一种基于特征挖掘算法的个性化出行路线推荐方法

1.本发明属于个性化路线设定技术领域，具体涉及一种基于特征挖掘算法的个性化出行路线推荐方法。


背景技术：

2.随着移动互联网地图的出现，极大程度地方便了人们的出行，然而面对海量增长的地图数据，信息过量成为最直接问题，提高用户个性化体验的需求变的十分迫切。传统的旅游出行平台存在着推荐路线过多且没有针对性，不具备路线记录功能，也没有返程路线规划等功能，本发明参考传统的路线推荐方法，基于数据分析技术、深度学习技术、人工智能技术等提出一种结合用户习惯、行车轨迹、出行信息等信息的偏向个人喜好的个性化路线推荐方法，利用特征挖掘算法挖掘出车主常用路线信息，为用户提供合适的路线信息。根据挖掘的路线信息,搜索用户历史记录,基于用户特征模型，分析出用户的出行习惯，为用户推荐路线,将路径推荐结果等信息输入到数据库,根据用户需求是否记录并且保存路线以供多次使用，并且通过算法中的关联方法对返程路线进行关联性分析，以便用户直接调用。
3.目前传统的旅游出行平台主要运用一些路径规划的算法来规划出行路线，并不具备针对性，随着人们生活水平的提高，用户不在只想要单一的路线推荐，而是希望得到更加符合个人喜好的“专属”出行路线推荐。


技术实现要素：

4.为了克服现实中路况、环境、用户合适度等问题，本发明设计了一种基于特征挖掘算法的个性化出行路线推荐方法。
5.本发明所述的基于特征挖掘算法的个性化出行路线推荐方法，包括如下步骤：
6.步骤一、搜集用户基本信息,建立用户数据信息数据库；
7.步骤二、对用户的信息进行分析，建立用户特征模型；
8.步骤三、为用户推荐个性化出行路线。
9.进一步的，：所述步骤一、搜集的用户基本信息包括记录用户出行车辆路线、用户个人信息、环境信息。
10.进一步的，所述步骤二、对用户的信息进行分析，建立用户特征模型的具体过程是：
11.步骤1、将收集到的数据信息划分m个不相关的数据块，并发送到n个节点中；通过公示(1)产生全局的候选频繁项集
[0012][0013]
式中：op全局的候选频繁项集；∑z为数据格式化因子；m*n为将m划分为n个不相关的数据块；x为局部频繁项集；
[0014]
上述局部频繁项集的获取过程是：将收集到的数据设为项集c＝{a，b， c，d}，其中a，b，c，d分别代表“时间段”，“天气情况”,“道路情况”，”交通信息”等信息，a，b，c，d每个数据集又分为局部数据项集，例如：a＝{a1，a2，a3，
…an
}，其中a1，a2，a3，a4分别代表“晴天”“多云”“大雾”“小雨”“大雨”“雪天”等情况，假设最小支持度为 0.4，对局部数据集进行扫描，得到局部频繁数据集如：a
x
＝{a1，a3，a5}，生成局部频繁项集x＝{a
x
，b
x
，c
x
，d
x
}。
[0015]
步骤2、通过公示(2)计算数据中每个候选频繁项的支持频度，并按照支持度降序排列；
[0016]
support(ai＝b)＝p(ai∪b)
ꢀꢀꢀ
(2)
[0017]
式中：每种情况发生的次数为ai，总数据库为b；
[0018]
步骤3、利用得到的项头表和排序后的数据建立数据集，根据输出结果，产生相关关联，对数据库中的每一个操作进行分割，计算公式为：
[0019][0020]
式中：p为出行路线信息输出结果；z代表满足条件的数据；s1，s2 分别代表出行路线信息，代表了出行路线信息输出过程。
[0021]
进一步的，所述步骤三、为用户推荐个性化出行路线是根据出行目的地来调整路线和权重，改变推荐算法结果，计算公式如下：
[0022][0023]
式中：q代表用户信息；kn代表用户感兴趣度；g为路线推荐权重，|z| 为推荐算法优化因子，利用上述公式，不断重复计算生成新的出行路线，直至生成满意的结果。
[0024]
进一步的，所述记录用户出行车辆路线的方式有两种记录方式：第一种为人工记录方式，用户通过系统将走过的符合喜好的路线直接记录保存；第二种方式为机器记录方式，系统检测到用户近期常走路线并将其自动记录。
[0025]
进一步的，对所述人工记录的路线数据进行自学习，从中分析出用户的行车习惯及路线偏好特征，利用稀疏自编码器，从大量的数据中提取出用户行车习惯的特征，学习到更多数据的隐含特征；其步骤如下：
[0026]
(1)设置学习率、稀疏参数、迭代次数、神经元个数等参数，随机初始化权重w和偏置b，提取数据特征量，对数据库中保存的人工记录路线数据提取时间、路程、红绿灯、道路类别四种特征量；
[0027]
(2)对于四种特征量，作为稀疏自编码器的输入进行前向传递，获得四种路线特征量内在特征信息的稀疏性表达，保存训练结束后的稀疏自编码器的权重w1和偏置b1；
[0028]
(3)将得到的权重w1和偏置b1初始化神经网络的输入层和隐含层，重新设置神经网络，将人工记录路线数据作为训练样本，训练神经网络，提取特征，然后训练下一层，逐层训练；
[0029]
(4)利用提取的训练集特征，将其送入特征分类器，实现一个特征的分类；将用户特征存入“兴趣数据库”，从而达到通过自学习的方法，分析出用户记录路线，提取出用户个人习惯、行车喜好等特征。
[0030]
进一步的，返程路线的确定方法，包括如下步骤：
[0031]
(a)确定需要分析的数据，确定出行路线中的关键特征信息的参考数列和特征信息的比较数列；反映用户去程路线关键特征信息的数据序列，称为参考数列；影响返程路线推荐因素组成的数据序列，称比较数列；设参考序列为z＝z(k)|k＝1,2...n；比较序列为x＝x(k)|k＝1,2...n；
[0032]
(b)由于系统中各因素的物理意义不同，导致路线数据的量纲也可能不同，不便于相比较，于是为了减少路线数据的绝对数值的差异，将它们统一到近似的范围内，进行归一化处理；本文采用初值化处理，公式如下：
[0033][0034]
其中k对应时间段，i对应比较数列中的一行(即一个特征)；
[0035]
(c)计算关联系数，设i为路线数据上一个固定的特征值，也就是说对于某一个路线数据的因素，其中的每个维度进行计算，得到一个新的数据序列，这个序列中的每个值就代表着该返程路线序列中的特征值与去程路线序列中对应维度上的关联性(数字越大，代表关联性越强)，公式如下：
[0036][0037]
(d)关联度的计算，形成一个路线特征关联序列，关联系数是用户去程路线关键特征信息序列与返程路线推荐因素序列在各个时刻的关联程度值，所以它的数不止一个，因此将多个时刻的关联系数集中起来，即求其平均值，作为去程路线关键特征信息序列与返程路线推荐因素序列的数量表示，公式如下：
[0038][0039]
关联度的排序，通过以上公式，将计算出来的路线特征信息进行关联度排序，找出去程路线中各个关键特征点的最优关联数据信息，关联度越大，该返程推荐的路线与去程路线标准越相似。
[0040]
本发明的有益效果：本发明提供的这种基于sdn多控制器改进蚁群的负载均衡方法，通过将数据分析技术和深度学习技术的结合，基于数据挖掘算法尽可能的发掘用户兴趣特征，提升推荐结果的个性化和满意度，将行驶过的路线加入到检索结果中，再通过用户的反馈进行深度学习，从而得到更加符合用户需求的路径规划结果。同时不仅能记录用户保存行驶过的出行路线，供用户下一次出行时直接使用，还能在准备返程时根据对系统最终推荐的个性化去程路线进行分析直接推送出返程路线，便于用户返程时直接使用。
[0041]
以下将结合附图对本发明做进一步详细说明。
附图说明
[0042]
图1是出行路线推荐过程示意图。
[0043]
图2是相同交通信息产生不同出行行为示意图。
[0044]
图3是稀疏自编码器对数据进行训练示意图。
[0045]
图4是路线规划过程图。
[0046]
图5是关联性分析返程规划过程图。
[0047]
图6是路线规划方法流程图。
[0048]
图7是地图功能示意图。
[0049]
图8是路线示意图。
[0050]
图9是路线推荐示意图。
[0051]
图10是返程路线推荐示意图。
[0052]
图11是返程路线推荐示意图。
[0053]
图12是人工记录路线示意图。
具体实施方式
[0054]
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
[0055]
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它实施例，都属于本发明保护的范围。
[0056]
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“垂直”、“水平”、“对齐”、“重叠”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0057]
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0058]
实施例1
[0059]
如图1～4所示，基于特征挖掘算法的个性化出行路线推荐方法，包括如下步骤：
[0060]
步骤一、搜集用户基本信息,建立用户数据信息数据库；
[0061]
步骤二、对用户的信息进行分析，建立用户特征模型；
[0062]
步骤三、为用户推荐个性化出行路线。
[0063]
进一步的，所述步骤一、搜集的用户基本信息包括记录用户出行车辆路线、用户个人信息、环境信息。所述用户个人信息主要是指用户年龄、性别、职业、车辆类别、车辆类型等信息等，环境信息主要是出行时间段、天气状况、道路情况等信息；利用大数据分析技术对出行平台上的基本信息和必要属性进行分析，根据平台基本信息，结合用户已记录保存的路线的基本信息，进行数据的划分，比如出行时间段分为“周末”，“工作日”；天气状况，有“晴天”“多云”“大雾”“小雨”“大雨”“雪天”等情况，道路情况，分为“路程长短”“时间多少”“过路费大小”“红绿灯数”等情况，根据以上这些数据，产生局部频繁项集。
[0064]
进一步的，所述步骤二、对用户的信息进行分析，建立用户特征模型的具体过程是：
[0065]
步骤1、将收集到的数据信息划分m个不相关的数据块，并发送到n个节点中；通过公示(1)产生全局的候选频繁项集
[0066][0067]
式中：op全局的候选频繁项集；∑z为数据格式化因子；m*n为将m划分为n个不相关的数据块；x为局部频繁项集；
[0068]
在此基础上，对数据进行再次分析，提取出行路线信息上低密度信息价值，包括天气状况、道路状况、交通状况、历史路段状况中出现的各个不同情况的事件数，扫描出行路线数据，通过建立计算数据中每个候选数据的支持频度，将这些状况中的不同情况信息与总数据库中的数据进行比对。
[0069]
步骤2、通过公示(2)计算数据中每个候选频繁项的支持频度，并按照支持度降序排列；
[0070]
support(ai＝b)＝p(ai∪b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0071]
式中：每种情况发生的次数为ai，总数据库为b；
[0072]
然后将所有满足条件的频繁项集进行输出，将首项频繁项集放入项头表，并按照支持度降序排列。
[0073]
步骤3、利用得到的项头表和排序后的数据建立数据集，根据输出结果，产生相关关联，对数据库中的每一个操作进行分割，计算公式为：
[0074][0075]
式中：p为出行路线信息输出结果；z代表满足条件的数据；s1，s2 分别代表出行路线信息，代表了出行路线信息输出过程。
[0076]
通过上述过程，完成了对原始数据中的频繁项集按支持度进行降序排列，完成对用户的常走路线特征信息的挖掘。
[0077]
根据用户特征将用户感兴趣的出行路线信息推荐给用户，在用户开始搜索出行路线时，优化搜索结果，将更精确的内容发送给客户。并根据推荐路线的结果的输出内容加上兴趣数据库中的记录计算出推荐出行路线。
[0078]
进一步的，所述步骤三、为用户推荐个性化出行路线是根据出行目的地来调整路线和权重，改变推荐算法结果，计算公式如下：
[0079][0080]
式中：q代表用户信息；kn代表用户感兴趣度；g为路线推荐权重，|z| 为推荐算法优化因子，利用上述公式，不断重复计算生成新的出行路线，直至生成满意的结果。
[0081]
进一步的，所述记录用户出行车辆路线的方式有两种记录方式：第一种为人工记录方式，用户通过系统将走过的符合喜好的路线直接记录保存；第二种方式为机器记录方
式，系统检测到用户近期常走路线并将其自动记录。
[0082]
进一步的，对所述人工记录的路线数据进行自学习，从中分析出用户的行车习惯及路线偏好特征，利用稀疏自编码器，从大量的数据中提取出用户行车习惯的特征，学习到更多数据的隐含特征；其步骤如下：
[0083]
(1)设置学习率、稀疏参数、迭代次数、神经元个数等参数，随机初始化权重w和偏置b，提取数据特征量，对数据库中保存的人工记录路线数据提取时间、路程、红绿灯、道路类别四种特征量；
[0084]
(2)对于四种特征量，作为稀疏自编码器的输入进行前向传递，获得四种路线特征量内在特征信息的稀疏性表达，保存训练结束后的稀疏自编码器的权重w1和偏置b1；
[0085]
(3)将得到的权重w1和偏置b1初始化神经网络的输入层和隐含层，重新设置神经网络，将人工记录路线数据作为训练样本，训练神经网络，提取特征，然后训练下一层，逐层训练；
[0086]
(4)利用提取的训练集特征，将其送入特征分类器，实现一个特征的分类；将用户特征存入“兴趣数据库”，从而达到通过自学习的方法，分析出用户记录路线，提取出用户个人习惯、行车喜好等特征。
[0087]
进一步的，当用户获得满意的路线推荐后，系统根据去程路线进行往
‑ꢀ
返关联性分析，一旦找出了去程路线的频繁项集，就可以利用算法，根据去程路线的置信度产生关联。从推荐路线的数据集中找到诸如“a点到b点”的关联规则，即如果用户从出发地a点到目的地b点，那么用户很可能也会需要从b点返回a点，便需要一个新的返程路线。首先通过提取已推荐的去程路线中的关键信息，例如岔路口、高速路进出口、单双向行驶车道等信息，根据关联性分析，找出相对应的路线信息。
[0088]
如图5所示，返程路线的确定方法，包括如下步骤：
[0089]
(a)确定需要分析的数据，确定出行路线中的关键特征信息的参考数列和特征信息的比较数列；反映用户去程路线关键特征信息的数据序列，称为参考数列；影响返程路线推荐因素组成的数据序列，称比较数列；设参考序列为z＝z(k)|k＝1,2...n；比较序列为x＝x(k)|k＝1,2...n；
[0090]
(b)由于系统中各因素的物理意义不同，导致路线数据的量纲也可能不同，不便于相比较，于是为了减少路线数据的绝对数值的差异，将它们统一到近似的范围内，进行归一化处理；本文采用初值化处理，公式如下：
[0091][0092]
其中k对应时间段，i对应比较数列中的一行(即一个特征)；
[0093]
(c)计算关联系数，设i为路线数据上一个固定的特征值，也就是说对于某一个路线数据的因素，其中的每个维度进行计算，得到一个新的数据序列，这个序列中的每个值就代表着该返程路线序列中的特征值与去程路线序列中对应维度上的关联性(数字越大，代表关联性越强)，公式如下：
[0094]
[0095]
(d)关联度的计算，形成一个路线特征关联序列，关联系数是用户去程路线关键特征信息序列与返程路线推荐因素序列在各个时刻的关联程度值，所以它的数不止一个，因此将多个时刻的关联系数集中起来，即求其平均值，作为去程路线关键特征信息序列与返程路线推荐因素序列的数量表示，公式如下：
[0096][0097]
关联度的排序，通过以上公式，将计算出来的路线特征信息进行关联度排序，找出去程路线中各个关键特征点的最优关联数据信息，关联度越大，该返程推荐的路线与去程路线标准越相似。
[0098]
通过以上返程路线关联性推荐，给推荐出符合用户个人喜好的返程路线，当用户需要返程时，系统直接将已经规划好的路线推送给用户使用，从而得到更加符合用户需求的出行路线。
[0099]
另外，需要说明的是，用户轨迹信息是通过记录大量迹点信息，将迹点连接起来，最后得到轨道信息，要想实现路径记录功能，首先需要定位。而定位则是指确定我们的位置。只有定位准了，才能准确地记录所走过的路线，因此本文采用卫星定位的方式，卫星定位其优点是可以进行实时观测，对天气条件要求较低。通过至少三颗卫星对目标发射电磁波，得到卫星与目标的距离，在得到同一坐标系中卫星的位置。在空间中，除了确定三颗卫星的坐标，又有卫星到目标的距离，就可以得到目标的坐标。由此获得目标的迹点信息。通过手机中的卫星定位模块来完成对卫星的搜索跟踪和定位速度等数据采集工作，当卫星定位模块采集的得到用户位置信息定位速度等信息，通过不断的刷新电子地图，用户的位置在电子地图上就是显示不停的运动变化轨迹。
[0100]
根据卫星定位时刻记录路线的迹点信息，最终由点成线，记录保存行驶的轨迹路线。并将其存入到历史数据库中。当需要进行路线记录时，从后台获取这一时间段的历史轨迹点，将第一个点作为起始点，最后一个点作为终止点，结合途中卫星系统获取的目标迹点，画出路线的行驶轨迹。
[0101]
综上所述，如图6所示，这种基于sdn多控制器改进蚁群的负载均衡方法的工作流程是：
[0102]
(1)首先，在平台中确定出发位置a和目的地位置b。
[0103]
(2)系统检测是否是之前行驶过的路线，并且提示用户是否选择方案 1之前记录的行驶路线作为出行路线，方案2规划偏向用户个人喜好的行驶路线。
[0104]
(3)拒绝选择之前的记录路线，则使用方案2开始生成从出发位置a 到目的位置b的路线规划
[0105]
(4)选择方案2后，则根据在线交通状况监测数据相应地调整行驶路线规划，导航提供商可能会给出一些次优的路径，加入到检索结果中，供给用户选择。再通过算法和用户的反馈进行学习，从而得到更加符合用户需求的路径规划结果。实时地确定更快、更适合的道路。
[0106]
(5)基于调整后的行驶路线规划实施导航。
[0107]
(6)当用户到达目的地后，需要进行返程时，系统对去程路线进行关联性分析，规划出符合用户个人喜好的返程路线，直接推送给用户。
[0108]
这种基于sdn多控制器改进蚁群的负载均衡方法，通过将数据分析技术和深度学习技术的结合，基于数据挖掘算法尽可能的发掘用户兴趣特征，提升推荐结果的个性化和满意度，将行驶过的路线加入到检索结果中，再通过用户的反馈进行深度学习，从而得到更加符合用户需求的路径规划结果。同时不仅能记录用户保存行驶过的出行路线，供用户下一次出行时直接使用，还能在准备返程时根据对系统最终推荐的个性化去程路线进行分析直接推送出返程路线，便于用户返程时直接使用。
[0109]
实施例2
[0110]
由于所设计的偏向个人喜好的出行路线规划方法具有平台无关性，我们可以选用任何一种旅游出行平台例如；高德地图、百度地图、腾讯地图等作为这一检测系统的实现方式。在实际应用中，通过对算法进行编写以及将程序移植到不同的平台，将理论转为实际的应用，这样才会真正提高出行路径规划的合适性。
[0111]
将开源的opengis、webgis规范应用旅游出行信息查询平台中，实现出行空间地理数据的可视化操作；利用opengis中的开源javascript地图引擎maptalks.js，提高用户对出行数据在地图上的整体感受。
[0112]
引用数字化地图javascript api，通过javascript脚本代码使得数据都通过点标记显示在数字化地图的街道地图上，获取待分析区域的综合信息，并根据该综合信息提取待分析区域关键特征点信息，其次，从历史数据库中获取用户的出行数据，并根据出行数据计算用户对应的出行路线，以及根据用户特征模型进行推荐路线匹配，并根据生成结果分析是否使用户感兴趣的路线，从而实现对大量出行数据进行有效分析，进而对交通规划提供可靠的分析结果，提高交通资源利用率。
[0113]
当用户准备出行时，在旅游出行平台中输入起点和目的地，用户进行路线查询后调用电子地图，街景展示和3d地图将信息反馈给用户，显示的路线推荐了几种驾车路线，当用户在旅游出行平台中注册填写个人信息后，不同特征的用户选择的出行路线是不同的，将这些个人信息收集录入到数据库中，再结合近一段时间用户记录的路线和行车规律，当用户需要出行时，推荐出符合用户特征喜好的路线，比如从“西安工业大学未央校区”前往“西安秦岭野生动物园”，如图7所示。
[0114]
西安秦岭野生动物园属于旅游景点，地处偏远，全程近70公里，距离出发地较远，需要考虑到“天气状况”“路程长度”“红绿灯情况”“过路收费关口”“道路拥堵”等情况，平日里前往此处的车流量压力较小，而当节假日休息日时，选择出游人数增多，前往动物园的车流量会剧增，此条路段大多数时候就处于路况拥堵状态。将近期用户a前往旅游景点的路程情况以及人工记录的路线情况录入到数据库中作为参考样本进行特征提取，进而推荐出符合用户特征的出行旅游景点路线。
[0115]
假设用户a在前往旅游景点时，出行时间选择在平时工作日时，到达旅游景点路段会比较畅通，旅游景区游客人数少，有充足的时间在景区游玩，减少排队等待等时间，用户在行驶途中更倾向于选择过路费少，红绿灯多的路段进行行驶，而非时间少费用较多的路线，如图8红色路线所示，这条路段无收费站，上下班高峰期时容易拥堵，用时较多，用户在工作日非上下班高峰期时行驶最为合适，符合用户行车特征。
[0116]
[0117]
而当用户在节假日出行时，由于旅游景点路段比较拥堵，景区游客人数多，游玩时间减少，所以用户a更多的选择避免拥堵而减少等待时间的路段，选择过路费多并且红绿灯少的路段，尽量避开主要路段，选择路线中的一些小路，进行绕行，以达到节省时间的目的，此条路线避开主路，绕行到收费高速路上，大大降低了行驶时间，且不易发生拥堵，如图9红色路线所示。将近期用户a前往旅游景点的路程情况录入到数据库中作为参考样本进行分类，通过特征挖掘算法将数据库中的“时间段”，“道路情况”，“交通情况”等元素进行提取，利用特征分类器作用，把输入映射为(0,1)的值，利用以下公式
[0118][0119]
计算出不同情况、不同时间段用户选择的路线特征的概率值，在路线推荐时，系统根据用户特征，选取当时情况下用户选择概率最大的路线推荐给用户，作为个性化推荐路线。用户a开始搜索出行路线时，根据出行路线推荐结果和数据库中路线特征的概率值来调整路线和权重，生成路线推荐，计算公式如下：
[0120]
利用上述公式，不断重复计算生成新的出行路线，直至生成满意的结果。
[0121]
当用户a进行返程时，通过来时的路线进行关联性分析，首先确定出行路线中的关键特征信息，当用户进行返程时，返程的时间已经发生变化，行驶路线的情况也相应发生了变化，去程时的路线特征已经存储过，设用户去程路线关键特征信息的数据序列为参考序列，当返程时计算关联系数，也就是说对于这一个路程数据的特征情况进行计算，得到一个新的数据序列，这个序列中的每个值就代表着该返程路线序列中的特征值与去程路线序列中对应维度上的关联性。进行关联度计算形成一个路线特征关联序列，关联系数是用户去程路线关键特征信息序列与返程路线推荐因素序列在各个时刻的关联程度值，利用如下公式：
[0122][0123]
假设用户a前往西安秦岭野生动物园的时间是在平日里，游玩后返回的时候大概在傍晚，此时正是下班高峰期，市区各处主路、大路车流量增多，此时尽量选择城市中的胡同巷子路线进行返程，以避开拥堵路线，根据返程路线和用户的特征喜好进行返程路线推荐，这条路线利用城市道路中的小路巷子穿梭，缓解了拥堵时间，如图10红色路线所示，如果用户往西安秦岭野生动物园的时间是节假日，用户时间充足，更多的选择过路费少的路线进行返回，尽量避开城市中的胡同巷子路线，选择大路、主路路线行驶。如图11红色路线所示。
[0124]
当用户a在出行中，感到自己驾车行驶过的路线很满意或者凭借个人行车经验走过的一些“小路”行驶路线，可以选择直接保存，提取卫星定位时刻记录路线的迹点信息，最终由点成线，记录保存行驶的轨迹路线，当用户下次出行时，可以直接调用数据库中记录保存的出行路线直接使用，如图12黑色路线所示。
[0125]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的
保护范围。