一种行程优化方法及装置与流程

1.本发明涉及行程数据的处理技术，尤其涉及一种行程优化方法、一种行程优化装置，以及一种计算机可读存储介质。


背景技术：

2.行程规划(journey planning)技术能够根据时间来管理用户提供的多个兴趣点(point of interest，poi)，从而为用户的出行、旅游以及日程安排提供帮助。目前，该技术已经广泛应用于导航、旅游、日程等多种应用程序。
3.然而，现有的行程规划技术普遍基于用户主动输入的兴趣点及时间来提供行程规划服务，对用户的时间管理能力存在较高的要求，并且无法预见兴趣点可能发生的各种情况，因而导致用户容易陷入拥堵、错过饭点、遭遇闭园，以及出现行程冲突等诸多问题，严重影响用户的行程体验。
4.为了克服现有技术存在的上述缺陷，本领域亟需一种行程数据的处理技术，用于结合用户及各兴趣点的实际情况来优化用户行程，从而提升用户的行程体验。


技术实现要素：

5.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
6.为了克服现有技术存在的上述缺陷，本发明提供了一种行程优化方法、一种行程优化装置，以及一种计算机可读存储介质。
7.具体来说，根据本发明的第一方面提供的上述行程优化方法包括以下步骤：获取用户的行程规划数据及用户数据；根据所述行程规划数据，确定所述用户的目的地及预计抵达时间；根据所述用户数据，预测所述用户在所述目的地的预计驻留时间；根据所述预计抵达时间及所述预计驻留时间，确定行程异常点；以及根据所述行程异常点，进行行程优化处理。通过执行这些步骤，该行程优化方法能够根据用户的实际情况来预测用户在各兴趣点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
8.根据本发明的第二方面提供的上述行程优化装置包括存储器及处理器。所述处理器连接所述存储器，并被配置用于实施本发明的第一方面提供的上述行程优化方法。通过实施该行程优化方法，该行程优化装置能够根据用户的实际情况来预测用户在各兴趣点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
9.根据本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施本发明的第一方面提供的上述行程优化方法。通
过实施该行程优化方法，该计算机可读存储介质能够根据用户的实际情况来预测用户在各兴趣点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
附图说明
10.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
11.图1示出了根据本发明的一些实施例提供的行程优化装置的工作原理示意图。
12.图2示出了根据本发明的一些实施例提供的行程优化方法的流程示意图。
13.图3示出了根据本发明的一些实施例提供的行程优化单元的示意图。
14.图4a～图4d示出了根据本发明的一些实施例提供的行程优化提示界面的示意图。
具体实施方式
15.以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
16.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
17.另外，在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用，其并不代表其所叙述的装置需以特定方位来制造或运作，因此不应理解为对本发明的限制。
18.能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
19.如上所述，现有的行程规划技术普遍基于用户主动输入的兴趣点及时间来提供行程规划服务，对用户的时间管理能力存在较高的要求，并且无法预见兴趣点可能发生的各种情况，因而导致用户容易陷入拥堵、错过饭点、遭遇闭园，以及出现行程冲突等诸多问题，严重影响用户的行程体验。
20.为了克服现有技术存在的上述缺陷，本发明提供了一种行程优化方法、一种行程优化装置，以及一种计算机可读存储介质，能够根据用户的实际情况来预测用户在各兴趣
点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
21.在一些非限制性的实施例中，本发明的第一方面提供的上述行程优化方法，可以由本发明的第二方面提供的上述行程优化装置来实施。该行程优化装置可以通过硬件设备和/或软件程序的形式，配置于行程规划应用的云端服务器和/或运行行程规划应用的客户端。此处，行程规划应用包括但不限于地图导航、打车、旅游、日程、提醒、智能助手等多种应用程序(application)、小程序(applet)以及网页程序(web app)。客户端包括但不限于车机、平板电脑、掌上电脑(personal digital assistant，pda)、笔记本电脑、个人计算机(personal computer，pc)、智能手机、智能手表、智能手环、智能眼镜等各种电子设备。
22.进一步地，该行程优化装置中配置有存储器以及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接该存储器，并被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供的上述行程优化方法。
23.以下将结合一些行程优化方法的实施例来描述上述行程优化装置的工作原理。本领域的技术人员可以理解，这些行程优化方法的实施例只是本发明提供的一些非限制性的实施方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体方案，而非用于限制该行程优化装置的全部功能或全部工作方式。同样地，该行程优化装置也只是本发明提供的一种非限制性的实施方式，不对上述行程规划应用的种类，以及这些行程优化方法中各步骤的执行主体构成限制。
24.请结合参考图1及图2。图1示出了根据本发明的一些实施例提供的行程优化装置的工作原理示意图。图2示出了根据本发明的一些实施例提供的行程优化方法的流程示意图。
25.如图1所示，在本发明的一些实施例中，行程优化装置中可以配置有行程规划单元、驻留时间预计单元，以及行程优化单元。该行程规划单元用于实现行程优化装置与手机、车机等客户端的数据交互，并根据获取的行程规划数据、用户数据和/或行程优化数据，为用户提供行程规划服务。该驻留时间预计单元中配置有预先训练的人工智能(artificial intelligence，ai)模型，能够根据获取的用户数据，预测用户在目的地的预计驻留时间。该行程优化单元能够识别用户行程中不合理的异常点，并根据识别到的行程异常点进行行程优化处理，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
26.具体来说，如图2所示，在实施行程优化方法的过程中，响应于用户在车机、手机等客户端使用地图导航、打车、旅游、日程、提醒、智能助手等行程相关应用进行导航、打车、购票、订座等行程相关的操作，预先设置于各应用程序的埋点程序可以基于用户提供的授权权限，获取用户提供的行程规划数据及用户数据，并将其上传到行程优化装置。此外，行程优化装置还可以从用户在云端的账户获取其用户数据，以作为预测用户的预计驻留时间的数据基础。
27.在一些实施例中，上述行程规划数据包括但不限于指示用户出发位置、出发时间、目的地位置和/或预计抵达时间的导航信息、打车信息、机票信息、火车票信息、长途汽车票信息、景点门票信息、娱乐票务信息、住宿预订信息和/或餐厅订座信息。上述用户数据可以分为用户基本数据以及用户行为数据。该用户基本数据包括但不限于用户提供的年龄数
据、性别数据和/或职位数据。该用户行为数据包括但不限于用户的历史出行数据和/或历史驻留时间数据。
28.例如，针对车机系统，行程优化装置可以通过导航地点、相关服务订单记录、日程安排等途径，获取相关行程的目的地位置，并统计车辆在各目的地附近停留时间。此外，行程优化装置还可以基于用户提供的授权权限，从车机系统获取车内各成员的性别、年龄、职业等用户基本数据，并通过订单、日程安排等途径，获取用户在目的地办理业务的业务数据。
