CN113701778A - 一种基于乘客路线偏好的网约车路线规划方法及装置 - Google Patents
一种基于乘客路线偏好的网约车路线规划方法及装置 Download PDFInfo
- Publication number
- CN113701778A CN113701778A CN202111027654.XA CN202111027654A CN113701778A CN 113701778 A CN113701778 A CN 113701778A CN 202111027654 A CN202111027654 A CN 202111027654A CN 113701778 A CN113701778 A CN 113701778A
- Authority
- CN
- China
- Prior art keywords
- route
- passenger
- network
- road
- road section
- 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 23
- 238000004364 calculation method Methods 0.000 claims abstract description 74
- 238000012937 correction Methods 0.000 claims abstract description 63
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000003491 array Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于乘客路线偏好的网约车路线规划方法及装置，其中方法包括：获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中；基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
Description
技术领域
本发明涉及网约车路线规划的技术领域，具体涉及一种基于乘客路线偏好的网约车路线规划方法及装置。
背景技术
随着科技的进步，移动设备以及移动通信网络不断地发展，网约车随之出现。网约车是一种依托移动设备与互联网技术，通过整合供需信息，提供预约出租车的出行服务。网约车由于其广分布性、便捷性和及时性，逐渐在交通出行市场中占有重要的份额。
现有的网约车送驾路线规划一般根据乘客在网约车订单设置的起点和终点，结合电子地图路网数据，综合考虑路况、避让区域、限行等因素，输出预估的里程、时间以及途经点经纬度及阶段路线的描述。科学合理的网约车送驾路线规划，能够提升送驾效率，提高用户对网约车服务的满意度。
但是，现有的网约车在进行路线规划时一般主要考虑距离与时间因素，输出的规划路线与乘客习惯的出行路线有差异，未能兼顾乘客个性化出行服务的需求，如乘客在习惯路线途中办理其他事务；继而可能产生乘客对司机不必要的误解，降低了司乘双方的服务体验。
发明内容
为了克服上述现有网约车路线生成的技术缺陷，本发明提供一种基于乘客路线偏好的网约车路线规划方法及装置。
为了解决上述问题，本发明按以下技术方案予以实现的：
第一方面，本发明公开了一种基于乘客路线偏好的网约车路线规划方法，包括：
获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；
基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；
获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；
生成路段统计表，基于空间匹配计算的结果，将各路段匹配成功的次数分别更新至路段统计表中；
基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；
将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
结合第一方面，本发明还提供第一方面的第1种优选实施，所述偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。
结合第一方面，本发明还提供第一方面的第2种优选实施，所述空间匹配计算，具体包括：
提取其中一次历史出行轨迹的所有轨迹点数组；
在预设范围内搜索靠近轨迹点的基础路网路段；
若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
对该用户所有历史出行轨迹都执行上述空间匹配计算。
结合第一方面，本发明还提供第一方面的第3种优选实施，所述路径规划算法的要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；
所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
结合第一方面，本发明还提供第一方面的第4种优选实施，所述更新乘客对应的路网权重数据，具体包括：
权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost；
其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
第二方面，本发明还提供了一种基于乘客路线偏好的网约车路线规划装置，包括订单获取模块、历史轨迹模块、空间匹配模块、路段统计模块、权重计算模块以及路线生成模块；
订单获取模块用于获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；
历史轨迹模块用于基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；
空间匹配模块用于获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；
路段统计模块用于生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中；
权重计算模块用于基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；
路线生成模块用于将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
结合第二方面，本发明还提供第二方面的第1种优选实施，所述权重计算模块中，偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。
结合第二方面，本发明还提供第二方面的第2种优选实施，所述空间匹配模块具体包括：
提取其中一次历史出行轨迹的所有轨迹点数组；
在预设范围内搜索靠近轨迹点的基础路网路段；
若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
对该用户所有历史出行轨迹都执行上述空间匹配计算。
结合第二方面，本发明还提供第二方面的第3种优选实施，所述路线生成模块中的路径规划算法的输出要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；
所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
结合第二方面，本发明还提供第二方面的第4种优选实施，所述权重计算模块具体包括：
权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost；
其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
与现有技术相比，本发明的有益效果是：
本发明通过获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹，结合基础路网数据，在偏好计算模型中计算得出修正参数，基于修正参数计算出路网权重数据，然后基于路网权重数据计算后，生成基于乘客偏好的网约车路线。本发明通过将乘客的历史偏好作为考虑因素，加入到网约车的路线规划中，使得网约车的路线规划更为贴近乘客的偏好，从而使乘客在网约车订单中尽量经过熟悉的路段，可在途中顺便完成其他事务，同时能避免乘客认为网约车平台以及司机故意绕路，避免不必要的司乘纠纷，同时提高司机和乘客的体验。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
图1是本发明的基于乘客路线偏好的网约车路线规划方法的流程示意图；
图2是本发明的基于乘客路线偏好的网约车路线规划装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
实施例1
第一方面，本发明公开了一种基于乘客路线偏好的网约车路线规划方法，至少包括服务器、乘客端和司机端，具体包括如下步骤：
步骤S1：获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息。
具体地，服务器在获取来自乘客端提交的网约车订单，网约车订单包括网约车的时间，以及网约车乘客的乘客信息，包括乘客的姓名和联系方式，还包括网约车订单中的上车点和下车点，即乘客在乘客端输入的起点和终点。
步骤S2：基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹。
具体地，服务器获取乘客信息后，提取乘客信息中的身份识别信息，基于乘客信息中的身份识别信息，在服务器本地缓存的订单数据库中寻找与该乘客相关的历史订单，即该乘客曾经完成的网约车订单。在历史的网约车订单中，获取其中记录的路线，作为历史出行轨迹。
优选地，在实施过程中包括两种方式。一是定时调度批量获取，对某一时间段(如：10天/20天/30天)乘客历史轨迹进行批量获取处理，通过乘客编号查询多条出行轨迹记录。二是实时获取，监听网约车订单完成事件，从订单数据库中实时读取提交的完成订单信息。
优选地，乘客出行轨迹包括：订单编号、乘客编号、轨迹点数据组，其中轨迹点数组包括定位更新时间戳、定位点经度和定位点纬度。
步骤S3：获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算。
具体地，服务器从网络以及本地数据库中获取网约车订单中，上车点和下车点附近路段的基础路网数据，历史出行轨迹与基础路网数据进行空间匹配计算，空间匹配计算后，能获取乘客在历史网约车订单中的偏好路线。
作为优选地，所述空间匹配计算，具体包括：
S31：遍历该乘客所有历史出行轨迹；
S32：提取其中一条历史出行轨迹的所有轨迹点数组；
S33：在预设范围内搜索靠近轨迹点的基础路网路段；
S34：若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
S35：若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
S36：对该用户所有历史出行轨迹都执行上述空间匹配计算。
本实施例优选地，乘客路线编好统计表至少包括序号、乘客编号、路段编号、经过次数和最后通过时间。
在执行更新乘客出行偏好统计表时，具体包括如下两种处理方式：
第一种处理方式，对于首次经过该路段，新增记录，录入乘客编号、路段编号，经过次数为1，最后通过时间为匹配轨迹点的定位更新时间。
另一种处理方式，对于非首次经过该路段，更新记录，在原经过次数基础上加1，最后通过时间设置为当前匹配轨迹点的定位更新时间。
本实施例中，基础路网数据包括路段编号、起始点编号、终止点编号、通行方向、等级、速度限制和名称。
步骤S4：生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中。
具体地，服务器生成与乘客相对应的路段统计表，若乘客对应的路段统计表已存在则不进行新建，直接沿用旧的路段统计表，在服务器获取空间匹配计算的结果后，将空间匹配计算的结果一次更新到路段统计表中。
历史出行轨迹经过某路段，则在路段统计表中增加或更新记录，记录路段编号、乘客编号并累加通过次数,从而使路段统计表能基于历史出行进行统计，准确地记录乘客的出行路线偏好。
步骤S5：基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据。
具体地，服务器将路段统计表放入偏好计算模型中，然后通过修正函数计算出对应的修正参数，结合修正参数，对路网权重数据进行对应该乘客的更新，从而获取针对该乘客个人的路网权重数据。
本实施例优选地，所述偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。本实施例进一步地，α，β默认值为0.5。
步骤S6：将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
所述路径规划算法中计算输出要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
进一步地，所述更新乘客对应的路网权重数据，具体包括：权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost。
其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
具体地，在本实例中，权重为该路段的通行时间。修正系数A为单调递增函数，即当乘客通过该路段的次数越高，修正系数的值越小，通过该路段的代价越小，在路线规划中该路段被选中的机会越高。然后获取乘客的上下车点，调用路径规划算法。
本实施例中，所述路线规划算法为A*算法。A*为常用的最短路径规划算法，算法设置两个集合：open—待处理节点、close—已处理节点。算法描述如下：
1.初始化open集合，将起点放入open中，权重为0。
2.遍历open集合。
2.1如果open为空则说明搜索完成，跳出。
2.2不为空，取出权重最小的节点。
2.2.1节点是终点，跳出。
2.2.2节点非终点。从open挪入close。遍历节点的临近节点。
2.2.2.1临近节点在close中，跳出。
2.2.2.2临近节点不在open中：计算起点到临近节点的加权路网权重累加值g；计算临近节点到终点的加权路网权重累加值h；总距离f＝g+h；放入open集合中；修改节点的g、h值；记录父节点。
2.2.2.3临近节点在open中：获取临近节点原g——tmpG；起点经父节点到临近节点的新权重g＝(父g+10)；如果tmpG<＝g，跳出。如果tmpG>g：临近节点新总权重f＝g+原h；放入open集合中；修改临近节点的g值；记录父节点。
本实施例中使用postgis中pgRouting扩展包的pgr_aStar函数生成基于乘客用户的规划路线。
最后，本发明在获取规划路线后，还执行基于规划路线返回规划路线节点、里程和时间，返回至司机端和乘客端中，以使司机和乘客知晓本次网约车订单的路线。
本发明通过获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹，结合基础路网数据，在偏好计算模型中计算得出修正参数，基于修正参数计算出路网权重数据，然后基于路网权重数据计算后，生成基于乘客偏好的网约车路线。本发明通过将乘客的历史偏好作为考虑因素，加入到网约车的路线规划中，使得网约车的路线规划更为贴近乘客的偏好，从而使乘客在网约车订单中尽量经过熟悉的路段，可在途中顺便完成其他事务，同时能避免乘客认为网约车平台以及司机故意绕路，避免不必要的司乘纠纷，同时提高司机和乘客的体验。
实施例2
第二方面，本发明还提供了一种基于乘客路线偏好的网约车路线规划装置，包括订单获取模块M1、历史轨迹模块M2、空间匹配模块M3、路段统计模块M4、权重计算模块M5以及路线生成模块M6；
订单获取模块M1用于获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；
历史轨迹模块M2用于基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；
空间匹配模块M3用于获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；
路段统计模块M4用于生成路段统计表，基于空间匹配计算的结果，将各路段匹配成功的次数分别更新至路段统计表中；
权重计算模块M5用于基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；
路线生成模块M6用于将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
作为一种优选实施，所述权重计算模块M5中，偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。
进一步优选地，所述空间匹配模块M3具体包括：
遍历该乘客的所有历史出行轨迹；
提取其中一条历史出行轨迹的所有轨迹点数组；
在预设范围内搜索靠近轨迹点的基础路网路段；
若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
对该用户所有历史出行轨迹都执行上述空间匹配计算。
本实施例优选地，所述路线生成模块M6中的路径规划算法的要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；
所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
作为一种优选实施，所述权重计算模块M5具体包括：权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost；其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
通过运行本发明实施例所述装置，能实现实施例1中所述的基于乘客路线偏好的网约车路线规划方法的全部步骤，从而规划出考虑乘客路线偏好后的网约车路线。
实施例3
本发明还公开一种电子设备，至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，所述至少一个处理器执行指令时，具体实现以下的步骤：获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中；基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
实施例4
本发明还公开一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，具体实现以下步骤：获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中；基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，上述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Java等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施方式，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。
Claims (10)
1.一种基于乘客路线偏好的网约车路线规划方法，其特征在于，包括：
获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；
基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；
获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；
生成路段统计表，基于空间匹配计算的结果，将各路段匹配成功的次数分别更新至路段统计表中；
基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；
将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
2.根据权利要求1所述的基于乘客路线偏好的网约车路线规划方法，其特征在于：
所述偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。
3.根据权利要求1所述的基于乘客路线偏好的网约车路线规划方法，其特征在于，所述空间匹配计算，具体包括：
提取其中一次历史出行轨迹的所有轨迹点数组；
在预设范围内搜索靠近轨迹点的基础路网路段；
若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
对该用户所有历史出行轨迹都执行上述空间匹配计算。
4.根据权利要求1所述的基于乘客路线偏好的网约车路线规划方法，其特征在于：
所述路径规划算法的输出要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；
所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
5.根据权利要求1所述的基于乘客路线偏好的网约车路线规划方法，其特征在于，所述更新乘客对应的路网权重数据，具体包括：
权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost；
其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
6.一种基于乘客路线偏好的网约车路线规划装置，其特征在于，包括订单获取模块、历史轨迹模块、空间匹配模块、路段统计模块、权重计算模块以及路线生成模块；
订单获取模块用于获取网约车订单，获取网约车订单中的上车点、下车点以及乘客信息；
历史轨迹模块用于基于乘客信息，获取乘客的历史订单，从历史订单中获取对应的历史出行轨迹；
空间匹配模块用于获取基础路网数据，依次将历史出行轨迹与基础路网数据进行空间匹配计算；
路段统计模块用于生成路段统计表，基于空间匹配计算的结果，将各路段的匹配成功的次数分别更新至路段统计表中；
权重计算模块用于基于路段统计表，在偏好计算模型中通过修正函数计算出对应的修正参数，基于修正参数更新乘客对应的路网权重数据；
路线生成模块用于将上车点、下车点和路网权重数据相结合，通过路径规划算法生成推荐路线。
7.根据权利要求6所述的基于乘客路线偏好的网约车路线规划装置，其特征在于：
所述权重计算模块中，偏好计算模型的修正函数为：
其中，f(x)为基于Sigmoid函数的修正函数，f(x)单调递减,值域为[α，1]，x为乘客经过该路段的次数，Avg为该乘客在统计表中乘客通过路段的平均次数，Avg的值域为[0,∞],基于x-Avg/Avg对通过次数进行标准化处理,以避免量纲的影响,α用于控制修正参数值域，α的取值范围为[0,1]，β用于控制修正参数响应乘客出行次数变化的灵敏度，β的取值范围(0，∞)。
8.根据权利要求6所述的基于乘客路线偏好的网约车路线规划装置，其特征在于，所述空间匹配模块具体包括：
提取其中一次历史出行轨迹的所有轨迹点数组；
在预设范围内搜索靠近轨迹点的基础路网路段；
若预设范围内存在基础路网路段，则匹配成功，并记录基础路网路段的编号，且多个轨迹点与同一路段匹配成功时，仅记录一次；
若预设范围内不存在基础路网路段，则匹配失败，不进行记录；
对该用户所有历史出行轨迹都执行上述空间匹配计算。
9.根据权利要求6所述的基于乘客路线偏好的网约车路线规划装置，其特征在于：
所述路线生成模块中的路径规划算法的输出要素包括总距离、预估时间、途经点经纬度数组和行驶步骤；
所述行驶步骤包括以阶段划分的数组，包括路线描述、途经点坐标串起止编号、路线路名、方向、距离、估算时间以及路线末尾动作。
10.根据权利要求6所述的基于乘客路线偏好的网约车路线规划装置，其特征在于，所述权重计算模块具体包括：
权重计算模型进行计算，权值计算模型的计算newCost＝A*oldCost；
其中，A为修正参数，oldCost为更新前的路网权重，newCost为更新后的路网权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027654.XA CN113701778B (zh) | 2021-09-02 | 2021-09-02 | 一种基于乘客路线偏好的网约车路线规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027654.XA CN113701778B (zh) | 2021-09-02 | 2021-09-02 | 一种基于乘客路线偏好的网约车路线规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113701778A true CN113701778A (zh) | 2021-11-26 |
| CN113701778B CN113701778B (zh) | 2024-04-19 |
Family
ID=78657497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111027654.XA Active CN113701778B (zh) | 2021-09-02 | 2021-09-02 | 一种基于乘客路线偏好的网约车路线规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113701778B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049105A (zh) * | 2022-05-16 | 2022-09-13 | 贵州民族大学 | 出租车轨迹大数据驱动的载客路线推荐方法、装置及介质 |
| CN117292550A (zh) * | 2023-11-24 | 2023-12-26 | 天津市普迅电力信息技术有限公司 | 一种面向车联网应用的限速预警功能检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160320200A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Controlling travel route planning module based upon user travel preference |
| CN106931986A (zh) * | 2017-04-26 | 2017-07-07 | 电子科技大学 | 个性化路径导航方法和系统 |
| CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
| EP3502623A1 (en) * | 2017-12-20 | 2019-06-26 | Trafi Limited | Navigation method using historical navigation data to provide geographical- and user-optimised route suggestions |
| CN110637213A (zh) * | 2017-05-16 | 2019-12-31 | 北京嘀嘀无限科技发展有限公司 | 用于数字路径规划的系统和方法 |
| CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
| WO2020107441A1 (en) * | 2018-11-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for map matching |
| CN111854779A (zh) * | 2020-02-25 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-09-02 CN CN202111027654.XA patent/CN113701778B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160320200A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Controlling travel route planning module based upon user travel preference |
| CN106931986A (zh) * | 2017-04-26 | 2017-07-07 | 电子科技大学 | 个性化路径导航方法和系统 |
| CN110637213A (zh) * | 2017-05-16 | 2019-12-31 | 北京嘀嘀无限科技发展有限公司 | 用于数字路径规划的系统和方法 |
| CN108303108A (zh) * | 2017-12-05 | 2018-07-20 | 华南理工大学 | 一种基于车辆历史轨迹的个性化路线推荐方法 |
| EP3502623A1 (en) * | 2017-12-20 | 2019-06-26 | Trafi Limited | Navigation method using historical navigation data to provide geographical- and user-optimised route suggestions |
| WO2020107441A1 (en) * | 2018-11-28 | 2020-06-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for map matching |
| CN110909096A (zh) * | 2019-10-31 | 2020-03-24 | 腾讯科技（深圳）有限公司 | 推荐上车点确定方法及装置、存储介质、电子设备 |
| CN111854779A (zh) * | 2020-02-25 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 朱杰;姚申君;余柏蒗;吴健平;吕振华;杜云滔;: "基于点序列和要素加权法的地图匹配算法", 测绘与空间地理信息, vol. 2, no. 1, 31 August 2017 (2017-08-31), pages 17 - 22 * |
| 李建伏: "基于出行偏好和路径长度的路径规划方法", 吉林大学学报(理学版), vol. 59, no. 1, 31 January 2021 (2021-01-31), pages 107 - 114 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049105A (zh) * | 2022-05-16 | 2022-09-13 | 贵州民族大学 | 出租车轨迹大数据驱动的载客路线推荐方法、装置及介质 |
| CN117292550A (zh) * | 2023-11-24 | 2023-12-26 | 天津市普迅电力信息技术有限公司 | 一种面向车联网应用的限速预警功能检测方法 |
| CN117292550B (zh) * | 2023-11-24 | 2024-02-13 | 天津市普迅电力信息技术有限公司 | 一种面向车联网应用的限速预警功能检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113701778B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909096B (zh) | 推荐上车点确定方法及装置、存储介质、电子设备 | |
| US9116007B2 (en) | System and method for journey planning, finding K shortest paths through a time/space network | |
| US8229666B2 (en) | Generating and using pattern keys in navigation systems to predict user destinations | |
| US9776512B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
| US9404760B2 (en) | Efficient route planning in public transportation networks | |
| CN110288849B (zh) | 一种基于混合交通模式的出行路线推荐方法 | |
| WO2019212600A1 (en) | Deep reinforcement learning for optimizing carpooling policies | |
| CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
| CN113701778A (zh) | 一种基于乘客路线偏好的网约车路线规划方法及装置 | |
| CN108444486B (zh) | 一种导航路线排序方法和装置 | |
| JP6138934B2 (ja) | 交通需要制御装置 | |
| CN110647693B (zh) | 路径推荐的方法和装置 | |
| CN103942312B (zh) | 公交换乘线路规划方法和装置 | |
| CN103793763A (zh) | 基于大数据与云计算的最优公交乘车路径挖掘系统 | |
| TW202146852A (zh) | 路線偏差量化和基於其之交通工具路線學習 | |
| CN109242202B (zh) | 一种基于区域间乘客流动的出租车推荐方法及系统 | |
| US10635764B2 (en) | Method and device for providing vehicle navigation simulation environment | |
| CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
| US11733051B2 (en) | Communications server apparatus, method and communications system for managing request for transport-related services | |
| CN116989809A (zh) | 导航信息更新方法、装置、电子设备及存储介质 | |
| EP3702980A1 (en) | Method for route plan optimization taking constraint and event into account | |
| Richly et al. | Predicting location probabilities of drivers to improved dispatch decisions of transportation network companies based on trajectory data | |
| CN117537834A (zh) | 一种基于驾驶偏好的地图导航方法及装置 | |
| CN114485696B (zh) | 到达点的获取方法、电子设备及存储介质 | |
| Subham et al. | Improving taxi revenue using reinforcement learning |
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 |