CN108846500A - 基于Flickr地理标签元的旅游历史数据获取方法 - Google Patents
基于Flickr地理标签元的旅游历史数据获取方法 Download PDFInfo
- Publication number
- CN108846500A CN108846500A CN201810343584.0A CN201810343584A CN108846500A CN 108846500 A CN108846500 A CN 108846500A CN 201810343584 A CN201810343584 A CN 201810343584A CN 108846500 A CN108846500 A CN 108846500A
- Authority
- CN
- China
- Prior art keywords
- flickr
- data
- picture data
- tourism
- estimation range
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013481 data capture Methods 0.000 title claims abstract description 15
- 238000012217 deletion Methods 0.000 claims abstract description 13
- 230000037430 deletion Effects 0.000 claims abstract description 13
- 241001269238 Data Species 0.000 claims abstract description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101100170365 Arabidopsis thaliana At5g60805 gene Proteins 0.000 description 2
- 101100129345 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mae2 gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 101150002475 mae1 gene Proteins 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于大数据的旅游预测技术领域，提供了一种基于Flickr地理标签元的旅游历史数据获取方法，该方法包括如下步骤：S1、下载预测区域的历史Flickr照片数据，Flickr照片数据内含有用户标识及用户位置、照片的拍摄位置及拍摄时间及照片标签；S2、对所有的Flickr照片数据进行预处理，筛选出预测区域内旅游相关的有效Flickr照片数据，预处理包括依次进行重复数据的删除及旅游无关数据的删除。本发明实施例基于Flickr照片数据来获取旅游信息较差地区的历史旅游数据，以便基于历史旅游数据来预测该地区的旅游需求。
Description
技术领域
本发明属于大数据的旅游预测技术领域，提供了一种基于Flickr地理标签元的旅游历史数据获取方法。
背景技术
旅游预测是旅游经济分析与战略规划中的一个关键问题，一般方法都是通过历史数据统计预测传统旅游需求。传统的旅游预测研究主要是基于官方发布的统计年鉴，而这些年鉴更新缓慢，尤其在旅游信息化较差的地方，例如一些发展中国家或某国家的偏远地区，旅游资料普遍缺失，如何获取此类地区的历史旅游数据成为旅游预测中迫切需要解决问题。
发明内容
本发明实施例提供了一种基于Flickr地理标签元的旅游历史数据获取方法，旨在获取旅游信息较差地区的历史旅游数据。
本发明是这样实现的，一种基于Flickr地理标签元的旅游历史数据获取方法，该方法包括如下步骤：
S1、下载预测区域的历史Flickr照片数据，Flickr照片数据内含有用户标识及用户位置、照片的拍摄位置及拍摄时间及照片标签；
S2、对所有的Flickr照片数据进行预处理，筛选出预测区域内旅游相关的有效Flickr照片数据，预处理包括依次进行重复数据的删除及旅游无关数据的删除。
进一步的，所述重复数据删除方法具体包括如下步骤：
S11、检测到连续发布相同位置或相邻位置照片的时长大于设定时长，则判定为当地照片，删除对应的Flickr照片数据；
S12、检测到在设定时长内多次发布或一次发布多张相同位置或相邻位置的照片，仅保留最早发布时间的Flickr照片数据，即以最早发布时间作为旅游起始时间。
进一步的，所述与旅游不相关数据删除方法具体包括如下步骤：
S21、删除没有标签值的Flickr照片数据；
S22、利用TF-IDF算法生成聚类簇标签；
S23、利用百度API来提取预测区域内的兴趣点信息；
S24、将每个聚类簇标签与兴趣点信息进行匹配，若聚类簇标签与兴趣信息不匹配，则删除所述聚类簇标签对应的Flickr照片数据。
进一步的，在步骤S2之后还包括：
S3、基于旅游相关的有效Flickr照片数据来获取入境旅游相关的有效Flickr 照片数据。
进一步的，所述步骤S3具体包括如下步骤：
S31、检测旅游相关的有效Flickr照片数据中的用户位置是否为空，若检测结果为是，则执行步骤S33、若检测结果为否，则执行步骤S32；
S32、基于用户位置判断是否为入境旅游，删除非入境旅游对应的Flickr 照片数据；
S33、基于熵过滤方法进行非入境旅游数据的删除，即信息熵E(u)值大于等于设定阈值，则认定为非入境旅游，删除对应的Flickr照片数据。
进一步的，在步骤S3之后还包括：
S4、针对入境旅游相关的有效Flickr照片数据按月进行入境频率统计，获取预测区域的历史月入境次数，并进行归一化处理；
S5、将归一化后的历史月入境次数输入建立的预测模型，对预测区域的入境旅游流月数据进行预测。
进一步的，所述归一化公式具体如下所示：
其中，xi为预测区域某年第i月的入境次数，xmin为预测区域历史月入境次数中的最小值，xmax为预测区域历史月入境次数中的最大值。
Flickr地理标签照片元数据能够满足实际旅游预测的需求，并与实际旅游数据高度相关，本发明实施例基于Flickr照片数据来获取旅游信息较差地区的历史旅游数据，获取的历史旅游数据相对精准，以便基于历史旅游数据来预测该地区的旅游需求，为各级管理人员提供重要的决策信息。
附图说明
图1为本发明实施例提供的基于Flickr地理标签元的旅游历史数据获取方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
随着互联网的高速发展，在线数据与社会经济活动之间存在着密切的关系，Flickr平台作为一个典型的社交网络服务平台，Flickr地理标签照片数据包含了游客拍摄照片的位置和时间，因此被广泛应用于旅游推荐领域和旅游行为分析， Flickr地理标签照片数据具有易于获取，数据量大，反映时间连续性，准确记录地理位置信息，反映移动轨迹等优点。根据上述研究，由于记录的大量地理位置和旅行时间信息，Flickr地理标记的照片数据可以取代历史数据，本发明提供一种基于Flickr地理标签元的入境旅游历史数据获取方法。
图1为本发明实施例提供的基于Flickr地理标签元的旅游历史数据获取方法流程图，该方法包括如下步骤：
S1、通过爬虫程序在Flickr应用程序上下载预测区域的历史Flickr照片数据，Flickr照片数据内含有用户标识及用户位置、照片的拍摄位置及拍摄时间、及照片标签；
本发明实施例中的“预测区域”一般为某个城市的某个景点覆盖区域， Flickr照片数据的格式如表1所示，用户标识对应于表1中的“Userid”，用于唯一标识用户，拍摄位置由经度及维度的组合进行标识，分别对应于表1中的“Latitude”及“Longitude”，用户位置是指用户的注册地，对应于表1中的“Location”，拍摄时间对应于表1中的“Date&Time”，照片标签是指针对照片的文字描述，对应于表1中的“Tags”，表1如下所示：
表1
S2、对所有的Flickr照片数据进行预处理，筛选出预测区域内旅游相关的有效Flickr照片数据；这里的预处理包括依次进行重复数据的删除及旅游无关数据的删除。
在本发明实施例中，重复数据的删除具体包括如下步骤：
S11、检测到连续发布相同位置或相邻位置照片的时长大于设定时长，则判定为当地照片，删除对应的Flickr照片数据；
本发明实施例中的“连续发布”是指相邻两次照片的发布时间间隔小于预设时间间隔，则认定为连续发布，“相邻位置”是指以某一位置点为中心，设定半径区域内的位置点均认定为该中心位置点的相邻位置。
若拍摄位置与用户位置不一致的前提下，若检测到连续发布相同位置照片的时长大于设定时长(一般以1年为限)，则认定为当地拍摄，数据与旅游无关，应当予以删除。
S12、检测到在设定时长内多次发布或一次发布多张相同位置或相邻位置的照片，仅保留最早发布时间的Flickr照片数据，即以最早发布时间作为旅游起始时间。
在本发明实施例中，用户在一天在相同位置或相邻位置多次发布照片，或者是在相同位置或相邻位置一次发布多张照片，定义为一次旅游，仅保留最早发布时间的Flickr照片数据，删除其他照片，并以最早发布时间作为旅游起始时间。
在本发明实施例中，旅游无关照片的删除具体包括如下步骤：
S21、删除没有标签值的Flickr照片数据；
删除表1中的“Tags”缺失的数据，即没有对拍摄照片进行描述的Flickr 照片数据；
S22、利用TF-IDF算法生成聚类簇标签；
在本发明实施例中，聚类簇标签通俗的理解为标签中的核心字段，即最能精准反映照片拍摄位置的字段，本发通过PDBSCAN算法来对标签进行聚类，对于聚类后的每个簇，使用TF-IDF算法进行标签的统计和分析，TF-IDF公式具体表示如下：
TF-IDF公式如下：
tfid(t,d,D)＝tf(t,d)*idf(t,D) (1)
其中tf是标签t在聚类参数d下的数目，idf衡量在数据库D中通过标签t 能得到的信息量，tfid为聚类簇标签，聚类簇标签为频率最高的词。
S23、利用百度API来提取预测区域内的兴趣点信息；
本发明实施例中的兴趣点信息至少包括兴趣点的位置、和/或名称等。
S24、将每个聚类簇标签与兴趣点信息进行匹配，若聚类簇标签与兴趣信息不匹配，则删除该聚类簇标签对应的Flickr照片数据。
若兴趣点的位置信息或名称与聚类标签簇一致，则认定为匹配，否为认定为不匹配。
Flickr地理标签照片元数据能够满足实际旅游预测的需求，并与实际旅游数据高度相关，本发明实施例基于Flickr照片数据来获取旅游信息较差地区的历史旅游数据，获取的历史旅游数据相对精准，以便基于历史旅游数据来预测该地区的旅游需求，为各级管理人员提供重要的决策信息。
在本发明实施例中，在步骤S2之后还包括：
S3、基于步骤S2中的旅游相关的有效Flickr照片数据来获取入境旅游相关的有效Flickr照片数据，其方法包括如下步骤：
S31、检测旅游相关的有效Flickr照片数据中的用户位置是否为空，若检测结果为是，则执行步骤S33、若检测结果为否，则执行步骤S32；
S32、基于用户位置判断是否为入境旅游，删除非入境旅游对应的Flickr 照片数据；
即预测区域与用户位置不在同一个国家，则认定为入境旅游，否则认定为非入境旅游。
S33、基于熵过滤方法进行非入境数据的删除，即信息熵E(u)大于设定阈值，则认定为暂时居住在旅游地的外国人，删除其对应的Flickr照片数据。
熵过滤公式具体表述如下：
其中，Di(u)表示用户u在i月份拍照的天数，Mon(u)表示用户u在一定时间跨度内拍照的月份数目，E(u)表示用户u发布照片的信息熵，
当E(u)值大于等于设定阈值，旅游者很可能是暂时居住在旅游景点的外国人，删除对应的Flickr照片数据，当E(u)值小于设定阈值时，认定为入境旅游，保留对应的Flickr照片数据。
设定阈值的选定方法具体如下：假设用户在Flickr上发布的照片是在k个月内均匀分布，通过使用公式(3)和(4)，基于不同的k值来计算E(u)，以北京2015年的Flickr数据为例，随机选择30％的数据作为E(u)阈值的测试数据，通过反复实验，实验结果见表2，表2为不同阈值过滤用户类型的准确性表，从表2可知：2.0是最佳阈值(过滤率最高)，即选为设定阈值，表2如下所示：
表2
在本发明实施例中，在步骤S3之后还包括：
S3、针对入境旅游的有效Flickr照片数据按月进行入境次数统计，获取预测区域的历史月入境次数，并进行归一化处理。
在本发明实施例中，归一化公式具体如下所示：
其中，xi为预测区域某年第i月的入境次数，xmin为预测区域历史月入境次数中的最小值，xmax为预测区域历史月入境次数中的最大值。
S4、将归一化后的历史月入境次数输入建立的预测模型，对预测区域的入境旅游流月数据进行预测。
本发明实施例中的预测模型建立方法具体如下：
选取若干预测框架，预测框架为NN算法、SVR算法、或ELM经典算法；
采用历史月入境次数对预测框架进行训练，同时通过粒子群优化算法对预测框架内的参数进行优化，选取预测效果最佳的预测模型，预测模型由预测框架及对应框架下的最优参数组成。
在参数优化中，每个优化问题的潜在解决方案被命名为粒子，这对应于机器学习算法的可能参数或参数集。预测模型参数优化具体步骤如下：
(1)将要优化机器学习算法的参数或参数集定义为初始化组粒子；
(2)初始化粒子；确定组的大小，迭代次数，学习因子和Vmax和Vmin的值；将训练集应用于机器学习算法，以优化参数，并应用测试集进行交叉验证。均方误差指的是函数的适应度；
(3)根据公式(6)和(7)更新每个粒子的速度和位置；
(4)如果达到停止标准，则确定最佳位置；
Vi(n+1)＝Vi(n)+c1×r1(Pi-Xi(n))+c2×r2(Pg-Xi(n)) (6)
Xi(n+1)＝Xi(n)+Vi(n) (7)
在上面的公式中i＝1,2,...,m表示不同的粒子，c1和c2表示大于0的学习因子，并且分别将粒子飞行的最大补偿调整到最佳位置。一般说来，c1＝c2＝2,r1和r2是 [0,1]内的随机数，n为迭代次数，即粒子的飞行步数，V限制在一定范围内，是的每个维度上的粒子运动速度被限制在[-Vmin,Vmax]内，以防止粒子运动速度太快而错过最优解的情况，Vmin和Vmax根据实际情况确定。当粒子飞行速度足够小或达到指定迭代步数时，算法停止迭代饼输出最优解。
(4)根据最优位置获取最优参数，然后插入到机器学习算法进行预测参数优化。
Flickr地理标签照片元数据能够满足实际旅游预测的需求，并与实际旅游数据高度相关，本发明实施例基于Flickr照片数据来获取旅游信息较差地区的历史入境旅游数据，获取的历史入境旅游数据相对精准，以便基于历史入境旅游数据来预测该地区的入境旅游需求，为各级管理人员提供重要的决策信息。
采用以下实验过程验证本发明对数据的处理将得到较为准确的预测结果：
1.数据准备
天安门是北京的中心。我们以天安门的经纬度为抽样的中心，最大测量范围设置为32km。基于Flickr API，使用Python编写了爬虫代码。2007年至今共收集到349,665张照片资料，其中2015年为34,160张，2014年为47,075 张。我们将2014年至2015年，预处理后的月数据作为训练数据，并将2016 年1月至2016年6月的6个月样本作为测试样本。采用三种预测模型开展预测，最终，将2016年半年的预测结果与2016年国家旅游局官网的入境旅游数据做对比分析。
2.衡量指标
采用预测值与实际值之间的四个评估指标，包括平均绝对误差(MAE)，均方根误差(RMSE)，平均绝对百分比误差(MAPE)和相关系数(R)所有预测模型的差异。具体定义如下：
在上面的等式中，yi是实际值，是预测值，n是预测样本的数量。MAE， RMSE和MAPE反映实际值与预测值之间的偏差，值越低，实际值和预测值越接近，预测精度越高。R考虑到实际值与预测值之间的相关性，R越接近1，实际值与预测值的相关性越高，预测精度越高。
3.实验设置
选择RBF作为SVR的核函数，参数如下：sigma＝0.1和C＝10；NN的手动设置参数是nhid＝10；ELM的手动设置参数是nhid＝12；sigmoid被视为激活函数，我们采用交叉验证方法，将2014年至2015年的处理每月Flickr地理标签照片数据作为训练数据，并将2016年1月至2016年6月的6个月作为测试样本。
4.实验结果
实验结果见表3，表3为基于预处理后的Flickr地理标签照片月数据的预测结果，表3如下所示：
| 预测模型 | NN | SVR | ELM |
| 核函数/激活函数 | / | RBF | sigmoid |
| 参数 | nhid＝10 | sigma＝0.1,C＝10 | nhid＝12 |
| MAE1 | 0.1151518 | 0.1184485 | 0.07695387 |
| MAE2 | 0.1710794 | 0.1869958 | 0.1069969 |
| RMSE1 | 0.1388751 | 0.1451613 | 0.09579487 |
| RMSE2 | 0.1986154 | 0.2210619 | 0.1306419 |
| MAPE1 | 7.528479e-05 | 0.003048146 | 0.0007842781 |
| MAPE2 | 0.06896336 | 0.06836812 | 0.06172149 |
| R1 | 0.8205143 | 0.8168386 | 0.9188205 |
| R2 | 0.8067608 | 0.7692361 | 0.9541696 |
表3
在表3中，MAE1，RMSE1，MAPE1和R1是预测结果与预处理后的Flickr 地理标记照片数据的对比，而MAE2，RMSE2，MAPE2和R2是预测结果与统计年鉴之间的比较。从四种评价指标可以看出，ELM在各方面都优于其他方法， R超过0.9；NN和SVR不太令人满意，R约为0.8，从表3可以发现，基于预处理后的Flickr地理标签照片数据可以有效应用于入境旅游预测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，所述方法包括如下步骤：
S1、下载预测区域的历史Flickr照片数据，Flickr照片数据内含有用户标识及用户位置、照片的拍摄位置及拍摄时间及照片标签；
S2、对所有的Flickr照片数据进行预处理，筛选出预测区域内旅游相关的有效Flickr照片数据，预处理包括依次进行重复数据的删除及旅游无关数据的删除。
2.如权利要求1所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，所述重复数据删除方法具体包括如下步骤：
S11、检测到连续发布相同位置或相邻位置照片的时长大于设定时长，则判定为当地照片，删除对应的Flickr照片数据；
S12、检测到在设定时长内多次发布或一次发布多张相同位置或相邻位置的照片，仅保留最早发布时间的Flickr照片数据，即以最早发布时间作为旅游起始时间。
3.如权利要求1所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，所述与旅游不相关数据删除方法具体包括如下步骤：
S21、删除没有标签值的Flickr照片数据；
S22、利用TF-IDF算法生成聚类簇标签；
S23、利用百度API来提取预测区域内的兴趣点信息；
S24、将每个聚类簇标签与兴趣点信息进行匹配，若聚类簇标签与兴趣信息不匹配，则删除所述聚类簇标签对应的Flickr照片数据。
4.如权利要求1所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，在步骤S2之后还包括：
S3、基于旅游相关的有效Flickr照片数据来获取入境旅游相关的有效Flickr照片数据。
5.如权利要求4所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，所述步骤S3具体包括如下步骤：
S31、检测旅游相关的有效Flickr照片数据中的用户位置是否为空，若检测结果为是，则执行步骤S33、若检测结果为否，则执行步骤S32；
S32、基于用户位置判断是否为入境旅游，删除非入境旅游对应的Flickr照片数据；
S33、基于熵过滤方法进行非入境旅游数据的删除，即信息熵E(u)值大于等于设定阈值，则认定为非入境旅游，删除对应的Flickr照片数据。
6.如权利要求4所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，在步骤S3之后还包括：
S4、针对入境旅游相关的有效Flickr照片数据按月进行入境频率统计，获取预测区域的历史月入境次数，并进行归一化处理；
S5、将归一化后的历史月入境次数输入建立的预测模型，对预测区域的入境旅游流月数据进行预测。
7.如权利要求6所述基于Flickr地理标签元的旅游历史数据获取方法，其特征在于，所述归一化公式具体如下所示：
其中，xi为预测区域某年第i月的入境次数，xmin为预测区域历史月入境次数中的最小值，xmax为预测区域历史月入境次数中的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810343584.0A CN108846500A (zh) | 2018-04-17 | 2018-04-17 | 基于Flickr地理标签元的旅游历史数据获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810343584.0A CN108846500A (zh) | 2018-04-17 | 2018-04-17 | 基于Flickr地理标签元的旅游历史数据获取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108846500A true CN108846500A (zh) | 2018-11-20 |
Family
ID=64212004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810343584.0A Pending CN108846500A (zh) | 2018-04-17 | 2018-04-17 | 基于Flickr地理标签元的旅游历史数据获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846500A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177071A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | Flickr平台的图片下载方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750375A (zh) * | 2012-06-21 | 2012-10-24 | 武汉大学 | 一种基于随机游走的服务和标签推荐方法 |
| CN105069717A (zh) * | 2015-07-29 | 2015-11-18 | 陕西师范大学 | 一种基于游客信任度的个性化旅游线路推荐方法 |
| CN105550951A (zh) * | 2015-12-30 | 2016-05-04 | 南京邮电大学 | 一种旅游出行辅助决策系统和方法 |
| CN106095841A (zh) * | 2016-06-05 | 2016-11-09 | 西华大学 | 一种基于协同过滤的移动互联网广告推荐方法 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106779146A (zh) * | 2016-11-15 | 2017-05-31 | 广州铁路职业技术学院 | 一种用于提供推荐旅游路线的旅游服务系统 |
| CN106951827A (zh) * | 2017-02-21 | 2017-07-14 | 南京邮电大学 | 一种基于目标运动特性的全局异常行为检测方法 |
-
2018
- 2018-04-17 CN CN201810343584.0A patent/CN108846500A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750375A (zh) * | 2012-06-21 | 2012-10-24 | 武汉大学 | 一种基于随机游走的服务和标签推荐方法 |
| CN105069717A (zh) * | 2015-07-29 | 2015-11-18 | 陕西师范大学 | 一种基于游客信任度的个性化旅游线路推荐方法 |
| CN105550951A (zh) * | 2015-12-30 | 2016-05-04 | 南京邮电大学 | 一种旅游出行辅助决策系统和方法 |
| CN106095841A (zh) * | 2016-06-05 | 2016-11-09 | 西华大学 | 一种基于协同过滤的移动互联网广告推荐方法 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106779146A (zh) * | 2016-11-15 | 2017-05-31 | 广州铁路职业技术学院 | 一种用于提供推荐旅游路线的旅游服务系统 |
| CN106951827A (zh) * | 2017-02-21 | 2017-07-14 | 南京邮电大学 | 一种基于目标运动特性的全局异常行为检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177071A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | Flickr平台的图片下载方法及装置 |
| CN111177071B (zh) * | 2019-12-12 | 2023-07-07 | 广州地理研究所 | Flickr平台的图片下载方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eikelboom et al. | Improving the precision and accuracy of animal population estimates with aerial image object detection | |
| Chen et al. | Social functional mapping of urban green space using remote sensing and social sensing data | |
| CN107133277B (zh) | 一种基于动态主题模型和矩阵分解的旅游景点推荐方法 | |
| Kosanic et al. | Changes in the geographical distribution of plant species and climatic variables on the West Cornwall peninsula (South West UK) | |
| CN106997389A (zh) | 一种基于多数据集和协同张量分解的旅游景点推荐方法 | |
| Zhang et al. | Mining photo-sharing websites to study ecological phenomena | |
| Suggitt et al. | Conducting robust ecological analyses with climate data | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN102915326A (zh) | 一种基于gps和图像搜索技术的移动终端景物辨识系统 | |
| Liu et al. | A two-stage destination prediction framework of shared bicycles based on geographical position recommendation | |
| CN108062366B (zh) | 公共文化信息推荐系统 | |
| Fowler et al. | How reliable are citizen‐derived scientific data? Assessing the quality of contrail observations made by the general public | |
| Wang et al. | Tracking natural events through social media and computer vision | |
| Watson-Parris et al. | Shipping regulations lead to large reduction in cloud perturbations | |
| Staab et al. | Comparing established visitor monitoring approaches with triggered trail camera images and machine learning based computer vision | |
| Lee et al. | Mining tourists’ destinations and preferences through LSTM-based text classification and spatial clustering using Flickr data | |
| Ji et al. | Validation of global airport spatial locations from open databases using deep learning for runway detection | |
| Wang et al. | Estimation and analysis of pm2. 5 concentrations with npp-viirs nighttime light images: A case study in the chang-zhu-tan urban agglomeration of china | |
| Kahana et al. | Improving zero-shot models with label distribution priors | |
| Chen et al. | Geo-tagged photo metadata processing method for Beijing inbound tourism flow | |
| Lansley et al. | Challenges to representing the population from new forms of consumer data | |
| Zhang et al. | UAV‐derived imagery for vegetation structure estimation in rangelands: validation and application | |
| CN108846500A (zh) | 基于Flickr地理标签元的旅游历史数据获取方法 | |
| Owuor et al. | Use of social media data, online reviews and wikipedia page views to measure visitation patterns of outdoor attractions | |
| Shi et al. | Globe230k: A Benchmark Dense-Pixel Annotation Dataset for Global Land Cover Mapping |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |