CN111815057A - 路径行程自动规划方法、系统、设备及存储介质 - Google Patents
路径行程自动规划方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN111815057A CN111815057A CN202010667863.XA CN202010667863A CN111815057A CN 111815057 A CN111815057 A CN 111815057A CN 202010667863 A CN202010667863 A CN 202010667863A CN 111815057 A CN111815057 A CN 111815057A
- Authority
- CN
- China
- Prior art keywords
- city
- path
- route
- user
- poi
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000003016 pheromone Substances 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Abstract
本发明提供了一种路径行程自动规划方法、系统、设备及存储介质,该方法包括以下步骤:接收用户的行程意向信息,根据POI点信息确定用户的行程意向的N个城市;根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息;根据获取N个城市的城市信息规划N个城市的城市间路径;根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;将所述城市间路径和所述城市内路径行程发送至所述用户终端。本发明的路径行程自动规划方法可以实现在控制整体路线耗时最短的目标下,考虑POI点时间窗口、用户可支配时间等因素,达到整体时间最短的目标;保持行程整体上的时间合理性和耗时最短性,给用户一个优质的行程路径行程体验。
Description
技术领域
本发明涉及互联网领域,具体地说,涉及一种路径行程自动规划方法、系统、设备及存储介质。
背景技术
当代社会迅猛发展,人们的生活节奏加快,很难抽出时间详细研究出游相关的问题。在人们旅行出游的场景中,丰富且数量庞大的地理兴趣点(Point of Information,POI)使用户眼花缭乱,耗费了大量时间选择期望游览的POI点后,再花费时间去进行合理且个性化的行程规划就有点强人所难了。因此,自动的行程规划就显得十分必要。
旅行商问题(Traveling Salesman Problem,TSP)是一个经典的组合优化问题,也是行程规划场景的主要问题,即给定N个地点,找到一条使得整条路线出行成本最低、行程最短或行程最快。
传统的旅行商问题可以通过基础算法类的深度优先搜索算法、广度优先搜索算法、动态规划算法等,启发式搜索算法如贪心算法、A星算法、最近插入策略等,又或者用启发式探索算法中的蚁群算法、遗传算法、模拟退火算法、粒子群算法等方法解决,这些方法都是为了通过优化算法找到最短的路径。但是实际的旅程规划中,除了考虑路程距离的长短之外,还需要考虑交通导致的路程耗费的时间、每个地点的停留时间、每个地点的可访问时间、对旅程时间宽松程度的要求和其导致的总自然天数的限制等条件,而前面提到的传统方法无法解决这些问题。针对复杂的要求,又有稍微复杂一点的带约束的路径规划问题,如只能在指定的时间窗口内接收交付或服务调用的时间窗车辆路由问题。但是这类场景仅能满足某一点约束的限制要求,不能同时优化多个关注方向。因此,寻找一种根据POI点考虑多因素自动生成合理行程路径行程的方法就显得十分必要。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有的行程数据多为经典行程,固定行程景点,未将用户的个性化需求引入场景中,本发明提供了一种路径行程自动规划方法、系统、设备及存储介质,实现快速高效率地规划城市间路径和城市内路径行程。
本发明的实施例提供了一种路径行程自动规划方法,该方法包括以下步骤:
S100:从用户终端接收用户的行程意向信息,所述行程意向信息包括用户意向的各个POI点信息;
S200:根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;
S300:根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息;
S400:根据获取N个城市的城市信息规划N个城市的城市间路径;
S500:根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
S600:将所述城市间路径和所述城市内路径行程发送至所述用户终端。
根据本发明的一示例,所述S400:根据获取N个城市的城市信息依据蚁群算法规划N个城市的城市间路径。
根据本发明的一示例,所述城市信息包括城市分数,且所述城市信息还包括城市坐标、城市名称、城市ID或建议停留时间中一种或多种。
根据本发明的一示例,所述S400:根据获取N个城市的城市信息规划N个城市的城市间路径,包括如下步骤:
S410:获取N个城市对应的城市分数;
S420:初始化蚁群算法的参数,所述参数包括蚂蚁数量m、蚁群最大迭代次数、城市数量、信息素挥发因子、信息素浓度、信息素启发因子和期望启发因子;
S430:选择m个蚂蚁,分别放置在各个城市中,