29.又例如，针对智能手机，行程优化装置可以通过gps定位、导航地点、相关软件订单记录、日程表记录、相关商家通话记录等途径，获取相关行程的目的地位置，并统计手机用户在各目的地附近的停留时间。此外，行程优化装置还可以基于用户提供的授权权限，从智能手机获取手机用户的性别、年龄、职业等用户基本数据。
30.在获取用户的行程规划数据及用户数据之后，行程优化装置可以首先筛选其中关于目的地位置以及预计抵达时间的行程规划数据，以直接确定用户的目的地及对应的预计抵达时间。进一步地，对于未包含目预计抵达时间的行程规划数据，行程优化装置可以优选地根据出发位置、出发时间、当前位置、当前时间、剩余里程和/或平均速度等信息，计算用户抵达对应目的地的预计抵达时间。
31.此外，如图1及图2所示，在获取用户的行程规划数据及用户数据之后，行程优化装置还可以将获取的用户数据输入驻留时间预计单元，由其根据获取的用户数据来预测用户在目的地的预计驻留时间。
32.具体来说，该驻留时间预计单元中配置有预先训练的聚类算法模型及神经网络模型。该聚类算法模型包括但不限于dbscan聚类算法模型、k-means算法模型、均值漂移聚类算法模型，以及基于高斯混合模型的最大期望聚类算法模型。该神经网络模型包括但不限于长短期记忆(long short-term memory，lstm)神经网络模型。
33.以dbscan聚类算法模型以及lstm神经网络模型构成的驻留时间预计单元为例。在dbscan聚类算法模型的训练过程中，训练者可以首先获取多个用户样本的用户数据样本，其中，每个用户数据样本中包括对应用户样本的职位、年龄和/或性别等用户基本数据，以及对应用户样本的历史出行数据和/或历史驻留时间数据等用户行为数据。进一步地，该历史出行数据包括但不限于对应用户样本的历史出发位置、历史出发时间、历史目的地位置、历史抵达时间和/或历史出行业务。之后，训练者可以将各用户样本的用户数据样本，依次输入待训练的dbscan聚类算法模型，并根据dbscan聚类算法模型的输出误差迭代更新该dbscan聚类算法模型的权重参数，以训练该dbscan聚类算法模型根据输入的用户数据输出对应的用户类别标签的功能。
34.由于基于密度的dbscan聚类算法模型可以通过样本分布的紧密程度确定用户类别，采用dbscan聚类算法模型确定的同一类别的用户样本之间是紧密相连的，往往具有相近甚至相同的驻留时间。进一步地，由于不同职位的用户可能在同一兴趣点具有不同的行为模式，例如公司人事需要前往银行办理公司业务，而其他职位的普通职员主要前往银行办理个人业务，不同职位的用户在同一兴趣点的驻留时间可能不同。因此，通过将用户职位纳入dbscan聚类算法模型的输入参数，能够对用户进行更准确的分类，从而更准确地确定各类别的用户在各兴趣点的驻留时间。
35.此外，相比于k-means算法模型、均值漂移聚类算法模型，以及基于高斯混合模型的最大期望聚类算法模型，基于密度的dbscan聚类算法模型不需要提前设定k值大小，就能够自适应地确定聚类结果。此外，由于dbscan聚类算法模型能够较好地判断离群点，并且即使错判离群点对最终的聚类结果也没什么影响。因此，采用dbscan聚类算法模型的驻留时间预计单元对噪声具有更低的敏感度。此外，相对于k-means等聚类算法的初始值对聚类结果有很大影响的缺点，dbscan聚类算法模型的聚类结果没有偏倚，不受初始值的影响。此外，由于dbscan聚类算法模型是靠不断连接邻域的高密度点来发现簇，只需要定义邻域大小和密度阈值就可以发现不同形状、不同大小的簇。因此，采用dbscan聚类算法模型的驻留时间预计单元能够发现任意形状的簇，能够更准确地确定各用户所属的用户类别。
36.进一步地，在完成上述dbscan聚类算法模型的训练流程之后，训练者还可以获取多个用户样本的用户数据，以其中的历史出行数据及历史驻留时间数据作为对应用户样本的行程规划数据样本，并以其中的年龄数据、性别数据、职位数据、业务数据、天气数据作为用户样本的用户数据样本。之后，训练者可以将各用户样本的用户数据样本输入经过训练的dbscan聚类算法模型，以确定各用户样本的用户类别，并根据历史驻留时间对各用户样本进行分桶的操作。
37.在一些优选的实施例中，上述分桶的步骤可以基于等频分桶的原理来执行，以防止各分桶数据量差距过大。具体请参考表1及表2。表1记载了根据本发明的一些实施例提供的未分桶的多个用户样本的用户数据。表2记载了根据本发明的一些实施例提供的分桶后的多个用户样本的用户数据。
38.表1
39.到达目的地时间停留时间(分)办理业务用户类别天气...2021-09-15 9:03:5732000...2021-09-15 9:08:0214110 2021-09-15 9:24:4567130 2021-09-15 9:31:2145120 2021-09-15 10:08:1822200 2021-09-15 10:42:0778112 40.如表1所示，在对各用户样本进行分桶的过程中，训练者可以根据历史驻留时间对各用户样本进行等频分桶，并根据各桶历史驻留时间的最大值及最小值确定各桶样本数据的边界，以使每桶具有相同的样本数量。具体来说，针对表1所示的实施例，训练者可以根据历史驻留时间将各用户样本等频分为10桶，其中，第1桶样本数据的历史驻留时间在0～15分钟之间，第2桶样本数据的历史驻留时间在16～30分钟之间，第3桶样本数据的历史驻留时间在31～45分钟之间，第4桶样本数据的历史驻留时间在46～60分钟之间，第5桶样本数据的历史驻留时间在61～90分钟之间，第6桶样本数据的历史驻留时间在91～120分钟之间，第7桶样本数据的历史驻留时间在121～150分钟之间，第8桶样本数据的历史驻留时间在151～180分钟之间，第9桶样本数据的历史驻留时间在181～240分钟之间，第10桶样本数据的历史驻留时间在240分钟以上，从而获得表2所示的分桶后的多个用户样本的用户数据。
41.表2
42.到达目的地时间yx1x2x3...2021-09-15 9:03:573000...2021-09-15 9:08:021110 2021-09-15 9:24:455130 2021-09-159:31:214120 2021-09-15 10:08:182200 2021-09-15 10:42:075112 43.在完成对各用户样本的分桶操作之后，训练者还可以分别确定lstm神经网络模型的激活函数、每一层网络节点的舍弃率、误差的计算方式、权重参数的迭代更新方式，以及模型训练的循环次数(epoch)及窗口大小(batch size)。
44.以python的keras库为例，训练者可以将keras中默认的tanh确定为lstm神经网络模型的激活函数(activation fucntion)，根据keras中默认的linear确定接收lstm输出的完全连接人工神经网络(fully-connected artificial neural network)的激活函数，将每一层网络节点的舍弃率的默认值设定为0.2以防止过度拟合(overfit)，将误差的计算方式确定为均方误差(mean squared error)，采用rmsprop算法确定权重参数的迭代更新方式，并确定模型训练的循环次数和窗口大小。
45.在完成lstm神经网络模型的结构确定和调整之后，训练者可以将各用户样本的行程规划数据样本及用户数据样本，依次输入待训练的lstm神经网络模型，并根据lstm神经网络模型的输出误差迭代更新该lstm神经网络模型的权重参数，以训练该lstm神经网络模型根据输入的行程规划数据及用户数据，输出对应的预计驻留时间标签的功能。
46.本领域的技术人员可以理解，上述训练者只是一种非限制性的描述方式，包括但不限于执行上述训练步骤的技术人员，和/或执行符合上述训练步骤的计算机指令的处理器。
47.之后，在预测用户在目的地的预计驻留时间的过程中，驻留时间预计单元可以首先将行程规划单元提供的年龄数据、性别数据和/或职位数据等用户基本数据，以及历史出行数据和/或历史驻留时间数据等用户行为数据，输入预先训练的dbscan聚类算法模型，由该dbscan聚类算法模型根据输入的多种用户数据确定用户所属的用户类别。之后，驻留时间预计单元可以将dbscan聚类算法模型输出的用户类别标签，以及用户关于对应目的地的预计抵达时间，输入预先训练的lstm神经网络模型，由该lstm神经网络模型根据输入的用户类别及预计抵达时间，预测用户在对应的目的地的预计驻留时间。
48.进一步地，在本发明的一些实施例中，行程优化装置还可以从气象监测机构等第三方平台获取目的地附近的天气数据，并将该天气数据随用户基本数据、用户行为数据、业务数据等用户数据一起输入预先训练的lstm神经网络模型，以供lstm神经网络模型根据输入的用户类别、预计抵达时间、业务数据以及天气数据，预测用户在目的地的预计驻留时间。通过进一步纳入天气数据和/或业务数据的计算维度，本发明能够进一步结合天气和/或业务对驻留时间的影响因素，从而更准确地预测用户在目的地的预计驻留时间。
49.更进一步地，在本发明的一些实施例中，行程优化装置还可以优选地从客户端获取用户的同行人员信息。该同行人员信息指示用户的至少一名同行人员，可以由用户主动输入，也可以由处理器根据各用户的导航信息、打车信息、机票信息、火车票信息、长途汽车
票信息、景点门票信息、娱乐票务信息、住宿预订信息和/或餐厅订座信息自动确定。在预测预计驻留时间的过程中，行程优化装置可以根据用户的同行人员信息获取各同行人员的用户数据，经由预先训练的聚类算法模型，根据各同行人员的多种用户数据来分别确定各同行人员所属的用户类别，再经由预先训练的神经网络模型，根据各同行人员的用户类别来分别预测各同行人员在目的地的预计驻留时间。之后，行程优化装置可以根据用户及各同行人员在目的地的预计驻留时间中的最大值，预测用户在目的地的预计驻留时间。如此，本发明能够进一步结合同行人员相互影响的情况，从而更准确地预测用户在目的地的预计驻留时间。
50.如图1及图2所示，在确定用户在对应的目的地的预计驻留时间之后，行程优化装置可以将用户的目的地、预计抵达时间及预计驻留时间发送到行程优化单元，由行程优化单元根据用户的预计抵达时间及预计驻留时间来确定行程中不合理的异常点，并根据识别到的行程异常点进行行程优化处理。
51.具体请参考图3及图4a～图4d。图3示出了根据本发明的一些实施例提供的行程优化单元的示意图。图4a～图4d示出了根据本发明的一些实施例提供的行程优化提示界面的示意图。
52.如图3所示，在本发明的一些实施例中，行程优化单元可以首先根据预计抵达时间t1及预计驻留时间δt，预测用户离开目的地的预计离开时间，即t2＝t1+δt。之后，行程优化单元可以根据该预计抵达时间t1和/或该预计离开时间t2，分别判断关于该目的地的行程是否存在冲突行程异常点、高峰行程异常点和/或驻留行程异常点，并根据识别到的行程异常点进行行程优化处理。
53.例如，行程优化单元可以将目的地(例如：祖庙)的预计抵达时间t1(例如：14：00)及预计离开时间t2(例如15：30)，与用户已有的行程规划数据进行比对，以判断关于对应目的地的行程是否存在冲突行程异常点。响应于行程规划数据中存在位于预计抵达时间t1及预计离开时间t2之间的规划行程(例如：喝个下午茶)，行程优化单元可以判定关于祖庙的行程存在冲突行程异常点。此时，行程优化装置可以如图4a所示地经由客户端向用户提供行程优化的提示信息，提示用户延后或取消该喝下午茶的规划行程，或者提前或取消该游览祖庙的行程，以帮助用户消除该冲突行程异常点。
54.又例如，行程优化单元可以将目的地(例如：仙女山)的预计抵达时间t1(例如：10：00)及预计离开时间t2(例如14：00)，与用户的默认行程数据进行比对，以判断关于对应目的地的行程是否存在冲突行程异常点。该默认行程数据包括但不限于12：00吃午饭、18：00吃晚饭、22：00住宿，可以由用户通过人工操作来新增默认行程、调整默认行程时间和/或删除默认行程，也可以由处理器根据用户的历史行程数据来自动调整默认行程时间。响应于默认行程数据中存在位于预计抵达时间t1及预计离开时间t2之间的默认行程(例如：吃午饭)，行程优化单元可以判定关于仙女山的行程存在冲突行程异常点。此时，行程优化装置可以如图4b所示地经由客户端向用户提供行程优化的提示信息，并根据目的地的位置为用户推荐仙女山附近的美食位置兴趣点，以帮助用户完成在12：00吃午饭的默认行程。
