CN105574708A - 一种行程规划的方法及装置 - Google Patents

Abstract

本发明涉及计算机技术，特别涉及一种行程规划的方法及装置，用以提高行程规划的准确性和合理性。该方法为：终端设备针对第一用户选定的目的地，结合海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据中的一种或任意组合，分别计算目的地对应的各个景点与所述目的地之间的推荐相关度，以及各个景点之间的推荐相关度，然后将计算获得的各类推荐相关度呈现给第一用户，并根据第一用户的景点选取结果生成相应的第一行程；这样，可以结合用户喜好、海量用户的评价和行程成本中的任意一种或组合元素，来推荐相关景点，以便规划出相对合理的行程计划，大大提高了行程规划的准确性，也提升了行程规划的效率，降低了操作难度。

Description

一种行程规划的方法及装置

技术领域

本发明涉及计算机技术，特别涉及一种行程规划的方法及装置。

背景技术

随着生活水平的提高，旅行逐渐成为了人们生活的一部分,而如何制定合理的出游计划则是保持旅行质量的重要前提。

目前，用户在制定行程计划时，均采用人工搜集网络数据，根据网络数据提供的信息来制定自身的行程计划，这需要耗费大量的时间，并且由于人工收集信息的局限性，制定的行程计划并不一定合理，从而影响用户的后续行程，影响了旅行质量。

发明内容

本发明实施例提供一种行程规划的方法及装置，用以提高行程规划的准确性和合理性。

本发明实施例提供的具体技术方案如下：

一种行程规划的方法，包括：

至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地；

基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，所述预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据。

将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第一行程。

较佳的，根据第一用户的实时操作行为，确定第一用户出行的第一目的地，包括：

根据第一用户输入的目的地名称确定第一用户的第一目的地；

或者

至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

较佳的，所述海量用户历史操作数据中至少包括第一设定时间范围内，海量用户对各个目的地以及各个景点的评估数据；

所述第一用户的个性化状态息中至少包括以下信息中的一种或组合：所述第一用户的实时行程浏览记录和所述第一用户当前的地理位置；

所述行程成本数据中至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

较佳的，基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度，包括：

将所述参考条件中包含的信息作为输入参量，建立隐马尔科夫模型HMM，基于所述HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

较佳的，确定第一用户出行的第一目的地的后，进一步包括：

基于所述参考条件，分别计算所述第一目的地与各个其他目的地之间的推荐相关度并呈现给第一用户，根据第一用户的选择确定第二目的地；

基于所述参考条件，分别计算所述第二目的地对应的各个景点与所述第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第二行程；

将第一行程和第二行程进行合并。

较佳的，进一步包括：

根据第一用户结束行程后输入的反馈信息，对所述参考条件中相应的内容进行实时更新。

一种行程规划的装置，包括：

确定单元，用于至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地；

处理单元，用于基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，所述预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据。

生成单元，用于将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第一行程。

较佳的，根据第一用户的实时操作行为，确定第一用户出行的第一目的地时，所述确定单元用于：

根据第一用户输入的目的地名称确定第一用户的第一目的地；

或者；

至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

较佳的，所述海量用户历史操作数据中至少包括第一设定时间范围内，海量用户对各个目的地以及各个景点的评估数据；

所述第一用户的个性化状态息中至少包括以下信息中的一种或组合：所述第一用户的实时行程浏览记录和所述第一用户当前的地理位置；

所述行程成本数据中至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

较佳的，基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度时，所述处理单元具体用于：

将所述参考条件中包含的信息作为输入参量，建立隐马尔科夫模型HMM，基于所述HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

较佳的，确定第一用户出行的第一目的地的后，所述处理单元进一步用于：

基于所述参考条件，分别计算所述第一目的地与各个其他目的地之间的推荐相关度并通过所述生成单元呈现给第一用户，根据第一用户的选择确定第二目的地；

基于所述参考条件，分别计算所述第二目的地对应的各个景点与所述第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度通过所述生成单元呈现给第一用户，由所述生成单元根据第一用户的景点选取结果生成相应的第二行程；

将第一行程和第二行程进行合并。

较佳的，所述处理单元进一步用于：

根据第一用户结束行程后输入的反馈信息，对所述参考条件中相应的内容进行实时更新。

附图说明

图1为本发明实施例中行程规划流程图；

图2为本发明实施例中网络拓扑示意图；

图3为本发明实施例中网络拓扑实例图；

图4为本发明实施例中终端设备结构示意图。

具体实施方式

为了提高行程规划的准确性和合理性，本发明实施例中，基于收集的海量用户历史操作数据，为用户选取合理的目的地以及目的地对应的各个景点，从而提高行程规划的效率，提升行程规划的合理性。

下面结合附图对本发明优选的实施方式进行详细说明。

参阅图1所示，本发明实施例中，进行行程规划的流程如下：

步骤100：至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地。

步骤110：基于预设的参考条件，分别计算第一目的地对应的各个景点与第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，上述预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据。

步骤120：将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应行程。

下面对上述各个步骤进行详细介绍。

在执行步骤100时，可以采用但不限于以下三种方式：

第一种方式：根据第一用户的输入信息确定第一用户的第一目的地。

本发明实施例中，第一用户可以在旅行之前，或者，在旅行过程中，使用终端设备(如，智能手机、平板电脑等等)进行行程查询，如果第一用户有明确的下一站目的地，则输入目的地名称，那么，终端设备可以直接获得该名称作为上述第一目的地。

当然，基于第一种方式，若第一用户需要到达多个目的地，则可以继续输入后续目的地的名称，则终端设备会统一记录为第二目的地、第三目的地等等，后续实施例中将进行详细说明。

第二种方式为：至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

同理，实际应用中，第一用户可以在旅行之前，或者，在旅行过程中，使用终端设备(如，智能手机、平板电脑等等)进行行程查询，若第一用户未输入明确的目的地名称，则终端设备可以至少基于海量用户历史操作数据和第一用户的个性化状态信息中的一种或组合，来确定第一用户的第一目的地。

下面分别介绍海量用户历史操作数据和第一用户的个性化状态信息。

A、海量用户历史操作数据，即是海量用户在第一设定时间范围内(如近10天、20天等等)的对各个目的地以及各个景点的评估数据。

例如，第一用户登录APP后，终端设备可以获取该APP下所有原始用户行为数据，并提取出行程相关数据进行结构化处理后作为海量用户历史操作数据。

如，从海量用户上传的游记中提取出结构化数据：

游记标识(ID)、景点名称(poi)、游览时间(time，具体的，可以从游记中查找poi的游览时间)、景点类型(poi_type)、用户评价(rank，如，用户喜好度)

又如，从海量用户的问答中提取出结构化数据：

问(question):问答标识(ID)，景点类型(poi_type)，问答的关键字(key_point)，回复的数量(answer_num)，追问的数量(question_num)；

答(answer)：问答标识(ID)，景点类型(poi_type)，总得的关键字(key_point)，回答者的级别(rank，例如“指路人”，“金牌指路人”)

又如，从海量用户的评论中提取出结构化数据：

评论标识(评论ID)，景点类型(poi_type)，评论的关键字(key_point)，评论的等级(rank，如“一星”，“两星”)

以上即是经结构化后处理后获得的海量用户历史操作数据，结构化处理可以在预处理阶段进行，并定期进行数据更新。

海量用户历史操作数据反映了海量用户对各个目的地和各个景点的评价，因此，参考海量用户历史操作数据进行景点推荐，更易得到优化的推荐结果。

B、第一用户的个性化状态信息，至少包括以下信息中的一种或组合：第一用户的实时行程浏览记录和第一用户当前的地理位置。

第一用户的行程游览历史记录可以包括用户游览的网页、攻略等等与行程规划相关的内容。由于第一用户的行程游览历史记录在一定程度上反应了第一用户的喜好，因此，结合第一用户的行程游览历史记录推荐景点，更能符合第一用户的心理预期。

第一用户当前的地理位置，即是第一用户当前所在经纬度。由于地理位置是客观因素，因此，结合第一用户当前的地理位置推荐景点，在交通路线上更为合理。

本发明实施例中，对于海量用户历史数据进行决策树的机器学习处理，获得相对应的数据处理模型。将第一用户的个性化状态信输入此模型，可判定第一用户的目标目的地以及对应的阶段，在后续操作过程中，需要定期提取第一用户实时的行为数据，对第一用户的个性化状态信息进行实时更新。

在执行步骤110时，终端设备基于预设的参考条件，分别计算第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据。

其中，海量用户历史操作数据和第一用户的个性化状态信息的含义已介绍，不再赘述，下面介绍行程成本数据。

所谓的行程成本数据，至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

结合上述不同的数据内容及相应的权重，可以得到行程成本数据，例如：

行程成本数据＝距离成本数据×权重1+开销成本数据×权重2+时间成本数据×权重3；其中，各类权重可以根据APP中默认值预先配置，也可以由第一用户根据自身喜好自行配置，在此不再赘述。

