部备选路线的权重值输出给UI交互模块，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，并根据选择结果开始导航。2. 如权利要求1所述的导航路线规划方法，其特征在于： 步骤1中所述的模型系数设定方案可通过机器学习的方法获得，该方法流程包括： 步骤1.1、影响因子定量化:对优先级有影响的全部因子用数字进行定量化； 步骤1.2、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1.3、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，Cj，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1.4:初值设定及迭代停止判断:将初值设定为:a=l，b=l，Cj=0.2,设定迭代停止条 件为:cost〈5%或总迭代次数大于10000; 步骤1.5 :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； 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。3. 如权利要求2所述的导航路线规划方法，其特征在于，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。4. 如权利要求2所述的导航路线规划方法，其特征在于，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。5. -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，其特征在于： 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，l， 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，漏为第i条路线的权重，議为判定函数，!为路线总耗时的 权重，!为路线总长度的权重，《为总途经点的个数，为从第_議!|个途经点到达第|个途 经点的分路段耗时为从第I…1个途经点到达第|个途经点的分路段距离J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，_表示第k个 途经点的第j个影响因素的值，|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。6. 如权利要求5所述的导航路线规划系统，其特征在于，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。7. -种适用于多途经点路线规划系统的多任务送餐方法，其特征在于包括以下步骤： 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，圓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。8. 如权利要求7所述的多任务送餐方法，其特征在于，其中礞，拉，礞分别代表订单加 急费用、顾客会员等级、食品保鲜时间。9. 如权利要求7所述的多任务送餐方法，其特征在于，所述步骤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=0.2，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。10.如权利要求7所述的多任务送餐方法，其特征在于，其中步骤2的训练人员为后台运 营方或点餐的顾客群体;其特征在于，其中步骤4的模型系数调整所使用的训练数据部分来 自于导航用户的实际使用记录。
【专利摘要】本发明提供了一种针对多途径点（多目的地）、且途经点在多因素影响下具有非同等优先级的实际需求情境下的路线规划方法和系统。该方法包括一个基于权重评分的最优线路确定模型和一套基于机器学习的多影响因子权重系数确定方法。具体来说，首先设计了一种面向非同等优先级的多途经点的多点道路规划模型；对于模型中的系数确定，提出了一种基于机器学习的影响因子权重系数确定的方法；进而得到一种可以广泛推广到众多领域的多点道路规划系统。本发明为多影响因子的多途经点路线导航提供了一种新的解决方案，使得线路规划变得更加智能、高效、动态和自动化。
【IPC分类】G01S19/39, G01C21/34
【公开号】CN105675002
【申请号】CN201610054144
【发明人】闫凯, 刘钊
【申请人】闫凯, 刘钊
【公开日】2016年6月15日
【申请日】2016年1月27日