.示例性的，神经网络模型可以为基于循环神经网络的模型、基于卷积神经网络的模型、基于transformer-encoder的分类模型中的任一种。
61.示例性的，机器学习模型可以为基于循环神经网络的模型、基于卷积神经网络的模型以及基于transformer-encoder的分类模型的深度混合模型。
62.示例性的，机器学习模型可以为基于注意力的深度模型、基于记忆网络的深度模型、基于深度学习的短文本分类模型中任一种。
63.基于深度学习的短文本分类模型为循环神经网络(rnn)或卷积神经网络(cnn)或者基于循环神经网络或卷积神经网络的变种。
64.示例性的，可以在已经预训练好的模型上做一些简单的领域适应性改造，以得到机器学习模型。
65.示例性的，“简单的领域适应性改造”包括但不限于在已经预训练好的模型上，再次利用大规模无监督领域语料进行二次预训练，和/或，通过模型蒸馏的方式对已经预训练好的模型进行模型压缩。
66.步骤s23：将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案。
67.示例性的，交通限行答案至少包括4个对象，分别为：发布来源、发布时间、限行地域以及限行内容。
68.示例性的，发布来源是指发布限行内容的来源，如可以为政府官网、博客、社交网络等。
69.示例性的，发布来源可能是个人，则发布来源即为发布作者。
70.发布时间是指发布限行内容的时间，可以理解的是，限行内容是随着时间不断变化的，发布时间越晚，限行内容越准确。
71.限行内容是指针对限行地域的限行政策，如周一限行车牌尾号为1的车辆，周二限行车牌尾号为2的车辆。
72.可以理解的是，不同交通限行答案的格式可能不同，如有的交通限行答案的格式为{发布来源，发布时间，限行地域，限行时间，限行内容}，有的交通限行答案的格式为{限行内容，地域，时间}；而且不同交通限行答案中针对同一对象的表示方式不同，不同交通限行答案中同一对象的具体值可能相同，可能不同。下面以限行时间为例进行说明，如交通限行答案1中的限行时间为“上午9点”，交通限行答案2中的限行时间为“pm9：50”。
73.示例性的，分析汇总模块可以包括格式一致性单元，格式一致性单元用于将各种各样格式的交通限行答案整理为同一种格式。
74.示例性的，格式一致性单元可以为机器学习模型，通过将各种各样格式的交通限行答案作为输入，将交通限行答案对应的标准格式的交通限行答案作为训练目标，训练机器学习模型得到的。通过格式一致性单元可以将多个交通限行答案的格式统一。
75.假设有2个交通限行答案分别为“政府官网发布a市区周六限行车牌尾号为1的车辆”、“a市区周六限行车牌尾号为1的车辆博客123发布”。“政府官网发布a市区周六限行车牌尾号为1的车辆”的标准格式的交通限行答案为{政府官网，a市区，周六，车牌尾号为1的车辆}，“a市区周六限行车牌尾号为1的车辆博客123发布”的标准格式的交通限行答案为{政府官网，a市区，周六，车牌尾号为1的车辆}。
76.格式统一的交通限行答案有以下两点均统一：第一点，同一对象的描述统一，如限行时间均描述为“上午/下午的英文缩写+时间点”，例如，“pm9：50”；第二点，同一对象在不同交通限行答案中的位置一样，如统一格式后的交通限行答案中各个对象的顺序为{发布来源，发布时间，限行地域，限行时间，限行内容}。
77.示例性的，分析汇总模块将多个格式统一的交通限行答案进行分析，以得到目标交通限行答案。而目标交通限行答案已经汇总了所有交通限行答案的内容，无需用户从多个交通限行答案进行汇总，提高了效率。
78.在一可选实现方式中，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案的实现方式有多种，本技术实施例提供但不限于以下三种实现方式。
79.第一种实现方式包括以下步骤a1。
80.步骤a1：确定多个交通限行答案中相同的内容为目标交通限行答案。
81.假设多个交通限行答案的数目为3，分别为交通限行答案1{发布来源a，发布时间2022年12月31日，限行地域a，限行时间周一pm8：00至周一am19:00，限行内容车牌尾号为1的车辆}、交通限行答案2{发布来源b，发布时间2023年6月8日，限行地域a，限行时间周一pm8：00至周一am19:00，限行内容车牌尾号为1的车辆}、交通限行答案3{发布来源c，发布时间2021年6月10日，限行地域a，限行时间周一pm8：00至周一am19:00，限行内容车牌尾号为2的车辆}。
82.由于交通限行答案3与交通限行答案1和交通限行答案2都不同，故舍弃交通限行答案3；交通限行答案1和交通限行答案2相同的部分为{限行地域a，限行时间周一pm8：00至周一am19:00，限行内容车牌尾号为1的车辆}，故目标交通限行答案为{限行地域a，限行时间周一pm8：00至周一am19:00，限行内容车牌尾号为1的车辆}。
83.第二种实现方式包括以下步骤b1至步骤b2。
84.步骤b1：通过所述分析汇总模块中预训练的所述发布来源对应的第一权重以及所述发布时间对应的第二权重，计算得到多个所述交通限行答案分别对应的可信度。
85.示例性的，发布来源可以为：政府官网、博客、社交网络；可以理解的是，发布内容的可信度由高至低依次为：政府官网、博客、社交网络。在训练分析汇总模块的过程中，训练的参数包括第一权重以及第二权重。
86.示例性的，发布时间越晚，限行内容越准确。
87.示例性的，交通限行答案的可信度＝第一权重+第二权重。
88.可以理解的是，不同交通限行答案可能有冲突，如上述交通限行答案2和交通限行答案3限行内容不同，基于此，可以针对有冲突的多个交通限行答案进行分析，保留可信度高的，去除可信度低的，如上述交通限行答案3的发布时间2021年6月10早于交通限行答案2的发布时间，若交通限行答案3的发布来源c为个人，交通限行答案2的发布来源c为政府官网，则保留交通限行答案2，去除交通限行答案3。
89.步骤b2：结合所述可信度高于或等于第一阈值的多个所述交通限行答案，确定出所述目标交通限行答案。
90.步骤b2的实现方式有多种，本技术实施例提供但不限于以下方式。
91.步骤b2的实现方式包括以下步骤b21至步骤b23。
92.在这种实现方式中可信度较高的多个交通限行答案不具备冲突的内容。
93.步骤b21：从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出区别内容。
94.假设交通限行答案a为{政府官网，发布时间2022年12月31日，限行地域a市区a街道，限行时间周一pm8：00至周一am19:00，限行内容“所有外地车辆”}、交通限行答案b为{政府官网，发布时间2022年12月31日，限行地域a市区a街道，限行时间周一pm8：00至周一am19:00，限行内容“所有黄牌车辆”}；交通限行答案a和交通限行答案b的区别内容为：“所有外地车辆”以及“所有黄牌车辆”。
95.步骤b22：从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出相同内容。
96.如上述交通限行答案1、交通限行答案2的相同内容为“车牌尾号为1的车辆”。
97.步骤b23：将多个所述区别内容以及所述相同内容确定为所述目标交通限行答案。
98.示例性的，目标交通限行答案为区别内容和相同内容的集合。
99.步骤s24：发送所述目标交通限行答案至所述客户端。
100.本技术实施例提供了一种交通限行信息查询方法，若用户需要查询交通限行信息，可以通过客户端输入交通限行咨询信息，预先构建的查询模型可以通过内部的搜索模块搜索到交通限行咨询信息对应的多个交通限行答案；查询模型中的分析汇总模块有汇总多个交通限行答案的能力，从而可以总结得到目标交通限行答案；发送目标交通限行答案至客户端。从而实现了用户查询各个城市的限行信息的目的。
101.下面对本技术训练查询模型的过程进行说明。过程包括以下步骤c1至步骤c3。
102.步骤c1：将与样本交通限行咨询信息对应的多个样本交通限行答案作为输入，以所述样本交通限行咨询信息对应的标注交通限行答案为训练目标，训练第一机器学习模型，以得到所述分析汇总模块。
103.假设样本交通限行咨询信息为“a市区周六的限行信息”；多个样本交通限行答案分别为：“政府官网发布a市区周六限行车牌尾号为1的车辆”、“a市区周六限行车牌尾号为1的车辆博客123发布”。多个样本交通限行答案对应的标注交通限行答案为{a市区，周六，车牌尾号为1的车辆}。
104.步骤c2：将所述样本交通限行咨询信息作为输入，将所述多个样本交通限行答案作为训练目标，训练第二机器学习模型，以得到所述搜索模块。
105.步骤c3：将所述搜索模块的输出端与所述分析汇总模块的输入端相连，以得到所述查询模型。
106.上述本技术公开的实施例中详细描述了方法，对于本技术的方法可采用多种形式的装置实现，因此本技术还公开了一种装置，下面给出具体的实施例进行详细说明。
107.图4是根据一示例性实施例示出的一种交通限行信息查询装置框图。参照图4，该装置包括：获取模块41、搜索模块42、确定模块43以及发送模块44。
108.获取模块41，用于获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括限行地域；
109.搜索模块42，用于将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案；
110.确定模块43，用于将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案；
111.发送模块44，用于发送所述目标交通限行答案至所述客户端。
112.在一可选实现方式中，所述交通限行答案至少包括发布来源、发布时间、所述限行地域以及限行内容；所述确定模块包括：
113.计算单元，用于通过所述分析汇总模块中预训练的所述发布来源对应的第一权重以及所述发布时间对应的第二权重，计算得到多个所述交通限行答案分别对应的可信度；
114.确定单元，用于结合所述可信度高于或等于第一阈值的多个所述交通限行答案，确定出所述目标交通限行答案。
115.在一可选实现方式中，确定单元包括：
116.第一确定子单元，用于从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出区别内容；
