CN116757348A - 一种基于人工智能的出行信息智能规划管理系统及方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的出行信息智能规划管理系统及方法，属于出行信息管理领域，该出行智能规划系统包括出行监测模块、数据整合模块、出行分析模块和出行导航模块，出行监测模块用于对目标用户的出行数据和出行经过的商家数据进行监测，数据整合模块用于对采集的数据和分析结果进行存储和加密，并对存储的数据进行清理，出行分析模块用于对目标用户的出行信息进行智能分析，出行导航模块用于根据分析结果，对目标用户展示智能最佳出行规划路线。本发明通过对用户的出行数据和经过商家数据进行分析，构建出行规划模型，智能选择最佳出行途径地点，无需用户在出行前查找资料，节省用户出行之前的准备时间，提高用户的出行体验。

Description

一种基于人工智能的出行信息智能规划管理系统及方法

技术领域

本发明涉及出行信息管理领域，具体为一种基于人工智能的出行信息智能规划管理系统及方法。

背景技术

随着科技的发展，人工智能逐渐在人们的生活中普及开，人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术科学，它是计算机科学的一个分支，旨在生产出一种能以人类智能相似的方式做出反应的智能机器，人工智能可以对人的意识、思维的信息进行处理和决策，人工智能的研究和应用范围非常广泛，在智慧出行行业，人工智能也发挥着重要作用，例如人工智实现车辆的自主协同控制、提高导航的精确度和利用智能语音优化交互体验等。

用户在出行的过程中，常常会经过多个地点，例如旅行等，需要用户提前进行行程规划，在现有技术中，用户需要提前查询资料，在导航软件中选择所有想要前往的地点，导航系统再进行路线规划，通过这种方式，用户在出行之前需要花费大量时间在网络上查询攻略，再进行地点的选择，花费用户大量的时间成本，但是却并未考虑到用户的实际出行情况，例如用户想要前往的一个地点，该地点的排队等候的人员数量大，导致用户到达该地点后需要长时间等待，存在影响之后的行程安排的情况，影响用户的出行体验。

由此看来，如何为用户智能选择最佳出行途径地点，如何节省用户出行之前的准备时间，提高用户的出行体验是十分有必要的。因此，需要一种基于人工智能的出行信息智能规划管理系统及方法。

发明内容

本发明的目的在于提供一种基于人工智能的出行信息智能规划管理系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的出行信息智能规划管理方法，包括下列步骤：

S1、对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，行程属性标签指用户在出行过程中的目的要求，对途经节点的商家信息进行实时监测，途经节点指用户出行的过程中可能经过的商家或旅游景点等位置，对交通情况进行实时监测，采集目标用户的历史出行数据，预先在系统录入基础信息；

S2、根据采集的出行信息，筛选出符合目标用户需求的商家作为途经节点，对作为途经节点的商家的客户数量进行预测分析，对目标用户到达作为途经节点的商家之后的等待时间进行预测分析；

S3、根据采集的商家信息，对商家的属性指数进行计算，同时根据步骤S2中预测的目标用户等待时间，构建出行规划模型，对途经节点进行智能筛选，对目标用户的出行进行智能规划；

S4、根据步骤S3中分析规划的目标用户出行情况，通过显示设备对目标用户进行信息展示，并通过语音进行信息播报。

进一步的，在步骤S1中，对目标用户的出发地位置和出行目的地位置进行采集，目标用户选择行程属性，结合预先录入的电子地图，对途经节点进行位置采集，通过摄像设备对途经节点的营业情况进行实时监测。

进一步的，在步骤S2中，包括下列步骤：

S201、采集目标用户的行程属性标签，根据系统预先录入的商家属性标签，通过标签匹配，结合目标用户的出发地位置、出行目的地位置和电子地图，筛选出符合目标用户需求的商家作为途经节点，预计目标用户到达作为途经节点的商家的时间，对于目标用户到达商家的时间预计方法为现有技术，在此不作过多赘述；

S202、根据摄像设备采集的图像信息，对商家的营业情况进行采集，当判断作为途经节点的商家处于暂停营业状态时，直接进入步骤S3；

当判断作为途经节点的商家处于营业中时，通过轮廓提取技术，对途经节点采集的图像中的客户轮廓图像进行提取，获取图像中的排队等候客户数量，则该途经节点的数据集为S＝{K₁，K₂，…，K_d}，其中，d表示为数据采集的天数，该数值由相关技术人员预先进行设置，每天刷新数据集，自动删除数据集中最早一天的数据，设置时间间隔为T，该途经节点第i天的客户数量形成集合K_i＝{k₁，k₂，…，k_n}，其中，n表示为一天中包含的时间间隔数量；

