CN106940829A - 一种车联网环境下的个性化路径推荐方法 - Google Patents

Abstract

本发明公开了一种车联网环境下的个性化路径推荐方法，该方法在个性化路径推荐过程中，同时考虑4种出行因素集合，即时间，费用，便捷性，距离；在交通网络中，采用栈思想实现的求解从起点到终点所有可行路径集合的回溯算法；依据出行者个性偏好特征向量和可行路径特征向量实现的基于Pearson相关系数的路径推荐算法。本发明充分利用车联网提供的实时准确的多种交通信息，结合出行者的个性化出行需求，为出行者提供符合个体偏好需求的路径推荐服务，实现了个体出行路径的私人定制；能够实时响应一些意外交通状况，提供在意外交通状况发生时的个性化路径推荐。

Description

一种车联网环境下的个性化路径推荐方法

技术领域

本发明属于交通运输、信息科学技术领域，涉及一种车联网环境下的个性化路径推荐方法。

背景技术

基于信息技术和通信技术的现代化交通出行作为人们日常生活中不可或缺的活动，一直受到广泛关注。车联网是物联网应用于智能交通***的集中体现，随着车联网技术不断的推广与普及，路网交通信息的采集、传输与存储也更加高效便捷，大量与出行相关的交通信息涌入出行者的视野。但是，面对如此纷繁复杂的交通信息，如何提取符合自己个性化偏好的信息一直是交通学科和行为科学当中的难题。新兴的推荐***为我们提供了一种应对信息过载，实现信息筛选的有效途径。运用推荐技术，能够从海量信息中为用户提取出最为需要的个性化信息。

众多厂商(如电商Amazon、影视Netflix以及音乐Pandora、Last.fm和国内的豆瓣、京东、天猫等)的个性化物品推荐服务(如新闻推送、电影书刊的私人定制等)，有效满足了人们在过载的信息当中筛选出符合自身兴趣偏好的个性化需求。同样，在推荐***面向的崭新的交通出行领域，人们在出行过程中对交通信息个性化的需求也日趋强烈。然而，针对个性化路径推荐领域，特别是***可行的个性化路径推荐方法，目前尚未见公开报道(截至2017年3月)。

现有的路径规划方法并不考虑出行者个性化偏好，并且交通信息来源单一，大部分产品基于静态信息(无实时变化)，或者是定性分级的路况信息(非常拥堵、拥堵、通畅等)，而非量化的交通信息。主流的路径规划产品，如百度地图(导航)、高德地图(导航)等，也只是分情况的提供了不同种类的路径规划方案(如最短时间、最小距离、优先高速公路等)，并未考虑不同个体出行者的不同出行偏好。

现有路径规划技术的主要缺点有如下3点：

(1)未考虑实时动态变化的路径交通信息。交通网络当中的一条路径会由多个路段构成，路段上的通行时间、路况等信息也会随着时间的变化而发生改变，这样会造成路径状态信息呈现出非线性、随机的复杂特征。也就是说，路网当中的路径是属性随着时间变化而变化的动态多属性实体；受制于传统交通信息采集、传输、存储、计算等技术的限制，现有的路径规划***没有考虑实时动态变化的路径交通信息。

(2)未考虑不利天气因素(如雾、雨、雪、霾等)对路径状态和个体出行者的量化影响，对道路施工、大型赛事等事件对交通出行的影响也考虑不足。多变的天气因素对不同道路的出行影响程度有所不同；同样，不种各类和性质的道路施工和体育赛事等，也会影响局部区域的道路通行状况。而现有的路径规划技术没有量化考虑这些因素对道路通行能力的实际影响。

(3)未考虑不同出行个体间的个性化偏好差异。交通网络当中涉及到的因素繁多，而现实当中的个体出行者更是需求多样。不同出行者所考虑的偏好因素有所不同，即使考虑的偏好因素大致一样，而偏好程度也必定会有所差异。同时，也必须认识到，个体出行者的偏好程度是一个主观、模糊且难以定量测量的因素。这样以来，传统的路径规划技术无法实现对个体出行者偏好因素的定量采集与分析。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种车联网环境下的个性化路径推荐方法，是一种在车联网环境提供的交通信息中，为满足用户对个性化出行的需求，运用推荐技术提取出符合用户偏好的动态个性化路径信息的一整套解决方案。本发明中，建立路网模型，给定起始点和终点，在路网中搜索出所有的可行路径，根据出行者的出行偏好，利用推荐算法找到与用户偏好最相似的路径。

本发明在个性化路径推荐过程中，同时考虑4种出行因素集合，即{时间，费用，便捷性，距离}；在交通网络中，采用栈思想实现的求解从起点到终点所有可行路径集合的回溯算法；依据出行者个性偏好特征向量和可行路径特征向量实现的基于Pearson相关系数的路径推荐算法。

其具体技术方案为：

一种车联网环境下的个性化路径推荐方法，包括以下步骤：

步骤1：在车联网环境下，建立符合个性化出行的路网模型；

步骤2：根据起始点与终点，在路网中找到所有可行路径；

步骤3：获得可行路径的路径特征向量；

步骤4：根据出行者的偏好获得出行者偏好特征向量；

步骤5：用推荐算法将可行路径进行排序；

步骤6：输出排序为最前面的路径作为个性化推荐路径。

进一步，所述步骤1包括：

步骤1.1：定义G(V，A)表示由有限个数的节点组成的物理交通网络，V代表节点集合，A代表有向路段集合。a代表路网中的一个有向路段，a∈A；R代表源点集合，且S代表目的点集合，且r代表一个源点且r∈R；s代表一个目的点，且s∈S；K_rs表示OD对rs间所有可行路径的集合；k表示OD对rs间的一条可行路经，

步骤1.2：路径长度属性，路径长度可以由实际路径经由的各个路段的物理距离叠加得到。

所述路径长度属性定义为：OD对rs间第k条路径的物理出行距离l_rs，k可由式(1)计算：

其中，l_a表示路段a的物理长度，为OD对rs间路段a与路径k的相关变量，即0-1变量，若路段a在连接OD对rs间的第k条路径上，则否则

步骤1.3：便捷性也是路段的重要属性，影响路段便捷性的主要因素为道路等级、天气情况、交通事故情况以及道路管制情况，路径便捷性由构成该路径的所有路段的便捷性叠加得到。

步骤1.4：对BPR函数进行改进，用于计算路段通行时间。进而，路径通行时间可由构成该路径的所有路段的通行时间叠加得到。

所述BPR函数定义为：BPR函数是美国联邦公路局函数，使用于路段自由行驶时间计算。

所述路段通行时间定义为：路段上的实际出行时间，可用式(4)计算：

其中，为零流阻抗，即路段a上流量为零时车辆行驶所需时间；x_a为路段a的交通流量；Q_a′为路段a的实际通行能力；α₁，α₂为阻滞系数。

所述实际通行能力定义为：受到天气、交通事故以及道路管制对路段的影响后的通行能力，可用式(5)计算：

其中，Q_a为路段a的理论通行能力。

所述路径通行时间定义为：第h时刻OD对rs间第k条路径的出行时间可由式(6)所示：

步骤1.5：路径费用属性，路径费用可以由实际路径经由的各个路段的实际收费叠加得到。

所述路径费用属性定义为：OD对rs间第k条路径的出行费用e_rs，k，可由式(7)计算：

其中，e_a表示路段a上的拥挤收费。

再进一步，步骤1.3中，所述道路等级定义为：城市道路等级分为快速路、主干路、次干路、支路四级；

针对路段便捷度，设定一级路段取值为“1”，二级路段取值为“2”，三级路段取值为“3”，四级路段取值为“4”；

所述天气情况定义为：天气情况对路段a的影响程度；

所述交通事故情况定义为：交通事故情况对路段a的影响程度；

所述道路管制情况定义为：道路管制情况对路段a的影响程度；

所述路段便捷性定义为：路段a的便捷性b_a由式(2)计算：

其中，g_a为路段a的道路等级，表示为天气情况对路段a的影响程度，如雾、雨天、雪天等；表示为交通事故情况对路段a的影响程度；表示为道路管制情况对路段a的影响程度，如修路、修地铁等，且

所述路径便捷性定义为：OD对rs间第k条路径的便捷性b_rs，k由式(3)计算：

进一步，所述步骤2包括：

步骤2.1：输入起点v_r和终点v_s；

步骤2.2：将v_j(j∈{1，2，3，...，n})的邻接结点按编号顺序从小到大依次存入数组中；初始化指针数组新建一个栈Stack；m＝1；

步骤2.3：push(v_r)；

步骤2.4：若Stack不为空，则v_k＝peek()；否则，转向步骤2.8；

步骤2.5：若则否则，pop()，转向步骤2.4；

步骤2.6：若peek()≠v_s，转向步骤2.4；

2.7：逆序(自栈底向栈顶)打印栈Stack中的全部元素，记录至K_rs，m，m＝m+1，pop()，转向步骤2.4；

2.8：生成新的集合K_rs＝{K_rs，m|m∈N^*}；

2.9：算法结束。

所述push(v_r)定义为：将数据元素v_r压入栈顶，同理

所述peek()定义为：读取栈顶元素并返回其值。

所述pop()定义为：删除栈顶元素。

进一步，所述步骤3包括：

步骤3.1：将可行路径用路径特征向量标记。

步骤3.2：为了使路径推荐具有统一可行的标准，需要将路径特征向量中的数据进行归一化，如式(8)所示：

其中，x_max为备选路径的四元组中每一项属性的最大值。

步骤3.3：路径特征向量经过归一化处理后，转换为标准化路径特征向量

进一步，所述步骤4包括：

步骤4.1：不同出行者对出行时间、费用、便捷度、以及路径距离的偏好程度不同。因此，可以定义出行者i的路径偏好特征向量并设定0≤u^l≤1，且

进一步，所述步骤5包括：

步骤5.1：使用Pearson相关系数度量偏好特征向量和路径特征向量间的相关程度。根据Pearson相关系数计算K_rs中每条可行路径与指定出行者i的相似程度，进而将相似度最高的路径推荐给出行者i。则第h时刻出行者i和备选路径k的相似度可由式(9)计算：

描述的是两个变量相关性的强弱程度，且

进一步，所述步骤6包括：

步骤6.1：

针对于出行者i，在h时刻相似度最大的路径表示为出行者i推荐的最符合出行者偏好的路径，且

与现有技术相比，本发明的有益效果为：

1.充分利用车联网提供的实时准确的多种交通信息，结合出行者的个性化出行需求，为出行者提供符合个体偏好需求的路径推荐服务，实现了个体出行路径的私人定制；

2.能够实时响应一些意外交通状况，如交通事故、道路施工维护、大型赛事等，提供在这些状况发生时的个性化路径推荐；

3.从整体交通网络的角度来看，由于出行者的偏好千差万别，个性化路径推荐可以有效的实现交通流依据个体偏好进行分配，客观上避免了所有出行者在个别路径上的集聚，使得整个交通网络的交通流分配更加合理均衡。

附图说明

图1是车联网环境下的个性化路径推荐方法流程图；

图2是仿真路网。

具体实施方式

下面结合具体附图和实施例对本发明的技术方案作进一步详细地说明。

参照图1，一种车联网环境下的个性化路径推荐方法，包括以下步骤：

步骤1：在车联网环境下，建立符合个性化出行的路网模型；

步骤2：根据起始点与终点，在路网中找到所有可行路径；

步骤3：获得可行路径的路径特征向量；

步骤4：根据出行者的偏好获得出行者偏好特征向量；

步骤5：用推荐算法将可行路径进行排序；

步骤6：输出排序为最前面的路径作为个性化推荐路径。

进一步，所述步骤1包括：

步骤1.1：定义G(V，A)表示由有限个数的节点组成的物理交通网络，V代表节点集合，A代表有向路段集合。a代表路网中的一个有向路段，a∈A；R代表源点集合，且S代表目的点集合，且r代表一个源点且r∈R；s代表一个目的点，且s∈S；K_rs表示OD对rs间所有可行路径的集合；k表示OD对rs间的一条可行路经，

步骤1.2：路径长度属性，路径长度可以由实际路径经由的各个路段的物理距离叠加得到。

所述路径长度属性定义为：OD对rs间第k条路径的物理出行距离l_rs，k可由式(1)计算：

其中，l_a表示路段a的物理长度，为OD对rs间路段a与路径k的相关变量，即0-1变量，若路段a在连接OD对rs间的第k条路径上，则否则

步骤1.3：便捷性也是路段的重要属性，影响路段便捷性的主要因素为道路等级、天气情况、交通事故情况以及道路管制情况。进而，路径便捷性可由构成该路径的所有路段的便捷性叠加得到。

所述道路等级定义为：城市道路等级分为快速路、主干路、次干路、支路四级。根据国家《城市规划定额指标暂行规定》的有关规定，道路可划分为四级，如表1所示：

表1 道路等级划分表

为便于量化研究，针对路段便捷度，本发明中设定一级路段取值为“1”，二级路段取值为“2”，三级路段取值为“3”，四级路段取值为“4”。

所述天气情况定义为：天气情况对路段a的影响程度，如雾、雨天、雪天等。

所述交通事故情况定义为：交通事故情况对路段a的影响程度。

所述道路管制情况定义为：道路管制情况对路段a的影响程度，如修路、修地铁等。

所述路段便捷性定义为：路段a的便捷性b_a由式(2)计算：

其中，g_a为路段a的道路等级，表示为天气情况对路段a的影响程度，如雾、雨天、雪天等；表示为交通事故情况对路段a的影响程度；表示为道路管制情况对路段a的影响程度，如修路、修地铁等，且

所述路径便捷性定义为：OD对rs间第k条路径的便捷性b_rs，k可由式(3)计算：

步骤1.4：对BPR函数进行改进，用于计算路段通行时间。进而，路径通行时间可由构成该路径的所有路段的通行时间叠加得到。

所述BPR函数定义为：BPR函数是美国联邦公路局函数，使用于路段自由行驶时间计算。

所述路段通行时间定义为：路段上的实际出行时间，可用式(4)计算：

其中，为零流阻抗，即路段a上流量为零时车辆行驶所需时间；x_a为路段a的交通流量；Q_a′为路段a的实际通行能力；α₁，α₂为阻滞系数。

所述实际通行能力定义为：受到天气、交通事故以及道路管制对路段的影响后的通行能力，可用式(5)计算：

其中，Q_a为路段a的理论通行能力。

所述路径通行时间定义为：第h时刻OD对rs间第k条路径的出行时间可由式(6)所示：

步骤1.5：路径费用属性，路径费用可以由实际路径经由的各个路段的实际收费叠加得到。

所述路径费用属性定义为：OD对rs间第k条路径的出行费用e_rs，k，可由式(7)计算：

所述步骤2包括：

步骤2.1：输入起点v_r和终点v_s；

步骤2.2：将v_j(j∈{1，2，3，...，n})的邻接结点按编号顺序从小到大依次存入数组中；初始化指针数组新建一个栈Stack；m＝1；

步骤2.3：push(v_r)；

步骤2.4：若Stack不为空，则v_k＝peek()；否则，转向步骤2.8；

步骤2.5：若则否则，pop()，转向步骤2.4；

步骤2.6：若peek()≠v_s，转向步骤2.4；

2.7：逆序(自栈底向栈顶)打印栈Stack中的全部元素，记录至K_rs，m，m＝m+1，pop()，转向步骤2.4；

2.8：生成新的集合K_rs＝{K_rs，m|m∈N^*}；

2.9：算法结束。

所述push(v_r)定义为：将数据元素v_r压入栈顶，同理

所述peek()定义为：读取栈顶元素并返回其值。

所述pop()定义为：删除栈顶元素。

所述步骤3包括：

步骤3.1：将可行路径用路径特征向量标记。

步骤3.2：为了使路径推荐具有统一可行的标准，需要将路径特征向量中的数据进行归一化，如式(8)所示：

其中，x_max为备选路径的四元组中每一项属性的最大值。

步骤3.3：路径特征向量经过归一化处理后，转换为标准化路径特征向量

所述步骤4包括：

步骤4.1：不同出行者对出行时间、费用、便捷度、以及路径距离的偏好程度不同。因此，可以定义出行者i的路径偏好特征向量并设定0≤u^l≤1，且

所述步骤5包括：

步骤5.1：使用Pearson相关系数度量偏好特征向量和路径特征向量间的相关程度。根据Pearson相关系数计算K_rs中每条可行路径与指定出行者i的相似程度，进而将相似度最高的路径推荐给出行者i。则第h时刻出行者i和备选路径k的相似度可由式(9)计算：

描述的是两个变量相关性的强弱程度，且

所述步骤6包括：

步骤6.1：

针对于出行者i，在h时刻相似度最大的路径表示为出行者i推荐的最符合出行者偏好的路径，且

实施例

首先，建立实时交通路网模型，如图2所示的仿真路网。图中边上的数字顺序依次为路段编号、长度(单位：km)、交通容量(单位：veh/h)、路段费用(单位：元)、路段等级。

其次，根据出行者的出行目的，从起点编号1到终点编号9，计算出所有的可行路径。根据可行路径上的路段属性，获得路径基础属性，如表2所示。

表2.路径基础属性

对路径属性数据进行归一化，得到路径特征向量，根据路径特征向量分析出路径特征，如表3所示。

表3.路径特征向量

最后，针对具有不同偏好的出行者，计算出所有可行路径与他们之间的Pearson相似系数，将Pearson相似系数进行排序，Pearson相似系数越大的越符合出行者偏好，从而获得推荐路径结果，如表4所示。

表4.出行者与路径之间的Pearson相似系数

对于出行者1，出行偏好侧重时间和便捷性，因此路径1与之最相似；对于出行者2，出行偏好侧重费用，对时间和便捷性也较为偏好，因此路径2与之最相似；对于出行者3，出行偏好侧重便捷性，对时间也较为偏好，因此路径1与之最相似；对于出行者4，出行偏好侧重长度，对时间和费用也较为偏好，因此路径4与之最相似；对于出行者5，出行偏好侧重时间，对费用和便捷性也较为偏好，因此路径2与之最相似；对于出行者6，出行偏好侧重便捷性，对时间和费用也较为偏好，因此路径1与之最相似。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (8)

1.一种车联网环境下的个性化路径推荐方法，其特征在于，包括以下步骤：

步骤1：在车联网环境下，建立符合个性化出行的路网模型；

步骤2：根据起始点与终点，在路网中找到所有可行路径；

步骤3：获得可行路径的路径特征向量；

步骤4：根据出行者的偏好获得出行者偏好特征向量；

步骤5：用推荐算法将可行路径进行排序；

步骤6：输出排序为最前面的路径作为个性化推荐路径。

2.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，所述步骤1包括：

步骤1.1：定义G(V，A)表示由有限个数的节点组成的物理交通网络，V代表节点集合，A代表有向路段集合；a代表路网中的一个有向路段，a∈A；R代表源点集合，且S代表目的点集合，且r代表一个源点且r∈R；s代表一个目的点，且s∈S；K_rs表示OD对rs间所有可行路径的集合；k表示OD对rs间的一条可行路经，

步骤1.2：路径长度属性，路径长度由实际路径经由的各个路段的物理距离叠加得到；

所述路径长度属性定义为：OD对rs间第k条路径的物理出行距离l_rs，k由式(1)计算：

$l_{rs,k}=\underset{a}{\Σ}{l}_a\·{\mathrm{\δ}}_{rs,k}^a,\∀r,s,k---\left(1\right)$

其中，l_a表示路段a的物理长度，为OD对rs间路段a与路径k的相关变量，即0-1变量，若路段a在连接OD对rs间的第k条路径上，则否则

步骤1.3：便捷性也是路段的重要属性，影响路段便捷性的主要因素为道路等级、天气情况、交通事故情况以及道路管制情况，路径便捷性由构成该路径的所有路段的便捷性叠加得到；

步骤1.4：对BPR函数进行改进，用于计算路段通行时间；进而，路径通行时间由构成该路径的所有路段的通行时间叠加得到；

所述BPR函数定义为：BPR函数是美国联邦公路局函数，使用于路段自由行驶时间计算；

所述路段通行时间定义为：路段上的实际出行时间，用式(4)计算：

$t_a^h\left(x_a\right)=t_a^0\[1+{\mathrm{\α}}_1{\left(\frac{x_a}{{Q_a}^{\′}}\right)}^{{\mathrm{\α}}_2}\],\∀a\∈A---\left(4\right)$

其中，为零流阻抗，即路段a上流量为零时车辆行驶所需时间；x_a为路段a的交通流量；Q_a′为路段a的实际通行能力；α₁，α₂为阻滞系数；

所述实际通行能力定义为：受到天气、交通事故以及道路管制对路段的影响后的通行能力，用式(5)计算：

${Q_a}^{\′}=(1-h_w^a)\·(1-h_d^a)\·(1-h_m^a)\·Q_a---\left(5\right)$

其中，Q_a为路段a的理论通行能力；

所述路径通行时间定义为：第h时刻OD对rs间第k条路径的出行时间由式(6)所示：

$t_{rs.k}^h=\underset{a}{\Σ}{t}_a^h\·{\mathrm{\δ}}_{rs,k}^a,\∀r,s,k---\left(6\right)$

步骤1.5：路径费用属性，路径费用可以由实际路径经由的各个路段的实际收费叠加得到；

所述路径费用属性定义为：OD对rs间第k条路径的出行费用e_rs，k，由式(7)计算：

$e_{rs.k}=\underset{a}{\Σ}{e}_a\·{\mathrm{\δ}}_{rs,k}^a,\∀r,s,k---\left(7\right)$

其中，e_a表示路段a上的拥挤收费。

3.根据权利要求2所述的车联网环境下的个性化路径推荐方法，其特征在于，步骤1.3中，所述道路等级定义为：城市道路等级分为快速路、主干路、次干路、支路四级；

针对路段便捷度，设定一级路段取值为“1”，二级路段取值为“2”，三级路段取值为“3”，四级路段取值为“4”；

所述天气情况定义为：天气情况对路段a的影响程度；

所述交通事故情况定义为：交通事故情况对路段a的影响程度；

所述道路管制情况定义为：道路管制情况对路段a的影响程度；

所述路段便捷性定义为：路段a的便捷性b_a由式(2)计算：

$b_a=g_a(h_w^a+h_d^a+h_m^a)---\left(2\right)$

其中，g_a为路段a的道路等级，表示为天气情况对路段a的影响程度；表示为交通事故情况对路段a的影响程度；表示为道路管制情况对路段a的影响程度，且

所述路径便捷性定义为：OD对rs间第k条路径的便捷性b_rs，k由式(3)计算：

$b_{rs,k}=\frac{\underset{a}{\Σ}{b}_a\·L_a\·{\mathrm{\δ}}_{rs,k}^a}{\underset{a}{\Σ}{L}_a\·{\mathrm{\δ}}_{rs,k}^a},\∀r,s,k---\left(3\right).$

4.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，所述步骤2包括：

步骤2.1：输入起点v_r和终点v_s；

步骤2.2：将v_j(j∈{1，2，3，...，n})的邻接结点按编号顺序从小到大依次存入数组中：初始化指针数组 新建一个栈Stack；m＝1；

步骤2.3：push(v_r)；

步骤2.4：若Stack不为空，则v_k＝peek()；否则，转向步骤2.8；

步骤2.5：若则否则，pop()，转向步骤2.4；

步骤2.6：若peek()≠v_s，转向步骤2.4；

2.7：逆序(自栈底向栈顶)打印栈Stack中的全部元素，记录至K_rs，m，m＝m+1，pop()，转向步骤2.4；

2.8：生成新的集合K_rs＝{K_rs，m|m∈N^*}；

2.9：算法结束；

所述push(v_r)定义为：将数据元素v_r压入栈顶，同理

所述peek()定义为：读取栈顶元素并返回其值；

所述pop()定义为：删除栈顶元素。

5.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，所述步骤3包括：

步骤3.1：将可行路径用路径特征向量标记；

步骤3.2：为了使路径推荐具有统一可行的标准，需要将路径特征向量中的数据进行归一化，如式(8)所示：

$X=1-\frac{x}{x_{max}}---\left(8\right)$

其中，x_max为备选路径的四元组中每一项属性的最大值；

步骤3.3：路径特征向量经过归一化处理后，转换为标准化路径特征向量

6.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，所述步骤4包括：

步骤4.1：不同出行者对出行时间、费用、便捷度、以及路径距离的偏好程度不同；定义出行者i的路径偏好特征向量并设定0≤u^l≤1，且

7.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，所述步骤5包括：

步骤5.1：使用Pearson相关系数度量偏好特征向量和路径特征向量间的相关程度；根据Pearson相关系数计算K_rs中每条可行路径与指定出行者i的相似程度，进而将相似度最高的路径推荐给出行者i；则第h时刻出行者i和备选路径k的相似度由式(9)计算：

$p_k^{h,i}=sim(k^h,u^i)=\frac{\underset{j=1}{\overset{4}{\Σ}}(u_j^i-\stackrel{\‾}{u^i})(k_j^h-\stackrel{\‾}{k^h})}{\sqrt{\underset{j=1}{\overset{4}{\Σ}}{(u_j^i-\stackrel{\‾}{u^i})}^2}\sqrt{\underset{j=1}{\overset{4}{\Σ}}{(k_j^h-\stackrel{\‾}{k^h})}^2}}---\left(9\right)$

描述的是两个变量相关性的强弱程度，且

8.根据权利要求1所述的车联网环境下的个性化路径推荐方法，其特征在于，述步骤6包括：步骤6.1：

针对于出行者i，在h时刻相似度最大的路径表示为出行者i推荐的最符合出行者偏好的路径，且