117.第二确定子单元，用于从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出相同内容；
118.第三确定子单元，用于将多个所述区别内容以及所述相同内容确定为所述目标交通限行答案。
119.在一可选实现方式中，搜索模块包括：
120.第一获取单元，用于从所述交通限行咨询信息中获取关键词；
121.第二获取单元，用于获取与所述关键词相似度高于或等于第二阈值的所述交通限行答案。
122.在一可选实现方式中，还包括：
123.第一训练模块，用于将与样本交通限行咨询信息对应的多个样本交通限行答案作为输入，以所述样本交通限行咨询信息对应的标注交通限行答案为训练目标，训练第一机器学习模型，以得到所述分析汇总模块；
124.第二训练模块，用于将所述样本交通限行咨询信息作为输入，将所述多个样本交通限行答案作为训练目标，训练第二机器学习模型，以得到所述搜索模块；
125.构建模块，用于将所述搜索模块的输出端与所述分析汇总模块的输入端相连，以得到所述查询模型。
126.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
127.图5是根据一示例性实施例示出的一种用于服务器的框图。
128.服务器包括但不限于：处理器51、存储器52、网络接口53、i/o控制器54以及通信总线55。
129.需要说明的是，本领域技术人员可以理解，图5中示出的服务器的结构并不构成对服务器的限定，服务器可以包括比图5所示更多或更少的部件，或者组合某些部件，或者不
同的部件布置。
130.下面结合图5对服务器的各个构成部件进行具体的介绍：
131.处理器51是服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器52内的软件程序和/或模块，以及调用存储在存储器52内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。处理器51可包括一个或多个处理单元；示例性的，处理器51可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器51中。
132.处理器51可能是一个中央处理器(central processing unit，cpu)，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
133.存储器52可能包含内存，例如高速随机存取存储器(random-access memory，ram)521和只读存储器(read-only memory，rom)522，也可能还包括大容量存储设备523，例如至少1个磁盘存储器等。当然，该服务器还可能包括其他业务所需要的硬件。
134.其中，上述的存储器52，用于存储上述处理器51可执行指令。上述处理器51具有执行交通限行信息查询方法的功能。
135.一个有线或无线网络接口53被配置为将服务器连接到网络。
136.处理器51、存储器52、网络接口53和i/o控制器54可以通过通信总线55相互连接，该通信总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
137.在示例性实施例中，服务器可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述交通限行信息查询方法方法。
138.在示例性实施例中，本公开实施例提供了一种包括指令的存储介质，例如包括指令的存储器52，上述指令可由服务器的处理器51执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
139.在示例性实施例中，还提供了一种计算机可读存储介质，可直接加载到计算机的内部存储器，例如上述存储器52中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述交通限行信息查询方法方法。
140.在示例性实施例中，还提供一种计算机程序产品，可直接加载到计算机的内部存储器，例如所述服务器包含的存储器中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述所述交通限行信息查询方法方法。
141.需要说明的是，本发明提供的交通限行信息查询方法、装置、服务器及介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的交通限行信息查询方法、装置、服务器及介质的应用领域进行限定。
142.需要说明的是，本说明书中的各个实施例中记载的特征可以相互替换或者组合。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
143.还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
144.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
