随着人们出行需求的增加,作为不可再生能源的燃油的消耗量也正急剧增加。对于驾驶员而言,出行路径的选择不同,燃油消耗量也会有较大的差别。一般来说,乘用车驾驶员出于节省时间的目的,会依据导航推荐的最短或最快路线行车,但是对于商用车驾驶员来说,需要跨省域长距离行驶,会更关心省油路线以降低成本。另一方面,随着商用车联网大数据的发展,交通传感器和支持GPS技术设备的普及,大量的行车轨迹也给研究省油路线推荐问题提供了数据支持。因此,基于历史轨迹挖掘的长距离行车省油路线推荐成为了 一个热点研究问题。现有的省油路线推荐方法大多是在轨迹序列数据中,基于车辆行车速度等基本特征,使用物理公式、传统机器学习或深度学习的方法来预测油耗,然后使用路径规划算法来推荐城市内的省油路线,这有两个主要的局限性:首先,现有的大多数研究都集中在短距离路线推荐上,由于路网结构的差异和适用特征的不同,直接将为短距离出行设计的路线推荐方法应用于城市间长距离出行场景上,效果不佳。其次,驾驶员的驾驶行为偏好特征,如加速踏板位置、离合器使用频率等,对油耗的影响尚未得到充分的研究和利用。因此,本文针对基于历史轨迹挖掘的个性化长距离行车省油路线推荐问题展开了研究。针对此研究有以下三个挑战:第一,在历史轨迹数据中挖掘和量化驾驶行为偏好具有挑战性。由于并非驾驶员行车中的所有特征都会反映驾驶员行为偏好对油耗的影响,因此需要识别相关个性化特征并量化它们对油耗的影响。第二,在历史轨迹中提取长距离行车新特征并研究它们对油耗的影响具有挑战性。由于用于短距离行车油耗预测的特征并不能很好地应用于长距离行车场景,因此需要发现和提取新的长距离行车油耗特征。第三,有效地从长序列数据中进行特征学习并设计一个准确预测油耗的模型具有挑战性。以往的研究基本上都是使用RNN或CNN等深度学习方法进行油耗预测,但是由于RNN和CNN都存在长期依赖问题,因此需要一个能够更好地捕捉长序列特征的油耗预测模型。为了解决上述挑战,本文提出了一个新颖的个性化长距离行车省油路线推荐模型——PLd-FeRR（Personalized Long-distance Fuel-efficient Route Recommendation）。PLd-FeRR主要包含三个模块:第一个模块是特征提取和量化模块。该模块在历史轨迹数据中提取了加速踏板位置、刹车离合使用次数等偏好特征,将它们建模为驾驶员的个性化特征向量,并使用多元线性回归对剩余特征与长距离行车油耗进行相关性分析,选择权重大的因素作为长距离行车油耗特征。第二个模块是深度学习预测模型建模模块。该模块将驾驶员的个性化特征与长距离行车油耗特征结合,输入到基于改进Transformer的油耗预测模型中,解决了原Transformer模型中位置编码不充分和捕捉局部信息能力不足的问题。与CNN和RNN相比,改进的Transformer可以更好地捕捉长序列特征,更精准地进行了油耗预测。第三个模块是省油路线推荐模块。该模块使用油耗预测模型与改进的遗传算法相结合进行省油路线推荐,通过改进遗传算法的适应度函数、单点交叉操作和高强度多基因变异操作,进一步提高了推荐省油路线的精准度。本文的主要工作和贡献概括如下:1、提取和量化了个性化长距离行车油耗特征。PLd-FeRR模型针对长途驾驶员的驾驶行为,从多个角度识别、提取和量化了个性化长距离行车油耗特征,合理地表示了驾驶员的驾驶行为对油耗的影响,准确地挖掘了长距离行车中影响油耗的特征。2、提出了基于Transformer和遗传算法的油耗预测及路线规划方法。PLd-FeRR模型基于改进的Transformer来预测油耗,解决了原Transformer模型中位置编码不充分和捕捉局部信息能力不足的问题,准确地预测了各路段的油耗。模型基于改进的遗传算法进行省油路线规划,通过改进遗传算法的适应度函数、单点交叉操作和高强度多基因变异操作,为用户提供了适合他自身的高质量省油路线。3、基于商用车制造企业真实数据集进行了大量的实验,验证了 PLd-FeRR模型的有效性。实验结果显示,PLd-FeRR模型在预测精度和省油指标上均优于基线模型。设置了消融实验和两个真实的案例研究,进一步证实了模型的有效性。最后将此模型集成部署在商用车制造企业车联网大数据分析平台,进行了系统实现和应用验证。