行程成本数据反映了到达各个景点所花费的成本，因此，参考行程成本数据进行景点推荐，可以得到最节约成本的推荐结果。

由于预设的参考条件中可以包括海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据中的一种或任意组合(具体由终端设备按照默认值配置或由第一用户自行配置)，因此，在基于参考条件计算上述各类推荐相关度时，可以采用但不限于以下方式：

终端设备可以将上述参考条件中包含的信息(无论选取了一种或多种组合)作为输入参量，建立隐马尔科夫模型(HMM)，再基于HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算第一目的地对应的各个景点与第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

例如，以最简化的方式举例，可以采用以下方式计算两地之间(第一目的地和景点之间、景点与景点之间)的推荐相关度。

推荐相关度＝海量用户历史操作数据×权重A+第一用户的个性化状态信息×权重B+行程成本数据×权重C。

如，假设第一用户在景点一、需要前往景点二，而海量用户历史操作数据具体化为“好评率”，第一用户的个性化状态信息具体化为“偏好人文景点”，行程成本数据具体化为“花费时间”，则此时，景点一到景点二的推荐相关度可以表达为：W＝好评率80％×权重A+景点二人文景点指数90％×权重B+游览4小时×权重C。

当然，较佳的，任意两地之间的推荐相关度是双向的，即A－>B的推荐相关度，和，B－A的推荐相关度可以不一样，因此，较佳的，为了更为直观地标注出两地之间的推荐相关度，可以基于第一目的地搭建一个包含有相关景点的网络拓扑图，具体如图2所示。

采用这种方式，可以计算任意两个地点之间的推荐相关度。

那么，在执行步骤110后，终端设备可以获得第一目的地和各个景点之间的推荐相关度，以及各个景点之间的推荐相关度，那么，在步骤120中，终端设备将各类推荐相关度呈现给第一用户，第一用户可以结合自身喜好，从第一目的地开始，按照各类推荐相关度，依次选取需要参观的景点，终端设备会将这些景点的名称一一记录，并生成对应第一目的地的第一行程。

例如，假设根据第一用户的选取结果生成的第一行程为：

第一目的地->景点3－景点2－景点1；其中，进一步地，为了便于第一用户使用，除了在第一行程中按照参观顺序记录各个景点的景点名称，较佳的，还可以结合海量用户历史操作数据，在第一用户点击景点名称时，呈现各个景点的简介以及景点评价，进一步方便第一用户使用。

基于上述实施例，较佳的，终端设备在确定了第一用户的第一目的地后，进一步地，可以继续基于上述参考条件，分别计算第一目的地与各个其他目的地之间的推荐相关度并呈现给第一用户，根据第一用户的选择确定第二目的地，然后，再基于上述参考条件，分别计算第二目的地对应的各个景点与所述第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第二行程；将第一行程和第二行程进行合并。

实际应用中，终端设备可以在确定第一用户的第一目的地后，立即采用上述方式向第一用户推荐其他目的地，以确定第二目的地，待第一目的地和第二目的地确定完毕后，再分别针对第一目的地生成第一行程，针对第二目的地生成第二行程；或者，终端设备可以在生成第一行程后，再采用上述方式向第一用户推荐其他目的地，以确定第二目的地，然后，再针对第二目的地生成第二行程；即第一行程和第二行程的生成顺序可以是串行逻辑关系，也可以是并行逻辑关系。

当然，也可以采用相同方式继续确定第三目的地从而制定第三行程、确定第四目的地从而制定第四行程等等，同理，第三行程、第四行程的制定过程和第一行程、第二行程可以是串行逻辑关系，也可以是并行逻辑关系，在此不再赘述。

总之，若制定了多个阶段性行程(即第一行程、第二行程……)，终端设备需要将所有阶段性行程进行合并，以确保行程的完整性。

进一步的，在第一用户按照制定的行程计划结束旅行后，会针对此行程计划进行反馈，如，对景点进行评价，对游览顺序进行评价、对旅行成本进行评价等等，较佳的，终端设备需要采用机器学习方式，基于第一用户的反馈信息，对上述预设的参考条件进行实时更新，即按照反馈信息，对海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据中相对应的内容进行实时更新。

下面采用一个具体的应用场景对上述实施例作出进一步详细说明。

参阅图3所示，本发明实施例中，将目的地称为MDD，指能够浏览的城市，例如，北京，天津，大同；将景点称为POI，指MDD下可以游玩一段时间的景点(一般不超过一天)的景点，例如，故宫，长城，颐和园。

如图3所示，score表示推荐相关度，取值越高表示越值得推荐，为了便于介绍，本发明实施例中，假设计算score所使用的参考条件中仅包括行程成本数据，即Score＝k1*distance+k2*time+k3*price，其中，k1代表距离成本数据(distance)在计算推荐相关度时所占的权重，k2代表时间成本数据(time)在计算推荐相关度的权重，k3代表开销成本数据(price)在计算推荐相关度所占的权重。k1，k2，k3根据模型训练得出。

例北京-天津：

Score＝k1*distance+k2*time+k3*price其中，score表示相关度系数，k1代表距离在计算相关度时所占的权重，k2代表时间成本在计算相关度的权重，k3代表价格在计算相关度所占的权重。k1，k2，k3根据模型训练得出。

图3中score_mdd_1至score_mdd_6代表不同目的地之间的推荐相关度；score_mdd_poi_1至score_mdd_poi_6代表一个目的地到其下不同景点之间的推荐相关度；score_poi_1至score_poi_6代表同一个目的地下不同景点之间的推荐相关度；

以目的地和景点为节点，以推荐相关度为有向图中的权值，组成如图3所示的各个目的地之间，目的地与景点之间，以及同一目的地下不同景点之间的网络拓扑。例如，北京到天津的推荐相关度记为score_mdd_5，天津到北京的推荐相关度记为score_mdd_6，北京到故宫的推荐相关度记为score_mdd_poi_3，故宫到北京的推荐相关度记为score_mdd_poi_4，故宫到长城的推荐相关度记为score_poi_5，长城到故宫的推荐相关度记为score_poi_6。

假设第一用户选定北京为第一目的地，终端设备根据北京与其他目的地推荐相关度的高低列出一个列表，如：1、天津，2、大连，3、石家庄……，假设其中天津对应的score_mdd_5的取值最高，因此，第一用户选择了天津作为第二目的地，同理，假设第一用户采用相同方式选取了大同为第三目的地，那么，当前的目的地集合为：北京－>天津－>大同。

接着，第一用户在以北京为第一目的地进行更细致的旅程规划，此时，终端设备按照第一目的地下不同景点的推荐相关度，列出一个列表，假设推荐相关度取值从大到小的顺序为score_mdd_poi_1(长城)>score_mdd_poi_6(颐和园)>score_mdd_poi_3(故宫)，因此，第一用户选择score最高的长城作为第一个景点。

当第一用户选择长城后，继续列出长城与其他不同景点之间的推荐相关度列表，选取推荐相关度最高的下一个景点，如，故宫。

第一用户结束选择后，终端设备生成北京对应的第一行程：北京－>长城－>故宫。

同理，第一用户可以继续针对天津生成第二行程，针对大同生成第三行程，再将第一行程、第二行程和第三行程进行合并。

如果第一用户后续输入了相关的反馈信息，则可以将基于反馈信息对相关模型作出进一步优化。

参阅图4所示，本发明实施例中，用于行程规划的装置至少包括确定单元40、处理单元41和生成单元42：

确定单元40，用于至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地；

处理单元41，用于基于预设的参考条件，分别计算第一目的地对应的各个景点与第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据。

生成单元42，用于将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第一行程。

较佳的，根据第一用户的实时操作行为，确定第一用户出行的第一目的地时，确定单元40用于：

根据第一用户输入的目的地名称确定第一用户的第一目的地；

或者；

至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

较佳的，海量用户历史操作数据中至少包括第一设定时间范围内，海量用户对各个目的地以及各个景点的评估数据；

第一用户的个性化状态息中至少包括以下信息中的一种或组合：第一用户的实时行程浏览记录和第一用户当前的地理位置；

行程成本数据中至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

较佳的，基于预设的参考条件，分别计算第一目的地对应的各个景点与第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度时，处理单元41具体用于：

将参考条件中包含的信息作为输入参量，建立隐马尔科夫模型HMM，基于HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算第一目的地对应的各个景点与第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

较佳的，确定第一用户出行的第一目的地的后，处理单元41进一步用于：

基于参考条件，分别计算第一目的地与各个其他目的地之间的推荐相关度并通过生成单元42呈现给第一用户，根据第一用户的选择确定第二目的地；

基于参考条件，分别计算第二目的地对应的各个景点与第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度通过生成单元42呈现给第一用户，由生成单元根据第一用户的景点选取结果生成相应的第二行程；

将第一行程和第二行程进行合并。

较佳的，处理单元41进一步用于：

根据第一用户结束行程后输入的反馈信息，对参考条件中相应的内容进行实时更新。

综上所述，本发明实施例中，终端设备针对第一用户选定的目的地，结合海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据中的一种或任意组合，分别计算目的地对应的各个景点与所述目的地之间的推荐相关度，以及各个景点之间的推荐相关度，然后将计算获得的各类推荐相关度呈现给第一用户，并根据第一用户的景点选取结果生成相应的第一行程；这样，可以结合用户喜好、海量用户的评价和行程成本中的任意一种或组合元素，来推荐相关景点，以便规划出相对合理的行程计划，大大提高了行程规划的准确性，也提升了行程规划的效率，降低了操作难度，从而有效提升了用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种行程规划的方法，其特征在于，包括：

至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地；

基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，所述预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据；

将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第一行程。

2.如权利要求1所述的方法，其特征在于，根据第一用户的实时操作行为，确定第一用户出行的第一目的地，包括：

根据第一用户输入的目的地名称确定第一用户的第一目的地；

或者

至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

3.如权利要求1或2所述的方法，其特征在于，所述海量用户历史操作数据中至少包括第一设定时间范围内，海量用户对各个目的地以及各个景点的评估数据；

所述第一用户的个性化状态息中至少包括以下信息中的一种或组合：所述第一用户的实时行程浏览记录和所述第一用户当前的地理位置；

所述行程成本数据中至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

4.如权利要求1、2或3所述的方法，其特征在于，基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度，包括：

将所述参考条件中包含的信息作为输入参量，建立隐马尔科夫模型HMM，基于所述HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

5.如权利要求1、2或3所述的方法，其特征在于，确定第一用户出行的第一目的地的后，进一步包括：

基于所述参考条件，分别计算所述第一目的地与各个其他目的地之间的推荐相关度并呈现给第一用户，根据第一用户的选择确定第二目的地；

基于所述参考条件，分别计算所述第二目的地对应的各个景点与所述第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第二行程；

将第一行程和第二行程进行合并。

6.如权利要求5所述的方法，其特征在于，进一步包括：

根据第一用户结束行程后输入的反馈信息，对所述参考条件中相应的内容进行实时更新。

7.一种行程规划的装置，其特征在于，包括：

确定单元，用于至少基于第一用户的实时操作行为，确定第一用户出行的第一目的地；

处理单元，用于基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度：其中，所述预设的参考条件至少包括以下信息中的至少一种或任意组合：海量用户历史操作数据、第一用户的个性化状态信息和行程成本数据；

生成单元，用于将计算获得的各类推荐相关度呈现给第一用户，根据第一用户的景点选取结果生成相应的第一行程。

8.如权利要求7所述的装置，其特征在于，根据第一用户的实时操作行为，确定第一用户出行的第一目的地时，所述确定单元用于：

根据第一用户输入的目的地名称确定第一用户的第一目的地；

或者；

至少基于以下信息中的一种或组合，确定第一用户的第一目的地：海量用户历史操作数据和第一用户的个性化状态信息。

9.如权利要求7或8所述的装置，其特征在于，所述海量用户历史操作数据中至少包括第一设定时间范围内，海量用户对各个目的地以及各个景点的评估数据；

所述第一用户的个性化状态息中至少包括以下信息中的一种或组合：所述第一用户的实时行程浏览记录和所述第一用户当前的地理位置；

所述行程成本数据中至少包括以下信息中的一种或任意组合：距离成本数据、开销成本数据和时间成本数据。

10.如权利要求7、8或9所述的装置，其特征在于，基于预设的参考条件，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度时，所述处理单元具体用于：

将所述参考条件中包含的信息作为输入参量，建立隐马尔科夫模型HMM，基于所述HMM，采用皮尔森相关系数算法或者Apriori算法，分别计算所述第一目的地对应的各个景点与所述第一目的地之间的推荐相关度，以及各个景点之间的推荐相关度。

11.如权利要求7、8或9所述的装置，其特征在于，确定第一用户出行的第一目的地的后，所述处理单元进一步用于：

基于所述参考条件，分别计算所述第一目的地与各个其他目的地之间的推荐相关度并通过所述生成单元呈现给第一用户，根据第一用户的选择确定第二目的地；

基于所述参考条件，分别计算所述第二目的地对应的各个景点与所述第二目的地之间的推荐相关度，以及各个景点之间的推荐相关度，将计算获得的各类推荐相关度通过所述生成单元呈现给第一用户，由所述生成单元根据第一用户的景点选取结果生成相应的第二行程；

将第一行程和第二行程进行合并。

12.如权利要求11所述的装置，其特征在于，所述处理单元进一步用于：

根据第一用户结束行程后输入的反馈信息，对所述参考条件中相应的内容进行实时更新。