145.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种交通限行信息查询方法，其特征在于，包括：获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括限行地域；将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案；将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案；发送所述目标交通限行答案至所述客户端。2.根据权利要求1所述交通限行信息查询方法，其特征在于，所述交通限行答案至少包括发布来源、发布时间、所述限行地域以及限行内容；所述通过所述查询模型中的分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案步骤包括：通过所述分析汇总模块中预训练的所述发布来源对应的第一权重以及所述发布时间对应的第二权重，计算得到多个所述交通限行答案分别对应的可信度；结合所述可信度高于或等于第一阈值的多个所述交通限行答案，确定出所述目标交通限行答案。3.根据权利要求2所述交通限行信息查询方法，其特征在于，所述结合所述可信度高于或等于第一阈值的多个所述交通限行答案，确定出所述目标交通限行答案步骤包括：从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出区别内容；从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出相同内容；将多个所述区别内容以及所述相同内容确定为所述目标交通限行答案。4.根据权利要求1至3任一所述交通限行信息查询方法，其特征在于，所述通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案步骤包括：从所述交通限行咨询信息中获取关键词；获取与所述关键词相似度高于或等于第二阈值的所述交通限行答案。5.根据权利要求1所述交通限行信息查询方法，其特征在于，训练所述查询模型的方法包括：将与样本交通限行咨询信息对应的多个样本交通限行答案作为输入，以所述样本交通限行咨询信息对应的标注交通限行答案为训练目标，训练第一机器学习模型，以得到所述分析汇总模块；将所述样本交通限行咨询信息作为输入，将所述多个样本交通限行答案作为训练目标，训练第二机器学习模型，以得到所述搜索模块；将所述搜索模块的输出端与所述分析汇总模块的输入端相连，以得到所述查询模型。6.一种交通限行信息查询装置，其特征在于，包括：获取模块，用于获取来自客户端的交通限行咨询信息，所述交通限行咨询信息至少包括限行地域；搜索模块，用于将所述交通限行咨询信息作为预构建的查询模型的输入，通过所述查询模型中的搜索模块搜索到所述交通限行咨询信息对应的多个交通限行答案；确定模块，用于将多个所述交通限行答案作为所述查询模型中的分析汇总模块的输
入，通过所述分析汇总模块从多个所述交通限行答案中确定出目标交通限行答案；发送模块，用于发送所述目标交通限行答案至所述客户端。7.根据权利要求6所述交通限行信息查询装置，其特征在于，所述交通限行答案至少包括发布来源、发布时间、所述限行地域以及限行内容；所述确定模块包括：计算单元，用于通过所述分析汇总模块中预训练的所述发布来源对应的第一权重以及所述发布时间对应的第二权重，计算得到多个所述交通限行答案分别对应的可信度；确定单元，用于结合所述可信度高于或等于第一阈值的多个所述交通限行答案，确定出所述目标交通限行答案。8.根据权利要求7所述交通限行信息查询装置，其特征在于，所述确定单元包括：第一确定子单元，用于从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出区别内容；第二确定子单元，用于从所述可信度高于或等于第一阈值的多个所述交通限行答案中所述限行内容确定出相同内容；第三确定子单元，用于将多个所述区别内容以及所述相同内容确定为所述目标交通限行答案。9.一种服务器，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5任一所述交通限行信息查询方法。10.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至5中任一项所述交通限行信息查询方法。

技术总结
本申请公开了交通限行信息查询方法、装置、服务器及介质，可应用于人工智能领域或金融领域。若用户需要查询交通限行信息，可以通过客户端输入交通限行咨询信息，预先构建的查询模型可以通过内部的搜索模块搜索到交通限行咨询信息对应的多个交通限行答案；查询模型中的分析汇总模块有汇总多个交通限行答案的能力，从而可以总结得到目标交通限行答案；发送目标交通限行答案至客户端。从而实现了用户查询各个城市的限行信息的目的。查询各个城市的限行信息的目的。查询各个城市的限行信息的目的。


技术研发人员：陈灏中
受保护的技术使用者：中银金融科技有限公司
技术研发日：2023.07.13
技术公布日：2023/10/6