CN113095570B - 基于需求差异性的自行车骑行路径推荐方法 - Google Patents

基于需求差异性的自行车骑行路径推荐方法 Download PDF

Info

Publication number
CN113095570B
CN113095570B CN202110397730.XA CN202110397730A CN113095570B CN 113095570 B CN113095570 B CN 113095570B CN 202110397730 A CN202110397730 A CN 202110397730A CN 113095570 B CN113095570 B CN 113095570B
Authority
CN
China
Prior art keywords
quality
bicycle
street
service
riding
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.)
Active
Application number
CN202110397730.XA
Other languages
English (en)
Other versions
CN113095570A (zh
Inventor
蒋应红
方雪丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Urban Construction Design Research Institute Group Co Ltd
Original Assignee
Shanghai Urban Construction Design Research Institute Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Urban Construction Design Research Institute Group Co Ltd filed Critical Shanghai Urban Construction Design Research Institute Group Co Ltd
Priority to CN202110397730.XA priority Critical patent/CN113095570B/zh
Publication of CN113095570A publication Critical patent/CN113095570A/zh
Application granted granted Critical
Publication of CN113095570B publication Critical patent/CN113095570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/09685—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is computed only once and not updated

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于需求差异性的自行车骑行路径推荐方法；步骤如下：1、基于全卷积复杂神经网络和深度学习方法，对街景图片数据进行计算机智能识别和语义分割步骤2、对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型；3、将自行车骑行者进行人群分类，确定基于骑行出行者需求差异性的街道设计品质分级标准；4、基于地图软件Web服务API开放系统，运用Visual Studio2013编写程序代码，构建基于面向DOTNET环境的对象的NHibernate数据库映射工具。根据街道街景图片属性数据以及骑行差异化需求进行个性化的自行车骑行路线推荐，提升用户的出行导航体验。

Description

基于需求差异性的自行车骑行路径推荐方法
技术领域
本发明涉及智能交通和路径导航技术领域，特别涉及基于需求差异性的自行车骑行路径推荐方法。
背景技术
随着智能手机、物联网、云计算以及全球定位系统(Global Positioning System,简称GPS)等定位技术的迅速发展和广泛普及，基于位置的信息技术服务得到了迅猛发展。道路的路径导航作为GPS技术领域中的一种典型应用，目前已经被广泛应用，且涌现了一批优秀的导航软件，如高德地图、百度地图等。这些导航软件通过精准的定位可以为人们提供点对点的详实导航信息，包括驾车、公交、步行、骑行等多种交通方式的路径导航，极大地方便了人们的出行。然而随着科学技术的不断发展，人们生活水平的不断提高，“千篇一律”的导航服务已经不能满足人们个性化的出行服务，而更希望能够获得个性化的量身定制路径导航服务。
特别地，与机动车交通不同，自行车交通多依赖于体力支撑，出行速度不高，且都直接暴露在外部环境中，易受自行车出行者自身体力、外界气候条件等诸多因素影响，总体上呈现脆弱、对环境品质敏感的特征，所以自行车交通的路径导航与机动车路径导航考虑的要素或属性不尽相同。
另外要注意到不同类型的自行车骑行者有着不同的骑行需求。一个自行车骑行者计划骑车去某地的时候，根据自己的需求，可能需要思考一些问题：如果一个骑行者以通勤交通为目的，他可能更关注时间，他可能会想了解“哪条从A地去B地的路线时间最少？”；如果一个人以骑行锻炼为目的，他可能更关注骑行路径的连续性，那么他可能想了解“哪条从A地去B地的路线骑行连续性最优？”；如果一个人以骑行领略风景为目的，他可能既不关注距离，也不管注时间，他最关注骑行环境，那么他可能最想了解“哪条从A地去B地的路线骑行环境最优？”。
海量的街道街景图片属性数可以规避传统的数据资料的数据滞后、零散和不清晰等问题。因此，如何根据街道街景图片属性数据以及骑行差异化需求进行个性化的自行车骑行路线推荐，成为本领域技术人员急需解决的技术问题。
发明内容
有鉴于现有技术的上述缺陷，本发明提供基于需求差异性的自行车骑行路径推荐方法，实现的目的是根据街道街景图片属性数据以及骑行差异化需求进行个性化的自行车骑行路线推荐，提升用户的出行导航体验。
为实现上述目的，本发明公开了基于需求差异性的自行车骑行路径推荐方法；步骤如下：
步骤1、基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对街景图片数据进行计算机智能识别和语义分割；
步骤2、对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型；
步骤3、基于自行车骑行者年龄、对自行车骑行的喜爱程度以及自行车骑行的使用强度，将自行车骑行者进行人群分类，确定基于骑行出行者需求差异性的街道设计品质分级标准；
步骤4、基于地图软件Web服务API开放系统，运用Visual Studio2013编写程序代码，构建基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统。
优选的，在所述步骤1中，获得街道设计要素数据集或者针对街道设计属性数据收集及智能识别的方法如下：
基于地图软件API端口的Python爬虫脚本，获取街道的百度全景底图及相对应的信息数据；
基于全卷积复杂神经网络和深度学习方法，对街景图片要素进行计算机智能识别，获得街道设计属性要素的像素占比情况；
基于Arcgis数据分析平台，将街景图片数据与空间形态数据关联得到城市街道设计要素数据集。
更优选的，所述地图软件是百度地图、高德地图或者腾讯地图。
优选的，在所述步骤2中，确定街道设计品质预训练模型的方法如下：
评价步行可行性、路网通达性和设施便利性，具体指标包括步行通行指数、路网密度和服务设施满足指数；
评价步行安全性、空间舒适性和空间友好性，具体指标包括机动车干扰指数、交通标识指数、平面视觉指数和纵向视觉指数；
对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型。
更优选的，所述标准化处理是min-max标准化处理办法。
更优选的，所述城市街道设计品质预训练模型的特征维度所对应权重因子具体如下：
所述步行通行指数对应权重因子为0.2852；
所述路网密度对应权重因子为0.1967；
所述服务设施满足指数对应权重因子为0.0924；
所述机动车干扰指数对应权重因子为0.196；
所述交通标志标识指数对应权重因子为0.0653；
所述平面视觉指数对应权重因子为0.0214；
所述纵向视觉指数对应权重因子为0.0643；
人群吸引指数对应权重因子为0.0196；
商业设施满足指数对应权重因子为0.0589。
优选的，在所述步骤3中，确定街道设计品质分级或者街道设计品质分级方法具体如下：
首先，将自行车出行者分为四个群体，包括特殊需求者、尝试者、惯用者和爱好者；
其中，所述特殊需求者是指由于受体能或者应变能力的限制，对自行车骑行环境品质有特殊要求的群体；
所述尝试者是指主要依赖机动化方式出行，但不排斥自行车。若能提供良好的非机动车道服务品质，愿意尝试使用自行车；
所述惯用者是指经常使用自行车作为出行工具，但对其喜爱程度一般的使用者；
所述爱好者是指对自行车非常钟爱，能够接受较为恶劣的骑行环境的使用者；
所述特殊需求者、所述尝试者、所述惯用者和所述爱好者对自行车道服务品质的要求依次下降；
当所述特殊需求者可以接受任一服务品质时，可以认为所有所述群体都能接受该服务品质；当所述爱好者不能接受任一服务品质时，可以认为所有所述群体都不能接受该服务品质；
然后，定义街道设计品质为“良好”级别为所述特殊需求者、所述尝试者的服务品质需求低限，可基本满足所有人的骑行需求；
定义街道设计品质为“中等”级别是所述惯用者的服务品质需求低限，可满足所述惯用者和所述爱好者的骑行需求；
定义街道设计品质为“较差”级别是只有所述爱好者才会接受该服务品质，不满足所述惯用者、所述尝试者和所述特殊需求者的服务品质要求；
定义街道设计品质为“差”级别是所有所述人群均不接受的服务品质级别；
最后，根据每个所述级别的示例街道属性带入街道设计品质预训练模型，确定每个品质级别的品质指数阈值，继而确定基于骑行出行者需求差异性的街道设计品质分级标准。
更优选的，基于骑行出行者需求差异性的街道设计品质分级标准具体如下：
所述“良好”级别的服务品质指数≧3.5，即可满足所有所述人群的需求，是所述特殊需求者和所述尝试者的服务品质需求低限；
所述“中等”级别的服务品质指数3.0至3.5，即可满足所述惯用者和所述爱好者的骑行需求，是所述惯用者的服务品质需求低限；
所述“较差”级别的服务品质指数2.5至3.0，即只有所述爱好者才会接受该服务品质，不满足所述惯用者、所述尝试者和所述特殊需求者的服务品质要求；
所述“差”级别的服务品质指数＜2.5，所有人群，即所有所述人群都不接受的服务品质级别。
更优选的，在所述步骤4中，构建基于需求差异性的自行车骑行路径推荐系统的具体方法如下：
基于百度地图Web服务API开放系统，运用Visual Studio2013编写程序代码，建立基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统；
自行车骑行者可以在该推荐系统给与的多条不同等级的备选路线中，选择符合自身交通需求的骑行路径；
若任一自行车骑行者属于特殊需求者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于骑行尝试者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于惯用者，可选择街道设计品质为“中等”的路线；
若任一个自行车骑行者属于爱好者，可选择街道设计品质为“较差”的路线；
对于街道设计品质为“差”级别的，建议整改后再予以通行。
基于需求差异性的自行车骑行路径推荐系统的架构包括表现层设计、应用逻辑层设计以及数据持久层设计。
更优选的，所述表现层设计主要包括骑行路径推荐系统主界面以及输出方式两个功能菜单，采用Winform组件和DOTNET编程环境；
自行车出行者通过输入路段起点和终点；再根据自身的出行需求选择对应的服务品质等级，为自行车出行者提供包括“地图”和“路径”两种显示方式的可视化的路径输出结果；
应用逻辑层设计具体如下：
算法的输入是一个路网有向图G＝[N,A]；
其中，N表示城市路网中站点集，记作N＝{1,2,...,i,...,n}，i为站点编号，n表示站点总数量；
A表示城市路网中路段集，记作A＝{(i,j)|i∈N,J∈N},对于每一个路段(i,j)∈A,都有一个路段长度lij与之对应；i表示起点，j表示终点；
Ba为道路服务品质级别，其中a＝1表示级别为“良好”；a＝2表示级别为“中等”；a＝3表示级别为“较差”；a＝4表示级别为“差”；
假定起始站点和目的站点的编号分别为s和d，集合R用来存放已经找到骑行路径的站点，集合V用来存放还未找到骑行路径的站点，站点集Q用于存放骑行路径的候选站点,Pc表示编号为c站点骑行路径前一个站点的编号。
采用最短路径算法，查找体现需求差异性的自行车骑行路径，从起始点为中心向外层扩展，同时考虑自行车骑行者的需求差异性或者约束条件，直至找到从起始站点s到目的站点d的最短路径为止；
所述数据持久层的路径推荐系统的数据库选用NHibernate数据库映射工具，对数据库的创建、设置、导入、编辑、查询等操作进行可视化管理。
NHibernate是一个面向DOTNET环境的对象数据库映射工具，是一种现有技术。
对象数据库映射，即object/relational mapping，ORM是一种现有技术，用来把对象模型表示的对象映射到关系模型数据结构中去。
本发明的有益效果：
本发明根据街道街景图片属性数据以及骑行差异化需求进行个性化的自行车骑行路线推荐，提升用户的出行导航体验。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1示出本发明一实施例的流程图。
图2示出本发明一实施例的骑行路径推荐系统的架构示意图。
图3示出本发明一实施例的骑行路径推荐系统界面示意图。
具体实施方式
实施例
如图1所示，基于需求差异性的自行车骑行路径推荐方法；步骤如下：
步骤1、基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对街景图片数据进行计算机智能识别和语义分割；
步骤2、对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型；
步骤3、基于自行车骑行者年龄、对自行车骑行的喜爱程度以及自行车骑行的使用强度，将自行车骑行者进行人群分类，确定基于骑行出行者需求差异性的街道设计品质分级标准；
步骤4、基于地图软件Web服务API开放系统，运用Visual Studio2013编写程序代码，构建基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统。
在某些实施例中，在步骤1中，获得街道设计要素数据集或者针对街道设计属性数据收集及智能识别的方法如下：
基于地图软件API端口的Python爬虫脚本，获取街道的百度全景底图及相对应的信息数据；
基于全卷积复杂神经网络和深度学习方法，对街景图片要素进行计算机智能识别，获得街道设计属性要素的像素占比情况；
基于Arcgis数据分析平台，将街景图片数据与空间形态数据关联得到城市街道设计要素数据集。
在某些实施例中，地图软件是百度地图、高德地图或者腾讯地图。
在某些实施例中，在步骤2中，确定街道设计品质预训练模型的方法如下：
评价步行可行性、路网通达性和设施便利性，具体指标包括步行通行指数、路网密度和服务设施满足指数；
评价步行安全性、空间舒适性和空间友好性，具体指标包括机动车干扰指数、交通标识指数、平面视觉指数和纵向视觉指数；
对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型。
在某些实施例中，标准化处理是min-max标准化处理办法。
在某些实施例中，城市街道设计品质预训练模型的特征维度所对应权重因子具体如下：
步行通行指数对应权重因子为0.2852；
路网密度对应权重因子为0.1967；
服务设施满足指数对应权重因子为0.0924；
机动车干扰指数对应权重因子为0.196；
交通标志标识指数对应权重因子为0.0653；
平面视觉指数对应权重因子为0.0214；
纵向视觉指数对应权重因子为0.0643；
人群吸引指数对应权重因子为0.0196；
商业设施满足指数对应权重因子为0.0589。
在某些实施例中，在步骤3中，确定街道设计品质分级或者街道设计品质分级方法具体如下：
首先，将自行车出行者分为四个群体，包括特殊需求者、尝试者、惯用者和爱好者；
其中，特殊需求者是指由于受体能或者应变能力的限制，对自行车骑行环境品质有特殊要求的群体；
尝试者是指主要依赖机动化方式出行，但不排斥自行车。若能提供良好的非机动车道服务品质，愿意尝试使用自行车；
惯用者是指经常使用自行车作为出行工具，但对其喜爱程度一般的使用者；
爱好者是指对自行车非常钟爱，能够接受较为恶劣的骑行环境的使用者；
特殊需求者、尝试者、惯用者和爱好者对自行车道服务品质的要求依次下降；
当特殊需求者可以接受任一服务品质时，可以认为所有群体都能接受该服务品质；当爱好者不能接受任一服务品质时，可以认为所有群体都不能接受该服务品质；
然后，定义街道设计品质为“良好”级别为特殊需求者、尝试者的服务品质需求低限，可基本满足所有人的骑行需求；
定义街道设计品质为“中等”级别是惯用者的服务品质需求低限，可满足惯用者和爱好者的骑行需求；
定义街道设计品质为“较差”级别是只有爱好者才会接受该服务品质，不满足惯用者、尝试者和特殊需求者的服务品质要求；
定义街道设计品质为“差”级别是所有人群均不接受的服务品质级别；
最后，根据每个级别的示例街道属性带入街道设计品质预训练模型，确定每个品质级别的品质指数阈值，继而确定基于骑行出行者需求差异性的街道设计品质分级标准。
在某些实施例中，基于骑行出行者需求差异性的街道设计品质分级标准具体如下：
“良好”级别的服务品质指数≧3.5，即可满足所有人群的需求，是特殊需求者和尝试者的服务品质需求低限；
“中等”级别的服务品质指数3.0至3.5，即可满足惯用者和爱好者的骑行需求，是惯用者的服务品质需求低限；
“较差”级别的服务品质指数2.5至3.0，即只有爱好者才会接受该服务品质，不满足惯用者、尝试者和特殊需求者的服务品质要求；
“差”级别的服务品质指数＜2.5所有人群，即所有人群都不接受的服务品质级别。
在某些实施例中，在步骤4中，构建基于需求差异性的自行车骑行路径推荐系统的具体方法如下：
基于百度地图Web服务API开放系统，运用Visual Studio2013编写程序代码，建立基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统；
自行车骑行者可以在该推荐系统给与的多条不同等级的备选路线中，选择符合自身交通需求的骑行路径；
若任一自行车骑行者属于特殊需求者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于骑行尝试者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于惯用者，可选择街道设计品质为“中等”的路线；
若任一个自行车骑行者属于爱好者，可选择街道设计品质为“较差”的路线；
对于街道设计品质为“差”级别的，建议整改后再予以通行。
如图2所示，基于需求差异性的自行车骑行路径推荐系统的架构包括表现层设计、应用逻辑层设计以及数据持久层设计。
在某些实施例中，表现层设计主要包括骑行路径推荐系统主界面以及输出方式两个功能菜单，采用Winform组件和DOTNET编程环境；
如图3所示，自行车出行者通过输入路段起点和终点；再根据自身的出行需求选择对应的服务品质等级，为自行车出行者提供包括“地图”和“路径”两种显示方式的可视化的路径输出结果；
应用逻辑层设计具体如下：
算法的输入是一个路网有向图G＝[N,A]；
其中，N表示城市路网中站点集，记作N＝{1,2,...,i,...,n}，i为站点编号，n表示站点总数量；
A表示城市路网中路段集，记作A＝{(i,j)|i∈N,J∈N},对于每一个路段(i,j)∈A,都有一个路段长度lij与之对应；i表示起点，j表示终点；
Ba为道路服务品质级别，其中a＝1表示级别为“良好”；a＝2表示级别为“中等”；a＝3表示级别为“较差”；a＝4表示级别为“差”；
假定起始站点和目的站点的编号分别为s和d，集合R用来存放已经找到骑行路径的站点，集合V用来存放还未找到骑行路径的站点，站点集Q用于存放骑行路径的候选站点，Pc表示编号为c站点骑行路径前一个站点的编号。
采用最短路径算法，查找体现需求差异性的自行车骑行路径，从起始点为中心向外层扩展，同时考虑自行车骑行者的需求差异性或者约束条件，直至找到从起始站点s到目的站点d的最短路径为止；
数据持久层的路径推荐系统的数据库选用NHibernate数据库映射工具，对数据库的创建、设置、导入、编辑、查询等操作进行可视化管理。
NHibernate是一个面向DOTNET环境的对象数据库映射工具，是一种现有技术。
对象数据库映射，即object/relational mapping，ORM是一种现有技术，用来把对象模型表示的对象映射到关系模型数据结构中去。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.基于需求差异性的自行车骑行路径推荐方法；步骤如下：
步骤1、基于全卷积复杂神经网络和深度学习方法，运用智能识别程序对街景图片数据进行计算机智能识别和语义分割；
获得街道设计要素数据集或者针对街道设计属性数据收集及智能识别的方法如下：
基于地图软件API端口的Python爬虫脚本，获取街道的百度全景底图及相对应的信息数据；
基于全卷积复杂神经网络和深度学习方法，对街景图片要素进行计算机智能识别，获得街道设计属性要素的像素占比情况；
基于Arcgis数据分析平台，将街景图片数据与空间形态数据关联得到城市街道设计要素数据集；
步骤2、对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型；
步骤3、基于自行车骑行者年龄、对自行车骑行的喜爱程度以及自行车骑行的使用强度，将自行车骑行者进行人群分类，确定基于骑行出行者需求差异性的街道设计品质分级标准；
确定街道设计品质分级或者街道设计品质分级方法具体如下：
首先，将自行车出行者分为四个群体，包括特殊需求者、尝试者、惯用者和爱好者；
其中，所述特殊需求者是指由于受体能或者应变能力的限制，对自行车骑行环境品质有特殊要求的群体；
所述尝试者是指主要依赖机动化方式出行，但不排斥自行车；若能提供良好的非机动车道服务品质，愿意尝试使用自行车；
所述惯用者是指经常使用自行车作为出行工具，但对其喜爱程度一般的使用者；
所述爱好者是指对自行车非常钟爱，能够接受较为恶劣的骑行环境的使用者；
所述特殊需求者、所述尝试者、所述惯用者和所述爱好者对自行车道服务品质的要求依次下降；
当所述特殊需求者可以接受任一服务品质时，可以认为所有所述群体都能接受该服务品质；当所述爱好者不能接受任一服务品质时，可以认为所有所述群体都不能接受该服务品质；
然后，定义街道设计品质为“良好”级别为所述特殊需求者、所述尝试者的服务品质需求低限，可基本满足所有人的骑行需求；
定义街道设计品质为“中等”级别是所述惯用者的服务品质需求低限，可满足所述惯用者和所述爱好者的骑行需求；
定义街道设计品质为“较差”级别是只有所述爱好者才会接受该服务品质，不满足所述惯用者、所述尝试者和所述特殊需求者的服务品质要求；
定义街道设计品质为“差”级别是所有所述人群均不接受的服务品质级别；
最后，根据每个所述级别的示例街道属性带入街道设计品质预训练模型，确定每个品质级别的品质指数阈值，继而确定基于骑行出行者需求差异性的街道设计品质分级标准；
步骤4、基于地图软件Web服务API开放系统，运用Visual Studio2013编写程序代码，构建基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统。
2.根据权利要求1所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，所述地图软件是百度地图、高德地图或者腾讯地图。
3.根据权利要求1所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，在所述步骤2中，确定街道设计品质预训练模型的方法如下：
评价步行可行性、路网通达性和设施便利性，具体指标包括步行通行指数、路网密度和服务设施满足指数；
评价步行安全性、空间舒适性和空间友好性，具体指标包括机动车干扰指数、交通标识指数、平面视觉指数和纵向视觉指数；
对街道设计品质指数进行筛选并进行归一化处理后，采用人工神经网络算法构建街道设计品质预训练模型。
4.根据权利要求3所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，所述城市街道设计品质预训练模型的特征维度所对应权重因子具体如下：
所述步行通行指数对应权重因子为0.2852；
所述路网密度对应权重因子为0.1967；
所述服务设施满足指数对应权重因子为0.0924；
所述机动车干扰指数对应权重因子为0.196；
所述交通标志标识指数对应权重因子为0.0653；
所述平面视觉指数对应权重因子为0.0214；
所述纵向视觉指数对应权重因子为0.0643；
人群吸引指数对应权重因子为0.0196；
商业设施满足指数对应权重因子为0.0589。
5.根据权利要求1所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，基于骑行出行者需求差异性的街道设计品质分级标准具体如下：
所述“良好”级别的服务品质指数≧3.5，即可满足所有所述人群的需求，是所述特殊需求者和所述尝试者的服务品质需求低限；
所述“中等”级别的服务品质指数3.0至3.5，即可满足所述惯用者和所述爱好者的骑行需求，是所述惯用者的服务品质需求低限；
所述“较差”级别的服务品质指数2.5至3.0，即只有所述爱好者才会接受该服务品质，不满足所述惯用者、所述尝试者和所述特殊需求者的服务品质要求；
所述“差”级别的服务品质指数＜2.5所有人群，即所有所述人群都不接受的服务品质级别。
6.根据权利要求1所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，在所述步骤4中，构建基于需求差异性的自行车骑行路径推荐系统的具体方法如下：
基于百度地图Web服务API开放系统，运用Visual Studio2013编写程序代码，建立基于面向DOTNET环境的对象的NHibernate数据库映射工具，即基于需求差异性的自行车骑行路径推荐系统；
自行车骑行者可以在该推荐系统给与的多条不同等级的备选路线中，选择符合自身交通需求的骑行路径；
若任一自行车骑行者属于特殊需求者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于骑行尝试者，可选择街道设计品质为“良好”的路线；
若任一自行车骑行者属于惯用者，可选择街道设计品质为“中等”的路线；
若任一个自行车骑行者属于爱好者，可选择街道设计品质为“较差”的路线；
对于街道设计品质为“差”级别的，建议整改后再予以通行；
基于需求差异性的自行车骑行路径推荐系统的架构包括表现层设计、应用逻辑层设计以及数据持久层设计。
7.根据权利要求6所述的基于需求差异性的自行车骑行路径推荐方法，其特征在于，所述表现层设计主要包括骑行路径推荐系统主界面以及输出方式两个功能菜单，采用Winform组件和DOTNET编程环境；
自行车出行者通过输入路段起点和终点；再根据自身的出行需求选择对应的服务品质等级，为自行车出行者提供包括“地图”和“路径”两种显示方式的可视化的路径输出结果；
应用逻辑层设计具体如下：
算法的输入是一个路网有向图G＝[N,A]；
其中，N表示城市路网中站点集，记作N＝{1,2,...,i,...,n}，i为站点编号，n表示站点总数量；
A表示城市路网中路段集，记作A＝{(i,j)i∈N,J∈N},对于每一个路段(i,j)∈A,都有一个路段长度lij与之对应；i表示起点，j表示终点；
Ba为道路服务品质级别，其中a＝1表示级别为“良好”；a＝2表示级别为“中等”；a＝3表示级别为“较差”；a＝4表示级别为“差”；
假定起始站点和目的站点的编号分别为s和d，集合R用来存放已经找到骑行路径的站点，集合V用来存放还未找到骑行路径的站点，站点集Q用于存放骑行路径的候选站点，Pc表示编号为c站点骑行路径前一个站点的编号；
采用最短路径算法，查找体现需求差异性的自行车骑行路径，从起始点为中心向外层扩展，同时考虑自行车骑行者的需求差异性或者约束条件，直至找到从起始站点s到目的站点d的最短路径为止；
所述数据持久层的路径推荐系统的数据库选用NHibernate数据库映射工具，对数据库的创建、设置、导入、编辑、查询操作进行可视化管理。
CN202110397730.XA 2021-04-14 2021-04-14 基于需求差异性的自行车骑行路径推荐方法 Active CN113095570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110397730.XA CN113095570B (zh) 2021-04-14 2021-04-14 基于需求差异性的自行车骑行路径推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110397730.XA CN113095570B (zh) 2021-04-14 2021-04-14 基于需求差异性的自行车骑行路径推荐方法

Publications (2)

Publication Number Publication Date
CN113095570A CN113095570A (zh) 2021-07-09
CN113095570B true CN113095570B (zh) 2023-06-06

Family

ID=76677018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110397730.XA Active CN113095570B (zh) 2021-04-14 2021-04-14 基于需求差异性的自行车骑行路径推荐方法

Country Status (1)

Country Link
CN (1) CN113095570B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688274A (zh) * 2021-08-26 2021-11-23 平安国际智慧城市科技股份有限公司 骑行路线生成方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418674A (zh) * 2020-11-24 2021-02-26 中国地质大学（武汉） 基于城市多源数据的街道空间品质测度评价方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060119B (zh) * 2019-12-27 2021-08-10 中电海康集团有限公司 基于街景图视觉要素评分的城市慢行出行导航方法和系统
CN112395500B (zh) * 2020-11-17 2023-09-05 平安科技（深圳）有限公司 内容数据推荐方法、装置、计算机设备及存储介质
CN112529638B (zh) * 2020-12-22 2023-04-18 烟台大学 基于用户分类和深度学习的服务需求动态预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418674A (zh) * 2020-11-24 2021-02-26 中国地质大学（武汉） 基于城市多源数据的街道空间品质测度评价方法和系统

Also Published As

Publication number Publication date
CN113095570A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN112766607B (zh) 出行路线的推荐方法、装置、电子设备及可读存储介质
CN110472066B (zh) 一种城市地理语义知识图谱的构建方法
US11586992B2 (en) Travel plan recommendation method, apparatus, device and computer readable storage medium
CN108072381B (zh) 一种路径规划的方法及装置
CN106940829B (zh) 一种车联网环境下的个性化路径推荐方法
CN109191896A (zh) 个性化停车位推荐方法和系统
WO2022088661A1 (zh) 基于注意力机制的群体旅游路线推荐方法
CN111811542B (zh) 一种基于轨迹数据的寻路性能分布计算方法及系统
CN108961758A (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN111060119B (zh) 基于街景图视觉要素评分的城市慢行出行导航方法和系统
CN114297532B (zh) 一种基于人群移动轨迹的高清城市功能区识别方法及系统
CN111879329A (zh) 基于a*算法的定制公交可通行最短路径计算方法
Chen et al. Personalized travel route recommendation algorithm based on improved genetic algorithm
CN113095570B (zh) 基于需求差异性的自行车骑行路径推荐方法
CN112417204A (zh) 一种基于实时路况的音乐推荐系统
Diana et al. A multimodal perspective in the study of car sharing switching intentions
Torres et al. PRoA: An intelligent multi-criteria personalized route assistant
Zhou et al. Smart tour route planning algorithm based on clustering center motive iteration search
D'Andrea et al. Path clustering based on a novel dissimilarity function for ride-sharing recommenders
Rodrigues et al. Hybrid context-aware multimodal routing
CN114724414B (zh) 城市空中交通分担率的确定方法、装置、电子设备及介质
Javeed et al. A critical appraisal of mode choice model of work trips
Panagiotakis et al. The Tourist Trip Design Problem with POI Categories via an Expectation-Maximization Based Method.
Pang et al. Intelligent route selection for in-vehicle navigation systems
Bramson et al. Scoring and classifying regions via multimodal transportation networks

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
GR01 Patent grant