CN113902209A - 出行路线推荐方法、边缘服务器、云服务器、设备及介质 - Google Patents
出行路线推荐方法、边缘服务器、云服务器、设备及介质 Download PDFInfo
- Publication number
- CN113902209A CN113902209A CN202111220056.4A CN202111220056A CN113902209A CN 113902209 A CN113902209 A CN 113902209A CN 202111220056 A CN202111220056 A CN 202111220056A CN 113902209 A CN113902209 A CN 113902209A
- Authority
- CN
- China
- Prior art keywords
- travel
- recommended
- result
- route
- actual
- 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 45
- 238000004364 calculation method Methods 0.000 claims abstract description 107
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
- G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Navigation (AREA)
Abstract
本公开提供一种出行路线推荐方法、边缘服务器、云服务器、电子设备及计算机可读存储介质，以解决出行路线不合适及打车费用预估不准确的问题，所述方法包括：边缘服务器接收云服务器发送的经优化后的出行计算模型和用户终端的出行请求，根据模型和请求计算出对应的推荐出行结果，包括推荐出行路线和预估费用；将结果发送到用户终端，以使该终端的用户获知本次出行的推荐出行路线及预估费用，并使用户终端将推荐出行结果和实际出行结果发送到云服务器，由云服务器将推荐出行结果和实际出行结果作为大数据分析的数据集优化出行计算模型。本公开技术方案能够使用户打车出行时得到最适合的出行路线，并得到更准确的车费预测结果。
Description
技术领域
本公开涉及交通技术领域，具体涉及一种出行路线推荐方法，一种边缘服务器，一种云服务器，一种电子设备以及一种计算机可读存储介质。
背景技术
随着经济发展，人们生活节奏越来变快，车辆出行在人们的生活中越来越普遍，同时各种各样的打车方式也已经出现。其中，网络约车可为用户提供多种类服务，极大方便用户的日常出行，因此受到了人们的欢迎，在网络约车过程中，用户输入起始地和目的地，网络约车的应用通过计算对应路程而给出相应的预估路费，但由于目前各种道路状况复杂，出行时选择的路线可能会不合理，并且应用给出的预估路费往往不是很准确，特别是当路上道路拥堵情况严重时，由于应用只计算了路程的计费，没有综合考虑多种因素，预估的路费可能会存在较大的偏差，导致预估的路费与实际产生的费用相差较大，引起用户不满。
发明内容
为了至少解决现有技术中打车出行时出行路线不适宜以及车费预计不准确的技术问题，本公开提供一种出行路线推荐方法、边缘服务器、云服务器、电子设备及计算机可读存储介质，能够使用户打车出行时得到最适合的出行路线，并得到更准确的车费预测结果。
第一方面，本公开提供一种出行路线推荐方法，应用于边缘服务器，所述方法包括：
接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
进一步的，所述根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，包括：
根据所述出行请求获取出行计算模型中已记录的对应路段的各条顺风车行驶路线，从中选择至少一条时间段与所述出行请求的出行时间相符的顺风车行驶路线作为候选出行路线，并根据各候选出行路线的历史记录计算本次出行采用各候选出行路线的预估行驶时间；
根据本次出行采用各候选出行路线的预估行驶时间和用户偏好对各候选出行路线进行评分得到各候选出行路线的预测分值；
从各候选出行路线中筛选出预设数量的分值较高的候选出行路线作为推荐出行路线，并根据各推荐出行路线的路程和预估行驶时间计算各推荐出行路线的预估出行费用。
进一步的，所述方法还包括：
将所述推荐出行结果发送到用户终端后，还使用户终端将本次出行的推荐出行结果和实际出行结果记录到区块链上。
进一步的，所述边缘服务器为与用户终端最近的边缘服务器。
第二方面，本公开提供一种出行路线推荐方法，应用于云服务器，所述方法包括：
将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
进一步的，所述优化出行计算模型，包括：
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差在预设范围内，则认为推荐出行路线为在当前时间段和当前条件下最适宜路线且预估出行费用合理，与出行计算模型相适应；
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差超过预设范围，则认为通过出行计算模型计算出的推荐出行路线的预估出行费用存在误差，需要进行修正，并将本次出行的实际出行结果添加到出行计算模型的基础数据中，对出行计算模型进行优化。
第三方面，本公开提供一种边缘服务器，包括：
第一接收模块，其设置为接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
计算模块，其设置为根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
第一发送模块，其设置为将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器
第四方面，本公开提供一种云服务器，包括：
第二发送模块，其设置为将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
第二接收模块，其设置为接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
优化模块，其设置为将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并使所述第二发送模块将优化后的出行计算模型发送给边缘服务器。
第五方面，本公开提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如第一方面和第二方面中任一所述的出行路线推荐方法。
第四方面，本公开提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面和第二方面中任一所述的出行路线推荐方法。
有益效果：
本公开提供的出行路线推荐方法、边缘服务器、云服务器、电子设备及计算机可读存储介质，由边缘服务器接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。本公开技术方案能够得出一段路程中最接近实际发生的路费的预测结，让预估的车费更接近实际的车费，并且使用户打车出行时得到最适合的出行路线，让用户做出最适合的出行选择。
附图说明
图1为本公开实施例一提供的一种出行路线推荐方法的流程示意图；
图2为本公开实施例二提供的一种出行路线推荐方法的流程示意图；
图3为本公开实施例三提供的一种边缘服务器的架构图；
图4为本公开实施例四提供的一种云服务器的架构图；
图5为本公开实施例五提供的一种电子设备的架构图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和实施例对本公开作进一步详细描述。应当理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
其中，在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
目前人们打车出行计费时，只根据路程预计路程费用，给出的预估路费往往不准确，并且给出的行车路线只是根据导航软件的基本路网确定行车路线，给出的路线往往不是最优惠、最快速的路线。在道路情况复杂时，预估的路费可能会存在较大的偏差，导致与实际产生的费用相差较大，引起用户不满。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本公开实施例一提供的一种出行路线推荐方法的流程示意图，应用于边缘服务器，如图1所示，所述方法包括：
步骤S101：接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
步骤S102：根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
步骤S103：将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
在本公开实施例的出行路线推荐系统中包括用户终端，服务端的各边缘服务器和云端的云服务器，用户使用终端时，将出行请求输入到用户终端，包括出行起始点和出行时间，用户终端将出行请求发送到边缘服务器，边缘服务器接收云服务器发送的计算模型，优选的每次发送的计算模型都是云服务器优化后的计算模型，并将之前的计算模型覆盖更新，边缘服务器接收到出行请求后，根据当前最新的计算模型和出行请求计算出出行请求对应的推荐出行结果，其中包括推荐出行路线和预估费用，所述计算模型是在云服务器的大数据功能开放平台上，通过预先采集的大量已经发生的顺风车计费结果，通过海量的数据，完成一系列的数据建模分析工作得到，通过将拿到的数据进行清洗，选择合适的算法对数据进行分析处理，通过分析行程发生过程中，路程的长短、所用时长、出行的时间、道路拥堵情况、天气情况等多种因素，分类进行分析建模，得出能够计算最接近实际发生的车费预测结果的计算模型。边缘服务器根据出行请求中的要求，基于计算规则中的各种数据，可以得到推荐出行路线和预估费用。推荐出行路线可以为根据计算选出的最适合的一条路线，告知用户直接按该路线出行，推荐出行路线还可以是包括最适合的路线和其他相对较适合的多条路线，预估费用包括各条路线的预估费用，供用户选择；边缘服务器将推荐出行结果发送到用户终端，用户终端的用户获知本次出行的推荐出行路线及预估出行费用，若用户确定出行，则出行成功后由用户终端将该推荐出行结果和本次出行的实际出行结果发送到云服务器，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，若预测结果和实际出行结果的费用相差在预设范围，例如5％或10％以下，则认为该路线在当前时间段，当前气候条件下是实际最适合路线且预估费用的规则适应，若费用相差超过预设范围，则认为通过计算模型计算的该最适合路线的预估费用存在误差，需要进行修正。云服务器接收到一段时间内的多个用户终端上传的数据后，根据收集的大数据分析的数据集，对出行计算模型优化，并定期将优化后的出行计算模型发送到各个边缘服务器，具体时间可以为一周、半个月、一个月或几个月发送一次，此处不做限制。
本公开实施例通过基于顺风车的计算模型计算最佳路线并预测出更接近实际发生的车费的预估车费，使得用户可以在未发生行程时就得知更准确的车费，可以让用户做出最适合的出行选择；也可以让用户避免因为路况等因素，多花费额外费用的情况。
进一步的，所述根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，包括：
根据所述出行请求获取出行计算模型中已记录的对应路段的各条顺风车行驶路线，从中选择至少一条时间段与所述出行请求的出行时间相符的顺风车行驶路线作为候选出行路线，并根据各候选出行路线的历史记录计算本次出行采用各候选出行路线的预估行驶时间；
根据本次出行采用各候选出行路线的预估行驶时间和用户偏好对各候选出行路线进行评分得到各候选出行路线的预测分值；
从各候选出行路线中筛选出预设数量的分值较高的候选出行路线作为推荐出行路线，并根据各推荐出行路线的路程和预估行驶时间计算各推荐出行路线的预估出行费用。
因为现在人们出行很多会选择乘坐顺风车出行，而乘坐顺风车出行的人们有一个特点就是路程一致，人们经常乘坐顺风车上下班等，同一段路线反复行驶，而且可能出行的时间和气候条件会不一样，可能由于加班出发的时间或多或少会不一致，而且不同顺丰车主，他们习惯走的路线也不一致，这样会产生大致相同的A点到B点，走快速路，或者走小路，或者走高速路，相同的两点可能会有五、六种路线，并且出发的时间不同，路上的拥堵情况也不同，因为顺风车是经常走该路线的，有过很多次相同路线行驶经历，基本上这此路段行驶的比较优化的路线了。所以，基于顺风车的数据建模分析，对于同一段路线的预测会更加有效，更加精准，同时结合实际行车中的问题，调整大数据分析预测方法，让预测更真实。再将预测结果用于打车的费用预测中，使得平时不走这个路线的人有更优惠更快速的路线选择。
当用户需要在某一时间从A点到达B点时，系统设定此路段顺风车行驶路线，并根据出行时间选择在同时间段中较快到达的路线中的多种路线，可以设置3条或其他数量。比如从A点到B点，打车可以走三环，可以走四环，也可以走五环，其中可能走三环也可以有多种方法，路线多变。由于顺风车对同一个A点到B点行驶次数很多，记录A点到B点中，多种路线方法，其中每种路线都记录有对应的出行的时间、拥堵缓行路段、红绿灯个数、花费时间、不同天气的影响、不同时间的影响、以及是否上下班的影响等情况，因此根据出行计算模型可以匹配到与出行请求相同情况下最合适的出行路线。
当打车人打车，输入当前的打车时间，系统判断是否是上下班高峰期，是否有雨天雾天雪天等影响，以及用户是否有选择偏好，如用户是避免走拥堵缓行的路线，还是避免走红绿灯多的路线；模型系统分别预测走此路段的顺风车行驶路线的出行情况，根据出行发费时间和路线行程等因素，对各路线做一个分析，并进行评分，并得出一个0到1的区间[0，1]的评分值。再基于用户偏好选择上，给对应路段得分减去0.1分，得到最终的评分值，按照预测分值从高到低从中选择预设数量的出行路线作为推荐出行路线，并根据出行路线的路程和预估行驶时间计算各推荐出行路线的预估费用。费用预估规则可以按路程加时间的车费计算规则计算。将推荐出行结果发送给用户终端，让用户了解出行价格。
进一步的，所述方法还包括：
将所述推荐出行结果发送到用户终端后，还使用户终端将本次出行的推荐出行结果和实际出行结果记录到区块链上。
通过将行程记录到区块链上，可以保证数据不丢失不篡改，真实记录预测车费结果和实际车费数据，实现数据可追溯。
进一步的，所述边缘服务器为与用户终端最近的边缘服务器。
云服务器与多个部署在用户侧的边缘服务器连接，每一个边缘服务器设有一定的服务范围，在终端发送出行请求时，将该出行请求发送到离其最近的服务器，以提供更快捷方便的服务。
本公开实施例通过基于顺丰车的数据进行建模，对于同一段路线在相同出行条件下的预测会更加有效，更加精准，并结合实际行车中的问题和用户偏好，调整大数据分析预测结果，让推荐结果更真实并符合用户需求，并且能够得出一段路程中最接近实际发生的路费的预测结果，让预估的车费更接近实际的车费，并且使用户打车出行时得到最适合的出行路线，使得平时不走这个路线的人有更优惠、更快速的路线选择，让用户做出最适合的出行选择。
图2为本公开实施例二提供的一种出行路线推荐方法，应用于云服务器，所述方法包括：
步骤S201：将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
步骤S202：接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
步骤S203：将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
云服务器通过在云端的大数据功能开放平台上，通过预先采集的大量已经发生的顺风车计费结果，通过海量的数据，完成一系列的数据建模分析工作得到，通过将拿到的数据进行清洗，选择合适的算法对数据进行分析处理，通过分析行程发生过程中，路程的长短、所用时长、出行的时间、道路拥堵情况、天气情况等多种因素，分类进行分析建模，得出能够计算最接近实际发生的车费预测结果的计算模型。在得出计算模型后发送到边缘服务器，并且根据用户上传的推荐出行结果和实际出行结果作为大数据分析的数据集，不断优化出行计算模型，在更新计算模型后定期发送到各边缘服务器使各边缘服务器按最新计算模型计算推荐出行结果。
进一步的，所述优化出行计算模型，包括：
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差在预设范围内，则认为推荐出行路线为在当前时间段和当前条件下最适宜路线且预估出行费用合理，与出行计算模型相适应；
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差超过预设范围，则认为通过出行计算模型计算出的推荐出行路线的预估出行费用存在误差，需要进行修正，并将本次出行的实际出行结果添加到出行计算模型的基础数据中，对出行计算模型进行优化。
在推荐结果与实际出行结果不同时，通过将推荐出行结果和实际出行结果的数据添加到计算模型的基础数据，在优化时通过多个用户的实际数据，重新确定路线在该出行条件下的花费时间，并更新到计算模型中，可以使出行计算模型得到的推荐结果更准确。
图3为本公开实施例三提供的一种边缘服务器的架构图，如图3所示，包括：
第一接收模块11，其设置为接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
计算模块12，其设置为根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
第一发送模块13，其设置为将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
进一步的，所述计算模块12具体设置为：
根据所述出行请求获取出行计算模型中已记录的对应路段的各条顺风车行驶路线，从中选择至少一条时间段与所述出行请求的出行时间相符的顺风车行驶路线作为候选出行路线，并根据各候选出行路线的历史记录计算本次出行采用各候选出行路线的预估行驶时间；
根据本次出行采用各候选出行路线的预估行驶时间和用户偏好对各候选出行路线进行评分得到各候选出行路线的预测分值；
从各候选出行路线中筛选出预设数量的分值较高的候选出行路线作为推荐出行路线，并根据各推荐出行路线的路程和预估行驶时间计算各推荐出行路线的预估出行费用。
进一步的，所述第一发送模块13还设置为：
将所述推荐出行结果发送到用户终端后，还使用户终端将本次出行的推荐出行结果和实际出行结果记录到区块链上。
进一步的，所述边缘服务器为与用户终端最近的边缘服务器。
图4为本公开实施例四提供的一种云服务器的架构图，如图4所示，包括：
第二发送模块21，其设置为将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
第二接收模块22，其设置为接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
优化模块23，其设置为将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并使所述第二发送模块21将优化后的出行计算模型发送给边缘服务器。
进一步的，所述优化模块23具体设置为：
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差在预设范围内，则认为推荐出行路线为在当前时间段和当前条件下最适宜路线且预估出行费用合理，与出行计算模型相适应；
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差超过预设范围，则认为通过出行计算模型计算出的推荐出行路线的预估出行费用存在误差，需要进行修正，并将本次出行的实际出行结果添加到出行计算模型的基础数据中，对出行计算模型进行优化。
本公开实施例的边缘服务器和云服务器用于实施方法实施例一和实施例二中的出行路线推荐方法，所以描述的较为简单，具体可以参见前面方法实施例一和实施例二中的相关描述，此处不再赘述。
此外，如图5所示，本公开实施例五还提供一种电子设备，包括存储器10和处理器20，所述存储器10中存储有计算机程序，当所述处理器20运行所述存储器10存储的计算机程序时，所述处理器20执行上述各种可能的出行路线推荐方法。
其中，存储器10与处理器20连接，存储器10可采用闪存或只读存储器或其他存储器，处理器20可采用中央处理器或单片机。
此外，本公开实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行上述各种可能的方法。
该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器)，EEPROM(Electrically ErasableProgrammable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种出行路线推荐方法，其特征在于，应用于边缘服务器，所述方法包括：
接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
2.根据权利要求1所述的方法，其特征在于，所述根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，包括：
根据所述出行请求获取出行计算模型中已记录的对应路段的各条顺风车行驶路线，从中选择至少一条时间段与所述出行请求的出行时间相符的顺风车行驶路线作为候选出行路线，并根据各候选出行路线的历史记录计算本次出行采用各候选出行路线的预估行驶时间；
根据本次出行采用各候选出行路线的预估行驶时间和用户偏好对各候选出行路线进行评分得到各候选出行路线的预测分值；
从各候选出行路线中筛选出预设数量的分值较高的候选出行路线作为推荐出行路线，并根据各推荐出行路线的路程和预估行驶时间计算各推荐出行路线的预估出行费用。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
将所述推荐出行结果发送到用户终端后，还使用户终端将本次出行的推荐出行结果和实际出行结果记录到区块链上。
4.根据权利要求1或2所述的方法，其特征在于，所述边缘服务器为与用户终端最近的边缘服务器。
5.一种出行路线推荐方法，其特征在于，应用于云服务器，所述方法包括：
将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
6.根据权利要5所述的方法，其特征在于，所述优化出行计算模型，包括：
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差在预设范围内，则认为推荐出行路线为在当前时间段和当前条件下最适宜路线且预估出行费用合理，与出行计算模型相适应；
若用户终端上传的推荐出行结果和实际出行结果同一路线的费用相差超过预设范围，则认为通过出行计算模型计算出的推荐出行路线的预估出行费用存在误差，需要进行修正，并将本次出行的实际出行结果添加到出行计算模型的基础数据中，对出行计算模型进行优化。
7.一种边缘服务器，其特征在于，包括：
第一接收模块，其设置为接收用户终端发送的出行请求，以及接收云服务器发送的经优化后的出行计算模型；
计算模块，其设置为根据优化后的出行计算模型，计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用；
第一发送模块，其设置为将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用，以使云服务器将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并将优化后的出行计算模型发送给边缘服务器。
8.一种云服务器，其特征在于，包括：
第二发送模块，其设置为将出行计算模型发送到边缘服务器，以使边缘服务器在接收到用户终端发送的出行请求后，根据所述出行计算模型计算出所述出行请求对应的推荐出行结果，其中包括推荐出行路线和预估出行费用，并且将所述推荐出行结果发送到用户终端，以使用户终端对应的用户获知本次出行的推荐出行路线和预估出行费用，并将本次出行的推荐出行结果和实际出行结果上传到云服务器，所述实际出行结果包括实际出行路线和实际出行费用；
第二接收模块，其设置为接收用户终端上传的本次出行的推荐出行结果和实际出行结果；
优化模块，其设置为将所述推荐出行结果和所述实际出行结果作为大数据分析的数据集优化出行计算模型，并使所述第二发送模块将优化后的出行计算模型发送给边缘服务器。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如权利要求1-4以及权利要求5-6中任一项所述的出行路线推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4以及权利要求5-6中任一项所述的出行路线推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220056.4A CN113902209A (zh) | 2021-10-20 | 2021-10-20 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220056.4A CN113902209A (zh) | 2021-10-20 | 2021-10-20 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902209A true CN113902209A (zh) | 2022-01-07 |
Family
ID=79192790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111220056.4A Pending CN113902209A (zh) | 2021-10-20 | 2021-10-20 | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902209A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739418A (zh) * | 2022-04-26 | 2022-07-12 | 长安大学 | 一种网约车用户出行方式选择方法及系统 |
-
2021
- 2021-10-20 CN CN202111220056.4A patent/CN113902209A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739418A (zh) * | 2022-04-26 | 2022-07-12 | 长安大学 | 一种网约车用户出行方式选择方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111966729B (zh) | 一种车辆轨迹数据处理方法、装置、设备及存储介质 | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| US7991549B2 (en) | Traffic information system based on travel history | |
| CN107832882A (zh) | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 | |
| CN110288849B (zh) | 一种基于混合交通模式的出行路线推荐方法 | |
| US9958280B2 (en) | Assessing inter-modal passenger travel options | |
| CN107945507A (zh) | 行程时间预测方法及装置 | |
| CN108444486B (zh) | 一种导航路线排序方法和装置 | |
| DE102017211689A1 (de) | Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug | |
| CN110118567A (zh) | 出行方式推荐方法及装置 | |
| CN103177562A (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
| US20220414450A1 (en) | Distributed Multi-Task Machine Learning for Traffic Prediction | |
| CN110956296A (zh) | 一种用户流失概率预测方法及装置 | |
| CN109141455A (zh) | 导航路径规划方法及服务器 | |
| CN109242202B (zh) | 一种基于区域间乘客流动的出租车推荐方法及系统 | |
| WO2020035383A1 (en) | Method and system of recommending a place to park | |
| CN115708343A (zh) | 从一组载具收集数据的方法 | |
| CN113335131A (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
| CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
| CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
| CN116884223B (zh) | 一种智慧城市交通引导系统 | |
| CN116187585B (zh) | 对乘客的brt公交路线进行预测的方法、装置及应用 | |
| CN116993037A (zh) | 基于车辆电量确定行驶路线方法及装置 | |
| CN113222248B (zh) | 一种自动驾驶出租车充电桩选择方法 | |
| CN115188192A (zh) | 一种基于行程预测的自动控制泊车系统及方法 |
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 |