CN108108887A - 一种基于多维数据的物联网旅游出行指数的智能评估模型 - Google Patents
一种基于多维数据的物联网旅游出行指数的智能评估模型 Download PDFInfo
- Publication number
- CN108108887A CN108108887A CN201711361270.5A CN201711361270A CN108108887A CN 108108887 A CN108108887 A CN 108108887A CN 201711361270 A CN201711361270 A CN 201711361270A CN 108108887 A CN108108887 A CN 108108887A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- model
- travel
- expert
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Abstract
本发明涉及旅游大数据平台技术领域,尤其是一种基于多维数据的物联网旅游出行指数的智能评估模型,其模型方法为:采集数据进行数据标记与旅游出行指标体系分组;构建专家评分模型,利用专家评分模型确定旅游出行指标权重;分层分析模型,利用层次分析法确定旅游出行指标权重;旅游出行指数得分确定,应用模型计算结构。本发明有益效果:本发明提供的方法基于统计学理论,结合最新的数据挖掘理论实施方法,采用专家评分评估模型和层次分析法,并提前以历史数据作为模型构建的基础,能达到快递、科学、客观的旅游出行指数结果。
Description
技术领域
本发明涉及旅游大数据平台技术领域,尤其是一种基于多维数据的物联网旅游出行指数的智能评估模型。
背景技术
由于中国经济的快速发展,人民生活水平提高了,对精神文化的追求日益提高,越来越多的人选择去旅游。然而在旅游出行方面的当天适不适合出行,或者哪天适合出行只有一个气象部门推出的旅游指数,即从天气的角度提供的出游建议,忽略了其他影响因素,可能会对民众出行造成一些错误的引导。
旅游指数是气象部门根据天气的变化情况,结合气温、风速和具体的天气现象,从天气的角度出发给市民提供的出游建议。一般天气晴好,温度适宜的情况下最适宜出游;而酷热或严寒的天气条件下,则不适宜外出旅游。旅游指数分为5级,级数越高,越不适应旅游。
气象局的旅游指数虽好,但仅仅只是从天气这个维度来计算旅游指数,忽略了现实当中交通请,场馆(景区)情况等对旅游出行的影响。传统解决方案中对旅游出行指数的评估基于气象数据,因此在评估过程由于缺少其他维度的数据支撑,存在一定的漏判、误判等情况。
因此,对于上述问题有必要提出一种基于多维数据的物联网旅游出行指数的智能评估模型。
发明内容
本发明目的是克服了现有技术中的不足,提供了一种基于Flash平台的网页游戏开发系统。
为了解决上述技术问题,本发明是通过以下技术方案实现:
一种基于多维数据的物联网旅游出行指数的智能评估模型,其模型方法为:步骤一:采集数据进行数据标记与旅游出行指标体系分组;步骤二:构建专家评分模型,利用专家评分模型确定旅游出行指标权重;步骤三:分层分析模型,利用层次分析法确定旅游出行指标权重;步骤四:旅游出行指数得分确定,应用模型计算结构。
优选地,其中步骤二进一步的包括专家评分模型建立和对等级比较答案的处理。
优选地,其中专家评分模型建立的评分方法为:对数量和时间答案的处理
式中为评价结果,p为正整数,n为专家数,专家评分值从大到小排列,则X p+1公式表示奇数个专家评分的中位数,(X p+X p+1)/2表示偶数个专家评分的中位数。
优选地,其中对等级比较答案的处理设旅游出行指数有m个评价领域(可扩充),有n个专家参与评价,设某一专家k给出的评分值集合为式中{Xi(j)}(k),表示第k=1,2,···,n个专家对第i(i=1,2,···,n)领域的评分序分值,其值为j(j=1,2,···,m);
根据可将序分值集合转化为基分值集合{Bi(j)}(k),其中{Bi(j)}(k)表示第k个专家对第i个领域排在第j位时所对应的基数分值;然后,用下述公式计算每个研究领域的重要程度:
在(2)以及(3)式中,m在(2)以及(3)式中,m表示领域数;Si表示i领域得分值;n表示专家数;Bi(j)表示i领域排在j位得分值;Ni表示赞同某一领域排在第j位的人
最后根据Ki大小排序,由公式(2)以及(3)看出,目前评分处理方法对序分值的处理是建立在统计平均基础上,根据统计学原则可知,当参与评价的专家很多时,计算结果是真实可信的。
优选地,其中步骤三进一步的包括确定模型的层次结构、比较尺度与成对比较矩阵和一致性检验。
优选地,其中一致性检验是将(其中入为成对比较矩阵M的最大特征值,作为一致性指标
Ci=0,说明λ=n,则为一致阵,Ci越大,M的不一致程度越严重。由于M的特征值之和等于M的主对角线元素之和,而M的主对角线上元素全为1,所以M的特征值之和为n,λ-n即为其余n-1个特征值之和的绝对值,Ci即为这些余下的特征值之平均值(取绝对值);
为了确定Ci的容许范围,引入了随机一致性指标R,I并给出对于不同的n(矩阵的阶数)Ri的取值。
当n=1,2时,Ri=0,说明这时M一定是一致的;
当n>3时,定义一致性比率CR为Ci与它同阶(指n相同)的随机一致性指标RI之比,即当CR<0.1时,认为M的不一致程度在容许范围内,否则,需要重新进行成对比较,给出新的成对比矩阵。对M利用 及Ri的取值进行检验即称为一致性检验。
优选地,步骤三最终求出的第三层对第二层的权重向量我们用代数分别表示为(α1,α2,…,αr),(β1,β2,…,βs),(γ1,γ2,…,γt),而第二层对第一层的权重向量可表示(ω1,ω2,ω3)。
优选地,其中步骤四中进一步的假设某一系统指标分别为x1,x2,…,xm,首先将每个指标数据归一化,归一化公式,其中为归一化后的数据,为n个指标值的平均值,为标准差;
然后对归一化后的数据再进行极值标准化,其中和分别是n个中的最大值和最小值,经过这两步转换后便落到了闭区间[0,1]中。
所有指标数据都经过上述的过程进行转换,则得到转换后的数据:
得到个指标数据的取值区间为:
区间的上限和下限分别是指该指标的最大值和最小值。其中A对应的指标对适合出行可能性起正向作用,即a1,a2,…,an表示的指标数据越大,越是适合旅游出行;B、C对应的指标起正向作用,即b1,b2,…,bn,c1,c2,…,cn表示的指标数据越大,不适合出行的可能性越大。
优选地,其中旅游出行指数计算公式为
本发明有益效果:本发明提供的方法基于统计学理论,结合最新的数据挖掘理论实施方法,采用专家评分评估模型和层次分析法,并提前以历史数据作为模型构建的基础,能达到快递、科学、客观的旅游出行指数结果。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的模型流程框图;
图2是本发明的层次分析结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图1并结合图2所示,一种基于多维数据的物联网旅游出行指数的智能评估模型,其模型方法为:步骤一:采集数据进行数据标记与旅游出行指标体系分组;步骤二:构建专家评分模型,利用专家评分模型确定旅游出行指标权重;步骤三:分层分析模型,利用层次分析法确定旅游出行指标权重;步骤四:旅游出行指数得分确定,应用模型计算结构。
其中旅游出行指标体系分组将所有和旅游出行指数相关的(m,其他系统)。
其中步骤二进一步的包括专家评分模型建立和对等级比较答案的处理。
其中专家评分模型建立的评分方法为:对数量和时间答案的处理
式中为评价结果,p为正整数,n为专家数,专家评分值从大到小排列,则X p+1公式表示奇数个专家评分的中位数,(X p+X p+1)/2表示偶数个专家评分的中位数。
优选地,其中对等级比较答案的处理设旅游出行指数有m个评价领域(可扩充),有n个专家参与评价,设某一专家k给出的评分值集合为{Xi(j)}(k),式中{Xi(j)}(k)表示第k=1,2,···,n个专家对第i(i=1,2,···,n)领域的评分序分值,其值为j(j=1,2,···,m);
根据可将序分值集合转化为基分值集合{Bi(j)}(k),其中{Bi(j)}(k)表示第k个专家对第i个领域排在第j位时所对应的基数分值;然后,用下述公式计算每个研究领域的重要程度:
在(2)以及(3)式中,m在(2)以及(3)式中,m表示领域数;Si表示i领域得分值;n表示专家数;Bi(j)表示i领域排在j位得分值;Ni表示赞同某一领域排在第j位的人
最后根据Ki大小排序,由公式(2)以及(3)看出,目前评分处理方法对序分值的处理是建立在统计平均基础上,根据统计学原则可知,当参与评价的专家很多时,计算结果是真实可信的。但在实际工作中,专家数量往往不多,这就会产生一定的影响,使得个别专家的极端意见对评价结果的影响较大,有可能使评价结果偏离正确的轨道,因此,还需要结合下面的层次分析法来确定指标权重。
其中步骤三进一步的包括确定模型的层次结构、比较尺度与成对比较矩阵和一致性检验。
其中一致性检验是将(其中入为成对比较矩阵M的最大特征值,作为一致性指标
Ci=0,说明λ=n,则为一致阵,Ci越大,M的不一致程度越严重。由于M的特征值之和等于M的主对角线元素之和,而M的主对角线上元素全为1,所以M的特征值之和为n,λ-n即为其余n-1个特征值之和的绝对值,Ci即为这些余下的特征值之平均值(取绝对值);
为了确定Ci的容许范围,引入了随机一致性指标R,I并给出对于不同的n(矩阵的阶数)Ri的取值。
当n=1,2时,Ri=0,说明这时M一定是一致的;
当n>3时,定义一致性比率CR为Ci与它同阶(指n相同)的随机一致性指标RI之比,即当CR<0.1时,认为M的不一致程度在容许范围内,否则,需要重新进行成对比较,给出新的成对比矩阵。对M利用 及Ri的取值进行检验即称为一致性检验。
其中,步骤三最终求出的第三层对第二层的权重向量我们用代数分别表示为(α1,α2,…,αr),(β1,β2,…,βs),(γ1,γ2,…,γt),而第二层对第一层的权重向量可表示(ω1,ω2,ω3)。
其中步骤四中进一步的假设某一系统指标分别为x1,x2,...,xm,首先将每个指标数据归一化,归一化公式,其中为归一化后的数据,为n个指标值的平均值,为标准差;
然后对归一化后的数据再进行极值标准化,其中和分别是n个中的最大值和最小值,经过这两步转换后便落到了闭区间[0,1]中。
所有指标数据都经过上述的过程进行转换,则得到转换后的数据:
得到个指标数据的取值区间为:
区间的上限和下限分别是指该指标的最大值和最小值。其中A对应的指标对适合出行可能性起正向作用,即a1,a2,…,an表示的指标数据越大,越是适合旅游出行;B、C对应的指标起正向作用,即b1,b2,…,bn,c1,c2,…,cn表示的指标数据越大,不适合出行的可能性越大。
其中旅游出行指数计算公式为
本发明提供的方法基于统计学理论,结合最新的数据挖掘理论实施方法,采用专家评分评估模型和层次分析法,并提前以历史数据作为模型构建的基础,能达到快递、科学、客观的旅游出行指数结果。
专家评分模型:所谓评分就是对事物的某些属性或影响做出衡量。其实质是主体(评价者或评分专家)对客体(评价对象)本质属性及发展规律的认识。评价的过程是评价者根据对客体的认识程度及评价者本身的认识水平、价值观和心理因素对评价对象的属性加以描述的过程。联系主体与客体的桥梁和纽带是比较,即用某种确定的标准与评价对象相比较,专家评分的根本原则和手段也是比较。
层次分析法是一种定性与定量分析相结合的多标准决策方法,层次分析法(Analytic Hierarchy Process,简称AHP)是将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析的决策方法。
除了引入天气因素,还将引入交通数据、场馆(景区)数据等,全面综合分析旅游出行指数,为给市民提供更加详细实用的出游提示。
如图2所示,根据AHP法的要求及旅游出行指标体系的具体特征,模型的三个层次,第一层用H代表,表示出行适合程度;第二层代表,表示生活气象、场馆、交通、时间等;第三层用a1…,an;b1,…,bn,;c1,…,cn;代表,分别表示从属于第二层A、B、C各因素的具体指标。
AHP法的测度是通过两两比较判断给出的,在进行判断时,被比较的对象在它们所从属的性质上应该比较接近,而当被比较的对象在从属的性质上比较接近时,人们的判断趋于用相同、稍强、强、明显地强、绝对地强等语言表达。如果再进一步细分,相邻判断之间可再插入一档。这样,1-9可以满足表达判断这一要求。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其模型方法为:
步骤一:采集数据进行数据标记与旅游出行指标体系分组;
步骤二:构建专家评分模型,利用专家评分模型确定旅游出行指标权重;
步骤三:分层分析模型,利用层次分析法确定旅游出行指标权重;
步骤四:旅游出行指数得分确定,应用模型计算结构。
2.如权利要求1所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中步骤二进一步的包括专家评分模型建立和对等级比较答案的处理。
3.如权利要求2所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中专家评分模型建立的评分方法为:对数量和时间答案的处理
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>X</mi>
<mrow>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>2</mn>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mo>+</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>2</mn>
<mi>p</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中为评价结果,p为正整数,n为专家数,专家评分值从大到小排列,则Xp+1公式表示奇数个专家评分的中位数,(Xp+Xp+1)/2表示偶数个专家评分的中位数。
4.如权利要求2所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中对等级比较答案的处理设旅游出行指数有m个评价领域,有n个专家参与评价,设某一专家k给出的评分值集合为{Xi(j)}(k),式中{Xi(j)}(k)表示第k=1,2,…,n个专家对第i(i=1,2,…,n)领域的评分序分值,其值为j(j=1,2,…,m);
根据可将序分值集合转化为基分值集合{Xi(j)}(k),其中{Bi(j)}(k)表示第k个专家对第i个领域排在第j位时所对应的基数分值;然后,用下述公式计算每个研究领域的重要程度:
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>B</mi>
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>......</mn>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>K</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mi>n</mi>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mi>J</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>......</mn>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
在(2)以及(3)式中,m在(2)以及(3)式中,m表示领域数;Si表示i领域得分值;n表示专家数;Bi(j)表示i领域排在j位得分值;Ni表示赞同某一领域排在第j位的人
最后根据Ki大小排序,由公式(2)以及(3)看出,目前评分处理方法对序分值的处理是建立在统计平均基础上,根据统计学原则可知,当参与评价的专家很多时,计算结果是真实可信的。
5.如权利要求2所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中步骤三进一步的包括确定模型的层次结构、比较尺度与成对比较矩阵和一致性检验。
6.如权利要求5所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中一致性检验是将其中入为成对比较矩阵M的最大特征值,作为一致性指标
Ci=0,说明λ=n,则为一致阵,Ci越大,M的不一致程度越严重。由于M的特征值之和等于M的主对角线元素之和,而M的主对角线上元素全为1,所以M的特征值之和为n,λ-n即为其余n-1个特征值之和的绝对值,Ci即为这些余下的特征值之平均值;
为了确定Ci的容许范围,引入了随机一致性指标R,I并给出对于不同的n Ri的取值;
当n=1,2时,Ri=0,说明这时M一定是一致的;
当n>3时,定义一致性比率CR为Ci与它同阶的随机一致性指标RI之比,即当CR<0.1时,认为M的不一致程度在容许范围内,否则,需要重新进行成对比较,给出新的成对比矩阵,对M利用及Ri的取值进行检验即称为一致性检验。
7.其中如权利要求1所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:步骤三最终求出的第三层对第二层的权重向量用代数分别表示为(α1,α2,…,αr),(β1,β2,…,βs),(γ1,γ2,…,γt),而第二层对第一层的权重向量可表示(ω1,ω2,ω3)。
8.如权利要求5所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中步骤四中进一步的假设某一系统指标分别为x1,x2,…,xm,首先将每个指标数据归一化,归一化公式,其中为归一化后的数据,为n个指标值的平均值,为标准差;
然后对归一化后的数据再进行极值标准化,其中和分别是n个中的最大值和最小值,经过这两步转换后便落到了闭区间[0,1]中;
所有指标数据都经过上述的过程进行转换,则得到转换后的数据:
<mrow>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mrow>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mrow>
<msub>
<mi>i</mi>
<mn>2</mn>
</msub>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>c</mi>
<mo>^</mo>
</mover>
<mrow>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>r</mi>
<mo>;</mo>
<msub>
<mi>i</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>s</mi>
<mo>;</mo>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>t</mi>
<mo>;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>.</mo>
</mrow>
得到个指标数据的取值区间为:
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mi>min</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mi>max</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>r</mi>
<mo>,</mo>
</mrow>
区间的上限和下限分别是指该指标的最大值和最小值。其中A对应的指标对适合出行可能性起正向作用,即a1,a2,…,an表示的指标数据越大,越是适合旅游出行;B、C对应的指标起正向作用,即b1,b2,…,bn,c1,c2,…,cn表示的指标数据越大,不适合出行的可能性越大。
9.如权利要求1所述的一种基于多维数据的物联网旅游出行指数的智能评估模型,其特征在于:其中旅游出行指数计算公式为
<mrow>
<msub>
<mi>EW</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>3</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>c</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711361270.5A CN108108887A (zh) | 2017-12-18 | 2017-12-18 | 一种基于多维数据的物联网旅游出行指数的智能评估模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711361270.5A CN108108887A (zh) | 2017-12-18 | 2017-12-18 | 一种基于多维数据的物联网旅游出行指数的智能评估模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108108887A true CN108108887A (zh) | 2018-06-01 |
Family
ID=62216584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711361270.5A Pending CN108108887A (zh) | 2017-12-18 | 2017-12-18 | 一种基于多维数据的物联网旅游出行指数的智能评估模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108887A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377068A (zh) * | 2018-11-02 | 2019-02-22 | 南京航空航天大学 | 一种直升机性能分析评估方法 |
CN109583712A (zh) * | 2018-11-13 | 2019-04-05 | 咪咕文化科技有限公司 | 一种数据指标分析方法及装置、存储介质 |
CN109584208A (zh) * | 2018-10-23 | 2019-04-05 | 西安交通大学 | 一种针对工业结构缺陷智能识别模型的检验方法 |
CN109857796A (zh) * | 2019-01-08 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种基于大数据和物联网的智慧旅游区域时空分流系统 |
CN112365079A (zh) * | 2020-11-23 | 2021-02-12 | 上海交通大学设计研究总院有限公司 | 一种基于量化模型的旅游景区导向系统评价方法 |
CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944160A (zh) * | 2010-08-31 | 2011-01-12 | 环境保护部华南环境科学研究所 | 基于层次分析法和综合评价法建立的近岸海域生态环境综合评价方法 |
CN105139279A (zh) * | 2015-08-19 | 2015-12-09 | 国家电网公司 | 一种电气设备检修中的人为可靠性评估方法 |
CN105426653A (zh) * | 2015-10-15 | 2016-03-23 | 大连海事大学 | 一种基于ahp-模糊评价分析法的质量评估方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
-
2017
- 2017-12-18 CN CN201711361270.5A patent/CN108108887A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944160A (zh) * | 2010-08-31 | 2011-01-12 | 环境保护部华南环境科学研究所 | 基于层次分析法和综合评价法建立的近岸海域生态环境综合评价方法 |
WO2017008180A1 (zh) * | 2015-07-16 | 2017-01-19 | 广东产品质量监督检验研究院 | 一种光伏组件失效风险判别方法 |
CN105139279A (zh) * | 2015-08-19 | 2015-12-09 | 国家电网公司 | 一种电气设备检修中的人为可靠性评估方法 |
CN105426653A (zh) * | 2015-10-15 | 2016-03-23 | 大连海事大学 | 一种基于ahp-模糊评价分析法的质量评估方法 |
Non-Patent Citations (1)
Title |
---|
鞠姗: "贸易保护主义压力下的我国贸易摩擦预警模型", 《山东财政学院学院》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584208A (zh) * | 2018-10-23 | 2019-04-05 | 西安交通大学 | 一种针对工业结构缺陷智能识别模型的检验方法 |
CN109377068A (zh) * | 2018-11-02 | 2019-02-22 | 南京航空航天大学 | 一种直升机性能分析评估方法 |
CN109377068B (zh) * | 2018-11-02 | 2022-04-01 | 南京航空航天大学 | 一种直升机性能分析评估方法 |
CN109583712A (zh) * | 2018-11-13 | 2019-04-05 | 咪咕文化科技有限公司 | 一种数据指标分析方法及装置、存储介质 |
CN109583712B (zh) * | 2018-11-13 | 2021-06-29 | 咪咕文化科技有限公司 | 一种数据指标分析方法及装置、存储介质 |
CN109857796A (zh) * | 2019-01-08 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种基于大数据和物联网的智慧旅游区域时空分流系统 |
CN112365079A (zh) * | 2020-11-23 | 2021-02-12 | 上海交通大学设计研究总院有限公司 | 一种基于量化模型的旅游景区导向系统评价方法 |
CN112890816A (zh) * | 2020-12-11 | 2021-06-04 | 万达信息股份有限公司 | 一种个人用户的健康指数评分方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108887A (zh) | 一种基于多维数据的物联网旅游出行指数的智能评估模型 | |
CN107832982A (zh) | 一种基于大数据旅游出行评估模型区域适旅指数计算方法 | |
CN103577888B (zh) | 一种对产品设计方案优选的方法 | |
CN108921372A (zh) | 基于层次分析和可拓物元的高速公路隧道运营安全风险评价方法 | |
CN107766668A (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN106096847A (zh) | 一种模糊变权工程地质环境质量评价方法 | |
CN115239127A (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
Kang et al. | The feasibility of practical vocational education in higher education institutions | |
Peng et al. | Evaluation of tourism landscape ecological environment based on AHP and fuzzy mathematics | |
Zhike | A new BP neural network algorithm and its application in English education evaluation | |
Li et al. | Research on comprehensive decision model based on analytic hierarchy process and entropy method | |
Zhao et al. | Prediction model of sports results base on knowledge discovery in data-base | |
Zhao et al. | Subway operation safety evaluation based on iahp-entropy weight method | |
Li et al. | A comprehensive analysis method of application in college entrance examination | |
Weng et al. | Evaluation of teaching quality system designing based on AHP | |
Gu et al. | Research on evaluation of university scientific research team based on SOM neural network | |
Li et al. | The pattern of multi-layer grey situation decision in intensive land use evaluation for towns | |
Li et al. | Analysis of College Students’ Second Classroom Ability Evaluation Based on Principal Component and Clustering Methods | |
Li et al. | Evaluation of the Quality of Sustainable Entrepreneurship Education in Universities Based on the Grey Correlation Algorithm | |
Ning et al. | The research of teaching quality evaluation model based on the principal component analysis and learning vector quantization | |
Wang et al. | Application of gray fuzzy analytic hierarchy process in air traffic safety of tower control | |
Yuan | Evaluation Method of English Teaching Quality Based on Improved Kernel Extreme Learning Machine of Analytical Hierarchy Process and Krill Herd | |
Qian et al. | The Construction of the Measurement Model of Balanced Development of Compulsory Education Resources based on the Hierarchical Analysis Method | |
Huang | Analysis of Influencing Factors of College Students' Sports Ability Cultivation | |
Jiang et al. | University-enterprise Cooperation Practical Teaching Evaluation Model for polytechnic based on AHP and Fuzzy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |
|
RJ01 | Rejection of invention patent application after publication |