问题使用； 步骤1.6:模型系数优化调整:上述训练完毕的系数用于实际规划使用时所给出的第一 优选方案仍可能不是最优路线，此时用户放弃系统推荐的第一路线而从备选路线中选择路 线，同时该规划情景的数据将被存入Log文件并上传之后台服务器，当服务器累积存储的该 类规划情景达到一定阈值，则系统启动模型系数再次优化调整功能，即利用服务器中所存 储的规划情景以及当时用户所做出的人工选择构成新的训练数据集，该数据集连同步骤 1.2所采集到的数据集构成系数调整训练数据集，按照上述步骤1.3-1.5重新训练得到模型 系数。
[0010]优选地，其中步骤1.1中将对优先级有影响的全部因子定量化，分为1 -5五个级别， 1为最低，5为最高。其中步骤1.2中生成100组非同等优先级的多途经点的路线规划问题。其 中步骤1.6中用于模型系数优化调整的数据集来自于步骤1.2生成的模拟数据和实际使用 过程中的用户的使用记录。
[0011]本发明还提供一种面向非同等优先级的多途经点导航路线规划系统，该系统包括 当前位置获取模块、参数配置模块、权重设置模块、路线规划模块、UI交互模块、任务管理模 块、数据通信模块;其中当前位置获取模块被配置用于通过读取用户终端上的GPS数据或基 站定位信息获取用户当前位置;参数配置模块被配置用于用户自定义多因子个数、名称及 其量化等级;权重设置模块被配置用于设置面向非同等优先级的多途经点的多点模型的系 数a，b，|，其中面向非同等优先级的多途经点的多点模型为：
其中，i为多条可供选择的路线，議为第I条路线的权重，獲为判定函数，|为路线总耗时的 权重，i为路线总长度的权重，I为总途经点的个数，为从第个途经点到达第|个途 经点的分路段耗时，务为从第个途经点到达第|个途经点的分路段距离，I为途经 点优先级影响因素的个数，表示车辆出发时刻距抵达第k个途经点的时间，議表示第k个 途经点的第j个影响因素的值，I表示第j个影响因素的权重，关系运算符I可以是乘法、加法 或是其他关系表达方式;路线规划模块被配置用于根据权重设置模块所设置的模型系统值 计算全部备选路线的权重，并按权重由大到小的顺序向UI交互模块输出全部备选路线，其 中权重最大的规划路线被设置为第一优选路线;UI交互模块被配置用于接收路线规划模块 输出的路线规划结果，用户可选择默认接受第一优选路线或自主选择其他优选路线;任务 管理模块被配置用于管理已完成及未完成的全部任务，其主要功能包括针对任务的存储、 查询、插入、状态更改;数据通信模块被配置用于调用终端的移动数据通信系统，实现数据 的上传与下载。
[0012] 优选地，所述导航路线规划系统还包括Log文件管理模块、账户管理模块、任务接 收模块、任务状态反馈模块、后台任务调度模块;其中Log文件管理模块被配置用于自动记 录该路线规划系统运行过程中的相关状态，目的在于监控系统的运行状态;账户管理模块 被配置用于管理使用该系统的用户信息，包括用户注册，登录，权限分配，个人信息修改;任 务接收模块被配置用于解译通信模块所下载到的任务编码信息;任务状态反馈模块被配置 用于将任务状态发生改变的这一信息同步反馈给后台任务调度模块;后台任务调度模块被 配置用于面向一个或多个使用终端进行任务的分配、监控和反馈信息的收集。
[0013] 本发明还提供一种适用于多途经点路线规划系统的多任务送餐方法，包括以下步 骤： 步骤1、构建面向非同等优先级的多途经点的多点模型，所述多点模型为：
其中，II代表该路线是否可行，可行为1，不可行为〇;n代表本次任务所要经过的餐馆和 顾客位置总数； <，巧，<分别代表第k个途经点的三个需要考虑的影响因子，Cl，c2, C3 分别是上述三个因子的权重系数； 步骤2、训练所述多点模型:将三个影响因子分别划分为1-5五个级别，1为最低，5为最 高，利用模拟构建的训练数据集对所述多点模型进行训练，得到系数a，b，Cl，c2, C3; 步骤3、路线规划:根据步骤2训练得到的系数计算当前多任务环境下的各种可行路线 的权重值，并根据计算结果输出权重值最大的路线为第一最优路线，同时输出排序后的备 选路线，若上述第一最优路线不满足要求，用户可从备选路线中选择其一，本次更改将被记 入用户Log文件，并上传至后台服务器，用于对模型系数进行优化调整； 步骤4、模型系数优化调整：用户放弃系统推荐的最优路线而从备选路线中选择路线 时，该规划情景的数据将被存入Log文件并上传之后台服务器，当服务器累积存储的该类规 划情景达到一定阈值，则系统启动模型系数再次优化调整功能； 步骤5、用户根据所选路线执行送餐任务； 优选地，其中，i^分别代表订单加急费用、顾客会员等级、食品保鲜时间。
[0014] 优选地，其中步骤2包括以下步骤： 步骤2.1、训练样本的采集:随机生成多组非同等优先级的多途经点的路线规划问题， 每个问题中均提供全部参考信息，包括各点之间的距离和时间，各点的各权重因子的级别， 供训练者按照自己的需求人工选择出每个问题中的最优路线； 步骤2.2、构建代价函数:构建代价函数如下：
计算机会不断调整模型系数a，b，ci, C2, C3,当cost最小时或者达到最大迭代次数时， 迭代停止，此时的系数即为最优系数组合； 步骤2.3 :初值设定及迭代停止判断:将初值设定为:a=l，b=l，ci=C2=C3=〇. 2，设定迭代 停止条件为:cost〈5%或总迭代次数大于10000; 步骤2.4 :训练结果评价与使用:完成上述训练后，最终的模型预测不一致性将作为模 型训练的评价指标，该指标告知用户采用该组系数会有多大的可能性仍得不到用户认为的 最优路线，将训练完毕的系数带入模型，即可用于用户针对于此类路线规划问题使用。
[0015] 优选地，其中步骤2的训练人员为后台运营方或点餐的顾客群体。其中步骤4的模 型系数调整所使用的训练数据集是由步骤2中的模拟训练数据集和实际的用户使用记录共 同构成。
[0016] 针对本发明要解决的非同等优先级多途经点道路规划问题，本发明提出了全新的 方法和系统，建立了面向非同等优先级的多途经点道路导航规划算法模型，并给出了模型 系数的确定方案。本发明的实际应用意义明确，即为用户提供非同等优先级多途经点情境 下的最优路线规划。在实际生产生活中，该发明可解决诸如：多任务多目的地外卖/生鲜配 送服务、包裹寄送服务、多人拼车异地接人服务、多任务维修上门服务、自驾游多目的地游 玩等情境下的路线规划问题。该发明的一大特征是允许用户通过自己训练，得到一套个性 化的适用于自身或本行业内的导航路线规划规则，而不是仅考虑最短时间和最短路径两个 条件。
【附图说明】
[0017] 图1示出了根据本发明的一个具体路线规划问题。
[0018] 图2示出了以时间最短为目的，为图1提出的情景进行路线规划。
[0019] 图3示出了以距离最短为目的，为图1提出的情景进行路线规划。
[0020] 图4示出了以途经点属性优先为目的，为图1提出的情景进行路线规划。
[0021] 图5示出了以综合考虑多因素为目的，为图1提出的情景进行路线规划。
[0022]图6示出了基于机器学习的权重系数确定方法流程。
[0023] 图7示出了根据本发明规划方法的一种具体应用场景(基于智能任务分配与多目 的地路线规划的多任务送餐服务平台）。
[0024] 图8示出了针对多任务送餐服务情景的路线规划操作流程。
[0025] 图9示出了根据本发明的路线规划系统。
[0026]
【具体实施方式】 为解决上述问题，达到所提目标，本发明主要包括两大部分内容:面向非同等优先级的 多途经点（目的地)道路导航规划算法模型和基于机器学习的多影响因子权重设定方案。
[0027] 第一部分为面向非同等优先级的多途经点（目的地)道路导航规划算法模型。从导 航路线规划算法中对于途经点的考虑方式来看，可将其分为三类:第一类是传统的两点模 型，即仅包含起始点和终点，不包含途经点；第二类是可添加途经点的多点模型，但途经点 不作区分，即为等优先级途经点；第三类是本发明所提出的可添加非同等优先级途经点的 模型。下面分别阐述三种模型的实现方式。
[0028] 第一种常见的模型为传统