一种共享单车骑行路线的智能推荐方法技术

本发明专利技术公开了一种共享单车骑行路线的智能推荐方法，其步骤包括：收集多个共享单车用户历史骑行数据，建立原始数据集；根据历史骑行数据生成可选路径集；构造路径效用函数；确定可选路径集中每条路径被选择的概率；根据用户历史评价、安全系数和骑行连续程度构建修正矩阵，用于修正概率值，确定每条路径被选择的最终概率。本发明专利技术能为共享单车用户推送一条令用户相对满意且安全系数较高的路线，提升用户的骑行体验，以达到共享单车出行畅行的目的。

【技术实现步骤摘要】
一种共享单车骑行路线的智能推荐方法
本专利技术涉及智能交通领域，具体来说是一种共享单车骑行路线的智能推荐方法。
技术介绍
共享单车是以公用自行车为主体的一种分时租赁模式，主要内容为将大量公用自行车及少量电动车放置在校园、地铁站点、公交站点、居民区、商业区、公共服务区等人流涌动的区域提供服务。共享单车作为一种新兴的出行方式，以其方便、迅捷、低价的公共交通特征和绿色、节能、健康的优点，受到越来越多人们的青睐，被形象的称为完成了交通行业最后一块“拼图”，已然成为很多人短距离内的最佳出行选择。同时其可以有效解决公共汽车交通的“最后一公里”难题，也起到了缓解城市交通拥堵的重要作用，提升城市交通的整体服务水平。但是在为广大市民和游客带来出行方便的同时，也存在着一些局限，例如用户在完全陌生的道路上骑行时很难进行路线规划，更不用提最优路线，而且不合理的路线选择会造成用户时间延误及骑行满意度的下降。在考虑因素方面，现市面上的导航对于用户骑行路线的推荐很大程度上依赖于一个单变量——骑行时间或骑行距离。国内外虽有一些研究进行了相关问题的探讨，增加了部分道路环境因素如红绿灯数量、路面坡度等对骑行者路线选择的考量，却较少联系国内实际交通情况，考虑非机动车道类型、路内停车段和道路等级等影响用户骑行安全性的因素对骑行者选择路线的影响。且在研究时，研究者通常选择的是传统的多项logit模型，但共享单车的实质上是为解决城市较短途出行问题，即用户骑行时的出行范围不会很大，会存在实际路径与可选路径集的路段重复现象，而传统的多项logit模型因为缺乏对路径重叠情况的考量，无法为用户推荐更加精确的路径。
技术实现思路
本专利技术是为了解决上述现有技术存在的不足之处，提出一种共享单车骑行路线的智能推荐方法，以期能为共享单车用户推送一条令用户相对满意且安全系数较高的路线，提升用户的骑行体验，以达到共享单车出行畅行的目的。本专利技术为达到上述专利技术目的，采用如下技术方案：本专利技术一种共享单车骑行路线的智能推荐方法的特点包括如下步骤：步骤1，收集多个共享单车用户历史骑行数据，建立原始数据集；所述原始数据集中的数据类型包括非机动车道类型X1、路内停车段X2、红绿灯数量X3、骑行距离X4、道路等级X5和路面坡度X6；步骤2，根据用户n的历史骑行数据生成带有k条可选路径的可选路径集Cn，并利用式(1)计算用户n从所述可选路径集Cn中选择的路径i的重复系数PSni：式(1)中，ζi为路径i中所有路段的集合；la为路径i中路段a的长度；Li为路径i的长度；若路段a在所述可选路径集Cn中用户n未选的路径j上，则令σaj＝1，否则，令σaj＝0；为可选路径集Cn上的最短路径长度；Lj为可选路径集Cn中路径j的长度；步骤3，根据用户n的历史骑行数据，假设用户n以路径效用最大化为原则选择路径，则利用式(2)构造路径i的效用函数Uni：Uni＝Vni+εni(2)式(2)中，Vni为用户n选择骑行路径i后的路径效用值；εni为用户n选择路径i的随机效用误差，且服从相互独立的Gumbel分布；并有：式(3)中，β0为常数项，Xm表示原始数据集中第m种数据类型的数据；βm表示第m种数据类型对用户骑行路线选择的影响系数；βPS表示路径重复系数对用户骑行路线选择的影响系数；步骤4，根据式(4)得到用户n选择可选路径集Cn中路径i的概率值P(i|Cn)，从而可确定可选路径集Cn中每条路径被选择的概率；步骤5，根据用户历史评价、安全系数和骑行连续程度构建修正矩阵，用于修正概率值，以确定可选路径集Cn中每条路径被选择的最终概率；步骤5.1，获取其他用户对可选路径集Cn中每条路径或路段的评价数据并取均值后归一化，得到可选路径集Cn中每条路径或路段的平均评价分数：步骤5.2，计算安全系数Sni：利用式(5)构造共享单车用户n骑行路径i的骑行时间t的危险率函数h(t|X)：h(t|X)＝h0(t)g(X)(5)式(5)中，h0(t)为骑行时间t的基准危险率，g(X)代表因素X对危险率的影响，并有：g(X)＝exp(β′1X1+β′2X2+β′3X3)(6)式(6)中，β′1-β′3分别表示用户n的可选路径集Cn中各条路径中非机动车道类型X1、路内停车段X2和红绿灯数量X3对骑行危险率的影响系数；利用式(7)得到用户n选择路径i在骑行时间t后的安全系数Sni，从而得到可选路径集Cn中所有路径的安全系数：步骤5.3，计算骑行连续程度Con：利用式(8)得到可选路径集Cn中各条路径的骑行连续程度Con：logCon＝β″0+β″3X3+β″5X5+β″6X6+ε(8)式(8)中，β″0为常数项；β″3、β″5和β″6分别表示用户n的可选路径集Cn中各条路径中红绿灯数量X3、道路等级X5和路面坡度X6对用户骑行连续程度Con的影响系数；ε为骑行连续程度Con的随机效用误差；步骤5.4，构建修正矩阵：有各路径的平均评价分数、安全系数、骑行连续程度与每条路径被选择的概率构成修正矩阵r1k表示第k条路径被选择的概率；r2k表示第k条路径的用户评价分数；r3k表示第k条路径的安全系数；r4k表示第k条路径的骑行连续程度；步骤5.5，计算出每条路径被选择的最终概率；利用式(9)确定可选路径集Cn中每条路径被选择的最终概率，并将概率最大值作为最优路径推荐给用户；[p1p2…pk]＝[ω1ω2ω3ω4]·R(9)式(9)中，pk为第k条路径被选择的最终概率；ω1为修正之前确定的每条路径被选择的概率所占权重；ω2为用户评价所占权重；ω3为安全系数所占权重；ω4为骑行连续程度所占权重，且ω1+ω2+ω3+ω4＝1。与现有技术相比，本专利技术的有益效果在于：1、本专利技术通过考虑骑行距离、红绿灯数量、非机动车道类型、道路等级、路内停车段、路面坡度和路径重复系数这七个显著因素对共享单车用户骑行路径选择的影响，兼顾用户的骑行效率、骑行安全性及骑行连续程度，最后为用户推送概率最高的一条路线进行导航，辅助用户骑行，从而提升了用户的骑行体验，提高了出行效率和骑行安全性，有利于共享单车这种出行方式更能为大众所接受、使用、喜爱，以响应全民低碳生活的号召。2、本专利技术通过结合国内道路的实际情况，如混行状态下其余车辆对骑行者的影响，增加更多用户对自身安全性的考虑。根据效用最大化理论，利用考虑路径长度的Logit模型(path-sizelogit，PSL)构造路径效用函数，从而得到考虑了路径重叠因素的路径选择模型。通过此模型可预测出用户选择系统所提供的各路线集的概率，考虑不同用户对于用户历史评价、骑行安全系数和骑行连续程度的关注程度，构建修正矩阵得到用户选择各路径集中路径的最终概率，最后为用户推送概率最高的一条路线进行导航，辅助用户骑行。由于考虑因素的广而全面，利用本专利技术得到的推荐路径精确度更高，构本文档来自技高网...

【技术保护点】
1.一种共享单车骑行路线的智能推荐方法，其特征包括如下步骤：/n步骤1，收集多个共享单车用户历史骑行数据，建立原始数据集；所述原始数据集中的数据类型包括非机动车道类型X

【技术特征摘要】
1.一种共享单车骑行路线的智能推荐方法，其特征包括如下步骤：
步骤1，收集多个共享单车用户历史骑行数据，建立原始数据集；所述原始数据集中的数据类型包括非机动车道类型X1、路内停车段X2、红绿灯数量X3、骑行距离X4、道路等级X5和路面坡度X6；
步骤2，根据用户n的历史骑行数据生成带有k条可选路径的可选路径集Cn，并利用式(1)计算用户n从所述可选路径集Cn中选择的路径i的重复系数PSni：



式(1)中，ζi为路径i中所有路段的集合；la为路径i中路段a的长度；Li为路径i的长度；若路段a在所述可选路径集Cn中用户n未选的路径j上，则令σaj＝1，否则，令σaj＝0；为可选路径集Cn上的最短路径长度；Lj为可选路径集Cn中路径j的长度；
步骤3，根据用户n的历史骑行数据，假设用户n以路径效用最大化为原则选择路径，则利用式(2)构造路径i的效用函数Uni：
Uni＝Vni+εni(2)
式(2)中，Vni为用户n选择骑行路径i后的路径效用值；εni为用户n选择路径i的随机效用误差，且服从相互独立的Gumbel分布；并有：



式(3)中，β0为常数项，Xm表示原始数据集中第m种数据类型的数据；βm表示第m种数据类型对用户骑行路线选择的影响系数；βPS表示路径重复系数对用户骑行路线选择的影响系数；
步骤4，根据式(4)得到用户n选择可选路径集Cn中路径i的概率值P(i|Cn)，从而可确定可选路径集Cn中每条路径被选择的概率；



步骤5，根据用户历史评价、安全系数和骑行连续程度构建修正矩阵，用于修正概率值，以确定可选路径集Cn中每条路径被选择的最终概率；
步骤5.1，获取其他用户对可选路径集Cn中每条路径或路段的评价数据并取均值后归一化，得到可选路径集Cn中每条路径或路段的平均评价分数：
步骤5.2，计算安全系数Sni：...

【专利技术属性】
技术研发人员：卢晓珊，陈新越，陈鉴菲，金言，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34