本发明涉及交通出行领域，更具体地说，涉及一种预测目的地和推荐驾驶路线的方法。
背景技术：
随着城市的发展，行车路况也越来越复杂，人们越来越依赖于驾驶路线推荐软件，现在常用的有百度地图app和高德地图app等导航类的应用，它们提供了出行目的地预测和驾驶路线推荐功能。实现的方法是，车主需要预先输入家和工作单位的地址，早上上班时间段车主在家时预测车主去工作单位，下午下班时间段车主在公司时预测车主回家，然后按照实时路况和用户输入的选路偏好，推荐一个驾驶路线。虽然上述导航软件一定程度解决了驾驶路线推荐的问题，但还是存在着下述的一些缺点：
1、预测目的地有限，仅适用于出行规律很固定的上班族，只能预测家和工作单位两个地点，例如车主固定周三上午拜访a客户就不可预测。
2、预测时间段范围有限，周末节假日等非工作日不可预测。
3、推荐驾驶路线，不按照车主的出行选路习惯，只考虑出行时间最短等因素。
技术实现要素：
本发明的主要目的在于克服现有技术的缺点与不足，提供一种预测目的地和推荐驾驶路线的方法，根据车主的出行规律，预测车主即将出行的目的地，同时根据实时路况和车主选路习惯的驾驶路线，推荐驾驶路线，预报出行路线的实时路况信息和预计到达时间。
为了达到上述目的，本发明采用以下技术方案：
本发明预测目的地和推荐驾驶路线的方法，包括下述步骤：
s1、获取用户的历史行程数据，所述用户历史行程数据包括：出发时间、出发地点、行驶轨迹、到达时间以及到达地点；
s2、对获取的历史行程数据进行分析，具体包括下述步骤：
s2.1、停留点聚类，取前后两条行程，若前一条行程的终点与后一条行程的起点一样，则说明用户在该地点停留，前一条行程的结束时间与后一条行程的开始时间之间，为用户在该地点的停留时长；
s2.2、停留点停留时间段学习，确定某个地点的停留时间段的有效范围；
s2.3、识别停留点的社会属性，所述社会属性包括家和公司；
s2.4、起止点组合聚类，分别聚类起止点，起止点在都在同一范围内的行程属于同一组合；
s2.5、行程路线学习，包括下述步骤：
s2.5.1、聚类行驶路线，将gps点网格化，通过将gps坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较；
s2.5.2、选取路线的模板行程，即选出最具代表性的行程，生成对应的路线网格；
s2.5.3、添加途经点；
s2.6、出发时间聚类，将同一组合下的行程的出发时间点进行聚类，得出一个或多个出发时间段；
s2.7、路线行驶时长统计学习；
s3、目的地预测，根据历史出行数据，结合当前时间，车主当前位置，预测目的地，具体包括：
s3.1、优先按车主当前位置，预测目的地；
s3.1.1、按起点聚类车主的历史行程数据；
s3.1.2、匹配车主当前位置，得到从当前位置出发的所有行程；
s3.1.3、若s3.1.2中的所有行程的终点指向同一地点，则该地点为预测的目的地；
s3.2、其次，按位置及时间规律，预测目的地；
s3.2.1、按位置及时间的周几属性，预测目的地；
s3.2.1.1、获取出行时间与当前时间的周几属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
s3.2.1.2、计算s3.2.1.1中的行程的得分；
s3.2.1.3、按终点聚类s3.2.1.1中的所有行程；
s3.2.1.4、计算每个终点的总得分，获取每个终点的得分比例；
s3.2.1.5、当某个终点的得分占比超过一定比例，并且该终点对应的行程频次达到一定数值时，则该终点为预测的目的地；
s3.2.2、按位置及时间的工作日/节假日属性，预测目的地；
s3.2.2.1、获取出行时间与当前时间的工作日/节假日属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
s3.2.2.2、后续步骤类似s3.2.1的s3.2.1.2、s3.2.1.3、s3.2.1.4、s3.2.1.5；
s3.3、最后，按行程总体得分比例，预测目的地；
s3.3.1、计算所有行程的得分；
s3.3.2、将行程按终点进行聚类，统计聚类后每个终点对应的行程的总得分，为该终点的得分，计算每个终点的得分比例；
s3.3.3、当某个终点的得分占比，超过大数据分析的最优概率时，并且车主在当前时间接下来的一定时间段内，有在该终点停留，则预测该目的地；
s3.4、按社会属性预测，在无法预测目的地的情况下，增加以下预测规则的补充：(a)晚上时间段预测回家；(b)工作日上班时间段内预测去公司；
s4、路线推荐，根据预测的目的地，结合服务端学习的组合数据，推荐路线，具体包括：
s4.1、对用户的历史行程按起止点进行聚类，得到组合；
s4.2、对组合下的行程按行驶轨迹进行聚类，得到组合的多种走法，为每种走法指定1条行程作为走法路线；
考虑到，即使为同一条路线，原始采集到的行程gps数据可能存在着偏差，需将gps点网格化：通过gps坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较，轨迹聚类算法如下：
s4.2.1、将路线网格化；
s4.2.2、对比两条路线，若两条路线间的连续差异网格对应的距离长度，大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线；
s4.3、为每条路线添加途经点；
为确保规划的路线尽可能匹配车主的实际出行路线，需要在每条路线上特定的位置添加途经点，途经点添加策略如下：
s4.3.1、按导航默认速度优先策略，规划出路线起止点对应的规划路线；
s4.3.2、比较规划路线与走法路线之间的差异，找出最大差异路段，在差异路段添加途经点；
s4.3.3、添加途经点后再次进行路线规划，得到新的规划路线；
s4.3.4、重复步骤s4.3.2、s4.3.3，直到两路线间的最大差异路段长度，小于指定长度，则不再添加途经点；
s4.4、在目的地确定的情况下，规划目的地对应的组合下的所有路线，得到走各路线的所需时间，比较各路线的时间，结合用户历史走该路线的平均时长，推荐用户最优的路线，实时提供对应路线上的路况信息；
s4.5给出多条路线的路况信息，供驾驶者选择。
作为优选的技术方案，步骤s.2.2.1.2中，行程的得分通过下述方法计算：
行程得分score＝f(p,t)＝f(p)*f(t)＝f(p0,pi)*f(t0,ti)，时间及位置越匹配，得分越大；
其中，p0为当前位置，pi为第i条行程的起止点位置；t0为当前时间，ti为第i条行程的开始时间；
s2.2.1.2.1、对于f(p)有：
s2.2.1.2.2、对于f(t)有f(t)＝f(w)*f(d)*f(m)；
其中w为时间的周几属性，d为当前时间与行程开始时间的相隔天数，m为两时间在同一天内的间隔分钟数；
对于周几属性f(w)，有：
考虑行程历史数据的时效性问题，设计以下递减函数：
对于间隔天数f(d)＝math.pow(0.8,d/7)，按一周为周期进行递减，间隔天数越大，则该行程的得分越小；
对于间隔分钟数f(m)＝math.pow(0.8,m/30)，按30分钟为周期进行递减，其中m的范围[0,12*60]，间隔分钟数越长，则该行程的得分越小。
作为优选的技术方案，步骤s3.3.3中，最优概率的计算方法如下：
s3.3.3.1、对于每个用户，设计预测目的地的效应评估函数；
f(效应)＝预测准确次数*1-预测错误次数*1.5-无法预测次数*0.5；
预测准确对车主的效应值+1，预测错误对车主的效应值-1.5，没有预测对用户的效应值-0.5；
s3.3.3.2、通过评估函数，结合预测算法，给出每个车主的最优概率；
对于每个车主，将其历史行程分成2部分，其中2/3为样本，其余1/3为测试数据，将样本为预测算法的输入，对于每个测试行程，预测其目的地，将该目的地与实际的行程终点比较，得出预测结果；
将所有测试行程的预测结果，输入评估函数，得到效应值；
概率值取在[20,80]区间范围，对于每个概率值，循环以上步骤，得到每个概率下对应的效应值，取最大效应值对应的概率值为最优概率；
考虑到行程之间的时间先后关联性，在每个测试行程得到预测目的地后，预测下个测试行程时，需将测试行程丰富到样本行程中。
作为优选的技术方案，所述步骤s2.5.2中，按照下述规则选取行程为路线的模板行程：
s2.5.2.1、在时间较新的n条行程中选取；
s2.5.2.2、平均速度最大的行程。
作为优选的技术方案，步骤s2.6具体为：
s2.6.1、将有明显分割的出发时间点进行分割，具体分割如下：早上、中午、晚上；
s5.6.2、对于每个分割时间段，取90％置信度的区间，该区间为出发的时间段。
作为优选的技术方案，所述步骤s2.7具体为：
s2.7.1、取所有落在65％置信区间内的时长样本的平均值，为路线的历史出行时长；
s2.7.2、取90％置信值对应区间的最大值为用户的最大接受时长。
作为优选的技术方案，步骤s4.4具体为：
s4.4.1.1、纵向对比：
到达时长与该路线历史行驶时长比较，给出最优的路线，历史行驶时间由服务器分析该路线下的所有行程，统计给出有效行驶时长，及用户可接受的最大时长；到达时长小于用户可接受的最大时长，则该路线为待选路线，在历史路线中，按路线概率顺序，挑选小于对应最大时长的路线为待选推荐路线；
s4.4.1.2、横向对比：
当待选路线有多条，或没有待选路线时，对路线间进行横向对比，给出主推路线；
根据到达时长、路线距离、各路线的路况信息，给出走各路线的效应值，选出对用户效应值最大的路线，为主推路线。
作为优选的技术方案，步骤s4.5具体为：
s4.5.1、主推路线；
s4.5.2、辅助路线：主推路线为最大概率路线，则辅助路线为次大概率；主推路线非最大概率路线，则辅助路线为最大概率路线；
s4.5.3、导航默认躲避拥堵路线：如果与以上两条路线重复，则忽略，并使用第三概率路线代替；
s4.5.4、路况信息提醒；
若主推路线非最大概率路线，则提醒用户，可走其他路线，若所有历史路线的效应值相对躲避拥堵路线效应值较低，则提醒用户可走躲避拥堵路线。
本发明与现有技术相比，具有如下优点和有益效果：
1、目的地预测准确性更高，预测时间范围更完整：
本发明对车主出行的目的地和时间段进行聚类，能完整分析出车主出行的周期性规律，将规律划分为工作日、节假日，并且节假日考虑到除周末以为的国家法定假期，当同一时间有多个可能目的地时，计算出行可能性的概率。
2、路线推荐更符合车主习惯：
本发明对车主出行路线进行聚类，推荐驾驶路线时，优先推荐车主常走的路线，比如车主下班时先绕路去接小孩放学然后才回家时，不会推荐车主走直接回家的路线。
附图说明
图1是本发明的总体流程图；
图2是本发明目的地预测的流程图；
图3是本发明路径推荐的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例一种预测目的地和推荐驾驶路线的方法，包括下述步骤：
1、基础数据：
用户历史行程：出发时间，出发地点，行驶轨迹，到达时间，到达地点，平均速度，距离，行驶时长。
2、数据分析；
2.1停留点聚类；
(1)停留点聚类，取前后两条行程，若前一条行程的终点与后一条行程的起点一样，则说明用户在该地点停留，前一条行程的结束时间与后一条行程的开始时间之间，为用户在该地点的停留时长；
(2)合并同个停留点，统计该停留点的信息；
停留总时长、停留平均时长、停留总次数，停留频次，停留时间段，白天停留时长，晚上停留时长，白天停留时长占比，晚上停留时长占比。
2.2停留点停留时间段学习，确定某个地点的停留时间段的有效范围；
在停留点聚类的基础上
(1)停留开始时间在90％置信度的区间，取最小值s；停留结束时间在90％置信度的区间，取最大值e；得到区间[s,e]，为停留时间段的有效范围；
(2)对于每个停留点样本，筛选落在区间[s,e]的有效样本集合s；
(3)在有效样本s中，取每个样本[si,ei]与[s,e]的交集为[si,ei]；
(4)所有[si,ei]的并集为停留时间段；
2.3停留点社会属性识别；
识别停留点的家、公司的社会属性；
(1)家；
对于每一个停留点的停留时间段，取与[19:00,次日9:00]与交集的，设长度为tj，将tj求和，得到总时间长度t，平均长度t；所有平均长度t大于6个小时的地点可能为家，取总次数最多的为家；
(2)确定公司；
对于每一个停留点的停留时间段，取与[7:30,19:30]与交集，设长度为tj，将tj求和，得到总时间长度t，平均长度t，所有平均长度t大于6个小时的地点可能为公司，取总次数最多的为公司。
2.4起止点组合聚类：出行起止点组合学习；
2.4.1起止点聚类：分别聚类起止点，起止点在都在同一范围内的行程属于同一组合；
2.5行驶路线学习；
2.5.1聚类行驶路线：
由于即使为同一条路线，原始采集到的行程gps数据可能存在着偏差，将gps点网格化；通过gps坐标，换算成坐标上的网格，后续行程路线间的比较直接使用网格进行比较；
(1)将路线网格化；
(2)对比两条路线，若两条路线间的连续差异网格对应的距离长度大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线；
2.5.2选取路线的模板行程：
驾驶过程中，需要实时匹配当前位置是否走在历史的路线上，服务端以网格的形式存储路线的信息；考虑到路线下有多条行程，而行程间存在着或多或少的差异，需选出最具代表性的行程，生成对应的路线网格；而选取模板，目标上是选取用户下次走该路线时，预计相似性最大的路线；在该路线下对应的行程中，按以下规则选取行程为路线的模板行程：
(1)在时间较新的n条行程中选取：较新的行程下次更可能走；
(2)平均速度最大的行程：速度较大，gps定位相对较准确；
2.5.3添加途经点；
路线的数据最终用于用户出行路线的推荐，为了路径规划的路线能更好地匹配实际路线，需在路径规划时，添加途经点，按以下步骤添加途经点；
(1)按导航默认速度优先策略，规划出路线起止点对应的规划路线；
(2)将两路线网格化后，比较规划路线与行程模板路线之间的差异，找出最大差异路段，在差异路段添加途经点；
(3)添加途经点后再次进行路线规划，得到新的规划路线；
(4)重复步骤(2)、(3)，直到两路线间的最大差异路段长度小于指定长度，则不再添加。
2.6路线行驶时长统计学习；
后续推荐路线时，需使用该时间进行推荐的判断，不同的路况，路线下的各个行程的时长会不一样；按以下步骤得到行驶时长：
(1)获取属于同一路线的所有行程的历史时长样本；
(2)取落在65％置信区间内的时长样本，取平均值，为路线的历史出行时长；
(2)取落在90％置信区间内的时长样本，取最大值，为用户的最大可接受时长。
3、目的地预测，如图2所示，其步骤如下；
根据历史出行数据预测，预测目的地：当前时间，当前位置，用户最可能去哪里；
3.1优先按车主当前位置，预测目的地：从当前位置出发，只到过一个目的地，并且存在行程的出发时间与当前时间相近，则预测该目的地；
3.1.1、按起点聚类车主的历史行程数据；
3.1.2、匹配车主当前位置，得到从当前位置出发的所有行程
3.1.3、若(3.1.2)中的所有行程的终点指向同一地点，则该地点为预测的目的地。
3.2其次，按位置及时间规律，预测目的地：
3.2.1按位置及时间的周几属性，预测目的地：历史上，若在当前周几当前时间段内，在当前点出发的目的地具有显著特征，则预测该目的地；
(1)获取出行时间与当前时间的周几属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
(2)计算(1)中的行程的得分，其计算方法如下：
通过当前时间当前地点，计算每个历史行程对应的得分，时间及位置越匹配，得分越大，行程得分score＝f(p,t)＝f(p)*f(t)＝f(p0,pi)*f(t0,ti)
其中，p0为当前位置，pi为第i条行程的起止点位置；t0为当前时间，ti为第i条行程的开始时间；
对于f(p)有：
对于f(t)有f(t)＝f(w)*f(d)*f(m)；
其中w为时间的周几属性，d为当前时间与行程开始时间的相隔天数，m为两时间在同一天内的间隔分钟数；
对于周几属性f(w)，有：
考虑行程历史数据的时效性问题，设计以下递减函数：
对于间隔天数f(d)＝math.pow(0.8,d/7)，按一周为周期进行递减，间隔天数越大，则该行程的得分越小。
对于间隔分钟数f(m)＝math.pow(0.8,m/30)，按30分钟为周期进行递减，其中m的范围[0,12*60]，间隔分钟数越长，则该行程的得分越小。
(3)按终点聚类(1)中的所有行程；
(4)计算每个终点的总得分，获取每个终点的得分比例；
(5)当某个终点的得分占比超过一定比例，并且该终点对应的行程频次达到一定数值时，则该终点为预测的目的地。
3.2.2按位置及时间的工作日/节假日属性，预测目的地：历史上，若在当前时间段内，在当前点出发的目的地具有显著特征，则预测该目的地；
(1)获取出行时间与当前时间的工作日/节假日属性一样，并且出行时间在当前时间前后一段时间内的所有历史行程数据；
(2)后续步骤类似3.2.1的步骤(2)(3)(4)(5)。
3.3、最后，按行程总体得分比例，预测目的地；
3.3.1、计算所有行程的得分；
3.3.2、将行程按终点进行聚类，统计聚类后每个终点对应的行程的总得分，为该终点的得分，计算每个终点的得分比例。
3.3.3、当某个终点的得分占比，超过大数据分析的最优概率时，并且车主在当前时间接下来的一定时间段内，有在该终点停留，则预测该目的地；
上述最优概率的计算方法如下：
(1)对于每个用户，设计预测目的地的效应评估函数
f(效应)＝预测准确次数*1-预测错误次数*1.5-无法预测次数*0.5
预测准确对车主的效应值+1，预测错误对车主的效应值-1.5，没有预测对用户的效应值-0.5；对于预测结果较差的情况，如果整体评估效应值还不如不预测的效应值，则不预测；
(2)通过评估函数，结合预测算法，给出每个车主的最优概率；
对于每个车主，将其历史行程分成2部分，其中2/3为样本，其余1/3为测试数据，将样本为预测算法的输入，对于每个测试行程，预测其目的地，将该目的地与实际的行程终点比较，得出预测结果。
将所有测试行程的预测结果，输入评估函数，得到效应值。
概率值取在[20,80]区间范围，对于每个概率值，循环以上步骤，得到每个概率下对应的效应值，取最大效应值对应的概率值为最优概率。
(3)考虑到行程之间的时间先后关联性，在每个测试行程得到预测目的地后，预测下个测试行程时，需将测试行程丰富到样本行程中。
3.3.5预测修正；
根据停留点的停留时间段，修正预测目的地，若用户在接下来的一定时间段内，从未在该目的地待过，则该目的地无效，即使该目的地的概率相对最大；
3.4按社会属性预测目的地，
在无法预测目的地的情况下，增加以下预测规则的补充：
(a)晚上预测回家；
(b)工作日上班时间段预测去公司；
4、路线推荐，如图3所示，其具体步骤如下：
根据目的地，结合服务端学习的组合数据，推荐路线；
组合：起止点一样的路线集合；
路线：组合下，走法一样的行程的集合，对应行程数越多，则概率越大，说明越常走；
服务端同一组合下，最多学习出3条最常走的路线，比较导航默认的躲避拥堵策略的路线，结合当前路况信息，提供用户最优的路线。
路线选择推荐策略：
4.1、对用户的历史行程按起止点进行聚类，得到组合；
4.2、对组合下的行程按行驶轨迹进行聚类，得到组合的多种走法，为每种走法指定1条行程作为走法路线；
考虑到，即使为同一条路线，原始采集到的行程gps数据可能存在着偏差，需将gps点网格化：通过gps坐标，换算成坐标上的网格。后续行程路线间的比较直接使用网格进行比较，轨迹聚类算法如下：
(1)将路线网格化；
(2)对比两条路线，若两条路线间的连续差异网格对应的距离长度大于指定长度，则说明这两条路线不是同一路线，反之，为同一路线。
4.3、为每条路线添加途经点；
为确保规划的路线尽可能匹配车主的实际出行路线，需要在每条路线上特定的位置添加途经点。途经点添加策略如下：
(1)按导航默认速度优先策略，规划出路线起止点对应的规划路线；
(2)比较规划路线与走法路线之间的差异，找出最大差异路段，在差异路段添加途经点(3)添加途经点后再次进行路线规划，得到新的规划路线；
(4)重复步骤(2)、(3)，直到两路线间的最大差异路段长度小于指定长度，则不再添加途经点。
4.4、在目的地确定的情况下，规划目的地对应的组合下的所有路线，得到走各路线的所需时间，比较各路线的时间，结合用户历史走该路线的平均时长，推荐用户最优的路线，实时提供对应路线上的路况信息；
(1)纵向对比：
到达时长与该路线历史行驶时长比较，给出最优的路线，历史行驶时间由服务器分析该路线下的所有行程，统计给出有效行驶时长，及用户可接受的最大时长；到达时长小于用户可接受的最大时长，则该路线为待选路线，在历史路线中，按路线概率顺序，挑选小于对应最大时长的路线为待选推荐路线；
(2)横向对比：
当待选路线有多条，或没有待选路线时，对路线间进行横向对比，给出主推路线，根据到达时长、路线距离、各路线的路况信息，给出走各路线的效应值，选出对用户效应值最大的路线，为主推路线；
4.5给出多条路线的路况信息；
(1)主推路线；
(2)辅助路线：主推路线为最大概率路线，则辅助路线为次大概率；主推路线非最大概率路线，则辅助路线为最大概率路线；
(3)导航默认躲避拥堵路线：如果与以上两条路线重复，则忽略，并使用第三概率路线代替；
(4)路况信息提醒；
若主推路线非最大概率路线，则提醒用户，可走其他路线，若所有历史路线的效应值相对躲避拥堵路线效应值较低，则提醒用户可走躲避拥堵路线。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。