CN113850419A - 基于出行大数据的路线推荐方法、装置、设备和存储介质 - Google Patents
基于出行大数据的路线推荐方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113850419A CN113850419A CN202111060694.4A CN202111060694A CN113850419A CN 113850419 A CN113850419 A CN 113850419A CN 202111060694 A CN202111060694 A CN 202111060694A CN 113850419 A CN113850419 A CN 113850419A
- Authority
- CN
- China
- Prior art keywords
- route
- route information
- historical
- travel
- day
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本文提供了一种基于出行大数据的路线推荐方法、装置、设备和存储介质，其中方法包括：获取始发地、目的地和出行日；根据所述始发地和所述目的地，确定预期路线信息集合；根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。本文提高路线推荐的准确性，进而提高用户出行体验。
Description
技术领域
本发明涉及路线推荐领域，特别地，涉及一种基于出行大数据的路线推荐方法、装置、设备和存储介质。
背景技术
随着社会的发展，越来越多的人在出行前会进行路线的规划，在路线规划的基础上进行相应的出行，现有的路线规划的方式大都是通过电子地图进行，输入始发地、输入目的地，电子地图会将所有可行的路线推荐出来，供用户进行选择。
但实际上，因为大多数人在进行路线规划时是在实际出行日之前进行，例如五一节假日出去游玩，大多数人会在五一之前将路线规划好，假设在4月30日进行路线规划，此时通过电子地图输入始发地和目的地后显示的路线是与4月30日当天对应的路线。在进行路线推荐时无法考虑五一当天的交通情况，例如五一当天的天气、车流量等等都会对实际的路线产生影响。如果用户为了快速到达在4月30日当天选择了始发地至目的地之间所需时间最少的一条路线，但是实际上五一当天该条路线选择的人数暴涨，该路段车流量剧增，将会导致达不到用户实际想要快速到达的愿望。
因此现在亟需一种基于出行大数据的路线推荐方法，能够结合出行当天的实际情况，提高路线推荐的准确性，进而提高用户出行体验。
发明内容
本文实施例的目的在于提供一种基于出行大数据的路线推荐方法、装置、设备和存储介质，以提高路线推荐的准确性，进而提高用户出行体验。
为达到上述目的，一方面，本文实施例提供了一种基于出行大数据的路线推荐方法，包括：
获取始发地、目的地和出行日；
根据所述始发地和所述目的地，确定预期路线信息集合；
根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
优选的，所述根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息，包括：
根据出行日确定历史出行日；
将历史出行日按照设定时间段进行均等划分，形成若干历史时段；
根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间。
优选的，所述根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，包括：
根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段通行时间的最大值和最小值；
对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间。
优选的，所述对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间，包括：
通过如下公式计算拥堵区段所需出行时间：
其中，M为拥堵区段所需出行时间，a为最大值，b为最小值。
优选的，所述根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合，包括：
根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正；
将修正后的预期路线信息集合确定为实际路线信息集合。
优选的，所述根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正，包括：
将出行日按照设定时间段进行均等划分，形成若干实际时段，其中若干实际时段分别与若干历史时段一一对应；
将每一路线在任一历史时段内的拥堵区段对应标记在相应路线的若干实际时段内；
将每一路线在任一历史时段内的所需通行时间求和，根据求和结果对所述预期路线信息集合中对应的预期路线信息进行修正。
优选的，还包括：
根据所述预期路线信息集合，确定每一路线沿途经过的城市；
确定每一城市在出行日的天气信息；
根据每一路线对应每一城市的天气信息对所述预期路线信息集合进行修正；
将修正后的预期路线信息集合确定为实际路线信息集合。
另一方面，本文实施例提供了一种基于出行大数据的路线推荐装置，所述装置包括：
获取模块：获取始发地、目的地和出行日；
预期路线信息集合确定模块：根据所述始发地和所述目的地，确定预期路线信息集合；
历史路线信息确定模块：根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
确定模块：根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
又一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
又一方面，本文实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
由以上本文实施例提供的技术方案可见，本文实施例相较于原来只能通过出行日之前任意一天确定的预期路线信息来对出行日当天的路线信息进行预测，本文实施例可以通过历史路线信息对相应的预期路线信息进行修正，得到准确度更高的实际路线信息，进而提高路线推荐的准确性，提高用户的出行体验。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，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示出了本文实施例提供的一种基于出行大数据的路线推荐方法的流程示意图；
图2示出了本文实施例提供的确定历史路线信息的流程示意图；
图3示出了本文实施例提供的确定的拥堵区段以及对应拥堵区段所需通行时间的流程示意图；
图4示出了本文实施例提供的确定实际路线信息集合的流程示意图；
图5示出了本文实施例提供的对预期路线信息进行修正的流程示意图；
图6示出了本文实施例提供的一种基于出行大数据的路线推荐方法的另一流程示意图；
图7示出了本文实施例提供的一种基于出行大数据的路线推荐装置的模块结构示意图；
图8示出了本文实施例提供的计算机设备的结构示意图。
附图符号说明：
100、获取模块；
200、预期路线信息集合确定模块；
300、历史路线信息确定模块；
400、确定模块；
802、计算机设备；
804、处理器；
806、存储器；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
随着社会的发展，越来越多的人在出行前会进行路线的规划，在路线规划的基础上进行相应的出行，现有的路线规划的方式大都是通过电子地图进行，输入始发地、输入目的地，电子地图会将所有可行的路线推荐出来，供用户进行选择。
但实际上，因为大多数人在进行路线规划时是在实际出行日之前进行，例如五一节假日出去游玩，大多数人会在五一之前将路线规划好，假设在4月30日进行路线规划，此时通过电子地图输入始发地和目的地后显示的路线是与4月30日当天对应的路线。在进行路线推荐时无法考虑五一当天的交通情况，例如五一当天的天气、车流量等等都会对实际的路线产生影响。如果用户为了快速到达在4月30日当天选择了始发地至目的地之间所需时间最少的一条路线，但是实际上五一当天该条路线选择的人数暴涨，该路段车流量剧增，将会导致达不到用户实际想要快速到达的愿望。
为了解决上述问题，本文实施例提供了一种基于出行大数据的路线推荐方法，。图1是本文实施例提供的一种基于出行大数据的路线推荐方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
参照图1，一种基于出行大数据的路线推荐方法，包括：
S101：获取始发地、目的地和出行日；
S102：根据所述始发地和所述目的地，确定预期路线信息集合；
S103：根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
S104：根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
在步骤S102中，可以根据高德地图或百度地图等确定预期路线信息集合，预期路线信息集合是在出行日前的任意一天对应的始发地至目的地之间的所有路线信息的集合。例如，出行日为2021年5月1日，为了规划五一的旅程，一般是在五一前，比如4月30日查看始发地至目的地之间的所有路线。对于百度地图来说，可以在其中输入始发地、目的地，确定始发地至目的地之间的所有路线信息，形成预期路线信息集合。
根据出行日可以进一步确定历史出行日，历史路线信息为历史出行日当天的路线数据，历史路线信息存储在历史数据库中，例如对于2021年5月1日来说，其对应的历史出行日为2021年之前任意一年的5月1日，历史路线信息可以为对应历史出行日由始发地至目的地之间所有的路线信息。当然，为了保证计算的准确度，可以将最近一年确定为历史出行日，将其路线数据作为历史路线信息，即2020年5月1日由始发地至目的地之间所有的路线数据。
在本文实施例中，路线信息指的是对应路线的拥堵区段、拥堵区段的通行时间、沿途城市、对应路线的通行时间等等信息。
根据每一路线在历史出行日对应的历史路线信息可以对相应的预期路线信息集合进行修正，确定实际路线信息集合。
相较于原来只能通过出行日之前任意一天确定的预期路线信息来对出行日当天的路线信息进行预测，本文实施例可以通过历史路线信息对相应的预期路线信息进行修正，得到准确度更高的实际路线信息，进而提高路线推荐的准确性，提高用户的出行体验。
参照图2，在本文实施例中，所述根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息，包括：
S201：根据出行日确定历史出行日；
S202：将历史出行日按照设定时间段进行均等划分，形成若干历史时段；
S203：根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间。
为了确保计算的准确度，可以将最近一年的出行日确定为历史出行日，将历史出行日按照设定时间段进行均等划分，其中设定时间段可以根据实际需求确定，例如可以取设定时间段为1小时，将历史出行日划分为24等份，每等份对应1小时，构成24个历史时段。如果历史出行日为2020年5月1日，历史时段分别为2020年5月1日0点至1点、1点至2点……
参照图3，进一步的，所述根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，包括：
S301：根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段通行时间的最大值和最小值；
S302：对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间。
对于任一路线在任一历史时段内的拥堵区段来说，其对应的通行时间有多个，例如对于A路线2020年5月1日0点至1点的拥堵区段a来说，假设拥堵区段a为30米，在这一小时的时间内a的拥堵情况是在不断变化的，因此通过a的通行时间可以为0点至0点15分的15分钟、也可以为0点10分至0点20分的10分钟等等，对于这些拥堵区段的通行时间来说，取通行时间的最大值和最小值，根据对最大值和最小值进行计算，确定对应拥堵区段所需出行时间。
更进一步的，所述对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间，包括：
通过如下公式计算拥堵区段所需出行时间：
其中，M为拥堵区段所需出行时间，a为最大值，b为最小值。
本文可以通过最大值和最小值计算中位数作为对应拥堵区段所需出行时间，除此之外，也可以取所有通行时间的平均值作为对应拥堵区段所需出行时间，也可以取所有通行时间中的众数作为对应拥堵区段所需出行时间。
参照图4，在本文实施例中，所述根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合，包括：
S401：根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正；
S402：将修正后的预期路线信息集合确定为实际路线信息集合。
由于预期路线信息中没有考虑出行日当天的实际路况，因此需要通过历史时段内的拥堵区段和对应拥堵区段所需通行时间对预期路线信息进行修正。
参照图5，在本文实施例中，所述根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正，包括：
S501：将出行日按照设定时间段进行均等划分，形成若干实际时段，其中若干实际时段分别与若干历史时段一一对应；
S502：将每一路线在任一历史时段内的拥堵区段对应标记在相应路线的若干实际时段内；
S503：将每一路线在任一历史时段内的所需通行时间求和，根据求和结果对所述预期路线信息集合中对应的预期路线信息进行修正。
将出行日按照设定时间段进行均等划分形成实际时段，与历史时段保持一致，例如可以与上文保持一致，如果出行日为2021年5月1日，实际时段分别为2021年5月1日0点至1点、1点至2点……
如果A路线在历史时段内2020年5月1日0点至1点之间的拥堵区段为a、c、f，可以将对应的拥堵区段在2021年5月1日0点至1点中进行标记，以提醒出行用户进行关注。
此外，如果通过计算得到拥堵区段a的所需通行时间为1小时，拥堵区段c的所需通行时间为1.5小时，拥堵区段f的所需通行时间为0.5小时，则可以对所有拥堵区段求和为3小时。通过求和结果可以对预期路线信息中相应路线的通行时间进行修正，例如2021年4月30日相应路线的通行时间为12小时，12小时加3小时可以得到2021年5月1日的通行时间为15小时。使得对路线的预测更加准确。
参照图6，本文实施例还包括：
S601：根据所述预期路线信息集合，确定每一路线沿途经过的城市；
S602：确定每一城市在出行日的天气信息；
S603：根据每一路线对应每一城市的天气信息对所述预期路线信息集合进行修正；
S604：将修正后的预期路线信息集合确定为实际路线信息集合。
具体的，如果A路线沿途经过M城，对于M城在2021年5月1日的气象信息预告表明存在阴雨天气，因为阴雨天气可能对路况产生影响，相应的，可以根据设定天气级别对预期路线信息集合进行修正。例如可以将天气分为大风、暴风、小雨、中雨、大雨、暴雨、雾、其他极端天气这些天气级别，根据天气级别设定不同天气级别对应的修正值，例如大风修正值为2小时，大雨修正值为3小时。在上述预测2021年5月1日的通行时间为15小时的基础上，若沿途经过的M城在5月1日当天有大雨，可以将15小时加3小时得到18小时为修正后A路线的实际路线信息。将所有路线的实际路线信息进行总和，得到实际路线信息集合。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
基于上述所述的基于出行大数据的路线推荐方法，本文实施例还提供基于出行大数据的路线推荐装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图7是本文实施例提供的基于出行大数据的路线推荐装置一个实施例的模块结构示意图，参照图7所示，本文实施例提供的基于出行大数据的路线推荐装置包括：获取模块100、预期路线信息集合确定模块200、历史路线信息确定模块300、确定模块400。
获取模块100：获取始发地、目的地和出行日；
预期路线信息集合确定模块200：根据所述始发地和所述目的地，确定预期路线信息集合；
历史路线信息确定模块300：根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
确定模块400：根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
参照图8所示，基于上述所述的一种基于出行大数据的路线推荐方法，本文一实施例中还提供一种计算机设备802，其中上述方法运行在计算机设备802上。计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器806上并可在处理器804上运行的计算机程序，所述计算机程序被所述处理器804运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810(I/O)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口818(GUI)。在其他实施例中，还可以不包括输入/输出模块810(I/O)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1-图6中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图6所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
Claims (10)
1.一种基于出行大数据的路线推荐方法，其特征在于，包括：
获取始发地、目的地和出行日；
根据所述始发地和所述目的地，确定预期路线信息集合；
根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
2.根据权利要求1所述的基于出行大数据的路线推荐方法，其特征在于，所述根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息，包括：
根据出行日确定历史出行日；
将历史出行日按照设定时间段进行均等划分，形成若干历史时段；
根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间。
3.根据权利要求2所述的基于出行大数据的路线推荐方法，其特征在于，所述根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，包括：
根据所述始发地、所述目的地和所述若干历史时段，确定所述预期路线信息集合中每一路线在任一历史时段内的拥堵区段以及对应拥堵区段通行时间的最大值和最小值；
对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间。
4.根据权利要求3所述的基于出行大数据的路线推荐方法，其特征在于，所述对所述最大值和最小值进行计算，确定对应拥堵区段所需出行时间，包括：
通过如下公式计算拥堵区段所需出行时间：
其中，M为拥堵区段所需出行时间，a为最大值，b为最小值。
5.根据权利要求2所述的基于出行大数据的路线推荐方法，其特征在于，所述根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合，包括：
根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正；
将修正后的预期路线信息集合确定为实际路线信息集合。
6.根据权利要求5所述的基于出行大数据的路线推荐方法，其特征在于，所述根据每一路线在任一历史时段内的拥堵区段以及对应拥堵区段所需通行时间，对所述预期路线信息集合中对应的预期路线信息进行修正，包括：
将出行日按照设定时间段进行均等划分，形成若干实际时段，其中若干实际时段分别与若干历史时段一一对应；
将每一路线在任一历史时段内的拥堵区段对应标记在相应路线的若干实际时段内；
将每一路线在任一历史时段内的所需通行时间求和，根据求和结果对所述预期路线信息集合中对应的预期路线信息进行修正。
7.根据权利要求1所述的基于出行大数据的路线推荐方法，其特征在于，还包括：
根据所述预期路线信息集合，确定每一路线沿途经过的城市；
确定每一城市在出行日的天气信息；
根据每一路线对应每一城市的天气信息对所述预期路线信息集合进行修正；
将修正后的预期路线信息集合确定为实际路线信息集合。
8.一种基于出行大数据的路线推荐装置，其特征在于，所述装置包括：
获取模块：获取始发地、目的地和出行日；
预期路线信息集合确定模块：根据所述始发地和所述目的地，确定预期路线信息集合；
历史路线信息确定模块：根据所述始发地、所述目的地和所述出行日，确定所述预期路线信息集合中每一路线在历史出行日对应的历史路线信息；
确定模块：根据每一路线在历史出行日对应的历史路线信息以及所述预期路线信息集合，确定实际路线信息集合。
9.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060694.4A CN113850419A (zh) | 2021-09-10 | 2021-09-10 | 基于出行大数据的路线推荐方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060694.4A CN113850419A (zh) | 2021-09-10 | 2021-09-10 | 基于出行大数据的路线推荐方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850419A true CN113850419A (zh) | 2021-12-28 |
Family
ID=78973883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111060694.4A Pending CN113850419A (zh) | 2021-09-10 | 2021-09-10 | 基于出行大数据的路线推荐方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850419A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149577A (zh) * | 2013-02-28 | 2013-06-12 | 山东大学 | “北斗”导航、gps导航和历史数据融合的组合导航方法 |
| CN107563710A (zh) * | 2016-06-30 | 2018-01-09 | 上海博泰悦臻网络技术服务有限公司 | 出行推荐方法、系统及电子设备 |
| CN107798412A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种路线推荐方法和装置 |
| CN107909332A (zh) * | 2017-10-09 | 2018-04-13 | 深圳市金立通信设备有限公司 | 出行提醒方法、终端及计算机可读介质 |
| CN110730271A (zh) * | 2019-10-12 | 2020-01-24 | 深圳酷派技术有限公司 | 一种日程提醒方法、装置、存储介质及终端 |
| CN110929179A (zh) * | 2019-11-05 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种出行数据的处理方法、装置及电子设备 |
| CN112129304A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 一种电子导航方法、装置、电子设备和存储介质 |
| CN112997175A (zh) * | 2018-12-29 | 2021-06-18 | 深圳市欢太科技有限公司 | 信息发送方法、装置、存储介质及电子设备 |
-
2021
- 2021-09-10 CN CN202111060694.4A patent/CN113850419A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103149577A (zh) * | 2013-02-28 | 2013-06-12 | 山东大学 | “北斗”导航、gps导航和历史数据融合的组合导航方法 |
| CN107563710A (zh) * | 2016-06-30 | 2018-01-09 | 上海博泰悦臻网络技术服务有限公司 | 出行推荐方法、系统及电子设备 |
| CN107798412A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种路线推荐方法和装置 |
| CN107909332A (zh) * | 2017-10-09 | 2018-04-13 | 深圳市金立通信设备有限公司 | 出行提醒方法、终端及计算机可读介质 |
| CN112997175A (zh) * | 2018-12-29 | 2021-06-18 | 深圳市欢太科技有限公司 | 信息发送方法、装置、存储介质及电子设备 |
| CN112129304A (zh) * | 2019-06-25 | 2020-12-25 | 北京百度网讯科技有限公司 | 一种电子导航方法、装置、电子设备和存储介质 |
| CN110730271A (zh) * | 2019-10-12 | 2020-01-24 | 深圳酷派技术有限公司 | 一种日程提醒方法、装置、存储介质及终端 |
| CN110929179A (zh) * | 2019-11-05 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种出行数据的处理方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chai et al. | Search for parking: A dynamic parking and route guidance system for efficient parking and traffic management | |
| AU2020203551A1 (en) | Dynamically determining origin and destination locations for a network system | |
| US8315792B2 (en) | System and method for travel route planning using safety metrics | |
| Lee et al. | Robust accessibility: Measuring accessibility based on travelers' heterogeneous strategies for managing travel time uncertainty | |
| US9760840B1 (en) | Geospatial data analysis | |
| US9959339B2 (en) | Journey time estimation | |
| US20210174270A1 (en) | Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium | |
| US20110208416A1 (en) | System and method for travel route planning using safety metrics | |
| US11494848B2 (en) | Risk-transfer configurator and simulation engine providing forward- and backward-looking measures for steering and adjustments of risk-driven portfolios of underwriting objects and method thereof | |
| CN113223293B (zh) | 路网仿真模型的构建方法、装置及电子设备 | |
| CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
| CN108332754B (zh) | 路径优化方法、装置、电子设备及计算机存储介质 | |
| CN111862591A (zh) | 路况预测方法、装置及存储介质 | |
| CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
| CN114037188A (zh) | 基于多元评价体系的学位预测方法、装置、设备和介质 | |
| CN113850419A (zh) | 基于出行大数据的路线推荐方法、装置、设备和存储介质 | |
| US20230068677A1 (en) | Methods for construction planning of charging piles in the smart cities and internet of things systems thereof | |
| CN111612183A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
| CN113205227A (zh) | 一种车辆线路优化方法及装置 | |
| Huang et al. | Bi-objective methods for road network problems with disruptions and connecting requirements | |
| CN116030616A (zh) | 一种利用大数据进行交通量预测的方法及装置 | |
| Zhang et al. | Bi-objective routing problem with asymmetrical travel time distributions | |
| JP2015103246A (ja) | 価格決定の方法、システム、およびコンピュータ・プログラム（製品およびサービスのためのロバストな価格決定解決法） | |
| JP6262271B2 (ja) | 情報処理システム、情報処理方法、及びプログラム |
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 |