一种基于移动互联网的用户旅行最优化推荐方法及系统的制作方法
【专利摘要】一种基于移动互联网的用户旅行最优化推荐方法，其包括如下步骤：S1、确认用户旅行考虑的因素，所述因素包括出行时段选择、出行路径选择、出行方式选择、换乘选择；S2、根据上述因素构建用户旅行方案的张量运算模型；S3、将用户旅行方案的张量运算模型的计算结果加入候选推荐方案，并进行候选方案分值计算；S4、将获得的候选推荐方案的分值提供给用户进行体验并获取用户对体验的反馈结果，基于各项评估指标对用户推荐的出行方案进行分值排名，从而得到最终的推荐方案供用户选择。本发明还提供一种基于移动互联网的用户旅行最优化推荐系统。
【专利说明】
一种基于移动互联网的用户旅行最优化推荐方法及系统
技术领域
[0001] 本发明涉及移动互联网旅游路线推荐技术领域，特别涉及一种基于移动互联网的 用户旅行最优化推荐方法及系统。
【背景技术】
[0002] 基于当前流行的移动互联网平台，进行用户旅行方式的推荐方法的研究是一个新 兴的研究领域，涉及的研究领域包括基于移动互联网平台上，用户实时位置的动态变化监 测，用户活动位置与范围的变化规律，用户活动的常规路线界定与最优路线的推荐，用户活 动的时空规则设计等一切跟移动互联网上的用户旅行方式推荐相关的技术领域。通过对这 些先进技术的研究，本发明提出了一套针对城市生活中，人类旅行方案最优化方案推荐的 研究体系。该体系能够很好的解决人类旅行的时段选择、时段对应的路径选择、交通方式的 选择与换乘四者之间逻辑关系的问题。从而达到向用户推荐最优旅行方案的目的。即用户 可选择，最优时段、最优时段相对应的最优路径、最优时段下的最佳交通工具选择与换乘。 使得用户在综合考虑安全性、便利性、时效性和经济性之下，能对旅行方案做出最明智的选 择。
[0003] 这些领域涉及到的主要研究对象，关键技术和实际应用价值主要包括：
[0004] 稀疏GPS数据中的旅行方式学习 ：Yu Zheng等人采用监督性学习的方法从用户上 传的稀疏性数据中自动推断用户旅行的方式。该文中讨论的旅行方式包括步行、驾车、公交 三种模式，并且基于某种旅行方式做情境感知计算。论文中采用分段拐点技术和基于条件 概率的后处理算法，并以此建立推断模型，并通过实验验证旅行方式预测和不同旅行方式 换乘的准确性。
[0005] 数字图像上的地理位置标记:Ken tar 〇 Toyama等人提出了一种新型的端到端系统 用于捕获数字图像上的地图位置元数据。在该文中，他们解决的三个挑战性问题包括：1、在 照片上识别位置标签的方法;2、提出了一种操作带位置标签的图像的数据结构;3、显示和 浏览带位置标记照片的用户接口。并且编写了一种用于自动创建恰当的情境地图的软件应 用工具。
[0006] 位置历史的剖析与建模:Ramaswamy Hariharan等人提出了一系列严格定义的数 据结构和算法用于分析和生成位置历史。文中采用了非马尔科夫和马尔科夫两种方法对用 户的位置历史进行概率性建模。并以实验结果证明了这些数据结构的价值和位置历史概率 模型的可能应用。
[0007] 多用户重要位置学习与行动预测:Danile Ashbrook等人利用位置情境对用户未 来的行动创建预测模型，并建立了一种系统，该系统在不同尺度上自动收集相当长一个时 段内的GPS数据并把它们转换为有意义的位置信息。这些位置信息能够被用于一系列单用 户和协同多用户参与的应用。
[0008]潜在轨迹中的目的地推断:John Krumm等人利用驾驶员的行车历史和驾驶行为数 据建立模型，并通过他每驾驶一段路来预测他可能将车开去哪里。该文中研究的司机驾驶 行为包括目的地类型、驾驶效率和旅程时间。除了考虑之前访问的目的地外，模型利用一种 开放式的建模方法考虑用户访问基于数据趋势的未知领域和位置背景属性的相似度。分析 的多数组件通过贝叶斯推断被融合用于生成概率目的地图。
[0009]低层次传感器推断高层次用户行为:Donald J.Patterson等人提出了一种用于学 习城市用户移动行为的贝叶斯模型。同时，他们提出了一种非监督性统一模型，该模型能够 模拟出用户当前行为模式，这种行为模式就像他们平时的行走路线一样。该模型采用粒子 滤波器和期望最大化算法进行实施。该模型通过加入更多关于公交路线和公交站信息使得 推断准确性得到了改善。
[0010]个性化地图：Lin Liao等人提出了一种辅助认知信息技术系统，该系统能学习每 个用户定制的个性化地图并推断他们日常活动和移动情况。针对用户的不同行为情况，该 系统可采用判别式和产生式模型。一种判别式关系马尔科夫网络可用来抽取不同地点并标 记他们。一种产生式动态贝叶斯网络可用来学习交通路线，推断目标和实时报告潜在的用 户错误。他们关注模型的基本结构并简要探讨了推断和学习技术。实验显示，该系统能精确 提取和标记地点，预测用户目标和识别用户犯错误的情形，如用户搭错了公交车。
[0011]旅行路线的学习与推断:Lin Liao等人介绍了一种层次马尔科夫模型，该模型能 通过城市社区推断用户日常活动情况。为了缩小粗粒度GPS传感器测量值和高层次信息间 的差距，例如用户的目的地和运动方式，模型采用抽象概念的多个层次。为了达到更有效的 推断结果，他们运用Rao-Blackwellized粒子滤波器在模型层次结构的多个层次上。公交车 停靠站和停车场这些位置点是用户频繁更换行动方式的点，在不用人工标注训练集数据的 情况下就能够从GPS数据日志中学习到。并且用实验说明了怎样通过用户历史数据的上下 文情境显性地对用户活动建模，以精确地探测新行为和用户错误(例如搭错公交车）。最后， 文中探讨了一种叫做"Opportunity Knocks"的应用，该应用采用文中的技术去帮助认知有 缺陷的残疾人安全地使用公共交通工具。
[0012] 分段和标记序列数据的概率模型:John Lafferty等人提出了概率随机域模型，它 是一种为建立概率模型对序列数据进行分割和标记的架构。条件随机域在隐式马尔科夫模 型和随机语法上为缓解强独立性假设这类工作提供了一些优势。条件随机域也能够避免最 大熵马尔科夫模型的基础性缺陷和其它基于有向图模型的可判别马尔科夫模型。文中为条 件随机域提出了迭代参数估计算法，并在合成和自然语言数据上比较了隐式马尔科夫模型 和最大熵马尔科夫模型的性能。
[0013] 带地理信息系统的网页搜索：带地理信息的网页搜索集成当前已引起万众瞩目。 已有许多位置网页搜索系统使用户查找特定位置的网页内容。在文中，Taro Tezuka等人指 出这类集成仍旧停留在较肤浅的水平上。现如今大多数网页搜索系统仅仅只把本地网页内 容和地图接口链接起来了。它们是常见的独立地理信息系统的扩展，被运用于一种基于Web 的C-S架构。该文中，在提取、知识发现和呈现方面，探讨了用于带GIS的Web搜索更严格集成 的方法。并描述了支持"集成必须超出简单地图-超链接架构"这一观点的实施方法。
[0014] 时空RSS导航:Yih-Farn Chen等人提出了一种新的时空浏览技术，该技术能够以 一种及时、个性化和自动的方式为用户提供聚集和导航RSS扩展内容的能力。特别地，文中 介绍一种称为GeoTracker的系统，用来地理空间表示和时间表示用于帮助用户快速发现最 相关的更新。在工作过程中，他们提供了一种支持RSS提要智能聚合和传播到桌面和移动端 设备上的中间件引擎。文中研究了该系统在两个数据集（2006World Cup Soccer和 breaking news items)上的导航能力。同时也说明了这些技术在YouTube和Google上视频 搜索结果的应用加强了一个用户在他基于自身地理兴趣的定位和浏览的能力。最后，他们 把GeoTracker的位置推断能力与采用自然语言处理/信息检索社区的机器学习技术进行了 实验比较。虽然文中的算法简单，但是它却具备较高的召回率。
[0015]运动科学与勘探系统:Rainer Wasinger等人描述了一种用于运动科学并基于移 动多模互动平台的近乎完成的袖珍PC产品。该平台设计出来是为了更容易的支持室内和室 外导航任务，并且采用几个模块的结合来展示用户的输入与输出。而2D/3D图和合成语音用 来展示线路和位置上有用的信息，而来自于嵌入式语音和手势识别引擎的融合输入都考虑 到了用户的交互。
[0016] 基于上下文多人游戏的移动IPV6:Keith Mitchell等人在文中介绍了一种叫做 Real Tournament的多人移动游戏原型，该掌机游戏增加了一系列传感器用于加强真实世 界环境中的移动交互功能。然后对当前方法针对实时交互进行了评估，发现文中的架构更 适合无线环境和基于点对点的方法。为给可扩展性、低延迟、软实时移动应用提供支持，该 方法提供了适应性、共享状态和一致性机制。
[0017] 通过音频反馈控制导航:Steven Strachan等人把移动全球定位系统和MP3播放器 的功能结合起来，用于袖珍掌机上，以生成一种掌上系统。该系统能通过持续适应的音乐反 馈来指引用户到他们想去的目的地。文中阐明了怎样做音频显示能从控制理论的深度受 益。例如，预测显示的浏览元素，和不确定或模糊因素的恰当显示。导航任务的概率解释能 够被概括到其它依赖于上下文情境的移动应用中。这是第一款完全基于位置感知的手持式 音乐播放器的示例，文中详细讨论了该系统的使用场景。
[0018] 地理空间Web的移动应用架构:Rainer Simon等人提出了一种移动网络架构，该架 构通过智能手机和掌上电脑上互动创新模式和用户接口新类型来利用互联网上的地理空 间内容。文中讨论了当前的开发步骤，它们涉及构建移动地理空间Web应用和获得架构需要 的三个技术性先决条件:基于可视化和视图领域的空间查询操作，一个2.5D的环境模型和 一种为地理空间查询结果的独立展示数据交互的格式。因此，他们提出了作为一种匹配的 基于XML候选的局部可视化模型，并展示了一种原型的实现过程。
[0019] 基于位置的活动认知:Lin Liao等人为活动认知而通过构建和扩展关系马尔科夫 网络来定义一种总体框架。采用来自位置数据的活动认知的例子，他们展示了他们的模型 能代表各种包含时间信息的特征和从地理数据库中提取的空间信息和全局约束，如一个人 的家和工作地点的数目。他们开发了一款基于MCMC的高效推断和学习技术。利用通过多人 收集的GPS位置数据，该技术能精确的标记用户的活动位置。此外，通过利用先验提取来自 其他人的少量数据训练优质模型的方法是可行的。
[0020] 现有的城市中人类的运动轨迹和移动性规律研究并不深入，无法对城市生活中的 能源消耗和废气排放进行优化，无法达到对环境进行保护的目的。
【发明内容】
[0021] 有鉴于此，本发明提出一种基于移动互联网的用户旅行最优化推荐方法。
[0022] 一种基于移动互联网的用户旅行最优化推荐方法，其包括如下步骤：
[0023] S1、确认用户旅行考虑的因素，所述因素包括出行时段选择、出行路径选择、出行 方式选择、换乘选择；
[0024] S2、根据上述因素构建用户旅行方案的张量运算模型；
[0025] S3、将用户旅行方案的张量运算模型的计算结果加入候选推荐方案，并进行候选 方案分值计算；
[0026] S4、将获得的候选推荐方案的分值提供给用户进行体验并获取用户对体验的反馈 结果，基于各项评估指标对用户推荐的出行方案进行分值排名，从而得到最终的推荐方案 供用户选择。
[0027] 在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，所述步骤S1中：
[0028] 选择方式选择的度量标准包括安全系数S、便利性C、换乘关系T、经济性E;S用于衡 量用户选择出行方式的安全程度，取值范围为〇~l〇，S值越低，表明该种出行方式越不安 全;C用于表示用户旅行方式的便利程度，T用于表示用户对旅行时间的选择和需求，E用于 表示用户对旅行经济成本的要求。
[0029] 在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，所述步骤S2中：
[0030] 用户旅行方案的张量运算模型如下：
[0031 ] Rm=U*W*M*C*T，式中，Rm表示用户选择的优化旅行方式，即待推荐旅行方式，U表示 用户，W表示可供选择的旅行方式，Μ表示旅行度量标准，T表示换乘关系。
[0032]在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0033]用户和旅行方式的关联关系矩阵如下：
[0035] 其中Muxw表示矩阵名称，U-W表示矩阵的行列关系，Pij(i = l. . .n, j = l. . .m)表示 用户Ui选择旅行方式Wj的概率。
[0036] 在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0037] 旅行方式与度量标准的关联关系矩阵如下：
[0039] 其中]\^?表不矩阵名称，1-]\1表不矩阵的行列关系，？15，？1(；，？11^￡(丨=1...111)表不 用户仏选择旅行方式1(? = 1. . .m)的所对应的出行方式的安全性、便利性、时效性和经济 性。
[0040]在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0041 ]用户与便利性的关联关系矩阵如下：
[0043] 其中该关联关系矩阵为布尔矩阵，其中，Mu-c表示矩阵名称，C-C表示该矩阵的行列 关系;Cab(a，b=l...m)表示用户的旅行方式之间是否存在换乘关系，若存在其值为1，否则 为〇〇
[0044] 在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0045] 用户与换乘关系的关联关系矩阵如下：
[0047]其中该关系矩阵为数值型关联关系矩阵，其中，Μυ-τ表示矩阵名称，U-T表示该矩阵 的行列关系，UTij(i = l. . .n, j = l. . .m)表示历史数据中，用户Ui选择时段Tj为最佳出行时 段的概率。
[0048]在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0049] 所述步骤S3中：
[0050]出行时段与该时段对应的出行路径的关联关系矩阵如下：
[0052]其中该关联关系矩阵为数值关系矩阵，其中，Mt-p表示矩阵名称，T-P表示该矩阵的 行列关系，TPij(i = l. . .n, j = l. . .m)表示用户在选择出行时段Ti(i = l. . .η)和该时段所对 应的出行路径PaKj = l...m)时，得出的出行路径选择方案的得分;分值越高，表明该时段 选择该路径越容易成为最优出行方案。
[0053]在本发明所述的基于移动互联网的用户旅行最优化推荐方法中，
[0054] 所述步骤S4中：
[0055]用户与最优化旅行方案的关联关系矩阵如下：
[0057]其中该关联关系矩阵为数值关系矩阵，其中，Mu-R表示矩阵名称，U-R表示该矩阵的 行列关系，Sij(i = l. . .n, j = l. . .m)表示用户Ui选择最优化旅行方案Rj为最佳出行方案的 得分，分值越高，越容易成为用户备选的出行方案。
[0058]本发明还提供一种基于移动互联网的用户旅行最优化推荐系统，其包括如下单 元：
[0059] 因素确定单元，用于确认用户旅行考虑的因素，所述因素包括出行时段选择、出行 路径选择、出行方式选择、换乘选择；
[0060] 模型建立单元，用于根据上述因素构建用户旅行方案的张量运算模型；
[0061] 候选方案确定单元，用于将用户旅行方案的张量运算模型的计算结果加入候选推 荐方案，并进行候选方案分值计算；
[0062] 最优方案确定单元，用于将获得的候选推荐方案的分值提供给用户进行体验并获 取用户对体验的反馈结果，基于各项评估指标对用户推荐的出行方案进行分值排名，从而 得到最终的推荐方案供用户选择。
[0063] 实施本发明提供的基于移动互联网的用户旅行最优化推荐方法及系统与现有技 术相比具有以下有益效果:通过对大量用户旅行历史数据的分析，从中提取用户出行的时 段和在该时段用户出行选择的交通工具，及其对应的用户出行路径所构成的用户出行方 案。通过对构造出行方案集合分别从安全性、便利性、时效性和经济性等度量指标进行评估 后，计算得出各方案的最后得分。因此最终认定，推荐方案的得分越高，越容易候选成为最 优化的用户出行方案，而得到用户的选择。通过对用户活动的历史数据的挖掘，通过用户在 城市中旅行的特点，需要按照一定的时空规则来选定恰当的交通工具，并针对用户选择旅 行时段所对应的旅行路径进行候选优化，以达到规避特定时段和路段，道路交通出现突发 性拥塞的目的。另外，合理的用户旅行推荐还可以降低城市生活中的能源消耗和废气排放， 从而达到对环境进行保护作用的目的。同时，用户的旅行涉及人类在城市中的生活规律，对 未来城市的发展与规划起到了可预测的积极性参考作用。
【附图说明】
[0064] 图1是本发明实施例的基于移动互联网的用户旅行最优化推荐方法的统属关系 图；
[0065] 图2是本发明实施例的用户旅行推荐方法运算流程图；
[0066] 图3是本发明实施例用户旅行方式选择度量标准图；
[0067] 图4是本发明实施例的基于移动互联网的用户旅行最优化推荐系统结构框图。
【具体实施方式】
[0068] 发明提出了一种基于移动互联网的用户旅行推荐方法。用户的旅行需要考虑的因 素包括:用户出行时段的选择，用户出行方式的选择，出行方式是否直达(或需要换乘），用 户是否选择了最优化行动路径，最优化路径的反馈与评估等。它们统属于移动互联网中用 户旅行推荐方法的研究体系下，其统属关系如图1所示：
[0069] 图1中描述的方法体系分别对用户旅行推荐从出行时段选择方法，出行路径选择 方法、出行方式选择方法和换乘选择方法四个方面进行概述，进而给出旅行最优路径规划 的推荐模型，之后对该模型的研究方法建立反馈机制，并对推荐路径是否最优化进行评估。
[0070] 基于图1给出的用户旅行方式推荐方法的研究体系，对该体系中的各个阶段进行 细化，可得出用户旅行推荐方案的计算方法，如图2所示，包括用户出行的时段计算、用户出 行的路径计算、用户出现方式的选择计算和用户出行方式的换乘计算。通过对这些项目进 行计算之后，可构造用户旅行方案的张量运算模型，完成各项目的张量运算。其计算结果进 入候选推荐方案，以待进行候选方案的分值计算。在计算得出候选推荐方案的分值后，提供 候选方案给用户进行体验。留待用户对体验结果给出反馈结果之后，基于各项评估指标对 用户推荐的出行方案进行分值排名，从而得到最终的推荐方案推荐给用户选择。
[0071] 出行方式选择:当前用户在城市中旅行可供选择的主要旅行方式包括:飞机、火车 (高铁）、轮船、汽车、地铁、自行车和步行。众所周知，各种旅行方式在时间跨度和空间跨度 上各有其优缺点，如何较好的拟合和利用它们的优点，规避其缺点是一个值得研究的挑战 性问题。例如，城市间的旅行，飞机比其它方式旅行时间短，但乘坐飞机需要换乘，飞机场一 般设置在城郊，因此其便利性并非最优。城市距离较近时，高铁旅行时间虽略低于飞机，但 高铁站设在城内，便利性高于飞机。这就是大多数乘客越来越青睐于高铁旅行的原因。由此 可知，出行方式的选择需要考虑如图3所示的若干因素，同时它们也是度量用户旅行最优化 推荐的重要指标。
[0072] 安全性：它是用户首要考虑的因素。如果旅行方式不安全，用户是绝对不会备选 的。本发明专利中，用安全系数S来度量用户选择出行方式的安全程度。安全系数的取值范 围为0~10,安全系数越低，表明该种出行方式越不安全。值得说明的，出行方式的安全性是 一个相对概念，并非绝对。用户出行安全的度量受到很多偶然因素的影响，在此专利的研究 中均对这类偶然因素进行排除。
[0073] 便利性:标识为C。指的是用户旅行方式的便利程度。若用户离火车站较近，他们考 虑城市拥塞这一因素，通常不会选择远在郊区的飞机旅行。因此，便利性是度量用户对旅行 方式选择的重要衡量指标。在衡量便利性的过程中，需要考虑用户当前所处的实时位置Lr， 通过计算Lr和搭乘出行交通工具站点间的距离才可对便利性进行量化和度量。若采用步行 或私家车（自行车、摩托车等私有交通工具），其站点间距离可以忽略。另外，城市的实时交 通路况也是考虑的重要因素。例如，虽然有时候站点间距离火车站可能略小于飞机场，但由 于用户实时位置到火车站这段路径的交通路况太过拥堵，而飞机场在郊外路况反而较好， 此时飞机场的便利性反而高于火车站。
[0074] 时效性:标识为T。指的是用户对旅行时间的选择和需求。用户在保证安全性的前 提下，会选择旅行时间相对较短的旅行方式。例如，从用户实时位置到火车站私家车本是首 选，但某时段交通路况极差，用户在适当距离内，采用自行车到火车站反而在时效性上优于 私家车。
[0075] 经济性:标识为E。指的是用户对旅行经济成本的要求。在保证用户旅行安全性的 前提下，用户通常青睐于性价比更高的旅行方式。
[0076] 基于上述度量标准可对用户旅行方式选择建立如公式1所示的张量模型。
[0077] Rm=u*W*M*C*T (1)
[0078] 公式1中，1表示用户选择的优化旅行方式（即待推荐旅行方式），U表示用户，W表 示可供选择的旅行方式，Μ表示旅行度量标准，T表示换乘关系。U、W、M和T分别对应于用户、 旅行方式、度量指标和是否换乘的关联关系矩阵。其矩阵如公式2至公式4所示。
[0080]其中，公式(2)中的Muxw表示矩阵名称，U-W表示矩阵的行列关系。Ρ^(? = 1...η」_ =1. . .m)表示用户Ui选择旅行方式Wj的概率。
[0082] 其中，公式(3)中的Mwxm表不矩阵名称，W-M表不矩阵的行列关系。Pis，Pic，PiT，PiE(i =1. . .m)分别表示用户选择旅行方式1(? = 1. . .m)所对应的出行方式的安全性、便利性、 时效性和经济性(可选择其分值介于0~10之间，分值高低表明旅行方式的优劣）。
[0083]换乘选择：由于用户在旅行过程中为了提升旅行方式的各项指标，满足自身的旅 行需求，他们通常会选择一定的换乘方式来对旅行方式进行优化。公式(4)给出了用户换乘 关系矩阵。
[0085] 从公式(4)中可以看出，该关系矩阵为布尔矩阵。其中，Mu-c表示矩阵名称，C-C表示 该矩阵的行列关系。Cab(a，b=l...m)表示用户的旅行方式之间是否存在换乘关系，若存在 其值为1，否则为0。
[0086] 出行时段选择：用户出行时段的选择会为用户的出行提供很多便利。用户在选择 同一段旅行路径时，由于出行时段选择上的差异，同样会导致旅行度量指标上的差异。为了 解决这个问题，给出用户出行选择的关联矩阵，如公式5所示。
[0088] 从公式(5)中可以看出，该关系矩阵为数值型关联关系矩阵。其中，Μυ-τ表示矩阵名 称，U-T表示该矩阵的行列关系。UTij(i = l. . .n, j = l. . .m)表示历史数据中，用户Ui选择时 段Tj为最佳出行时段的概率。
[0089] 通过对公式（1)-公式(5)的计算之后，可以为用户计算出最优化的旅行方式。
[0090] 出行路径选择：用户在出行前除了选择优化的出行时段外，在该时段选择优化的 出行路径也是至关重要的。事实上，即使在非上下班的高峰时段，不同的路段由于突发事件 的产生，同样会对实时路况造成事先不可预测的影响。通过对用户历史数据的分析，可以对 事故多发路段进行特征提取和标注，在用户选择特定时段时，对用户进行出行方案推送中 尽量避开对这些路段的推送。在此，给出用户出行路径选择的关系矩阵如公式(6)所示。
[0092] 从公式(6)中可以看出，该关系矩阵为数值关系矩阵。其中，Mt-p表示矩阵名称，T-P 表示该矩阵的行列关系。TPij(i = l. . .n, j = l. . .m)表示用户在选择出行时段Ti(i = l. . .η) 和该时段所对应的出行路径Pa」（ j = l...m)时，得出的出行路径选择方案的得分。分值越 高，表明该时段选择该路径越容易成为最优出行方案。
[0093] 用户通过对出行时段选择、出行路径选择和换乘选择之后，不同的用户可以分别 得出他们在不同时段期望的最优化用户出行方式和换乘出行方式，从而实现用户在出行时 间和空间上的优化选择。
[0094]用户旅行方案反馈与评估:值得说明的，计算得出的用户最优化出行的推荐结果 在推荐给用户后，只有在得到用户认可才能作为最终的最优化出行方式进行推送。因此，为 了对计算得出的推荐结果进行评估，给出公式(7)所示的用户反馈结果的推荐方案评估矩 阵。
[0096]从公式(7)中可以看出，该关系矩阵为数值关系矩阵。其中，Mu-R表示矩阵名称，U-R 表示该矩阵的行列关系。Sij(i = l. . .n, j = l. . .m)表示用户Ui选择最优化旅行方案Rj为最 佳出行方案的得分。分值越高，越容易成为用户备选的出行方案。
[0097] 本专利所研究的内容经过对大量用户旅行历史数据的分析，从中提取用户出行的 时段和在该时段用户出行选择的交通工具，及其对应的用户出行路径所构成的用户出行方 案。通过对构造出行方案集合分别从安全性、便利性、时效性和经济性等度量指标进行评估 后，计算得出各方案的最后得分。因此最终认定，推荐方案的得分越高，越容易候选成为最 优化的用户出行方案，而得到用户的选择。
[0098] 可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做 出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范 围。
【主权项】
1. 一种基于移动互联网的用户旅行最优化推荐方法，其特征在于，其包括如下步骤： 51、 确认用户旅行考虑的因素，所述因素包括出行时段选择、出行路径选择、出行方式 选择、换乘选择； 52、 根据上述因素构建用户旅行方案的张量运算模型； 53、 将用户旅行方案的张量运算模型的计算结果加入候选推荐方案，并进行候选方案 分值计算； 54、 将获得的候选推荐方案的分值提供给用户进行体验并获取用户对体验的反馈结 果，基于各项评估指标对用户推荐的出行方案进行分值排名，从而得到最终的推荐方案供 用户选择。2. 如权利要求1所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于，所述 步骤S1中： 选择方式选择的度量标准包括安全系数S、便利性C、换乘关系T、经济性E;S用于衡量用 户选择出行方式的安全程度，取值范围为0~l〇，S值越低，表明该种出行方式越不安全;C用 于表示用户旅行方式的便利程度，T用于表示用户对旅行时间的选择和需求，E用于表示用 户对旅行经济成本的要求。3. 如权利要求2所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于，所述 步骤S2中： 用户旅行方案的张量运算模型如下： Rm = U*W*M*C*T，式中，Rm表示用户选择的优化旅行方式，即待推荐旅行方式，U表示用 户，W表示可供选择的旅行方式，Μ表示旅行度量标准，T表示换乘关系。4. 如权利要求3所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 用户和旅行方式的关联关系矩阵如下：其中Muxw表示矩阵名称，U-W表示矩阵的行列关系，Pij(i = l. . .η, j = l. . .m)表示用户化 选择旅行方式Wj的概率。5. 如权利要求4所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 旅行方式与度量标准的关联关系矩阵如下：其中Mwxm表不矩阵名称，W-M表不矩阵的行列关系，Pis,PiG,PiT,PiE(i = 1. . .m)表不用户 化选择旅行方式Wi(i = l. . .m)的所对应的出行方式的安全性、便利性、时效性和经济性。6. 如权利要求5所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 用户与便利性的关联关系矩阵如下：其中该关联关系矩阵为布尔矩阵，其中，Mu-c表示矩阵名称，C-C表示该矩阵的行列关 系;Cab(a，b = l...m)表示用户的旅行方式之间是否存在换乘关系，若存在其值为1，否则为 0。7. 如权利要求6所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 用户与换乘关系的关联关系矩阵如下：其中该关系矩阵为数值型关联关系矩阵，其中，Μυ-τ表示矩阵名称，U-T表示该矩阵的行 列关系，111'1^1 = 1...11^' = 1...111)表示历史数据中，用户化选择时段^为最佳出行时段的 概率。8. 如权利要求7所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 所述步骤S3中： 出行时段与该时段对应的出行路径的关联关系矩阵如下：其中该关联关系矩阵为数值关系矩阵，其中，Μτ-Ρ表示矩阵名称，Τ-Ρ表示该矩阵的行列 关系，TPij(i = l. . .η, j = l. . .m)表示用户在选择出行时段Ti(i = l. . .η)和该时段所对应的 出行路径Pa^j = l...m)时，得出的出行路径选择方案的得分;分值越高，表明该时段选择 该路径越容易成为最优出行方案。9. 如权利要求8所述的基于移动互联网的用户旅行最优化推荐方法，其特征在于， 所述步骤S4中： 用户与最优化旅行方案的关联关系矩阵如下：其中该关联关系矩阵为数值关系矩阵，其中，Mu-r表示矩阵名称，U-R表示该矩阵的行列 关系，Sij(i = l. . .η, j = l. . .m)表示用户化选择最优化旅行方案Rj为最佳出行方案的得分， 分值越高，越容易成为用户备选的出行方案。10.-种基于移动互联网的用户旅行最优化推荐系统，其特征在于，其包括如下单元： 因素确定单元，用于确认用户旅行考虑的因素，所述因素包括出行时段选择、出行路径 选择、出行方式选择、换乘选择； 模型建立单元，用于根据上述因素构建用户旅行方案的张量运算模型； 候选方案确定单元，用于将用户旅行方案的张量运算模型的计算结果加入候选推荐方 案，并进行候选方案分值计算； 最优方案确定单元，用于将获得的候选推荐方案的分值提供给用户进行体验并获取用 户对体验的反馈结果，基于各项评估指标对用户推荐的出行方案进行分值排名，从而得到 最终的推荐方案供用户选择。
【文档编号】G06F17/30GK106096000SQ201610458701
【公开日】2016年11月9日
【申请日】2016年6月22日
【发明人】王峰
【申请人】长江大学