CN105139301B - 一种基于bp神经网络的导游方法 - Google Patents
一种基于bp神经网络的导游方法 Download PDFInfo
- Publication number
- CN105139301B CN105139301B CN201510496286.1A CN201510496286A CN105139301B CN 105139301 B CN105139301 B CN 105139301B CN 201510496286 A CN201510496286 A CN 201510496286A CN 105139301 B CN105139301 B CN 105139301B
- Authority
- CN
- China
- Prior art keywords
- sight spot
- user
- information
- neural network
- geographical location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于计算机技术领域,具体涉及一种基于BP神经网络进行景点排序的导游方法。本发明公开了一种基于BP神经网络的导游方法,包括以下步骤,步骤S1,客户端获取用户的地理位置信息和用户身份信息;步骤S2,客户端将用户身份信息和地理位置信息发送给服务器;步骤S3,服务器为用户推送具有特定排序的景点信息;步骤S4,服务器为用户推荐距离最近的景点信息;步骤S5,为用户规划从当前位置到景点的导航路线;步骤S6,当用户到达景点,为用户提供语音导游。本发明基于用户喜好为用户推荐景点,还可为用户提供语音导游,实现个性化导游。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于BP神经网络进行景点排序的导游方法。
背景技术
随着我国国民经济的快速发展,人们的生活水平日益提高。旅游业能够满足人们日益增长的物质和文化的需要,改善人们的生活品质开阔眼界。据2014年旅游业统计,中国全年旅游接待总人数37.6亿人次,旅游总收入3.3万亿元。
人们对旅游消费的需求也进一步提高,更多倾向于自助游,提高旅游质量。针对旅游行业的计算机系统应用也日趋成熟,在线旅游网站以方便预定酒店、车票等以及智能手机应用程序,但主要以出游前的攻略为主,只能在出行前查看景点的信息,而且现在一般采取固定的出行路线供他人参考,游客自主性选择较差。
游客在到达景区旅游过程中,由于景区中的景点多,而游客时间有限,一般只能游玩几个景点。景区中景点的排序,一般按照景点热门度、距离或者游客推荐排序。当游客想要游玩距离近且热门度高的景点,需要游客先去查看热门度景点排序中其感兴趣的景点,然后再通过地图去规划旅游路线。这种按照单一属性的景点排序方法,仅仅利用景点的某一属性,没有综合考虑景点的多个属性如交通、门票、景区质量等级等,不能满足不同游客的不同需求。使游客在旅游时,制定旅游攻略花费大量时间和精力。
发明内容
针对现有的导游系统在为游客推荐景点时,采用景点的单一属性进行排序,使游客在选择景点过程中,需要查看不同的景点排序,制定旅游攻略不仅麻烦而且耗时。本发明提出了一种基于BP神经网络的导游方法,在为游客推荐景点时,综合考虑景点的多个属性以及游客的喜好,最后给出距离游客所在位置较近的景点。
本发明采用如下技术方案:
一种基于BP神经网络的导游方法,包括以下步骤,
步骤S1,客户端获取用户的地理位置信息,并去读取用户身份信息;
步骤S2,客户端将用户身份信息和地理位置信息发送给服务器;
步骤S3,服务器接收客户端发来的用户身份信息和地理位置信息,对用户身份进行认证,用户认证通过后,读取该用户已评分的景点评分信息,服务器依据该用户的历史的景点评分信息为该用户推送具有特定排序的景点信息,根据不同用户实现的特定的景点排序的计算方法包括以下步骤:
步骤S31,根据服务器内存储的景点的特征属性,构建景点的特征向量,将用户已评分的景点作为训练样本集,训练样本中包括景点特征向量和景点评分,从训练样本集中选择n个训练样本用于训练BP神经网络模型,
步骤S32,构建BP神经网络模型,一个输入层,至少一个隐含层,一个输出层,训练样本景点的特征属性作为输入向量,该景点对应的用户评分作为输出向量,
步骤S33,利用训练后得到的BP神经网络模型,预测用户对未评分景点的喜好,将用户未评分景点的特征属性作为输入向量,经过BP神经网络模型的计算后,得到的输出向量为用户未评分景点的预测评分,
步骤S34,综合用户评分和预测评分,对所有的景点进行排序,该景点排序与用户的喜好相关;
步骤S4,服务器根据计算所得的该用户的特定排序的景点信息进行样本选取,选取出第一预设数量的景点信息作为样本,再根据用户当前的地理位置信息,计算出用户当前距离样本中每个景点的距离,再依据距离远近进行距离排序,根据该距离的排序选取第二预设数量的景点信息,推送给该用户的客户端;
步骤S5,用户在客户端上选择确定一个景点后,获取该景点的地理位置信息,启动导航模块,通过导航模块为用户规划从当前位置到景点的导航路线;
步骤S6,当用户到达景点,服务器根据获取到的用户的地理位置信息与景点地理位置信息进行匹配成功后,服务器向该客户端推送当前景点的语音导游信息,或者客户端根据用户的地理位置信息与景点地理位置信息进行匹配成功后,获取客户端预先存储的语音导游信息,并开始进行当前景点的语音导游;
客户端进行语音导游的过程包括以下步骤:
步骤S61,将景点的景区范围内规划出特定数量的子区域,每个子区域内限定了相应的地理位置信息范围,并且每个子区域对应一段语音解说信息,
步骤S62,客户端不断更新用户当前的地理位置信息,
步骤S63,当客户端检测到当前的地理位置信息落入某一个子区域的地理位置信息范围内,表明用户到达该子区域,则触发该子区域对应的语音解说信息的播放。
进一步的,景点排序的计算方法中步骤S3中,用户初始对所有景点都未评分,则所有景点的评分置为零,为用户推送根据距离排序的景点。
进一步的,景点排序的计算方法中步骤S32构造神经网络模型具体采用以下步骤:
a)依据景点的特征属性个数确定输入层的神经元数量;
b)设定一个隐含层,且隐含层神经元数量与输入层神经元数量相同;
c)依据输出向量确定输出层神经元数量。
进一步的,语音导游信息还包括景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
更进一步的,还包括步骤S64,显示该子区域对应的景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
本发明提出了一种基于BP神经网络进行景点排序的导游方法,根据用户的历史的景点评分信息为该用户推送具有特定排序的景点信息,不同用户的喜好不同,对于景点的打分不同,因此不同用户推送的景点排序也不同。本发明还提供语音导游讲解模拟真实的景区讲解功能,配合多媒体导游数据,实现接近真实场景的导游解说和图片显示功能。语音导游,可以将用户眼睛和手的注意力从手机屏幕上移开,关注周围景色,提高用户的使用体验。
附图说明
图1是该实施例的BP神经网络结构;
图2是该实施例的景点排序算法流程;
图3是该实施例的景点推荐示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
本发明优选一实施例的一种基于BP神经网络的导游方法,包括以下步骤,
步骤S1,客户端,即为智能手机上安装的应用程序,客户端从手机的GPS定位模块获取用户的地理位置信息,用户在使用这个应用程序时,需首先注册或登录,客户端即可获取该用户的身份信息。用户在第一次使用该客户端时,需要提供手机号码注册以获得一个账户。
步骤S2,客户端将用户身份信息和地理位置信息发送给服务器,客户端和服务器之间采用无线通讯方式实现数据的传输。
步骤S3,服务器接收客户端发来的用户身份信息和地理位置信息,首先对用户身份进行认证,用户认证通过后,读取该用户已评分的景点评分信息。服务器依据该用户的历史的景点评分信息为该用户推送具有特定排序的景点信息,不同的用户喜好不同,服务器发送的景点排序信息不同。
根据不同用户实现的特定的景点排序的计算方法包括以下步骤:
步骤S31,根据服务器内存储的景点的特征属性,构建景点的特征向量,将用户已评分的景点作为训练样本集,训练样本中包括景点特征向量和景点评分,从训练样本集中选择n个训练样本用于训练BP神经网络模型;
步骤S32,构建BP神经网络模型,一个输入层,至少一个隐含层,一个输出层,训练样本景点的特征属性作为输入向量,该景点对应的用户评分作为输出向量;
步骤S33,利用训练后得到的BP神经网络模型,预测用户对未评分景点的喜好,将用户未评分景点的特征属性作为输入向量,经过BP神经网络模型的计算后,得到的输出向量为用户未评分景点的预测评分;
步骤S34,综合用户评分和预测评分,对所有的景点进行排序,该景点排序与用户的喜好相关。
步骤S4,服务器根据计算所得的该用户的特定排序的景点信息进行样本选取,选取出第一预设数量的景点信息作为样本,再根据用户当前的地理位置信息,计算出用户当前距离样本中每个景点的距离,再依据距离远近进行距离排序,根据该距离的排序选取第二预设数量的景点信息,推送给该用户的客户端。
步骤S5,用户在客户端上选择确定一个景点后,获取该景点的地理位置信息,启动导航模块,通过导航模块为用户规划从当前位置到景点的导航路线。
步骤S6,当用户到达景点,服务器根据获取到的用户的地理位置信息与景点地理位置信息进行匹配成功后,服务器向该客户端推送当前景点的语音导游信息,或者客户端根据用户的地理位置信息与景点地理位置信息进行匹配成功后,获取客户端预先存储的语音导游信息,并开始进行当前景点的语音导游。语音导游信息包括景点图片信息、景点语音解说信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。每条语音讲解结束后,景点的导游讲解根据位置的变换进行语音更换,实现自动语音导游讲解。
客户端进行语音导游的过程包括以下步骤:
步骤S61,将景点的景区范围内规划出特定数量的子区域,每个子区域内限定了相应的地理位置信息范围,并且每个子区域对应一段语音解说信息;
步骤S62,客户端不断更新用户当前的地理位置信息;
步骤S63,当客户端检测到当前的地理位置信息落入某一个子区域的地理位置信息范围内,表明用户到达该子区域,则触发该子区域对应的语音解说信息的播放。
步骤S64,显示该子区域对应的景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
现结合一具体的实施例对景点排序的计算方法进行具体描述,然后值得注意的是该实施例仅是为了更好地描述本发明,并不构成对本发明的不当限定。
该实施例的景点排序的计算方法:
(1)构建景点特征向量数据库
每个景点均有各自的特征属性,如景区星级、服务质量、交通便利等。并且每个游客在旅游时选择景点,都要基于这些特征属性进行比较和选择。一个景点可以有多个特征属性,基于景点的特征属性可以描述一个景点。将每一个景点的特征属性组成一组向量:
p(i)=[pi1,pi2,…,pim]
在上述的定义中,pik表示景点i的第k个特征属性,k=1,…,m,m为景点的特征属性个数。其中,pik=0时,该景点不具有该特征属性;pik=1时,该景点具有该特征属性。
以鼓浪屿风景区为例,将它的景点划分为三个特征属性:门票价格、交通和景区质量等级,门票价格属性中包含0-30、31-80、81-150、150以上;可到达交通方式:公交、汽车、火车、轮船、飞机;景区质量等级包含AAAAA、AAAA、AAA、AA、A级旅游景区。鼓浪屿景区中“海上花园里的藏海园林”这个景点的门票价格为30、交通方式为轮船、景区质量等级为5A,那么“海上花园里的藏海园林”的特征向量为:p=[1,0,0,0,0,0,0,1,0,1,0,0,0,0]。
游客对游览过的景点进行评分,用R(i)表示游客对景点i的评分值。景点特征向量数据库的景点可分为游客已评分景点和游客未评分景点。
(2)确定样本集
将游客已评分的景点构成训练样本集,游客未评分的景点构成预测样本集,从训练样本集中选择n个训练样本,用于训练BP神经网络模型。为了及时跟踪游客的兴趣变化,n个训练样本的选择原则是时间上最近产生的样本,即以游客最新评分的n个景点为训练样本。
(3)构造BP神经网络模型
建立一个具有一个输入层,一个隐含层和一个输出层的三层BP神经网络,该BP神经网络的结构如图1所示。一个景点的特征属性作为输入向量,该实施例的输入层为景点的特征向量,即BP神经网络的输入向量维数为景点的特征向量维数。依据景点的特征属性个数确定输入层的神经元数量,且隐含层神经元数量与输入层神经元数量相同,依据输出向量确定输出层神经元数量。
该实施例的景点的特征向量为p=[p1,p2,…,p14],故该实施例构造的BP神经网络模型,输入层有14个人工神经元,隐含层与输入层的神经元数量相同,隐含层也有14个人工神经元,输出层由1个人工神经元。
设p1,p2,…,p14分别表示输入层中14个人工神经元的输入,用w1,w2,…,w14表示隐含层中14个人工神经元,用R表示输出层的1个人工神经元。输入层与隐含层的关系为wi=ci·pi,ci=f(pi),其中,ci为用于对景点的某一特征pi的喜好程度,定义为[0~1]上的一个连续函数。1为最喜欢,0为最不喜欢。用户是否喜欢这个景点的介绍是用户对该景点各个特征的喜好程度共同作用的结果。
隐含层与输出层的关系为R=g(w1,w2,…,w14),综合ci=f(pi)和R=g(w1,w2,…,w14)及其变换关系wi=ci·pi,得到一个统一的BP神经网络模型:
R=l(p1,p2,…,p14)
上式表明游客对一个景点的喜好程度由该景点的所有特征属性所决定。上述函数用来描述用户的喜好模型,函数关系是很复杂的,很难直接准确得到,因此需要借助BP神经网络来模拟该用户喜好模型。
(4)计算用户未评分景点的预测评分
使用训练样本集的样本对BP神经网络模型进行训练,确定BP神经网络各层之间的关系。针对用户未给出评分的景点,未评分景点构成预测样本集,利用训练好的BP神经网络模型对预测样本集中的样本进行预测,得到未评分景点的预测评分。
(5)景点排序
将已评分景点和预测评分景点的评分按照评分值的大小从高到低给出景点排序。该景点排序与用户的喜好相关,不同用户得到的景点排序不同,实现景点排序的个性化定制。
需要说明的是,当用户第一次使用该客户端或者用户并没有对景点评分,则所有景点的评分置为零,为用户推送根据距离排序的景点。
参阅图2所示,为该实施例的景点排序算法流程图,从训练样本集中选择训练样本,构建BP神经网络,再用选择的训练样本对BP神经网络进行训练,得到BP神经网络模型。从用户未评分的景点样本集中选择样本,利用BP神经网络模型对未评分景点进行计算,得到为评分景点的预测评分。综合已评分景点的评分值和未评分景点的预测评分值,按照评分值的大小给出景点排序。用户游玩未评分景点后,给出该景点的评分信息,则一个未评分景点变成已评分景点,将这个已评分景点添加到训练样本集中。
在实际应用中,通过BP神经网络模型进行景点排序的同时,用户在游玩未评分景点后可得到用户对该景点的评价信息,这样训练样本集可得到新的样本。这些新近产生的样本提供了用户喜好行为的最新信息。如此,在实际景点排序中,需要实时更新单用户的训练样本集。如当前的BP神经网络模型为Net(i),当有n个新训练样本加入训练样本集时,对BP神经网络重新进行训练的条件满足。利用新增的n个训练样本重新对BP神经网络进行训练后,得到新的BP神经网络模型Net(i+l)。为了训练的准确性,需要调整训练样本,将早先使用的n个训练样本用新加入训练样本集中的n个训练样本进行替换,得到新的训练样本。对于新BP神经网络模型Net(i+l)初始权值和阈值,设置为原BP神经网络模型Net(i)的权值和阈值。这样对于新BP神经网络模型Net(i+l)的训练,相当于是在原BP神经网络模型Net(i)的基础上对权值和阈值进行微调,能够改善新BP神经网络模型Net(i+l)的训练速度。如此,得到一个在线新BP神经网络模型Net(i+l)训练步骤。
训练步骤如下:
①定样本集。将新BP神经网络模型Net(i)的训练样本集中的n个训练样本用新加入训练样本集的n个样本进行替换,得到新BP神经网络模型Net(i+l)的训练样本;
②设定输入层,输出层和隐含层,并初始化;
③设定新BP神经网络模型Net(i+l)的初始权值和阈值。使新BP神经网络模型Net(i+l)的初始权值和阈值等于原BP神经网络模型Net(i)的权值和阈值;
④按照BP神经网络算法对训练样本进行训练;
⑤判定学习精度是否收敛到最小值:是,转⑦,否,转⑥;
⑥判定迭代步数是否超过规定的步数:是,转⑦;否,转④;
⑦算法终止。
根据上述基于BP神经网络模型的景点排序的计算方法,得到用户喜好的景点排序,选取排名前10的景点。获取这10个景点的地理位置信息和用户当前的地理位置信息,计算用户距离每个景点的距离,依据距离的远近对这10个景点重新排序,推荐排序前3名的景点给用户,并将这些景点信息发送给客户端。如图3所示,为该实施例的景点推荐示意图。
距离计算方法如下:
首先,获取用户位置的经纬度与景点数据库中的经纬度,以0度经线为基准,设用户所处位置的经纬度为(lonA,latA),景点位置的经纬度为(lonB,latB),按照0度经线的基准,东经取经度的正值(longitude),西经取经度负值(-longitude),北纬取90-纬度值(90-latitude),南纬取90+纬度值(90+latitude),则经过上述处理过后的两点被计为(MlonA,MlatA)和(MlonB,MlatB)。那么根据三角推导,可以得到计算两点距离的如下公式:
C=sin(MlatA)*sin(MlatB)*cos(MlonA-MlonB)+cos(MlatA)*cos(MlatB)
因此,两地距离:Distance=r*Arccos(C)*Pi/180,其中r为地球半径,pi为圆周率。
距离计算后,将最佳推荐景点通过客户端反馈给用户。
为了解决没有网络使用本发明导游系统的情况,该导游系统提供了离线导游的方法。在有网络的时候,将景点相关数据信息下载存储在客户端,用户旅游时,打开客户端GPS即可获取用户的地理位置信息,用户的地理位置信息与预先存储的景点地理位置匹配成功后,开始自动播放预先存储的景点音频数据。
用户在使用应用程序进行景区导游中,可以根据用户选择,提供全程的语音导游服务,也可以手动选择指定景点的语音导游服务。用户可以根据环境选择佩戴耳机、听筒模式或者语音扬声器的模式,为用户提供一对一的虚拟导游语音服务。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (5)
1.一种基于BP神经网络的导游方法,其特征在于:包括以下步骤,
步骤S1,客户端获取用户的地理位置信息,并去读取用户身份信息;
步骤S2,客户端将用户身份信息和地理位置信息发送给服务器;
步骤S3,服务器接收客户端发来的用户身份信息和地理位置信息,对用户身份进行认证,用户认证通过后,读取该用户已评分的景点评分信息,服务器依据该用户的历史的景点评分信息为该用户推送具有特定排序的景点信息,根据不同用户实现的特定的景点排序的计算方法包括以下步骤:
步骤S31,根据服务器内存储的景点的特征属性,构建景点的特征向量,将用户已评分的景点作为训练样本集,训练样本中包括景点特征向量和景点评分,从训练样本集中选择n个训练样本用于训练BP神经网络模型,且以游客最新评分的n个景点为训练样本,
步骤S32,构建BP神经网络模型,一个输入层,至少一个隐含层,一个输出层,训练样本景点的特征属性作为输入向量,该景点对应的用户评分作为输出向量,步骤S33,利用训练后得到的BP神经网络模型,预测用户对未评分景点的喜好,将用户未评分景点的特征属性作为输入向量,经过BP神经网络模型的计算后,得到的输出向量为用户未评分景点的预测评分,
步骤S34,综合用户评分和预测评分,对所有的景点进行排序,该景点排序与用户的喜好相关;
步骤S4,服务器根据计算所得的该用户的特定排序的景点信息进行样本选取,选取出第一预设数量的景点信息作为样本,再根据用户当前的地理位置信息,计算出用户当前距离样本中每个景点的距离,再依据距离远近进行距离排序,根据该距离的排序选取第二预设数量的景点信息,推送给该用户的客户端;
步骤S5,用户在客户端上选择确定一个景点后,获取该景点的地理位置信息,启动导航模块,通过导航模块为用户规划从当前位置到景点的导航路线;
步骤S6,当用户到达景点,服务器根据获取到的用户的地理位置信息与景点地理位置信息进行匹配成功后,服务器向该客户端推送当前景点的语音导游信息,或者客户端根据用户的地理位置信息与景点地理位置信息进行匹配成功后,获取客户端预先存储的语音导游信息,并开始进行当前景点的语音导游;
客户端进行语音导游的过程包括以下步骤:
步骤S61,将景点的景区范围内规划出特定数量的子区域,每个子区域内限定了相应的地理位置信息范围,并且每个子区域对应一段语音解说信息,
步骤S62,客户端不断更新用户当前的地理位置信息,
步骤S63,当客户端检测到当前的地理位置信息落入某一个子区域的地理位置信息范围内,表明用户到达该子区域,则触发该子区域对应的语音解说信息的播放。
2.如权利要求1所述的基于BP神经网络的导游方法,其特征在于:所述景点排序的计算方法中步骤S3中,用户初始对所有景点都未评分,则所有景点的评分置为零,为用户推送根据距离排序的景点。
3.如权利要求1所述的基于BP神经网络的导游方法,其特征在于:所述景点排序的计算方法中步骤S32构造神经网络模型具体采用以下步骤:
a)依据景点的特征属性个数确定输入层的神经元数量;
b)设定一个隐含层,且隐含层神经元数量与输入层神经元数量相同;
c)依据输出向量确定输出层神经元数量。
4.如权利要求1所述的基于BP神经网络的导游方法,其特征在于:所述语音导游信息还包括景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
5.如权利要求4所述的基于BP神经网络的导游方法,其特征在于:还包括步骤S64,显示该子区域对应的景点图片信息、景点文字解说信息、景点标示信息、景点位置信息和景点线路信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496286.1A CN105139301B (zh) | 2015-08-13 | 2015-08-13 | 一种基于bp神经网络的导游方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496286.1A CN105139301B (zh) | 2015-08-13 | 2015-08-13 | 一种基于bp神经网络的导游方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139301A CN105139301A (zh) | 2015-12-09 |
CN105139301B true CN105139301B (zh) | 2019-04-12 |
Family
ID=54724636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510496286.1A Active CN105139301B (zh) | 2015-08-13 | 2015-08-13 | 一种基于bp神经网络的导游方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139301B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677811A (zh) * | 2015-12-31 | 2016-06-15 | 魅族科技(中国)有限公司 | 一种信息获取方法及装置 |
CN106210137A (zh) * | 2016-08-26 | 2016-12-07 | 成都鑫原羿天科技有限责任公司 | 游客个性化匹配的服务推送系统 |
CN106102016A (zh) * | 2016-08-26 | 2016-11-09 | 成都鑫原羿天科技有限责任公司 | 一种用于旅游景区游客的游玩系统 |
CN108444486B (zh) * | 2017-02-16 | 2020-12-25 | 阿里巴巴(中国)有限公司 | 一种导航路线排序方法和装置 |
CN107633317B (zh) * | 2017-06-15 | 2021-09-21 | 北京百度网讯科技有限公司 | 建立行程规划模型以及规划出游行程的方法、装置 |
CN107255827A (zh) * | 2017-07-06 | 2017-10-17 | 杨顺伟 | 一种无人机的景点导航方法及装置 |
CN107437393A (zh) * | 2017-08-17 | 2017-12-05 | 重庆红村网络信息技术有限公司 | 自助导游的方法及装置 |
CN107577736B (zh) * | 2017-08-25 | 2021-12-17 | 武汉数字智能信息科技有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
CN107613457B (zh) * | 2017-09-01 | 2021-01-26 | 深圳市盛路物联通讯技术有限公司 | 路径信息处理方法及设备 |
CN107832887A (zh) * | 2017-11-09 | 2018-03-23 | 许继电源有限公司 | 一种基于神经网络的共享汽车智能寻优决策方法和系统 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN108174346A (zh) * | 2017-12-26 | 2018-06-15 | 枣庄学院 | 一种基于旅游活动位置服务的精准深度信息系统及其方法 |
CN110119822B (zh) * | 2018-02-06 | 2024-03-15 | 阿里巴巴集团控股有限公司 | 景区管理、行程规划方法、客户端和服务器 |
CN109165786A (zh) * | 2018-08-31 | 2019-01-08 | 深圳春沐源控股有限公司 | 一种导游方案的规划方法及服务器 |
CN109800359B (zh) * | 2018-12-20 | 2021-08-17 | 北京百度网讯科技有限公司 | 信息推荐处理方法、装置、电子设备及可读存储介质 |
CN110347842B (zh) * | 2019-05-21 | 2020-07-10 | 成都信息工程大学 | 基于智能腕表的知识图谱导游系统 |
CN110750737A (zh) * | 2019-09-27 | 2020-02-04 | 恒大智慧科技有限公司 | 一种景点推荐方法、装置及存储介质 |
CN112905910A (zh) * | 2021-03-03 | 2021-06-04 | 浪潮云信息技术股份公司 | 基于公共交通工具智能推荐景点游览路线的方法及系统 |
CN117172388A (zh) * | 2023-10-26 | 2023-12-05 | 新唐信通(北京)科技有限公司 | 一种基于景点排序的景区导航方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077705A (zh) * | 2014-07-11 | 2014-10-01 | 武汉理工大学 | 基于svm的景区电子商务推送方法及系统 |
CN104156897A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 基于情景感知的室内导览系统 |
-
2015
- 2015-08-13 CN CN201510496286.1A patent/CN105139301B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077705A (zh) * | 2014-07-11 | 2014-10-01 | 武汉理工大学 | 基于svm的景区电子商务推送方法及系统 |
CN104156897A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 基于情景感知的室内导览系统 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的导游需求预测--以旅游城市A城市为例进行实证研究;张明英;《中国商贸》;20110121;第198-199页 |
最佳旅游路线选择的神经网络方法;栗雪娟 等;《交通与计算机》;20061030;第24卷(第5期);第103-106页 |
Also Published As
Publication number | Publication date |
---|---|
CN105139301A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139301B (zh) | 一种基于bp神经网络的导游方法 | |
US11892312B2 (en) | Methods and systems for providing information for an on-demand service | |
CN108681586B (zh) | 基于群智感知的旅游路线个性化推荐方法 | |
US9430858B1 (en) | Dynamic cartography mapping system | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
CN106886837A (zh) | 基于时间规划的自由行行程推荐方法 | |
WO2016177016A1 (zh) | 一种景区游览方案规划方法 | |
CN105468580A (zh) | 基于关注点信息提供服务的方法和装置 | |
CN106507285A (zh) | 一种基于位置基点的定位方法、特定标记及相关设备方法 | |
WO2022001902A1 (zh) | 一种推荐上车点的方法和系统 | |
CN104796481A (zh) | 一种音频视频智能选择方法 | |
CN104156897A (zh) | 基于情景感知的室内导览系统 | |
CN104838420A (zh) | 基于图像内容进行图像旋转以修正图像取向 | |
CN106557582A (zh) | 一种可基于计算机视觉感知识别的特定标记及运用方法 | |
CN107796414A (zh) | 一种基于街景图美学评分的最美路径导航方法和系统 | |
CN106296488A (zh) | 一种基于众包模式的智慧旅游系统及方法 | |
KR102042919B1 (ko) | 가상 캐릭터의 커스터마이징 학습을 통한 ar기반 테마여행 ai 큐레이션 제공시스템 | |
CN106767835A (zh) | 定位方法和装置 | |
CN109741734A (zh) | 一种语音评测方法、装置和可读介质 | |
CN107645535A (zh) | 信息提供装置 | |
CN107543554A (zh) | 一种导航路线确定方法及装置 | |
CN105138569A (zh) | 一种气泡数据的生成、使用方法及地理吐槽信息系统 | |
CN106943729B (zh) | 一种虚拟骑行训练器的场景调控方法 | |
Kusnadi | Tourism destination development strategy ready-to-visit post pandemi Covid-19 in Sariater Subang Jawa Barat | |
CN107270907A (zh) | 旅游景区信息分享方法、路线规划方法及信息分享系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 361000 A, B1F-059, Hua Xun Lou, software park, torch high tech Zone, Xiamen, Fujian Applicant after: FA Xinwei Road (Xiamen) Information Technology Co., Ltd. Address before: 361000 A, B1F-059, Hua Xun Lou, software park, torch high tech Zone, Xiamen, Fujian Applicant before: XIAMEN VTOUR INFORMATION TECHNOLOGY CO., LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |