CN104697543B - 一种融合个性偏好因子的路径探索方法 - Google Patents

Abstract

本发明公开一种融合个性偏好因子的路径探索方法，步骤包括：1)用传统最短路径探索方法探索出从O点到D点的最小道路花费的路径；2)从O点和D点分别探索出O点到D点和D点到O点的道路花费最小，且同方向通行次数不小于通行阈值的LINK，并获取此LINK符合条件的NODE；3)计算出被探索LINK探索方向上满足条件的通行次数；4)融合LINK同方向通行次数和道路通行成本的关系计算出LINK的权值；5)将LINK权值作为路径探索的花费，用传统最短路径探索方法探索出最终路径；6)使用基准路径对探索出的路径进行分析，选择出更符合实际道路情况的个性偏好因子的路径。通过该方法，探索出融合个性偏好因子的路径。

Description

一种融合个性偏好因子的路径探索方法

技术领域

本发明涉及一种融合个性偏好因子的路径探索方法，属于导航、电子地图、智能交通***和数据挖掘的交叉领域。

背景技术

随着科学技术的飞速发展，导航仪已经完全进入了普通百姓的生活当中并成为现如今人们日常出行时的必备品。然而，由于目前导航仪做出的路径规划大多都偏于理论，比如时间最短无高速、长度最短无高速、时间最短有高速和长度最短有高速等，因此会导致纯理论推导出来的路径与用户实际需求相脱离，甚至导航仪做出的路径规划对用户毫无任何实际指导意义，以至于失去了导航仪导向的真正用途。(如图2，导航仪做出的路径规划虽然距离较短但有一段道路经常交通拥堵，用户经常走的道路虽然距离较长但比较通畅)。导航仪做出的路径规划不理想不仅严重影响了导航仪的实际引导作用，而且严重影响基于导航仪做出的路径规划所做的其他高级应用和计算，比如：可能会造成在电动车电力计算和传统汽车油耗计算结果严重失真，从而会导致用户因计算结果不正确而无法及时补充电量或油量，给用户带来不必要的麻烦。对于通行路径固定化的车辆，比如：班车，校车，公交等，虽然导航仪可以设置经由地，但是由于经由地较多，道路通行频繁，以至于每次驾驶之前都要重新设置导航仪，导致用户的体验较差。

基于以上问题，为了满足用户个性化需求，提供更精准、更有针对性的导航服务，对用户行车路线的收集以及做出科学的路径选择是一种比较实用的方法，故融合个性偏好和道路通行成本的路径探索是非常有实际意义和价值的。

相关名词解释：

1.浮动车

带有各种传感器、能采集相关信息的在道路上实际行驶的汽车。

2.O点

浮动车出发的起始点。

3.D点

浮动车到达的目的地。

4.TRIP

浮动车在现实道路上经过的一段轨迹，可以近似理解为用户连续驾驶经过的一段道路。

5.结点(NODE)

用于表示道路连通网络，虚拟出来的节点对象。可以近似的理解为现实道路的一个路口。

6.LINK

用于表示NODE与NODE之间通路的曲线型对象，由两个NODE和若干形状点组成。可以近似的理解为现实道路连接两个路口的一段道路。

7.前驱结点

连接着同一个LINK，并且比当前NODE先探索到的NODE，如图3。

8.前驱LINK

连接着同一个NODE，并且比当前LINK先探索到的LINK，如

图4。

9.最小道路花费的路径

用传统最短路径探索算法计算出来，道路总花费最小的路径。

10.道路花费

浮动车行驶一段路程所产生的消耗，比如：时间，距离，油耗，电耗等。

11.同方向通行次数

LINK上正确的通行方向的次数。从O点到D点方向探索，选择退出方向上通行的次数为同方向通行次数，如图5，同方向通行次数为2；从D点到O点方向探索，选择进入方向上通行的次数为同方向通行次数，如图5，同方向通行次数为2。

12.同方向TRIP

LINK上正确的通行方向的TRIP。从O点到D点方向探索，选择退出方向上的TRIP为同方向TRIP，如图5，同方向TRIP为TRIP_A和TRIP_C；从D点到O点方向探索，选择进入方向上的TRIP为同方向TRIP，如图5，同方向TRIP为TRIP_A和TRIP_C。

发明内容

本发明的目的提供一种融合个性偏好的路径探索方法，使用该方法可以借助用户历史TRIP信息、探索出指定用户最习惯的路径，从而提高了导航的智能性，为之后的电力推定以及进一步基于导航仪做出的路径规划所做的其他高级应用和计算打下良好的基础。

本发明的技术方案为：

一种融合个性偏好因子的路径探索方法，表示道路连通网络，虚拟出来的节点对象定义为结点NODE，近似理解为现实道路的一个路口；表示NODE与NODE之间通路的道路线对象定义为LINK，近似理解为现实道路连接两个路口的一段道路；表示浮动车在现实道路上经过的一段轨迹定义为TRIP，近似理解为用户连续驾驶经过的一段道路；以浮动车行驶的TRIP信息、TRIP与实地图LINK的匹配结果以及实际地图数据作为对象进行判断和处理，其特征在于包括以下步骤：

步骤一、基准路径计算：用传统最短路径探索方法探索出从O点到D点的最小道路花费的路径；

步骤二、O点和D点习惯LINK匹配：从O点和D点分别相互探索，在一定范围之内，探索出离O点和D点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，并获取此LINK符合条件的NODE；

步骤三、通行次数计算：计算出被探索LINK探索方向上满足条件的通行次数；

步骤四、LINK权值计算：融合LINK同方向通行次数和道路通行成本的关系计算出LINK的权值；

步骤五、融合个性偏好因子的路径探索：将LINK权值作为路径探索的花费，用传统最短路径探索方法探索出最终路径；

步骤六、路径选择：使用基准路径对探索出的路径进行分析，选择出更符合实际道路情况的个性偏好因子的路径。

所述步骤一具体包括以下步骤:

1.1)用传统最短路径探索方法探索出从O点到D点的最小道路花费的路径，将最小道路花费的路径记作：SHORT_PATH；

1.2)计算出路径SHORT_PATH的道路总花费的值，将其值记作：SHORT_WEIGHT。

所述步骤二具体包括以下步骤:

2.1)计算查找范围：根据范围阈值以及路径SHORT_PATH的道路总花费SHORT_WEIGHT计算出查找习惯LINK的查找范围，将查找范围记作：FIND_RANGE；

2.2)查找O点习惯LINK：将从O点探索到的满足条件的结点，记作：O_NODE；

如果O点所在的LINK退出方向上存在通行次数不小于通行阈值的情况，则在LINK连接的两结点中，选择退出方向通行次数不小于通行阈值的结点作为满足条件的结点O_NODE；

如果O点所在的LINK退出方向上通行次数都小于通行阈值，则从O点开始用最小道路花费探索法，在查找范围FIND_RANGE之内，探索到离O点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，将通行次数不小于通行阈值的LINK与前驱LINK连接的结点作为满足条件的结点O_NODE；

2.3)查找D点习惯LINK：将从D点探索到的满足条件的结点，记作：D_NODE；

如果D点所在的LINK进入方向上存在通行次数不小于通行阈值的情况，则在LINK连接的两结点中，选择进入方向通行次数不小于通行阈值的结点作为满足条件的结点D_NODE；

如果D点所在的LINK进入方向上通行次数都小于通行阈值，则从D点开始用最小道路花费探索法，在查找范围FIND_RANGE之内，探索到离D点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，将通行次数不小于通行阈值的LINK与前驱LINK连接的结点作为满足条件的结点D_NODE。

所述步骤三具体包括以下步骤：

3.1)记录共同TRIP：查找与结点O_NODE相连的所有LINK，记录在集合O_LINK_SET中，将集合O_LINK_SET中所有LINK上的TRIP记录在集合O_TRIP_SET中；查找与结点D_NODE相连的所有LINK，记录在集合D_LINK_SET中，将集合D_LINK_SET中所有LINK上的TRIP记录在集合D_TRIP_SET中；将集合O_TRIP_SET与集合D_TRIP_SET相互比较，把共有的TRIP记录在集合SAME_TRIP_SET中。

3.2)获取当前探索到LINK的同方向通行次数，将当前探索到LINK的同方向通行次数记作：FREQUENCY，如果集合SAME_TRIP_SET为空，不做任何操作；如果集合SAME_TRIP_SET不为空，则将当前探索到的LINK上同方向TRIP与前驱LINK上的TRIP相比较，找出共同TRIP，将当前探索到的LINK的同方向通行次数FREQUENCY更新为共同TRIP的个数，并剔除当前探索到LINK上非共同的TRIP。

所述步骤四具体包括以下步骤:

4.1)获得当前探索到的LINK的同方向通行次数FREQUENCY和当前探索到的LINK的花费，记作：WEIGHT；

4.2)计算当前LINK的权值，将当前LINK的权值记作：LINK_PRIORITY，则融合公式为：

LINK_PRIORITY＝α*WEIGHT/ln(β*FREQUENCY+γ*e)(α,β,γ是系数)。

所述步骤五具体包括以下步骤:

5.1)将当前LINK对应的结点的权值，记作：NEW_PRIORITY；将前驱结点的权值，记作：OLD_PRIORITY；将当前LINK对应的结点权值赋值为：当前LINK的权值+前驱结点的权值，即

NEW_PRIORITY＝OLD_PRIORITY+LINK_PRIORITY，

5.2)将当前LINK对应的结点的权值作为路径探索的花费，用传统最短路径探索方法，探索出融合个性偏好因子的路径，记作：HABIT_PATH

所述步骤六具体包括以下步骤：

6.1)如果集合SAME_TRIP_SET不为空，则将路径HABIT_PATH作为融合个性偏好和道路通行成本的路径；

6.2)如果集合SAME_TRIP_SET为空，则计算出路径HABIT_PATH中的非习惯路径的道路总花费；若计算出来的道路总花费大于选择阈值与路径SHORT_PATH道路总花费SHORT_WEIGHT的乘积，则用最小道路花费的路径SHORT_PATH作为最终路径，反之则用HABIT_PATH作为融合个性偏好因子的路径。

本发明的优点是：能够利用传统最短路径算法原理，融合实际道路花费和指定用户历史通行信息，探索出指定用户可能最适应的驾驶习惯路径。为之后的电力推定以及其他高级应用打下基础。

附图说明

图1是本发明的处理流程图；

图2是O点到D点模拟实际情况的示意图；

图3是前驱结点的示意图；

图4是前驱LINK的示意图；

图5是LINK上通行方向的示意图；

图6是具体实施方式的示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合图1和图6并以距离最短优先、使用双向Dijkstra探索算法为例对本发明作进一步的详细描述。简化的导航仪上的两点的路径规划：习惯路径，最短距离如图2所示。分别通过O点和D点相向探索得到各个节点(NODE点)，探索方向从前驱NODE到当前NODE，如图3所示。分别通过O点和D点相向探索找到各个节点之间的LINK，探索方向从前驱LINK到当前LINK，如图4所示。通过同一LINK的不同TRIP,包含不同方向，分别按照方向记录LINK的通行次数，如图5所示。通过对两点之间的路径探索根据每一个NODE节点，分析节点对应的LINK，以及对应的每条LINK的通行次数，探索出融合个性偏好因子的路径。如图6所示。

本发明的实现方式按图1处理流程来，在开始之后包括以下步骤：

1)基准路径计算

基准路径计算的目的在于使用双向Dijkstra算法探索出从O点到D点的距离最短路径，为之后融合个性偏好因子的路径的选择打下基础。具体步骤如下：

1.1)获得基准路径，即用双向Dijkstra算法探索出从O点到D点的距离最短路径，如图6中的路径SHORT_PATH，即为O点到D点的距离最短路径。

1.2)获得距离最短路径SHORT_PATH道路总长度的值SHORT_WEIGHT，如图6中O点到D点的最短距离SHORT_WEIGHT＝100m。

2)O点和D点习惯LINK匹配

O点和D点习惯LINK匹配的目的在于将从O点和D点分别探索，在一定范围之内，探索出离O点和D点距离最短，并且同方向通行次数不小于通行阈值的LINK，并获取此LINK符合条件的结点O_NODE和结点D_NODE，为之后通行次数FREQUENCY的值计算打下基础。具体步骤如下：

2.1)计算查找范围，将范围阈值记作：THRESHOLD_RANGE(若THRESHOLD_RANGE取值过小，则可能无法找到具有同方向通行次数的LINK；若THRESHOLD_RANGE取值过大，则可能导致用户为了走习惯路径所付出的代价远大于走最短路径付出的代价)，本实施例中的THRESHOLD_RANGE＝0.6；将查找范围

FIND_RANGE赋值为：范围阈值*最短路径道路总长度，本实施例中的最短路径道路总长度＝100m，即

FIND_RANGE＝THRESHOLD_RANGE*SHORT_WEIGHT；

则：查找范围FIND_RANGE＝0.6*100m＝60m；

2.2)查找O点习惯LINK

以O点所在的LINK同方向上通行次数小于通行阈值为例。将通行阈值记作：PASS(若PASS取值过小，虽然找到满足条件的LINK概率较大，但是找到满足条件的LINK习惯度较低；若PASS取值过大，虽然找到满足条件的LINK的习惯度较高，但是找到满足条件的LINK概率较小。)本实施例中的PASS＝2

如图6从O点开始用Dijkstra最短路径探索法探索，当探索到结点NODE1时，由于与NODE1连接的LINK存在同方向通行次数不小于通行阈值PASS的LINK，LINK1＝3、LINK2＝2；并且从O点到结点NODE1的距离为30m，小于查找范围FIND_RANGE的值60m，故LINK1以及LINK2为符合条件的习惯LINK，将NODE1记录在集合O_NODE_SET中。同理LINK5也是符合条件的习惯LINK，将NODE3记录在集合O_NODE_SET中。当探索到结点N5时，由于O点到结点N5的距离为61m，大于查找范围FIND_RANGE的值60m，故探索结束。在集合O_NODE_SET中，从O点探索到该结点距离最小的作为满足条件的结点O_NODE。如图6所示NODE1即作为O_NODE；

2.3)查找D点习惯LINK

以D点所在的LINK同方向上通行次数小于通行阈值为例。如图6从D点开始用Dijkstra最短路径探索法探索，当探索到结点NODE2时，由于与NODE2连接的LINK存在同方向通行次数不小于通行阈值PASS的LINK，LINK7＝4、LINK8＝3，并且从D点到NODE2结点的距离为35m，小于查找范围FIND_RANGE的值60m，故LINK7以及LINK8为符合条件的习惯LINK，将NODE2记录在集合D_NODE_SET中。同理LINK11也是符合条件的习惯LINK，将NODE4记录在集合D_NODE_SET中。在集合D_NODE_SET中，从D点探索到该结点距离最小的作为满足条件的结点D_NODE。如图6所示NODE2即作为D_NODE；

3)通行次数计算

通行次数计算的目的在于计算出被探索LINK探索方向上满足条件的通行次数，为之后LINK权值计算打下基础。具体步骤如下：

3.1)记录共同TRIP，如图6所示LINK1上同方向TRIP为：TRIP1、TRIP2、TRIP3；LINK2上同方向TRIP为：TRIP4、TRIP5；LINK7上同方向TRIP为：TRIP1、TRIP2、TRIP3、TRIP6；LINK8上同方向TRIP为：TRIP7、TRIP8，TRIP9。

将与结点O_NODE连接的所有LINK(LINK0、LINK1、LINK2、LINK3)记录在集合O_LINK_SET中，将集合O_LINK_SET中所有LINK上的TRIP记录在集合O_TRIP_SET中，则集合O_TRIP_SET中的TRIP为TRIP1、TRIP2、TRIP3、TRIP4以及TRIP5。

将与结点D_NODE连接的所有LINK(LINK6、LINK7、LINK8)记录在集合D_LINK_SET中，将集合D_LINK_SET中所有LINK上的TRIP记录在集合D_TRIP_SET中，则集合D_TRIP_SET中的TRIP为TRIP1、TRIP2、TRIP3、TRIP6、TRIP7、TRIP8以及TRIP9。

将集合O_TRIP_SET与集合D_TRIP_SET相比较，找出共同TRIP，并将共同TRIP记录在集合SAME_TRIP_SET中，则集合SAME_TRIP_SET中记录了TRIP1、TRIP2以及TRIP3。

将集合O_TRIP_SET(LINK0、LINK1、LINK2、LINK3)中每条LINK上的TRIP与集合SAME_TRIP_SET中的TRIP相比较，保留共同TRIP。处理后的LINK1上TRIP为：TRIP1、TRIP2以及TRIP3；LINK2上TRIP为NULL。

将集合D_TRIP_SET(LINK6、LINK7、LINK8)中每条LINK上的TRIP与集合SAME_TRIP_SET中的TRIP相比较，保留共同TRIP。处理后的LINK7上TRIP为：TRIP1、TRIP2以及TRIP3；LINK8上TRIP为NULL。

3.2)获取当前探索到LINK的同方向通行次数FREQUENCY的值。

以LINK9和LINK10为例，其他LINK同理。

如图6所示LINK9上TRIP为：TRIP1、TRIP10；LINK10上TRIP为：TRIP2、TRIP3以及TRIP11；前驱LINK4上TRIP为：TRIP1、TRIP2以及TRIP3；由于LINK9与前驱LINK4存在一个共同的TRIP为TRIP1，因此将LINK9同方向通行次数FREQUENCY的值更新为1。由于LINK10与前驱LINK4存在两个共同TRIP为TRIP2和TRIP3，因此将LINK10同方向通行次数FREQUENCY的值更新为2。保留共同TRIP，处理后的LINK9上TRIP为：TRIP1；LINK10上TRIP为：TRIP2以及TRIP3。

4)LINK权值计算

LINK权值计算的目的在于融合LINK同方向通行次数FREQUENCY的值和道路通行成本的关系计算出LINK的权值，为之后融合个性偏好和道路通行成本的路径探索打下基础。具体步骤如下：

以LINK10为例，其他LINK同理。

4.1)获得LINK10的道路长度WEIGHT的值以及LINK10同方向通行次数FREQUENCY的值。如图6所示FREQUENCY＝2，WEIGHT＝8m；

4.2)计算LINK10的权值LINK_PRIORITY的值，融合公式如下：

LINK_PRIORITY＝α*WEIGHT/ln(β*FREQUENCY+γ*e)(α,β,γ是系数,注：α＞0,β＞＝0,γ＞＝1,比如α＝1、β＝1、γ＝1)

则LINK_PRIORITY＝8/ln(2+e)≈5.16。

5)融合个性偏好因子的路径探索

将LINK权值作为路径探索的花费，使用双向Dijkstra探索算法探索出融合个性偏好和道路通行成本的路径。

5.1)计算当前探索到的LINK(LINK1、LINK2)对应的结点(结点N1、结点N2)权值。

如图6所示，LINK1和LINK2对应的结点为N1和N2，结点NODE1为他们的前驱结点，结点NODE1的权值OLD_PRIORITY为O点到NODE1结点的距离30。根据4.2)的融合公式计算出LINK1的权值LINK_PRIORITY＝5/ln(3+e)≈2.8676；LINK2的权值LINK_PRIORITY＝7/ln(2+e)≈4.5121。计算结点N1和结点N2的权值NEW_PRIORITY的值，公式如下：

NEW_PRIORITY＝OLD_PRIORITY+LINK_PRIORITY

则结点N1的权值NEW_PRIORITY＝30+2.8676＝32.8676；结点N2的权值NEW_PRIORITY＝30+4.5121＝34.5121；

5.2)融合个性偏好因子的路径探索

以当前探索到的LINK对应的结点的权值作为路径探索的花费，使用双向Dijkstra探索算法探索出O点到D点的融合个性偏好和道路通行成本的路径HABIT_PATH。

6)路径选择

路径选择的目的在于使用基准路径对探索出的路径进行分析，选择出更符合实际道路情况的个性偏好路径。具体步骤如下：

6.1)如果TRIP1、TRIP2以及TRIP3存在，即集合SAME_TRIP_SET不为空，则将路径HABIT_PATH作为融合个性偏好和道路通行成本的路径；

6.2)如果TRIP1、TRIP2以及TRIP3不存在，即集合SAME_TRIP_SET为空，则计算出路径HABIT_PATH中的非习惯路径的道路总长度UNHABIT_WEIGHT的值。即UNHABIT_WEIGHT为同方向通行次数FREQUENCY的值为0的LINK长度WEIGHT的累加。

如果非习惯路径的道路总长度UNHABIT_WEIGHT的值大于选择阈值THRESHOLD_CHOSE(若THRESHOLD_CHOSE取值过小，则将导致选择路径SHORT_PATH作为最终路径的概率增加；若THRESHOLD_CHOSE取值过大，则将导致路径HABIT_PATH作为习惯路径的概率增加。比如THRESHOLD_CHOSE＝1)与最短路径SHORT_PATH道路总长度SHORT_WEIGHT的乘积，即

UNHABIT_WEIGHT＞THRESHOLD_CHOSE*SHORT_WEIGHT；

则用路径SHORT_PATH作为最终路径，反之则用路径HABIT_PATH作为融合个性偏好因子的路径。

以上所述，仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围，举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰，仍应由本发明权利要求的范围所覆盖。

Claims (6)

1.一种融合个性偏好因子的路径探索方法，表示道路连通网络，虚拟出来的节点对象定义为结点NODE，近似理解为现实道路的一个路口；表示NODE与NODE之间通路的道路线对象定义为LINK，近似理解为现实道路连接两个路口的一段道路；表示浮动车在现实道路上经过的一段轨迹定义为TRIP，近似理解为用户连续驾驶经过的一段道路；以浮动车行驶的TRIP信息、TRIP与实地图LINK的匹配结果以及实际地图数据作为对象进行判断和处理，其特征在于包括以下步骤：

步骤一、基准路径计算：用传统最短路径探索方法探索出从O点到D点的最小道路花费的路径；

步骤二、O点和D点习惯LINK匹配：从O点和D点分别相互探索，在一定范围之内，探索出离O点和D点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，并获取此LINK符合条件的NODE；具体包括以下步骤:

2.1)计算查找范围：根据范围阈值以及路径SHORT_PATH的道路总花费SHORT_WEIGHT计算出查找习惯LINK的查找范围，将查找范围记作：FIND_RANGE；

2.2)查找O点习惯LINK：将从O点探索到的满足条件的结点，记作：O_NODE；

如果O点所在的LINK退出方向上存在通行次数不小于通行阈值的情况，则在LINK连接的两结点中，选择退出方向通行次数不小于通行阈值的结点作为满足条件的结点O_NODE；

如果O点所在的LINK退出方向上通行次数都小于通行阈值，则从O点开始用最小道路花费探索法，在查找范围FIND_RANGE之内，探索到离O点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，将通行次数不小于通行阈值的LINK与前驱LINK连接的结点作为满足条件的结点O_NODE；

2.3)查找D点习惯LINK：将从D点探索到的满足条件的结点，记作：D_NODE；

如果D点所在的LINK进入方向上存在通行次数不小于通行阈值的情况，则在LINK连接的两结点中，选择进入方向通行次数不小于通行阈值 的结点作为满足条件的结点D_NODE；

如果D点所在的LINK进入方向上通行次数都小于通行阈值，则从D点开始用最小道路花费探索法，在查找范围FIND_RANGE之内，探索到离D点道路花费最小，并且同方向通行次数不小于通行阈值的LINK，将通行次数不小于通行阈值的LINK与前驱LINK连接的结点作为满足条件的结点D_NODE；

步骤三、通行次数计算：计算出被探索LINK探索方向上满足条件的通行次数；

步骤四、LINK权值计算：融合LINK同方向通行次数和道路通行成本的关系计算出LINK的权值；

步骤五、融合个性偏好因子的路径探索：将LINK权值作为路径探索的花费，用传统最短路径探索方法探索出最终路径；

步骤六、路径选择：使用基准路径对探索出的路径进行分析，选择出更符合实际道路情况的个性偏好因子的路径。

2.根据权利要求1所述的融合个性偏好因子的路径探索方法，其特征在于：所述步骤一具体包括以下步骤:

1.1)用传统最短路径探索方法探索出从O点到D点的最小道路花费的路径，将最小道路花费的路径记作：SHORT_PATH；

1.2)计算出路径SHORT_PATH的道路总花费的值，将其值记作：SHORT_WEIGHT。

3.根据权利要求1所述的融合个性偏好因子的路径探索方法，其特征在于：所述步骤三具体包括以下步骤：

3.1)记录共同TRIP：查找与结点O_NODE相连的所有LINK，记录在集合O_LINK_SET中，将集合O_LINK_SET中所有LINK上的TRIP记录在集合O_TRIP_SET中；查找与结点D_NODE相连的所有LINK，记录在集合D_LINK_SET中，将集合D_LINK_SET中所有LINK上的TRIP记录在集合D_TRIP_SET中；将集合O_TRIP_SET与集合D_TRIP_SET相互比较，把共有的TRIP记录在集合SAME_TRIP_SET中；

3.2)获取当前探索到LINK的同方向通行次数，将当前探索到LINK的同方向通行次数记作：FREQUENCY，如果集合SAME_TRIP_SET为空，不做任何操作；如果集合SAME_TRIP_SET不为空，则将当前探索到的 LINK上同方向TRIP与前驱LINK上的TRIP相比较，找出共同TRIP，将当前探索到的LINK的同方向通行次数FREQUENCY更新为共同TRIP的个数，并剔除当前探索到LINK上非共同的TRIP。

4.根据权利要求1所述的融合个性偏好因子的路径探索方法，其特征在于：所述步骤四具体包括以下步骤:

4.1)获得当前探索到的LINK的同方向通行次数FREQUENCY和当前探索到的LINK的花费，记作：WEIGHT；

4.2)计算当前LINK的权值，将当前LINK的权值记作：LINK_PRIORITY，则融合公式为：

LINK_PRIORITY＝α*WEIGHT/ln(β*FREQUENCY+γ*e)(α,β,γ是系数)。

5.根据权利要求1所述的融合个性偏好因子的路径探索方法，其特征在于：所述步骤五具体包括以下步骤:

5.1)将当前LINK对应的结点的权值，记作：NEW_PRIORITY；将前驱结点的权值，记作：OLD_PRIORITY；将当前LINK对应的结点权值赋值为：当前LINK的权值+前驱结点的权值，即

NEW_PRIORITY＝OLD_PRIORITY+LINK_PRIORITY，

5.2)将当前LINK对应的结点的权值作为路径探索的花费，用传统最短路径探索方法，探索出融合个性偏好因子的路径，记作：HABIT_PATH。

6.根据权利要求1所述的融合个性偏好因子的路径探索方法，其特征在于：所述步骤六具体包括以下步骤：

6.1)如果集合SAME_TRIP_SET不为空，则将路径HABIT_PATH作为融合个性偏好和道路通行成本的路径；

6.2)如果集合SAME_TRIP_SET为空，则计算出路径HABIT_PATH中的非习惯路径的道路总花费；若计算出来的道路总花费大于选择阈值与路径SHORT_PATH道路总花费SHORT_WEIGHT的乘积，则用最小道路花费的路径SHORT_PATH作为最终路径，反之则用HABIT_PATH作为融合个性偏好因子的路径。