路径推荐的方法和装置.pdf

《路径推荐的方法和装置.pdf》由会员分享，可在线阅读，更多相关《路径推荐的方法和装置.pdf（27页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910900968.2 (22)申请日 2019.09.23 (71)申请人 京东城市 （北京） 数字科技有限公司 地址 100086 北京市海淀区知春路76号 （写 字楼） 1号楼9层1-7-5号 (72)发明人 麻志鹏鲍捷郑宇 (74)专利代理机构 中原信达知识产权代理有限 责任公司 11219 代理人 冯培培耿雪利 (51)Int.Cl. G06F 16/9537(2019.01) G06F 16/9535(2019.01) G06Q 10/04(2012.01) (。

2、54)发明名称 路径推荐的方法和装置 (57)摘要 本发明公开了路径推荐的方法和装置， 涉及 计算机技术领域。 该方法的一具体实施方式包 括： 对起点和终点的地理位置进行分析， 确定所 述起点和终点分别对应的匹配路段； 根据偏好学 习组件， 确定综合偏好权重； 根据所述匹配路段 和所述综合偏好权重， 生成推荐路径。 本申请通 过先确定起点终点对应推荐路径的路段和对应 的偏好进行推荐路径的技术手段， 避免了采用现 有技术推荐的路径不可用、 开销大、 无视用户的 偏好的技术缺陷， 进而使得推荐的路径更符合用 户个性化的需求， 并且大大节省了进行路径推荐 成本的技术效果。 权利要求书3页 说明书16。

3、页 附图7页 CN 110647693 A 2020.01.03 CN 110647693 A 1.一种路径推荐的方法， 其特征在于， 包括： 对起点和终点的地理位置进行分析， 确定所述起点和终点分别对应的匹配路段； 根据偏好学习组件， 确定综合偏好权重； 根据所述匹配路段和所述综合偏好权重， 生成推荐路径； 其中， 所述路径由至少一个路段组成。 2.根据权利要求1所述的方法， 其特征在于， 对起点和终点的地理位置进行分析， 确定 所述起点和终点分别对应的匹配路段， 包括： 根据包含所述起点和终点的路网结构关系， 确定起点和终点分别对应的最小边界框； 对于所述起点和终点， 分别确定对应的最小边。

4、界框中的邻近路段， 并将所述邻近路段 作为匹配路段。 3.根据权利要求2所述的方法， 其特征在于， 对于所述起点和终点， 分别确定对应的最 小边界框中的邻近路段， 并将所述邻近路段作为匹配路段， 包括： 对于所述起点或终点， 判断最小边界框的个数； 若所述个数为大于一个， 则选择所述起点或终点与所述最小边界框中邻近路段垂线距 离最短的邻近路段作为匹配路段。 4.根据权利要求1所述的方法， 其特征在于， 根据偏好学习组件， 确定综合偏好权重， 包 括： 根据所述偏好学习组件， 确定所述起点和/或终点的环境因素系数和用户偏好因素系 数； 根据所述环境因素系数和/或用户偏好因素系数， 确定综合偏好权。

5、重； 其中， 用户偏好因素系数存储在所述偏好学习组件中的通用用户表和特殊用户表。 5.根据权利要求1所述的方法， 其特征在于， 根据所述匹配路段和所述综合偏好权重， 生成推荐路径， 包括： 确定所述起点和终点分别对应匹配路段的相关区域； 确定包含所述起点和终点对应相关区域的最小边界框； 根据所述综合偏好权重， 计算所述最小边界框中路段的权重； 根据所述路段的端点， 建立邻接矩阵； 其中， 矩阵中的元素为路段的权重； 根据所述邻接矩阵， 利用最短路径算法生成推荐路径。 6.根据权利要求5所述的方法， 其特征在于， 根据所述邻接矩阵， 利用最短路径算法生 成推荐路径， 包括： 利用新的路径奖励辅助。

6、生成推荐路径； 其中， 所述新的路径奖励的计算方法包括： 比较推荐路径长度与平均路径长度的大小； 若推荐路径长度大于平均路径长度， 则原始的路径奖励即为新的路径奖励； 若推荐路径长度小于平均路径长度， 则将推荐路径的长度与平均路径的长度的比值， 与原始的路径奖励的乘积， 作为新的路径奖励。 7.根据权利要求1所述的方法， 其特征在于， 根据偏好学习组件， 确定综合偏好权重之 前， 包括： 将历史轨迹进行预处理操作； 权利要求书 1/3 页 2 CN 110647693 A 2 根据所述预处理后的历史轨迹， 建立偏好模型； 根据个性化偏好更新所述偏好模型， 生成偏好学习组件。 8.根据权利要求7。

7、所述的方法， 其特征在于， 将历史轨迹进行预处理操作， 包括： 根据时间、 空间和/或运动学模型约束条件， 对历史轨迹进行数据清洗； 根据数据清洗后的历史轨迹， 划分为子轨迹； 根据所述子轨迹和所述子轨迹的起始时间， 建立索引结构。 9.根据权利要求8所述的方法， 其特征在于， 根据时间、 空间和/或运动学模型约束条 件， 对历史轨迹进行数据清洗， 包括： 执行以下至少之一操作： 将在预设时间间隔的轨迹位置存在异常的历史轨迹去除； 根据最小外接矩形生成的空间约束条件， 将存在异常的历史轨迹去除； 根据预设轨迹的最大速度生成运动学模型约束条件， 将存在异常的历史轨迹去除。 10.根据权利要求8所。

8、述的方法， 其特征在于， 根据数据清洗后的历史轨迹， 划分为子轨 迹， 包括： 根据所述清洗后的历史轨迹对应的车辆中是否存在乘客， 对所述历史轨迹进行自然分 段； 根据隐层语义划分机制， 将所述自然分段的结果， 划分为子轨迹。 11.根据权利要求8所述的方法， 其特征在于， 根据数据清洗后的历史轨迹， 划分为子轨 迹， 还包括： 确定所述清洗后的历史轨迹中的第一控制点； 判断所述第一控制点是否为停留点； 若是， 则判断所述第一控制点邻近的第二控制点中是否为停留点； 若是， 则将所述第二 控制点作为新的第一控制点进行循环判断操作； 将所述循环判断得到的连续的停留点进行组合， 生成停留点簇； 根据。

9、所述停留点簇的两端对所述清洗后的历史轨迹分段， 生成子轨迹。 12.根据权利要求11所述的方法， 其特征在于， 判断所述第一控制点是否为停留点， 包 括： 判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、 空间间隔 是否小于预设空间间隔阈值； 若所述时间间隔小于预设时间间隔阈值， 且空间间隔不小于预设空间间隔阈值， 则所 述第一控制点为停留点。 13.根据权利要求8所述的方法， 其特征在于， 根据所述预处理后的历史轨迹， 建立偏好 模型， 包括： 将预处理后的历史轨迹通过路网匹配算法， 转换成有方向的路由； 将预处理后的历史轨迹通过动作匹配算法， 生成路口处的动作决策表； 根。

10、据所述路由和所述动作决策表， 计算所述路口的状态转移概率； 根据所述路由、 动作决策表和状态转移概率， 建立偏好模型； 其中， 所述路段的端点为路口。 14.根据权利要求13所述的方法， 其特征在于， 将预处理后的历史轨迹通过动作匹配算 权利要求书 2/3 页 3 CN 110647693 A 3 法， 生成路口处的动作决策表， 包括： 确定预处理后的历史轨迹中的第一路段与其相邻的第二路段之间的夹角； 判断所述夹角与预设第一夹角、 预设第二夹角之间的关系； 若所述夹角小于所述预设第一夹角， 则所述确定所述动作决策为直行； 若所述夹角大 于所述预设第二夹角， 则所述确定所述动作决策为急转弯； 若。

11、所述夹角大于所述预设第一 夹角、 小于所述预设第二夹角， 则所述确定所述动作决策为转弯； 根据所述动作决策生成动作决策表。 15.根据权利要求13所述的方法， 其特征在于， 根据所述路由和所述动作决策表， 计算 所述路口的状态转移概率， 包括： 将动作决策相同的项合并， 计算动作决策的频次和； 确定动作决策前的路段情况和动作决策后的路段情况； 其中， 所述路段情况包括： 单向 路段和双向路段； 根据所述路段情况， 计算所述路口的状态转移概率。 16.根据权利要求7-15所述的方法， 其特征在于， 根据偏好学习组件， 确定综合偏好权 重之前， 包括： 确定所述起点和终点的历史推荐路径和对应的实际。

12、历史轨迹之间的重叠率； 确定所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度； 根据所述重叠率和所述相似度， 对偏好学习组件进行更新。 17.一种偏好学习组件生成的方法， 其特征在于， 包括： 将历史轨迹进行预处理操作； 根据所述预处理后的历史轨迹， 建立偏好模型； 根据个性化偏好更新所述偏好模型， 生成偏好学习组件。 18.一种路径推荐的装置， 其特征在于， 包括： 匹配路段确定模块， 用于对起点和终点的地理位置进行分析， 确定所述起点和终点分 别对应的匹配路段； 综合偏好权重确定模块， 用于根据偏好学习组件， 确定综合偏好权重； 推荐路径生成模块， 用于根据所述匹配路段和所述。