S440:记录其中一只蚂蚁h从某城市为起点出发,计算转移矩阵的概率,并更新禁忌表,其中,h∈(1,m);
S450:根据当前的信息素浓度选择所述城市间路径中的下一个城市;
S460:所述蚂蚁继续行进至所述下一个城市并在路程途中散布信息素;
S470:重复S440~S460步骤直到遍历所有城市,计算各边的信息素量,蚂蚁h死去,记录蚂蚁h走过的各个城市的路径总长度lh;
S480:重复S430~S470,直到每只蚂蚁都有了自己的路径;
从m只蚂蚁走过的路径中选择路径总长度最短的路径记为当前所述城市间路径的最优路径;
当得到路径总长度相同的环线或者达到设定的最大迭代次数时,停止循环,记当前所述城市间路径的最优路径为所述城市间路径的待选路径;
S490:若待选路径为环线路经,将环线路径中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径;若待选路径为非环线路径,选择路径首尾两个城市中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径。
根据本发明的一示例,所述城市信息表还包括各个城市POI点准备字典,所述城市POI点准备字典包括了该城市的各个POI点排名、POI点的行程时间和POI点坐标,且还包括POI点名称、POI点的类型或POI ID中的一种或多种信息。
根据本发明的一示例,所述S500:根据用户的行程意向信息依据约束模型规划每个城市内路径行程,包括如下步骤:
采用如下公式建立约束模型:
约束条件:
其中,
C(V,A),为是距离代价和时间代价转换后的合并转换代价;
V={V0,V1,…Vn},Vo为虚拟出发地;
VC={V1,…Vn}为POI点的集合;
A={(Vi,Vj)},为第i个POI点与第j个POI点之间的路径;
Cij>0,为Vi与Vj之间的转换后时间代价;
所述转换方法如下:tij=Lij/vij;
tij为第i个POI点与第j个POI点之间所花费的路途时长;
Lij为第i个POI点与第j个POI点之间的曼哈顿距离;
求解所述约束模型,获得规划后的每个城市内路径行程。
如果两个POI点之间所述曼哈顿距离Lij≥第一阈值距离,则设定两个POI点之间的vij为自驾车速度;
如果两个POI点之间所述曼哈顿距离第二阈值距离≤Lij<第一阈值距离,则设定两个POI点之间的vij为公共交通工具速度;
如果两个POI点之间所述曼哈顿距离Lij<第二阈值距离,则设定两个POI点之间的vij为步行速度。
根据本发明的一示例,所述城市内路径行程包括在该城市用于行程意向的POI点的到达顺序以及每个POI点的停留时间
本发明的实施例还提供了一种路径行程自动规划系统,用于实现权利上述路径行程自动规划方法的步骤,包括用户模块、第一算法模块、存储模块和第二算法模块,其中:
所述用户模块用于从用户终端接收用户的行程意向信息,所述行程意向信息包括用户的行程意向的各个POI点信息;
所述第一算法模块用于根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;
以及用于根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息,所述城市信息表包括城市信息,所述城市信息表存储于所述存储模块;
所述第一算法模块还用于根据获取N个城市的城市信息规划N个城市的城市间路径;
所述第二算法模块用于根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
所述用户模块还用于将所述城市间路径和所述城市内路径行程发送至用户终端。
本发明的实施例还提供了一种路径行程自动规划设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行所述路径行程自动规划方法的步骤。
本发明的实施例还提供了一种计算机可读存储介质,用于存储程序,所述程序被执行时实现所述路径行程自动规划方法的步骤。
本发明的路径行程自动规划方法采用蚁群算法和运筹学方法,解决目前行程生成以解决旅行商问题为代表,场景较为简单的问题,但是考虑的细节不足的问题。
与现有技术相比,本发明的路径行程自动规划方法可以实现在控制整体路线耗时最短的目标下,考虑POI点特点(POI点的开放时间窗口、POI点所需的游玩时间、POI点之间所花费的路途时长等)、用户可支配时间(用户游玩的天数、用户每天行程可承受的时间)等因素,达到整体时间最短的目标;保持行程整体上的时间合理性和耗时最短性,给用户一个优质的行程路径行程体验,同时,可更好地帮助用户制定符合要求的行程路线,此外,自动规划代替人工操作,提高形成制定的效率和节约了人工成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明一实施例的路径行程自动规划方法的流程图;
图2为本发明一实施例的根据获取N个城市的城市信息规划N个城市的城市间路径的流程图;
图3为本发明一实施例的路径行程自动规划系统的结构示意图;
图4为本发明一实施例的路径行程自动规划设备的结构示意图;
图5为本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1为本发明一实施例的路径行程自动规划方法的流程图,具体地,该路径行程自动规划方法包括以下步骤:
S100:从用户终端接收用户的行程意向信息,所述行程意向信息包括用户意向的各个POI点信息;此处的POI点信息可以是POI点的ID、POI点的名称或者是POI点的坐标。以用户行程意向主要是游玩不同城市不同景点的场景为例,此时,接收的用户的行程意向信息通常包括多个城市中的多个POI点信息。
S200:根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;本发明的方法中分两步自动规划路径行程,即规范城市间路和城市内行程,因此,接收的用户POI点信息的可以包括任何可以索引到用户行程的意向城市即可。
S300:根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息,所述城市信息表包括城市信息;城市信息表是可以预建立的,其中,包括城市坐标、城市名称、城市ID或建议停留时间等,用户的行程意向通常与游玩有关,因此,城市信息表还可以包括历史数据中用户对各个城市的评价等,可以以城市分数来显示城市的评价度,历史数据可以是服务平台或搜索平台的数据,也可以是一个拥有庞大用户原创内容(User GeneratedContent,UGC)数据的旅游行业的公司,可以利用技术手段给用户提供更多旅游场景下有价值的体验。
S400:根据获取N个城市的城市信息规划N个城市的城市间路径;
S500:根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
S600:将所述城市间路径和所述城市内路径行程发送至所述用户的用户终端,此处用户终端指的是用户所使用的终端设备,包括但不限于手机、平板电脑、笔记本电脑等。
上述S400步骤:根据获取N个城市的城市信息依据蚁群算法规划N个城市的城市间路径,在一实施例中,具体地,见图2的所示的流程图,可以包括如下步骤:
S410:获取N个城市对应的城市分数;
S420:初始化蚁群算法的参数,所述参数包括蚂蚁数量m、蚁群最大迭代次数、城市数量、信息素挥发因子、信息素浓度、信息素启发因子和期望启发因子;
S430:选择m个蚂蚁,分别放置在各个城市中,
S440:记录其中一只蚂蚁h从某城市为起点出发,计算转移矩阵的概率,并更新禁忌表,其中,h∈(1,m);
S450:根据当前的信息素浓度选择所述城市间路径中的下一个城市;
S460:所述蚂蚁继续行进至所述下一个城市并在路程途中散布信息素;
S470:重复S440~S460步骤直到遍历所有城市,计算各边的信息素量,蚂蚁h死去,记录蚂蚁h走过的各个城市的路径总长度lh;
S480:重复S430~S470,直到每只蚂蚁都有了自己的路径;
从m只蚂蚁走过的路径中选择路径总长度最短的路径记为当前所述城市间路径的最优路径;
当每只蚂蚁的路径都相同,即得到路径总长度相同的环线或者达到设定的最大迭代次数时,停止循环,记当前所述城市间路径的最优路径为所述城市间路径的待选路径;
S490:若待选路径为环线路经,将环线路径中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径;若待选路径为非环线路径,选择路径首尾两个城市中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径。
基于在旅游这一场景中,城市分数最高的城市通常是用户游玩意向最高的,因此,此实施例中,将城市分数最高的城市设置为城市间路径的起点,在一些实施例中,不排除可以通过接收用户输入设定城市间路径的起点。
上述基于蚁群算法最短路径确定游览城市的顺序,即完成城市间路径规划,其特点在于根据蚁群算法和各城市信息进行路径规划,生成城市间最短路径的方法。规划城市间路径不限于上述蚁群算法。
所述城市信息表还包括各个城市POI点准备字典,所述城市POI点准备字典包括了该城市的各个POI点排名、POI点的行程时间和POI点坐标,且还包括POI点名称、POI点的类型或POI ID中的一种或多种信息下面为一个城市的POI点准备字典中的一个POI点信息:
{'cityid':'14','raNk':1,'poiid':'10558619','poiName':'杭州宋城','playhour':'4.5','loN':120.098728,'lat':30.169788','poitype':'poi'}
同样地,城市POI点准备字典是预先建立的,可以通过其特点对历史大数据的过滤和处理生成。
所述S500:根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程,具体包括如下步骤:
采用如下公式建立约束模型:
约束条件:
即游玩时长限制,qi为游玩第i个POI点所需的时长,每天的行程路线不超过用户每天允许的可游玩时长Q,Q可以看成是用户每天行程可承受的时间;上述qi为游玩第i个POI点所需的时长为数据库中该POI点的建议游玩时间;
其中,
C(V,A),为是距离代价和时间代价转换后的合并转换代价;
V={V0,V1,…Vn},Vo为虚拟出发地;
VC={V1,…Vn}为POI点的集合;
A={(Vi,Vj)},为第i个POI点与第j个POI点之间的路径;
Cij>0,为Vi与Vj之间的转换后时间代价;
所述转换方法如下:tij=Lij/vij;
tij为第i个POI点与第j个POI点之间所花费的路途时长;
Lij为第i个POI点与第j个POI点之间的曼哈顿距离;
求解所述约束模型,获得规划后的每个城市内路径行程。
需要说明的是,每个城市的用户游玩的天数,即一城市总的停留天数M是根据用户自己设定的POI点的数量、游玩时长、POI点之间的交通距离等规划后的每个城市内路径行程获得的。如果某个城市用户自己设定的停留天数大于规划后的每个城市内路径行程所需的时间,则认为规划后的城市内路径行程可以满足用户需求;如果某城市用户设定的停留天数不满足规划后的每个城市内路径行程所需的时间,则提示时间不足够游玩所有POI点,此时,用户需要用户删除部分POI点,系统根据更新后的POI点重新规划每个城市内路径行程,或者用户根据规划后的每个城市内路径行程增加停留天数。
上述方法给出的是规划的某个城市内每天的行程路径,涉及到了POI点的信息等。上述约束模型中约束条件,如游玩POI点所需的时长qi Si、用户的行程意向中每个城市总的停留天数M、每天行程可承受的时间qi等,对于不同的场景,可以添加不同的约束条件,从而实现需要的算法场景。
本发明的一实施例中,所述tij=Lij/vij;所述vij通过如下方法确定:
如果两个POI点之间所述曼哈顿距离Lij≥第一阈值距离,则设定两个POI点之间的vij为自驾车速度;
如果两个POI点之间所述曼哈顿距离第二阈值距离≤Lij<第一阈值距离,则设定两个POI点之间的vij为公共交通工具速度;
如果两个POI点之间所述曼哈顿距离Lij<第二阈值距离,则设定两个POI点之间的vij为步行速度。
需要说明的是,步骤S400规划城市间路径和步骤S500规划每个城市的城市内路径行程的可以同时进行,并无顺序先后。
上述城市内路径行程规划方法由约束模型的建立,以及其他时间约束条件的建立如开放时间窗口、每天行程可承受的时间约束的建立,解约束模型获得,在保持行程整体上的时间合理性和耗时最短性,给用户一个优质的行程路径行程体验,同时,可更好地帮助用户制定符合要求的行程路线。
本发明的实施例还提供了一种路径行程自动规划系统,用于实现权利上述路径行程自动规划方法的步骤,图3为该系统的结构示意图,具体地,包括用户模块M100、第一算法模块M200、存储模块M300和第二算法模块M400,其中:
所述用户模块M100用于与用户终端进行交互,接收用户的行程意向信息,所述行程意向信息包括用户的行程意向的各个POI点信息;
所述第一算法模块M200用于根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;
以及用于根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息,所述城市信息表包括城市信息,所述城市信息表存储于所述存储模块M300;
所述第一算法模块M200还用于根据获取N个城市的城市信息规划N个城市的城市间路径;
所述第二算法模块M400用于根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
所述用户模块M100还用于将将所述城市间路径和所述城市内路径行程发送至所述用户终端。
本发明的路径行程自动规划方法可以通过手机或电脑的用户交互界面接收用户的行程意向信息,同样地,通过手机或电脑的用户交互界面将所述城市间路径和所述城市内路径行程发送至用户。城市间路径和城市内路径行程以城市游览顺序、每个城市内POI点的游览顺序、POI标号、游玩第几天、当天的第几个POI点、总共第几个POI点等信息的形式呈现给用户。
实施例的路径行程自动规划系统中的各个功能模块的功能实现方式均可以采用上述路径行程自动规划方法中各个步骤的具体实施方式来实现。例如,用户模块M100、第一算法模块M200、存储模块M300和第二算法模块M400可以分别采用上述步骤S100至S600的具体实施方式实现其功能,此处不予赘述。
下面参照图4来描述根据本发明的这种实施方式的电子设备600。图4显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行实现路径行程自动规划方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图5所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明的路径行程自动规划方法可以实现在控制整体路线耗时最短的目标下,考虑POI点特点(POI点的开放时间窗口、POI点所需的游玩时间、POI点之间所花费的路途时长等)、用户可支配时间(用户游玩的天数、用户每天行程可承受的时间)等因素,达到整体时间最短的目标;保持行程整体上的时间合理性和耗时最短性,给用户一个优质的行程路径行程体验,同时,可更好地帮助用户制定符合要求的行程路线;此外,自动规划代替人工操作,提高形成制定的效率和节约了人工成本。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (11)
1.一种路径行程自动规划方法,其特征在于,包括以下步骤:
S100:从用户终端接收用户的行程意向信息,所述行程意向信息包括用户意向的各个POI点信息;
S200:根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;
S300:根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息;
S400:根据获取N个城市的城市信息规划N个城市的城市间路径;
S500:根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
S600:将所述城市间路径和所述城市内路径行程发送至所述用户终端。
2.根据权利要求1所述的路径行程自动规划方法,其特征在于,所述S400:根据获取N个城市的城市信息依据蚁群算法规划N个城市的城市间路径。
3.根据权利要求2所述的路径行程自动规划方法,其特征在于,所述城市信息包括城市分数,且所述城市信息还包括城市坐标、城市名称、城市ID或建议停留时间中一种或多种。
4.根据权利要求3所述的路径行程自动规划方法,其特征在于,所述S400:根据获取N个城市的城市信息规划N个城市的城市间路径,包括如下步骤:
S410:获取N个城市对应的城市分数;
S420:初始化蚁群算法的参数,所述参数包括蚂蚁数量m、蚁群最大迭代次数、城市数量、信息素挥发因子、信息素浓度、信息素启发因子和期望启发因子;
S430:选择m个蚂蚁,分别放置在各个城市中,
S440:记录其中一只蚂蚁h从某城市为起点出发,计算转移矩阵的概率,并更新禁忌表,其中,h∈(1,m);
S450:根据当前的信息素浓度选择所述城市间路径中的下一个城市;
S460:所述蚂蚁继续行进至所述下一个城市并在路程途中散布信息素;
S470:重复S440~S460步骤直到遍历所有城市,计算各边的信息素量,蚂蚁h死去,记录蚂蚁h走过的各个城市的路径总长度lh;
S480:重复S430~S470,直到每只蚂蚁都有了自己的路径;
从m只蚂蚁走过的路径中选择路径总长度最短的路径记为当前所述城市间路径的最优路径;
当得到路径总长度相同的环线或者达到设定的最大迭代次数时,停止循环,记当前所述城市间路径的最优路径为所述城市间路径的待选路径;
S490:若待选路径为环线路经,将环线路径中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径;若待选路径为非环线路径,选择路径首尾两个城市中城市分数最高的城市设置为城市间路径的起点,生成所述城市间路径。
5.根据权利要求1所述的路径行程自动规划方法,其特征在于,所述城市信息表还包括各个城市POI点准备字典,所述城市POI点准备字典包括了该城市的各个POI点排名、POI点的行程时间和POI点坐标,且还包括POI点名称、POI点的类型或POIID中的一种或多种信息。
6.根据权利要求5所述的路径行程自动规划方法,其特征在于,所述S500:根据用户的行程意向信息依据约束模型规划每个城市内路径行程,包括如下步骤:
采用如下公式建立约束模型:
约束条件:
其中,
C(V,A),为是距离代价和时间代价转换后的合并转换代价;
V={V0,V1,…Vn},Vo为虚拟出发地;
VC={V1,…Vn}为POI点的集合;
A={(Vi,Vj)},为第i个POI点与第j个POI点之间的路径;
Cij>0,为Vi与Vj之间的转换后时间代价;
所述转换方法如下:tij=Lij/vij;
tij为第i个POI点与第j个POI点之间所花费的路途时长;
Lij为第i个POI点与第j个POI点之间的曼哈顿距离;
求解所述约束模型,获得规划后的每个城市内路径行程。
7.根据权利要求6所述的路径行程自动规划方法,其特征在于,所述tij=Lij/vij;所述vij通过如下方法确定:
如果两个POI点之间所述曼哈顿距离Lij≥第一阈值距离,则设定两个POI点之间的vij为自驾车速度;
如果两个POI点之间所述曼哈顿距离第二阈值距离≤Lij<第一阈值距离,则设定两个POI点之间的vij为公共交通工具速度;
如果两个POI点之间所述曼哈顿距离Lij<第二阈值距离,则设定两个POI点之间的vij为步行速度。
8.根据权利要求1所述的路径行程自动规划方法,其特征在于,所述城市内路径行程包括在该城市用于行程意向的POI点的到达顺序以及每个POI点的停留时间。
9.一种路径行程自动规划系统,用于实现权利要求1至8任意一项所述路径行程自动规划方法的步骤,其特征在于,包括用户模块、第一算法模块、存储模块和第二算法模块,其中:
所述用户模块用于从用户终端接收用户的行程意向信息,所述行程意向信息包括用户的行程意向的各个POI点信息;
所述第一算法模块用于根据POI点信息确定用户的行程意向的N个城市,N为≥2的整数;
以及用于根据确定的N个城市从对应的城市信息表中获取N个城市的城市信息,所述城市信息表包括城市信息,所述城市信息表存储于所述存储模块;
所述第一算法模块还用于根据获取N个城市的城市信息规划N个城市的城市间路径;
所述第二算法模块用于根据用户的行程意向信息依据约束模型规划每个城市的城市内路径行程;
所述用户模块还用于将所述城市间路径和所述城市内路径行程发送至用户。
10.一种路径行程自动规划设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至8任意一项所述路径行程自动规划方法的步骤。
11.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1至8任意一项所述路径行程自动规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667863.XA CN111815057B (zh) | 2020-07-13 | 路径行程自动规划方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010667863.XA CN111815057B (zh) | 2020-07-13 | 路径行程自动规划方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815057A true CN111815057A (zh) | 2020-10-23 |
CN111815057B CN111815057B (zh) | 2024-04-26 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723655A (zh) * | 2020-12-31 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 路径获取方法、装置、电子设备和存储介质 |
CN115358727A (zh) * | 2022-10-20 | 2022-11-18 | 深圳市人马互动科技有限公司 | 假期行程规划方法及装置 |
CN116048069A (zh) * | 2022-12-19 | 2023-05-02 | 香港中文大学(深圳) | 一种基于gps定位的室外全覆盖路径规划方法及机器人 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110301835A1 (en) * | 2010-06-07 | 2011-12-08 | James Bongiorno | Portable vacation/travel planner, and family tour guide device |
WO2013041517A1 (en) * | 2011-09-22 | 2013-03-28 | Telefonica, S.A. | A method to generate a personalized tourist route |
CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
JP2015076005A (ja) * | 2013-10-10 | 2015-04-20 | 株式会社日立製作所 | 移動経路推定システム及びその方法 |
CN106779212A (zh) * | 2016-12-13 | 2017-05-31 | 南京邮电大学 | 一种基于改进蚁群算法的城市旅游路线规划方法 |
CN107832894A (zh) * | 2017-11-27 | 2018-03-23 | 浙江卓锐科技股份有限公司 | 一种基于蚁群算法的智能旅游行程规划方法 |
CN108364088A (zh) * | 2018-01-24 | 2018-08-03 | 北京穷游天下科技发展有限公司 | 旅游行程的优化方法和电子设备 |
CN108416461A (zh) * | 2017-08-18 | 2018-08-17 | 北京穷游天下科技发展有限公司 | 旅游行程的智能创建方法和设备 |
CN109063923A (zh) * | 2018-08-21 | 2018-12-21 | 湖北文理学院 | 一种基于经济成本的旅游路线规划方法 |
US20190195639A1 (en) * | 2017-12-21 | 2019-06-27 | Grzegorz Malewicz | Method and a Computer System for Providing a Route or a Route Duration for a Journey from a Source Location to a Target Location |
CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110301835A1 (en) * | 2010-06-07 | 2011-12-08 | James Bongiorno | Portable vacation/travel planner, and family tour guide device |
WO2013041517A1 (en) * | 2011-09-22 | 2013-03-28 | Telefonica, S.A. | A method to generate a personalized tourist route |
JP2015076005A (ja) * | 2013-10-10 | 2015-04-20 | 株式会社日立製作所 | 移動経路推定システム及びその方法 |
CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
CN106779212A (zh) * | 2016-12-13 | 2017-05-31 | 南京邮电大学 | 一种基于改进蚁群算法的城市旅游路线规划方法 |
CN108416461A (zh) * | 2017-08-18 | 2018-08-17 | 北京穷游天下科技发展有限公司 | 旅游行程的智能创建方法和设备 |
CN107832894A (zh) * | 2017-11-27 | 2018-03-23 | 浙江卓锐科技股份有限公司 | 一种基于蚁群算法的智能旅游行程规划方法 |
US20190195639A1 (en) * | 2017-12-21 | 2019-06-27 | Grzegorz Malewicz | Method and a Computer System for Providing a Route or a Route Duration for a Journey from a Source Location to a Target Location |
CN108364088A (zh) * | 2018-01-24 | 2018-08-03 | 北京穷游天下科技发展有限公司 | 旅游行程的优化方法和电子设备 |
CN109063923A (zh) * | 2018-08-21 | 2018-12-21 | 湖北文理学院 | 一种基于经济成本的旅游路线规划方法 |
CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴清霞;周娅;文缔尧;贺正红;: "基于用户兴趣和兴趣点流行度的个性化旅游路线推荐", 计算机应用, no. 06, pages 1762 * |
徐侃: "基于POI评价的旅行线路规划优化研究", 硕士电子期刊出版信息, no. 1, pages 1 - 93 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723655A (zh) * | 2020-12-31 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 路径获取方法、装置、电子设备和存储介质 |
CN115358727A (zh) * | 2022-10-20 | 2022-11-18 | 深圳市人马互动科技有限公司 | 假期行程规划方法及装置 |
CN116048069A (zh) * | 2022-12-19 | 2023-05-02 | 香港中文大学(深圳) | 一种基于gps定位的室外全覆盖路径规划方法及机器人 |
CN116048069B (zh) * | 2022-12-19 | 2023-12-26 | 香港中文大学(深圳) | 一种基于gps定位的室外全覆盖路径规划方法及机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180364054A1 (en) | Method and apparatus for building an itinerary-planning model and planning a traveling itinerary | |
CN111143680B (zh) | 路线的推荐方法、系统、电子设备及计算机存储介质 | |
US9116007B2 (en) | System and method for journey planning, finding K shortest paths through a time/space network | |
US8494771B2 (en) | Journey planning in public transportation networks | |
CN108256553B (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN103678429B (zh) | 一种旅游线路的推荐方法以及装置 | |
CN107247718A (zh) | 一种地图数据的更新方法和装置、导航系统及服务器 | |
JP2002156232A (ja) | ルートのコンパクト表現のための方法及びシステム | |
Bit-Monnot et al. | Carpooling: the 2 synchronization points shortest paths problem | |
CN110126843A (zh) | 行车服务推荐方法、装置、设备和介质 | |
CN111144618A (zh) | 一种基于两阶段优化模型的需求响应型定制公交网络规划方法 | |
Fogue et al. | Non-emergency patient transport services planning through genetic algorithms | |
CN112182901A (zh) | 一种城市型旅游者出行仿真方法及系统 | |
CN114092176A (zh) | 一种基于公交车的城市通勤班车规划方法 | |
Garcia et al. | Hybrid approach for the public transportation time dependent orienteering problem with time windows | |
CN111882092B (zh) | 一种适用于共享出行的出租车车辆搜索方法 | |
CN111815057B (zh) | 路径行程自动规划方法、系统、设备及存储介质 | |
Mei | Study on the application and improvement of ant colony algorithm in terminal tour route planning under Android platform | |
CN111815057A (zh) | 路径行程自动规划方法、系统、设备及存储介质 | |
CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
CN110753917A (zh) | 用于实现多跳拼车的数据处理方法 | |
CN114444789A (zh) | 一种基于多源数据的公交线网供需矩阵自主化构建方法 | |
Du et al. | Integrated self-driving travel scheme planning | |
Bulut et al. | Optimizing bus lines using genetic algorithm for public transportation | |
JP2006527506A (ja) | 移動通信端末機に地図情報を提供する方法およびシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |