CN109063914A - 一种基于时空数据感知的旅游路线规划方法 - Google Patents
一种基于时空数据感知的旅游路线规划方法 Download PDFInfo
- Publication number
- CN109063914A CN109063914A CN201810906646.4A CN201810906646A CN109063914A CN 109063914 A CN109063914 A CN 109063914A CN 201810906646 A CN201810906646 A CN 201810906646A CN 109063914 A CN109063914 A CN 109063914A
- Authority
- CN
- China
- Prior art keywords
- sight spot
- node
- time
- sight
- cost
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008447 perception Effects 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 13
- 238000012827 research and development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000012813 breadcrumbs Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005457 optimization Methods 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于时空数据感知的旅游路线规划方法，本发明提出了衡量游客在旅游景点中进行旅行路线规划的关键性指标，包括旅游成本(景点间旅行耗时成本、空间成本和景点游览时间成本)、单位时间某景点的游客访问量、游览与旅行时间成本比等；本发明提出了一种原创性基于时空数据感知的旅游路线规划算法，该算法可大幅节省游客在景点间的旅行耗时，为游客享有更多景点游览时间和提高旅游景区收益提供了重要的参考价值和应用价值；本发明旅游路线规划算法的提出，为高峰期合理管理和控制景区的游客访问量提供了重要参考依据，同时为景点游客访问流量控制算法的设计提供合理性思路。
Description
技术领域
本发明属于智慧旅游技术领域，涉及一种旅游路线规划方法，具体涉及一种基于时空数据感知的旅行路线规划方法。
背景技术
在旅游景区中，针对用户进行旅游路线规划并推荐的研究是一项挑战性工作。旅游景区内的兴趣点通常由多个景点和附属服务设施构成，所以如何选取恰当的旅游兴趣点成为旅游线路规划任务的主要环节。此外，由于游客的游览时间限制也为规划任务增加了难度。直观地，游览时间通常由兴趣点间的游走时间和景点访问时间两部分组成。因此，旅游路线的规划问题可转化为兴趣点间的游走时间和景点访问时间之和加以研究。其目标在于降低兴趣点间的游走时间和距离，以达到最大化景点访问时间的目的。而众多景点中，评价较高的景点通常可认为是游客必看的景点([文献1、2])。为了表示用户对特定类型旅游兴趣点的偏好，每个兴趣点均被赋予一个针对用户偏好的评分。因此，一个好的旅游路线规划应该是规划尽可能短的旅行时间，让游客游览景点的观光时间最大化的过程。如图1，表示旅游路线规划的示意图，图中，圆圈内的数字表示景点的受欢迎程度，圆圈外的表示节点编号，连接边上的数字表示从一个节点到另一个节点间的旅行耗时。
除此之外，旅游路线规划中，用户对游览的经济成本也比较关注。因此本发明中基于时空数据感知的旅游路线规划，将充分考虑时间成本、经济成本和游览便利性等因素。
针对上述问题，国内外学者展开了很多相关的研究。
运筹学方面的研究:旅游路线推荐来源于旅行商问题，且在运筹学中有广泛应用([文献3、4])。旅行商问题的变种，如选择性旅行商问题，定向越野问题等([文献5-7])。这些工作的主要目标是对一次旅行中具有高权重的POI兴趣点进行路线的整体规划，而定向越野问题则有特定起点和终点的附加条件限制。此外，整数线性规划方程也为上述问题提供优化解决方案([文献8])。
旅行路线推荐:当前的研究工作将运筹学中的工作和社交媒体中的旅行路线规划问题进行合并，统一规划为基于定向越野或旅行商问题的变种加以研究([文献9-12])。这些方法利用社交网络中的地理标签证明基于兴趣点的旅游路线规划问题([文献13-17])。此外，上述方法在旅行路线规划和推荐的研究工作中也有许多相似的应用([文献18、19])。
Top-K兴趣点推荐:该类研究的主要目标是推荐K个排名靠前的POI点，而这些点的排名与用户密切相关([文献20、21]),它们大都利用矩阵因式分解或协同过滤算法([文献22、23])。此外，还有在非旅游路线规划中构建POI兴趣点推荐列表的应用。该类工作的关键是将POI与用户独立，而非将POI与多个用户进行关联推荐([文献24、25])。
参考文献
[文献1]Kendall Taylor,Kwan Hui Lim,Jeffrey Chan.Travel ItineraryRecommendations with Must-see Points-of-Interest.WWW(Companion Volume)2018:1198-1205.
[文献2]Bart Thomee,David A.Shamma,Gerald Friedland etal.2016.YFCC100M:The New Data in Multimedia Research.Commun.ACM 59,2(2016),64–73.
[文献3]Laarabi Bochar and Bouchaib Radi.2016.A new approach to treatthe selective travelling salesman problem.Intl.Mathematical Forum 11,16(2016),757–768.
[文献4]Dominique Feillet,Pierre Dejax,and MichelGendreau.2005.Traveling Salesman Problem with Profits.Transportation Science39,2(2005),188–205.
[文献5]Aldy Gunawan,Hoong Chuin Lau,and PieterVansteenwegen.2016.Orienteering Problem:Asurvey of recent variants,solutionapproaches and applications.European Journal of Operational Research 255,2(2016),315–332.
[文献6]Theodore Tsiligirides.1984.Heuristic methods applied toOrienteering.Journal of the Operational Research Society 35,9(1984),797–809.
[文献7]Pieter Vansteenwegen,Wouter Souffriau,and Dirk VanOudheusden.2011.The Orienteering problem:A survey.European Journal ofOperational Research 209,1(2011),1–10.
[文献8]Gilbert Laporte and Silvano Martello.1990.The selectivetraveling salesman problem.Discrete applied mathematics 26,2-3(1990),193–207.
[文献9]Igo Brilhante,Jose Antonio Macedo,Franco Maria Nardini,Raffaele Perego,and Chiara Renso.2013.Where shall we go today？Planningtouristic tours with TripBuilder.In Proc.of the 22nd ACM Intl.Conf.onInformation and Knowledge Management(CIKM’13).757–762.
[文献10]Igo Ramalho Brilhante,Jose Antonio Macedo,Franco MariaNardini,Raffaele Perego,and Chiara Renso.2015.On planning sightseeing tourswith TripBuilder.Information Processing&Management 51,2(2015),1–15.
[文献11]Munmun De Choudhury,Moran Feldman,Sihem Amer-Yahia,NadavGolbandi,Ronny Lempel,and Cong Yu.2010.Automatic construction of travelitineraries using social breadcrumbs.In Proc.of the 21st ACM Conf.onHypertext and Hypermedia(HT’10).35–44.
[文献12]Kwan Hui Lim,Jeffrey Chan,Shanika Karunasekera,andChristopher Leckie.2017.Personalized Itinerary Recommendation with QueuingTime Awareness.In Proc.of the 40th Intl.ACM SIGIR Conf.on Research andDevelopment in Information Retrieval(SIGIR’17).325–334.
[文献13]Kwan Hui Lim,Jeffrey Chan,Christopher Leckie,and ShanikaKarunasekera.2016.Towards Next Generation Touring:Personalized Group Tours.InProc.Of the 26th Intl.Conf.on Automated Planning and Scheduling(ICAPS’16).412–420.
[文献14]Kwan Hui Lim,Jeffrey Chan,Christopher Leckie,and ShanikaKarunasekera.2018.Personalized Trip Recommendation for Tourists based on UserInterests,Points of Interest Visit Durations and Visit Recency.Knowledge andInformation Systems 54,2(2018),375–406.
[文献15]Ksenia D.Mukhina,Stepan V.Rakitin,and AlexanderA.Visheratin.2017.Detection of tourists attraction points using Instagramprofiles.Procedia Computer Science 108(2017),315–332.
[文献16]Daniele Quercia,Rossano Schifanella,and Luca MariaAiello.2014.The shortest path to happiness:Recommending beautiful,quiet,andhappy routes in the city.In Proc.of the 25th ACM Conf.on Hypertext and SocialMedia(HT’14).116–125.
[文献17]Xiaoting Wang,Christopher Leckie,Jeffery Chan,Kwan Hui Lim,and Tharshan Vaithianathan.2016.Improving Personalized Trip Recommendation toAvoid Crowds Using Pedestrian Sensor Data.In Proc.of the 25th ACMIntl.Conf.on Information and Knowledge Management(CIKM’16).25–34.
[文献18]Igo Brilhante,Jose Antonio Macedo,Franco Maria Nardini,Raffaele Perego,and Chiara Renso.2014.TripBuilder:ATool for RecommendingSightseeing Tours.In Proc.of the 36th European Conf.on Information Retrieval(ECIR’14).771–774.
[文献19]Wolfgangand Alexander Hefele.2016.Generating PathsThrough Discovered Places-of-Interests for City Trip Planning.In Informationand Communication Technologies in Tourism.Springer Intl.Publishing,441–453.
[文献20]Kenneth Wai-Ting Leung,Dik Lun Lee,and Wang-ChienLee.2011.CLR:a collaborative location recommendation framework based on co-clustering.In Proc.of the 34th Intl.ACM SIGIR Conf.on Research anddevelopment in Information Retrieval(SIGIR’11).305–314.
[文献21]Yue Shi,Pavel Serdyukov,Alan Hanjalic,and MarthaLarson.2011.Personalized Landmark Recommendation Based on Geotags from PhotoSharing Sites.In Proc.of the Fifth Intl.AAAI Conf.on Weblogs and Social Media(ICWSM’11).622–625.
[文献22]Lina Yao,Quan Z.Sheng,Yongrui Qin,Xianzhi Wang,Ali Shemshadi,and Qi He.2015.Context-aware Point-of-Interest Recommendation Using TensorFactorization with Social Regularization.In Proc.of the 38th Intl.ACM SIGIRConf.on Research and Development in Information Retrieval(SIGIR’15).1007–1010.
[文献23]Quan Yuan,Gao Cong,Zongyang Ma,Aixin Sun,and Nadia MagnenatThalmann.2013.Time-aware point-of-interest recommendation.In Proc.of the 36thIntl.ACM SIGIR Conf.on Research and development in information retrieval(SIGIR’13).363–372.
[文献24]Idir Benouaret and Dominique Lenne.2016.A CompositeRecommendation System for Planning Tourist Visits.In Proc.of the 2016IEEE/WIC/ACM Intl.Conf.on Web Intelligence(WI’16).626–631.
[文献25]Christoph Kofler,Luz Caballero,Maria Menendez,ValentinaOcchialini,and Martha Larson.2011.Near2me:An authentic and personalizedsocial mediabased recommender for travel destinations.In Proc.of the 3rd ACMSIGMM Intl.Workshop on Social Media(WSM’11).47–52.
发明内容
针对现有技术的缺陷，本发明提出了一种基于时空数据感知的旅行线路规划方法；包括旅游景区内的旅游路线规划与旅行耗时成本间关系问题，旅游路线规划模型的设计与实现，旅游路线规划算法和衡量旅游路线规划的重要指标等四个方面内容。
本发明所采用的技术方案是：一种基于时空数据感知的旅游路线规划方法，其特征在于：将旅行路线规划问题转换为从某指定起始点到某指定终点的路线推荐问题；将路线推荐问题表示为图G＝<V,E>，其中V＝{v1,...,vN}表示节点集合，N为节点个数，节点代表景点，N＝|V|；E表示节点之间存在的连接边，连接边代表景点之间的道路；每条边连接节点i到j且带有旅行成本TRi,j＝{ti,j,si,j,vti,j}，其中，从景点i到景点j的旅行耗时记为ti,j、空间成本记为si,j和景点j的游览时间记为vtj，则从景点i到景点j的总体旅行成本为TRi,j，由旅行中的节点数确定；每个景点得分Si，与景点被访问的频次成正比，即景点被访问的频次越高则景点得分越高，其中i∈{1,...,N}；由此，旅游路线规划定义为一条介于不同起始点和终点间的路径，且可保证每个景点仅被游览一次；
若集合P表示兴趣点POI集合，ps和pe分别表示旅行景点集合的起点和终点，则一条被规划的旅游路线I是一系列被连接的兴趣点POI集合，其中I＝{ps，…，pe}；若假定集合M为用户必游览的景点集合，其中M＝{m1,...,mH}，其中H≤N，则一条用户必游览景点的旅游路线规划路径相应的表示为TM＝{ps，…，m1，…，mH，…，pe}，其中
所述方法包括以下步骤：
步骤1：确定候选节点集合Sc；
步骤2：确定规划路线的起点和终点，并将此二点从候选节点集合中去除；
步骤3：构建旅游路线规划的得分计算模型；
ST(α,β,λ)＝α|T|+β|S|+λ|VT|；
其中，T、S和VT分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本三项标准的矩阵；α,β,λ分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本的权重，由用户确定，α,β,λ∈[0,1]；
步骤4：计算候选节点集合Sc中，任意两节点间的最小旅行时间；
步骤5：将旅行规划路线的终点加入到旅行规划路线中；