13、综合偏好权重， 生成推荐路径； 其中， 所述路径由至少一个路段组成。 19.一种偏好学习组件生成的装置， 其特征在于， 包括： 预处理操作模块， 用于将历史轨迹进行预处理操作； 偏好模型建立模块， 用于根据所述预处理后的历史轨迹， 建立偏好模型； 偏好学习组件生成模块， 用于根据个性化偏好更新所述偏好模型， 生成偏好学习组件。 20.一种路径推荐的电子设备， 其特征在于， 包括： 一个或多个处理器； 存储装置， 用于存储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1-17中任一所述的方法。 21.一种计算机可读介质， 其上存储有计。

14、算机程序， 其特征在于， 所述程序被处理器执 行时实现如权利要求1-17中任一所述的方法。 权利要求书 3/3 页 4 CN 110647693 A 4 路径推荐的方法和装置 技术领域 0001 本发明涉及计算机技术领域， 尤其涉及一种路径推荐的方法和装置。 背景技术 0002 随着城市的发展， 道路规划愈发复杂， 因为驾驶偏好的不同， 即便出发地与目的地 相同， 驾驶路线的选择也存在多种情况。 0003 现有技术通常采用以下几种方法生成推荐路径： 0004 1.传统的路径推荐算法， 诸如Dijkstra算法和A*算法等 0005 2.基于传统路径推荐算法， 通过融合多种优化目标(如驾驶距离，。

15、 驾驶时间， 油耗， 是否走高速等)推荐路径； 0006 3.通过自主设定参数进行路径推荐的方法与通过众包分发任务， 人为为路线打分 进而推荐路径。 0007 在实现本发明过程中， 发明人发现现有技术中至少存在如下问题： 0008 对于上述第一种方法， 无法进行多目标优化路径推荐， 仅能从单一特征解决问题， 结果存在不可用和/或计算开销较大的情况； 0009 对于上述第二种方法， 仅能提供其指定偏好下的选择而无视了用户本身的偏好与 当前驾驶环境； 0010 对于上述第三种方法， 大量的人力物力， 使用成本较高。 发明内容 0011 有鉴于此， 本发明实施例提供一种路径推荐的方法和装置， 能够避。

16、免了采用现有 技术推荐的路径不可用、 开销大、 无视用户的偏好的技术缺陷， 进而使得推荐的路径更符合 用户个性化的需求， 并且大大节省了进行路径推荐的成本。 0012 为实现上述目的， 根据本发明实施例的一个方面， 提供了一种路径推荐的方法， 包 括： 0013 对起点和终点的地理位置进行分析， 确定所述起点和终点分别对应的匹配路段； 0014 根据偏好学习组件， 确定综合偏好权重； 0015 根据所述匹配路段和所述综合偏好权重， 生成推荐路径； 0016 其中， 所述路径由至少一个路段组成。 0017 可选地， 对起点和终点的地理位置进行分析， 确定所述起点和终点分别对应的匹 配路段， 包括。

17、： 0018 根据包含所述起点和终点的路网结构关系， 确定起点和终点分别对应的最小边界 框； 0019 对于所述起点和终点， 分别确定对应的最小边界框中的邻近路段， 并将所述邻近 路段作为匹配路段。 0020 可选地， 对于所述起点和终点， 分别确定对应的最小边界框中的邻近路段， 并将所 说明书 1/16 页 5 CN 110647693 A 5 述邻近路段作为匹配路段， 包括： 0021 对于所述起点或终点， 判断最小边界框的个数； 0022 若所述个数为大于一个， 则选择所述起点或终点与所述最小边界框中邻近路段垂 线距离最短的邻近路段作为匹配路段。 0023 可选地， 根据偏好学习组件， 。

18、确定综合偏好权重， 包括： 0024 根据所述偏好学习组件， 确定所述起点和/或终点的环境因素系数和用户偏好因 素系数； 0025 根据所述环境因素系数和/或用户偏好因素系数， 确定综合偏好权重； 0026 其中， 用户偏好因素系数存储在所述偏好学习组件中的通用用户表和特殊用户 表。 0027 可选地， 根据所述匹配路段和所述综合偏好权重， 生成推荐路径， 包括： 0028 确定所述起点和终点分别对应匹配路段的相关区域； 0029 确定包含所述起点和终点对应相关区域的最小边界框； 0030 根据所述综合偏好权重， 计算所述最小边界框中路段的权重； 0031 根据所述路段的端点， 建立邻接矩阵；。

19、 其中， 矩阵中的元素为路段的权重； 0032 根据所述邻接矩阵， 利用最短路径算法生成推荐路径。 0033 可选地， 根据所述邻接矩阵， 利用最短路径算法生成推荐路径,包括： 利用新的路 径奖励辅助生成推荐路径； 0034 其中， 所述新的路径奖励的计算方法包括： 0035 比较推荐路径长度与平均路径长度的大小； 0036 若推荐路径长度大于平均路径长度， 则原始的路径奖励即为新的路径奖励； 0037 若推荐路径长度小于平均路径长度， 则将推荐路径的长度与平均路径的长度的比 值， 与原始的路径奖励的乘积， 作为新的路径奖励。 0038 可选地， 根据偏好学习组件， 确定综合偏好权重之前， 包。

20、括： 0039 将历史轨迹进行预处理操作； 0040 根据所述预处理后的历史轨迹， 建立偏好模型； 0041 根据个性化偏好更新所述偏好模型， 生成偏好学习组件。 0042 可选地， 将历史轨迹进行预处理操作， 包括： 0043 根据时间、 空间和/或运动学模型约束条件， 对历史轨迹进行数据清洗； 0044 根据数据清洗后的历史轨迹， 划分为子轨迹； 0045 根据所述子轨迹和所述子轨迹的起始时间， 建立索引结构。 0046 可选地， 根据时间、 空间和/或运动学模型约束条件， 对历史轨迹进行数据清洗， 包 括： 0047 执行以下至少之一操作： 0048 将在预设时间间隔的轨迹位置存在异常的。

21、历史轨迹去除； 0049 根据最小外接矩形生成的空间约束条件， 将存在异常的历史轨迹去除； 0050 根据预设轨迹的最大速度生成运动学模型约束条件， 将存在异常的历史轨迹去 除。 0051 可选地， 根据数据清洗后的历史轨迹， 划分为子轨迹， 包括： 说明书 2/16 页 6 CN 110647693 A 6 0052 判断所述清洗后的历史轨迹对应的车辆中是否存在乘客； 0053 若是， 则将所述清洗后的历史轨迹按照乘客乘坐所述车辆的时间点进行划分。 0054 可选地， 根据数据清洗后的历史轨迹， 划分为子轨迹， 还包括： 0055 确定所述清洗后的历史轨迹中的第一控制点； 0056 判断所述。

22、第一控制点是否为停留点； 0057 若是， 则判断所述第一控制点邻近的第二控制点中是否为停留点； 若是， 则将所述 第二控制点作为新的第一控制点进行循环判断操作； 0058 将所述循环判断得到的连续的停留点进行组合， 生成停留点簇； 0059 根据所述停留点簇的两端对所述清洗后的历史轨迹分段， 生成子轨迹。 0060 可选地， 判断所述第一控制点是否为停留点， 包括： 0061 判断第一控制点与第二控制点之间的时间间隔是否小于预设时间间隔阈值、 空间 间隔是否小于预设空间间隔阈值； 0062 若所述时间间隔小于预设时间间隔阈值， 且空间间隔不小于预设空间间隔阈值， 则所述第一控制点为停留点。 。

23、0063 可选地， 根据所述预处理后的历史轨迹， 建立偏好模型， 包括： 0064 将预处理后的历史轨迹通过路网匹配算法， 转换成有方向的路由； 0065 将预处理后的历史轨迹通过动作匹配算法， 生成路口处的动作决策表； 0066 根据所述路由和所述动作决策表， 计算所述路口的状态转移概率； 0067 根据所述路由、 动作决策表和状态转移概率， 建立偏好模型； 0068 其中， 所述路段的端点为路口。 0069 可选地， 将预处理后的历史轨迹通过动作匹配算法， 生成路口处的动作决策表， 包 括： 0070 确定预处理后的历史轨迹中的第一路段与其相邻的第二路段之间的夹角； 0071 判断所述夹角。

24、与预设第一夹角、 预设第二夹角之间的关系； 0072 若所述夹角小于所述预设第一夹角， 则所述确定所述动作决策为直行； 若所述夹 角大于所述预设第二夹角， 则所述确定所述动作决策为急转弯； 若所述夹角大于所述预设 第一夹角、 小于所述预设第二夹角， 则所述确定所述动作决策为转弯； 0073 根据所述动作决策生成动作决策表。 0074 可选地， 根据所述路由和所述动作决策表， 计算所述路口的状态转移概率， 包括： 0075 将动作决策相同的项合并， 计算动作决策的频次和； 0076 确定动作决策前的路段情况和动作决策后的路段情况； 其中， 所述路段情况包括： 单向路段和双向路段； 0077 根据。

