[发明专利]一种基于车辆历史轨迹的个性化路线推荐方法

权利要求书

1.一种基于车辆历史轨迹的个性化路线推荐方法，其特征在于，包括以下步骤：

1)对轨迹数据进行预处理：包括轨迹恢复、轨迹分割、去除浮动点、地图匹配；

2)分场景进行路径时间预测，热门路径采用KNN算法预测，非热门路径采用GBDT预测模型；

3)获取用户每条轨迹相对偏好，并对用户所有轨迹根据其相对偏好进行聚类，获得用户偏好场景；

4)在每个偏好场景下，利用最优化的思想，采用梯度下降的方法计算用户的偏好向量；

5)利用协同过滤思想，通过寻找相似用户，利用相似用户的历史轨迹进行推荐；如果相似用户没有相应历史轨迹，则建立多权重路网图，根据用户偏好向量，寻找一条开销最小的路径。

2.根据权利要求1所述的一种基于车辆历史轨迹的个性化路线推荐方法，其特征在于：在步骤1)中，首先进行轨迹恢复，轨迹原始数据大多是杂乱无章的GPX点数据，需要按照时间以及司机这两个属性来恢复原始轨迹；接着进行轨迹分割，当轨迹中某段停留时间超过预设阈值后，分割成两条独立路径来研究；再接着进行异常值处理，两个点之间的速度超过正常范围，就是异常值，需要去除；最后进行地图匹配，采用HMM算法将GPX点匹配到实际路网上。

3.根据权利要求1所述的一种基于车辆历史轨迹的个性化路线推荐方法，其特征在于：在步骤2)中，采用分场景分别预测的方法，对于热门路径采用KNN预测算法；而对于其它路径则采用GBDT预测模型进行预测，具体步骤如下：

2.1)对于所有轨迹的起点、终点进行K-MEANS聚类，得到热门区域；

2.2)对于热门区域之间的轨迹再进行K-MEANS聚类，得到热门轨迹；

2.3)对于每一条热门轨迹，分别采用KNN预测算法进行预测，特征为：“是否周末(是，否)，时间段(每30分钟为一个时间段，共48个时段)，天气状况(晴，多云，大雾，小雨，大雨，雪天)”，对特征采用“one-hot”处理，标签为时间；调整K的个数，使得预测效果达到一个最佳状态；

2.4)对于其它任意非热门路径，采用KNN预测代价很高，因为KNN寻找相似轨迹的时间开销成本很大，因此使用GBDT预测模型，虽然预测精度不如KNN，但是对任意一条路径都能够预测，首先构造特征，特征为：“路径上红绿灯数、路径上转弯数、路径最高时速限制、道路级别、车主ID、是否周末，时间段，轨迹总长度，轨迹GPX点个数，轨迹起始位置，轨迹中间位置，轨迹结束位置，起始点与城市中心距离，中间点与城市中心距离，终点与城市中心距离，天气状况”；其中非连续性特征“道路级别(高速、省道、普通道路)、车主ID、是否周末、时间段”采用“one-hot”处理；对于模型采用十折交叉验证，不断调整树的个数、深度、学习率参数，具体方法为采用单一变量原则，最终使得模型预测效果达到一个最优状态，将此预测模型序列化保存下来。

4.根据权利要求1所述的一种基于车辆历史轨迹的个性化路线推荐方法，其特征在于：在步骤3)中，首先获取同起点终点所对应的轨迹的各个开销的最小值，然后求取用户的每一条轨迹针对每一个开销的相对偏好比率，最后对用户所有轨迹的相对偏好进行聚类得到偏好场景，具体步骤如下：

3.1)首先获取同起点终点所对应的轨迹的各个开销的最小值；静态开销，能够利用Dijkstra算法获得；对于动态开销，检索出历史轨迹中所有同起点终点的轨迹，然后利用步骤2)中的预测模型分别预测出用户在每一条路径上的动态开销值，取最小值；这样就得到了各个开销的最小值，记为PC_min，PC_min＝{pc_1min,pc_2min,...,pc_mmin}；

3.2)对用户偏好进行聚类；通过下面这个公式，计算用户当前轨迹P对于第j开销的偏好比率PR_j，式中pc_jmin是对应用户当前轨迹的同起点终点的所有轨迹中，第j开销的最小值，pc_j是用户当前轨迹的第j开销值，PR_j越大，说明用户越偏好于这一个开销；然后对用户的偏好进行聚类，聚类方法如下：

3.2.1)对偏好比率PR排序，偏好比率越大的排在越前面；

3.2.2)利用最长公共前缀来进行聚类。