语言偏好与多目标规划的公交出行路径推荐方法及系统

摘要: 本发明涉及智能交通、公共交通路径规划和多目标优化,尤其涉及一种将乘客自然语言偏好转换为可计算路网约束,并通过k最短路径和pareto非支配排序输出个性化公交出行...
语言偏好与多目标规划的公交出行路径推荐方法及系统

本发明涉及智能交通、公共交通路径规划和多目标优化,尤其涉及一种将乘客自然语言偏好转换为可计算路网约束,并通过 k 最短路径和 pareto 非支配排序输出个性化公交出行路径的方法及系统。

背景技术:

1、需求响应式公交(demand-responsive transit,简称 drt)是一种依据乘客实时或预约需求动态规划路线的公共交通服务模式。随着大数据、人工智能与城市交通数字化技术的快速迭代,当前已迈入智慧出行赋能的精细化服务时代。城市公共交通系统构建精准且个性化的公交路径规划体系已成为核心诉求,但由于乘客出行偏好数据通常具备高度的用户隐私属性和场景异构性,存在显著的数据孤岛与语义解析壁垒问题,因此偏好感知型路径规划模型的规模化落地受到制约。

2、语义解析与多目标路径优化作为新兴的智能交通规划方法,能够将自然语言偏好转化为可计算的路网约束,无需直接采集乘客原始出行行为数据便可生成个性化路径方案,从而降低了用户隐私泄露的风险。然而,不同城市路网的拓扑异构性、乘客偏好表达的语义异构性也会给模型的跨场景适配造成阻碍,并且造成不必要的计算资源消耗与路径推荐效率损耗。现有技术至少存在以下四类核心缺陷:第一,现有drt路径规划多聚焦车队调度,路径层仅优化距离和时间,完全忽略坡度、步行距离、换乘舒适度等主观偏好;第二,少数考虑偏好的方法采用硬约束删边策略,在多偏好组合场景下子图断开率高达56%;第三,基于大语言模型的路径推荐直接生成最终路线,结果不可审计、不可复现,存在黑箱决策风险;第四,现有偏好映射多采用线性强度缩放,对边权惩罚型偏好的区分度仅为0.080,无法精准匹配不同强度的用户需求。

技术实现思路

1、本发明的目的在于提供一种基于自然语言偏好与多目标路径规划的个性化公交出行路径推荐方法及系统,解决需求响应式公交(drt)路径规划中自然语言与数值优化之间的语义断层问题,实现可审计、可解释、高连通性的偏好感知路径规划,同时兼顾路径多样性与实时响应能力。

2、为实现上述目的,第一个目的本发明提供了一种基于自然语言偏好与多目标路径规划的个性化公交出行路径推荐方法,包括下列步骤:

3、步骤 1:构建静态公交路网模型

4、构建有向图形式的静态公交路网,其中为公交站点集合,为站点间的有向边集合;每条边存储基础距离、坡度、步行属性原始特征,每个站点存储换乘代理属性,用于识别换乘枢纽节点。

5、步骤1以有向图构建静态公交路网,完整定义公交站点、路网有向边,并录入路段距离、坡度、步行属性、站点换乘代理属性等全部原始路网特征,搭建标准化底层路网数据载体;该方式统一路网拓扑与物理属性存储规范,为后续语义边权修正、候选路径生成、多目标量化评价提供统一、可溯源的原始计算数据源,可单独提取坡度、步行、换乘分项特征实现各类主观偏好的独立量化,从底层保障全流程运算可复核、可审计。

6、步骤 2:接收并分层解析自然语言出行请求

7、接收用户输入的包含起点、终点和自然语言偏好的出行请求,通过轻量关键词分类器自动判断请求复杂度:若请求仅包含 “不想爬坡”“便宜”“不愿走路”“不想换乘”“不着急” 六类基础偏好关键词且无 “如果”“宁愿”“不超过”“预算” 等复杂标记,则通过关键词规则解析提取基础偏好标签;否则调用 大语言模型进行 rich schema 结构化解析,输出包含软偏好、硬约束、条件规则和冲突解决策略的标准化 json 意图。

8、步骤2中大语言模型采用温度为0的确定性解码策略,提示词中包含 4 个从简单到复杂的少样本示例,所有枚举值在提示词中显式列出;在 50 条复杂请求验证实验中,qwen rich schema 的结构有效性达 100%,强度准确率 0.773、硬约束召回率 0.940、条件规则召回率 0.960、冲突解决准确率 0.920。

9、步骤2接收用户包含起止地点、出行时间、口语化偏好的自然语言出行文本,从中提取起点、终点、时间窗、偏好相关原始语义信息作为解析输入;无需用户手动输入数值约束、权重参数,直接支持日常口语化表达出行诉求,大幅降低用户操作门槛,完整保留用户原始主观出行倾向,为后续结构化语义转换提供完整原始素材。

10、步骤 3:语义偏好到边权与多目标权重的映射

11、将结构化意图转化为路网语义修正边权和多目标权重向量:

12、软偏好处理:根据偏好类型生成基础语义惩罚项)和费用折扣系数,并按强度等级通过缩放函数进行边权缩放:,其中为llm解析得到的偏好强度等级(1=很低,5=很高),为默认拉伸系数。该函数满足、、,得到语义修正边权;

13、硬约束处理:暂不修改路网拓扑结构,将硬约束参数存储用于后续路径级过滤;

14、冲突解决处理:根据优先级排序调整多目标权重向量,提升高优先级偏好对应的目标权重。

15、步骤 3 中语义修正边权的计算公式为:

16、

17、其中:站点至通行边经用户偏好修正后的语义边权;:偏好强度缩放函数,支持线性、幂律、非线性映射,输入为用户偏好强度等级;:“便宜” 偏好对应的路段费用折扣系数,其取值规则为:若结构化意图中包含“便宜”偏好且强度为,则, 若“便宜”偏好不存在,则(无折扣)。:站点、间路段原始几何距离;:路段基础语义惩罚项,用于量化爬坡、步行、换乘带来的出行代价。

18、而基础语义惩罚项的计算公式为:

19、

20、其中:坡度、步行、换乘三类偏好对应的固定惩罚权重;:二值指示函数,括号内条件成立时取值为 1,不成立则为 0; :路段实际坡度,5% 为本发明预设陡坡判定阈值; :路段附带步行代价属性; :站点换乘代理属性,表征该节点换乘成本。

21、步骤3采用轻量关键词分类器区分请求复杂度,简单偏好请求使用低延迟关键词规则解析,复杂带条件、多冲突的请求调用大语言模型 rich schema 结构化解析,统一输出四类标准化约束意图;分层解析架构兼顾低延迟与复杂语义处理能力,简单请求解析延迟低于 1ms 满足实时性,大模型可精准识别 if-then 条件、多偏好冲突、偏好强度,将模糊自然语言转化为机器可计算的结构化参数,打通自然语义与路网数值优化的断层,同时清晰划分主观软偏好与刚性硬约束,为后续差异化处理奠定基础。

22、步骤 4:生成 k 条无环候选路径

23、步骤4中yen's k-最短路径算法的候选路径数k设置为10-20;对于小规模公交路网,该设置在 cpu 上的运行时间小于在毫秒级。

24、步骤4区分软硬约束处理规则,法规强制类硬约束仅存储参数用于后置过滤、不修改路网拓扑,基于软偏好类型与强度等级构建非线性缩放的语义边权计算公式,同时依据冲突解决优先级调整多目标权重向量,权重采用专家设定并通过 dirichlet 分布验证稳定性;以软约束加权惩罚替代传统直接删边的硬约束方案,解决多偏好叠加下路网断开、大量 od 对无可行路径的问题,非线性强度缩放机制拉大不同偏好强度的区分度,精准匹配用户偏好强弱,整套语义映射具备固定数学公式,全程可复现,规避大模型直接输出路线的黑箱决策缺陷,稳定的权重体系保障偏好小幅调整后推荐排序一致性高。

25、步骤 5:路径级硬约束过滤

26、对生成的 k 条候选路径逐一执行硬约束校验,剔除违反最大出行时间、最多换乘次数、预算上限或禁止条件的路径;若所有候选路径均被过滤,则自动按优先级依次放宽硬约束(如最多换乘次数+1),并在推荐结果中明确标注约束放宽说明。

27、步骤5依托语义修正后的路网边权,设置候选路径数量 k 为 10~20,运行 yen’sksp 算法生成无环候选路径,小规模公交路网下 cpu 运算耗时为毫秒级;单次生成多条完整可行路径,完整覆盖 pareto 最优解集,克服传统单目标 dijkstra 仅输出单一路线、丢失多目标权衡方案的短板,无环路径剔除循环绕路无效路线,减少后续过滤与评价计算量,高效运算满足公交路径规划实时响应的工程需求。

28、步骤 6:原始属性多目标路径评价

29、基于公交路网原始物理属性,从成本、坡度惩罚、换乘次数三个维度对剩余候选路径进行独立评价,计算公式为:

30、

31、

32、

33、其中为陡坡阈值,为路径p的换乘次数(基于节点换乘代理属性近似);多目标评价不使用语义修正边权,避免同一惩罚在生成与评估阶段重复计数。

34、步骤6条校验所有候选路径是否满足最大出行时间、换乘上限、预算等硬约束,剔除不符合硬性边界的路径,若全部路径均违规,则按照预设优先级逐步放宽硬约束并记录约束放宽细节;严格过滤违背用户不可突破出行要求的路径,保证推荐方案基础合规,无可行路径时自动松绑约束避免规划失败,提升系统运行鲁棒性,留存的约束放宽记录可嵌入最终推荐说明,实现约束处理过程可解释。

35、步骤 7:pareto 非支配排序与推荐输出

36、对候选路径进行 pareto 非支配分层,layer 0 为最优 pareto 前沿;同一pareto 层级内,对三个目标值进行 min-max 归一化后,基于多目标权重向量计算加权组合得分,得分越低排名越靠前;优先选择层级最低、同层级得分最低的路径作为最终推荐结果,并生成包含路径优势、偏好满足情况的可解释说明。

37、步骤7脱离路径生成阶段的语义修正边权,仅依托路网原生物理属性,通过三组独立目标函数分别计算每条路径的出行总成本、超额坡度惩罚、总换乘次数;分离路径生成与路径评价的惩罚计算逻辑,消除同一惩罚项重复计数造成的计算误差,成本、坡度、换乘三维指标完整覆盖公交出行核心痛点,全部评价数值依托真实路网物理特征生成,指标具备直观物理含义,便于直观展示各路线真实出行代价。

38、步骤 8 中偏好权重向量基于专家共识设定,且通过 dirichlet 分布采样进行稳定性验证,在专家原型附近的合理扰动范围内具有较高排序一致性。

39、步骤8先划分 pareto 非支配层级,layer 0 为最优前沿,对三维目标值做 min-max 归一化消除量纲,结合多目标权重向量计算路径加权得分,优先选择层级最低、同层级得分最低的路径作为最优解,同步生成包含偏好满足情况、多目标权衡、约束处理记录的解释文本;pareto 分层自动筛除完全被支配的劣势路径,实现成本、爬坡、换乘多目标均衡权衡,层内加权打分贴合用户核心偏好,显著提升个性化匹配度,配套文字说明完整展示路径推荐的全部决策依据,让推荐结果透明、可复核、可解释。

40、本发明提供了一种面向静态路网的偏好感知公交路径规划方法,首先构建语义增强的多目标路径规划系统模型,针对自然语言出行偏好难以直接转化为经典图搜索算法可处理的数值约束这一问题,通过为每类定性偏好构造确定性的语义映射表来将 “不想爬坡”“不愿换乘” 等主观偏好转化为可计算的路网边权修正规则和三维目标权重;其次考虑公交出行的舒适性与路径连通性需求,将乘客偏好的强度等级作为统一的偏好约束维度。最后在此约束下以最大化路径偏好满足度且保障 od 对路径连通性为目标,提出一种结合yen's k-最短路径生成与 pareto 非支配排序的多目标路径选择方法。

41、第二个目的,本发明提供了一种基于自然语言偏好与多目标路径规划的个性化公交出行路径推荐系统,用于应用上述的基于自然语言偏好与多目标路径规划的个性化公交出行路径推荐系统方法,包括:

42、路网数据模块:存储公交站点、边及对应的距离、坡度、步行属性、换乘代理属性等原始路网数据;

43、结构化语义解析模块:包含规则解析单元和大语言模型解析单元,用于将自然语言出行请求转化为标准化结构化意图;

44、偏好映射模块:用于将结构化意图转化为路网语义修正边权和多目标权重向量;

45、候选路径生成模块:基于yen's k-最短路径算法生成k条候选路径;

46、硬约束过滤模块:用于剔除违反不可违反条件的候选路径;

47、多目标评价模块:基于原始路网属性从成本、坡度惩罚、换乘次数三个维度评价候选路径;

48、pareto 排序与输出模块:用于执行pareto非支配分层、层内偏好加权排序,输出推荐路径及可解释说明(含偏好满足情况、主要目标权衡关系和约束处理结果)。

49、本发明的有益效果为:有效缓解了定性语义偏好与数值化路径优化之间的断层问题,可以在更少的候选路径规模内覆盖核心 pareto 最优解,同时通过非线性强度映射推导出偏好强度的最优区分方式,在此基础上采用迭代的 pareto 层内加权排序算法求解最优推荐路径,最终可以有效提升路径推荐的偏好满足率与可解释性。