CN103217166B - 用于抽取用户路线选择偏好的方法和系统 - Google Patents
用于抽取用户路线选择偏好的方法和系统 Download PDFInfo
- Publication number
- CN103217166B CN103217166B CN201210022070.8A CN201210022070A CN103217166B CN 103217166 B CN103217166 B CN 103217166B CN 201210022070 A CN201210022070 A CN 201210022070A CN 103217166 B CN103217166 B CN 103217166B
- Authority
- CN
- China
- Prior art keywords
- route
- user
- cost
- path
- critical path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种用于抽取用户的路线选择偏好的系统。该系统包括:关键路线分析单元,被配置为:分析所有用户的历史路线以获得关键路线及其代价;以及用户偏好抽取单元,被配置为:根据关键路线及其代价以及特定用户的历史路线来获得所述特定用户的特征路线及其代价,并根据所述特定用户的特征路线及其代价来抽取所述特定用户的路线选择偏好。本发明还提供了一种用于抽取用户的路线选择偏好的方法。本发明能够从历史数据中自动抽取用户的路线选择偏好,无需用户预先设定自己的偏好。
Description
技术领域
本发明涉及导航领域,具体涉及一种用户路线选择偏好的计算方法和系统。
背景技术
当用户规划出行路线时,通常需要权衡考虑每条路线的代价(例如距离、时间、舒适度、安全性、节能性等),以选择最适合自身的出行路线。在现实生活中,用户往往要同时考虑好几个代价,并赋予每个代价不同的优先级别(即权重)。
现有技术中存在一些基于用户偏好的个性化路线规划方法。有些方法所获得的结果是用户关心的路线、用户的驾驶速度等,有些方法要求用户预先定义所关心的路线代价。即,首先需要用户指定自己关心的路线代价和重要程度(通常有四个级别:非常重要、重要、一般、不重要),然后根据每次用户路线选择的结果来预测下次的路线。
然而,在实际应用中,让用户自己来准确地描述这种具有多个代价(每个代价具有相应的权重)的路线选择偏好是非常困难的。此外,由于人为地将代价的重要程度划分为固定的几个级别,使得用户的路线选择偏好的精确度不高。进一步地,用户的路线选择偏好可能随着时间和地域的改变而发生变化。
因此,需要一种能够自动地抽取用户的路线选择偏好的技术方案,其不需要用户预先定义所关心的路线代价,并且能够使用户偏好的计算结果更加精确。
发明内容
根据本发明的一个方面,提供了一种用于抽取用户的路线选择偏好的系统,包括:关键路线分析单元,被配置为分析所有用户的历史路线以获得关键路线及其代价;以及用户偏好抽取单元,被配置为根据关键路线及其代价以及特定用户的历史路线来获得所述特定用户的特征路线及其代价,并根据所述特定用户的特征路线及其代价来抽取所述特定用户的路线选择偏好。
优选地,关键路线分析单元包括:关键路线抽取子单元,通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线;以及关键路线代价计算子单元,被配置为对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值。
优选地,用户偏好抽取单元包括:特征路线抽取子单元,被配置为根据特定用户的历史路线,从关键路线中抽取所述特定用户的特征路线;以及用户偏好计算子单元,被配置为根据特定用户的特征路线的代价来计算所述特定用户的路线选择偏好的权重,并根据所述权重来计算所述特定用户的路线选择偏好。
优选地,关键路线抽取子单元被配置为:如果两个节点之间存在两条以上的不同路线,则将所述两个节点选择作为关键节点对;以及如果关键节点对所表示的路线中有两条或两条以上路线的出现频率大于第一阈值,则将所述路线作为关键路线。
优选地,关键路线代价计算子单元被配置为:将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。
优选地,关键路线代价计算子单元被配置为:如果代价值是数值型,则向具有最优值的关键路线赋予所述代价;如果代价值是非数值型,则向每条关键线路赋予所述代价。
优选地,特征路线抽取子单元被配置为:在特定用户的历史路线中,抽取与关键路线相同并且出现频率大于第二阈值的路段作为所述特定用户的特征路线。
优选地,关键路线分析单元还包括第一路线分类子单元,被配置为将所有用户的历史路线按照特定规则进行分类,并将分类后的历史路线提供给所述关键路线抽取子单元。所述用户偏好抽取单元还包括第二路线分类子单元,被配置为将特定用户的历史路线按照所述特定规则进行分类,并将分类后的历史路线提供给所述特征路线抽取子单元。
优选地,特定规则包括以下任意一种:一天内的不同时间段、日期类型或天气状况。
优选地,用户偏好抽取单元还包括:第三路线分类子单元,被配置为将特定用户的历史路线按照地理区域进行分类,并将分类后的历史路线提供给所述特征路线抽取子单元。
优选地,第三路线分类子单元被配置为:将地图划分为多个区域,根据特定用户的历史路线在区域内的总数和总行驶次数,将区域分类为活跃区域和非活跃区域。
根据本发明的一个方面,提供了一种用于抽取用户的路线选择偏好的方法,包括:分析所有用户的历史路线,以获得关键路线及其代价;以及根据关键路线及其代价以及特定用户的历史路线来获得所述特定用户的特征路线及其代价,并根据所述特定用户的特征路线及其代价来抽取所述特定用户的路线选择偏好。
优选地,分析所有用户的历史路线的步骤包括:通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线;以及对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值。
优选地,获得特征路线及其代价以及抽取特定用户的路线选择偏好的步骤包括:根据特定用户的历史路线,从关键路线中抽取所述特定用户的特征路线;以及根据特定用户的特征路线的代价来计算所述特定用户的路线选择偏好的权重,并根据所述权重来计算所述特定用户的路线选择偏好。
优选地,选择关键节点对和抽取关键路线的步骤包括:如果两个节点之间存在两条以上的不同路线,则将所述两个节点选择作为关键节点对;以及如果关键节点对所表示的路线中有两条或两条以上路线的出现频率大于第一阈值,则将所述路线作为关键路线。
优选地,对关键路线进行分组和计算关键路线的代价值的步骤包括:将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。
优选地,对计算得到的代价值进行比较的步骤包括:如果代价值是数值型,则向具有最优值的关键路线赋予所述代价;如果代价值是非数值型,则向每条关键线路赋予所述代价。
优选地,抽取特征路线的步骤包括:从特定用户的历史路线中,抽取与关键路线相同并且出现频率大于第二阈值的路段作为所述特定用户的特征路线。
优选地,该方法还包括:在抽取关键路线之前,将所有用户的历史路线按照特定规则进行分类;在抽取特征路线之前,将特定用户的历史路线按照所述特定规则进行分类。
优选地,所述特定规则包括以下任意一种:一天内的不同时间段、日期类型或天气状况。
优选地,该方法还包括:在抽取特征路线之前,将特定用户的历史路线按照地理区域进行分类。
优选地,所述分类步骤包括:将地图划分为多个区域,根据特定用户的历史路线在区域内的总数和总行驶次数,将区域分类为活跃区域和非活跃区域。
根据本发明的系统和方法能够从历史数据中自动抽取用户的路线选择偏好,无需用户预先设定自己的偏好。本发明还能够按照不同的规则对用户的路线偏好选择做出调整,以便更加准确地计算用户偏好。另外,本发明能够根据用户对不同区域的熟悉程度来抽取相应的路线偏好,从而能够提供个性化的路线选择。
附图说明
通过下文结合附图的详细描述,本发明的上述和其它特征将会变得更加明显,其中:
图1是示出了根据本发明第一实施例的用于抽取用户的路线选择偏好的系统的框图;
图2是示出了图1中的关键路线分析单元的框图;
图3中示出了图2中的关键路线抽取子单元抽取的关键路线的一个示例;
图4示出了关键路线代价计算子单元计算关键路线的代价的一个示例;
图5是示出了图1中的用户偏好抽取单元的框图;
图6示出了特征路线抽取子单元抽取特征路线的一个示例;
图7示出了用户偏好计算子单元抽取特定用户的路线选择偏好的一个示例;
图8是示出了根据本发明第二实施例的用于抽取用户的路线选择偏好的系统的框图;
图9是示出了根据本发明第三实施例的用户偏好抽取单元的框图;
图10示出了第三路线分类子单元划分地理区域的一个示例;以及
图11是示出了根据本发明的用于抽取用户的路线选择偏好的方法的流程图。
具体实施方式
下面,通过结合附图对本发明的具体实施例的描述,本发明的原理和实现将会变得明显。应当注意的是,本发明不应局限于下文所述的具体实施例。另外,为了简便起见,省略了与本发明无关的公知技术的详细描述。
第一实施例
图1是示出了根据本发明第一实施例的用于抽取用户的路线选择偏好的系统10的框图。如图1所示,系统10包括关键路线分析单元110和用户偏好抽取单元120。
关键路线分析单元110接收所有用户的历史数据作为输入,并基于输入的历史数据来分析关键路线。在本实施例中,关键路线分析单元110分析所有用户的历史路线,以获得关键路线及其代价。其中,关键路线是同时满足如下两个条件的路线:(1)出现频率高于阈值;以及(2)对于一条关键路线,必定存在至少一条与其起点和终点相同的其它关键路线。下面结合附图2来详细描述图1中的关键路线分析单元110的结构和操作。
图2是示出了图1中的关键路线分析单元110的框图。如图2所示,关键路线分析单元110包括关键路线抽取子单元1100和关键路线代价计算子单元1200。
关键路线抽取子单元1100通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线。具体地,在本实施例中,关键路线抽取子单元1100针对所有用户的历史路线中的每一条路线计算其出现次数。这里,一条路线的出现频率是指该路线在历史数据中出现的次数。在此基础上,关键路线抽取子单元1100构建N*N节点矩阵,其中N是历史数据中所包含的路线中的节点的总数。该节点例如可以是地图中路线的交叉点,或者是地图中的特定建筑物,等等。
关键路线抽取子单元1100计算N*N节点矩阵中所有元素的值,该值用于记录经过任两个节点之间的路线的个数。例如,假设该N*N节点矩阵为MA,则MA[I,J]的值是从节点I到节点J的路线的个数,其中相同的路线只统计一次。然后,关键路线抽取子单元1100根据计算得到的N*N节点矩阵来选择关键节点对。在本申请中,如果MA[I,J]>=2,即从节点I到节点J之间存在两条或两条以上的不同路线时,I和J被称为是一对关键节点对,记为(I,J)。
关键路线抽取子单元1100根据所选择的关键节点对之间的路线的频率来抽取关键路线。关键路线的频率必定满足频率阈值fthd。例如,假设针对关键节点对(I,J),存在路线R1(I,J)、R2(I,J)和R3(I,J)。如果这些路线R1-R3的出现频率都大于指定的频率域值fthd,即,满足Freq(R1(I,J))>=fthd,Freq(R2(I,J))))>=fthd,Freq(R3(I,J))>=fthd,那么这些路线R1(I,J)、R2(I,J)和R3(I,J)都是关键路线,其中,Freq(Ri(I,J))表示路线Ri(I,J)的出现频率。相反,如果只有Freq(R1(I,J))>=fthd和Freq(R2(I,J))>=fthd,且Freq(R3(I,J))<fthd那么只有路线R1(I,J)和R2(I,J)为关键路线。如果只有一条路线的出现频率大于阈值fthd(例如Freq(R1(I,J))>=fthd,Freq(R2(I,J))<fthd,Freq(R3(I,J))<fthd),由于不满足上文中的关键路线的条件(2),所以在此情况下不存在关键路线。
图3中示出了关键路线抽取子单元1100抽取的关键路线的一个示例。如图3所示,假设历史数据中存在4条历史路线:R1、R2、R3和R4。其中,R1依次经过节点A、B、C、D、E,R2依次经过三个节点A、F、C,R3依次经过节点H、A、B、C、I,R4依次经过节点A、F、C、G。
关键路线抽取子单元1100计算得到R1、R2、R3、R4在历史数据中的出现频率分别为10、8、7、12。本示例中的9*9节点矩阵(历史路线中的节点总数是9)如下表1所示:
A | B | C | D | E | F | G | H | I | |
A | 0 | 1 | 2 | 1 | 1 | 1 | 1 | 0 | 0 |
B | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 1 |
C | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 |
D | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
E | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
F | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
G | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
H | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
I | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
表1:9*9节点矩阵
在该矩阵中,MA[A,C]=2满足关键节点对的条件,所以关键路线抽取子单元1100选择(A,C)作为关键节点对。此外,关键节点对(A,C)之间存在两条路线ABC和AFC,而包含ABC的路线为R1和R3。因此,ABC的出现频率为R1和R3的出现频率之和,即10+7=17。类似地,包含AFC的路线为R2和R4,则AFC的出现频率为8+12=20。如果假设频率阈值fthd为15,那么关键路线抽取子单元1100将抽取出ABC和AFC作为关键路线。
回到图2,关键路线抽取子单元1100将抽取出的关键路线提供给关键路线代价计算子单元1200。关键路线代价计算子单元1200对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值。在本实施例中,关键路线代价计算子单元1200将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。具体地,如果代价值是数值型,则向具有最优值的关键路线赋予该代价。如果代价值是非数值型,则向每条关键线路赋予该代价。
图4示出了关键路线代价计算子单元1200计算关键路线的代价的一个示例。如图4所示,假设(M,N)是关键节点对,而R1(M,N)和R2(M,N)是从起点M到终点N的关键路线。在本示例中,代价c1表示路线的行驶时间,c2表示路线的距离,c3表示路线中是否包含收费道路。关键路线代价计算子单元1200计算R1(I,J),R2(I,J),R3(I,J)相应的值,得到图4中所示的结果。即,R1的c1是20分钟,R2的c1是18分钟;R1的c2是10公里,R2的c2是12公里;R1的c3是“否”(N),R2的c3是“是”(Y)。
在得到所有的代价值后,关键路线代价计算子单元1200向相应的关键路线赋予这些代价。在本示例中,代价c1(行驶时间)是数值型,且值越小越好,因此将代价c1赋予R2。代价c2(距离)是数值型,且值越小越好,因此将代价c2赋予R1。代价c3(是否包含收费道路)是非数值型(布尔型),因此将c3赋予R1和R2。最终的计算结果是:
-R1(M,N)具有代价c2和c3(N),其中c3(N)表示不包含收费道路。该结果表示路线R1(M,N)具有距离优势,不包含收费道路。
-R2(M,N)具有代价c1和c3(Y)。其中c3(Y)表示包含收费道路。该结果表示路线R2(M,N)具有时间优势,包含收费道路。
图5是示出了图1中的用户偏好抽取单元120的框图。如图5所示,用户偏好抽取单元120包括特征路线抽取子单元2100和用户偏好计算子单元2200。
特征路线抽取子单元2100在特定用户的历史路线中抽取与关键路线相同并且出现频率大于阈值的路段,作为特定用户的特征路线。路段可以等于路线,也可以是路线中的一段。其中,用户的特征路线必须同时满足如下两个条件:(1)是关键路线;以及(2)出现频率高于阈值。下面结合附图6的示例来详细描述特征路线抽取子单元2100的操作。
图6示出了特征路线抽取子单元2100抽取特征路线的一个示例。如图6所示,假设特征路线抽取子单元2100从用户A的历史路线中抽取出三条包含关键路线的历史路线(UR1、UR2、UR3)。其中,UR1包含关键路线R1(M,N),UR2恰好是关键路线R3(O,P),而UR3恰好是关键路线R5(R,S)。之后,特征路线抽取子单元2100计算用户A经过这三条关键路线的次数,得到结果freq(R1(M,N))=20,freq(R3(O,P))=8以及freq(R5(R,S))=1。假设阈值uthd为5。因为freq(R1(M,N))=20>uthd,所以R1(M,N)是用户A的一条特征路线。因为freq(R3(O,P))=8>uthd,所以R3(O,P)也是用户A的一条特征路线。然而,由于freq(R5(R,S))=1<uthd,所以R5(R,S)不是用户A的特征路线。综上所述,特征路线抽取子单元2100确定用户A有两条特征路线:R1(M,N)和R3(O,P)。
回到图5,特征路线抽取子单元2100将特定用户的特征路线提供给用户偏好计算子单元2200。用户偏好计算子单元2200根据特定用户的特征路线的代价来计算特定用户的路线选择偏好的权重,并根据该权重来计算特定用户的路线选择偏好。在本实施例中,假设系统中要分析的用户偏好包括c1,c2,c3,…,cn。特征路线抽取子单元2100首先将这些代价的权重初始化为0,即w(ci)=0,i=1,2,…,n。然后,针对特定用户的特征路线的每一个代价进行累加,从而得到针对该代价的用户偏好的权重。即,如果有n条特征路线具有代价ci,那么w(ci)=n。
用户偏好计算子单元2200选出权重大于0的所有代价,并对其中非数值型的代价值进行过滤。过滤规则为:如果任意两个非数值型的代价值描述同一个代价,那么只保留权重最大的代价值。例如,对于权重w(包含高速路)=4和权重w(不包含高速路)=2来说,用户的偏好是包含高速路,这说明用户更倾向于使用高速路。
图7示出了用户偏好计算子单元2200抽取特定用户的路线选择偏好的一个示例。如图7所示,用户A有两条特征路线R2(M,N)和R3(O,P)。R2(M,N)具有代价c1(时间)和c3(不含高速路)。R3(O,P)具有代价c1(时间)和c2(距离)。累加这两条特征路线的代价,得到用户偏好的结果为c1(时间)、c2(距离)、c3(不含高速路),且这些代价的权重分别为w(c1)=2,w(c2)=1,w(c3)=1。因此,用户偏好计算子单元2200抽取得到的用户A的路线选择偏好是:最关心的是旅行时间(c1),其次是距离(c2),并且不喜欢走高速路(c3)。
采用根据本实施例的用于抽取用户的路线选择偏好的系统,能够从历史数据中自动抽取用户的路线选择偏好,无需用户预先设定自己的偏好。在该实施例中,每个用户关心的路线的代价的数目和权重的大小都不是固定值,而是基于各自的历史数据计算得到的,这更符合用户在路线选择时的具体情况。而且,根据本实施例的系统比采用固定级别的权重的现有系统能够更加精确地确定各个代价的优先级。
第二实施例
在实际应用中,用户偏好可能会在不同的条件下(例如不同的时间段内)发生变化,因此需要在抽取用户的路线选择偏好时考虑到这些条件。在本实施例中,针对不同的时间段抽取相应的关键路线,继而抽取用户在该时间段内的特征路线,从而获得不同时间段内的用户的路线选择偏好。
图8是示出了根据本发明第二实施例的用于抽取用户的路线选择偏好的系统80的框图。该系统80包括关键路线分析单元810和用户偏好抽取单元820。其中,关键路线分析单元810包括第一路线分类子单元8000、关键路线抽取子单元8100和关键路线代价计算子单元8200,而用户偏好抽取单元820包括第二路线分类子单元8300、特征路线抽取子单元8400和用户偏好计算子单元8500。本实施例中的关键路线抽取子单元8100和关键路线代价计算子单元8200分别与图2中所示的关键路线抽取子单元1100和关键路线代价计算子单元1200相同,而且特征路线抽取子单元8400和用户偏好计算子单元8500分别与图5中所示的特征路线抽取子单元2100和用户偏好计算子单元2200相同。为了简便起见,以下仅对第一路线分类子单元8000和第二路线分类子单元8300进行详细描述。
第一路线分类子单元8000将所有用户的历史路线按照特定规则进行分类,并将分类后的历史路线提供给关键路线抽取子单元8100。类似地,第二路线分类子单元8300将特定用户的历史路线按照特定规则进行分类,并将分类后的路线提供给特征路线抽取子单元8400。
该特定规则可以包括以下任意一种:一天内的不同时间段、日期类型或天气状况。例如,该特定规则可以是按照一天内的不同时间段进行分类。在此情况下,可以将上午7:00到上午9:00划分为早高峰时间段,将下午17:00到19:00划分为晚高峰时间段,从上午9:00到下午17:00划分为非高峰时间段,等等。另外,该特定规则还可以是按照日期类型(是否是工作日、周末或是法定假日,等等)进行分类。该特定规则还可以是基于天气(例如,晴天、雨天、雪天,等等)的分类。本领域技术人员可以理解,特定规则不限于以上描述的内容,可以根据具体应用场景而采用其他分类规则。
采用本实施例的系统,能够按照不同的规则对用户的路线选择偏好做出调整,从而能够更加准确地计算用户偏好。
第三实施例
在实际应用中,用户偏好会随行驶区域的不同而发生变化。通常,用户在自己熟悉的区域和不熟悉的区域内有不同的路线选择偏好。因此,某些情况下需要在抽取用户偏好时考虑到该区域因素。在本实施例中,首先基于用户的历史路线抽取出用户的活跃区域和非活跃区域,其中活跃区域是用户经常在该区域内行驶(即用户熟悉的区域),非活跃区域是用户不常在该区域内行驶(即用户不熟悉的区域)。然后,针对活跃区域和非活跃区域分别抽取相应的特征路线,继而获得在不同区域内的用户的路线选择偏好。
图9是示出了根据本发明第三实施例的用户偏好抽取单元920的框图。如图5所示,用户偏好抽取单元920包括第三路线分类子单元9000、特征路线抽取子单元9100和用户偏好计算子单元9200。本实施例中的特征路线抽取子单元9100和用户偏好计算子单元9200分别与图5中所示的特征路线抽取子单元2100和用户偏好计算子单元2200相同。为了简便起见,以下仅对第三路线分类子单元9000进行详细描述。
第三路线分类子单元9000将特定用户的历史路线按照地理区域进行分类,并将分类后的特定路线提供给特征路线抽取子单元9100。具体地,第三路线分类子单元9000可以将地图划分为多个区域,根据特定用户在区域中的活跃度和认知度将区域分类为活跃区域和非活跃区域,然后将用户的历史路线划分为活跃区域路线和非活跃区域路线。
地图的区域划分标准可以是基于固定大小的区域划分、基于行政区域的划分、基于城市功能区(例如工作区、生活区、商业区等)的划分,等等。本领域技术人员可以理解,划分标准不限于上述提到的内容,而是可以根据需要采用其他划分标准。
对于一个区域,第三路线分类子单元9000抽取出特定用户在其中的历史路线,并计算该用户在该区域内的活跃度。在本实施例中,对于区域uniti,用户在其中的活跃度定义为ActDgr(uniti)。其中,ActDgr(uniti)是用户在区域uniti内的总行驶次数,即所有路线的出现频率的和。活跃度越高说明用户在该区域内行驶的次数越多。此外,第三路线分类子单元9000还计算该用户在该区域内的认知度。对于区域uniti,用户在其中的认知度定义为CogDgr(uniti)。其中,CogDgr(uniti)是用户在uniti内行驶过的路线的总数,即所有路线的数目。认知度越高说明用户在该区域内行驶的范围越大。在一个示例中,如果用户在区域uniti内的活跃度和认知度分别大于指定的阈值athd和cthd,那么第三路线分类子单元9000将区域uniti划分为活跃区域,否则划分为非活跃区域。
对于用户的一条历史路线,如果该路线出现在活跃区域的长度大于等于非活跃区域的长度,第三路线分类子单元9000将该路线划分为活跃区域路线,否则将该路线划分为非活跃区域路线。
图10示出了第三路线分类子单元9000划分地理区域的一个示例。图10中示出了划分后的一个区域,其中包括用户A的三条路线(路段),即MO、MN、MP,并且其相应的出现频率为20、10、15。因此,第三路线分类子单元9000计算得出用户A在该区域中的活跃度和认知度,即ActDgr=20+10+15=45,CogDgr=3。假设athd=40且cthd=4。因为ActDgr>athd,CogDgr<cthd,所以第三路线分类子单元9000把该区域划分为用户A的非活跃区域。
采用本实施例的系统,能够根据用户对不同区域的熟悉程度来选择相应的路线偏好,从而能够提供个性化的路线选择。
图11是示出了根据本发明的用于抽取用户的路线选择偏好的方法15的流程图。该方法15可以由根据本发明上述实施例的系统来执行。
参考图11,方法15在步骤S151处开始。在步骤S155,分析所有用户的历史路线,以获得关键路线及其代价。优选地,步骤S155可以包括:通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线;以及对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值。
根据本发明的实施例,如果两个节点之间存在两条以上的不同路线,则将两个节点选择作为关键节点对。如果关键节点对所表示的路线中有两条或两条以上路线的出现频率大于阈值,则将所述关键节点对所表示的路线选择作为关键路线。
另外,根据本发明的实施例,可以将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。其中,如果代价值是数值型,则向具有最优值的关键路线赋予所述代价;如果代价值是非数值型,则向每条关键线路赋予所述代价。
接下来,方法执行到步骤S159。在步骤S159,根据关键路线及其代价以及特定用户的历史路线来获得特定用户的特征路线及其代价,并根据特定用户的特征路线及其代价来抽取特定用户的路线选择偏好。
根据本发明的实施例,可以根据特定用户的历史路线从关键路线中抽取特定用户的特征路线,以及根据特定用户的特征路线的代价来计算特定用户的路线选择偏好的权重,并根据该权重来计算特定用户的路线选择偏好。
根据本发明的实施例,可以从特定用户的历史路线中抽取与关键路线相同、并且出现频率大于阈值的路段作为特定用户的特征路线。
除了上述步骤之外,还可以增加额外的步骤。例如,可以在步骤S155之前的步骤S153处将所有用户的历史路线按照特定规则进行分类,并且在步骤S159之前的步骤S157处将特定用户的历史路线按照该特定规则进行分类。优选地,上述特定规则可以包括以下任意一种:一天内的不同时间段、日期类型或天气状况。
备选地,也可以仅在步骤S155和步骤S159之间增加额外的步骤S157。在步骤S157处,可以将特定用户的历史路线按照地理区域进行分类。根据本发明的实施例,优选地,可以根据特定用户的历史路线在区域内的总数和总行驶次数,将区域分类为活跃区域和非活跃区域。
最后,方法15在步骤S161处结束。
应该理解,本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如,上述实施例中的关键路线分析单元110和810、用户偏好抽取单元120和820以及它们内部的各种组件可以通过多种器件来实现,这些器件包括但不限于:数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD),等等。
本发明实施例中描述的所有用户的历史数据可以存储在数据库中,以便于关键路线分析单元获取。另外,关键路线分析单元分析得出的关键路线也可以存储在数据库中,以供用户偏好抽取单元获取。进一步地,用户偏好抽取单元抽取出的用户偏好也可以存储在数据库中,以便于维护和之后再次使用。本领域的技术人员可以理解,上述数据可以存储在同一数据库中,也可以存储在多个不同的数据库中(例如分布式数据库)。
此外,这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地,该计算机程序产品是如下的一种产品:具有计算机可读介质,计算机可读介质上编码有计算机程序逻辑,当在计算设备上执行时,该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算系统的至少一个处理器上执行时,计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上,以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。
尽管以上已经结合本发明的优选实施例示出了本发明,但是本领域的技术人员将会理解,在不脱离本发明的精神和范围的情况下,可以对本发明进行各种修改、替换和改变。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (18)
1.一种用于抽取用户的路线选择偏好的系统,包括:
关键路线分析单元,被配置为:分析所有用户的历史路线以获得关键路线及其代价;以及
用户偏好抽取单元,被配置为:根据关键路线及其代价以及用户的历史路线来获得所述用户的特征路线及其代价,并根据所述用户的特征路线及其代价来抽取所述用户的路线选择偏好,
其中,所述关键路线分析单元包括:
关键路线抽取子单元,被配置为:通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线;以及
关键路线代价计算子单元,被配置为:对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值;
其中,所述用户偏好抽取单元包括:
特征路线抽取子单元,被配置为:根据用户的历史路线,从关键路线中抽取所述用户的特征路线;以及
用户偏好计算子单元,被配置为:根据用户的特征路线的代价来计算所述用户的路线选择偏好的权重,并根据所述权重来计算所述用户的路线选择偏好。
2.根据权利要求1所述的系统,其中,所述关键路线抽取子单元被配置为:如果两个节点之间存在两条以上的不同路线,则将所述两个节点选择作为关键节点对;以及如果关键节点对所表示的路线中有两条或两条以上路线的出现频率大于第一阈值,则将所述路线作为关键路线。
3.根据权利要求1所述的系统,其中,所述关键路线代价计算子单元被配置为:将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。
4.根据权利要求3所述的系统,其中,所述关键路线代价计算子单元被配置为:如果代价值是数值型,则向具有最优值的关键路线赋予所述代价;如果代价值是非数值型,则向每条关键线路赋予所述代价。
5.根据权利要求1所述的系统,其中,所述特征路线抽取子单元被配置为:在用户的历史路线中,抽取与关键路线相同并且出现频率大于第二阈值的路段作为所述用户的特征路线。
6.根据权利要求1所述的系统,其中,
所述关键路线分析单元还包括:第一路线分类子单元,被配置为将所有用户的历史路线按照特定规则进行分类,并将分类后的历史路线提供给所述关键路线抽取子单元;
所述用户偏好抽取单元还包括:第二路线分类子单元,被配置为将用户的历史路线按照所述特定规则进行分类,并将分类后的历史路线提供给所述特征路线抽取子单元。
7.根据权利要求6所述的系统,其中,所述特定规则包括以下任意一种:一天内的不同时间段、日期类型或天气状况。
8.根据权利要求1所述的系统,其中,所述用户偏好抽取单元还包括:
第三路线分类子单元,被配置为将用户的历史路线按照地理区域进行分类,并将分类后的历史路线提供给所述特征路线抽取子单元。
9.根据权利要求8所述的系统,其中,所述第三路线分类子单元被配置为:根据用户的历史路线在区域内的总数和总行驶次数,将区域分类为活跃区域和非活跃区域。
10.一种用于抽取用户的路线选择偏好的方法,包括:
分析所有用户的历史路线,以获得关键路线及其代价;以及
根据关键路线及其代价以及用户的历史路线来获得所述用户的特征路线及其代价,并根据所述用户的特征路线及其代价来抽取所述用户的路线选择偏好;
其中,分析所有用户的历史路线的步骤包括:
通过计算任意节点对之间所有用户的历史路线的个数来选择关键节点对,并根据所选择的关键节点对来抽取关键路线;以及
对关键路线进行分组,针对每一个代价而计算相同组中的关键路线的代价值;
其中,获得特征路线及其代价以及抽取用户的路线选择偏好的步骤包括:
根据用户的历史路线,从关键路线中抽取所述用户的特征路线;以及
根据用户的特征路线的代价来计算所述用户的路线选择偏好的权重,并根据所述权重来计算所述用户的路线选择偏好。
11.根据权利要求10所述的方法,其中,选择关键节点对和抽取关键路线的步骤包括:如果两个节点之间存在两条以上的不同路线,则将所述两个节点选择作为关键节点对;以及如果关键节点对所表示的路线中有两条或两条以上路线的出现频率大于第一阈值,则将所述路线作为关键路线。
12.根据权利要求10所述的方法,其中,对关键路线进行分组和计算关键路线的代价值的步骤包括:将具有相同起点和终点的关键路线分为一组,针对每一个代价而计算相同组中的关键路线的代价值,并对计算得到的代价值进行比较以将代价赋予关键路线。
13.根据权利要求12所述的方法,其中,对计算得到的代价值进行比较的步骤包括:如果代价值是数值型,则向具有最优值的关键路线赋予所述代价;如果代价值是非数值型,则向每条关键线路赋予所述代价。
14.根据权利要求10所述的方法,其中,抽取特征路线的步骤包括:从用户的历史路线中,抽取与关键路线相同并且出现频率大于第二阈值的路段作为所述用户的特征路线。
15.根据权利要求10所述的方法,还包括:
在抽取关键路线之前,将所有用户的历史路线按照特定规则进行分类;
在抽取特征路线之前,将用户的历史路线按照所述特定规则进行分类。
16.根据权利要求15所述的方法,其中,所述特定规则包括以下任意一种:一天内的不同时间段、日期类型或天气状况。
17.根据权利要求10所述的方法,还包括:
在抽取特征路线之前,将用户的历史路线按照地理区域进行分类。
18.根据权利要求17所述的方法,其中,所述分类步骤包括:将地图划分为多个区域,根据用户的历史路线在区域内的总数和总行驶次数,将区域分类为活跃区域和非活跃区域。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210022070.8A CN103217166B (zh) | 2012-01-21 | 2012-01-21 | 用于抽取用户路线选择偏好的方法和系统 |
US13/693,683 US20130191314A1 (en) | 2012-01-21 | 2012-12-04 | Method and system for extracting route choice preference of a user |
JP2012265170A JP5584273B2 (ja) | 2012-01-21 | 2012-12-04 | ユーザの経路選択嗜好抽出システム及び経路選択嗜好抽出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210022070.8A CN103217166B (zh) | 2012-01-21 | 2012-01-21 | 用于抽取用户路线选择偏好的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103217166A CN103217166A (zh) | 2013-07-24 |
CN103217166B true CN103217166B (zh) | 2016-01-27 |
Family
ID=48798059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210022070.8A Expired - Fee Related CN103217166B (zh) | 2012-01-21 | 2012-01-21 | 用于抽取用户路线选择偏好的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20130191314A1 (zh) |
JP (1) | JP5584273B2 (zh) |
CN (1) | CN103217166B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104516905B (zh) * | 2013-09-29 | 2020-11-06 | 日电(中国)有限公司 | 一种挖掘稀有均衡轨迹数据的方法及装置 |
CN104596529B (zh) * | 2014-05-07 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 一种导航方法及装置 |
KR101766640B1 (ko) * | 2014-09-24 | 2017-08-09 | 삼성에스디에스 주식회사 | 이동체의 기준 경로 계산 장치 및 방법 |
JP6379943B2 (ja) | 2014-09-30 | 2018-08-29 | 富士通株式会社 | 移動経路統合方法、装置、及びプログラム |
US10788958B2 (en) * | 2014-12-19 | 2020-09-29 | International Business Machines Corporation | Personalization of a web application |
JP6613563B2 (ja) * | 2014-12-24 | 2019-12-04 | アイシン・エィ・ダブリュ株式会社 | 経路探索システム、方法およびプログラム |
JP6361498B2 (ja) * | 2014-12-24 | 2018-07-25 | アイシン・エィ・ダブリュ株式会社 | 経路探索システム、方法およびプログラム |
CN104864871A (zh) * | 2015-05-27 | 2015-08-26 | 重庆大学 | 一种基于移动终端惯性导航的室内定位和路径引导方法 |
CN105043400B (zh) * | 2015-06-30 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 路径规划方法及装置 |
CN105243131B (zh) * | 2015-09-30 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 路径查询方法及装置 |
US20170178073A1 (en) * | 2015-12-17 | 2017-06-22 | Sap Se | Reducing complexity of determining routes for shipping containers by reducing paths based on user selection |
US9576490B1 (en) * | 2016-02-08 | 2017-02-21 | GM Global Technology Operations LLC | Personalized navigation route for transportation device |
US9500489B1 (en) * | 2016-03-03 | 2016-11-22 | Mitac International Corp. | Method of adjusting a navigation route based on detected passenger sleep data and related system |
CN105788334A (zh) * | 2016-04-01 | 2016-07-20 | 东南大学 | 一种考虑驾驶者个人偏好的城市路径寻找方法 |
US10323954B2 (en) | 2016-08-29 | 2019-06-18 | Telenav, Inc. | Navigation system with preference analysis mechanism and method of operation thereof |
CN108444486B (zh) * | 2017-02-16 | 2020-12-25 | 阿里巴巴(中国)有限公司 | 一种导航路线排序方法和装置 |
CN108627174A (zh) * | 2017-03-24 | 2018-10-09 | 北京嘀嘀无限科技发展有限公司 | 导航路线确定方法及装置、数据检索处理方法和服务器 |
CN107192399B (zh) * | 2017-06-30 | 2020-02-18 | Oppo广东移动通信有限公司 | 导航方法、装置、存储介质及终端 |
JP7024290B2 (ja) * | 2017-09-29 | 2022-02-24 | 日本電気株式会社 | 無線通信システム、基地局、無線通信方法、およびプログラム |
CN108053240B (zh) * | 2017-12-11 | 2021-12-21 | 北京奇虎科技有限公司 | 生成车载广告投放公交线路方案的方法及装置 |
CN108416611B (zh) * | 2018-01-31 | 2020-12-04 | 佛山市顺德区中山大学研究院 | 一种超市路径推荐系统及其方法 |
CN110648546B (zh) * | 2018-09-30 | 2021-11-23 | 北京奇虎科技有限公司 | 一种路况预警方法和装置 |
CN109886532B (zh) * | 2019-01-07 | 2023-10-27 | 平安科技(深圳)有限公司 | 驾驶线路规划方法、装置、计算机设备及存储介质 |
CN111854779B (zh) * | 2020-02-25 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
FR3132570B1 (fr) | 2022-02-09 | 2024-02-16 | Ifp Energies Now | Procédé de détermination d’au moins une route entre une zone géographique d’origine et une zone géographique de destination |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5933100A (en) * | 1995-12-27 | 1999-08-03 | Mitsubishi Electric Information Technology Center America, Inc. | Automobile navigation system with dynamic traffic data |
CN102077056A (zh) * | 2008-06-27 | 2011-05-25 | 株式会社丰田It开发中心 | 路径搜索装置和路径搜索方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08327385A (ja) * | 1995-05-31 | 1996-12-13 | Nec Home Electron Ltd | ナビゲーション装置 |
US6591188B1 (en) * | 2000-11-01 | 2003-07-08 | Navigation Technologies Corp. | Method, system and article of manufacture for identifying regularly traveled routes |
JP2008096275A (ja) * | 2006-10-12 | 2008-04-24 | Xanavi Informatics Corp | ナビゲーション装置 |
JP2008281488A (ja) * | 2007-05-11 | 2008-11-20 | Toyota Motor Corp | ナビゲーション装置 |
US8855909B2 (en) * | 2008-01-07 | 2014-10-07 | Harman International Industries, Inc. | Route determining system for a vehicle with navigation system |
US8335647B2 (en) * | 2008-12-04 | 2012-12-18 | Verizon Patent And Licensing Inc. | Navigation based on popular user-defined paths |
US8150620B2 (en) * | 2009-04-14 | 2012-04-03 | Alpine Electronics, Inc. | Route search method and apparatus for navigation system utilizing map data of XML format |
-
2012
- 2012-01-21 CN CN201210022070.8A patent/CN103217166B/zh not_active Expired - Fee Related
- 2012-12-04 JP JP2012265170A patent/JP5584273B2/ja not_active Expired - Fee Related
- 2012-12-04 US US13/693,683 patent/US20130191314A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5933100A (en) * | 1995-12-27 | 1999-08-03 | Mitsubishi Electric Information Technology Center America, Inc. | Automobile navigation system with dynamic traffic data |
CN102077056A (zh) * | 2008-06-27 | 2011-05-25 | 株式会社丰田It开发中心 | 路径搜索装置和路径搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5584273B2 (ja) | 2014-09-03 |
JP2013148574A (ja) | 2013-08-01 |
US20130191314A1 (en) | 2013-07-25 |
CN103217166A (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103217166B (zh) | 用于抽取用户路线选择偏好的方法和系统 | |
Ahmadisharaf et al. | Integrating flood hazard into site selection of detention basins using spatial multi-criteria decision-making | |
Saw et al. | Literature review of traffic assignment: static and dynamic | |
CN110795467B (zh) | 交通规则数据处理方法、装置、存储介质和计算机设备 | |
CN103134505B (zh) | 路径规划系统及其方法 | |
CN103077604B (zh) | 交通传感器管理方法和系统 | |
Khezerlou et al. | A traffic flow approach to early detection of gathering events: Comprehensive results | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
WO2023040539A1 (zh) | 车流迁徙情况的展示方法、装置、设备、介质及产品 | |
Wong et al. | Network topological effects on the macroscopic fundamental diagram | |
Liu et al. | Popular route planning with travel cost estimation from trajectories | |
Fowe et al. | A microstate spatial-inference model for network-traffic estimation | |
CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
Ban et al. | Sequential modeling framework for optimal sensor placement for multiple intelligent transportation system applications | |
Kim et al. | Trajectory flow map: Graph-based approach to analysing temporal evolution of aggregated traffic flows in large-scale urban networks | |
Demiryurek et al. | Towards modeling the traffic data on road networks | |
Pulugurtha et al. | Assessment of link reliability as a function of congestion components | |
Liu et al. | Planning bike lanes with data: Ridership, congestion, and path selection | |
Kim et al. | Graph-based analysis of city-wide traffic dynamics using time-evolving graphs of trajectory data | |
Rodrigues et al. | Hybrid context-aware multimodal routing | |
Wang et al. | National and regional road network optimization for Senegal using mobile phone data | |
Khalesian et al. | A GIS-based traffic control strategy planning at urban intersections | |
Wang et al. | Influential spatial facility prediction over large scale cyber-physical vehicles in smart city | |
Bachir | Estimating urban mobility with mobile network geolocation data mining | |
KR101923810B1 (ko) | 교통 정보 수집 장치 설치의 우선 순위를 결정하는 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160127 Termination date: 20180121 |