S203、通过下列公式对该途经节点在第d+1天的第p个时间间隔的客户数量预测值k进行计算：

k＝a₁×k^*+a₂×K^*；

其中，p表示为目标用户预计到达商家的时间间隔，p∈[1，n]，a₁和a₂表示为权值参数，由相关技术人员预先进行设置；k^*表示为时间间隔预测值，根据在第d+1天第1个时间间隔到第p-1个时间间隔监测到的客户数量进行预测分析，u表示为时间间隔参数，该数值由相关技术人员预先进行设置，u∈[0，1]，j表示为变量，k_(d+1)(p-j)表示为数据采集第d+1天的第p-j个时间间隔监测到的客户数量，k_(d+1)1表示为数据采集第d+1天的第1个时间间隔监测到的客户数量；K^*表示为天数预测值，根据第1天到第d天的第p个时间间隔监测到的客户数量进行预测分析，v表示为天数参数，该数值由相关技术人员预先进行设置，v∈[0，1]，k表示为变量，k_(d+1-k)p表示为数据采集第(d+1-k)天的第p个时间间隔监测到的客户数量，k_1p表示为数据采集第1天的第p个时间间隔检测得到的客户数量；

S204、根据历史图像数据，通过下列公式对目标用户等待时间进行预测计算：

其中，Δt表示为第d+1天的第1个时间间隔最后一个用户离开时间与最后一个用户开始排队时间的时间差值，k_x表示为第d+1天的第1个时间间隔最后一个用户开始排队时在最后一个用户之前排队的客户数量，kΓ表示为当前时间间隔商家的客户数量预测值，k_当前表示为通过摄像设备采集的当前时刻商家的实际排队客户数量，k_时表示为当前时间与当前时间间隔开始时间的时间差值内的实际客户量；λ表示为在当前时间间隔的下一时间间隔到第p-1个时间间隔的客户数量预测值的总和；Δt′表示目标用户到达商家的时间与第p个时间间隔开始时间的时间差值，t_去表示为预计目标用户到达商家的时间间隔；

当k′-k_时＜0时，即当前时间与当前时间间隔开始时间的时间差值内的实际客户数量大于当前时间间隔商家的客户数量预测值，表示当前时间间隔商家排队客户数量极大，筛除该商家；当kΓ-k_当前≥0时，即当前时间与当前时间间隔开始时间的时间差值内的实际客户数量小于当前时间间隔商家的客户数量预测值，进入步骤S205；

S205、对所有判断作为途经节点的商家重复步骤S202-S204，进入步骤S3。

进一步的，在步骤S3中，包括下列步骤：

S301、当判断作为途经节点的商家处于暂停营业状态时，进入步骤S304；当判断作为途经节点的商家处于营业状态时，进入步骤S302；

S302、根据预先录入的商家属性标签，得到集合H＝{h₁，h₂，…，h_c}，其中，c表示为商家属性种类数量，h_c表示为第c种商家属性标签，对目标客户的历史出行数据进行采集，得到集合F＝{(h₁，f₁)，(h₂，f₂)，…，(h_c，f_c)}，其中，(h_c，f_c)表示为第h_c种商家属性标签的出行记录有f_c次，通过下列公式对用户第h_e种商家属性标签的属性指数Z_e进行计算：

其中，f_e表示为第h_e种商家属性标签的出行记录数量，e∈[1，c]，对所有种类的商家属性标签的属性指数进行计算，根据属性指数值，绘制图表，根据方差计算公式目标用户出行目的的类型变化；

对所有商家属性标签的属性指数进行计算；

S303、根据对途经节点的商家信息进行实时监测，对于商家g，在时间段L中，该时间段由相关技术人员预先进行设置，采集前往商家g的用户数量A和对商家g的评价，对商家g的好评占比w进行统计，对商家g以及与商家g的商家属性标签相同的商家总数量B进行统计，通过城市电子地图，得到相同商家属性标签的商家到目标用户出发地位置的距离形成集合Y＝{y₁，y₂，…，y_B}，其中，y_B表示为第B个商家到目标用户出发地位置的距离；

S304、构建出行规划模型，通过下列公式对商家g的出行综合选择指数α_g进行计算：

其中，μ表示为营业参数，当商家处于营业状态时，μ＝1，当商家处于暂停营业状态时，μ＝0，根据营业参数，能够避免用户在商界未营业状态前往，节省用户的时间成本和经济成本，提高了用户的出行体验，Z表示为商家g的商家属性标签的属性指数，t_g等表示为目标用户到达商家g后预测的等待时间，σ表示为出发参数，该参数由相关技术人员预先进行设置，t_g去表示为预计目标用户到达商家g的时间间隔，δ表示为距离参数，该参数由相关技术人员预先进行设置，y表示为商家g到目标用户出发地位置的距离；当预测的目标用户等待时间越长、到达商家g的时间间隔越长、商家距离目标用户出发地位置越远、商家属性标签的属性指数越小和对商家的好评占比越低，商家的出行综合选择指数越低，反之，当预测的目标用户等待时间越短、到达商家g的时间间隔越短、商家距离目标用户出发地位置越近、商家属性标签的属性指数越大和对商家的好评占比越高，商家的出行综合选择指数越高；

S305、对所有筛选出符合目标用户需求作为途经节点的商家重复步骤S301-S303，得到所有作为途经节点的商家的出行综合选择指数。

进一步的，在步骤S4中，包括下列步骤：

S401、根据步骤S3中分析的出行综合选择指数，按照由高到低进行排序，对一级途经节点进行选择；

S402、将选择的一级途经节点设置为目标用户的出发地，重复步骤S2-S401，对二级途经节点进行选择；

S403、对其余途经节点重复步骤S402进行选择，直至到达出行目的地位置，即第N个选择的途经节点到第N+1个预测的途经节点的距离大于第N个选择的途经节点到出行目的地的距离；

S404、根据选择的途经节点结合电子地图，对目标用户的出发地位置、出行目的地位置和途经节点位置之间进行通过最优路径算法进行出行规划，形成出行规划建议路线，通过显示设备，对用户进行展示，并通过语音进行路线引导。

一种基于人工智能的出行信息智能规划管理系统，该出行智能规划系统包括：出行监测模块和出行分析模块；

所述出行监测模块的输出端与出行分析模块的输入端相连接；

所述出行监测模块用于对目标用户的出行数据和出行经过的商家数据进行监测，包括用户数据采集单元、途经节点监测单元和基础设置单元，所述用户数据采集单元用于对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，对目标用户的历史出行数据进行采集，所述途经节点监测单元用于对商家信息和前往商家的交通情况进行实时监测，所述基础设置单元用于预先在系统录入基础信息；

所述出行分析模块用于对目标用户的出行信息进行智能分析，包括商家预测单元和节点选择单元，所述商家预测单元用于根据采集的数据信息，对途经节点的客户数量进行预测分析，对目标用户到达途经节点后的等待时间进行预测分析，所述节点选择单元用于构建出行规划模型，对途经节点进行智能筛选分析，对目标用户的出行进行智能规划。

进一步的，该出行智能规划系统还包括：数据整合模块；

所述数据整合模块的输入端与出行监测模块的输出端相连接，数据整合模块的输出端与出行分析模块的输入端相连接，出行分析模块的输出端与数据整合模块的输入端相连接；

所述数据整合模块用于对采集的数据和分析结果进行存储和加密，并对存储的数据进行清理，包括安全管理单元和智能清理单元，所述安全管理单元通过分布式存储方式对数据进行加密存储，分布式存储就是将数据分散存储到多个存储服务器上，并将这些分散的存储资源构成一个虚拟的存储设备，实际上数据分散的存储在企业的各个角落。分布式存储的好处是提高了系统的可靠性、可用性和存取效率，还易于扩展，所述智能清理单元用于在采集到新一天数据时，自动删除系统中存储的时间最久的一天的数据，即与当前时间的时间间隔最大的一天的数据，节省了系统的存储空间，提高了系统的存储效率，保障了数据的安全，避免目标用户的出行信息泄露。

进一步的，该出行智能规划系统还包括：出行导航模块；

所述出行导航模块的输入端与出行分析模块的输出端相连接；

所述出行导航模块用于根据分析结果，对目标用户展示智能最佳出行规划路线，包括智能显示单元和语音指引单元，所述智能显示单元用于通过显示设备，对目标用户显示最佳出行规划路线，所述语音指引单元用于通过语音对用户进行路线实时播报。

与现有技术相比，本发明所达到的有益效果是：

本发明通过对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，对途经节点的商家信息进行实时监测，对交通情况进行实时监测，采集目标用户的历史出行数据，筛选出符合目标用户需求的商家作为途经节点，通过筛选数据，减少数据运算的复杂程度，对作为途经节点的营业中的商家的客户数量进行预测分析，对目标用户到达作为途经节点的商家之后的等待时间进行预测分析，通过筛选，避免出现分析后引导用户到达商家却出现商家暂停营业的情况出现，通过对商家的属性指数进行计算结合预测的目标用户等待时间，构建出行规划模型，综合考虑商家的具体情况，智能选择最佳出行途径地点，无需用户在出行前查找资料，节省用户出行之前的准备时间，提高用户的出行体验，同时能够减少用户的排队等候时间，给用户带来极大的便利。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于人工智能的出行信息智能规划管理方法的步骤流程图；

图2是本发明一种基于人工智能的出行信息智能规划管理系统的模块组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供技术方案：一种基于人工智能的出行信息智能规划管理方法，图1为步骤流程图，包括下列步骤：

S1、对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，行程属性标签指用户在出行过程中的目的要求，例如旅行、餐饮和办公等，对途经节点的商家信息进行实时监测，途经节点指用户出行的过程中可能经过的商家或旅游景点等位置，对交通情况进行实时监测，采集目标用户的历史出行数据，预先在系统录入基础信息，例如商家属性标签、城市电子地图、运算预置参数和途经节点属性等；

在步骤S1中，对目标用户的出发地位置和出行目的地位置进行采集，目标用户选择行程属性，结合预先录入的电子地图，对途经节点进行位置采集，通过摄像设备对途经节点的营业情况进行实时监测，例如通过街边的安全摄像头或商家店内的摄像头等。

S2、根据采集的出行信息，筛选出符合目标用户需求的商家作为途经节点，对作为途经节点的商家的客户数量进行预测分析，对目标用户到达作为途经节点的商家之后的等待时间进行预测分析；

在步骤S2中，包括下列步骤：

S201、采集目标用户的行程属性标签，根据系统预先录入的商家属性标签，通过标签匹配，结合目标用户的出发地位置、出行目的地位置和电子地图，筛选出符合目标用户需求的商家作为途经节点，预计目标用户到达作为途经节点的商家的时间，对于目标用户到达商家的时间预计方法为现有技术，在此不作过多赘述；

S202、根据摄像设备采集的图像信息，对商家的营业情况进行采集，例如通过图像检测是否有客户进入等，当判断作为途经节点的商家处于暂停营业状态时，直接进入步骤S3；

当判断作为途经节点的商家处于营业中时，通过轮廓提取技术，对途经节点采集的图像中的客户轮廓图像进行提取，获取图像中的排队等候客户数量，则该途经节点的数据集为S＝{K₁，K₂，…，K_d}，其中，d表示为数据采集的天数，该数值由相关技术人员预先进行设置，每天刷新数据集，自动删除数据集中最早一天的数据，设置时间间隔为T，该途经节点第i天的客户数量形成集合K_i＝{k₁，k₂，…，k_n}，其中，n表示为一天中包含的时间间隔数量；

S203、通过下列公式对该途经节点在第d+1天的第p个时间间隔的客户数量预测值k进行计算：

k＝a₁×k^*+a₂×K^*；

其中，p表示为目标用户预计到达商家的时间间隔，p∈[1，n]，a₁和a₂表示为权值参数，由相关技术人员预先进行设置；k^*表示为时间间隔预测值，根据在第d+1天第1个时间间隔到第p-1个时间间隔监测到的客户数量进行预测分析，u表示为时间间隔参数，该数值由相关技术人员预先进行设置，u∈[0，1]，j表示为变量，k_(d+1)(p-j)表示为数据采集第d+1天的第p-j个时间间隔监测到的客户数量，k_(d+1)1表示为数据采集第d+1天的第1个时间间隔监测到的客户数量；K^*表示为天数预测值，根据第1天到第d天的第p个时间间隔监测到的客户数量进行预测分析，v表示为天数参数，该数值由相关技术人员预先进行设置，v∈[0，1]，k表示为变量，k_(d+1-k)p表示为数据采集第(d+1-k)天的第p个时间间隔监测到的客户数量，k_1p表示为采集数据第1天的第p个时间间隔检测得到的客户数量；

S204、根据历史图像数据，通过下列公式对目标用户等待时间进行预测计算：

其中，Δt表示为第d+1天的第1个时间间隔最后一个用户离开时间与最后一个用户开始排队时间的时间差值，k_x表示为第d+1天的第1个时间间隔最后一个用户开始排队时在最后一个用户之前排队的客户数量，k′表示为当前时间间隔商家的客户数量预测值，k_当前表示为通过摄像设备采集的当前时刻商家的实际排队客户数量，k_时表示为当前时间与当前时间间隔开始时间的时间差值内的实际客户量；λ表示为在当前时间间隔的下一时间间隔到第p-1个时间间隔的客户数量预测值的总和；Δt′表示目标用户到达商家的时间与第p个时间间隔开始时间的时间差值，t_去表示为预计目标用户到达商家的时间间隔；

当k′-k_时＜0时，即当前时间与当前时间间隔开始时间的时间差值内的实际客户数量大于当前时间间隔商家的客户数量预测值，表示当前时间间隔商家排队客户数量极大，筛除该商家；当k′-k_当前≥0时，即当前时间与当前时间间隔开始时间的时间差值内的实际客户数量小于当前时间间隔商家的客户数量预测值，进入步骤S205；

S205、对所有判断作为途经节点的商家重复步骤S202-S204，进入步骤S3。

S3、根据采集的商家信息，对商家的属性指数进行计算，同时根据步骤S2中预测的目标用户等待时间，构建出行规划模型，对途经节点进行智能筛选，对目标用户的出行进行智能规划；

在步骤S3中，包括下列步骤：

S301、当判断作为途经节点的商家处于暂停营业状态时，进入步骤S304；当判断作为途经节点的商家处于营业状态时，进入步骤S302；

S302、根据预先录入的商家属性标签，得到集合H＝{h₁，h₂，…，h_c}，其中，c表示为商家属性种类数量，h_c表示为第c种商家属性标签，本实施例的商家属性标签包括休闲、娱乐和餐饮等，对目标客户的历史出行数据进行采集，得到集合F＝{(h₁，f₁)，(h₂，f₂)，…，(h_c，f_c)}，其中，(h_c，f_c)表示为第h_c种商家属性标签的出行记录有f_c次，通过下列公式对用户第h_e种商家属性标签的属性指数Z_e进行计算：

其中，f_e表示为第h_e种商家属性标签的出行记录数量，e∈[1，c]，对所有种类的商家属性标签的属性指数进行计算，根据属性指数值，绘制图表，例如柱状图或折线图等，根据方差计算公式目标用户出行目的的类型变化；

对所有商家属性标签的属性指数进行计算；

S303、根据对途经节点的商家信息进行实时监测，对于商家g，在时间段L中，该时间段由相关技术人员预先进行设置，例如一个月或一个季度等，采集前往商家g的用户数量A和对商家g的评价，对商家g的好评占比w进行统计，对商家g以及与商家g的商家属性标签相同的商家总数量B进行统计，通过城市电子地图，得到相同商家属性标签的商家到目标用户出发地位置的距离形成集合Y＝{y₁，y₂，…，y_B}，其中，y_B表示为第B个商家到目标用户出发地位置的距离；

S304、构建出行规划模型，通过下列公式对商家g的出行综合选择指数α_g进行计算：

其中，μ表示为营业参数，当商家处于营业状态时，μ＝1，当商家处于暂停营业状态时，μ＝0，根据营业参数，能够避免用户在商界未营业状态前往，节省用户的时间成本和经济成本，提高了用户的出行体验，Z表示为商家g的商家属性标签的属性指数，t_g等表示为目标用户到达商家g后预测的等待时间，σ表示为出发参数，该参数由相关技术人员预先进行设置，t_g去表示为预计目标用户到达商家g的时间间隔，δ表示为距离参数，该参数由相关技术人员预先进行设置，y表示为商家g到目标用户出发地位置的距离；当预测的目标用户等待时间越长、到达商家g的时间间隔越长、商家距离目标用户出发地位置越远、商家属性标签的属性指数越小和对商家的好评占比越低，商家的出行综合选择指数越低，反之，当预测的目标用户等待时间越短、到达商家g的时间间隔越短、商家距离目标用户出发地位置越近、商家属性标签的属性指数越大和对商家的好评占比越高，商家的出行综合选择指数越高；

S305、对所有筛选出符合目标用户需求作为途经节点的商家重复步骤S301-S303，得到所有作为途经节点的商家的出行综合选择指数。

S4、根据步骤S3中分析规划的目标用户出行情况，通过显示设备对目标用户进行信息展示，并通过语音进行信息播报。

在步骤S4中，包括下列步骤：

S401、根据步骤S3中分析的出行综合选择指数，按照由高到低进行排序，对一级途经节点进行选择；

S402、将选择的一级途经节点设置为目标用户的出发地，重复步骤S2-S401，对二级途经节点进行选择；

S403、对其余途经节点重复步骤S402进行选择，直至到达出行目的地位置，即第N个选择的途经节点到第N+1个预测的途经节点的距离大于第N个选择的途经节点到出行目的地的距离；

S404、根据选择的途经节点结合电子地图，对目标用户的出发地位置、出行目的地位置和途经节点位置之间进行通过最优路径算法进行出行规划，形成出行规划建议路线，通过显示设备，例如车辆的中控屏幕或手机等，对用户进行展示，并通过语音进行路线引导。