25、所述路段情况， 计算所述路口的状态转移概率。 0078 可选地， 根据偏好学习组件， 确定综合偏好权重之前， 包括： 0079 确定所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重叠率； 0080 确定所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度； 0081 根据所述重叠率和所述相似度， 对偏好学习组件进行更新。 0082 根据本发明实施例的另一个方面， 提供了一种偏好学习组件生成的方法， 包括： 0083 将历史轨迹进行预处理操作； 说明书 3/16 页 7 CN 110647693 A 7 0084 根据所述预处理后的历史轨迹， 建立偏好模型； 0085 根据个性。

26、化偏好更新所述偏好模型， 生成偏好学习组件。 0086 根据本发明实施例的再一个方面， 提供了一种路径推荐的装置， 包括： 0087 匹配路段确定模块， 用于对起点和终点的地理位置进行分析， 确定所述起点和终 点分别对应的匹配路段； 0088 综合偏好权重确定模块， 用于根据偏好学习组件， 确定综合偏好权重； 0089 推荐路径生成模块， 用于根据所述匹配路段和所述综合偏好权重， 生成推荐路径； 0090 其中， 所述路径由至少一个路段组成。 0091 根据本发明实施例的再一个方面， 提供了一种偏好学习组件生成的装置， 包括： 0092 预处理操作模块， 用于将历史轨迹进行预处理操作； 009。

27、3 偏好模型建立模块， 用于根据所述预处理后的历史轨迹， 建立偏好模型； 0094 偏好学习组件生成模块， 用于根据个性化偏好更新所述偏好模型， 生成偏好学习 组件。 0095 根据本发明实施例的另一个方面， 提供了一种路径推荐的电子设备， 包括： 0096 一个或多个处理器； 0097 存储装置， 用于存储一个或多个程序， 0098 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理 器实现本发明提供的路径推荐的方法。 0099 根据本发明实施例的还一个方面， 提供了一种计算机可读介质， 其上存储有计算 机程序， 所述程序被处理器执行时实现本发明提供的路径推荐的方法。 。

28、0100 上述发明中的一个实施例具有如下优点或有益效果： 0101 本申请通过先确定起点终点对应推荐路径的路段和对应的偏好进行推荐路径的 技术手段， 避免了采用现有技术推荐的路径不可用、 开销大、 无视用户的偏好的技术缺陷， 进而使得推荐的路径更符合用户个性化的需求， 并且大大节省了进行路径推荐的成本。 0102 上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加 以说明。 附图说明 0103 附图用于更好地理解本发明， 不构成对本发明的不当限定。 其中： 0104 图1是根据本发明实施例的一种路径推荐的方法的主要流程的示意图； 0105 图2是根据本发明实施例的确定所述起点。

29、和终点分别对应的匹配路段的示意图； 0106 图3是根据本发明实施例的新的路径奖励对应的示意图； 0107 图4是根据本发明实施例的路径推荐的方法的具体流程的示意图； 0108 图5为是根据本发明实施例的一种生成偏好学习组件的主要流程的示意图； 0109 图6是根据本发明实施例的确定动作决策的示意图； 0110 图7(a)、 图7(b)、 图7(c)为是根据本发明实施例的确定动作决策的实际应用中的 示意图； 0111 图8是根据本发明实施例的计算状态转移概率的示意图； 0112 图9是根据本发明实施例的生成偏好学习组件的具体流程的示意图； 说明书 4/16 页 8 CN 110647693 A。

30、 8 0113 图10是根据本发明实施例的一种路径推荐的装置的主要模块的示意图； 0114 图11是根据本发明实施例的一种偏好学习组件生成的装置的主要模块的示意图； 0115 图12是根据本发明实施例的一种路径推荐的系统的示意图； 0116 图13是本发明实施例可以应用于其中的示例性系统架构图； 0117 图14是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示 意图。 具体实施方式 0118 以下结合附图对本发明的示范性实施例做出说明， 其中包括本发明实施例的各种 细节以助于理解， 应当将它们认为仅仅是示范性的。 因此， 本领域普通技术人员应当认识 到， 可以对这里描述的实施例。

31、做出各种改变和修改， 而不会背离本发明的范围和精神。 同 样， 为了清楚和简明， 以下的描述中省略了对公知功能和结构的描述。 0119 现有技术在为指定起点和终点推荐路径的过程中， 经常不会采用导航提供的结 果。 其中， 导致用户不采用推荐结果的原因主要可能是： 驾驶员在规划出行路线时往往会考 虑包括时间、 费用、 距离、 油耗等多种因素， 而传统导航只能针对其中的一种或特定规则进 行优化， 很难准确表达用户的偏好， 也可能由于导航提供的路由结果没有考虑用户本身的 异质性。 0120 本申请通过逆向强化学习的方法学习不同用户群体的驾驶偏好， 旨在为用户提供 个性化的路径推荐结果。 在本申请可选。

32、实施例中考虑到环境对驾驶行为的影响， 还可以结 合用户偏好与环境影响， 生成综合成本最低的路由(所述路由是由路段组成的有向边)推荐 给用户。 0121 在本申请中主要公开了两部分内容， 分别为： 偏好学习组件和利用所述偏好学习 组件进行路径推荐的方法(与路径推荐组件所涉及的方法实质上相同)。 其中， 上述两部分 内容可以组合使用， 也可以单独使用， 均在本申请的保护范围内。 下面以具体实施例的形式 详细介绍本申请的内容， 具体地： 0122 图1是根据本发明实施例的一种路径推荐的方法的主要流程的示意图， 如图1所 示， 0123 步骤S101、 对起点和终点的地理位置进行分析(Geospati。

33、al analytics)， 确定所 述起点和终点分别对应的匹配路段； 0124 步骤S102、 根据偏好学习组件， 确定综合偏好权重(reward database)； 0125 步骤S103、 根据所述匹配路段和所述综合偏好权重， 生成推荐路径(route generation)； 0126 其中， 所述路径由至少一个路段组成。 0127 上述步骤通过先确定起点、 终点对应推荐路径的路段和对应的偏好进行推荐路径 的技术手段， 避免了采用现有技术推荐的路径不可用、 开销大、 无视用户的偏好的技术缺 陷， 进而使得推荐的路径更符合用户个性化的需求， 并且大大节省了进行路径推荐的成本 的技术效果。

34、。 0128 图2是根据本发明实施例的确定所述起点和终点分别对应的匹配路段的示意图。 如图2所示， 在实际应用中， 可以采用R-Tree存储整个路网的结构关系。 在执行步骤S101时， 说明书 5/16 页 9 CN 110647693 A 9 可以由上至下遍历R-Tree， 根据包含所述起点和终点的路网结构关系， 确定起点和终点分 别对应的最小边界框(MBB， Minimum Bounding Box)。 将最小边界框中包含的路段， 即为起 点或终点的邻近路段， 作为用于路由查询起点或终点的匹配路段。 通过在最小边框中确定 匹配路径的技术手段， 使得在短时间内高效地确定匹配的路段。 0129。

35、 具体地， 在图2中体现为： 先确定起点A和终点B， 然后确定起点A和终点B分别对应 的最小边界框； 最后再确定所述最小边界框中的邻近路段最为匹配路段。 0130 实际的场景中， 例如， 当用户在乘坐出租车时， 可以选择与起点或终点随在位置的 最近的路段上车， 进而达到提高用户体验、 减少用户到指定上车位置的时间， 进而缩短从起 点到达终点所花费的时间的技术效果。 0131 其中， 上述路网的结构关系可以采用其他存储方式进行存储， 在此不做限定， 仅以 R-Tree为具体实施方式进行说明。 0132 在实际应用中， 待推荐路段的起点或终点对应的最小边界框的个数可能存在多个 的状况。 故在确定起。

36、点或终点的匹配路段时， 可以先判断最小边界框的个数， 在确定所述个 数为大于一个， 则选择所述起点或终点与所述最小边界框中垂线距离最短的邻近路段作为 匹配路段。 通过设置垂线距离最短的邻近路段作为匹配路段的技术手段， 使得当存在多个 与起点或终点对应的邻近路段时， 帮助用户选择出最为邻近路段作为匹配路段。 0133 在步骤S102中， 所述偏好学习组件可以为预先生成的、 用于路径推荐的组件， 在所 述偏好学习组件中存储不同环境和/或不同类别用户的偏好向量。 通过调用所述偏好学习 组件， 就可以根据所述起点和终点生成相应的综合偏好权重用于路径推荐。 0134 在所述偏好学习组件中， 可以维护关于。

37、环境因素的数据表， 所述环境因素包括但 不限于道路的宽窄状况、 红绿灯的平均密度状况等。 0135 在所述偏好学习组件中， 还可以维护关于用户因素的数据表。 具体地， 关于用户因 素的数据表可以包括： 通用用户表和特殊用户表。 0136 在通用用户表中， 记载用户的通用偏好。 所述通用用户表可以用于冷启动用户或 用户满意度一直很高的用户。 0137 当用户的偏好发生变化才会在所述特殊用户表中插入一条更新的偏好数据， 记录 该用户不同于其他类别用户的独特偏好。 0138 在生成综合偏好权重时， 需要先根据偏好学习组件中关于环境因素的数据表， 确 定环境因素系数； 根据偏好学习组件中关于用户因素的。

38、数据表， 确定用户因素系数， 按照一 定的权重生成综合偏好权重。 具体地， 所述综合偏好权重的表达式为： 0139 11+22 0140 其中， 为综合偏好权重； 1为环境因素系数； 2为用户因素系数； 1和2为默认 值， 且10.3， 20.7。 0141 在步骤S103中， 其具体实施方式可以为： 0142 首先， 在路网中确定与本次生成推荐路径的路段生成的子图， 也就是确定所述起 点和终点分别对应匹配路段的相关区域。 0143 具体地， 确定一个同时包含起始路段与终止路段的最小边界框， 并根据所述最小 边界框向其四周扩张原最小边框大小预设比例， 记做相关区域。 所述相关区域在图2所对应 。

39、实施例为黑色实线对应的区域。 说明书 6/16 页 10 CN 110647693 A 10 0144 再根据存储路网的R-tree确定在所述相关区域内的最小边界框， 所述最小边界框 内的路段即为参与确定推荐路径的相关路段。 0145 最后， 可以根据所述综合偏好权重， 计算所述最小边界框中路段的权重； 根据所述 路段的端点， 建立邻接矩阵； 其中， 矩阵中的元素为路段的权重； 根据所述邻接矩阵， 利用最 短路径算法生成推荐路径。 若一些路段所占的权重非常小， 则可以将其权重设置为0。 0146 在一些可选实施例中采用最短路径算法计算得分最高的路由， 可能会导致用户为 提高得分而绕路。 但是过。

40、多绕路会将资源过多消耗在路段上， 同时还会影响车辆速度， 油耗 等。 故， 可选地， 利用新的路径奖励辅助生成推荐路径。 0147 具体地， 可以采用下式来削弱绕路路由的奖励： 0148 0149 其中， len(ri)表示路径ri的长度； mean(len(R)表示路径的平均长度； reward(ri) 表示路径的原始奖励； newreward(ri)表示路径ri的新奖励。 0150 具体地， 所述新的路径奖励的计算方法为： 0151 比较推荐路径长度与平均路径长度的大小； 0152 若推荐路径长度大于平均路径长度， 则原始的路径奖励即为新的路径奖励； 0153 若推荐路径长度小于平均路径长。

41、度， 则将推荐路径的长度与平均路径的长度的比 值， 与原始的路径奖励的乘积， 作为新的路径奖励。 0154 图3是根据本发明实施例的新的路径奖励对应的示意图。 0155 如图3所示， 路径ab的距离为： len(r_ab)500， reward(r_ab)20 0156 路径a-c-d-e-b的距离为路段几个路段的和， 其中， len(r_ac)100， len(r_cd) 200， len(r_de)150， len(r_ef)250。 其和为len(r_acdeb)700。 reward(r_acdeb) reward(r_ac)+reward(r_cd)+reward(r_de)+rew。

42、ard(r_eb)12+8+5+520。 0157 其中， 所述新的路径奖励的计算方法为19.97。 0158 在该实施例中， 通过上述新的计算路径奖励的方法可以减弱用户因绕路产生的不 公平的奖励机制， 进而达到更准确地推荐路径的技术效果。 0159 在实际应用中， 可以将已经提供给用户的推荐路径同步至偏好学习组件， 进而提 高所述偏好学习组件使用准确率的技术效果。 具体地， 可以维护一个数据库， 也可以称为经 验池。 所述经验池可以按照预设时间段进行分区。 可选地， 按照月份分区、 按照周分区便于 更新偏好学习组件。 0160 所述经验池可以包含一个数据结构与打分器， 所述打分器用于评估推荐。

43、结果的好 坏。 所述打分指标包含： 所述起点和终点的历史推荐路径和对应的实际历史轨迹之间的重 叠率， 和所述起点和终点的历史推荐的路径和对应的实际历史轨迹之间的相似度。 实际应 用中可以根据上述指标的情况定期更新偏好学习组件。 打分器在对真实轨迹进行轨迹预处 理后起效， 此时轨迹经过路网匹配已经变成了一条路由。 0161 所述重叠率可以用于评估推荐结果对用户决策的影响， 具体地， 所述重叠率的计 算公式为： 说明书 7/16 页 11 CN 110647693 A 11 0162 0163 其中， score_a表示重叠率； count(Rrecom)表示推荐路由的总路段数； count(Rr。

44、ecom Rreal)表示用户实际采用的路由中所包含推荐路由的路段数。 0164 余弦相似度指用户实际采用的路由与推荐路由的特征期望向量的余弦相似度， 用 于表明当前用户的偏好与其真实偏好的匹配度， 计算公式如下： 0165 0166其中， score_b为余弦相似度，为用户实际采用的路由；为推荐路由。 0167 当两个指标在一定时间内(默认时间为一个月， 这也是我们经验池按月分区的原 因)持续低于预设值(例如0.5)， 则利用该用户的历史轨迹对其偏好学习组件进行更新， 若 偏好库的用户表中未收录该用户偏好， 则插入至偏好学习组件。 0168 图4是根据本发明实施例的路径推荐的方法的具体流程的。

45、示意图； 如图4所示， 0169 首先， 对所示起点和终点所在的地理环境进行分析， 将分析的结果进行下一步操 作； 0170 然后， 根据所述分析结果， 调用偏好学习组件， 确定综合偏好权重； 其中， 包括： 对 所述分析结果进行环境匹配、 用户匹配， 并且结合奖励数据库得到综合偏好权重； 0171 再后， 根据上述综合偏好权重生成路径推荐， 其中所述路径推荐包含： 子图提取步 骤和路由生成的步骤。 在此步骤就完成了生成路径推荐。 0172 最后， 将生成的路径推荐反馈经验池， 进而方便对此次路径推荐打分， 对偏好学习 组件进行更新， 进而方便以后更准确地推荐路径。 0173 下面就本申请公开。

46、的关于 “偏好学习组件” 的内容做进一步的说明。 下面以一具体 实施例的方式进行说明。 0174 图5是根据本发明实施例的一种生成偏好学习组件的主要流程的示意图， 如图5所 示， 包括如下步骤： 0175 步骤S501、 将历史轨迹进行预处理操作； 0176 步骤S502、 根据所述预处理后的历史轨迹， 建立偏好模型； 0177 步骤S503、 根据个性化偏好更新所述偏好模型(Personalized preference learning)， 生成偏好学习组件。 0178 其中， 通过上述步骤生成的偏好学习组件主要用于通过历史轨迹学习到用户的驾 驶偏好， 进而方便后续为用户推荐路径。 当上述。

47、步骤用于路径推荐的方法时， 可以用于步骤 “根据偏好学习组件， 确定综合偏好权重” 之前。 0179 所述步骤S501所指出的 对历史轨迹进行预处理的 操作 (trajectory preprocessing)主要包括： 对历史轨迹进行清洗、 划分和维护的操作。 通过在数据结构保存 历史轨迹， 进而方便在后续建模时可以快速的响应数据调用的操作。 具体地， 将历史轨迹进 行预处理操作， 可以包括： 0180 根据时间、 空间和/或运动学模型约束条件， 对历史轨迹进行数据清洗； 0181 根据数据清洗后的历史轨迹， 划分为子轨迹； 说明书 8/16 页 12 CN 110647693 A 12 0。

48、182 根据所述子轨迹和所述子轨迹的起始时间， 建立索引结构。 0183 其中， 对历史轨迹进行数据清洗(trajectory cleaning)的过程主要利用时间约 束条件、 空间约束条件与运动学模型约束条件， 去除由于城市峡谷、 天气等原因造成的定位 误差。 0184 具体地， 所述数据清洗的过程可以包括但不限于以下至少之一维度的操作： 0185 在时间维度上： 将在预设时间间隔的轨迹位置存在异常的历史轨迹去除； 0186 在空间维度上： 根据最小外接矩形(MBR， Minimum bounding rectangle)生成的空 间约束条件， 进而限定了历史轨迹的最短距离， 将存在异常的历。

49、史轨迹去除； 0187 在运动学模型的维度上： 根据预设轨迹的最大速度生成运动学模型约束条件， 当 历史轨迹上某点的速度大于预设最大速度阈值时， 就可以将存在异常的历史轨迹去除。 0188 通过上述对历史轨迹进行数据清洗的步骤， 可以得到过滤和通过将异常位置的两 侧进行分段进而达到对历史轨迹进行粗分段的技术效果。 0189 关于将历史轨迹划分为子轨迹的步骤主要涉及两个部分： 判断在行车过程中是否 存在乘客和/或根据历史轨迹所携带的信息进行分析， 确定其隐层语义进行分段。 0190 所述 “隐层语义部分” 是指按照停留点对历史轨迹进行分割。 每个停留点所对应的 实际含义可能存在不同， 例如当乘客。

50、乘车时， 车辆需要停留， 当曾可下车时， 车辆还需要停 留一段时间。 在本申请中， 具体地， 无需知道停留点产生的原因， 即可对历史轨迹进行划分。 0191 具体地， 根据数据清洗后的历史轨迹， 划分为子轨迹， 包括： 0192 判断所述清洗后的历史轨迹对应的车辆中是否存在乘客； 0193 若是， 则将所述清洗后的历史轨迹按照乘客乘坐所述车辆的时间点进行划分。 0194 在划分子轨迹的过程中， 也可以对历史轨迹进行分析， 进而方便得到子轨迹。 具体 地， 可以采用如下步骤： 0195 可以通过扫描的方式， 确定所述清洗后的历史轨迹中的第一控制点； 根据循环迭 代的方式停留点的位置。 0196 。