本發(fā)明涉及推薦方法，特別涉及路線規(guī)劃方法及系統(tǒng)。

背景技術(shù)：

隨著經(jīng)濟(jì)社會的發(fā)展和物質(zhì)生活水平的提高，民眾在精神文化需求迅速增長的同時，對旅游休閑出行方式的追求也在變得越來越多樣化?；ヂ?lián)網(wǎng)的高度發(fā)展，促生了許多在旅游休閑出行的領(lǐng)域?yàn)槿藗兲峁┫嚓P(guān)服務(wù)的互聯(lián)網(wǎng)平臺服務(wù)商。人們不僅可以在Web上搜索到一些由這些平臺服務(wù)商以PGC形式產(chǎn)出的行程建議，用戶也非常習(xí)慣通過社交網(wǎng)絡(luò)服務(wù)來分享他們的旅游和休閑出行經(jīng)驗(yàn)。然而這些千篇一律的出行攻略和Web上單一的信息服務(wù)并不能充分滿足用戶在做實(shí)際出行行程規(guī)劃時需求。PGC是(Professional Generated Content)，互聯(lián)網(wǎng)術(shù)語，是指專業(yè)生產(chǎn)內(nèi)容(視頻網(wǎng)站)、專家生產(chǎn)內(nèi)容(微博)等。

一般來說，大多數(shù)人在探訪旅游或休閑出行目的地時，不僅需要根據(jù)他們偏好和興趣找到有趣的去處，還需要將這些去處結(jié)合成可供他們參觀瀏覽的實(shí)際路線。雖然在Web上不難通過社交平臺，新媒體渠道以及旅游和休閑出行領(lǐng)域的互聯(lián)網(wǎng)服務(wù)平臺商獲取包含用戶評論和評分的去處信息，但是在這些海量的數(shù)據(jù)中選擇適合用戶的資訊，再根據(jù)用戶自己的出行需求規(guī)劃出行路線，卻無疑要耗費(fèi)用戶大量的時間和精力。

另外一方面，在游玩過程中導(dǎo)航系統(tǒng)雖然能夠根據(jù)用戶所在位置，幫助用戶生成耗時最短的路徑到達(dá)某個目的地，但卻基本不會把用戶感興趣的比如，沿線名勝古跡考慮在行程規(guī)劃中。

所以現(xiàn)有相關(guān)的旅游休閑出行推薦系統(tǒng)通常只推薦單一去處，而不是完整的出行路線。部分相關(guān)領(lǐng)域的網(wǎng)絡(luò)服務(wù)平臺商或許能夠通過系統(tǒng)幫助用戶規(guī)劃出行計劃，包括短程的城市出行或創(chuàng)建更為長途的旅行，但這些系統(tǒng)大多是基于非常簡單的匹配算法來找出那些用戶可能感興趣的去處，并將其組合在一起生成行程單。而實(shí)現(xiàn)更復(fù)雜的定制化行程規(guī)劃功能確實(shí)是很具有挑戰(zhàn)性的。比如，其中一個比較知名的針對旅行行程設(shè)計問題(Tourist Trip Design Problem,TTDP)的優(yōu)化問題是：定向問題(Orienteering Problem，OP)。在這個優(yōu)化問題里，需要解決的是如何能夠在一個限定的時間成本里訪問幾個地點(diǎn)，并且在每個地點(diǎn)只能訪問一次的前提下如何規(guī)劃一個行程，使得行程所獲得的整體成本能夠最小化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是，能夠根據(jù)用戶自身偏好，結(jié)合時間、地點(diǎn)及場景，自動生成適用于城市短程休閑出行路線的行程規(guī)劃。

在路線規(guī)劃系統(tǒng)的使用場景中，用戶可以在客戶端應(yīng)用輸入自己的偏好，以及需要規(guī)劃行程的起點(diǎn)和終點(diǎn)，系統(tǒng)就能夠?yàn)橛脩糁贫ǔ霭擞脩魰信d趣的去處的出行路線。不僅如此，當(dāng)用戶可能希望多花一些時間在沿途上發(fā)現(xiàn)新的感興趣的去處時，系統(tǒng)能夠及時針對已規(guī)劃的，最高效的路線，自動調(diào)整并建議出一些用戶能夠接受的合理的改道路線。

解決上述技術(shù)問題，本發(fā)明提供了一種路線規(guī)劃系統(tǒng)，包括：

數(shù)據(jù)采集單元，用以采集可供用戶選擇的去處信息；

數(shù)據(jù)分類評價單元，用以按照用戶的所述數(shù)據(jù)采集單元中的去處信息得到選擇偏好并進(jìn)行重新分類；

偏好獲取單元，用以獲取用戶的出行偏好；

規(guī)劃單元，用以通過路線構(gòu)建算法生成定制化出行路線；

可視化單元，用以根據(jù)所述偏好獲取單元中的出行偏好和所述數(shù)據(jù)分類評價單元中的分類，在所述規(guī)劃單元選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。

更進(jìn)一步，所述數(shù)據(jù)分類評價單元，還用以，根據(jù)所述重新分類后，得到帶有評價分?jǐn)?shù)和點(diǎn)贊數(shù)量的去處信息。

更進(jìn)一步，所述數(shù)據(jù)分類評價單元中的重新分類具體為：

{風(fēng)景展館，夜生活，美食，戶外休閑，活動，逛店}。

更進(jìn)一步，所述數(shù)據(jù)采集單元與服務(wù)商的API接口連接，用以作為去處信息的數(shù)據(jù)采集來源。

更進(jìn)一步，系統(tǒng)還包括應(yīng)用程序組件，用以提供所述偏好獲取單元中的出行偏好的數(shù)據(jù)入口。

更進(jìn)一步，所述規(guī)劃單元包括：CFB算法模塊，用以通過無約束條件(CFB，Constraint Free Based)路線構(gòu)建算法，根據(jù)所述數(shù)據(jù)采集單元中獲取到的用戶去處數(shù)據(jù)以及偏好獲取單元中獲得的用戶出行偏好，構(gòu)建出行路線，并將路線規(guī)劃發(fā)送給所述可視化單元。

更進(jìn)一步，所述規(guī)劃單元還包括：CBB算法模塊，用以通過約束條件(CBB，Constraint Based)路線構(gòu)建算法，根據(jù)所述數(shù)據(jù)采集單元中獲取到的用戶去處數(shù)據(jù)以及偏好獲取單元中獲得的用戶出行偏好，并基于用戶約束條件構(gòu)建出行路線，并將路線規(guī)劃發(fā)送給所述可視化單元。

基于上述，本發(fā)明還提供一種路線規(guī)劃方法，包括：

采集可供用戶選擇的去處信息，然后按照所述用戶的去處信息得到選擇 偏好并進(jìn)行重新分類；所述分類后得到至少包括評分的去處信息；

獲取用戶的出行偏好，通過路線構(gòu)建算法生成定制化出行路線；

根據(jù)所述出行偏好和分類，選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。

更進(jìn)一步，獲取用戶的出行偏好時通過應(yīng)用程序接口，向WEB服務(wù)器發(fā)出請求，并響應(yīng)用戶出行偏好的結(jié)果。

更進(jìn)一步，選擇出最優(yōu)的出行路線規(guī)劃的方法為，

通過CFB無約束條件算法，根據(jù)出行路線中所包含的所有去處的評價分?jǐn)?shù)的總和得到路線的推薦值；

所述推薦值計算方法為：

所述路線的總長度為該路線所包含的所有去處之間距離的總和數(shù)，

再根據(jù)起點(diǎn)到另一個去處的路線的推薦值，并通過上述推薦值的方法遍歷一個去處子集中所有去處，則選擇出最優(yōu)的出行路線規(guī)劃；

或者，

通過CBB約束條件算法，根據(jù)用戶提供的約束條件，進(jìn)行路線規(guī)劃；

根據(jù)出行路線中所包含的所有去處的評價分?jǐn)?shù)的總和得到路線的推薦值；

再根據(jù)起點(diǎn)到另一個去處的路線的推薦值，并通過上述推薦值的方法遍歷一個去處子集中所有去處；若路線在約束條件內(nèi)，則計算出能夠符合所述約束條件的最佳路線規(guī)劃

本發(fā)明的有益效果：

1)由于本發(fā)明中的路線規(guī)劃系統(tǒng)，包括數(shù)據(jù)采集單元，用以采集可供 用戶選擇的去處信息；包括但不限于通過從旅游和休閑出行相關(guān)的社交平臺，專題網(wǎng)站中采集可供用戶選擇的去處信息。數(shù)據(jù)分類評價單元，用以按照用戶的所述數(shù)據(jù)采集單元中的去處信息得到選擇偏好并進(jìn)行重新分類；系統(tǒng)會將這些采集到的去處，根據(jù)數(shù)據(jù)來源中用戶對該去處的評論和評分進(jìn)行打分和歸類，并將分類后的結(jié)果儲存到數(shù)據(jù)庫。偏好獲取單元，用以獲取用戶的出行偏好；用戶可以在客戶端應(yīng)用輸入自己的行程偏好，以及需要規(guī)劃行程的起點(diǎn)和終點(diǎn)，系統(tǒng)就能夠?yàn)橛脩糁贫ǔ霭擞脩魰信d趣的去處的最佳出行路線。規(guī)劃單元，用以通過路線構(gòu)建算法生成定制化出行路線；可視化單元，用以根據(jù)所述偏好獲取單元中的出行偏好和所述數(shù)據(jù)分類評價單元中的分類，在所述規(guī)劃單元選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。本系統(tǒng)能夠根據(jù)用戶自身偏好，結(jié)合時間、地點(diǎn)及場景，自動生成適用于城市短程休閑出行路線的行程規(guī)劃系統(tǒng)。系統(tǒng)幫助用戶在海量的旅游休閑出行數(shù)據(jù)中選擇適合資訊，并根據(jù)用戶自身的出行需求，快速規(guī)劃出最優(yōu)的城市短程休閑出行路線，為用戶節(jié)省了大量的時間和精力。

2)由于本發(fā)明的一種路線規(guī)劃方法，包括了：采集可供用戶選擇的去處信息，然后按照所述用戶的去處信息得到選擇偏好并進(jìn)行重新分類；所述分類后得到至少包括評分的去處信息；獲取用戶的出行偏好，通過路線構(gòu)建算法生成定制化出行路線；根據(jù)所述出行偏好和分類，選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。能夠根據(jù)用戶自身偏好，結(jié)合時間、地點(diǎn)及場景，自動生成適用于城市短程休閑出行路線的行程規(guī)劃。采用本發(fā)明中的在路線規(guī)劃方法，用戶可以在客戶端應(yīng)用輸入自己的偏好，以及需要規(guī)劃行程的起點(diǎn)和終點(diǎn)，就能夠?yàn)橛脩糁贫ǔ霭擞脩魰信d趣的去處的出行路線。不僅如此， 當(dāng)用戶可能希望多花一些時間在沿途上發(fā)現(xiàn)新的感興趣的去處時，系統(tǒng)能夠及時針對已規(guī)劃的，最高效的路線，自動調(diào)整并建議出一些用戶能夠接受的合理的改道路線。

3)本發(fā)明中的規(guī)劃單元包括：CFB算法模塊，CBB算法模塊，協(xié)同構(gòu)建出最佳路線構(gòu)建算法，根據(jù)所述出行偏好和分類，選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。

附圖說明

圖1是本發(fā)明一實(shí)施例中的路線規(guī)劃系統(tǒng)的結(jié)構(gòu)示意圖。

圖2是圖1中的規(guī)劃單元中的結(jié)構(gòu)示意圖。

圖3是本發(fā)明一實(shí)施例中的路線規(guī)劃方法流程示意圖。

圖4是圖3中的最優(yōu)出行路線規(guī)劃的CFB算法流程示意圖。

圖5是圖3中的最優(yōu)出行路線規(guī)劃的CBB算法流程示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。

圖1是本發(fā)明一實(shí)施例中的路線規(guī)劃系統(tǒng)的結(jié)構(gòu)示意圖。

一種路線規(guī)劃系統(tǒng)10，包括：

數(shù)據(jù)采集單元101，用以采集可供用戶選擇的去處信息；本領(lǐng)域技術(shù)人員能夠明了，可以采用數(shù)據(jù)挖掘的方法，從旅游和休閑出行相關(guān)的社交平臺，專題網(wǎng)站中采集可供用戶選擇的去處信息，并對數(shù)據(jù)進(jìn)行分類儲存。

在一些實(shí)施例中，通過一個專題WEB數(shù)據(jù)挖掘器，對WEB中的數(shù)據(jù)進(jìn)行 挖掘。

在一些實(shí)施例中，采用網(wǎng)絡(luò)爬蟲從旅游和休閑出行相關(guān)的社交平臺，專題網(wǎng)站中得到，所述網(wǎng)絡(luò)爬蟲包括但不限于，Larbin、Nutch、Heritrix、WebSPHINX、Mercator、PolyBot。本技術(shù)人員能夠明了，比如，Larbin，可以獲取/確定單個旅游/休閑網(wǎng)站的所有鏈接，還包括鏡像一個旅游/休閑網(wǎng)站、或者建立url列表群。Nutch，通過WebDB用以存儲的是爬蟲所抓取網(wǎng)頁之間的鏈接結(jié)構(gòu)信息，WebDB內(nèi)存儲了兩種實(shí)體的信息:page和link。Page實(shí)體通過描述網(wǎng)絡(luò)上一個網(wǎng)頁的特征信息來表征一個實(shí)際的網(wǎng)頁，因?yàn)榫W(wǎng)頁有很多個需要描述，WebDB中通過網(wǎng)頁的URL和網(wǎng)頁內(nèi)容的MD5兩種索引方法對這些網(wǎng)頁實(shí)體進(jìn)行了索引。Page實(shí)體描述的網(wǎng)頁特征主要包括網(wǎng)頁內(nèi)的link數(shù)目，抓取此網(wǎng)頁的時間等相關(guān)抓取信息，對此網(wǎng)頁的重要度評分等，針對金融資訊行業(yè)特殊的數(shù)據(jù)，能夠抓取得到更有效的信息。Heritrix，在預(yù)定的用于標(biāo)識某一互聯(lián)網(wǎng)資源名稱的字符串URI中選擇一個，之后獲取URI進(jìn)行分析，歸檔結(jié)果，選擇已經(jīng)發(fā)現(xiàn)的感興趣的“旅游/休閑”URI，加入預(yù)定隊(duì)列，之后再標(biāo)記已經(jīng)處理過的URI。比如PolyBot，由一個爬蟲管理者,一個或多個下載者，和一個或多個域名系統(tǒng)服務(wù)器DNS解析者組成，通過將抽取到的URL被添加到硬盤的一個隊(duì)列里面,然后使用批處理的模式處理這些URL。

在一些實(shí)施例中，所述數(shù)據(jù)采集單元101與服務(wù)商的API接口連接，用以作為去處信息的數(shù)據(jù)采集來源。API接口的網(wǎng)絡(luò)服務(wù)平臺商，比如百度地圖和大眾點(diǎn)評等，提供給開發(fā)者的開放API接口也可以是去處信息的重要數(shù)據(jù)來源。

上述數(shù)據(jù)采集單元101至少包括如下的有益效果：通過社交平臺，新媒體渠道以及旅游和休閑出行領(lǐng)域的互聯(lián)網(wǎng)服務(wù)平臺商獲取包含用戶評論和評分的去處信息，從上述海量數(shù)據(jù)中選擇適合用戶的資訊。

數(shù)據(jù)分類評價單元103，用以按照用戶的所述數(shù)據(jù)采集單元中的去處信息得到選擇偏好并進(jìn)行重新分類；雖然這些采集到的去處信息可能已經(jīng)有默認(rèn)分類數(shù)據(jù)，但這些默認(rèn)的分類通常太過于具體，因此在本實(shí)施例中需要將這些去處重新分成更精簡的六大類別，方便用戶在選擇偏好時使用。

在一些實(shí)施例中，所述數(shù)據(jù)分類評價單元，還用以，根據(jù)所述重新分類后，得到帶有評價分?jǐn)?shù)和點(diǎn)贊數(shù)量的去處信息。

更進(jìn)一步，所述數(shù)據(jù)分類評價單元中的重新分類具體為：

{風(fēng)景展館，夜生活，美食，戶外休閑，活動，逛店}。即這六大類分別是：風(fēng)景展館，夜生活，美食，戶外休閑，活動，逛店和其他。用戶可以在構(gòu)建出行路線的時候針對這幾類的實(shí)際需求給予從0到5的偏好權(quán)重，其中0代表最不需要，5代表最需要。在所有的去處都被采集并分類之后，會進(jìn)一步對這些去處信息進(jìn)行評分。在這里，這些去處相關(guān)的數(shù)據(jù)不僅包含了名稱，分類，所屬商圈，地理位置等信息，還包含了數(shù)據(jù)來源平臺中用戶對該去處的評論，評分，點(diǎn)贊等數(shù)據(jù)。接下來會根據(jù)每個去處的點(diǎn)贊數(shù)量和評分計算出該去處的評價分?jǐn)?shù)結(jié)果并儲存到數(shù)據(jù)庫。如果一個去處的評價分?jǐn)?shù)太低，則表示了該去處的關(guān)注度不夠高，這些數(shù)據(jù)就不會被保留在數(shù)據(jù)庫里。

偏好獲取單元102，用以獲取用戶的出行偏好；可以通過客戶端應(yīng)用等獲取用戶的出行偏好，包括出行場景，行程所需要包含的去處分類，需要規(guī)劃行程的起點(diǎn)和終點(diǎn)，時間及預(yù)算等。比如出行場景為海邊沙灘椰風(fēng)海韻， 又比如出行場景為歷史建筑歐洲古堡，再比如出行場景為游樂園/主體公園。行程中的去處分類，包括但不限于，美食街/夜市，酒館/酒吧/居酒屋，咖啡館，集市，跳蚤市場，購物街/商圈，購物中心，購買日用品，博物館，海鮮，酒吧，面包糕點(diǎn)，時尚購物，當(dāng)?shù)靥厣朗?，早午餐，表演場所，午餐，主題活動日，甜點(diǎn)，素食，建筑，紀(jì)念品，音樂節(jié)，公園/植物園，游客去處，教堂，西餐，牛排，壽司，日本料理，觀光，觀光路線，披薩，時尚風(fēng)格，廚房，燒烤，服飾/鞋帽，學(xué)校，泰式料理，島嶼，藝術(shù)館/展覽中心，藝術(shù)文化節(jié)/展覽，泰國菜，食品，廣場，紀(jì)念碑/雕塑/噴泉，晚餐宮殿/城堡，寺廟，名人故居/紀(jì)念館，夜店主題，適合徒步，國家公園，冰淇淋，觀景臺，手工藝品，體育活動，同事禮物，名牌，早餐，豪華，度假村，水上運(yùn)動，法式，歷史遺址，主題公園/游樂場/民俗村等等。

上述數(shù)據(jù)分類評價單元103至少包括如下的技術(shù)效果：根據(jù)用戶自身偏好，結(jié)合{時間、地點(diǎn)、場景}，對用戶的去處信息進(jìn)行重新分類，得到帶有評分分?jǐn)?shù)和點(diǎn)贊數(shù)量的去處信息。比如：

在一些實(shí)施例中，路線規(guī)劃系統(tǒng)還包括應(yīng)用程序組件，用以提供所述偏好獲取單元中102的出行偏好的數(shù)據(jù)入口。

規(guī)劃單元104，用以通過路線構(gòu)建算法生成定制化出行路線；在規(guī)劃單元104中使用了兩個版本的算法:無約束條件(CFB)及基于特定約束條件(CBB)的路線構(gòu)建算法。CFB算法能夠讓組件在不考慮用戶偏好的基礎(chǔ)上快速構(gòu)建一個有效的出行路線，而CBB算法會將用戶所需要的特定約束條件，如時間和預(yù)算，作為路線構(gòu)建算法考慮的因素。每個算法都有單獨(dú)的算法模塊。

上述規(guī)劃單元104至少包括如下的有益效果：CBB算法會將用戶提出的特定約束條件，如時間和預(yù)算，考慮進(jìn)路線規(guī)劃中；CFB算法會保證所規(guī)劃出的路線不能超過預(yù)期花費(fèi)時間和預(yù)算，而不能滿足條件的潛在路線規(guī)劃會被否決，直至計算出能夠符合該條件的最佳路線規(guī)劃。

可視化單元105，用以根據(jù)所述偏好獲取單元中的出行偏好和所述數(shù)據(jù)分類評價單元中的分類，在所述規(guī)劃單元104選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦?？梢暬瘑卧?05根據(jù)規(guī)劃單元104中最優(yōu)路線構(gòu)建功能組件就能夠根據(jù)這些偏好推薦出最優(yōu)路線規(guī)劃，并由可視化單元105展示給目標(biāo)用戶。比如，當(dāng)用戶希望多花一些時間在沿途上發(fā)現(xiàn)新的感興趣的去處時，偏好獲取單元102也能夠及時針對輸入的用戶偏好數(shù)據(jù)進(jìn)行調(diào)整，并通過規(guī)劃單元104中的最優(yōu)路線構(gòu)建功能組件進(jìn)行調(diào)整，把調(diào)整后建議出一些用戶能夠接受的合理的改道路線，再通過路線可視化單元105展示給目標(biāo)用戶。

在一些實(shí)施例中，所述可視化單元105會根據(jù)地圖或列表的形式，將路線通過客戶端應(yīng)用展示給用戶。

在一些實(shí)施例中，所述可視化單元105的載體包括但不限于，智能手機(jī)、智能手表、平板電腦等。

上述可視化單元105至少包括如下的有益效果：能夠及時針對輸入的用戶偏好數(shù)據(jù)進(jìn)行調(diào)整，并通過規(guī)劃單元104中的最優(yōu)路線構(gòu)建功能組件進(jìn)行調(diào)整，把調(diào)整后建議出一些用戶能夠接受的合理的改道路線，再通過路線可視化單元105展示給目標(biāo)用戶?？梢暬瘑卧?05的顯示方式包括但不限于，地圖或者列表的方式。

圖2是圖1中的規(guī)劃單元中的結(jié)構(gòu)示意圖。

所述規(guī)劃單元104包括：CFB算法模塊1041，用以通過CFB無約束條件路線構(gòu)建算法，根據(jù)所述數(shù)據(jù)采集單元中獲取到的用戶去處數(shù)據(jù)以及偏好獲取單元中獲得的用戶出行偏好，構(gòu)建出行路線，并將路線規(guī)劃發(fā)送給所述可視化單元。CFB算法模塊1041所使用的無約束條件路線構(gòu)建算法能夠基于數(shù)據(jù)采集單元101中所獲取到的去處數(shù)據(jù)和用戶偏好設(shè)置模塊102獲得的用戶偏好數(shù)據(jù)，在不考慮用戶特定約束條件的基礎(chǔ)上，快速構(gòu)建一個有效的出行路線，并將路線規(guī)劃發(fā)送給路線可視化單元105，并展示給目標(biāo)用戶。

具體地，無約束條件(CFB)路線構(gòu)建算法是一種基于著名的狄克斯特拉(Dijkstra)算法的改進(jìn)型算法。狄克斯特拉算法是從一個頂點(diǎn)到其余各頂點(diǎn)的最短路徑算法，解決的是有向圖中最短路徑問題。對應(yīng)地，頂點(diǎn)是有有效評價分?jǐn)?shù)的去處信息，而連接各頂點(diǎn)的邊，就是各去處間的物理距離。因此，CFB算法會先統(tǒng)計出數(shù)據(jù)采集單元101中獲取到所有的去處之間的物理距離和每一個去處的評價分?jǐn)?shù)，再在這基礎(chǔ)上計算出每條潛在路線的推薦值。在CFB算法里，路線的推薦值就是該路線所包含的所有去處的評價分?jǐn)?shù)的總和，再除以該路線的總長度，也就是該路線所包含的所有去處之間距離的總和。接著，CFB算法會根據(jù)起點(diǎn)到另一個去處的路線的推薦值，找到可 以走遍一個包含一定數(shù)量的去處子集中所有去處的但總推薦值最大的路線。

由于數(shù)據(jù)分類評價單元101在將所有有效去處分成六大類({風(fēng)景展館，夜生活，美食，戶外休閑，活動，逛店})的時候，不可避免的會出現(xiàn)某些類別(例如，美食類)的去處數(shù)據(jù)會多過于其他類別。這樣會造成的一個結(jié)果就是，即使用戶在讓系統(tǒng)規(guī)劃路線前，已經(jīng)在偏好獲取單元102將這個類別的偏好權(quán)重設(shè)定比較低，但是還是會不可避免的在規(guī)劃的路線中出現(xiàn)過多該類別的去處。在CFB算法里，則通過計算每個分類里的去處和用戶所偏好的分類之間的相關(guān)系數(shù)來解決這樣的問題。這個相關(guān)系數(shù)的取值范圍為-1(絕對負(fù)相關(guān))到1(絕對正相關(guān))。當(dāng)系數(shù)為0的時候表示這兩個數(shù)據(jù)集之間完全沒有任何關(guān)聯(lián)。

因此，在本實(shí)施例中用計算相關(guān)系數(shù)的方法來解決這個問題的思路是這樣的:如果一個類別比另一個類比的偏好權(quán)重高兩倍，那么第一個類別里的去處在規(guī)劃路線里出現(xiàn)的數(shù)量應(yīng)該是第二個類別去處數(shù)量的兩倍。然而現(xiàn)實(shí)中，能用于路線規(guī)劃的去處數(shù)量還是取決于該規(guī)劃路線地區(qū)所擁有的去處的總量。從計算出的相關(guān)系數(shù)能夠得知，如果在每個類別里的去處數(shù)量是否與每個去處產(chǎn)生相關(guān)性，還有是否與每個用戶的偏好產(chǎn)生相關(guān)性。因此，相關(guān)系數(shù)會被用于調(diào)整每條路線中所包含所有去處的評價分?jǐn)?shù)總和，并且能夠提高用戶偏好分類中的去處的價值。

所述規(guī)劃單元還包括：CBB算法模塊1042，用以通過CBB約束條件路線構(gòu)建算法，根據(jù)所述數(shù)據(jù)采集單元中獲取到的用戶去處數(shù)據(jù)以及偏好獲取單元中獲得的用戶出行偏好，并基于用戶約束條件構(gòu)建出行路線，并將路線規(guī)劃發(fā)送給所述可視化單元。

具體地，基于特定約束條件(CBB)算法是相對于CFB算法的路線構(gòu)建算法。CBB算法會將用戶提出的特定約束條件，如時間和預(yù)算(比如：時間，3天，預(yù)算2萬；時間5天，預(yù)算3萬；時間1天，預(yù)算2千。)，考慮進(jìn)路線規(guī)劃中。這也是其唯一不同于無約束條件(CFB)算法的地方。在算法的核心部分，算法的運(yùn)作原理與上述的CFB算法一致。當(dāng)用戶在客戶端應(yīng)用程序中通過偏好獲取單元102將特定的約束條件，例如路線預(yù)期花費(fèi)時間和預(yù)算，作為參數(shù)傳給CBB算法模塊(132)，該算法會在CFB算法推導(dǎo)出的路線基礎(chǔ)上進(jìn)行進(jìn)一步篩選。也就是說，規(guī)劃單元104會保證所規(guī)劃出的路線不能超過預(yù)期花費(fèi)時間和預(yù)算，而不能滿足條件的潛在路線規(guī)劃會被否決，直至計算出能夠符合該條件的最佳路線規(guī)劃。

圖3是本發(fā)明一實(shí)施例中的路線規(guī)劃方法流程示意圖。

在本實(shí)施例中的一種路線規(guī)劃方法，包括：

步驟S100采集可供用戶選擇的去處信息，然后按照所述用戶的去處信息得到選擇偏好并進(jìn)行重新分類；

作為本實(shí)施例中的優(yōu)選，所述去處信息包括但不限于，評價分?jǐn)?shù)和點(diǎn)贊數(shù)量

作為本實(shí)施例中的優(yōu)選，所述去處信息從出行/休閑網(wǎng)站，旅行專題網(wǎng)站，旅游論壇，社交服務(wù)平臺中獲得。

作為本實(shí)施例中的優(yōu)選，所述旅行專題網(wǎng)站包括但不限于，攜程旅游網(wǎng)、去哪旅游網(wǎng)、藝龍旅游網(wǎng)、途牛旅游網(wǎng)、驢媽媽旅游網(wǎng)、螞蜂窩、窮游網(wǎng)。

作為本實(shí)施例中的優(yōu)選，所述社交服務(wù)平臺包括但不限于，新浪微博、微信、Face book等。

步驟S101所述分類后得到至少包括評分的去處信息；

作為本實(shí)施例中的優(yōu)選，評分的去處信息根據(jù)：{風(fēng)景展館，夜生活，美食，戶外休閑，活動，逛店}按照重新分類后進(jìn)行打分。

作為本實(shí)施例中的優(yōu)選，評分的去處信息按照：用戶可以在構(gòu)建出行路線的時候針對這幾類的實(shí)際需求給予從0到5的偏好權(quán)重，其中0代表最不需要，5代表最需要。在所有的去處都被采集并分類之后，會進(jìn)一步對這些去處信息進(jìn)行評分。

步驟S102獲取用戶的出行偏好，通過路線構(gòu)建算法生成定制化出行路線；

作為本實(shí)施例中的優(yōu)選，用戶的出行偏好包括但不限于：時間、地點(diǎn)及場景。

作為本實(shí)施例中的優(yōu)選，路線構(gòu)建算包括但不限于，CFB無約束條件路線構(gòu)建算法和和/或通過CBB約束條件路線構(gòu)建算法。

作為本實(shí)施例中的優(yōu)選，所述定制化出行路線包括但不限于，用戶偏好，當(dāng)用戶可能希望多花一些時間在沿途上發(fā)現(xiàn)新的感興趣的去處時，系統(tǒng)能夠及時針對已規(guī)劃的，最高效的路線，自動調(diào)整并建議出一些用戶能夠接受的合理的改道路線。

作為本實(shí)施例中的優(yōu)選，結(jié)合時間、地點(diǎn)及場景，自動生成適用于城市短程休閑出行路線的行程規(guī)劃。

步驟S103根據(jù)所述出行偏好和分類，選擇出最優(yōu)的出行路線規(guī)劃進(jìn)行推薦。

在一些實(shí)施例中，獲取用戶的出行偏好時通過應(yīng)用程序接口，向WEB服 務(wù)器發(fā)出請求，并響應(yīng)用戶出行偏好的結(jié)果。

圖4是圖3中的最優(yōu)出行路線規(guī)劃的CFB算法流程示意圖。

在一些實(shí)施例中，選擇出最優(yōu)的出行路線規(guī)劃的方法為，

步驟S200通過CFB無約束條件算法，根據(jù)出行路線中所包含的所有去處的評價分?jǐn)?shù)的總和得到路線的推薦值；

步驟S201所述推薦值計算方法為：

步驟S202所述路線的總長度為該路線所包含的所有去處之間距離的總和數(shù)，

步驟S203再根據(jù)起點(diǎn)到另一個去處的路線的推薦值，并通過上述推薦值的方法遍歷一個去處子集中所有去處，則選擇出最優(yōu)的出行路線規(guī)劃。

圖5是圖3中的最優(yōu)出行路線規(guī)劃的CBB算法流程示意圖。

步驟S300通過CBB約束條件算法，根據(jù)用戶提供的約束條件，進(jìn)行路線規(guī)劃；

步驟S301根據(jù)出行路線中所包含的所有去處的評價分?jǐn)?shù)的總和得到路線的推薦值；

步驟S302再根據(jù)起點(diǎn)到另一個去處的路線的推薦值，并通過上述推薦值的方法遍歷一個去處子集中所有去處；若路線在約束條件內(nèi)，則計算出能夠符合所述約束條件的最佳路線規(guī)劃。

所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上，所述僅為本發(fā)明的具體實(shí)施 例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。