一种考虑用户偏好的联合投送路径规划方法

本技术涉及路径规划，特别是涉及一种考虑用户偏好的联合投送路径规划方法。

背景技术：

1、联合投送是指组织任务单位由集结地至目的地进行的高速、立体、远距离联合行动。联合投送至少会涉及两种及以上运输方式，如铁路、公路、航空、水路等，联合投送筹划包括路径规划、装载优化、多式联运方案设计等诸多优化问题。其中，路径规划是联合投送筹划的基础和前提，其目的是根据各任务单位出发地、集结地、任务类型等，规划出符合要求的一条或多条备选路径，为多式联运方案设计提供输入。

2、目前，利用计算机开展路径规划有两种模式：一是利用数学规划模型规划路径，如最短路算法；二是用户以逐段添加的方式规划路径。前者无法考虑用户经验、偏好，后者则效率较低，如何将两种模式结合起来生成符合用户个人偏好的投送路径并提高路径规划效率是本领域技术人员一个亟待解决的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种考虑用户偏好的联合投送路径规划方法。

2、一种考虑用户偏好的联合投送路径规划方法，所述方法包括：

3、在联合投送路径单步规划阶段，利用机器学习模型和最短路算法，获取当前节点各后续通道的综合被选中概率，按照综合被选中概率从大到小的顺序对当前节点各后续通道进行排序，并通过考虑用户偏好和排序结果输出当前节点的单步规划路径；

4、在联合投送路径多步规划阶段，在单步规划路径的基础上，自动更新当前节点并序贯执行单步规划，若在未达到终止条件之前，当前节点更新为任务终点，停止单步规划并输出由任务起点连接至任务终点的多步规划路径；否则，调用最短路算法输出任务起点至任务终点的最短路作为推荐路径并结束路径规划。

5、在其中一个实施例中，联合投送路径单步规划阶段的具体过程包括：

6、离线阶段：通过预先构建的字典库对所有历史已规划路径进行逐段编码，生成由多条训练样本构成的训练集，并将训练集输入机器学习模型进行训练，输出得到训练好的机器学习模型；

7、在线阶段：将经过字典库编码后的当前路径规划的任务信息输入训练好的机器学习模型进行预测，得到当前节点各后续通道的第一类被选择概率，并利用最短路算法计算获取当前节点各后续通道的第二类被选择概率，通过对第二类被选择概率和第一类被选择概率进行加权求和，得到当前节点各后续通道的综合被选中概率，按照综合被选中概率从大到小的顺序对当前节点各后续通道进行排序，并通过考虑用户偏好和排序结果输出当前节点的单步规划路径。

8、在其中一个实施例中，通过预先构建的字典库对所有历史已规划路径进行逐段编码，生成由多条训练样本构成的训练集，并将训练集输入机器学习模型进行训练，输出得到训练好的机器学习模型，包括：

9、通过对联合投送任务所涉及的交通网络中所有节点名称、通道名、运输方式、任务类型进行去重处理并分别映射为唯一数字编码，得到面向联合投送路径规划领域的字典库；其中，节点名称是由城市名称表征的字符串，通道名是由城市之间的路线名称表征的字符串，运输方式包括铁路、公路、航空以及水路，任务类型包括轻型和重型；

10、根据字典库对所有历史已规划路径进行逐段编码，生成由多条训练样本构成的训练集，表示为；其中，为训练样本数量，表示第条训练样本的输入矩阵，输入矩阵的维度为，其中表示输入矩阵的行数包含通道名、运输方式、当前节点、任务起点、任务终点以及任务类型共个维度 ，为输入矩阵的列数，且的值为历史已规划路径中最多的节点数减1，当输入矩阵的列数小于时，需做补零处理；表示第条训练样本的输出向量，输出向量为当前节点的下一段路径，且输出向量由包含通道名、运输方式及通道终点节点的三元组唯一确定；

11、将训练集输入机器学习模型进行训练，通过训练至损失函数最小化，输出得到训练好的机器学习模型。

12、在其中一个实施例中，将经过字典库编码后的当前路径规划的任务信息输入训练好的机器学习模型进行预测，得到当前节点各后续通道的第一类被选择概率，包括：

13、通过字典库将当前路径规划的任务信息编码为输入矩阵；其中，任务信息包括通道名、运输方式、当前节点、任务起点、任务终点以及任务类型；

14、将输入矩阵输入训练好的机器学习模型进行预测，得到输出向量的预测概率；其中，输出向量的预测概率包括通道名预测概率、运输方式预测概率以及通道终点节点预测概率；

15、对通道名预测概率、运输方式预测概率以及通道终点节点预测概率进行归一化求和，得到当前节点所有可用的后续通道的第一类被选择概率，表示为

16、后续通道的第一类被选择概率=归一化通道终点节点预测概率+归一化运输方式预测概率+归一化通道名预测概率。

17、在其中一个实施例中，利用最短路算法计算获取当前节点各后续通道的第二类被选择概率，包括：

18、将当前节点各后续通道的另一端节点作为起点，搜索其与任务终点的最短路耗时，再将当前节点各后续通道的最短路耗时与当前节点各后续通道的另一端节点至任务终点的最短路耗时之和作为当前节点经各后续通道至任务终点的最短路耗时，通过取当前节点经各后续通道至任务终点的最短路耗时的倒数并进行归一化处理，得到当前节点各后续通道的第二类被选择概率。

19、在其中一个实施例中，通过对第二类被选择概率和第一类被选择概率进行加权求和，得到当前节点各后续通道的综合被选中概率，包括：

20、对当前节点后续第条通道的第二类被选择概率与第一类被选择概率进行加权求和，得到当前节点后续第条通道的综合被选中概率；其中，，且表示当前节点后续通道的总数；其中，与进行加权求和的权重由用户偏好确定。

21、在其中一个实施例中，按照综合被选中概率从大到小的顺序对当前节点各后续通道进行排序，并通过考虑用户偏好和排序结果输出当前节点的单步规划路径，包括：

22、按照综合被选中概率从大到小的顺序对当前节点各后续通道进行排序，当用户处于环路时，由用户选择排序结果中的一条后续通道作为当前节点的单步规划路径；否则，输出综合被选中概率最大的后续通道作为当前节点的单步规划路径。

23、在其中一个实施例中，联合投送路径多步规划阶段的具体过程包括：

24、step1：输入联合投送任务所涉及的交通网络以及初始路径规划的任务信息；初始路径规划的任务信息包括任务起点、任务终点以及任务类型；

25、step2：输入当前节点，第一步规划时将任务起点作为当前节点；

26、step3：判断当前节点是否为任务终点，若是，输出由任务起点连接至任务终点的多步规划路径并结束路径规划；若否，进入step4；

27、step4：判断是否达到终止条件，如循环是否达到最大循环次数s次，若是，调用最短路算法生成任务起点至任务终点的最短路作为推荐路径并结束路径规划；若否，进入step5；

28、step5：利用机器学习模型和最短路算法在当前节点开展联合投送路径单步规划；

29、step6：输出单步规划路径，并自动更新当前节点；

30、step7：返回step3，重复上述过程，直至当前节点更新为任务终点或达到终止条件。

31、上述一种考虑用户偏好的联合投送路径规划方法，综合运用机器学习模型和最短路算法开展投送路径单步规划和多步规划，通过机器学习模型学习已规划路径数据集中隐含的路径规划规律，实现投送路径的智能推荐，可有效提升路径规划效率；并在最短路算法基础上融入用户偏好、经验等信息，可高效辅助用户手动规划生成符合用户个人偏好的投送路径。本方法能够通过智能推荐+人工确认的方式高效生成符合用户个人偏好的投送路径。