一种基于人工智能的出行信息智能规划管理系统，图2位模块组成示意图，该出行智能规划系统包括：出行监测模块和出行分析模块；

所述出行监测模块的输出端与出行分析模块的输入端相连接；

所述出行监测模块用于对目标用户的出行数据和出行经过的商家数据进行监测，包括用户数据采集单元、途经节点监测单元和基础设置单元，所述用户数据采集单元用于对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，对目标用户的历史出行数据进行采集，所述途经节点监测单元用于对商家信息和前往商家的交通情况进行实时监测，所述基础设置单元用于预先在系统录入基础信息，例如商家属性标签、城市电子地图、运算预置参数和途经节点属性等；

所述出行分析模块用于对目标用户的出行信息进行智能分析，包括商家预测单元和节点选择单元，所述商家预测单元用于根据采集的数据信息，对途经节点的客户数量进行预测分析，对目标用户到达途经节点后的等待时间进行预测分析，所述节点选择单元用于构建出行规划模型，对途经节点进行智能筛选分析，对目标用户的出行进行智能规划。

该出行智能规划系统还包括：数据整合模块；

所述数据整合模块的输入端与出行监测模块的输出端相连接，数据整合模块的输出端与出行分析模块的输入端相连接，出行分析模块的输出端与数据整合模块的输入端相连接；

所述数据整合模块用于对采集的数据和分析结果进行存储和加密，并对存储的数据进行清理，包括安全管理单元和智能清理单元，所述安全管理单元通过分布式存储方式对数据进行加密存储，分布式存储就是将数据分散存储到多个存储服务器上，并将这些分散的存储资源构成一个虚拟的存储设备，实际上数据分散的存储在企业的各个角落。分布式存储的好处是提高了系统的可靠性、可用性和存取效率，还易于扩展，所述智能清理单元用于在采集到新一天数据时，自动删除系统中存储的时间最久的一天的数据，即与当前时间的时间间隔最大的一天的数据，节省了系统的存储空间，提高了系统的存储效率，保障了数据的安全，避免目标用户的出行信息泄露。

该出行智能规划系统还包括：出行导航模块；

所述出行导航模块的输入端与出行分析模块的输出端相连接；

所述出行导航模块用于根据分析结果，对目标用户展示智能最佳出行规划路线，包括智能显示单元和语音指引单元，所述智能显示单元用于通过显示设备，例如车载电脑或手机等，对目标用户显示最佳出行规划路线，所述语音指引单元用于通过语音对用户进行路线实时播报，避免用户在开车出行的过程中无法一直查看显示设备导致走错路线的情况发生，提高了用户的出行体验。

实施例1：

若存在营业中的商家a，b，c可供选择成为途经节点，时间间隔均为1小时，用户到达商家后的客户数量预测值分别为：k_a＝a₁×k^*+a₂×K^*＝10人，k_b＝a₁×k^*+a₂×K^*＝15人，k_c＝a₁×k^*+a₂×K^*＝20人，若商家a的Δt为0.2小时，k_x为6人，Δt′为0.5小时，当前时间间隔商家的客户数量预测值为10人，通过摄像设备采集的当前时刻商家的实际排队客户数量为8人，k_时为8，λ为0，预计目标用户到达商家的时间间隔为0.1小时，则 小时，若商家b的Δt为0.3小时，k_x为8人，Δt′为0.7小时，当前时间间隔商家的客户数量预测值为10人，通过摄像设备采集的当前时刻商家的实际排队客户数量为8人，k_时为8，λ为0，预计目标用户到达商家的时间间隔为0.2小时，则/>小时，若商家c的Δt为0.4小时，k_x为10人，Δt′为1小时，当前时间间隔商家的客户数量预测值为10人，通过摄像设备采集的当前时刻商家的实际排队客户数量为9人，k_时为9，λ为0，预计目标用户到达商家的时间间隔为0.3小时，则/>小时；

出发参数和距离参数均为1，商家a，b，c的商家属性标签均一致，且属性指数 若商家a到目标用户出发地位置的距离为3千米，商家a的好评占比为0.9，预计目标用户到达商家a的时间间隔为0.1小时，则商家a的出行综合选择指数为/> 若商家b到目标用户出发地位置的距离为5千米，商家b的好评占比为0.7，预计目标用户到达商家b的时间间隔为0.2小时，则商家b的出行综合选择指数为/>若商家c到目标用户出发地位置的距离为10千米，商家c的好评占比为0.6，预计目标用户到达商家c的时间间隔为0.3小时，则商家c的出行综合选择指数为/>则α_a＞α_b＞α_c，选择商家a作为一级途经节点。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的出行信息智能规划管理方法，其特征在于：包括下列步骤：

S1、对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，对途经节点的商家信息进行实时监测，对交通情况进行实时监测，采集目标用户的历史出行数据，预先在系统录入基础信息；

S2、根据采集的出行信息，筛选出符合目标用户需求的商家作为途经节点，对作为途经节点的商家的客户数量进行预测分析，对目标用户到达作为途经节点的商家之后的等待时间进行预测分析；

S3、根据采集的商家信息，对商家的属性指数进行计算，同时根据步骤S2中预测的目标用户等待时间，构建出行规划模型，对途经节点进行智能筛选，对目标用户的出行进行智能规划；

S4、根据步骤S3中分析规划的目标用户出行情况，通过显示设备对目标用户进行信息展示，并通过语音进行信息播报。

2.根据权利要求1所述的一种基于人工智能的出行信息智能规划管理方法，其特征在于：在步骤S1中，对目标用户的出发地位置和出行目的地位置进行采集，目标用户选择行程属性，结合预先录入的电子地图，对途经节点进行位置采集，通过摄像设备对途经节点的营业情况进行实时监测。

3.根据权利要求2所述的一种基于人工智能的出行信息智能规划管理方法，其特征在于：在步骤S2中，包括下列步骤：

S201、采集目标用户的行程属性标签，根据系统预先录入的商家属性标签，通过标签匹配，结合目标用户的出发地位置、出行目的地位置和电子地图，筛选出符合目标用户需求的商家作为途经节点，预计目标用户到达作为途经节点的商家的时间；

S202、根据摄像设备采集的图像信息，对商家的营业情况进行采集，当判断作为途经节点的商家处于暂停营业状态时，直接进入步骤S3；

当判断作为途经节点的商家处于营业中时，通过轮廓提取技术，对途经节点采集的图像中的客户轮廓图像进行提取，获取图像中的排队等候客户数量，则该途经节点的数据集为S＝{K₁，K₂，…，K_d}，其中，d表示为数据采集的天数，设置时间间隔为T，该途经节点第i天的客户数量形成集合K_i＝{k₁，k₂，…，k_n}，其中，n表示为一天中包含的时间间隔数量；

S203、通过下列公式对该途经节点在第d+1天的第p个时间间隔的客户数量预测值k进行计算：

k＝a₁×k^*+a₂×K^*；

其中，p表示为目标用户预计到达商家的时间间隔，a₁和a₂表示为权值参数；k^*表示为时间间隔预测值，u表示为时间间隔参数，j表示为变量，k_(d+1)(p-j)表示为数据采集第d+1天的第p-j个时间间隔监测到的客户数量，k_(d+1)1表示为数据采集第d+1天的第1个时间间隔监测到的客户数量；K^*表示为天数预测值，v表示为天数参数，k表示为变量，k_(d+1-k)p表示为数据采集第(d+1-k)天的第p个时间间隔监测到的客户数量，k_1p表示为采集数据第1天的第p个时间间隔检测得到的客户数量；

S204、根据历史图像数据，通过下列公式对目标用户等待时间进行预测计算：

其中，Δt表示为第d+1天的第1个时间间隔最后一个用户离开时间与最后一个用户开始排队时间的时间差值，k_x表示为第d+1天的第1个时间间隔最后一个用户开始排队时在最后一个用户之前排队的客户数量，k'表示为当前时间间隔商家的客户数量预测值，k_当前表示为通过摄像设备采集的当前时刻商家的实际排队客户数量，k_时表示为当前时间与当前时间间隔开始时间的时间差值内的实际客户量；λ表示为在当前时间间隔的下一时间间隔到第p-1个时间间隔的客户数量预测值的总和；Δt'表示目标用户到达商家的时间与第p个时间间隔开始时间的时间差值，t_去表示为预计目标用户到达商家的时间间隔；

S205、对所有判断作为途经节点的商家重复步骤S202-S204，进入步骤S3。

4.根据权利要求3所述的一种基于人工智能的出行信息智能规划管理方法，其特征在于：在步骤S3中，包括下列步骤：

S301、当判断作为途经节点的商家处于暂停营业状态时，进入步骤S304；当判断作为途经节点的商家处于营业状态时，进入步骤S302；

S302、根据预先录入的商家属性标签，得到集合H＝{h₁，h₂，…，h_c}，其中，c表示为商家属性种类数量，h_c表示为第c种商家属性标签，对目标客户的历史出行数据进行采集，得到集合F＝{(h₁，f₁)，(h₂，f₂)，…，(h_c，f_c)}，其中，(h_c，f_c)表示为第h_c种商家属性标签的出行记录有f_c次，通过下列公式对用户第h_e种商家属性标签的属性指数Z_e进行计算：

其中，f_e表示为第h_e种商家属性标签的出行记录数量，e∈[1，c]，对所有种类的商家属性标签的属性指数进行计算，根据属性指数值，绘制图表，根据方差计算公式目标用户出行目的的类型变化；

对所有商家属性标签的属性指数进行计算；

S303、根据对途经节点的商家信息进行实时监测，对于商家g，在时间段L中，采集前往商家g的用户数量A和对商家g的评价，对商家g的好评占比w进行统计，对商家g以及与商家g的商家属性标签相同的商家总数量B进行统计，通过城市电子地图，得到相同商家属性标签的商家到目标用户出发地位置的距离形成集合Y＝{y₁，y₂，…，y_B}，其中，y_B表示为第B个商家到目标用户出发地位置的距离；

S304、构建出行规划模型，通过下列公式对商家g的出行综合选择指数α_g进行计算：

其中，μ表示为营业参数，当商家处于营业状态时，μ＝1，当商家处于暂停营业状态时，μ＝0，Z表示为商家g的商家属性标签的属性指数，t_g等表示为目标用户到达商家g后预测的等待时间，σ表示为出发参数，t_g去表示为预计目标用户到达商家g的时间间隔，δ表示为距离参数，y表示为商家g到目标用户出发地位置的距离；

S305、对所有筛选出符合目标用户需求作为途经节点的商家重复步骤S301-S303，得到所有作为途经节点的商家的出行综合选择指数。

5.根据权利要求4所述的一种基于人工智能的出行信息智能规划管理方法，其特征在于：在步骤S4中，包括下列步骤：

S401、根据步骤S3中分析的出行综合选择指数，按照由高到低进行排序，对一级途经节点进行选择；

S402、将选择的一级途经节点设置为目标用户的出发地，重复步骤S2-S401，对二级途经节点进行选择；

S403、对其余途经节点重复步骤S402进行选择，直至到达出行目的地位置；

S404、根据选择的途经节点结合电子地图，对目标用户的出发地位置、出行目的地位置和途经节点位置之间进行通过最优路径算法进行出行规划，形成出行规划建议路线，通过显示设备，对用户进行展示，并通过语音进行路线引导。

6.一种基于人工智能的出行信息智能规划管理系统，其特征在于：该出行智能规划系统包括：出行监测模块和出行分析模块；

所述出行监测模块的输出端与出行分析模块的输入端相连接；

所述出行监测模块用于对目标用户的出行数据和出行经过的商家数据进行监测，包括用户数据采集单元、途经节点监测单元和基础设置单元，所述用户数据采集单元用于对目标用户的出发地位置、出行目的地位置和行程属性标签进行采集，对目标用户的历史出行数据进行采集，所述途经节点监测单元用于对商家信息和前往商家的交通情况进行实时监测，所述基础设置单元用于预先在系统录入基础信息；

所述出行分析模块用于对目标用户的出行信息进行智能分析，包括商家预测单元和节点选择单元，所述商家预测单元用于根据采集的数据信息，对途经节点的客户数量进行预测分析，对目标用户到达途经节点后的等待时间进行预测分析，所述节点选择单元用于构建出行规划模型，对途经节点进行智能筛选分析，对目标用户的出行进行智能规划。

7.根据权利要求6所述的一种基于人工智能的出行信息智能规划管理系统，其特征在于：该出行智能规划系统还包括：数据整合模块；

所述数据整合模块的输入端与出行监测模块的输出端相连接，数据整合模块的输出端与出行分析模块的输入端相连接，出行分析模块的输出端与数据整合模块的输入端相连接；

所述数据整合模块用于对采集的数据和分析结果进行存储和加密，并对存储的数据进行清理，包括安全管理单元和智能清理单元，所述安全管理单元通过分布式存储方式对数据进行加密存储，所述智能清理单元用于在采集到新一天数据时，自动删除系统中存储的时间最久的一天的数据。

8.根据权利要求6所述的一种基于人工智能的出行信息智能规划管理系统，其特征在于：该出行智能规划系统还包括：出行导航模块；

所述出行导航模块的输入端与出行分析模块的输出端相连接；

所述出行导航模块用于根据分析结果，对目标用户展示智能最佳出行规划路线，包括智能显示单元和语音指引单元，所述智能显示单元用于通过显示设备，对目标用户显示最佳出行规划路线，所述语音指引单元用于通过语音对用户进行路线实时播报。