基于眾源地理數(shù)據(jù)的個性化路線服務(wù)框架及應(yīng)用實驗

吳 濤，汪 璐，秦 建 新*，向 隆 剛，曾 芷 萱

(1.湖南師范大學(xué)地理科學(xué)學(xué)院/地理空間大數(shù)據(jù)挖掘與應(yīng)用湖南省重點實驗室，湖南 長沙 410081；2.武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

0 引言

“社會感知”作為一種研究人類時空行為特征、揭示社會經(jīng)濟(jì)現(xiàn)象的理論和方法，已廣泛運用于城市功能區(qū)識別[1]、用戶時空行為研究[2-5]、城市規(guī)劃[6]、旅游活動類型判別[7-10]等方面。近年來，地理空間智能(GeoAI)作為地理空間科學(xué)和人工智能深度融合的交叉學(xué)科，有力提升了對地理現(xiàn)象過程的動態(tài)感知、智能推理和知識發(fā)現(xiàn)的能力。大數(shù)據(jù)時代基于社會感知的地理空間智能研究和應(yīng)用主要有個性化路徑[11,12]、災(zāi)害預(yù)測[13]、測繪[14-16]、智慧交通[17-19]、智慧醫(yī)療[20,21]、智慧養(yǎng)老[22,23]、智慧政務(wù)[24,25]等。在智能出行方面，Hung等[26]采用加權(quán)方法最小化出行規(guī)劃的距離成本；Sun[27]提出以最小鏈路出行時間和出行距離為優(yōu)化目標(biāo)的多目標(biāo)動態(tài)路線選擇模型，保證乘客在最短出行時間和距離上選擇可靠出行路線；Zhou等[28]提出一種基于樸素貝葉斯興趣數(shù)據(jù)挖掘機(jī)器學(xué)習(xí)的智能旅游路線規(guī)劃算法。上述研究在出行規(guī)劃中鮮有考慮個體意愿，導(dǎo)致推薦的出行路線個性化不足；部分研究雖然分析了個性化的出行方案，但并未與時空環(huán)境信息進(jìn)行充分的動態(tài)連接，如李迎[29]在地理興趣區(qū)域推薦模型中僅考慮地理因素，未引入時間因素進(jìn)行更全面的用戶偏好信息挖掘。

綜上，為彌補出行方案個性化的不足，本文基于出行方案推薦與時空環(huán)境信息動態(tài)連接的現(xiàn)狀，提出基于眾源時空信息的個性化路線服務(wù)框架，利用眾源時空大數(shù)據(jù)感知公眾的出行偏好，將大眾對不同地點的偏好、時間與成本預(yù)算等信息映射到實際路網(wǎng)空間中，融合個人意向進(jìn)行動態(tài)建模分析，以期為用戶提供合適且個性化的出行方案。

1 眾源感知的個性化路線服務(wù)

本文根據(jù)社會感知的研究框架[30]，提出基于眾源時空信息的個性化路線服務(wù)框架(圖1a)，包括眾源感知、智能推薦、路線規(guī)劃、行程共享4個模塊。1)在眾源感知模塊中，對OSM、大數(shù)據(jù)展示等平臺提供的眾源時空大數(shù)據(jù)進(jìn)行預(yù)處理，驗證其信息可靠性，然后由智能推薦、路線規(guī)劃、行程共享3個模塊進(jìn)行引導(dǎo)，設(shè)計出符合眾源感知的出行路線；2)在智能推薦模塊中，將從百度地圖、OpenStreetMap、Flickr、社交網(wǎng)站(如 Facebook、新浪微博等)獲取的眾源數(shù)據(jù)[31]融合并根據(jù)用戶偏好信息，通過客戶端進(jìn)行搜索，結(jié)合改進(jìn)的隱馬爾可夫模型(Hidden Markov Model,HMM)與動態(tài)路線優(yōu)化算法，即可針對實時興趣點的人流量、道路擁堵情況、用戶偏好等信息對用戶進(jìn)行智能推薦，同時還可使用拓?fù)湔Z義匹配查詢歷史軌跡，減少互聯(lián)網(wǎng)的信息超載，推薦與用戶偏好類似的區(qū)域，提供更好的定位服務(wù)與出行體驗；3)在路線規(guī)劃模塊中，客戶端將用戶數(shù)據(jù)傳入系統(tǒng)，系統(tǒng)將用戶的特定需求與實時路網(wǎng)數(shù)據(jù)、POI及其熱度數(shù)據(jù)[32，33]結(jié)合，篩選出符合用戶需求的景點類型，而后將結(jié)果可視化，以供用戶選擇出行路線。4)在行程共享模塊中，用戶通過移動設(shè)備在網(wǎng)絡(luò)平臺上發(fā)布包含圖片(像)、文本語義的感知信息，在社交媒體共享其行程[34]，平臺將組織與存儲用戶行程規(guī)劃和實時旅游信息(如景點交通情況、附近推薦等)，并將歷史用戶的多樣化出行路線進(jìn)行可視化制圖，同時，后端服務(wù)器將共享的旅游信息等融入智能推薦模塊，方便其他用戶檢索與查詢。圖1b為基于眾源時空信息感知的個性化路線服務(wù)場景。

圖1 基于眾源地理數(shù)據(jù)的個性化路線服務(wù)框架及場景Fig.1 Personalized routing service framework and scenario map based on crowdsourcing geographic data

2 基于改進(jìn)隱馬爾可夫模型的路線規(guī)劃

在個性化路線服務(wù)框架的路線規(guī)劃模塊中，本文利用眾源時空大數(shù)據(jù)改進(jìn)的HMM模型[11]，根據(jù)個人意愿、POI熱度和路線約束進(jìn)行動態(tài)路線規(guī)劃。改進(jìn)的HMM模型表達(dá)式為HMM=(O,S,P,G)，其輸入?yún)?shù)為觀測狀態(tài)集O、觀測序列S、POI數(shù)據(jù)集P、路網(wǎng)G和POI-PP(投影點)，其實現(xiàn)流程(算法1)為：1)使用POI的推薦信息計算每個POI的大眾推薦度，并構(gòu)建第一層隱藏狀態(tài)，檢查與觀測序列相對應(yīng)的所有觀測狀態(tài)，并檢查每個觀測狀態(tài)下的所有POIs，得到每個POI在相應(yīng)狀態(tài)下的大眾推薦度，通過分析POI的大眾推薦度即可得到用戶在不同時期對POI的偏好；2)構(gòu)建第二層隱藏狀態(tài)，該層考慮了路段與POI之間的距離，設(shè)置一個距離閾值，計算POI在該閾值內(nèi)相鄰路段的所有投影點，即可得到POI在第二層隱藏狀態(tài)路段上的投影，這些POIs的投影可表示為每個隱藏狀態(tài)的候選點；3)利用路網(wǎng)G計算兩個POI點之間的大圓距離GD、不同觀測狀態(tài)下投影點之間的路線距離RD以及POI到投影點之間的大圓距離PD，并利用POI的熱度值計算觀測概率，即某狀態(tài)在不同時間內(nèi)所有POIs的熱度值及其對路段的投影，將二者相乘得到每個POI投影點的觀測概率EP，并計算每個POI投影點從狀態(tài)Si到Si+1的轉(zhuǎn)移概率TP；4)將上述步驟計算得到的數(shù)據(jù)與參數(shù)導(dǎo)入HMM，利用Viterbi算法即可生成最優(yōu)路線的POI訪問序列，即根據(jù)用戶個人興趣滿足用戶需求的最佳出行路線[35]。

算法1 基于兩層映射的HMM路線規(guī)劃方法

Input:States of observation O;A sequence of observation S;POIs Dataset P;Road network G;The recommendation of POIs PP

Output:Optimal personalized route R

1:PopIndex=calPopularityIndexInfo(P,PP);// 計算每個POI的大眾推薦度

2:Spoi=Sequence(O,S,P,PopIndex);// 每個觀測狀態(tài)下的所有POI

3:Sproj=Project(Spoi,G);// 得到POI在路段上的投影

4:foreach hidden state in sido

5: RD=getRouteDistance(Sproj,G);// RD代表兩個投影點之間的路線距離

6: GD=getGreatCircleDistance(Spoi,G);//GD代表兩個POI之間的大圓距離

7: PD=getPOIToProjectionDistance(P,Sproj);// PD代表POI到投影點之間的大圓距離

8: EP=getEmissionProbability(Sproj,PD);// EP 代表POI投影點的觀測概率

9:foreach projection of the POIdo

10: TP= getTransitionProbability(Sproj,RD,GD);// TP代表從Si到Si+1的轉(zhuǎn)移概率

11:endfor

12:endfor

13:R=createIndividualRoutesModel(EP,TP,G);

14:returnR;

3 實驗設(shè)計與結(jié)果分析

3.1 原型系統(tǒng)實現(xiàn)

基于眾源時空信息的個性化路線服務(wù)平臺(圖2)運用眾源時空數(shù)據(jù)接入機(jī)制與智能路線規(guī)劃、語義軌跡數(shù)據(jù)的組織查詢機(jī)制、前后端與線下平臺的協(xié)作機(jī)制等核心技術(shù)，為用戶動態(tài)規(guī)劃智能出行方案，其系統(tǒng)架構(gòu)包括前端、后端服務(wù)器、數(shù)據(jù)庫、網(wǎng)絡(luò)四方面。前端即搭載的微信小程序，接收數(shù)據(jù)平臺發(fā)布的數(shù)據(jù)并驗證其可靠性，提供個性化旅游路線設(shè)計、歷史軌跡搜索、景點介紹、用戶留言板、出行圖片發(fā)布等功能，可及時、準(zhǔn)確、完整地根據(jù)用戶偏好和實際路網(wǎng)信息為用戶提供個性化路線服務(wù)；用戶通過微信小程序搜索引擎和軌跡語義查詢，獲取不同主題的景點推薦度、周邊服務(wù)等信息。后端服務(wù)器由基礎(chǔ)GIS服務(wù)構(gòu)成，包括騰訊在線地圖開放平臺和云端服務(wù)器。騰訊在線地圖開放平臺可以提供實時路網(wǎng)數(shù)據(jù)、興趣點數(shù)據(jù)，通過調(diào)用騰訊地圖服務(wù)提供的API接口完成相關(guān)算法。后臺的核心數(shù)據(jù)管理部分是基于騰訊云端服務(wù)器(AMD EPYCTMRome 2核、八通道DDR4 4 G內(nèi)存、5 Mbps帶寬)部署的SSM框架，即通過Spring的IOC特性和AOP特性實現(xiàn)對象間的依賴關(guān)系并支撐便捷解耦，通過SpringMVC與Spring的無縫鏈接實現(xiàn)靈活的數(shù)據(jù)驗證、格式化和數(shù)據(jù)綁定機(jī)制，通過MyBatis實現(xiàn)業(yè)務(wù)系統(tǒng)對后臺MySQL數(shù)據(jù)庫的管理和維護(hù)。面對業(yè)務(wù)突增帶來的資源不足問題，騰訊云服務(wù)器可隨時在線增加服務(wù)器的CPU、內(nèi)存、硬盤及帶寬等配置[36]，或增加服務(wù)器數(shù)量以解決問題。

圖2 個性化路線服務(wù)平臺——TinspirationFig.2 Personalized routing service platform——Tinspiration

3.2 實驗區(qū)與數(shù)據(jù)

長沙市是我國中部崛起和長江中游城市群的重要戰(zhàn)略支點，2019年開始從傳統(tǒng)意義上的智慧城市向新型智慧城市演進(jìn)，2021年入選“智慧城市+智能網(wǎng)聯(lián)汽車”首批國家試點。岳麓區(qū)是長沙市獨立的行政建置，常住人口數(shù)量位居長沙市各縣市區(qū)之首，擁有岳麓山等生態(tài)景觀、岳麓書院等89處文物保護(hù)單位、中南大學(xué)等16所高校，因此，本文重點選取長沙主城區(qū)的岳麓區(qū)為研究區(qū)域，研究基于眾源地理數(shù)據(jù)的個性化路線服務(wù)體系。研究數(shù)據(jù)包括從OSM平臺獲取的實驗區(qū)2019年實際路網(wǎng)數(shù)據(jù)，并根據(jù)不同主題的大眾推薦度從百度地圖開放平臺獲取76個POI作為實驗點，將其分為大學(xué)、主題樂園、古跡、劇院等12個主題。

3.3 實驗結(jié)果對比分析

本研究進(jìn)行兩組實驗，實驗1選取大學(xué)、公園、主題樂園、古跡、博物館、劇院6個主題為實驗對象，實驗2選取名山、商場、公園、劇院、大學(xué)、車站6個主題為實驗對象。為驗證不同時段POI熱度值對路線規(guī)劃的影響，本文獲取不同月份的POI熱度數(shù)據(jù)分別進(jìn)行實驗。將POI熱度劃分為0～0.2、0.2～0.4、0.4～0.6、0.6～0.8、0.8～1.0共5個等級，通過改進(jìn)的HMM模型得到不同月份的最優(yōu)路線(圖3、圖4)。由圖3、圖4可知，隨著月份改變，路線也發(fā)生相應(yīng)變化，緣于人們在不同月份對POI的關(guān)注度不同。例如，實驗1中，5-6月世界之窗的大眾推薦度高于海底世界，而在7-9月大眾更偏向后者，主要是因為7-9月天氣酷熱，不適宜室外主題樂園游玩。隨著POI關(guān)注度提升，規(guī)劃路線對其選擇率也增大，但由于距離因素，關(guān)注度最高的POI并不意味著最佳選擇。本文同時考慮POI間的路線距離等因素計算出最優(yōu)路線，且在大多數(shù)路線中，候選點一般是該主題中大眾推薦度最高的POI。例如，實驗2中，5-12月的最優(yōu)路線保持一致，說明選取名山、商場、公園、劇院、大學(xué)、車站6個主題規(guī)劃路線所展示的POI推薦度最高，進(jìn)而說明在改進(jìn)的HMM模型中，熱度數(shù)據(jù)作為一個影響因素與POI的選擇關(guān)系密切。

