CN103995837A - 一种基于群体足迹的个性化旅游路线规划方法 - Google Patents

Abstract

本发明公开了一种基于群体足迹的个性化旅游路线规划方法，该方法的具体过程为：使用网络爬虫进行群体足迹数据采集；从采集到的数据中，提取旅游地点及其类型属性、用户对象及其签到记录；将一天分为多个时间段，建立用户分时段的地点偏好模型以及地点热度模型；根据用户提供的旅游需求，利用协同过滤方法确定用户每个时间段偏好的备选地点集合；利用马尔科夫模型，根据时空约束和用户偏好，在各个时段的备选地点集合中挑选最佳地点生成旅游路线。本发明利用丰富的用户轨迹数据，根据用户的旅游需求，自动为用户定制符合偏好的旅游路线，充分挖掘了开放可得的群体足迹数据中隐含的旅游信息，可帮助人们制定旅游计划，提高旅游体验。

Description

一种基于群体足迹的个性化旅游路线规划方法

技术领域

本发明属于个性化推荐技术领域，涉及一种基于群体足迹的个性化旅游路线规划方法。

背景技术

随着经济和交通的发展，人们生活水平逐渐提高，旅游成为人们生活的一部分。对游客而言，旅游路线规划是旅行准备中最重要的工作之一。为规划旅游路线，游客们往往通过旅行社或者互联网等获取旅游信息和建议，然而，旅行社提供的旅游信息比较单一，缺乏个性化，另一方面，用户难以从日益膨胀的网络数据中快速找到有用的信息。在这种情况下，开发一种能考虑游客的个性化需求并能够自动规划旅游路线的方法，将会给人们的生活带来巨大的便利。

随着无线通信技术的飞速发展，手机成为社会中普及最为广泛和深入的计算终端，成为人们与外界联系与交互不可或缺的工具，基于位置的服务得到广泛应用。人们利用手机和平板等移动设备，可以随时随地共享自己的位置和活动数据，这些数据形成了一个巨大的群体足迹知识库，其中包含丰富的旅游相关信息，挖掘并使用群体足迹信息将使旅游应用更加符合用户需求。

发明内容

本发明的目的在于克服上述技术存在的缺陷，提供一种基于群体足迹的个性化旅游路线规划方法，该方法根据用户提出的旅游需求，综合考虑时间、空间和用户偏好等上下文(Context)，为用户规划出合理的旅游路线。用挖掘群体足迹数据中的旅游信息，自动生成满足用户需求的旅游路线。

其具体技术方案为：

一种基于群体足迹的个性化旅游路线规划方法，其特征在于，包括以下步骤：

步骤1，使用网络爬虫进行群体足迹数据采集；

步骤2，从采集到的数据中，提取旅游地点及其类型属性、用户对象及其签到记录；

步骤3，将一天分为多个时间段，建立用户分时段的地点偏好模型以及地点热度模型；

步骤4，根据用户提供的旅游需求，利用协同过滤方法确定用户每个时间段偏好的备选地点集合；

步骤5，利用马尔科夫模型，根据时空约束和用户偏好，在各个时段的备选地点集合中挑选最佳地点生成旅游路线。

进一步优选，所述步骤2中，本发明使用网络爬虫从街旁网(www.jiepang.com)采集用户“签到”数据，并存储于数据库。

进一步优选，所述步骤2中，地点分类为两级分类，每一个地点属于一个子类i，i属于大类c。

进一步优选，所述步骤3中，通过下述公式(1)计算用户u在时间段r对i类地点的偏好向量，并存入数据库中：

V_uri＝<F₁，F₂，...，F_|i|>       (1)

其中，上述向量的每一维F_c由下述公式(2)计算得出，

$F_c=\frac{{\mathrm{\&Sigma;}}_{j\&Element;c}{\mathrm{VC}}_{u,r,j}}{{\mathrm{\&Sigma;}}_{q\&Element;i}{\mathrm{VC}}_{u,r,q}}---\left(2\right)$

其中，VC_u，r，j表示用户u在时间段r访问j的次数；由此定义用户u和用户v在时间段r对类型为i的地点的偏好的相似性Sim(u，v，r，i)为u和v的偏好向量的余弦相似度；

通过下述公式(3)计算用户u在时间段r对地点j的偏好，

$\mathrm{Like}(v,r,i,j)=\frac{{\mathrm{VC}}_{u,r,j}}{\underset{q\&Element;i}{\mathrm{\&Sigma;}}{\mathrm{VC}}_{u,r,q}}---\left(3\right)$

对于用户u在时间段r未曾到达的地点j，通过下述公式(4)计算用户u在时间段r对i类地点j的偏好R(u，r，i，j)，并存入数据库中，

$R(u,r,i,j)=\frac{{\mathrm{\&Sigma;}}_{v\&Element;U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)\mathrm{Like}(v,r,i,j)}{{\mathrm{\&Sigma;}}_{v=U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)}---\left(4\right)$

其中，u表示目标用户，v表示与u相关的用户，r为时间段，i为地点类型，j为目标地点；U(u，m，r，i)表示在时间段r内与u偏好相似的用户集合，Sim(u，v，r，i)为上述相似性；Like(v，r，I，j)为公式(3)定义的偏好。

进一步优选，用户制定旅游计划时考虑的各类因素，即旅游需求，包括：旅游的开始时间STime、结束时间ETime以及起始地点P；根据起止时间可确定旅游所跨越的时间段；

对每个时间段，根据公式(4)可计算出用户对以P为中心的d公里内的每一个地点的偏好值，其中d由时间段长度确定；

根据上述用户u对地点j的偏好值，排序后得出用户u在每个时间段r所偏好的备选地点列表。

进一步优选，根据上述步骤4得出的备选地点列表，以及用户设定的起点P，从P出发，在备选地点列表中挑选合适地点，即可生成旅游路线；

挑选地点的过程用马尔科夫模型模拟，以P为起点，在各个时间段的备选地点列表中按转移概率选择下一个地点，直到旅游时间超出ETime；其中转移概率根据公式(5)计算：

$P(x,y)=\frac{[R(u,r,i,y)+H(y,m])\&times;\mathrm{sgn}[T-t-\mathrm{Move}(x,y)-\mathrm{Stay}\left(y\right)]}{1+\left[\log \left(\mathrm{dis}(x,y)\right)\right]}---\left(5\right)$

其中，R(u，r，i，j)即公式(1)计算所得用户偏好，T为旅游总时间，t为当前模拟时间，x表示转移前的地点，y表示转移后的地点；sgn(k)为符号函数，当k＜0时值为0，否则为1，Move(x，y)为从地点x到地点y所需时间，Stay(y)表示在y逗留的时间。

与现有技术相比，本发明提出了一种基于群体足迹的个性化旅游路线规划方法，利用丰富的用户轨迹数据，根据用户的旅游需求，自动为用户定制符合偏好的旅游路线，充分挖掘了群体足迹数据中的旅游信息，极大地方便了用户的出行，提高旅游体验。

附图说明

图1为本发明实例中旅游路线规划方法的流程图；

图2为本发明实例中的路线规划方法实现图；

图3为本发明实例中的路线规划结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步详细地说明。

请参阅图1所示，本发明为用户设计个性化旅游路线的的具体过程为：

步骤1，使用网络爬虫进行群体足迹数据采集；

用户的日常出行轨迹数据可以通过其在LBSN网站上签到数据反映出来。该步骤基于网络爬虫和开放API技术，从目标社交网络中采集其对公开的所有用户签到数据，包括标识用户身份的ID，用户签到的时间和地点经纬度，并将采集结果存入数据库中。

步骤2，从采集到的数据中，提取旅游地点及其类型属性、用户对象及其签到记录；

根据街旁网提供的数据，将地点归入相应的类别中，地点分类为两级分类，每一个地点属于一个子类i，i属于大类c。对于每个用户u，都可以得到其完整的签到记录。

步骤3，将一天分为多个时间段，建立用户分时段的地点偏好模型以及地点热度模型；

人的出行在一天中呈现出一定的规律，具体体现为在一天中的不同时段偏向于去不同的地点。一天的时间段细分如下述表1所示，

表1时间分段表

时间段编号	开始时间	结束时间
			0	0：00	8：00
1	8：00	11：00
			2	11：00	13：00
3	13：00	18：00
			4	18：00	20：00
5	20：00	0：00

下述用编号r表示对应时间段，通过下述公式(1)计算用户u在时间段r对i类地点的偏好向量，并存入数据库中。

V_uri＝<F₁，F₂，...，F_|i|>       (1)

其中，上述向量的每一维F_c由下述公式(2)计算得出，

$F_c=\frac{{\mathrm{\&Sigma;}}_{j\&Element;c}{\mathrm{VC}}_{u,r,j}}{{\mathrm{\&Sigma;}}_{q\&Element;i}{\mathrm{VC}}_{u,r,q}}---\left(2\right)$

其中，VC_u，r，j表示用户u在时间段r访问j的次数。由此定义用户u和用户v在时间段r对类型为i的地点的偏好的相似性Sim(u，v，r，i)为u和v的偏好向量的余弦相似度。

通过下述公式(3)计算用户u在时间段r对地点j的偏好，

$\mathrm{Like}(v,r,i,j)=\frac{{\mathrm{VC}}_{u,r,j}}{\underset{q\&Element;i}{\mathrm{\&Sigma;}}{\mathrm{VC}}_{u,r,q}}---\left(3\right)$

对于用户u在时间段r未曾到达的地点j，通过下述公式(4)计算用户u在时间段r对i类地点j的偏好R(u，r，i，j)，并存入数据库中，

$R(u,r,i,j)=\frac{{\mathrm{\&Sigma;}}_{v\&Element;U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)\mathrm{Like}(v,r,i,j)}{{\mathrm{\&Sigma;}}_{v=U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)}---\left(4\right)$

其中，u表示目标用户，v表示与u相关的用户，r为时间段，i为地点类型，j为目标地点。U(u，m，r，i)表示在时间段r内与u偏好相似的用户集合，Sim(u，v，r，i)为上述相似性；Like(v，r，I，j)为公式(3)定义的偏好。

步骤4，根据用户提供的旅游需求，利用协同过滤方法确定用户每个时间段偏好的备选地点集合；

用户的旅游需求通过本发明对应的移动应用提供的用户界面获得。具体的，用户的旅游需求包括：旅游的开始时间STime、结束时间ETime以及起始地点P。根据起止时间可确定旅游所跨越的时间段。

对每个时间段，根据公式(4)可计算出用户对以P为中心的d公里内的每一个地点的偏好值，其中d由时间段长度确定；

根据上述用户u对地点j的偏好值，排序后得出用户u在每个时间段r所偏好的备选地点列表。如附图1所示。

步骤5，利用马尔科夫模型，根据时空约束和用户偏好，在各个时段的备选地点集合中挑选最佳地点生成旅游路线。

根据步骤4得出的备选地点列表，以及用户设定的起点P，从P出发，在备选地点列表中挑选合适地点，即可生成旅游路线。

挑选地点的过程用马尔科夫模型模拟，以P为起点，在各个时间段的备选地点列表中按转移概率选择下一个地点，直到旅游时间超出ETime。其中转移概率根据下述公式(5)计算。挑选地点的方法如附图2所示。

$P(x,y)=\frac{[R(u,r,i,y)+H(y,m])\&times;\mathrm{sgn}[T-t-\mathrm{Move}(x,y)-\mathrm{Stay}\left(y\right)]}{1+\left[\log \left(\mathrm{dis}(x,y)\right)\right]}---\left(5\right)$

其中，R(u，r，i，j)即公式(1)计算所得用户偏好，T为旅游总时间，t为当前模拟时间，x表示转移前的地点，y表示转移后的地点。sgn(k)为符号函数，当k＜0时值为0，否则为1。Move(x，y)为从地点x到地点y所需时间，Stay(y)表示在y逗留的时间。

最终形成的旅游路线示意图如附图3所示，通过路径规划算法可得多条路线，每条路线为从起点P出发，经过多个地点形成的路径。

本发明提出了一种基于群体足迹的个性化旅游路线规划方法，利用丰富的用户轨迹数据，根据用户的旅游需求，自动为用户定制符合偏好的旅游路线，充分挖掘了开放可得的群体足迹数据中隐含的旅游信息，可极大地方便用户的出行，提高旅游体验。

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 (6)

1.一种基于群体足迹的个性化旅游路线规划方法，其特征在于，包括以下步骤：

步骤1，使用网络爬虫进行群体足迹数据采集；

步骤2，从采集到的数据中，提取旅游地点及其类型属性、用户对象及其签到记录；

步骤3，将一天分为多个时间段，建立用户分时段的地点偏好模型以及地点热度模型；

步骤4，根据用户提供的旅游需求，利用协同过滤方法确定用户每个时间段偏好的备选地点集合；

步骤5，利用马尔科夫模型，根据时空约束和用户偏好，在各个时段的备选地点集合中挑选最佳地点生成旅游路线。

2.根据权利要求1所述的基于群体足迹的个性化旅游路线规划方法，其特征在于，

所述步骤2中，本发明使用网络爬虫从街旁网(www.jiepang.com)采集用户“签到”数据，并存储于数据库。

3.根据权利要求1所述的基于群体足迹的个性化旅游路线规划方法，其特征在于，

所述步骤2中，地点分类为两级分类，每一个地点属于一个子类i，i属于大类c。

4.根据权利1所述的基于群体足迹的个性化旅游路线规划方法，其特征在于，所述步骤3中，通过下述公式(1)计算用户u在时间段r对i类地点的偏好向量，并存入数据库中：

V_uri＝<F₁，F₂，...，F_|i|>        (1)

其中，上述向量的每一维F_c由下述公式(2)计算得出，

$F_c=\frac{{\mathrm{\&Sigma;}}_{j\&Element;c}{\mathrm{VC}}_{u,r,j}}{{\mathrm{\&Sigma;}}_{q\&Element;i}{\mathrm{VC}}_{u,r,q}}---\left(2\right)$

其中，VC_a，r，j表示用户u在时间段r访问j的次数；由此定义用户u和用户v在时间段r对类型为i的地点的偏好的相似性Sim(u，v，r，i)为u和v的偏好向量的余弦相似度；

通过下述公式(3)计算用户u在时间段r对地点j的偏好，

$\mathrm{Like}(v,r,i,j)=\frac{{\mathrm{VC}}_{u,r,j}}{\underset{q\&Element;i}{\mathrm{\&Sigma;}}{\mathrm{VC}}_{u,r,q}}---\left(3\right)$

对于用户u在时间段r未曾到达的地点j，通过下述公式(4)计算用户u在时间段r对i类地点j的偏好R(u，r，i，j)，并存入数据库中，

$R(u,r,i,j)=\frac{{\mathrm{\&Sigma;}}_{v\&Element;U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)\mathrm{Like}(v,r,i,j)}{{\mathrm{\&Sigma;}}_{v=U(u,m,r,i)}\mathrm{Sim}(u,v,r,i)}---\left(4\right)$

其中，u表示目标用户，v表示与u相关的用户，r为时间段，i为地点类型，j为目标地点；U(u，m，r，i)表示在时间段r内与u偏好相似的用户集合，Sim(u，v，r，i)为上述相似性；Like(v，r，I，j)为公式(3)定义的偏好。

5.根据权利要求4所述的基于群体足迹的个性化旅游路线规划方法，其特征在于，

用户制定旅游计划时考虑的各类因素，即旅游需求包括：旅游的开始时间STime、结束时间ETime以及起始地点P；根据起止时间可确定旅游所跨越的时间段；

对每个时间段，根据公式(4)可计算出用户对以P为中心的d公里内的每一个地点的偏好值，其中d由时间段长度确定；

根据上述用户u对地点j的偏好值，排序后得出用户u在每个时间段r所偏好的备选地点列表。

6.根据权利要求5所述的基于群体足迹的个性化旅游路线规划方法，其特征在于，

根据上述步骤4得出的备选地点列表，以及用户设定的起点P，从P出发，在备选地点列表中挑选合适地点，即可生成旅游路线；

挑选地点的过程用马尔科夫模型模拟，以P为起点，在各个时间段的备选地点列表中按转移概率选择下一个地点，直到旅游时间超出ETime；其中转移概率根据公式(5)计算：

$P(x,y)=\frac{[R(u,r,i,y)+H(y,m])\&times;\mathrm{sgn}[T-t-\mathrm{Move}(x,y)-\mathrm{Stay}\left(y\right)]}{1+\left[\log \left(\mathrm{dis}(x,y)\right)\right]}---\left(5\right)$

其中，R(u，r，i，j)即公式(1)计算所得用户偏好，T为旅游总时间，t为当前模拟时间，x表示转移前的地点，y表示转移后的地点；sgn(k)为符号函数，当k＜0时值为0，否则为1，Move(x，y)为从地点x到地点y所需时间，Stay(y)表示在y逗留的时间。