城市出租车出行系统研究.docVIP

城市出租车出行系统研究 　　摘要：当今社会，互联网行业蓬勃发展，使得网络上信息过载，于是推荐问题越来越受到重视，出租车出行的推荐也是近几年的研究热点之一。本文分析了出租车出行推荐的背景以及推荐系统的发展，分析了移动推荐系统的复杂性，并将出租车出行推荐抽象成移动序列推荐的问题，给出了相应的解决方案。 　　关键词：出租车出行推荐 推荐系统 移动序列推荐 　　中图分类号：U491 文献标识码：A 文章编号：1007-9416（2014）09-0110-01 　　1 引言 　　如今，出租车在人们的日常出行活动中承担着着越来越重要的职责。现今社会，有相当数量的一部分人在日常出行中选择出租车作为代步工具。空载出租车在道路上的行驶，不仅浪费了汽油，浪费了出租车司机的时间，同时也会对城市交通造成负担。同时，当人们长时间等待出租车却等不到空车的时候，很多人都会感到烦躁和焦虑。因此，如何提高出租车的利用率并有效减少能量消耗，节省乘客的等车时间是当前面临的一个紧迫问题。 　　2 推荐系统 　　推荐系统的目的是在互联网带来的信息过载情况下，帮助用户进行信息过滤，使其能快速找到符合个人需求的信息。移动环境下推荐系统的一个重要特色是可以进行带有时间或者位置约束的个性化推荐。 　　2.1 传统推荐系统的分类 　　（1）基于内容的推荐是根据目标用户过去选择的对象，推荐相关属性与之相似度最高的对象，从而对用户提出最符合偏好的推荐。基于内容的推荐系统核心在于待过滤信息的属性提取、用户兴趣模型的建立和相似度的计算。常用的算法模型有：信息检索、聚类、神经网络、遗传算法、决策树等。（2）基于协同过滤的推荐其实就是通过分析与目标用户兴趣相似的某些用户，然后将他们感兴趣的内容推荐给目标用户。这种算法主要分为三步：用户评分;寻找最近邻居;推荐。基于协同过滤的推荐系统是从用户的角度来进行推荐的，用户可以自动获得系统的推荐，不需要主动去搜索自己感兴趣的信息。（3）混合型推荐系统按照不同的混合策略（如加权、变换、混合呈现、特征组合、层叠、串联等）把基于内容的推荐系统和基于协同过滤的推荐系统相结合并生成推荐。通常有四种实现方式：分别实现基于内容和协同过滤的方法，最后将二者的预测结果进行整合;将基于内容推荐的一些方法加入协同过滤的模型;将协同过滤的方法加入基于内容的模型;用单一的规则将基于内容和协同过滤等方法整合起来。 　　2.2 移动推荐系统 　　移动推荐系统是传统推荐系统在移动互联网领域的拓展。由于移动网络环境比较复杂，所以需要充分、准确提取和预测移动用户在移动网络环境下对各种类型移动信息内容的偏好后，才能有效地对移动用户进行推荐。然而，移动用户处于移动网络环境，移动性强，其移动信息需求和对推荐的需要受上下文影响更大，受移动设备的处理速度慢、输入能力差、屏幕较小、无线网络的带宽小等因素的影响，使移动用户对实时性和精确度的要求更高，所以传统推荐方法并不能直接应用到移动推荐中。近年来国内外对移动推荐进行了大量的研究，并取得了许多成果。提出了一个用于将一系列载客点推荐给出租车司机的模型，使得出租车司机的收益最大化。该文献也把问题形式化为了移动序列推荐问题。提出了出租车司机寻找乘客的策略（漫游/等待）。该文献使用了L1-Norm SVM的学习方法来筛选出用于分类寻找乘客策略的特征。然而，因为实际移动环境的高度复杂性，许多研究工作仍需要进一步的深入下去。 　　3 出租车推荐系统实现 　　3.1 推荐问题抽象 　　由于路径信息本质上的异构性和复杂性，并且用户上下文信息比较模糊，因而，相比于传统推荐，基于位置的线路推荐面临很多问题。首先，需要解决对路径信息和目标推荐的抽象数据描述，并从中抽取出有用的经验数据;其次，设计适用于线路推荐场景的计算开销合理的推荐算法;此外，还要考虑推荐老化，时间空间自相关性等问题。进行出租车线路推荐的步骤如下：从出租车GPS轨迹数据中分析数据，抽象为以载客点和车辆路线组成的图，将载客率较高的司机线路上的载客点作为推荐点，作为进行推荐的经验数据;根据聚类算法产生载客点集合，就出租车所在地点进行移动序列推荐;根据潜在空载距离（Potential Travel Distance，PTD）函数，选出候选出租车驾驶线路。为了解决推荐老化的问题，采用轮询的方式对不同的出租车选择不同的候选线路推荐。在出租车线路推荐系统中，推荐的对象需要根据应用场景进行抽象并从实际数据中抽取，从而将问题进行简化，将上述问题抽象为对移动序列的推荐问题。 　　3.2 移动序列推荐（MSR）问题 　　为了解决MSR问题，找到PTD方程最小化的路径，可以采用多种算法解决。如果采用最简单的穷举法来遍历所有的候选路径，会具有较高的时空复杂度，推荐延时性比较严重。可以采用L