随着城市化的快速发展和机动车总量的持续增加,城市中的交通状况越来越复杂,路线推荐成为人们出行的一种迫切需要。传统的路线推荐方法通常由改进的图搜索算法计算最快或最短路线,而不考虑实际的交通情况和用户的出行偏好。因此,传统的路线推荐方法推荐的路线往往不能满足用户的实际出行需求。如何为用户推荐合理的出行路线一直都是研究者关注的热点问题。随着GPS设备的普及,人们能够非常方便地获取用户的历史出行轨迹数据。历史轨迹数据中包含着用户的出行偏好。因此,基于轨迹的路线推荐方法已逐渐引起了人们的关注。但是,目前已经提出的基于轨迹的路线推荐算法过度依赖历史轨迹的质量,当轨迹分布不均匀而导致某些区域轨迹稀疏时,算法性能不佳。针对现有的路线推荐方法不能很好地满足用户出行需求的问题,本文提出了一种名为2P++的路线推荐算法,该算法同时考虑了路线长度和用户出行偏好。2P++的基本思路是首先利用LSTM对历史轨迹数据进行分析以获取用户出行偏好,接着将出行偏好和MCMC采样技术引入到A*算法中,以保证得到的路线能满足用户的偏好且路线长度较短。通过使用北京市的出租车轨迹和电子地图对算法进行了实验验证。实验结果表明,与传统的最短路线推荐算法和目前领先的基于轨迹的路线推荐算法相比,在推荐路线的长度、准确度和行程时间上,2P++取得了更好的效果,能够推荐一条更优的出行路线。此外,2P++算法在估计路线的启发函数时仅考虑路线的长度,没有利用用户出行轨迹数据中的信息,因此启发函数的估计值不够准确,从而降低了算法效率。因此,本文使用图注意力网络来估计节点间的距离以改进路线推荐算法中的启发函数的计算。最后,通过实验,验证了算法的有效性。