王雯静，干宏程，黄玥，王馨玉，陆欢

摘  要：随着城市机动车保有量的飞速发展，燃烧化石燃料造成的空气污染增加了人们健康问题的风险。在智慧城市理念的推动下，提出智慧城市出行诱导系统，该系统使用推荐系统和游戏化反馈来激励城市居民转向更健康环保的积极交通工具，以替代传统的燃油汽车。该系统基于用户交通出行的历史数据和用户偏好，为用户推荐个性化的交通方式和路径。此外，该系统向用户游戏化地反馈其决策对个人健康和财务的影响，来说服用户做出更健康环保的交通决策。

关键词：智慧城市；个性化推荐；游戏化；出行诱导系统

中图分类号：F570    文献标志码：A

DOI：10.13714/j.cnki.1002-3100.2023.11.019

Abstract： With the rapid development of urban motor vehicle ownership， air pollution caused by burning fossil fuels increases the risk of people's health problems. Driven by the concept of smart city， a smart city travel guidance system is proposed. The system uses a recommendation system and gamified feedback to encourage urban residents to turn to healthier and environmentally friendly active means of transportation to replace traditional fuel vehicles. Based on the historical data of users' travel and user preferences， the system recommends personalized transportation modes and routes for users. In addition， the system provides users with gamified feedback on the impact of their decisions on personal health and finance to convince users to make healthier and environmentally friendly traffic decisions.

Key words： smart city; personalized recommendation; gamification; travel guidance system

0  引  言

隨着移动互联网、物联网、大数据、云计算、人工智能等技术的快速发展，智慧城市的理念应运而生。智慧城市是一座利用科技改善居民生活的城市[1]。而交通运输是一个城市的血脉，在智慧城市中建设“智慧道路”，为城市的发展源源不断地“供氧”，是实现智慧城市全面发展的必经之路[2]。

由于城市机动车保有量的飞速增加，交通拥堵日益严重，碳排放造成的空气污染极大地增加了人们患肺癌、哮喘等重大疾病的风险[3]。而自行车和步行等被视为可以代替化石燃料的交通，且健康环保的积极交通工具[4]。积极交通不仅有助于减少道路拥堵和减少碳排放，而且有助于提升城市居民整体的健康水平和生活质量，并可以改善城市安全。

根据智慧城市的理念，本文提出了智慧城市出行诱导系统，该系统使用个性化推荐系统和游戏化反馈来激励城市居民从小汽车出行转向公共交通、自行车和步行等积极交通工具。

在传统的交通诱导系统中，主要为用户找到从A点到B点使用不同交通工具的最短路径[5]。而智慧城市出行诱导系统在基本的交通功能基础上增加了以下新的功能：（1）系统会根据出行环境和用户的偏好，向用户推荐个性化的路径。（2）系统会为用户提供每次出行决策后的反馈信息。反馈的目的是激励用户选择更健康环保的出行方式。

这项工作的主要目标是阐明智慧城市出行诱导系统的开发设计。该系统能够帮助居民做出更健康环保的交通决策。

1  相关工作

1.1  智慧城市。智慧城市的概念是习近平总书记于2016年提出的。通过人工智能、物联网、大数据等先进的技术手段对城市进行现代化治理。从城市的信息化，到城市的智能化，再到城市的智慧化，是建设智慧城市的必由之路[6]。可以说，建设智慧城市是以习近平同志为核心的党中央立足我国城市发展的实际，顺应新时代城市发展的趋势，主动适应经济发展的新常态，培育新的经济增长点，增强发展新动能，而做出的重大战略部署[7]。近年来，全国各地积极拥护党的指示，积极推动智慧城市建设，在政府政务、交通领域、公共安全等方面都取得了显著的进展。

当前，已经有许多关于改善城市居民日常出行的应用程序。例如，一些应用程序通过传感器或驾驶员报告等方式收集交通数据，为居民提供实时的道路拥堵或事故的相关路况信息[8]。还有一些应用程序允许居民提供路上的坑洞、垃圾、有缺陷的设施和非法广告等问题信息。这类应用程序能否成功发挥其作用，都需要大量的居民参与其中[9]。然而，当前激励居民使用这些应用程序的方法主要是依靠外在动机，如商店的折扣券或少量的现金作为奖励，而不是利用居民的内在动机。研究表明，与外在动机相比，内在动机更能长期地影响居民的行为改变[10]。因此，本文的方法是为用户展示他们的交通决策对环境、健康等方面的影响，从而激发居民的内在动机，进而使居民转向更健康环保的交通方式。

1.2  推荐系统。推荐系统是一种信息过滤系统，它是根据对用户的信息进行数据发掘，预测用户可能感兴趣的信息或产品，并进行相应的推荐[11]。它通常会根据用户感兴趣的相关得分生成推荐列表。推荐系统已经被应用于众多领域。

基于内容推荐和协同过滤推荐是最常用的推荐系统。基于内容的推荐是建立在项目的内容信息上，通过机器学习的方法从关于内容的特征描述中得到用户感兴趣的信息[12]。该方法的优点是它不需要其他用户的数据，没有冷启动和稀疏问题。然而，其缺点也很明显，有限的内容分析，不能为用户发现新的感兴趣资源。协同过滤推荐根据相似用户的决策建立模型，相似性是根据用户喜欢的共同项目或属性来决定的[13]。然后运用该模型预测用户可能感兴趣的项目。该方法与基于内容推荐相比，能够过滤难以进行机器自动内容分析的信息，同时具有推荐新信息的能力。但是，该方法也有其自身的缺陷，如存在冷启动和稀疏问题。因此，为了弥补各自推荐技术的弱点，这两种方法通常组合起来使用。

基于知识的推荐系统，它不是建立在用户需求和偏好基础上的，而是通过功能知识进行推理来判断用户的需求和偏好来产生推荐[14]。因此，该方法对项目如何满足特定用户的需求做出预期，通过推理并能够解释用户的需要和推荐的项目之间的关系。

2  智慧城市出行诱导系统开发

智慧城市出行诱导系统是一种交通出行方式诱导系统，它通过个性化推荐系统和游戏化反馈来激励城市居民转向健康环保的积极交通工具出行。

为了推动用户从高污染的交通工具转向更积极的交通工具，推荐系统给出的推荐建议应该基于用户的偏好和用户使用交通工具的实际反馈数据的证据。这些推荐建议要基于许多不同且可能会影响居民出行路线或方式决策的变量。这些变量包括天气、出行距离、道路基础设施和实时的路况信息等。通过推荐系统和及时的反馈信息，给用户观测新行为结果和反思自我决策行为的机会，从而逐渐实现改变用户不良交通习惯的目的。

下面将详细阐述智慧城市出行诱导系统的主要组件：系统架构、路线计算模块、推荐系统模块和反馈模块。

2.1  系统架构。智慧城市出行诱导系统的基本架构如图1所示。用户使用系统，输入起点和终点表明他们将进行出行。路线计算模块接收到起点和终点的位置，通过计算生成多条不同交通方式的可能路线。在路线计算时，会考虑实时的交通状况、空气质量和出行距离等因素。推荐系统模块接收到生成的路线后，根据用户的信息，对它们进行个性化排序。用户在推荐的路线中选择首选项。反馈模块为用户提供路线的成本、行程时间、碳排放和燃烧的卡路里等反馈信息。

2.2  路线计算模块。智慧城市出行诱导系统的路线计算模块，采用GraphHopper的算法生成起点到终点的不同路线。该算法基于Dijkstra的最短路径算法[15]。在此基础上对算法进行了改进，使其不止是依赖于距离，而是会根据多个因素（如空气质量、天气和交通状况等）生成各种路线。在计算时，空气质量、天气和交通状况等被看作模拟变量。例如，空气质量通过0到5之间的数表示，0是空气污染严重，5是空气质量优。路线计算模块为每种出行方式计算出三条备选路线，分别是：按距离计算的最短路线；按照交通状况和距离计算的最优路线；按照空气质量、天气状况、交通状况和距离等因素计算的最优路线。

2.3  推荐系统模块。智慧城市出行诱导系统中的推荐系统模块是基于内容的过滤来生成推荐的。内容是用户交通决策的历史数据。为了避免基于内容推荐的冷启动问题，系统还加入了用户的偏好等变量。

推荐系统模块确定的可能影响用户交通工具决策的变量包括：空气质量、天气状况、气温、交通状况、自行车车道的可用性、人行道的可用性、出行时间和出行距离等。自行车道和人行道的可用性取值是0到5的数值，0表示整个路线中没有自行车道或人行道可用，5表示整个路线中到处都有自行车道或人行道。

由于在初始阶段该系统没有关于用户的历史数据，因此，会向用户询问一系列问题，以获得用于构建初始模型的用户偏好。这些问题包括各种天气状况、交通状况、温度等情况下用户会使用某种交通工具的可能性。

每当用户做出一次出行决策时，数据就会建立新的一行储存在观测矩阵中。例如，表1中的第二行描述了用户的一次出行决策数据，出行时间为星期一的8：00，出行距离为15公里，天气适中，气温为12℃，空气质量良好，交通状况比较拥挤，整个路徑中有一半的路有自行车道和人行道，新鲜度为1表示这是该用户首次的出行决策数据。加入新鲜度变量的目的是为了帮助推荐模块对最新记录的决策数据给予更多的重视。随着用户使用系统记录的决策数据不断增加，他们的行为将发生比较大的变化，因此，该系统应该更多地重视用户最近一次的出行决策数据。

记录新的出行决策数据的同时，它会以累积的形式更新用户配置文件。用户配置文件是一个矩阵，它可用于对用户的偏好和决策进行建模。表2显示了一个用户配置文件矩阵部分变量的示例。

在用户配置文件矩阵中，行代表可能影响用户交通方式决策的变量，而列表示不同的交通方式。观测矩阵中的每一次观测决策都用于更新用户配置文件矩阵。例如，表1中的第一次观测结果使用的交通工具是小汽车，因此将对交通工具“小汽车”列下的单元格的数据进行更新。第一次观测结果的出行距离为15km，该距离对应于出行距离中的“非常长距离”。因此，在“小汽车与非常长距离”的单元格数据加1（1代表新鲜度）。第一次观测结果的气温为12℃，对应于气温“温和”。因此，在“小汽车与温和”的单元格数据加1。

基于观测更新用户配置文件矩阵的算法步骤如下：

算法1：更新用户配置文件矩阵

输入：观测矩阵中的观测值M，用户配置文件矩阵Y。

输出：更新的用户配置文件矩阵。

Step1：I=M“交通工具”；

Step2：foreach entry in M do；

Step3：variable_index=entry.index；

Step4：Yvariable_indexI+=M“新鲜度”；

Step5：end。

推荐系统模块对路线计算器生成的不同路线进行排序，然后按照路线排名的先后顺序向用户展示，从而实现推荐。排序是基于用户配置文件矩阵计算的。为了对每条路线进行排序，推荐系统模块首先将每条路线作为一组属性进行排序。接着，计算属性变量与交通工具之间的Phi相关性。计算相关性后，将其转换为Fisher变换。这种转换生成的函数是正态分布的。最后，计算所有Fisher变换值的平均值，以得出路线的得分。该算法具体的步骤如下：

算法2：计算路线分数

输入：特定路线的路线属性RA，表示用户配置文件矩阵trans_index中的交通方式索引，用户配置文件矩阵Y。

输出：用于对路线进行排名的分数：

Step1：foreach attribute in RA do；

Step2：correlation=corrattribute， trans_index；

Step3：fisher=fishercorrelation；

Step4：fisher_list.addfisher；

Step5：score=meanfisher_list；

Step6：end。

2.4  反馈模块。反馈模块使用游戏化的方式向用户反馈每次出行后的决策数据。采用游戏化的方式能够吸引用户重视反馈信息，进而达到激励用户做出健康环保的交通出行决策。反馈模块除了显示每条路线的行程时间和距离外，还会显示与居民健康生活（如燃烧的卡路里）、节省的费用和环境保护（如碳排放量）等有关的路线数据。此外，该模块还突出显示了最环保或最不环保的路线。

3  结束语

本文介绍了智慧城市出行诱导系统的开发设计，它是一个帮助居民做出更健康环保出行的交通决策系统。与传统的交通诱导系统不同，智慧城市出行诱导系统使用个性化推荐系统。根据用户交通出行的历史数据和其他因素（包括天气、交通状况等）提供交通建议，该系统向用户提供推荐路线的游戏化式的反馈信息，试图说服用户做出更健康环保的交通决策。未来，将通过随机抽样的用户来测试这些推荐信息的准确性，同时测试反馈信息对用户决策的影响。

参考文献：

[1] 郭杰，王珺，姜璐，等. 从技术中心主义到人本主义：智慧城市研究进展与展望[J]. 地理科学进展，2022，41（3）：488-498.

[2] 纪汉霖，刘雨欣. 精细化导向的智慧城市建设研究——以上海市为例[J]. 软件导刊，2022，21（9）：241-246.

[3] 陈振，昝哲，张康辉，等. 城市交通源污染与居民健康效益仿真研究[J]. 计算机仿真，2022，39（4）：91-96.

[4] 陆超，杨世仪. 城市交通低碳发展的路径分析[J]. 人民论坛，2022（15）：69-71.

[5] 潘海珠，杜晓昕，王波. 交通路径诱导系统中最优路径选取研究与仿真[J]. 计算机仿真，2012，29（7）：372-374，397.

[6] 方卫华，绪宗刚. 智慧城市：内涵重构、主要困境及优化思路[J]. 东南学术，2022（2）：84-94.

[7] 李霞，陈琦，贾宏曼. 中国智慧城市政策体系演化研究[J]. 科研管理，2022，43（7）：1-10.

[8] 杨飞，郭煜东，JINJP，等. 基于手机传感器数据的交通出行调查实证评估[J]. 交通运输工程学报，2020，20（1）：226-238.

[9] 朱征宇，崔明，劉琳. 基于GPS终端的实时路况信息采集方法研究[J]. 计算机工程，2013，39（7）：21-25.

[10] 简云龙，刘源. 动机的结构与效应：基于动机连续体的视角[J]. 心理科学进展，2022，30（7）：1589-1603.

[11] 李松，王冠群，郝晓红，等. 面向推荐系统的多目标决策优化算法[J]. 西安交通大学学报，2022，56（8）：104-112.

[12] 刘华玲，马俊，张国祥. 基于深度学习的内容推荐算法研究综述[J]. 计算机工程，2021，47（7）：1-12.

[13] 赵俊逸，庄福振，敖翔，等. 协同过滤推荐系统综述[J]. 信息安全学报，2021，6（5）：17-34.

[14] 胡皓禹，杨兴耀，于炯，等. 基于对象特征组合联合知识图谱的推荐系统[J]. 微电子学与计算机，2022，39（7）：36-43.

[15] 王树梅，黄石，臧禹顺. 基于Dijkstra算法的城市物流公交系统优化[J]. 计算机技术与发展，2021，31（10）：179-183，189.