CN106197444A - 一种路线规划方法、系统 - Google Patents

Abstract

本发明公开了路线规划系统、方法，系统包括：数据采集单元，用以采集可供用户选择去处信息；数据分类评价单元，用以按照用户数据采集单元中去处信息得到选择偏好并进行重新分类；偏好获取单元，用以获取用户的出行偏好；规划单元，用以通过路线构建算法生成定制化出行路线；可视化单元，用以根据偏好获取单元中的出行偏好和数据分类评价单元中的分类，在规划单元选择出最优的出行路线规划进行推荐。本发明能够根据用户自身偏好，结合时间、地点及场景，自动生成适用于城市短程休闲出行路线的行程规划路线。帮助用户在海量的旅游休闲出行数据中选择适合资讯，并根据用户自身的出行需求，快速规划出最优城市短程休闲出行路线，为用户节省时间和精力。

Description

一种路线规划方法、系统

技术领域

本发明涉及推荐方法，特别涉及路线规划方法及系统。

背景技术

随着经济社会的发展和物质生活水平的提高，民众在精神文化需求迅速增长的同时，对旅游休闲出行方式的追求也在变得越来越多样化。互联网的高度发展，促生了许多在旅游休闲出行的领域为人们提供相关服务的互联网平台服务商。人们不仅可以在Web上搜索到一些由这些平台服务商以PGC形式产出的行程建议，用户也非常习惯通过社交网络服务来分享他们的旅游和休闲出行经验。然而这些千篇一律的出行攻略和Web上单一的信息服务并不能充分满足用户在做实际出行行程规划时需求。PGC是(Professional GeneratedContent)，互联网术语，是指专业生产内容(视频网站)、专家生产内容(微博)等。

一般来说，大多数人在探访旅游或休闲出行目的地时，不仅需要根据他们偏好和兴趣找到有趣的去处，还需要将这些去处结合成可供他们参观浏览的实际路线。虽然在Web上不难通过社交平台，新媒体渠道以及旅游和休闲出行领域的互联网服务平台商获取包含用户评论和评分的去处信息，但是在这些海量的数据中选择适合用户的资讯，再根据用户自己的出行需求规划出行路线，却无疑要耗费用户大量的时间和精力。

另外一方面，在游玩过程中导航系统虽然能够根据用户所在位置，帮助用户生成耗时最短的路径到达某个目的地，但却基本不会把用户感兴趣的比如，沿线名胜古迹考虑在行程规划中。

所以现有相关的旅游休闲出行推荐系统通常只推荐单一去处，而不是完整的出行路线。部分相关领域的网络服务平台商或许能够通过系统帮助用户规划出行计划，包括短程的城市出行或创建更为长途的旅行，但这些系统大多是基于非常简单的匹配算法来找出那些用户可能感兴趣的去处，并将其组合在一起生成行程单。而实现更复杂的定制化行程规划功能确实是很具有挑战性的。比如，其中一个比较知名的针对旅行行程设计问题(Tourist Trip Design Problem,TTDP)的优化问题是：定向问题(Orienteering Problem，OP)。在这个优化问题里，需要解决的是如何能够在一个限定的时间成本里访问几个地点，并且在每个地点只能访问一次的前提下如何规划一个行程，使得行程所获得的整体成本能够最小化。

发明内容

本发明要解决的技术问题是，能够根据用户自身偏好，结合时间、地点及场景，自动生成适用于城市短程休闲出行路线的行程规划。

在路线规划系统的使用场景中，用户可以在客户端应用输入自己的偏好，以及需要规划行程的起点和终点，系统就能够为用户制定出包含了用户会感兴趣的去处的出行路线。不仅如此，当用户可能希望多花一些时间在沿途上发现新的感兴趣的去处时，系统能够及时针对已规划的，最高效的路线，自动调整并建议出一些用户能够接受的合理的改道路线。

解决上述技术问题，本发明提供了一种路线规划系统，包括：

数据采集单元，用以采集可供用户选择的去处信息；

数据分类评价单元，用以按照用户的所述数据采集单元中的去处信息得到选择偏好并进行重新分类；

偏好获取单元，用以获取用户的出行偏好；

规划单元，用以通过路线构建算法生成定制化出行路线；

可视化单元，用以根据所述偏好获取单元中的出行偏好和所述数据分类评价单元中的分类，在所述规划单元选择出最优的出行路线规划进行推荐。

更进一步，所述数据分类评价单元，还用以，根据所述重新分类后，得到带有评价分数和点赞数量的去处信息。

更进一步，所述数据分类评价单元中的重新分类具体为：

{风景展馆，夜生活，美食，户外休闲，活动，逛店}。

更进一步，所述数据采集单元与服务商的API接口连接，用以作为去处信息的数据采集来源。

更进一步，系统还包括应用程序组件，用以提供所述偏好获取单元中的出行偏好的数据入口。

更进一步，所述规划单元包括：CFB算法模块，用以通过无约束条件(CFB，Constraint Free Based)路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，构建出行路线，并将路线规划发送给所述可视化单元。

更进一步，所述规划单元还包括：CBB算法模块，用以通过约束条件(CBB，Constraint Based)路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，并基于用户约束条件构建出行路线，并将路线规划发送给所述可视化单元。

基于上述，本发明还提供一种路线规划方法，包括：

采集可供用户选择的去处信息，然后按照所述用户的去处信息得到选择 偏好并进行重新分类；所述分类后得到至少包括评分的去处信息；

获取用户的出行偏好，通过路线构建算法生成定制化出行路线；

根据所述出行偏好和分类，选择出最优的出行路线规划进行推荐。

更进一步，获取用户的出行偏好时通过应用程序接口，向WEB服务器发出请求，并响应用户出行偏好的结果。

更进一步，选择出最优的出行路线规划的方法为，

通过CFB无约束条件算法，根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

所述推荐值计算方法为：

所述路线的总长度为该路线所包含的所有去处之间距离的总和数，

再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处，则选择出最优的出行路线规划；

或者，

通过CBB约束条件算法，根据用户提供的约束条件，进行路线规划；

根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处；若路线在约束条件内，则计算出能够符合所述约束条件的最佳路线规划

本发明的有益效果：

1)由于本发明中的路线规划系统，包括数据采集单元，用以采集可供 用户选择的去处信息；包括但不限于通过从旅游和休闲出行相关的社交平台，专题网站中采集可供用户选择的去处信息。数据分类评价单元，用以按照用户的所述数据采集单元中的去处信息得到选择偏好并进行重新分类；系统会将这些采集到的去处，根据数据来源中用户对该去处的评论和评分进行打分和归类，并将分类后的结果储存到数据库。偏好获取单元，用以获取用户的出行偏好；用户可以在客户端应用输入自己的行程偏好，以及需要规划行程的起点和终点，系统就能够为用户制定出包含了用户会感兴趣的去处的最佳出行路线。规划单元，用以通过路线构建算法生成定制化出行路线；可视化单元，用以根据所述偏好获取单元中的出行偏好和所述数据分类评价单元中的分类，在所述规划单元选择出最优的出行路线规划进行推荐。本系统能够根据用户自身偏好，结合时间、地点及场景，自动生成适用于城市短程休闲出行路线的行程规划系统。系统帮助用户在海量的旅游休闲出行数据中选择适合资讯，并根据用户自身的出行需求，快速规划出最优的城市短程休闲出行路线，为用户节省了大量的时间和精力。

2)由于本发明的一种路线规划方法，包括了：采集可供用户选择的去处信息，然后按照所述用户的去处信息得到选择偏好并进行重新分类；所述分类后得到至少包括评分的去处信息；获取用户的出行偏好，通过路线构建算法生成定制化出行路线；根据所述出行偏好和分类，选择出最优的出行路线规划进行推荐。能够根据用户自身偏好，结合时间、地点及场景，自动生成适用于城市短程休闲出行路线的行程规划。采用本发明中的在路线规划方法，用户可以在客户端应用输入自己的偏好，以及需要规划行程的起点和终点，就能够为用户制定出包含了用户会感兴趣的去处的出行路线。不仅如此， 当用户可能希望多花一些时间在沿途上发现新的感兴趣的去处时，系统能够及时针对已规划的，最高效的路线，自动调整并建议出一些用户能够接受的合理的改道路线。

3)本发明中的规划单元包括：CFB算法模块，CBB算法模块，协同构建出最佳路线构建算法，根据所述出行偏好和分类，选择出最优的出行路线规划进行推荐。

附图说明

图1是本发明一实施例中的路线规划系统的结构示意图。

图2是图1中的规划单元中的结构示意图。

图3是本发明一实施例中的路线规划方法流程示意图。

图4是图3中的最优出行路线规划的CFB算法流程示意图。

图5是图3中的最优出行路线规划的CBB算法流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明一实施例中的路线规划系统的结构示意图。

一种路线规划系统10，包括：

数据采集单元101，用以采集可供用户选择的去处信息；本领域技术人员能够明了，可以采用数据挖掘的方法，从旅游和休闲出行相关的社交平台，专题网站中采集可供用户选择的去处信息，并对数据进行分类储存。

在一些实施例中，通过一个专题WEB数据挖掘器，对WEB中的数据进行 挖掘。

在一些实施例中，采用网络爬虫从旅游和休闲出行相关的社交平台，专题网站中得到，所述网络爬虫包括但不限于，Larbin、Nutch、Heritrix、WebSPHINX、Mercator、PolyBot。本技术人员能够明了，比如，Larbin，可以获取/确定单个旅游/休闲网站的所有链接，还包括镜像一个旅游/休闲网站、或者建立url列表群。Nutch，通过WebDB用以存储的是爬虫所抓取网页之间的链接结构信息，WebDB内存储了两种实体的信息:page和link。Page实体通过描述网络上一个网页的特征信息来表征一个实际的网页，因为网页有很多个需要描述，WebDB中通过网页的URL和网页内容的MD5两种索引方法对这些网页实体进行了索引。Page实体描述的网页特征主要包括网页内的link数目，抓取此网页的时间等相关抓取信息，对此网页的重要度评分等，针对金融资讯行业特殊的数据，能够抓取得到更有效的信息。Heritrix，在预定的用于标识某一互联网资源名称的字符串URI中选择一个，之后获取URI进行分析，归档结果，选择已经发现的感兴趣的“旅游/休闲”URI，加入预定队列，之后再标记已经处理过的URI。比如PolyBot，由一个爬虫管理者,一个或多个下载者，和一个或多个域名系统服务器DNS解析者组成，通过将抽取到的URL被添加到硬盘的一个队列里面,然后使用批处理的模式处理这些URL。

在一些实施例中，所述数据采集单元101与服务商的API接口连接，用以作为去处信息的数据采集来源。API接口的网络服务平台商，比如百度地图和大众点评等，提供给开发者的开放API接口也可以是去处信息的重要数据来源。

上述数据采集单元101至少包括如下的有益效果：通过社交平台，新媒体渠道以及旅游和休闲出行领域的互联网服务平台商获取包含用户评论和评分的去处信息，从上述海量数据中选择适合用户的资讯。

数据分类评价单元103，用以按照用户的所述数据采集单元中的去处信息得到选择偏好并进行重新分类；虽然这些采集到的去处信息可能已经有默认分类数据，但这些默认的分类通常太过于具体，因此在本实施例中需要将这些去处重新分成更精简的六大类别，方便用户在选择偏好时使用。

在一些实施例中，所述数据分类评价单元，还用以，根据所述重新分类后，得到带有评价分数和点赞数量的去处信息。

更进一步，所述数据分类评价单元中的重新分类具体为：

{风景展馆，夜生活，美食，户外休闲，活动，逛店}。即这六大类分别是：风景展馆，夜生活，美食，户外休闲，活动，逛店和其他。用户可以在构建出行路线的时候针对这几类的实际需求给予从0到5的偏好权重，其中0代表最不需要，5代表最需要。在所有的去处都被采集并分类之后，会进一步对这些去处信息进行评分。在这里，这些去处相关的数据不仅包含了名称，分类，所属商圈，地理位置等信息，还包含了数据来源平台中用户对该去处的评论，评分，点赞等数据。接下来会根据每个去处的点赞数量和评分计算出该去处的评价分数结果并储存到数据库。如果一个去处的评价分数太低，则表示了该去处的关注度不够高，这些数据就不会被保留在数据库里。

偏好获取单元102，用以获取用户的出行偏好；可以通过客户端应用等获取用户的出行偏好，包括出行场景，行程所需要包含的去处分类，需要规划行程的起点和终点，时间及预算等。比如出行场景为海边沙滩椰风海韵， 又比如出行场景为历史建筑欧洲古堡，再比如出行场景为游乐园/主体公园。行程中的去处分类，包括但不限于，美食街/夜市，酒馆/酒吧/居酒屋，咖啡馆，集市，跳蚤市场，购物街/商圈，购物中心，购买日用品，博物馆，海鲜，酒吧，面包糕点，时尚购物，当地特色美食，早午餐，表演场所，午餐，主题活动日，甜点，素食，建筑，纪念品，音乐节，公园/植物园，游客去处，教堂，西餐，牛排，寿司，日本料理，观光，观光路线，披萨，时尚风格，厨房，烧烤，服饰/鞋帽，学校，泰式料理，岛屿，艺术馆/展览中心，艺术文化节/展览，泰国菜，食品，广场，纪念碑/雕塑/喷泉，晚餐宫殿/城堡，寺庙，名人故居/纪念馆，夜店主题，适合徒步，国家公园，冰淇淋，观景台，手工艺品，体育活动，同事礼物，名牌，早餐，豪华，度假村，水上运动，法式，历史遗址，主题公园/游乐场/民俗村等等。

上述数据分类评价单元103至少包括如下的技术效果：根据用户自身偏好，结合{时间、地点、场景}，对用户的去处信息进行重新分类，得到带有评分分数和点赞数量的去处信息。比如：

在一些实施例中，路线规划系统还包括应用程序组件，用以提供所述偏好获取单元中102的出行偏好的数据入口。

规划单元104，用以通过路线构建算法生成定制化出行路线；在规划单元104中使用了两个版本的算法:无约束条件(CFB)及基于特定约束条件(CBB)的路线构建算法。CFB算法能够让组件在不考虑用户偏好的基础上快速构建一个有效的出行路线，而CBB算法会将用户所需要的特定约束条件，如时间和预算，作为路线构建算法考虑的因素。每个算法都有单独的算法模块。

上述规划单元104至少包括如下的有益效果：CBB算法会将用户提出的特定约束条件，如时间和预算，考虑进路线规划中；CFB算法会保证所规划出的路线不能超过预期花费时间和预算，而不能满足条件的潜在路线规划会被否决，直至计算出能够符合该条件的最佳路线规划。

可视化单元105，用以根据所述偏好获取单元中的出行偏好和所述数据分类评价单元中的分类，在所述规划单元104选择出最优的出行路线规划进行推荐。可视化单元105根据规划单元104中最优路线构建功能组件就能够根据这些偏好推荐出最优路线规划，并由可视化单元105展示给目标用户。比如，当用户希望多花一些时间在沿途上发现新的感兴趣的去处时，偏好获取单元102也能够及时针对输入的用户偏好数据进行调整，并通过规划单元104中的最优路线构建功能组件进行调整，把调整后建议出一些用户能够接受的合理的改道路线，再通过路线可视化单元105展示给目标用户。

在一些实施例中，所述可视化单元105会根据地图或列表的形式，将路线通过客户端应用展示给用户。

在一些实施例中，所述可视化单元105的载体包括但不限于，智能手机、智能手表、平板电脑等。

上述可视化单元105至少包括如下的有益效果：能够及时针对输入的用户偏好数据进行调整，并通过规划单元104中的最优路线构建功能组件进行调整，把调整后建议出一些用户能够接受的合理的改道路线，再通过路线可视化单元105展示给目标用户。可视化单元105的显示方式包括但不限于，地图或者列表的方式。

图2是图1中的规划单元中的结构示意图。

所述规划单元104包括：CFB算法模块1041，用以通过CFB无约束条件路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，构建出行路线，并将路线规划发送给所述可视化单元。CFB算法模块1041所使用的无约束条件路线构建算法能够基于数据采集单元101中所获取到的去处数据和用户偏好设置模块102获得的用户偏好数据，在不考虑用户特定约束条件的基础上，快速构建一个有效的出行路线，并将路线规划发送给路线可视化单元105，并展示给目标用户。

具体地，无约束条件(CFB)路线构建算法是一种基于著名的狄克斯特拉(Dijkstra)算法的改进型算法。狄克斯特拉算法是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题。对应地，顶点是有有效评价分数的去处信息，而连接各顶点的边，就是各去处间的物理距离。因此，CFB算法会先统计出数据采集单元101中获取到所有的去处之间的物理距离和每一个去处的评价分数，再在这基础上计算出每条潜在路线的推荐值。在CFB算法里，路线的推荐值就是该路线所包含的所有去处的评价分数的总和，再除以该路线的总长度，也就是该路线所包含的所有去处之间距离的总和。接着，CFB算法会根据起点到另一个去处的路线的推荐值，找到可 以走遍一个包含一定数量的去处子集中所有去处的但总推荐值最大的路线。

由于数据分类评价单元101在将所有有效去处分成六大类({风景展馆，夜生活，美食，户外休闲，活动，逛店})的时候，不可避免的会出现某些类别(例如，美食类)的去处数据会多过于其他类别。这样会造成的一个结果就是，即使用户在让系统规划路线前，已经在偏好获取单元102将这个类别的偏好权重设定比较低，但是还是会不可避免的在规划的路线中出现过多该类别的去处。在CFB算法里，则通过计算每个分类里的去处和用户所偏好的分类之间的相关系数来解决这样的问题。这个相关系数的取值范围为-1(绝对负相关)到1(绝对正相关)。当系数为0的时候表示这两个数据集之间完全没有任何关联。

因此，在本实施例中用计算相关系数的方法来解决这个问题的思路是这样的:如果一个类别比另一个类比的偏好权重高两倍，那么第一个类别里的去处在规划路线里出现的数量应该是第二个类别去处数量的两倍。然而现实中，能用于路线规划的去处数量还是取决于该规划路线地区所拥有的去处的总量。从计算出的相关系数能够得知，如果在每个类别里的去处数量是否与每个去处产生相关性，还有是否与每个用户的偏好产生相关性。因此，相关系数会被用于调整每条路线中所包含所有去处的评价分数总和，并且能够提高用户偏好分类中的去处的价值。

所述规划单元还包括：CBB算法模块1042，用以通过CBB约束条件路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，并基于用户约束条件构建出行路线，并将路线规划发送给所述可视化单元。

具体地，基于特定约束条件(CBB)算法是相对于CFB算法的路线构建算法。CBB算法会将用户提出的特定约束条件，如时间和预算(比如：时间，3天，预算2万；时间5天，预算3万；时间1天，预算2千。)，考虑进路线规划中。这也是其唯一不同于无约束条件(CFB)算法的地方。在算法的核心部分，算法的运作原理与上述的CFB算法一致。当用户在客户端应用程序中通过偏好获取单元102将特定的约束条件，例如路线预期花费时间和预算，作为参数传给CBB算法模块(132)，该算法会在CFB算法推导出的路线基础上进行进一步筛选。也就是说，规划单元104会保证所规划出的路线不能超过预期花费时间和预算，而不能满足条件的潜在路线规划会被否决，直至计算出能够符合该条件的最佳路线规划。

图3是本发明一实施例中的路线规划方法流程示意图。

在本实施例中的一种路线规划方法，包括：

步骤S100采集可供用户选择的去处信息，然后按照所述用户的去处信息得到选择偏好并进行重新分类；

作为本实施例中的优选，所述去处信息包括但不限于，评价分数和点赞数量

作为本实施例中的优选，所述去处信息从出行/休闲网站，旅行专题网站，旅游论坛，社交服务平台中获得。

作为本实施例中的优选，所述旅行专题网站包括但不限于，携程旅游网、去哪旅游网、艺龙旅游网、途牛旅游网、驴妈妈旅游网、蚂蜂窝、穷游网。

作为本实施例中的优选，所述社交服务平台包括但不限于，新浪微博、微信、Facebook等。

步骤S101所述分类后得到至少包括评分的去处信息；

作为本实施例中的优选，评分的去处信息根据：{风景展馆，夜生活，美食，户外休闲，活动，逛店}按照重新分类后进行打分。

作为本实施例中的优选，评分的去处信息按照：用户可以在构建出行路线的时候针对这几类的实际需求给予从0到5的偏好权重，其中0代表最不需要，5代表最需要。在所有的去处都被采集并分类之后，会进一步对这些去处信息进行评分。

步骤S102获取用户的出行偏好，通过路线构建算法生成定制化出行路线；

作为本实施例中的优选，用户的出行偏好包括但不限于：时间、地点及场景。

作为本实施例中的优选，路线构建算包括但不限于，CFB无约束条件路线构建算法和和/或通过CBB约束条件路线构建算法。

作为本实施例中的优选，所述定制化出行路线包括但不限于，用户偏好，当用户可能希望多花一些时间在沿途上发现新的感兴趣的去处时，系统能够及时针对已规划的，最高效的路线，自动调整并建议出一些用户能够接受的合理的改道路线。

作为本实施例中的优选，结合时间、地点及场景，自动生成适用于城市短程休闲出行路线的行程规划。

步骤S103根据所述出行偏好和分类，选择出最优的出行路线规划进行推荐。

在一些实施例中，获取用户的出行偏好时通过应用程序接口，向WEB服 务器发出请求，并响应用户出行偏好的结果。

图4是图3中的最优出行路线规划的CFB算法流程示意图。

在一些实施例中，选择出最优的出行路线规划的方法为，

步骤S200通过CFB无约束条件算法，根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

步骤S201所述推荐值计算方法为：

步骤S202所述路线的总长度为该路线所包含的所有去处之间距离的总和数，

步骤S203再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处，则选择出最优的出行路线规划。

图5是图3中的最优出行路线规划的CBB算法流程示意图。

步骤S300通过CBB约束条件算法，根据用户提供的约束条件，进行路线规划；

步骤S301根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

步骤S302再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处；若路线在约束条件内，则计算出能够符合所述约束条件的最佳路线规划。

所属领域的普通技术人员应当理解：以上，所述仅为本发明的具体实施 例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种路线规划系统，其特征在于，包括：

数据采集单元，用以采集可供用户选择的去处信息；

数据分类评价单元，用以按照用户的所述数据采集单元中的去处信息得到选择偏好并进行重新分类；

偏好获取单元，用以获取用户的出行偏好；

规划单元，用以通过路线构建算法生成定制化出行路线；

可视化单元，用以根据所述偏好获取单元中的出行偏好和所述数据分类评价单元中的分类，在所述规划单元选择出最优的出行路线规划进行推荐。

2.根据权利要求1所述的路线规划系统，其特征在于，所述数据分类评价单元，还用以，根据所述重新分类后，得到带有评价分数和点赞数量的去处信息。

3.根据权利要求2所述的路线规划系统，其特征在于，所述数据分类评价单元中的重新分类具体为：

{风景展馆，夜生活，美食，户外休闲，活动，逛店}。

4.根据权利要求1所述的路线规划系统，其特征在于，所述数据采集单元与服务商的API接口连接，用以作为去处信息的数据采集来源。

5.根据权利要求1所述的路线规划系统，其特征在于，还包括应用程序组件，用以提供所述偏好获取单元中的出行偏好的数据入口。

6.根据权利要求1所述的路线规划系统，其特征在于，所述规划单元包括：CFB算法模块，用以通过CFB无约束条件路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，构建出行路线，并将路线规划发送给所述可视化单元。

7.根据权利要求6所述的路线规划系统，其特征在于包括，所述规划单元还包括：CBB算法模块，用以通过CBB约束条件路线构建算法，根据所述数据采集单元中获取到的用户去处数据以及偏好获取单元中获得的用户出行偏好，并基于用户约束条件构建出行路线，并将路线规划发送给所述可视化单元。

8.一种路线规划方法，其特征在于包括：

采集可供用户选择的去处信息，然后按照所述用户的去处信息得到选择偏好并进行重新分类；所述分类后得到至少包括评分的去处信息；

获取用户的出行偏好，通过路线构建算法生成定制化出行路线；

根据所述出行偏好和分类，选择出最优的出行路线规划进行推荐。

9.根据权利要求8所述的路线规划方法，其特征在于，获取用户的出行偏好时通过应用程序接口，向WEB服务器发出请求，并响应用户出行偏好的结果。

10.根据权利要求8所述的路线规划方法，其特征在于，选择出最优的出行路线规划的方法为，

通过CFB无约束条件算法，根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

所述推荐值计算方法为：

所述路线的总长度为该路线所包含的所有去处之间距离的总和数，

再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处，则选择出最优的出行路线规划；

或者，

通过CBB约束条件算法，根据用户提供的约束条件，进行路线规划；

根据出行路线中所包含的所有去处的评价分数的总和得到路线的推荐值；

再根据起点到另一个去处的路线的推荐值，并通过上述推荐值的方法遍历一个去处子集中所有去处；若路线在约束条件内，则计算出能够符合所述约束条件的最佳路线规划。