圖3 實驗1 中6個主題不同月份的最優(yōu)路線Fig.3 Optimal routes of six subjects in each month in experiment 1

圖4 實驗2中6個主題不同月份的最優(yōu)路線Fig.4 Optimal routes of six subjects in each month in experiment 2

實驗1和實驗2分別基于1月份和9月份數(shù)據(jù)，對本文改進(jìn)的HMM模型與傳統(tǒng)HMM模型和最短路徑分析方法進(jìn)行對比(圖5、圖6)。傳統(tǒng)HMM模型僅依據(jù)已有的POI規(guī)劃路線，不考慮POI的大眾推薦度，其提供的規(guī)劃路線與本文方法在博物館、主題樂園、大學(xué)3個主題中選取的POI熱度等級區(qū)別很大，選取的皆是熱度等級最低的POI(圖5)，獲取的路線并未融合大眾偏好。最短路徑分析方法僅考慮了距離因素，忽略了其他影響個性化路線規(guī)劃的因素，其提供的規(guī)劃路線僅選取了途經(jīng)名山、商場、公園、劇院、大學(xué)、車站6個主題中路線最短的POI，規(guī)劃路線在商場主題中僅考慮距離因素，選取POI熱度較低的萬達(dá)廣場(本文方法選取熱度值明顯高于萬達(dá)廣場的五一廣場)(圖6)。因此，傳統(tǒng)HMM模型與最短路徑分析方法得到的路線規(guī)劃結(jié)果可能只是由大眾推薦度較低的POI組成的一條相對不受歡迎的路線，無法滿足出行者的個人意愿，對大眾吸引力較低。本文改進(jìn)的HMM模型根據(jù)狀態(tài)序列隨時間變化而建模，將時空特征與靜態(tài)數(shù)據(jù)相結(jié)合，不僅考慮了不同時期POI與環(huán)境間的相互作用對人們出行的影響，還考慮了不同月份POI的熱度值，得到的路線與POI熱度符合率較高(圖5、圖6)，可在短時間內(nèi)提供滿足用戶需求的最優(yōu)路線。

圖5 實驗1基于1月份數(shù)據(jù)3種方法獲得的最優(yōu)路線Fig.5 Optimal routes obtained by three methods based on the data in January in experiment 1

圖6 實驗2基于9月份數(shù)據(jù)3種方法獲得的最優(yōu)路線Fig.6 Optimal routes obtained by three methods based on the data in September in experiment 2

4 結(jié)語

本文提出基于眾源地理數(shù)據(jù)的個性化路線服務(wù)框架：基于全局路網(wǎng)與眾源數(shù)據(jù)的聯(lián)系，將眾源時空信息與出行者的個人意愿映射到實際路網(wǎng)空間，借助改進(jìn)的HMM模型進(jìn)行動態(tài)建模，最后選取長沙市岳麓區(qū)不同月份的POI熱度數(shù)據(jù)進(jìn)行實驗。結(jié)果表明，基于眾源地理數(shù)據(jù)的個性化路線服務(wù)框架可根據(jù)大眾的偏好與意向，在短時間內(nèi)靈活規(guī)劃不同時空背景下的出行路線，能夠響應(yīng)用戶的多樣化需求，設(shè)計出一條貼合用戶特質(zhì)和偏好的出行路線，極大提升用戶的體驗感受，以此助力智慧城市的建設(shè)，打造文旅融合新生態(tài)。本研究在以下方面有待進(jìn)一步探討：1)保護(hù)用戶隱私，借鑒其他方法完善基于眾源時空信息的個性化路線服務(wù)平臺；2)完善服務(wù)器應(yīng)急機(jī)制，以應(yīng)對突發(fā)情況下的數(shù)據(jù)穩(wěn)定獲取問題。