一种基于公交数字化转型的公交自助式管理方法与流程

1.本发明涉及公交数字化领域，尤其涉及一种基于公交数字化转型的公交自助式管理方法。


背景技术：

2.公交出行成为人们出行方式中的重要组成部分，但是现有的公交出行线路选择基本上按照出发地点与预到达地点所形成的按照如下方式所给出的出行路线规划信息，具体的包括，例如按照时间最短、按照换乘最少或者按照步行最少进行机械化预估。尽管其实现公交换乘的方式也借用手机终端作为载体实现了可移动查询，但是其方式比较单一，不能满足用户个性化的自助式要求。


技术实现要素：

3.本发明提供一种基于公交数字化转型的公交自助式管理方法，以克服以上问题。
4.本发明包括：
5.s1、通过手机移动终端向用户提供交互界面以供用户输入所需选择的第一兴趣词汇，所述第一兴趣词汇包括：出行目的地、出行目的；
6.s2、基于第一兴趣词汇进行语义关联，获取用户可能感兴趣的公交服务类型，生成一个第二兴趣词汇；
7.s3、用户选定第二兴趣词汇后，提取用户手机移动终端的当前位置信息、出行目的地，根据第二兴趣词汇生成若干推荐行程路线信息；
8.s4、用户确定行程路线信息后，对用户行程进行导航，直至用户到达所设定的出行目的地；若用户重新输入所需选择的第一兴趣词汇，则停止导航。
9.进一步地，s1中的第一兴趣词汇的输入方式，包括：文字输入方式、语音识别输入方式；所述语音识别输入方式，包括：采集用户音频数据，对所述音频数据，进行音频解析获取对应的语音文本信息、语音文本的分词数据；音频解析的计算公式为：
10.fa＝f(ln(fo(o),f(p)))
ꢀꢀ
(1)
11.其中，o表示用户音频数据，fa表示语音文本的分词数据，p表示标准汉语发音库，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，训练孪生网络时使用的是发音和文字的匹配对，所述孪生网络抽取后的特征即根据音频给出对应的文字，f(*)表示使用bert网络对文本进行语义分割，fo(*)表示对音频进行去噪处理。
12.进一步地，s2中基于第一兴趣词汇进行语义关联，包括：预先匹配若干个语义关联列表，所述语义关联列表是基于出行目的地为关键词，关联出该目的地所能提供的公交服务类型；所述公交服务类型，包括：换乘提醒服务、旅游服务、餐饮服务、住宿服务和购物服务。
13.进一步地，s2中基于第一兴趣词汇进行语义关联，还包括：基于模糊匹配算法对于所述兴趣词汇进行语义关联，若所述兴趣词汇存在不能直接匹配的词汇则获取与其匹配度
最大的词汇。
14.进一步地，s3中推荐行程路线信息的生成过程，包括：以第二兴趣词汇为基准参考维度，所述第二兴趣词汇即公交服务类型，基于路径规划算法确定出对应的出行行程路线；出行行程路线的计算公式为：
15.s＝fusion(l(f(v),concat(f(x),fa)),m(f(y,z)))
ꢀꢀ
(2)
16.其中，x表示第二兴趣词，y表示出发位置，z表示目的地，v表示语义关联列表，fa表示语音文本的分词数据，m(*)表示使用孪生网络抽取文本的特征，l(*)表示使用交叉熵训练的卷积网络抽取文本的特征；f(*)表示使用bert网络对文本进行语义分割，concat表示将语义分割后的文本特征和语音文本的分词数据合并成一维特征，fusion(*)表示将两种网络预测出来的出行路线做融合，s表示出行行程路线；
17.进一步地，s4中对用户进行导航，包括：在实时获取用户当前位置与所要搭乘线路上的最近的公交站点的距离，计算该乘客与站点之间的空间距离，计算乘客到站时间以及所要搭乘线路的公车到站时间。
18.本发明能够根据乘客的需求，提供多样化的服务，比如：提供换乘提醒服务，防止乘客因坐过站导致的时间以及精力上的浪费；提供预计到站时间服务，让乘客能够更好的规划自己的时间；提供餐饮、旅游、购物、住宿等方面的服务，根据乘客需求，选择性的进行推荐，让乘客有更好的出行体验，节省了乘客自己去查找的时间。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明流程图；
21.图2为实施例流程图。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
23.图1为本发明的流程图，如图1所示，本实施例的方法可以包括：
24.s1、通过手机移动终端向用户提供交互界面以供用户输入所需选择的第一兴趣词汇，所述第一兴趣词汇包括：出行目的地、出行目的；
25.具体而言，当用户仅输入出行目的地：“星海”时，则会根据用户终端所在位置，规划去星海的路线，其中，规划的路线包括：餐饮比较多的路线、离酒店近的路线、娱乐场所比较多的路线等；若用户输入出行目的地：“星海”，出行目的：“旅游”，则会推荐去星海的路线、去星海附近的景点的路线和星海周边的餐饮住宿服务等。
26.s2、基于所述第一兴趣词汇进行语义关联，获取用户可能感兴趣的公交服务类型，
生成一个第二兴趣词汇；
27.具体而言，根据第一兴趣词汇的类型进行语义关联，若第一兴趣词汇为景点和旅游，则关联景点附近的旅游服务、餐饮服务、住宿服务等。
28.s3、用户选定第二兴趣词汇后，提取用户手机移动终端的当前位置信息、出行目的地，根据第二兴趣词汇生成若干推荐行程路线信息；
29.具体而言，若用户输入的第一兴趣词汇为景点和旅游，第二兴趣词汇为从餐饮服务，则会推荐从用户位置到景点附近的餐饮店铺的路线、从用户位置到景点的路线、从用户位置经过景点附近的餐饮店铺到景点的路线、从用户位置到景点再到景点附近的餐饮店铺的路线等。
30.s4、用户确定行程路线信息后，对用户行程进行导航，直至用户到达所设定的出行目的地；若用户重新输入所需选择的第一兴趣词汇，则停止导航。
31.具体而言，当用户选择路线后，会根据用户终端的实时位置进行全程导航，当用户位置和目的地重合后，就停止导航；如果用户在去目的地的路上，重新输入了第一兴趣词汇，就停止本次导航，重复s1-s3，然后再次导航到新的目的地。
32.优选地，s1中的第一兴趣词汇的输入方式，包括：文字输入方式、语音识别输入方式；所述语音识别输入方式，包括：采集用户音频数据，对所述音频数据，进行音频解析获取对应的语音文本信息、语音文本的分词数据；音频解析的计算公式为：
33.fa＝f(ln(fo(o),f(p)))
ꢀꢀ
(1)
34.其中，o表示用户音频数据，fa表示语音文本的分词数据，p表示标准汉语发音库，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，训练孪生网络时使用的是发音和文字的匹配对，所述孪生网络抽取后的特征即根据音频给出对应的文字，f(*)表示使用bert网络对文本进行语义分割，fo(*)表示对音频进行去噪处理。
35.具体而言，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，具体训练孪生网络时使用的是发音和文字的匹配对，孪生网络包括两个子网络，第一个子网络的输入是一个用户音频数据中的发音x1，然后依次馈送到卷积层、池化层和全连接层，最后输出一个特征向量f(x1)；最后的向量l(x1)是对输入x1的编码，向第二个子网络输入标准汉语发音库中的发音x2，对它做相同的处理，并且得到对x(2)的编码l(x2)，将l(x1)和l(x2)在三重损失函数上应用梯度下降求解l(x1)和l(x2)的距离，距离小于阈值，说明x1和x2是一个发音，进而通过查找匹配对可得到用户音频对应的标准汉语发音库中的发音对应的文字，f(*)表示使用bert网络对文本进行语义分割，bert网络训练集包括整个32亿个文字，输入bert的可以是一段文字，也可以是多段文字，每段文字之间使用“|||”分隔，标记器其实就是先对句子进行标记化，这一步可以把空格和句号等分割开，再进行子词分割，数据集中的句子长度不一定相等，长则截断，短则填充，即判断整个序列长度是否超出要求，如果超出，单句截掉最后超出的部分，双句则先删掉较长的那句话的末尾标记；如果两句话长度相等，则轮流删掉两句话末尾的标记，直到总长度达到要求，fo(*)表示对音频进行去噪处理。
36.具体而言，语音识别是通过用户的发音和文字进行匹配后，获得识别结果；即通过孪生网络从用户的语音中，经过对语音进行去噪处理，提取和文字发音相似的音频，通过bert网络中已录入的文字表，对音频中的内容进行识别，最后识别结果。
37.优选地，s2中基于第一兴趣词汇进行语义关联，包括：预先匹配若干个语义关联列
表，所述语义关联列表是基于出行目的地为关键词，关联出该目的地所能提供的公交服务类型；所述公交服务类型，包括：换乘提醒服务、旅游服务、餐饮服务、住宿服务和购物服务。
38.具体而言，会根据目的地提供目的地附近的景点、商场、酒店，并规划相应的出行路线，若路线中需要换乘，在导航过程中会根据用户位置，提供换乘提醒服务。
39.优选地，s2中基于第一兴趣词汇进行语义关联还包括：基于模糊匹配算法对于所述兴趣词汇进行语义关联，若所述兴趣词汇存在不能直接匹配的词汇则获取与其匹配度最大的词汇。
40.具体而言，模糊匹配算法对兴趣词汇进行关联指的是：根据用户输入的词汇和库中的词汇进行相关度匹配，选择匹配度最高的词汇；如图2所示，如果用户的第一兴趣词汇为：“星海”、“吃饭”，则提供的公交服务必然包含和“吃饭”匹配度最高的餐饮服务。
41.优选地，s3中推荐行程路线信息的生成过程，包括：以第二兴趣词汇为基准参考维度，所述第二兴趣词汇即公交服务类型，基于路径规划算法确定出对应的出行行程路线；出行行程路线的计算公式为：
42.s＝fusion(l(f(v),concat(f(x),fa)),m(f(y,z)))
ꢀꢀ
(2)
43.其中，x表示第二兴趣词，y表示出发位置，z表示目的地，v表示语义关联列表，fa表示语音文本的分词数据，m(*)表示使用孪生网络抽取文本的特征，l(*)表示使用交叉熵训练的卷积网络抽取文本的特征；f(*)表示使用bert网络对文本进行语义分割，concat表示将语义分割后的文本特征和语音文本的分词数据合并成一维特征，fusion(*)表示将两种网络预测出来的出行路线做融合，s表示出行行程路线；
44.m(*)表示使用孪生网络抽取文本的特征,具体训练孪生网络时使用的是特征和出行路线的匹配对，因此抽取文本的特征即根据文本给出预测的出行路线，孪生网络包括两个子网络，第一个子网络的输入是一个文本x1，然后依次馈送到卷积层、池化层和全连接层，输出一个特征向量l(x1)；＝向量l(x1)是对输入x1的编码，向第二个子网络输入对应出行路线x2，对它做相同的处理，并且得到对x(2)的编码l(x2)，将l(x1)和l(x2)在三重损失函数上应用梯度下降求解l(x1)和l(x2)的距离，距离小于阈值，说明x1和x2匹配成功，进而通过查找匹配对就可实现根据文本给出预测的出行路线，l(*)表示使用交叉熵训练的卷积网络抽取文本的特征，具体训练卷积网络时使用的是特征和出行路线的匹配对，训练时输入是一个文本x1和出行路线x2，然后依次馈送到卷积层、池化层和全连接层，具体卷积网络为resnet-100，测试时输入是一个文本，因此抽取文本的特征根据文本给出预测的出行路线，f(*)表示使用bert网络对文本进行语义分割,bert网络训练集包括整个32亿个文字，输入bert的可以是一段文字，也可以是多段文字，每段文字之间使用“|||”分隔，标记器其实就是先对句子进行标记化，这一步可以把空格和句号等分割开，再进行子词分割，数据集中的句子长度不一定相等，长则截断，短则填充，具体来说就是判断整个序列长度是否超出要求，如果超出：单句截掉最后超出的部分，双句则先删掉较长的那句话的末尾标记，如果两句话长度相等，则轮流删掉两句话末尾的标记，直到总长度达到要求，concat表示将语义分割后的文本特征和语音文本的分词数据合并成一维特征，fusion(*)表示将两种网络预测出来的出行路线加权，得到最终的出行行程路线s。
45.具体而言，根据第一兴趣词汇计算出推荐出行路线，再根据第二兴趣词汇推荐出行路线，最后选出出行路线重合的作为最终的推荐出行路线。
46.优选地，s4中对用户进行导航，包括：在实时获取用户当前位置与所要搭乘线路上的最近的公交站点的距离，计算该乘客与站点之间的空间距离，计算乘客到站时间以及所要搭乘线路的公车到站时间。
47.具体而言，通过用户的当前位置，检索出所要搭乘线路上的最近的公交站点的距离，根据乘客走路的平局速度确定乘客到站时间；并根据距离此站点最近的乘客要搭乘的公交平均速度、乘客要搭乘的公交和站点间的距离，计算搭乘线路的公车到站时间；让乘客可以更好的规划时间。
48.有益效果：
49.本发明能够根据乘客的需求，提供多样化的服务，比如：提供换乘提醒服务，防止乘客因坐过站导致的时间以及精力上的浪费；提供预计到站时间服务，让乘客能够更好的规划自己的时间；提供餐饮、旅游、购物、住宿等方面的服务，根据乘客需求，选择性的进行推荐，让乘客有更好的出行体验，节省了乘客自己去查找的时间。
50.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。