随着车联网技术的发展和支持GPS设备的普及,大量的轨迹数据变得可用,使用这些数据进行路线推荐也越来越重要。百度地图、高德地图等常用的路线导航服务通常都是优先考虑行驶时间或距离为用户提供最快或最短路线建议,很大程度上满足了用户的出行需求,为用户出行带来了极大的便利。然而,某些驾驶员更关注的是燃油经济性,他们期望得到有效的省油路线建议,而现有的路线推荐服务却很少能够满足他们的这种出行需求。实际上,高质量的省油路线建议不仅能够为驾驶员节省燃油成本,还有助于节约能源以及缓解由于燃料消耗所引起的环境污染问题。鉴于省油路线建议在节约能源和保护环境方面的突出价值,基于轨迹数据进行省油路线推荐逐渐引起了研究界的广泛关注。传统的省油路线推荐模型将省油路线推荐问题看作是图上的路径查找问题并采用Dijkstra算法或启发式搜索如A*算法作为主要解决方案。借助于合适的启发函数,启发式搜索算法能够大大地减小搜索空间,达到降低问题复杂度的目的,因而通常比Dijkstra算法具有更好的性能。然而,大多现有的方法凭经验或使用简单的统计方法设置启发函数,使其难以集成其他有用的信息,限制了其灵活性和可扩展性。为了构建更灵活的启发式方法,许多研究使用机器学习方法来解决该任务。虽然大多方法都能够使用合适的模型来描述位置之间的依赖关系和时空信息,但它们一般都是浅层的计算模型,很难捕获复杂的轨迹模式。此外,大多现有的方法仅从短距离轨迹中分析油耗影响因素,直接使用这些方法为长距离行车的驾驶员推荐的省油路线质量不高。这是因为它们忽略了长距离行车与短距离行车在路网结构和路线组成上的显著差异性,正是这些差异决定了仅分析短距离油耗影响因素的方法不再适用。本文专门针对长距离行车省油路线推荐问题展开研究,该研究面临如下挑战:一是如何识别和表示影响长距离行车的潜在油耗特征?二是能否在发挥启发式搜索算法优势的同时,充分利用提取的油耗特征准确预测油耗并提供高质量的省油路线建议?为了解决这些挑战,本文通过研究历史轨迹数据提取了长距离行车的潜在油耗特征,并在此基础上,基于将深度学习与启发式搜索算法即A*相结合的思想,提出了 一个新颖的长距离行车省油路线推荐模型——LDFeRR。LDFeRR模型主要包含四个模块。第一个模块是特征抽取,基于长距离行车历史轨迹数据,从道路、时间以及天气三个维度展开分析,较为全面地考虑了可能影响长距离行车油耗的潜在特征,并对不同类型的特征进行了合理的表示。第二个模块是可观察代价建模,A*算法中的可观察代价是指从源位置到候选位置的代价。假设从源位置到候选位置前一个位置的部分轨迹已知,可观察代价建模问题就转换成对单个路段的油耗预测任务,本文提出使用多层感知机（MLP）来解决该任务。第三个模块是估计代价建模,A*算法中的估计代价是指从候选位置到目标位置的最佳路径的代价。由于缺乏显式的轨迹信息,本文首先生成从候选位置到目标位置的top-K条距离最短路线。在K条候选路线的指导下,估计代价建模问题也就转换成了路段序列建模任务,本文提出使用基于注意力机制的双向门控循环单元（Att-BiGRU）来解决该任务。第四个模块是省油路线搜索过程,实质上是执行以油耗为代价的A*算法来搜索最省油路线。本文的主要工作和贡献概括如下:1.本文提出一种长距离行车省油路线推荐模型——LDFeRR。该模型是基于将深度学习方法与启发式搜索算法A*相结合的思想提出的,很好地结合了神经网络强大的建模能力和A*算法在减少路线搜索空间上的优点,用于解决长距离行车省油路线推荐任务。2.本文提出一种基于长距离行车历史轨迹数据的特征抽取模块,该模块能够充分地识别并合理地表示长距离行车的潜在油耗特征。本文还提出分别使用多层感知机（MLP）和基于注意力机制的双向门控循环单元（Att-BiGRU）自动地学习A*算法的两个代价函数,以充分利用提取的油耗特征准确地预测油耗,进而提供高质量的省油路线建议。3.本文基于两个真实的历史轨迹数据集进行了大量的实验来验证所提出的LDFeRR模型的有效性。实验结果显示,LDFeRR模型在Saving（百公里节省油耗）和Improvement（性能提升百分比）两个评价指标上均明显优于基线方法。本文还设置了对不同模块的消融测试以及真实案例研究,进一步验证模型的有效性。