CN110874780A - 基于大数据统计的景区游玩系统及推荐方法 - Google Patents

Abstract

本发明涉及大数据分析技术领域，公开了基于大数据统计的景区游玩系统及推荐方法，包括应用层、模型层、平台层以及数据采集，先通过人脸识别技术识别出游客ID信息，然后关联出游客的历史消费信息，行为偏好，游玩路线等用户画像信息，接着对游客当天的游览行为进行分析，生成所有游客当天的游览路线记录以及购买商品记录，基于大数据统计分析，分析出所有游客热门游览路线，并结合游客信息与购买记录以及兴趣爱好，三者结合向用户个性化的推荐既是热门又能带动景区内商家收入的路线，本发明基于大数据统计的景区游玩系统及推荐方法实现了在不影响游客体验的基础上带动景区与商家的收入。

Description

基于大数据统计的景区游玩系统及推荐方法

技术领域

本发明涉及大数据分析技术领域，特别涉及基于大数据统计的景区游玩系统及推荐方法。

背景技术

智慧旅游的本质是推进智能技术在旅游业的应用，改善游客体验，提升旅游服务，创新景区管理，优化旅游资源的现代化过程。发展智慧旅游符合国家政策的导向，有助于传统旅游业由粗放式向现代化，集约化，信息化发展。发展智慧旅游能促使旅游企业设计多样化的旅游产品，提供差异化，个性化的旅游服务。

推荐算法：目前主流的推荐算法主要包含内容关联算法,协同过滤算法。

内容关联算法(Content-Based)，CB算法的原理是将一个item的基本属性,内容等信息提取出来,抽成一个taglist,为每个tag赋一个权重。剩下的事情就跟一个搜索引擎非常类似了,将所有item对应的taglist做一下倒排转换,放到倒排索引服务器中存储起来。当要对某一个item做相关推荐的时候,将这个item对应的taglist拿出来拼成一个类似搜索系统中的query表达式,再将召回的结果做一下排序作为推荐结果输出。当要对某个用户做个性化推荐的时候,将这个用户最近喜欢/操作过的item列表拿出来,将这些item的taglist拿出来并merge一下作为用户模型,并将这个模型的taglist请求倒排索引服务,将召回的结果作为候选推荐给该用户。该算法的优点是：1、不依赖于用户行为,即不需要冷启动的过程,随时到随时都能推荐；2、可以给出看起来比较合理的推荐解释；3、item被推荐的时效性可以做得很高,比如新闻类产品就需要用到该算法。

该算法的缺点是：1、需要理解item的内容,对音频/视频等不好解析内容的就不好处理；2、对于一次多义以及一义多词等情况处理起来比较复杂；3、容易出现同质化严重的问题,缺乏个性化。

协同过滤算法(collaborative filtering)，(User-Based CF)简介，CF算法的原理是汇总所有<user,item>的行为对,利用集体智慧做推荐。其原理很像朋友推荐,比如通过对用户喜欢的item进行分析,发现用户A和用户B很像(他们都喜欢差不多的东西),用户B喜欢了某个item,而用户A没有喜欢,那么就把这个item推荐给用户A。

(Item-Based CF)简介，当然,还有另外一个维度的协同推荐。即对比所有数据,发现itemA和itemB很像(他们被差不多的人喜欢),那么就把用户A喜欢的所有item,将这些item类似的item列表拉出来,作为被推荐候选推荐给用户A。

该算法的优点是：1、能起到意想不到的推荐效果,经常能推荐出来一些个性化结果；2、进行有效的长尾item；3、只依赖用户行为,不需要对内容进行深入了解,使用范围广。

该算法的缺点是：1、一开始需要大量的<user,item>行为数据,即需要大量冷启动数据；2、很难给出合理的推荐解释。

发明内容

发明的目的在于提供基于大数据统计的景区游玩系统及推荐方法，本发明实现了在不影响游客体验的基础上带动景区与商家的收入，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于大数据统计的景区游玩系统，包括应用层、模型层、平台层以及数据采集，其中，

应用层，接受用户兴趣参数，根据用户选择偏好，动态的进行权重选择，结合权重计算方法，综合热门推荐指标与个性推荐指标，进行联合推荐，推荐展现内容表现在app客户端，包括路线推荐，沿途商品推荐，热门路线推荐，综合兴趣推荐符合客户兴趣关注的旅游路线；

模型层，抽取，转换，加载平台层数据，综合各种数据源，进行最佳权重推荐计算，模型层包括人脸识别，人脸比对，权重自动选择，辐射距离计算，推荐权重计算，属性相关性计算模型；

平台层，搭建分布式集群服务器，存储海量的游客信息，支付信息，图像，视频等数据，并提供资源弹性调度Yarn管理，运用深度学习计算包，keras，openCv，搭建数据处理机器学习平台；

数据采集，景区在入口与出口处部署摄像头，摄像头采集视频流数据转换为图帧实时上传人脸识别系统，支付产品采集游客支付数据，支付产品采集人脸信息结构化与非结构化数据。

进一步地，人脸识别系统接收来自摄像头视频流数据并上传采集地点，采集时间，实时监测人脸，识别人脸，识别出人脸ID。

进一步地，人脸比对系统用来处理图片，进行像素比对和字符进制转换，计算汉明顿距离，获取相似图片查找相似人物。

本发明提供另一种技术方案：基于大数据统计的景区游玩系统的推荐方法，包括如下步骤：

S1：摄像头视频流数据转换为图帧实时上传人脸识别系统，并上传采集地点，采集时间；

S2：人脸识别系统实时监测人脸，识别人脸，识别出人脸ID，根据采集地点判断是否出入口，景区外部摄像头判断是否出口，内部摄像头判断是入口；

S3：多路摄像头执行S1，S2两步，将数据按照分析出的人物ID分组，并按采集时间降序排序，生成人物轨迹；

S4：判断人物轨迹中是否有入口，出口，如果轨迹中有入口，有出口，则将入口添加到轨迹第一个位置，中途经过的采集地点依次添加到后续位置，出口添加到最后一个位置，生成轨迹路线，如果只有入口，没有出口，则将最后出现位置作为出口，如果没有入口，只有出口，则将第一次出现的位置作为入口；

S5：以轨迹路线为key，分析每条路线的人数，并按照人数倒排，生成热门路线排名；

S6：通过线下门店支付采集人脸ID与进园游客人脸ID比对，发现游客所购商品名称，类别，金额等属性信息，并上传门店位置信息；

S7：计算每个门店与景区景点的位置距离

其中m_x为门店在x轴上的坐标，m_y为门店在y轴上的坐标,同理，j_x为景点在x轴上的坐标，j_y为景点在y轴上的坐标；

(j,m_i)＝min(dis_(m,j)) (公式2)

取最近距离的门店作为此景点的辐射门店,每个景点j下面辐射i个门店；

S8：计算每个景点辐射门店的商品类别的销售额，销售数量；

式中，A为销售额，A_i,c表示c类商品的销售额，c是一个集合，表示多个类别，S(j,c)表示c类商品在景点j上的销售额总额；

S9：设每个景点的游览人数为X_i,权重为α，门店销售额为Y_i,权重为β，

为游客爱好与门店相关度，γ为相关度权重，那么，对某个游客P推荐景点的概率集合为：

C1为商品类别，C2为用户标签，ρ_C1,C2表示用户与商品的属性相关系数；

S10：取最大概率的景点作为推荐景点，公式为：

P|W_i＝max(W_i|P) (公式6)

最终推荐给游客的路线可根据游客的爱好进行动态调整。

进一步地，S2中人脸比对步骤包括：

S2-1：缩小图片：首先，把这个图片缩小到8x8大小，并改成灰度模式，8x8大小的图片有64个像素值，计算这64个像素的平均值；

S2-2：得到这个平均值之后，再和每个像素对比，像素值大于平均值的标记成1，小于或等于平均值的标记成0，组成64个数字的字符串；

S2-3：由于64位太长，比较起来也麻烦，每4个字符为1组，由2进制转成16进制，这样就剩下一个长度为16的字符串，这个字符串也就是这个图片可识别的哈希值；

S2-4：对比方法用汉明距离，汉明距离越小就说明图片越相识，超过10就说明图片很不一样；

S2-5：获取相似图片的特征码，并在视频库中找到相似的人物。

与现有技术相比，本发明的有益效果是：本发明提供的基于大数据统计的景区游玩系统及推荐方法，通过收集大数据并存储于云端，其先通过人脸识别技术识别出游客ID信息，然后关联出游客的历史消费信息，行为偏好，游玩路线等用户画像信息。接着对游客当天的游览行为进行分析，生成所有游客当天的游览路线记录以及购买商品记录，基于大数据统计分析，分析出所有游客热门游览路线，并结合游客信息与购买记录以及兴趣爱好，当发现用户进入景区时，三者结合向用户个性化的推荐既是热门又能带动景区内商家收入的路线，根据用户自身偏好向该用户推荐一条游玩路线，包括游玩路线、路线上的用户感兴趣的商品以及此路线上的热门商品等，从而在不影响游客体验的基础上带动景区与商家的收入。

附图说明

图1为本发明的系统整体架构图；

图2为本发明的算法结构示意图；

图3为本发明的人脸比对架构图；

图4为本发明的数据格式示意图；

图5为本发明的输出信息表图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，基于大数据统计的景区游玩系统，包括应用层、模型层、平台层以及数据采集，其中，应用层，本层主要接受用户兴趣参数，根据用户选择偏好，动态的进行权重选择，结合权重计算方法，综合热门推荐指标与个性推荐指标，进行联合推荐。推荐展现内容表现在app客户端，包括路线推荐，沿途商品推荐，热门路线推荐，综合兴趣推荐等符合客户兴趣关注的旅游路线；

模型层，抽取，转换，加载平台层数据，综合各种数据源，进行最佳权重推荐计算，模型层包括人脸识别，人脸比对，权重自动选择，辐射距离计算，推荐权重计算，属性相关性计算等模型；

平台层，平台层搭建分布式集群服务器，存储海量的游客信息，支付信息，图像，视频等数据，并提供资源弹性调度Yarn管理，运用深度学习计算包，keras，openCv，spark，hbase,hive,hadoop等，搭建数据处理机器学习平台；

数据采集，景区在入口与出口处部署摄像头，摄像头采集视频流数据转换为图帧实时上传人脸识别系统，支付产品采集游客支付数据，支付产品采集人脸信息等结构化与非结构化数据。

请参阅图2-5，基于大数据统计的景区游玩系统的推荐方法，包括如下步骤：

步骤一：摄像头视频流数据转换为图帧实时上传人脸识别系统，并上传采集地点，采集时间，人脸识别系统接收来自摄像头视频流数据并上传采集地点，采集时间；

步骤二：人脸识别系统实时监测人脸，识别人脸，识别出人脸ID，根据采集地点判断是否出入口，景区外部摄像头判断是否出口，内部摄像头判断是入口；其人脸比对步骤包括：

1)缩小图片：首先，把这个图片缩小到8x8大小，并改成灰度模式，这样是为了模糊化处理图片，并减少计算量；8x8大小的图片就是有64个像素值，计算这64个像素的平均值，进一步降噪处理；

2)得到这个平均值之后，再和每个像素对比，像素值大于平均值的标记成1，小于或等于平均值的标记成0，组成64个数字的字符串；

3)由于64位太长，比较起来也麻烦，每4个字符为1组，由2进制转成16进制，这样就剩下一个长度为16的字符串，这个字符串也就是这个图片可识别的哈希值；

4)对比方法用汉明距离，汉明距离越小就说明图片越相识，超过10就说明图片很不一样；

5)获取相似图片的特征码，并在视频库中找到相似的人物。

步骤三：多路摄像头执行S1，S2两步，将数据按照分析出的人物ID分组，并按采集时间降序排序，生成人物轨迹；

步骤四：判断人物轨迹中是否有入口，出口，如果轨迹中有入口，有出口，则将入口添加到轨迹第一个位置，中途经过的采集地点依次添加到后续位置，出口添加到最后一个位置，生成轨迹路线，如果只有入口，没有出口，则将最后出现位置作为出口，如果没有入口，只有出口，则将第一次出现的位置作为入口；

步骤五：以轨迹路线为key，分析每条路线的人数，并按照人数倒排，生成热门路线排名；

步骤六：通过线下门店支付采集人脸ID与进园游客人脸ID比对，发现游客所购商品名称，类别，金额等属性信息，并上传门店位置信息；

步骤七：计算每个门店与景区景点的位置距离

其中m_x为门店在x轴上的坐标，m_y为门店在y轴上的坐标,同理，j_x为景点在x轴上的坐标，j_y为景点在y轴上的坐标；

(j,m_i)＝min(dis_(m,j)) (公式2)

取最近距离的门店作为此景点的辐射门店,每个景点j下面辐射i个门店；

步骤八：计算每个景点辐射门店的商品类别的销售额，销售数量；

式中，A为销售额，A_i,c表示c类商品的销售额，c是一个集合，表示多个类别，S(j,c)表示c类商品在景点j上的销售额总额；

步骤九：设每个景点的游览人数为X_i,权重为α，门店销售额为Y_i,权重为β，

为游客爱好与门店相关度，γ为相关度权重，那么，对某个游客P推荐景点的概率集合为：

C1为商品类别，C2为用户标签，ρ_C1,C2表示用户与商品的属性相关系数；

步骤十：取最大概率的景点作为推荐景点，公式为：

P|W_i＝max(W_i|P) (公式6)

最终推荐给游客的路线可根据游客的爱好进行动态调整，即，对游客路线的推荐包括三部分，游览人数，沿途门店销售情况，景点周边门店与游客爱好的相关性。

本发明技术上结合内容关联算法与协同过滤算法，结合二者的优点，并解决二者算法的缺点，传统的推荐方法内置推荐算法，游客无法自主选择自己想要的推荐方式。本方法结合一般推荐与个性化推荐，游客可根据自身需要选择推荐关注点。也就是说，可以根据游客的偏好推荐不同的结果。本方法通过收集大数据并存储于云端，当发现用户进入景区时，根据用户自身偏好向该用户推荐一条游玩路线，包括游玩路线、路线上的用户感兴趣的商品以及此路线上的热门商品等。

综上所述，本发明提供的基于大数据统计的景区游玩系统及推荐方法，本发明通过收集大数据并存储于云端，其先通过人脸识别技术识别出游客ID信息，然后关联出游客的历史消费信息，行为偏好，游玩路线等用户画像信息。接着对游客当天的游览行为进行分析，生成所有游客当天的游览路线记录以及购买商品记录，基于大数据统计分析，分析出所有游客热门游览路线，并结合游客信息与购买记录以及兴趣爱好，当发现用户进入景区时，三者结合向用户个性化的推荐既是热门又能带动景区内商家收入的路线，根据用户自身偏好向该用户推荐一条游玩路线，包括游玩路线、路线上的用户感兴趣的商品以及此路线上的热门商品等，从而在不影响游客体验的基础上带动景区与商家的收入。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.基于大数据统计的景区游玩系统，其特征在于，包括应用层、模型层、平台层以及数据采集，其中，

应用层，接受用户兴趣参数，根据用户选择偏好，动态的进行权重选择，结合权重计算方法，综合热门推荐指标与个性推荐指标，进行联合推荐，推荐展现内容表现在app客户端，包括路线推荐，沿途商品推荐，热门路线推荐，综合兴趣推荐符合客户兴趣关注的旅游路线；

模型层，抽取，转换，加载平台层数据，综合各种数据源，进行最佳权重推荐计算，模型层包括人脸识别，人脸比对，权重自动选择，辐射距离计算，推荐权重计算，属性相关性计算模型；

平台层，搭建分布式集群服务器，存储海量的游客信息，支付信息，图像，视频等数据，并提供资源弹性调度Yarn管理，运用深度学习计算包，keras，openCv，搭建数据处理机器学习平台；

数据采集，景区在入口与出口处部署摄像头，摄像头采集视频流数据转换为图帧实时上传人脸识别系统，支付产品采集游客支付数据，支付产品采集人脸信息结构化与非结构化数据。

2.根据权利要求1所述的基于大数据统计的景区游玩系统，其特征在于，人脸识别系统接收来自摄像头视频流数据并上传采集地点，采集时间，实时监测人脸，识别人脸，识别出人脸ID。

3.根据权利要求1所述的基于大数据统计的景区游玩系统，其特征在于，人脸比对系统用来处理图片，进行像素比对和字符进制转换，计算汉明顿距离，获取相似图片查找相似人物。

4.一种根据权利要求1所述的基于大数据统计的景区游玩系统的推荐方法，其特征在于，包括如下步骤：

S1：摄像头视频流数据转换为图帧实时上传人脸识别系统，并上传采集地点，采集时间；

S2：人脸识别系统实时监测人脸，识别人脸，识别出人脸ID，根据采集地点判断是否出入口，景区外部摄像头判断是否出口，内部摄像头判断是入口；

S3：多路摄像头执行S1，S2两步，将数据按照分析出的人物ID分组，并按采集时间降序排序，生成人物轨迹；

S4：判断人物轨迹中是否有入口，出口，如果轨迹中有入口，有出口，则将入口添加到轨迹第一个位置，中途经过的采集地点依次添加到后续位置，出口添加到最后一个位置，生成轨迹路线，如果只有入口，没有出口，则将最后出现位置作为出口，如果没有入口，只有出口，则将第一次出现的位置作为入口；

S5：以轨迹路线为key，分析每条路线的人数，并按照人数倒排，生成热门路线排名；

S6：通过线下门店支付采集人脸ID与进园游客人脸ID比对，发现游客所购商品名称，类别，金额等属性信息，并上传门店位置信息；

S7：计算每个门店与景区景点的位置距离

其中m_x为门店在x轴上的坐标，m_y为门店在y轴上的坐标,同理，j_x为景点在x轴上的坐标，j_y为景点在y轴上的坐标；

(j,m_i)＝min(dis_(m,j)) (公式2)

取最近距离的门店作为此景点的辐射门店,每个景点j下面辐射i个门店；

S8：计算每个景点辐射门店的商品类别的销售额，销售数量；

式中，A为销售额，A_i,c表示c类商品的销售额，c是一个集合，表示多个类别，S(j,c)表示c类商品在景点j上的销售额总额；

S9：设每个景点的游览人数为X_i,权重为α，门店销售额为Y_i,权重为β，

为游客爱好与门店相关度，γ为相关度权重，那么，对某个游客P推荐景点的概率集合为：

C1为商品类别，C2为用户标签，ρ_C1,C2表示用户与商品的属性相关系数；

S10：取最大概率的景点作为推荐景点，公式为：

P|W_i＝max(W_i|P) (公式6)

最终推荐给游客的路线可根据游客的爱好进行动态调整。

5.根据权利要求4所述的基于大数据统计的景区游玩系统的推荐方法，其特征在于，S2中人脸比对步骤包括：

S2-1：缩小图片：首先，把这个图片缩小到8x8大小，并改成灰度模式，8x8大小的图片有64个像素值，计算这64个像素的平均值；

S2-2：得到这个平均值之后，再和每个像素对比，像素值大于平均值的标记成1，小于或等于平均值的标记成0，组成64个数字的字符串；

S2-3：由于64位太长，比较起来也麻烦，每4个字符为1组，由2进制转成16进制，这样就剩下一个长度为16的字符串，这个字符串也就是这个图片可识别的哈希值；

S2-4：对比方法用汉明距离，汉明距离越小就说明图片越相识，超过10就说明图片很不一样；

S2-5：获取相似图片的特征码，并在视频库中找到相似的人物。

Images