[发明专利]一种数据驱动的出租车路线推荐方法

说明书

本发明公开了一种数据驱动的出租车路线推荐方法，首先，通过起点和终点位置，提取最有可能出现最优路径的区域，然后，使用人工势场法去除极大可能无法形成最优路径的网络节点，最后，使用Dijksta方法完成最优路径推荐。通过仿真实验表明，本方法与蚁群算法、贪心算法、人工势场法、快速探索随机树和迪杰斯特拉算法相比具有更高的收敛效率和更快的计算速度。

技术领域

本发明涉及路线推荐技术领域，尤其涉及一种数据驱动的出租车路线推荐方法。

背景技术

近年来，随着社会的不断进步，人们消费能力不断增加，出行频率越来越高，对城市交通工具的需求量越来越大，出租车以其方便、安全、快捷、个性化强的优势受到更多出行者的选择。城市交通工具的增加，导致道路拥堵程度变大，对于城市拥堵问题，城市管理者投入大量经费对城市道路进行扩建和改造，使得交通网络越来越复杂，虽然拥堵情况得到缓解，但城市拥堵问题依然未解决，同时，路网的增加和路况的拥堵，使出租车载客效率变低，同时，研究表明，出租车35％到60％的时间都在道路上巡航寻找乘客，一方面，导致乘客等待时间增加，乘车体验较差，另一方面，使出租车运营成本上升，能源消耗量增大，增加环境污染。为了提升乘客的乘车体验、增加出租车运营效率和减少能源消耗，为此，很多作者提出了不同的出租车最快路径推荐方法；目前，路径规划方法可分为经典方法和启发是方法，其中启发式方法包括；模拟退火法、神经网络算法、遗传算法、蚁群算法等；经典方法包括：动态规划法、分枝限界法、人工势场法、Dijkstra方法、分支限界法、 Bellman-Ford算法、A*算法等。

启发式算法中，模拟退火法具有较强局部搜索能力，但全局搜索能力较差；神经网络算法在目标规模较大时易于收敛到局部最小解；遗传算法并行求解能力强，具有强鲁棒性和全局搜索能力，但局部搜索能力差，易于早熟；蚁群算法具有自适应、自组织、正向反馈的特点，可以促使整个系统向最优解进化，但存在收敛慢、易于陷入局部最优的缺点，此外，算法中的参数设定目前尚无理论依据，要靠实验来调整和确定。

在经典算法中，动态规划法是一种递归算法，时间复杂度随目标数量的增大而急剧增大；分枝限界法时间复杂度也随着目标数量的增大而急剧增大，目标数量较大时计算时间较长；人工势场法模仿引力和斥力下的物体运动，目标点和运动体间为引力，运动体和障碍物间为斥力，通过建立引力场和斥力场函数进行路径寻优，优点是路径规划效果平滑安全、描述简单等，但是存在局部最优的问题；Dijkstra是一种经典的最短路径算法，算法以起始点为中心向外层层扩展，直到扩展到终点为止，通过所有节点的遍历比较得到最短路径，由于算法需要从起点开始逐步向四周扩展直至到达终点后才能得到最短路径，所以，计算出最短路径成功率很高，鲁棒性好；但是运用到大规模节点网络时算法执行时间较长。

出租车载客时，算法需要用最短时间完成最优路径推荐；若算法执行时间过长，出租车司机和乘客将长时间等待路径规划结果，若算法未能得到最优路径，将影响乘客到达时间，因此，为了让乘客和出租车司机满意，推荐算法需要满足算法执行时间最短且路径推荐结果最优。