55.又例如，行程优化单元还可以从目的地(例如：祖庙)的管理服务器、导航应用服务器等第三方平台，获取大量用户抵达该目的地的开始时间和离开该目的地的结束时间，并统计目的地在各时段的人数，以确定该目的地的游览高峰时间段(例如：14：00～15：00)。之
后，行程优化单元可以将用户的预计抵达时间t1(例如：14：00)与该游览高峰时间段进行比对。响应于游览高峰时间段与预计抵达时间t1重合的比对结果，行程优化单元可以判定该游览祖庙的行程存在高峰行程异常点。此时，行程优化装置可以如图4c所示地经由客户端向用户提供行程优化的提示信息，提示用户提前、延后或取消该游览祖庙的行程，以帮助用户消除该高峰行程异常点。
56.又例如，针对驾车导航以及预约打车等应用场景，行程优化单元还可以从交通管理平台、导航应用服务器等第三方平台，获取目的地(例如：祖庙)在预计离开时间t2(例如：15：30)的车流量，并将该车流量与预设的车流量阈值进行比较。响应于车流量大于预设的车流量阈值的比较结果，行程优化单元可以判定用户的预计离开时间t2与目的地的交通高峰时间段重合，该游览祖庙的行程存在高峰行程异常点。此时，行程优化装置可以如图4d所示地经由客户端向用户提供行程优化的提示信息，提示用户更改前往和/或离开目的地的出行方式，以消除该高峰行程异常点。或者，行程优化装置还可以如图4d所示地经由客户端向用户提供行程优化的提示信息，根据目的地的位置为用户推荐祖庙附近的咖啡厅、茶坊、水吧等位置兴趣点，以帮助用户完成在15：15喝下午茶的后续行程。
57.进一步地，如图3所示，行程优化单元还可以优选地获取多名用户在目的地(例如：某网红春饼店)的历史驻留时间，并将其与预设的驻留时间阈值(例如：10分钟)进行比较。响应于多名用户在该目的地的历史驻留时间小于预设的驻留时间阈值的判断结果，行程优化单元可以推测该目的地存在闭店的可能，并判定关于该目的地的行程存在驻留行程异常点。
58.此外，行程优化单元还可以从目的地的服务器、官网、新闻等第三方平台爬取其公布的营业时间、放假通知、装修维护等公告信息，并对获取的公告信息进行解析，以过滤筛选指示目的地关闭的信息。响应于目的地关闭的解析结果，行程优化单元也可以判定关于该目的地的行程存在驻留行程异常点。
59.之后，响应于关于目的地的行程存在驻留行程异常点的判断结果，行程优化装置可以如上所述地经由客户端向用户提供行程优化的提示信息，提示用户取消关于目的地的行程，以帮助用户消除该驻留行程异常点。
60.基于以上描述，本发明能够根据用户的实际情况来预测用户在各兴趣点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。
61.尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
62.本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
63.本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清
楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
64.尽管上述的实施例所述的行程优化装置可以通过软件与硬件的组合来实现。但是可以理解，该行程优化装置也可以单独在软件或硬件中加以实施。对于硬件实施而言，该行程优化装置可在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，该行程优化装置可通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。
65.结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
66.提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

技术特征：
1.一种行程优化方法，其特征在于，包括以下步骤：获取用户的行程规划数据及用户数据；根据所述行程规划数据，确定所述用户的目的地及预计抵达时间；根据所述用户数据，预测所述用户在所述目的地的预计驻留时间；根据所述预计抵达时间及所述预计驻留时间，确定行程异常点；以及根据所述行程异常点，进行行程优化处理。2.如权利要求1所述的行程优化方法，其中，所述根据所述用户数据，预测所述用户在所述目的地的预计驻留时间的步骤包括：经由预先训练的聚类算法模型，根据多种用户数据确定所述用户所属的用户类别；以及经由预先训练的神经网络模型，根据所述用户类别预测所述用户在所述目的地的预计驻留时间。3.如权利要求2所述的行程优化方法，其中，所述行程规划数据包括所述用户的出发位置、出发时间、目的地位置和/或所述预计抵达时间，和/或所述用户数据包括用户基本数据及用户行为数据，其中，所述用户基本数据包括所述用户的年龄数据、性别数据和/或职位数据，所述用户行为数据包括所述用户的历史出行数据和/或历史驻留时间数据。4.如权利要求3所述的行程优化方法，其中，所述神经网络模型为lstm神经网络模型，所述根据所述用户类别预测所述用户在所述目的地的预计驻留时间的步骤包括：经由预先训练的lstm神经网络模型，根据所述用户类别以及所述预计抵达时间，预测所述用户在所述目的地的预计驻留时间。5.如权利要求4所述的行程优化方法，其中，所述行程规划数据还包括所述目的地的天气数据，所述用户数据还包括所述用户在所述目的地的业务数据，所述经由预先训练的lstm神经网络模型，根据所述用户类别以及所述预计抵达时间，预测所述用户在所述目的地的预计驻留时间的步骤包括：经由预先训练的lstm神经网络模型，根据所述用户类别、所述预计抵达时间、所述业务数据以及所述天气数据，预测所述用户在所述目的地的预计驻留时间。6.如权利要求5所述的行程优化方法，其中，训练所述lstm神经网络模型的步骤包括：获取多个用户样本的行程规划数据样本及用户数据样本；根据历史驻留时间，对各所述用户样本进行分桶；确定所述lstm神经网络模型的激活函数、每一层网络节点的舍弃率、误差的计算方式、权重参数的迭代更新方式，以及模型训练的循环次数及窗口大小；以及将各所述用户样本的行程规划数据样本及用户数据样本，依次输入待训练的lstm神经网络模型，并根据所述lstm神经网络模型的输出误差迭代更新所述lstm神经网络模型的权重参数，以训练所述lstm神经网络模型根据输入的行程规划数据及用户数据，输出对应的预计驻留时间标签的功能。7.如权利要求6所述的行程优化方法，其中，所述根据历史驻留时间，对各所述用户样本进行分桶的步骤包括：根据所述历史驻留时间对各所述用户样本进行等频分桶，并根据各桶所述历史驻留时
间的最大值及最小值确定各桶样本数据的边界，以使每桶具有相同的样本数量。8.如权利要求2所述的行程优化方法，其中，所述聚类算法模型为dbscan聚类算法模型，训练所述聚类算法模型的步骤包括：获取多个用户样本的用户数据样本；以及将各所述用户样本的用户数据样本，依次输入待训练的dbscan聚类算法模型，并根据所述dbscan聚类算法模型的输出误差迭代更新所述dbscan聚类算法模型的权重参数，以训练所述dbscan聚类算法模型根据输入的用户数据输出对应的用户类别标签的功能。9.如权利要求2所述的行程优化方法，其中，所述用户数据包括同行人员信息，所述同行人员信息指示至少一名同行人员，所述根据所述用户数据，预测所述用户在所述目的地的预计驻留时间的步骤还包括：根据所述同行人员信息，获取各所述同行人员的用户数据；经由所述聚类算法模型，根据各所述同行人员的多种用户数据，分别确定各所述同行人员所属的用户类别；经由所述神经网络模型，根据各所述同行人员的用户类别，分别预测各所述同行人员在所述目的地的预计驻留时间；以及根据所述用户及各所述同行人员在所述目的地的预计驻留时间中的最大值，预测所述用户在所述目的地的预计驻留时间。10.如权利要求1所述的行程优化方法，其中，所述根据所述预计抵达时间及所述预计驻留时间，确定行程异常点的步骤包括：根据所述预计抵达时间及所述预计驻留时间，预测所述用户离开所述目的地的预计离开时间；以及将所述预计抵达时间及所述预计离开时间，与所述用户的所述行程规划数据和/或默认行程数据进行比对，以判断关于所述目的地的行程是否存在行程异常点。11.如权利要求10所述的行程优化方法，其中，所述判断关于所述目的地的行程是否存在行程异常点的步骤包括：响应于所述行程规划数据中存在位于所述预计抵达时间及所述预计离开时间之间的规划行程，判定关于所述目的地的行程存在冲突行程异常点；和/或响应于所述默认行程数据中存在位于所述预计抵达时间及所述预计离开时间之间的默认行程，判定关于所述目的地的行程存在冲突行程异常点。12.如权利要求11所述的行程优化方法，其中，所述根据所述行程异常点，进行行程优化处理的步骤包括：响应于关于所述目的地的行程存在关于所述规划行程的冲突行程异常点，提示所述用户提前、延后或取消所述规划行程，或提示所述用户提前、延后或取消关于所述目的地的行程；和/或响应于关于所述目的地的行程存在关于所述默认行程的冲突行程异常点，根据所述目的地的位置为所述用户推荐能够执行对应功能的位置兴趣点。13.如权利要求10所述的行程优化方法，其中，所述根据所述预计抵达时间及所述预计驻留时间，确定行程异常点的步骤还包括：确定所述目的地的高峰时间段；
将所述用户抵达所述目的地的预计抵达时间，与所述目的地的高峰时间段进行比对；以及响应于所述高峰时间段与所述预计抵达时间重合，判定关于所述目的地的行程存在高峰行程异常点。14.如权利要求13所述的行程优化方法，其中，所述根据所述预计抵达时间及所述预计驻留时间，确定行程异常点的步骤还包括：获取所述目的地在所述预计离开时间的车流量；以及响应于所述车流量大于预设的车流量阈值，判定关于所述目的地的行程存在高峰行程异常点。15.如权利要求14所述的行程优化方法，其中，所述根据所述行程异常点，进行行程优化处理的步骤包括：响应于关于所述目的地的行程存在关于所述预计抵达时间的高峰行程异常点，提示所述用户提前关于所述目的地的行程；响应于关于所述目的地的行程存在关于所述预计离开时间的高峰行程异常点，提示所述用户延后关于所述目的地的行程；响应于关于所述目的地的行程既存在关于所述预计抵达时间的高峰行程异常点，又存在关于所述预计离开时间的高峰行程异常点，提示所述用户取消关于所述目的地的行程；和/或响应于关于所述目的地的行程存在关于所述预计抵达时间和/或所述预计离开时间的高峰行程异常点，提示所述用户更改前往和/或离开所述目的地的出行方式。16.如权利要求10所述的行程优化方法，其中，所述根据所述预计抵达时间及所述预计驻留时间，确定行程异常点的步骤还包括：获取多名用户在所述目的地的历史驻留时间；以及响应于所述多名用户在所述目的地的历史驻留时间小于预设的驻留时间阈值的判断结果，判定关于所述目的地的行程存在驻留行程异常点。17.如权利要求10所述的行程优化方法，其中，在根据所述行程规划数据，确定所述用户的目的地之后，所述行程优化方法还包括以下步骤：获取并解析所述目的地的公告信息；以及响应于所述目的地关闭的解析结果，判定关于所述目的地的行程存在驻留行程异常点。18.如权利要求16或17所述的行程优化方法，其中，所述根据所述行程异常点，进行行程优化处理的步骤包括：响应于关于所述目的地的行程存在所述驻留行程异常点，提示所述用户取消关于所述目的地的行程。19.一种行程优化装置，其特征在于，包括：存储器；以及处理器，所述处理器连接所述存储器，并被配置用于实施如权利要求1～18中任一项所述的行程优化方法。20.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令
被处理器执行时，实施如权利要求1～18中任一项所述的行程优化方法。

技术总结
本发明提供了一种行程优化方法及装置，以及一种计算机可读存储介质。该行程优化方法包括以下步骤：获取用户的行程规划数据及用户数据；根据所述行程规划数据，确定所述用户的目的地及预计抵达时间；根据所述用户数据，预测所述用户在所述目的地的预计驻留时间；根据所述预计抵达时间及所述预计驻留时间，确定行程异常点；以及根据所述行程异常点，进行行程优化处理。通过执行这些步骤，该行程优化方法能够根据用户的实际情况来预测用户在各兴趣点的预计驻留时间，并结合各兴趣点的实际情况来优化用户行程，从而帮助用户规避行程中的异常点，以提升用户的行程体验。以提升用户的行程体验。以提升用户的行程体验。


技术研发人员：曾奇缊 郭涛
受保护的技术使用者：沈阳精一智驾科技有限公司
技术研发日：2022.02.11
技术公布日：2023/8/23