一种上车点智能优化方法、装置及计算机可读存储介质与流程

本发明涉及智能交通与计算机，具体涉及一种上车点智能优化方法、装置及计算机可读存储介质。

背景技术：

1、在网络约车服务中，为用户推荐一个既方便乘客又便于司机接驾的上车点，是提升用户体验和平台运营效率的关键环节。现有技术通常采用基于实时路况和预估到达时间的推荐策略。该策略首先根据乘客的初始位置生成一组符合交通规则的候选上车点，然后利用路径规划引擎，结合实时交通数据，计算司机当前位置到各个候选上车点的预估行驶时间，最后将预估时间最短的候选点作为优先推荐。

2、然而，上述主流技术方案主要依赖于理想化的路径规划模型，该模型基于路网拓扑结构和宏观的交通流速度进行推算，未能充分考虑司机在微观驾驶层面上的实际行为模式和约束。例如，一个理论上预估到达时间最短的上车点，在实际驾驶中可能要求司机执行掉头、急转弯或复杂的绕行等操作。这些操作在真实的道路环境中（如存在物理隔离带、禁止掉头标识或临时交通管制）会产生显著的时间和里程成本，但这些成本在初始的路径规划中往往被低估或忽略。

3、这种理论规划与实际执行之间的偏差，导致了“成本鸿沟”的产生。部分现有技术尝试通过事后分析来解决此问题，即在订单完成后分析实际行驶轨迹，若发现存在绕路等行为，则将对应的上车点标记为低质量点，并在后续推荐中降低其优先级。但这种方式本质上是一种被动反馈和滞后修正，它无法在推荐生成的当时就预见并规避潜在的成本，且对于数据稀疏的新区域或新上车点，该方法难以提供有效的初始判断。

4、因此，现有上车点推荐技术普遍存在以下不足：一是缺乏对历史行驶经验的有效学习，未能从海量历史车辆行程数据中系统性地挖掘和量化由特定上车点引发的、与预定偏差模式相关的额外成本值；二是成本度量维度单一，主要关注预估时间或距离，而忽略了因无效行驶给乘客、司机和平台带来的综合经济成本。如何将历史轨迹中蕴含的群体驾驶经验转化为可预测的成本特征，并将其融入实时推荐决策中，以实现从“事后修正”到“事前规避”的范式转变，是本领域亟待解决的技术问题。

技术实现思路

1、为了解决上述背景技术中存在的、现有上车点推荐方法未能有效利用历史车辆行程数据来预测和规避因预定偏差模式导致的额外成本值的问题，本发明提供了一种上车点智能优化方法、装置及计算机可读存储介质。

2、本发明提供了一种上车点智能优化方法，包括：获取历史车辆行程数据，所述历史车辆行程数据包含行程的起始位置、终止位置以及行程的轨迹点序列；针对每个历史车辆行程，以所述行程的起始位置为起点、终止位置为终点，计算出一条基准路径，并确定所述基准路径的基准成本度量；分析所述历史车辆行程的实际行驶路径，以识别与所述基准路径之间的预定偏差模式，并确定所述实际行驶路径的实际成本度量；当识别出所述预定偏差模式时，基于所述实际成本度量与所述基准成本度量的差异，计算得到一个额外成本值；将历史车辆行程的额外成本值，以行程终止位置的地理空间信息和道路属性为索引进行聚合，以计算与所述索引关联的成本统计特征；将聚合统计得到的成本统计特征存入上车点成本特征知识库，以供在线查询；接收乘客发起的用车请求后，根据乘客位置和预设规则生成一组候选上车点；对于每个候选上车点，计算从司机当前位置到该候选上车点的第一类成本，所述第一类成本基于实时路况的路径规划得到；对于每个候选上车点，根据其地理空间信息和道路属性，查询所述上车点成本特征知识库，以获取与该候选上车点关联的第二类成本，所述第二类成本表征了历史行程中因预定偏差模式导致的额外成本值；对于每个候选上车点，基于所述第一类成本和所述第二类成本，计算出一个综合评分；根据综合评分对候选上车点进行排序，并将排序结果推送给用户。

3、在一种实施方式中，所述上车点成本特征知识库采用“空间精度+属性泛化”的双层结构，其中空间精度层按地理空间信息聚合，属性泛化层按道路属性聚合；当根据候选上车点的地理空间信息在空间精度层中查询失败或结果置信度低时，则在属性泛化层中根据所述候选上车点对应的道路属性进行查询。该双层结构通过协同互补，既保证了数据充足区域的推荐精度，又解决了数据稀疏或冷启动场景下的泛化覆盖问题。

4、进一步地，分析所述历史车辆行程的实际行驶路径的步骤，采用方向角序列突变检测、轨迹曲率累积分析、路径形状模板匹配中的至少两种算法的组合来识别所述预定偏差模式。通过多算法融合决策，可以提高对预定偏差模式识别的准确性和鲁棒性。

5、可选地，在获取所述第二类成本时，还结合当前实时交通堵塞情况，对从所述上车点成本特征知识库获取的成本统计特征进行修改，即可得到所述第二类成本。此举能够使历史统计成本更好地适应当前的动态交通环境，提升预测的实时性。

6、在一种实施方式中，所述基准路径为通过路径规划服务计算的理论最短行驶时间路径或理论最短行驶距离路径；所述预定偏差模式包括掉头、急转弯或不必要绕行中的至少一种。

7、进一步地，所述第一类成本包括预估行驶时间和预估行驶距离，所述第二类成本为预测的额外成本期望值；所述计算综合评分的步骤包括：获取乘客到候选上车点的步行距离，将所述预估行驶时间、所述步行距离以及预测的额外成本期望值进行加权组合。这种综合评分机制能够平衡司机接驾效率、乘客步行便利性以及潜在的额外行驶成本。

8、可选地，所述推送给用户的排序结果中，至少部分上车点附带了表征其易于接近程度的推荐理由，所述推荐理由是基于所述第二类成本生成的。这有助于提升用户对推荐结果的理解和信任度，辅助其做出更优决策。

9、本发明还提供了一种上车点智能优化装置，包括：数据获取模块，用于获取历史车辆行程数据；基准路径计算模块，用于计算基准路径并确定其基准成本度量；偏差模式识别模块，用于识别实际行驶路径中的预定偏差模式；额外成本量化模块，用于计算额外成本值；成本特征聚合模块，用于聚合额外成本值以计算成本统计特征；知识库构建模块，用于将成本统计特征存入上车点成本特征知识库；候选点生成模块，用于生成一组候选上车点；第一类成本计算模块，用于计算第一类成本；第二类成本预测模块，用于查询上车点成本特征知识库以获取第二类成本；综合评分模块，用于计算综合评分；以及推荐模块，用于对候选上车点进行排序并推送结果。

10、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时，实现如前述任一项所述的上车点智能优化方法。

11、与现有技术相比，本发明具有以下有益效果：

12、1.实现了精准的成本节约和效率提升。通过构建并利用上车点成本特征知识库，本发明能够量化并预测因预定偏差模式产生的额外成本值，并在推荐时主动规避具有高“行为成本”风险的上车点。这直接减少了车辆的无效行驶里程和时间，降低了乘客的实际费用和司机的运营成本，提升了单位时间的接单效率。

13、2.提升了推荐系统的智能化与预见性。本发明将海量历史车辆行程数据中蕴含的群体驾驶经验，沉淀为可量化、可查询的知识。这使得推荐决策从单纯依赖瞬时、理论的路径规划，升级为融合了历史经验的预测性决策，系统能够“预见”并避开那些历史上已被证明是“麻烦”的地点，实现了从“计算”到“认知”的智能跃迁。

14、3.构建了数据驱动的自我演化优化闭环。每一次完成的订单，其行程数据都可以被用于更新上车点成本特征知识库。这意味着系统能够持续学习，自动适应路网结构的变化（如新增的交通管制、道路施工等），动态调整对各上车点的成本评估，形成一个可持续自我优化的闭环系统，保证了推荐策略的长期有效性。