步骤6：输出最终的旅行路线规划结果。
本发明的有益效果为：
1、提出了衡量游客在旅游景点中进行旅行路线规划的关键性指标，包括旅游成本(景点间旅行耗时成本、空间成本和景点游览时间成本)、单位时间某景点的游客访问量、游览与旅行时间成本比等；
2、提出了一种原创的旅游路线规划算法，该算法可大幅节省游客在景点间的旅行耗时，为游客享有更多景点游览时间和提高旅游景区收益提供了重要的参考价值和应用价值；
3、旅游路线规划算法的提出，为高峰期合理管理和控制景区的游客访问量提供了重要参考依据，同时为景点游客访问流量控制算法的设计提供合理性思路。
附图说明
图1为本发明背景技术中旅游路线规划示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种基于时空数据感知的旅游路线规划方法，将旅行路线规划问题转换为从某指定起始点到某指定终点的路线推荐问题；将路线推荐问题表示为图G＝<V,E>，其中V＝{v1,...,vN}表示节点集合，N为节点个数，节点代表景点，N＝|V|；E表示节点之间存在的连接边，连接边代表景点之间的道路；每条边连接节点i到j且带有旅行成本TRi,j＝{ti,j,si,j,vti,j}，其中，从景点i到景点j的旅行耗时记为ti,j、空间成本记为si,j和景点j的游览时间记为vtj，则从景点i到景点j的总体旅行成本为TRi,j，由旅行中的节点数确定；每个景点得分Si，与景点被访问的频次成正比，即景点被访问的频次越高则景点得分越高，其中i∈{1,...,N}；由此，旅游路线规划定义为一条介于不同起始点和终点间的路径，且可保证每个景点仅被游览一次。
若集合P表示兴趣点POI集合，ps和pe分别表示旅行景点集合的起点和终点，则一条被规划的旅游路线I是一系列被连接的兴趣点POI集合，其中I＝{ps，…，pe}；若假定集合M为用户必游览的景点集合，其中M＝{m1,…,mH}，其中H≤N，则一条用户必游览景点的旅游路线规划路径相应的表示为TM＝{ps，…，m1，…，mH，…，pe}，其中
首先针对旅游路线规划问题应用线性规划方法，并将非必看景点看作一个带限制条件的目标函数的优化。首先，将针对用户推荐的旅游路线上景点得分表示为得分最大化目标函数的形式，如公式1.
其中，xi,j＝{0|1}，若xi,j＝1表示节点i被访问过，紧接着访问节点j；xi,j＝0表示其它情况。Si表示景区中包含节点pi在内的景点得分，i＝1,...,N。该得分取值为非负，用游客访问景点的访问频次进行度量，即景点被访问的频次越高则景点得分越高。
通过以上描述可知，所建模型需满足如下限制条件：
1)旅游路线规划必须以所选起始POI开始，以所选终止POI结束。即，允许游客基于他们的偏好选择起始POI和终止POI。例如，游客选择他们在景区住宿的旅馆为起始POI；
2)没有POI被访问超过1次，且所有节点必须可达。即，做旅游路线规划时，尽量避免太多游客访问同一景点或存在景点不可达现象；
3)至少存在一个不包括起始点和终止点在内的POI节点。即，确保不会推荐从起始POI到终止POI的直达路径,因为可能出现耗时太小的情形；
4)游览的总时间跨度不应超过指定阈值δ。假定游客步行游览的总时间跨度为Di,j，那么其中Di,j＝Tr(i,j)+Vt(j)，Tr(i,j)表示游客从位置i到j步行的时间，Vt(j)表示游客访问景点j的游览时间。δ表示允许游客完成游览全程的最大时间。
5)旅游路线规划中的子路线应被消除。子路线是由POI组成，不含起始POI和终止POI的独立闭合图。若不将其消除，则有可能出现两个不相交的规划路线。
除了上述限制条件外，还需提出如公式(2)所示的限制条件，以确保游客必游览的景点被有效访问。
其中，m表示某个必游览景点，且它是景点i和景点j的必经景点，M是必游览景点集合。直观地，必游览景点属于高得分景点且被绝大多数游客访问。因此，必游览景点需包含于旅游路线规划中。
依照上述分析并结合用户需求，旅游路线规划需主要考虑景点间旅行耗时、景点间空间成本和景点游览时间三方面因素。因此，可将三方面因素作为建模的度量标准予以考虑，以给出基于时空感知的旅游路线规划计算模型。如公式3所示。
ST(α,β,λ)＝α|T|+β|S|+λ|VT| (3)
α,β,λ∈[0,1]
其中，α,β,λ分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本的权重，该权重由用户确定。不同用户由于需求不同，可对度量标准进行个性化定制。T、S和VT分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本三项标准的矩阵，如公式(4)-(6)所示。
VT＝(vt1,vt2,...vtj)(6)
其中，ti,j,si,j和vtj分别表示景点间(i≠j)行走所需的景点i与j间的旅行耗时成本、景点间空间跨度成本和景点游览j的时间成本。
除此之外，游客在旅游过程中会产生一些临时需求(入厕、吃饭等)。此类需求虽然不是旅行的核心需求，但它们同样会对旅行线路规划造成不同程度影响。因此，在路线规划时，还应考虑用户当前位置所处时间点是否为用户生理需求的关键时间点(如入厕时间、吃饭时间等)。为了准确预测用户的临时需求，需充分结合用户产生临时需求的历史时间数据。因此可将公式3进行改写，得到公式7。
ψ(t,l)＝min|l(tc)-l(tp)|
其中，ψ(t,l)用于表示用户处于关键时间点时的当前位置，此位置应充分考虑与生理需求兴趣点间的距离最小，ξ用于表示用户生理需求的迫切程度，其值由人为确定，生理需求越迫切该值越大。l(tc)表示用户当前时刻所处的位置，l(tp)表示生理需求兴趣点的位置。
通过对单位时间某景点的游客访问量进行计算，可用于衡量某景点是否为必看景点，如果某景点游客访问量大于预设值，则将该景点从候选节点集合中去除；
