CN104089620B - 一种基于数据分析的自动路线规划方法及其系统 - Google Patents

Abstract

本发明公开了一种基于数据分析的自动路线规划方法及其系统。该方法包括如下步骤：获取用户的兴趣点信息，将其与数据库中预先保存的兴趣点信息进行匹配，输出包含所有兴趣点坐标信息的坐标列表；根据坐标列表对兴趣点进行聚类；针对聚类产生的每个聚类族群结果里包含的兴趣点及其坐标列表进行旅行者寻路计算，输出最短路径；计算最短路径的理想耗时；根据设定的每天游玩时间，进行全程理想消耗天数计算与划分，并确定每天的初始开始点与初始结束点；选中与当天的初始结束点、第二天的初始开始点距离最短的居住地，将其添加到最短路径；依次类推，为划分的所有天添加居住地，直至路线规划全部完成。

Description

一种基于数据分析的自动路线规划方法及其系统

技术领域

本发明涉及一种路线规划方法，尤其涉及一种能够实现最优路径的自动路线规划方法，同时也涉及用于实现该方法的自动路线规划系统。

背景技术

随着社会的发展和人们生活水平的提高，旅游被人们慢慢列入生活日程，成为人们工作之余休闲放松的主流方式。人们对旅游的要求也逐步提高，旅游路线的合理规划越来越受到人们的重视。为了满足人们的旅游需求，各种旅游路线规划系统应运而生。

在现有的各类旅游路线规划系统中，需要用户在路线规划界面上设置出行时间以及想去的兴趣点（Point of Interest,简称POI点），旅游路线规划系统根据用户设置的条件进行规划计算，然后将最终建议路线推荐给用户。

然而，因为实际路线规划会涉及到交通路况，各个POI点开业时间、临时闭馆等各个因素以至于整个路线规划方法计算复杂，不是仅依靠习惯、经验或是简单的起始目的地两点连接就能保证所选择的路线是最合理的，为此市场上的各商家纷纷对现有的各类旅游路线规划系统进行改进，但是仍然存在以下问题：

1)将用户所选择的POI点进行两点间直线连接，不考虑连接路线是否为具备可行性的最优路线。此种方法甚至可能使相邻的景点被分在不同天内，最后导致计算出的路线不具有合理性，不能满足用户的需求；

2)在用户没有选择POI点前，根据以往的经验展示事先准备的固定路线，当添加POI点重新优化后，路线规划结果不可用；

3)没有推荐酒店，导致每天出行没有起始点，使得结果的实用性很差；

4)需要用户给出大致参考天数后才能得出路线优化结果。

因此，现在的旅游路线规划系统并不能真正依靠数据分析完成路线规划，需要用户大量的手工介入调整，对于各个POI点的分析也有待加强。实践中迫切需要一种路线规划方法，能够基于数据分析来完成最优旅游路线的自动规划。

发明内容

本发明所要解决的技术问题在于提供一种基于数据分析的自动路线规划方法及其系统。

为实现上述的发明目的，本发明采用下述的技术方案：

一种基于数据分析的自动路线规划方法，包括如下步骤：

步骤1，获取用户的兴趣点信息，将其与数据库中预先保存的兴趣点信息进行匹配，输出包含所有兴趣点坐标信息的坐标列表；

步骤2，根据坐标列表对兴趣点进行聚类；

步骤3，针对聚类产生的每个聚类族群结果里包含的兴趣点及其坐标列表进行旅行者寻路计算，输出最短路径；

步骤4，计算最短路径的理想耗时；根据设定的每天游玩时间，进行全程理想消耗天数计算与划分，并确定每天的初始开始点与初始结束点；

步骤5，选中与当天的初始结束点、第二天的初始开始点距离最短的居住地，将其添加到所述最短路径；依次类推，为划分的所有天添加居住地，直至路线规划全部完成。

其中较优地，还包括如下步骤：当路线规划全部完成时，以天为单位，将整个行程的规划路线显示出来。

其中较优地，对兴趣点进行聚类时，根据坐标列表以及兴趣点对应的城市郊区分类参数，对兴趣点进行市内/郊区分类，将分类结果进行各自聚类，再将各自的聚类结果合并产生最终的聚类结果。

其中较优地，当获取的兴趣点信息与数据库中预先保存的兴趣点信息进行匹配时，如果两者数据内容吻合，则读取数据库中与兴趣点信息相关联的兴趣点坐标信息，如果不吻合则要求用户重新输入。

其中较优地，将市内景点和郊区景点进行各自聚类的步骤包括：根据城市郊区分类参数进行市内、郊区分类，然后根据分类结果确定聚类时的距离标准，将此距离标准作为点与点间的最大距离进行聚类，产生各自的聚类结果。

其中较优地，选中与当天的初始结束点、第二天的初始开始点距离最短的居住地的步骤包括：

步骤51，分别确定以第一天初始结束点为圆心、第二天的初始开始点为圆心，固定值为半径的圆形区域（A1）、（A3），然后确定以第一天初始结束点和第二天的初始开始点间距为直径的圆形区域（A2）；

步骤52，判断圆形区域（A1）与（A2）重叠部分范围内是否有居住地的信息；如果有多个居住地的信息则自动选择距离最短的居住地，如果没有则转向步骤53；

步骤53，判断圆形区域（A3）与（A2）重叠部分范围内是否有居住地的信息；如果有多个居住地的信息则自动选择距离最短的居住地，如果没有则转向步骤54；

步骤54，判断圆形区域（A2）除了与圆形区域（A1）、（A3）交集以外剩余的区域，是否有居住地的信息；如果有多个居住地的信息则自动选择距离最短的居住地；然后计算第一天的初始结束点到该居住地实际路径所需的时长，如果时间超过每天游玩时间的3/4，或者查询区域内没有居住地的信息，则提示用户做好露宿准备；

步骤55，将确定的居住地与第一天的初始结束点、第二天的第初始开始点按照真实路径进行路线计算，并将其添加到路线规划结果中；

步骤56，依次执行步骤52到步骤55，直至为所有的出游天数增加居住地为止。

一种自动路线规划系统，用于实现上述的自动路线规划方法，其中包括POI点匹配模块、最优路径计算模块、自动分天计算模块以及酒店匹配模块；

所述POI点匹配模块用于获取用户的兴趣点信息，将其与数据库中预先保存的兴趣点信息进行匹配，输出包含所有兴趣点坐标信息的坐标列表，并将其传送到所述最优路径计算模块；

所述最优路径计算模块用以根据坐标列表对兴趣点进行聚类，针对聚类产生的每个聚类族群结果里包含的兴趣点及其坐标列表进行旅行者寻路计算，输出最短路径；

所述自动分天计算模块用以根据所述最优路径计算模块的最短路径计算其理想耗时；并进行全程理想消耗天数计算与划分，确定每天的初始开始点与初始结束点，并传送到所述酒店匹配模块；

所述酒店匹配模块选中与当天的初始结束点、第二天的初始开始点距离最短的居住地，将其添加到所述最优路径计算模块的最短路径中，将最终结果传送到所述显示模块。

其中较优地，所述自动路线规划系统还包括显示模块；

所述显示模块以天为单位，将整个行程的规划路线显示出来。

本发明提供的自动路线规划方法及其系统，通过获取用户的POI点坐标列表；将列表中各个POI点进行聚类、路径计算，根据路线规划结果以及耗时计算，依照不同天数进行智能路线分天切割计算；并添加酒店信息，最终将根据实际情况产生的最优路线规划结果展示出来。当出行时间或者环境等因素发生变化时，对应的根据实际情况产生的最优路线规划结果会产生相应的调整，从而具备很强的适应性。

附图说明

图1为本发明所提供的自动路线规划系统的系统架构图；

图2为本发明所提供的自动路线规划方法的流程图；

图3为本发明的一个实施例中，酒店推荐过程的示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

如图1所示，本发明提供的自动路线规划系统，包括POI点匹配模块1、最优路径计算模块2、自动分天计算模块3、酒店匹配模块4以及显示模块5。

其中，POI匹配模块1用于获取用户旅游的POI点信息与出发时间。其中POI点信息包括旅游的起始地、目的地以及中途感兴趣的景点信息和交通枢纽信息。并将获取的用户信息与数据库中预先存储的POI点信息进行匹配，当两者数据内容吻合时，读取数据库中与POI点信息相关联的POI点坐标信息，不吻合则要求用户重新输入；依次匹配，最后输出包含此次旅游的所有POI点坐标信息的坐标列表。在本发明提供的实施例中，POI匹配模块1获取用户输入旅游的起始地和目的地信息以及出发时间，并根据用户输入的信息向用户展示该起始地和目的地之间，在用户出行时间内正常运营并且用户可能感兴趣的景点信息以及交通枢纽信息，供用户选择。该POI匹配模块1收集用户选中的各个POI点名称，包含从航班信息中读取的交通枢纽名称、起始地名称、目的地名称以及中途感兴趣的景点名称，将收集到的名称信息在数据库中进行查询，然后将各个POI点名称对应的坐标传送至最优路径计算模块2。

最优路径计算模块2收集POI匹配模块1传送来的各个POI点的坐标，并获取各个POI点对应城市的城市郊区分类参数。以城市为划分单位，将交通枢纽点确定为各个城市的开始点与结束点。先利用坐标将POI点按照城市郊区分类参数进行市内/郊区分类，将市内景点和郊区景点进行分离，然后再将分类结果进行各自聚类，聚类完成后将各自的聚类结果合并产生最终的聚类结果。

根据最终的聚类结果，针对每个聚类族群结果里包含的各个POI点及其坐标列表进行旅行者寻路计算（Travelling Salesman Problem Solving,TSP Solving），在进行TSP计算以前，根据每个聚类族群结果里包含的POI点数量的大小，对坐标列表进行复杂度计算，根据不同坐标列表的复杂度，利用不同的TSP算法进行计算，输出符合要求的最短路径。并将其传送到自动分天计算模块3。

自动分天计算模块3接收最优路径计算模块2传送来的最短路径后，利用每条道路的理想驾车耗时，同时根据预先保存的目的地参考游玩时间读取各个景点的推荐游玩时间，计算总路程理想耗时；通过使用为用户设定的每天建议游玩小时数，进行全程理想消耗天数计算；在本发明提供的实施例中，以8小时为每天建议游玩的标准时间，将当天所途径的POI点，按照路线总耗时进行划分，最后被划分为同一天的旅行点行程之间总时长小于等于8小时。当理想消耗天数确定后，计算每天的理想耗时与目的地路线列表，划分并确定总全程中每天的初始开始点与初始结束点。并将每天初始开始点与初始结束点发送到酒店匹配模块4。

酒店匹配模块4根据自动分天计算模块3返回的每天的初始开始点与初始结束点信息，推荐初始开始点与初始结束点周围一定范围内的酒店列表；选中与当天的初始结束点、第二天的初始开始点距离最短的酒店，并计算从本日的初始结束点到选中酒店，以及第二天从该酒店到该日的初始开始点的实际路径。按照以上规则将自动分天计算模块3划分的所有天添加酒店，直至路线规划全部完成，将整个行程结果传送给显示模块5。

显示模块5接收来自酒店匹配模块4的整个行程结果，以天为单位，将整个行程的规划路线显示出来。

如图2所示，是本发明提供的自动路线规划方法的流程图。具体包括如下步骤：

步骤1，获取用户旅游的POI点信息与出发时间，其中POI点信息包括旅游的起始地、目的地以及中途感兴趣的景点信息和交通枢纽信息。并将获取的用户信息与数据库中预先存储的信息相匹配，当两者数据内容吻合时，读取数据库中与兴趣点信息相关联的POI点坐标信息，不吻合则要求用户重新输入；依次匹配，最后输出包含此次旅游的所有POI点坐标信息的坐标列表。

在本发明提供的实施例中，系统启动后，获取用户输入旅游的起始地和目的地信息以及出发时间，并根据用户输入的信息向用户展示该起始地和目的地之间，在用户出行时间内正常运营并且用户可能感兴趣的景点信息以及交通枢纽信息，供用户选择，并收集用户选中的各个POI点名称，包含从航班信息中读取的交通枢纽名称、起始地名称、目的地名称以及中途感兴趣的景点名称，将收集到的名称信息在数据库中进行查询，获取将各个POI点名称对应的坐标值。本发明提供的基于数据分析的自动路线规划方法应用的系统根据用户选择的POI点信息，制定出符合用户需求的旅游路线，有很好的灵活性和针对性。

步骤2，根据各个POI点的坐标以及获取的各个POI点对应城市的城市郊区分类参数。以城市为划分单位，将交通枢纽点确定为各个城市的开始点与结束点。先利用坐标值将POI点按照城市郊区分类参数进行市内/郊区分类，将市内景点和郊区景点进行分离，然后再将分类结果进行各自聚类，聚类完成后将各自的聚类结果合并产生最终的聚类结果。

在本发明提供的实施例中，针对市内/郊区分类结果进行聚类计算的方法是：根据用户的需求和实际的需要设定点与点间的最大距离，依照设定的最大距离进行聚类，将此距离内的POI点划分到一个聚类族群结果内。由于各个城市的地理位置、旅游景点分布和交通情况不同，进行聚类时设定的最大间距也不同，保证了路线规划的可用性。除此之外，根据市内/郊区分类结果中POI点数量的不同，使用不同的聚类方法。在本发明提供的实施例中，以市内的POI点数量为例，为POI点数量大小设定阙值，当市内/郊区分类结果中，市内的POI点数量小于设置的阙值时，直接采用硬聚类（HCM）方法进行聚类计算，最后直接输出各个聚类族群结果；当市内/郊区分类结果中，市内的POI点数量大于等于设置的阙值时，先采用HCM方法计算出各个聚类族群中心，再使用模糊聚类方法（FCM）优化结果，最后再输出各个聚类族群结果。根据市内/郊区分类结果中不同城市，市内的POI点数量的不同，使用不同的聚类方法，能够有效地减少计算过程中的误差，提高了路线规划的准确性。

由于郊区景点与市内景点的差别仅在于：

1）景点属性不同：市内、外景点分别具有市内/郊区不同的分类

参数；

2）景点间的距离不同。

所以针对郊区景点处理方法与市内景点处理方法类似，在进行聚类以前，先根据POI点对应的城市郊区分类参数，将POI点进行市内/郊区分类，然后根据类别确定聚类时的距离标准，根据确定的不同距离标准进行聚类，产生各自的聚类结果。除此之外，基于郊区景点与市内景点的数据差异，在市内进行路线优化时主要是公交为基础，在郊区进行路线优化时主要以驾车为基础，最大限度提高了路线规划的准确性与合理性。

步骤3，根据最终的聚类结果，针对每个聚类族群结果里包含的各个POI点及其坐标列表进行旅行者寻路计算（Travelling Salesman Problem Solving,TSP Solving）。在进行TSP计算以前，根据每个聚类族群结果里包含的POI点数量的大小，对坐标列表进行复杂度计算，根据不同坐标列表的复杂度，利用不同的TSP算法进行计算，输出符合要求的最短路径。

在本发明提供的实施例中，设定复杂度计算阙值，当聚类族群结果里包含的POI点数量小于阙值时，采用TSP模拟退火与2-OPT算法进行TSP计算；当聚类族群结果里包含的POI点数量大于等于阙值时，采用ACS-3-opt蚁群算法进行TSP计算，最终根据用户针对路线起始地与目的地的要求，输出一个起始地与目的地为相同点（此时为同一城市相同交通枢纽）的闭环最短路径，或者一个开始第与目的地不为相同点的单向最短路径（此时为同一城市不同交通枢纽）。

其中，当聚类族群结果里包含的POI点数量小于阙值时，采用的TSP模拟退火与2-OPT算法进行TSP计算的步骤如下：

步骤31，随机选取一条包含聚类族群结果里所有POI点的旅游路线，算出走完此路线的长度Cost(S)，作为评价函数，初始温度T(充分大)，初始解状态S(这是算法迭代的起点)，每个T值的迭代次数为L；

步骤32，对k=1，……，L做步骤33至步骤36；

步骤33，利用2-OPT算法来产生新的路线，此时产生新解S′；

步骤34，计算增量Cost=Cost(S′)-Cost(S)，其中Cost(S)为上述的评价函数；

步骤35，若Cost<0则接受S′作为新的当前解，否则以概率exp(-Cost/T)接受S′作为新当前解；

步骤36，如果满足终止条件则输出当前解作为最优解，并结束程序。其中，终止条件为步骤33中利用2-OPT算法所产生的所有新路线被处理完毕；

步骤37，T逐渐减少，且T->0，然后转至步骤32，直到结果满足步骤36的终止条件，最后输出路径。在结果可接受的同时保证了计算的高效和资源的节省。

当聚类族群结果里包含的POI点数量大于等于阙值时，采用ACS-3-opt蚁群算法进行TSP计算。ACS-3-opt蚁群算法参见论文《基于改进ACS-3-opt蚁群算法的TSP》（刊载于《计算机工程》，2008年第19期），此处不再赘述了。

通过根据最终的聚类结果，分类中产生的POI数量的不同以及其坐标列表的复杂度的不同，选择不同的TSP算法，从而达到计算成本与结果的平衡，最后输出一条完整的根据实际地理地貌计算的最短路径，能最大限度的利用出行时间，有效地满足人们的出行需求。

步骤4，利用每条道路的理想驾车耗时，同时根据预先保存的目的地参考游玩时间读取各个景点的推荐游玩时间，计算最短路径的理想耗时；通过使用为用户设定的每天建议游玩小时数，进行全程理想消耗天数计算。

在本发明提供的实施例中，以8小时为每天建议游玩的标准时间，将当天所途径的POI点，按照路线总耗时进行划分，最后被划分为同一天的旅行点行程之间总时长小于等于8小时。当理想消耗天数确定后，计算每天的理想耗时与目的地路线列表，划分并确定总路程中每天的初始开始点与初始结束点。

步骤5，根据划分确定的总路程中每天的初始结束点与初始结束点信息，推荐初始开始点与初始结束点周围一定范围内的酒店列表；选中与当天的初始结束点、第二天的初始开始点距离最短的酒店，并计算从本日的初始结束点到选中酒店，以及第二天从该酒店到该日的初始开始点的实际路径。按照以上规则将划分的所有天添加酒店，直至路线规划全部完成。

步骤6，以天为单位，将整个行程的规划路线显示出来。

在本发明提供的实施例中，如图3所示，P1、P2、P3、P4为旅游第一天的POI点，P5、P6、P7为旅游第二天的POI点，以P4为第一天的最后一点，P5为第二天的第一点。选中与当天的初始结束点、第二天的初始开始点距离最短的居住地的步骤包括：

步骤51，分别确定以第一天初始结束点为圆心、第二天的初始开始点为圆心，固定值为半径的圆形区域A1、A3，然后确定以第一天初始结束点和第二天的初始开始点间距为直径的圆形区域A2；

步骤52，判断圆形区域A1与A2重叠部分范围内是否有酒店的信息；如果有酒店的信息则自动选择距离最短的酒店H1，如果没有酒店的信息则转向步骤53；

步骤53，判断圆形区域A3与A2重叠部分范围内是否有酒店的信息；如果有酒店的信息则自动选择距离最短的酒店，如果没有酒店的信息则转向步骤54；

步骤54，判断圆形区域A2除了与圆形区域A1、A3交集以外剩余的区域，是否有酒店的信息；如果有酒店的信息则自动选择距离最短的酒店H2；然后计算第一天的最后一点P4到该酒店实际路径所需的时长，如果时间大于6小时，或者查询区域内没有酒店信息，则提示用户做好露宿准备；

步骤55，将确定的酒店与第一天的最后一点P4、第二天的第一点P5按照真实路径进行路线计算，并将其添加到路线规划结果中。

步骤56，依次执行步骤52到步骤55，直至为所有的出游天数增加酒店为止。

综上所述，本发明所提供的基于数据分析的自动路线规划方法及其系统，通过获取用户的POI点信息，与数据库中预先存储的信息进行匹配，匹配后整理出完整的POI点坐标列表；将列表中各个点的坐标使用算法进行最短路径计算；根据路线规划结果以及耗时计算，依照不同天数进行智能路线分天切割计算；并添加酒店信息，最终将根据实际情况产生的最优路线规划结果展示出来。能最大限度的利用出行时间，有效地满足人们的出行需求，提高出行路线规划的准确性。当出行时间或者环境等因素发生变化时，对应的根据实际情况产生的最优路线规划结果会产生相应的调整，从而具备很强的适应性。

以上对本发明所提供的基于数据分析的自动路线规划方法及其系统进行了详细的说明。对本领域的技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (8)

1.一种基于数据分析的自动路线规划方法，其特征在于包括如下步骤：

步骤1，获取用户的兴趣点信息，将其与数据库中预先保存的兴趣点信息进行匹配，输出包含所有兴趣点坐标信息的坐标列表；

步骤2，根据坐标列表对兴趣点进行聚类；

步骤3，针对聚类产生的每个聚类族群结果里包含的兴趣点及其坐标列表进行旅行者寻路计算，输出最短路径；

步骤4，计算最短路径的理想耗时；根据设定的每天游玩时间，进行全程理想消耗天数计算与划分，并确定每天的初始开始点与初始结束点；

步骤5，选中与第一天的初始结束点或第二天的初始开始点距离最短的居住地，将其添加到所述最短路径；依次类推，为划分的所有天添加居住地，直至路线规划全部完成。

2.如权利要求1所述的自动路线规划方法，其特征在于还包括如下步骤：

当路线规划全部完成时，以天为单位，将整个行程的规划路线显示出来。

3.如权利要求1所述的自动路线规划方法，其特征在于：

对兴趣点进行聚类时，根据坐标列表以及兴趣点对应的城市郊区分类参数，对兴趣点进行市内/郊区分类，将分类结果进行各自聚类，再将各自的聚类结果合并产生最终的聚类结果。

4.如权利要求3所述的自动路线规划方法，其特征在于：

当获取的兴趣点信息与数据库中预先保存的兴趣点信息进行匹配时，如果两者数据内容吻合，则读取数据库中与兴趣点信息相关联的兴趣点坐标信息，如果不吻合则要求用户重新输入。

5.如权利要求1所述的自动路线规划方法，其特征在于将市内景点和郊区景点进行各自聚类的步骤包括：

根据城市郊区分类参数进行市内、郊区分类，然后根据分类结果确定聚类时的距离标准，将此距离标准作为点与点间的最大距离进行聚类，产生各自的聚类结果。

6.如权利要求1所述的自动路线规划方法，其特征在于选中与第一天的初始结束点或第二天的初始开始点距离最短的居住地的步骤包括：

步骤51，分别确定以第一天初始结束点为圆心、第二天的初始开始点为圆心，固定值为半径的圆形区域A1、圆形区域A3，然后确定以第一天初始结束点和第二天的初始开始点间距为直径的圆形区域A2；

步骤52，判断圆形区域A1与圆形区域A2重叠部分范围内是否有居住地的信息；如果有多个居住地的信息则选择与第一天的初始结束点或第二天的初始开始点距离最短的居住地，如果没有则转向步骤53；

步骤53，判断圆形区域A3与圆形区域A2重叠部分范围内是否有居住地的信息；如果有多个居住地的信息则选择与第一天的初始结束点或第二天的初始开始点距离最短的居住地，如果没有则转向步骤54；

步骤54，判断圆形区域A2除了与圆形区域A1、圆形区域A3交集以外剩余的区域，是否有居住地的信息；如果有多个居住地的信息则选择与第一天的初始结束点或第二天的初始开始点距离最短的居住地；然后计算第一天的初始结束点到该居住地实际路径所需的时长，如果时间超过每天游玩时间的3/4，或者查询区域内没有居住地的信息，则提示用户做好露宿准备；

步骤55，将确定的居住地与第一天的初始结束点或第二天的初始开始点按照真实路径进行路线计算，并将其添加到路线规划结果中；

步骤56，依次执行步骤52到步骤55，直至为所有的出游天数增加居住地为止。

7.一种自动路线规划系统，用于实现权利要求1～6中任意一项所述的自动路线规划方法，其特征在于包括POI点匹配模块、最优路径计算模块、自动分天计算模块以及酒店匹配模块；

其中，所述POI点匹配模块用于获取用户的兴趣点信息，将其与数据库中预先保存的兴趣点信息进行匹配，输出包含所有兴趣点坐标信息的坐标列表，并将其传送到所述最优路径计算模块；

所述最优路径计算模块用以根据坐标列表对兴趣点进行聚类，针对聚类产生的每个聚类族群结果里包含的兴趣点及其坐标列表进行旅行者寻路计算，输出最短路径；

所述自动分天计算模块用以根据所述最优路径计算模块的最短路径计算其理想耗时；并进行全程理想消耗天数计算与划分，确定每天的初始开始点与初始结束点，并传送到所述酒店匹配模块；

所述酒店匹配模块选中与第一天的初始结束点或第二天的初始开始点距离最短的居住地，将其添加到所述最优路径计算模块的最短路径中，将最终结果传送到所述显示模块。

8.如权利要求7所述的自动路线规划系统，其特征在于还包括显示模块；

所述显示模块以天为单位，将整个行程的规划路线显示出来。