其中，TV(j)用于表示景点j的游客访问量的计算结果，表示时间段t内访问景点j的游客访问数。
在做旅游路线规划时，通常尽量推荐游客花较短的旅行时间游览更多的旅游景点，因此需计算景点游览时间与景点间旅行耗时的比值。即：
其中，i＝1...n-1,j＝i+1,...n当且仅当Pi,j取最大时，游客可获得最大游览收益，Vt(j)表示游览景点j的游览时间。此外，单位时间的游客访问量也可成为衡量一个景点是否为必看景点的重要指标。
基于上述理论，本发明的旅行路线规划方法，具体可见表1；
表1基于时空数据感知的旅行路线规划算法
请见表1，本发明提供的旅行路线规划方法，具体步骤如下：
步骤1：针对旅游路线规划算法中需要用到的变量进行定义，这些变量主要包括规划路线起点Ps，规划路线终点Pe，候选节点集合Sc，游览节点集合Si，游览标记Vf，待标记景点编号f，规划线路Pl，节点耗时Tri,j，最小耗时景点编号min，节点编号序列i和j，其中，i＝s,1,...n-1，j＝i+1,...,e；s表示旅行路线规划起始点编号，n表示除开起始点和终止点以外规划路线上的其它节点数目，e表示旅行路线规划终止点编号；
步骤2：变量初始化。其中，初始化为空集,Vf＝0初始化赋值为0，以及Si＝{i|i＝s,1,...n,e}；
步骤3：算法入口。输入变量，Ps,Pe,Sc＝S-{Ps,Pe}；
步骤4：算法开始。节点编号序列i和j分别赋初值为s和1；
步骤5：外循环赋值。确定循环初始值为i＝s，循环终止于n；
步骤6：内循环赋值。确定循环初始值为j＝1，循环终止于n；
步骤7：最小耗时景点编号min赋初值为0；
步骤8：计算从节点i到节点j间的最小旅行时间；
步骤9：结束内循环；
步骤10：判断条件是否满足节点j的节点编号大于min并且节点j未被访问过；
步骤11：如果步骤10条件满足，则将j赋值给最小节点编号min；
步骤12：将最小旅行时间的节点编号min插入到候选节点集合Sc中；
步骤13：构建规划路径的中间结果形式为Pl＝Ps←{Ps→Pmin}；其中，Pl为规划线路，Ps为规划路线起点，Pmin为除开其它起始点和终止点以外所规划出来的最小规划路径节点序列，{Ps→Pmin}表示将起始节点Ps与最小规划路径节点序列Pmin串联起来，然后再将串联的规划路径结果取代Ps中存储的原始序列，最后将操作后的Ps的值赋给规划路径序列Pl；
步骤14：将j赋值给i；
步骤15：将最小旅行时间的节点编号的访问标识Vmin赋值为1，表示该节点已被访问；
步骤16：如果步骤10的条件不满足，则程序跳转到步骤19；
步骤17：结束条件判断；
步骤18：结束外循环；
步骤19：将旅行规划路线的终点加入到旅行规划路线中；
步骤20：结束整个程序；
步骤21：输出最终的旅行路线规划结果。
本发明可用于解决如下问题：
1、如何界定旅游景区中的必看景点；
2、如何设置旅游观光车能大幅降低游客在旅游景点间的旅行耗时；
3、旅游路线规划需考虑的旅行成本如何界定；
4、如何利用衡量旅游路线规划的指标对旅行路线规划的质量进行度量。上述问题的解决，可大幅提升旅游景区的收益、提高旅游高峰时期游客旅行的安全性，同时降低旅游景区管理的经济成本。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于时空数据感知的旅游路线规划方法，其特征在于：将旅行路线规划问题转换为从某指定起始点到某指定终点的路线推荐问题；将路线推荐问题表示为图G＝<V,E>，其中V＝{v1,...,vN}表示节点集合，N为节点个数，节点代表景点，N＝|V|；E表示节点之间存在的连接边，连接边代表景点之间的道路；每条边连接节点i到j且带有旅行成本TRi,j＝{ti,j,si,j,vti,j}，其中，从景点i到景点j的旅行耗时记为ti,j、空间成本记为si,j和景点j的游览时间记为vtj，则从景点i到景点j的总体旅行成本为TRi,j，由旅行中的节点数确定；每个景点得分Si，与景点被访问的频次成正比，即景点被访问的频次越高则景点得分越高，其中i∈{1,...,N}；由此，旅游路线规划定义为一条介于不同起始点和终点间的路径，且可保证每个景点仅被游览一次；
若集合P表示兴趣点POI集合，ps和pe分别表示旅行景点集合的起点和终点，则一条被规划的旅游路线I是一系列被连接的兴趣点POI集合，其中I＝{ps，…，pe}；若假定集合M为用户必游览的景点集合，其中M＝{m1,...,mH}，其中H≤N，则一条用户必游览景点的旅游路线规划路径相应的表示为TM＝{ps，…，m1，…，mH，…，pe}，其中ps,
所述方法包括以下步骤：
步骤1：确定候选节点集合Sc；
步骤2：确定规划路线的起点和终点，并将此二点从候选节点集合中去除；
步骤3：构建旅游路线规划的得分计算模型；
ST(α,β,λ)＝α|T|+β|S|+λ|VT|；
其中，T、S和VT分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本三项标准的矩阵；α,β,λ分别为景点间旅行耗时成本、景点间空间跨度成本和景点游览时间成本的权重，由用户确定，α,β,λ∈[0,1]；
步骤4：计算候选节点集合Sc中，任意两节点间的最小旅行时间；
步骤5：将旅行规划路线的终点加入到旅行规划路线中；
步骤6：输出最终的旅行路线规划结果。
2.根据权利要求1所述的基于时空数据感知的旅游路线规划方法，其特征在于：步骤1中，若m为某个必游览景点，则将该景点加入候选节点集合中；必游览景点属于景点得分大于预设阈值且被访问游客数量也大于预设阈值。
3.根据权利要求1所述的基于时空数据感知的旅游路线规划方法，其特征在于：步骤1中，通过对单位时间某景点的游客访问量进行计算，用于衡量某景点是否为必看景点，如果某景点游客访问量大于预设值，则将该景点从候选节点集合中去除；
其中，TV(j)用于表示景点j的游客访问量的计算结果，表示时间段t内访问景点j的游客访问数。
4.根据权利要求1所述的基于时空数据感知的旅游路线规划方法，其特征在于：步骤3中，旅游路线规划的得分计算模型进一步改进为：
ψ(t,l)＝min|l(tc)-l(tp)|；
其中，ψ(t,l)用于表示用户处于关键时间点时的当前位置，此位置应充分考虑与生理需求兴趣点间的距离最小，ξ用于表示用户生理需求的迫切程度，其值由人为确定，生理需求越迫切该值越大；l(tc)表示用户当前时刻所处的位置，l(tp)表示生理需求兴趣点的位置。
5.根据权利要求1所述的基于时空数据感知的旅游路线规划方法，其特征在于：步骤4中，计算从节点i到节点j间的最小旅行时间，其中，i＝s,1,...n-1，j＝i+1,...,e；s表示旅行路线规划起始点编号，n表示除开起始点和终止点以外规划路线上的其它节点数目，e表示旅行路线规划终止点编号；节点耗时记为Tri,j，最小耗时景点编号记为min；步骤4的具体实现包括以下子步骤：
步骤4.1：节点编号序列i和j分别赋初值为s和1；
步骤4.2：外循环赋值；确定循环初始值为i＝s，循环终止于n；
步骤4.3：内循环赋值；确定循环初始值为j＝1，循环终止于n；
步骤4.4：最小耗时景点编号min赋初值为0；
步骤4.5：计算从节点i到节点j间的最小旅行时间；
步骤4.6：结束内循环；
步骤4.7：判断是否满足节点j的节点编号大于min并且节点j未被访问过；
若是，则将j赋值给最小节点编号min；
若否，则执行步骤5；
步骤4.8：将最小旅行时间的节点编号min插入到候选节点集合Sc中；
步骤4.9：构建规划路径的中间结果形式为Pl＝Ps←{Ps→Pmin}；其中，Pl为规划线路，Ps为规划路线起点，Pmin为除开其它起始点和终止点以外所规划出来的最小规划路径节点序列，{Ps→Pmin}表示将起始节点Ps与最小规划路径节点序列Pmin串联起来，然后再将串联的规划路径结果取代Ps中存储的原始序列，最后将操作后的Ps的值赋给规划路径序列Pl；
步骤4.10：将j赋值给i；
步骤4.11：将最小旅行时间的节点编号的访问标识Vmin赋值为1，表示该节点已被访问；
步骤4.12：结束外循环。
6.根据权利要求1-5任意一项所述的基于时空数据感知的旅游路线规划方法，其特征在于：推荐游客花较短的旅行时间游览更多的旅游景点，即：
其中，Vt(j)表示游览景点j的游览时间，i＝1...n-1,j＝i+1,...n；当且仅当Pi,j取最大时，游客可获得最大游览收益。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810906646.4A CN109063914B (zh) | 2018-08-10 | 2018-08-10 | 一种基于时空数据感知的旅游路线规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810906646.4A CN109063914B (zh) | 2018-08-10 | 2018-08-10 | 一种基于时空数据感知的旅游路线规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063914A true CN109063914A (zh) | 2018-12-21 |
| CN109063914B CN109063914B (zh) | 2021-10-22 |
Family
ID=64683306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810906646.4A Active CN109063914B (zh) | 2018-08-10 | 2018-08-10 | 一种基于时空数据感知的旅游路线规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063914B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
| CN113077102A (zh) * | 2021-04-16 | 2021-07-06 | 合肥工业大学 | 一种景观路线优化方法 |
| CN114091763A (zh) * | 2021-11-24 | 2022-02-25 | 中国建设银行股份有限公司 | 路线规划方法、装置、可读介质和电子设备 |
| CN114298428A (zh) * | 2021-12-30 | 2022-04-08 | 杭州电子科技大学 | 一种基于价值密度计算的旅游路线规划优化方法 |
| CN115315736A (zh) * | 2020-03-16 | 2022-11-08 | 株式会社平和企画 | 簇生成装置、簇生成方法以及簇生成程序 |
| CN117010580A (zh) * | 2023-07-31 | 2023-11-07 | 广西旅发科技有限公司 | 一种个性化的游览路径规划优化方法及系统及相关装置 |
| CN117236543A (zh) * | 2023-11-10 | 2023-12-15 | 四川农业大学 | 一种藏羌传统村落最佳观景路线规划方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103402173A (zh) * | 2013-07-18 | 2013-11-20 | 合肥工业大学 | 一种用于旅游景点的旅游时间优化方法 |
| US20160247098A1 (en) * | 2010-06-07 | 2016-08-25 | James Bongiorno | System, Method, and Computer Software Code for Planning and Executing a Travel Itinerary |
| CN106096785A (zh) * | 2016-06-13 | 2016-11-09 | 北京游谱科技发展有限公司 | 一种基于行程规划的线路定制方法、系统 |
| WO2018036275A1 (zh) * | 2016-08-23 | 2018-03-01 | 平安科技（深圳）有限公司 | 旅游路线规划方法、规划服务器及存储介质 |
| CN107832872A (zh) * | 2017-10-19 | 2018-03-23 | 金华航大北斗应用技术有限公司 | 用于景区路线的动态规划方法 |
| US20180107954A1 (en) * | 2014-09-18 | 2018-04-19 | Servicenow, Inc. | System and method for efficient travel time and route computation |
-
2018
- 2018-08-10 CN CN201810906646.4A patent/CN109063914B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247098A1 (en) * | 2010-06-07 | 2016-08-25 | James Bongiorno | System, Method, and Computer Software Code for Planning and Executing a Travel Itinerary |
| CN103402173A (zh) * | 2013-07-18 | 2013-11-20 | 合肥工业大学 | 一种用于旅游景点的旅游时间优化方法 |
| US20180107954A1 (en) * | 2014-09-18 | 2018-04-19 | Servicenow, Inc. | System and method for efficient travel time and route computation |
| CN106096785A (zh) * | 2016-06-13 | 2016-11-09 | 北京游谱科技发展有限公司 | 一种基于行程规划的线路定制方法、系统 |
| WO2018036275A1 (zh) * | 2016-08-23 | 2018-03-01 | 平安科技（深圳）有限公司 | 旅游路线规划方法、规划服务器及存储介质 |
| CN107832872A (zh) * | 2017-10-19 | 2018-03-23 | 金华航大北斗应用技术有限公司 | 用于景区路线的动态规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林青等: "一种考虑时间成本的旅游线路推荐方法", 《地理与地理信息科学》 * |
| 陆川伟等: "基于网页旅游攻略的旅行线路规划", 《测绘学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929162A (zh) * | 2019-12-04 | 2020-03-27 | 腾讯科技（深圳）有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
| CN110929162B (zh) * | 2019-12-04 | 2021-08-03 | 腾讯科技（深圳）有限公司 | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 |
| CN115315736A (zh) * | 2020-03-16 | 2022-11-08 | 株式会社平和企画 | 簇生成装置、簇生成方法以及簇生成程序 |
| CN113077102A (zh) * | 2021-04-16 | 2021-07-06 | 合肥工业大学 | 一种景观路线优化方法 |
| CN113077102B (zh) * | 2021-04-16 | 2022-11-08 | 合肥工业大学 | 一种景观路线优化方法 |
| CN114091763A (zh) * | 2021-11-24 | 2022-02-25 | 中国建设银行股份有限公司 | 路线规划方法、装置、可读介质和电子设备 |
| CN114298428A (zh) * | 2021-12-30 | 2022-04-08 | 杭州电子科技大学 | 一种基于价值密度计算的旅游路线规划优化方法 |
| CN114298428B (zh) * | 2021-12-30 | 2024-05-24 | 杭州电子科技大学 | 一种基于价值密度计算的旅游路线规划优化方法 |
| CN117010580A (zh) * | 2023-07-31 | 2023-11-07 | 广西旅发科技有限公司 | 一种个性化的游览路径规划优化方法及系统及相关装置 |
| CN117236543A (zh) * | 2023-11-10 | 2023-12-15 | 四川农业大学 | 一种藏羌传统村落最佳观景路线规划方法 |
| CN117236543B (zh) * | 2023-11-10 | 2024-02-02 | 四川农业大学 | 一种藏羌传统村落最佳观景路线规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063914B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063914A (zh) | 一种基于时空数据感知的旅游路线规划方法 | |
| Lim et al. | Personalized trip recommendation for tourists based on user interests, points of interest visit durations and visit recency | |
| Taylor et al. | Travel itinerary recommendations with must-see points-of-interest | |
| Wu et al. | Modelling the traffic in a mixed network with autonomous-driving expressways and non-autonomous local streets | |
| JP7181562B2 (ja) | 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置 | |
| Ait-Ouahmed et al. | Relocation optimization of electric cars in one-way car-sharing systems: modeling, exact solving and heuristics algorithms | |
| CN101614551B (zh) | 步行网建立方法及装置、路径搜索方法及装置 | |
| CN109063923A (zh) | 一种基于经济成本的旅游路线规划方法 | |
| Chen et al. | Hybrid recommendation system for tourism | |
| Bucher et al. | A heuristic for multi-modal route planning | |
| Guo et al. | A force-directed approach to seeking route recommendation in ride-on-demand service using multi-source urban data | |
| Luo et al. | Dynamic taxi service planning by minimizing cruising distance without passengers | |
| Ataei et al. | The bi-objective orienteering problem with hotel selection: An integrated text mining optimisation approach | |
| Daly et al. | Multi-criteria journey aware housing recommender system | |
| Sedano et al. | An intelligent route management system for electric vehicle charging | |
| Vathis et al. | The vacation planning problem: A multi-level clustering-based metaheuristic approach | |
| JP7144818B2 (ja) | 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置 | |
| Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
| Cosido et al. | Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities | |
| Zhou et al. | Smart tour route planning algorithm based on clustering center motive iteration search | |
| Georgakis et al. | MultiModal route planning in mobility as a service | |
| Hirano et al. | A method for generating multiple tour routes balancing user satisfaction and resource consumption | |
| Tang et al. | Modeling routing behavior learning process for vacant taxis in a congested urban traffic network | |
| Hossain et al. | An innovative tour recommendation system using graph algorithms | |
| Chen et al. | A unified network equilibrium for e-hailing platform operation and customer mode choice |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |