CN111047066A - 游览路线规划方法、装置、计算机设备和存储介质 - Google Patents

游览路线规划方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111047066A
CN111047066A CN201811187539.7A CN201811187539A CN111047066A CN 111047066 A CN111047066 A CN 111047066A CN 201811187539 A CN201811187539 A CN 201811187539A CN 111047066 A CN111047066 A CN 111047066A
Authority
CN
China
Prior art keywords
target
spot
travel
user
combination
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
Application number
CN201811187539.7A
Other languages
English (en)
Other versions
CN111047066B (zh
Inventor
范玉顺
张峻旗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201811187539.7A priority Critical patent/CN111047066B/zh
Publication of CN111047066A publication Critical patent/CN111047066A/zh
Application granted granted Critical
Publication of CN111047066B publication Critical patent/CN111047066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种游览路线规划方法、系统、计算机设备和存储介质。所述方法包括：根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。采用本方法能够满足用户个性化定制的需求。

Description

游览路线规划方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种旅行区域内游览路线规划方法、装置、计算机设备和存储介质。
背景技术
随着互联网的发展以及生活水平的不断提高，人们对旅游的需求正呈现爆炸性的增长；同时，也有越来越多的人希望通过互联网获取具体的旅游信息。然而，人们很难方便快捷的通过互联网获取到满足个性化需求的旅行游览路线。
发明内容
基于此，有必要针对上述技术问题，提供一种能够满足个性化需求的游览路线的方法、装置、计算机设备和存储介质。
一种游览路线规划方法，所述方法包括：
根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
上述游览路线规划方法，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合包括：
根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
根据用户旅行信息，获得所述用户的行进范围阈值；
根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，根据用户旅行信息，获得所述用户的行进范围阈值包括：
根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
作为一种实施例，其中，所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合还包括：
根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，所述利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合包括：
根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
作为一种实施例，其中，所述对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合，包括：
获得每一个所述初代景点组合的适应度；
根据所述适应度，得到所述目标景点组合。
作为一种实施例，其中，所述利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线包括：
对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
一种游览路线规划装置，所述装置包括：
景点集合筛选模块，用于根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
景点组合筛选模块，用于利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
游览路线规划模块，用于利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
上述游览路线规划装置通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，所述景点集合筛选模块包括：
距离获取模块，用于根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
行进范围阈值获取模块，用于根据用户旅行信息，获得所述用户的行进范围阈值；
第一初步筛选模块，用于根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，行进范围阈值获取模块包括：
交通时间占比计算模块，用于根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
行进范围阈值计算模块，用于根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
作为一种是实施例，其中，所述景点集合筛选模块还包括：
第二初步筛选模块，用于根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，所述景点组合筛选模块包括：
初代景点组合获取，用于根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
目标景点组合获取模块，用于对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
作为一种实施例，其中，所述目标景点组合获取模块包括：
适应度获取模块，用于获得每一个所述初代景点组合的适应度；
目标景点组合取得模块，用于根据所述适应度，得到所述目标景点组合。
作为一种实施例，其中，游览路线规划模块包括：
初始化模块，用于对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
目标游览路线获取模块，用于根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意实施例的游览路线规划方法的步骤。
上述计算机设备，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任意实施例中游览路线规划方法的步骤。
上述计算机可读存储介质，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
附图说明
图1为一个实施例中游览路线规划方法的应用环境示意图；
图2为其中一个实施例提供的游览路线规划方法的流程图；
图3为其中一个实施例提供的图2中步骤S100的流程图；
图4为其中一个实施例提供的图3中步骤S112的流程图；
图5为其中一个实施例提供的图2中步骤S200的流程图；
图6为其中一个实施例提供的图2中步骤S300的流程图；
图7为其中一个具体实施例提供的游览路线规划方法的流程图；
图8为一种游览路线规划装置的结构示意图；
图9为一个实施例中计算机设备的内部结构图。
主要符号说明
Figure BDA0001826635100000051
Figure BDA0001826635100000061
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步的详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的游览路线规划方法，可以应用于终端设备中，也可以应用于由终端设备以及云端网络组成的系统中。可选的，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。
终端102可以根据服务器104中储存的目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可选的，该无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity，简称WIFI)网络等。需要说明的是，该游览路线规划方法所涉及的景点信息可以存储在终端102中，也可以存储在服务器104中，还可以一部分存储在终端102中，另一部分存储在服务器104中，也就是说，本实施例对景点信息存储的具体位置并不做限定。
可以理解，本申请各个实施方式所涉及的方法，其执行主体可以是景点筛选装置，该装置可以是通过软件、硬件或者软件硬件相结合的方式实现。该装置可以是终端的部分或全部，该装置也可以集成在云端服务器中，由终端设备在使用时进行调用。为了描述方便，下述方法实施例中的执行主体均以终端为例。
在一个实施例中，如图2所示，提供了一种游览路线规划方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S100，根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合。
具体地，景点的位置信息可以是景点的地理位置信息，例如经纬度。用户的行进范围阈值包括根据用户的行进速度、行进方式、身体体征，所测算出的用户在计划的游览用时内可以到达的最远距离。目标旅行区域是用户计划游览的位置范围，景点为这个范围内的具体的地点。例如，目标旅行区域可以是一座城市，则景点可以是这座城市中的某个公园、某个公司、或者某个历史建筑；目标旅行区域还可以是一个景区，则景点可以是这个景区中的各个子景点，但不限于此。
步骤S200，利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合。
具体的，遗传算法是根据初选景点集合，通过模拟自然进化的过程，在初选景点集合中的搜索出目标景点组合的算法，其中目标景点组合是指包含计划游览的所有景点的组合。
步骤S300，利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
具体的，蚁群算法是根据目标景点组合，通过模拟蚁群寻找食物的过程，寻找游览目标景点组合中所有景点的最短路线，其中，最短路线是指，游览经过目标景点组合中的所有景点的路线中，经过的路程最少的路线。
上述游览路线规划方法，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，如图3所示，步骤S100包括：
步骤S110，根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和。
具体的，根据景点的经纬度，终端可以通过如下关系式或其变形计算出该景点与起始位置和结束位置之间的距离之和：
Figure BDA0001826635100000081
其中，起始位置与结束位置是用户自定义的旅行出发位置与旅行结束位置。j＝1:J，标记全部子景点的下标，共有J个景点；D＝D1:J，代表每个景点到起始与结束位置的距离之和；Rearth为地球半径；(latj,longj)为景点j的经纬度；(lats,longS)为起始位置的经纬度；(latE,longE)为结束位置的经纬度。在本实施例中，各景点与起始位置的距离信息是根据经纬度获得的，还可以通过互联网、导游图等方式获得，但不限于此。
步骤S112，根据用户旅行信息，获得所述用户的行进范围阈值。
具体的，用户旅行信息可以是用户移动速度，可以是用户的交通模式，例如乘车旅行、徒步旅行或者是骑车旅行，但不限于此。不同的交通模式，对应的用户移动速度不同。用户的行进范围阈值可以表示为Dj<vTr，其中，v代表用户的旅行速度；T代表用户的可支配总时间；r代表用户交通时间占总时间的比例，取决于交通模式。
步骤S114，根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
具体的，终端可以通过如下关系式或其变形比较景点j与起始位置和结束位置之间的距离之和，是否在用户可到达的行进范围阈值内：
Dj<vTr
若不满足上述关系式，则说明用户不能够在该用户计划的时间内到达该景点，该景点在初步筛选步骤中将被筛掉。在本实例中，是将各景点与起始位置和结束位置之间的距离信息，同用户可到达范围的比较作为筛选条件的，还可以将时间要求、景点费用要求等列为筛选条件，但不限于此。
作为一种实施例，其中，如图3所示，步骤S100还包括：
步骤S116，根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
具体的，终端可以通过网络获取存于服务器上的景点评分，并将该景点评分与用户预设的景点评分阈值进行比较，若景点的评分低于用户预设的景点评分阈值，则该景点将被筛掉。通过将景点评分阈值设置为筛选条件，可以使用户在可支配的时间内尽可能多地游览热门景点。
作为一种实施例，其中，如图4所示，步骤S112包括：
步骤S1122，根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比。
具体的，交通模式是指用户选择的行进方式，例如乘车、徒步、或者骑行等。根据行进方式可以推算出用户的移动速度，例如，选择徒步旅行时，成年人的移动速度约为3公里/时；根据行进方式还可以推测出交通时间在总旅行时间中的占比，该推测结果可由人工估计获得，再输入终端，例如，选择徒步旅行时，若目标旅行区域为一个公园时，交通时间可占到总旅行时间的50％，该推测结果也可以利用数学建模程序计算获得，该数学建模程序可以装载于终端上。
步骤S1124，根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
具体的，用户的移动速度、总旅行时间、以及交通时间在总旅行时间中的占比这三者的乘积可作为用户行进的范围阈值。
作为一种实施例，其中，如图5所示，步骤S200包括：
步骤S210，根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合。
具体的，利用随机函数生成预设数目个二值向量，每个向量的长度等同于备选景点的个数，二值向量是指如果游览某一个备选景点，则对应维的值是1，否则是0。这预设数目个随机数组代表不同的景点组合。例如，利用随机函数生成40个“0-1”向量，每个向量的长度等同于景点组合中景点的个数，数值为“1”表明选择游览该景点，数值为“0”则表明不游览该景点。
步骤S212，对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
具体的，利用遗传算法，对该预设数目个初代景点组合进行种群迭代，在种群迭代结束后，得到目标景点组合。
作为一种实施例，其中，步骤S212包括：
步骤S2120，获得每一个所述初代景点组合的适应度。
具体的，适应度是指该初代景点组合中、景点的优劣程度，可以用到达该景点所需要的用时，或者该景点的受欢迎程度，或者其他可以评价该景点的指标来表示。
步骤S2122，根据所述适应度，得到所述目标景点组合。
具体的，对预设数目个初代景点组合中的每个景点组合计算适应度，依据适应度，选择景点组合，组成与预设数目相同数目个后代景点组合，再对后代景点组合进行交叉处理，变异处理，并重写适应度，将选择，交叉，变异，重写的步骤循环进行，并在最后一次循环中获得目标景点组合。
例如，预设数目为40，这40个初代景点组合中的每个景点组合的适应度可以通过游览完该组合中全部景点所需要的总时间与用户可支配时间中真正可用于游览景点的时间之间的差值，以及景点的平均评分来计算，具体计算方法可参考如下公式：
Figure BDA0001826635100000111
fiti＝bi-ai
然后进行景点组合种群迭代，即循环进行以下步骤：选择，每次随机抽取3个景点组合，根据该3个景点组合的适应度，选择1个最优的景点组合，重复选择40次，生成一个后代景点组合；交叉，遍历所有景点组合，生成随机数random，当random<pcross时，将此景点组合与紧邻的下一个景点组合，进随机交换一位的值，保留结果，并删除这两个景点组合的原适应度；变异，遍历所有景点组合，生成随机数random，当random<pmute时，将此景点组合的每一位进行概率为pindpb的随机翻转，并保留翻转后的结果，删除这两个景点组合的原适应度；重写，重新计算每个方案的适应度fiti，并覆盖原方案。将循环次数设为200次，循环步骤结束后，在最终的40个景点组合中选择适应度最高的景点组合，作为目标景点组合。其中，i＝1:I用于标记景点组合的下标，共有I个候选景点组合；T代表用户的可支配总时间；r代表用户交通时间占总时间之比，取决于交通模式；j＝1:J用于标记全部子景点的下标，共有J个景点；t＝t1:J代表每个景点需要的旅游时间；indi＝[indi1,indi2,…,indiJ]是子景点组合的向量表示，其中，每一位的值为0或1；R＝R1:J代表每个景点的评分；fiti代表景点组合个体的适应度；random代表生成的随机数；pcross代表交叉概率阈值；pindpb代表变异时的反转概率。
作为一种实施例，其中，如图6所示，步骤S300包括：
步骤S310，对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化。
具体的，终端为蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数这些参数设置一个初始值，并根据目标景点组合中每个景点的经纬度计算每个景点与其他各个景点之间的距离，并将每个景点与其他各个景点之间的距离用矩阵的形式表示。其中，蚁群规模是终端利用蚁群算法进行计算时所放置的蚂蚁数目；信息素因子是某一条路线对蚂蚁的吸引程度；启发函数因子反映了启发函数信息在指导蚁群搜索过程中的相对重要程度；信息素挥发因子表示信息素强度的消失水平，它的大小影响到蚁群算法的全局搜索能力和收敛速度；信息素强度是每只蚂蚁在经过某一路径时留下的信息量，该信息量可以吸引更多的蚂蚁经过此路径；最大迭代次数是终端预置的蚁群算法的循环次数。
步骤S312，根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
具体的，终端将预设数目只蚂蚁放置于用户指定的起始位置；然后运行蚂蚁迭代算法，即循环运行以下步骤：蚂蚁寻路，对每只蚂蚁计算其下个访问景点，直到每只蚂蚁访问过除了结束位置以外的所有景点。在访问过程中，信息素的浓度会决定蚂蚁选择路径的概率，第一轮迭代时，由于尚无信息素，因此蚂蚁每次选择下一个景点的概率是平均随机的，每访问过一个景点，就将这个已经经过的景点存储进禁忌列表，使蚂蚁不能重复经过禁忌列表中的景点；更新信息素，计算每只蚂蚁经过的路径长度，该路径长度需要加上经过的最后一个景点与用户指定的游览结束位置之间的距离，并根据这一路径长度更新信息素。循环结束后，在最后一次蚁群迭代循环中，找出路径长度最短的路径并输出，此路径即为游览目标景点组合的目标游览路线。
例如，终端执行步骤一：将m只蚂蚁依次放置于用户指定的起始位置，每只蚂蚁在寻路的过程中，每次选择下一个景点时，会判断是否根据信息素来决定选择，判断的方法为，生成0-1之间的随机数，如果此随机数小于0.5，则在所有候选景点中平均随机选择去往的下一个景点，如果此随机数大于0.5，则由景点i去往景点j的概率为：
Figure BDA0001826635100000131
并选择概率最大的景点作为蚂蚁去往的下一个景点。在蚂蚁经过每一个景点时，把该景点加入Tabu列，直到total＝0，即蚂蚁走遍所有景点，并计算每只蚂蚁所经过路径的长度，用该长度加上所经过最后一个景点与用户指定的游览结束地点之间的距离，记为Len1:m；终端执行步骤二，更新信息素列表，景点i与景点j之间的信息素浓度更新原则为：
Figure BDA0001826635100000132
终端循环执行步骤一、步骤二若干次，在最后一次蚁群迭代中，找出路径长度最短的路径并输出，此路径即为游览目标景点组合的目标游览路线。其中，τij是景点i与景点j之间的信息素浓度；dij是景点i与景点j的距离；α是信息素因子；β是启发函数因子；n是最优序列中的景点个数；Tabu是蚂蚁已经经过的景点的集合，即禁忌列表；m代表蚁群规模；Q代表信息素强度，正常数；Len1:m代表每只蚂蚁方案的路径长度。
作为一个具体的实施例，请参阅图7，一种游览路线规划方法，包括：基于用户输入的信息，计算目标游览区域内，各个景点与起始、结束位置之间的距离之和，并根据用户计划旅行的时间对各个景点进行初步筛选；利用遗传算法，对初步筛选所选中的景点再进行最优筛选，包括根据选中的景点随机生成景点组合，通过遗传算法对该景点组合进行循环运算，择优选出计划游览的目标景点组合；利用蚁群算法，对该目标景点组合进行最优路线规划，包括，对蚁群算法需要的参数进行初始化，通过蚁群算法对该目标景点组合进行循环运算，生成游览该目标景点组合的最优路径。
应该理解的是，虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请一并参阅图8，本申请的一个实施例汇总，还提供一种游览路线规划装置6000，所述装置6000包括：
景点集合筛选模块602，用于根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
景点组合筛选模块604，用于利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
游览路线规划模块606，用于利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
上述游览路线规划装置，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，所述景点集合筛选模块602包括：
距离获取模块，用于根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
行进范围阈值获取模块，用于根据用户旅行信息，获得所述用户的行进范围阈值；
第一初步筛选模块，用于根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，行进范围阈值获取模块包括：
交通时间占比计算模块，用于根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
行进范围阈值计算模块，用于根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
作为一种是实施例，其中，所述景点集合筛选模块还包括：
第二初步筛选模块，用于根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，所述景点组合筛选模块604包括：
初代景点组合获取，用于根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
目标景点组合获取模块，用于对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
作为一种实施例，其中，目标景点组合获取模块，包括：
适应度获取模块，用于获得每一个所述初代景点组合的适应度；
目标景点组合取得模块，用于根据所述适应度，得到所述目标景点组合。
作为一种实施例，其中，游览路线规划模块606包括：
初始化模块，用于对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
目标游览路线获取模块，用于根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
关于游览路线规划装置的具体限定可以参见上文中对于游览路线规划方法的限定，在此不再赘述。上述游览路线规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储景点的经纬度、景点之间的距离的相关信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种游览路线规划方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
上述计算机设备，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，处理器执行的所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合包括：
根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
根据用户旅行信息，获得所述用户的行进范围阈值；
根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，处理器执行的根据用户旅行信息，获得所述用户的行进范围阈值包括：
根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
作为一种实施例，其中，处理器执行的所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合还包括：
根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，处理器执行的所述利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合包括：
根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
作为一种实施例，其中，处理器执行的所述对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合包括：
获得每一个所述初代景点组合的适应度；
根据所述适应度，得到所述目标景点组合。
作为一种实施例，其中，处理器执行的所述利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线包括：
对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
上述计算机可读存储介质，通过对目标旅行区域内的各个景点进行初步筛选，利用遗传算法对筛选后的景点进行处理，获得目标景点组合，再利用蚁群算法获得游览目标景点组合的最短路线，可以满足用户个性化定制的需求。
作为一种实施例，其中，处理器执行的所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合包括：
根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
根据用户旅行信息，获得所述用户的行进范围阈值；
根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，处理器执行的根据用户旅行信息，获得所述用户的行进范围阈值包括：
根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
作为一种实施例，其中，处理器执行的所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合还包括：
根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
作为一种实施例，其中，处理器执行的所述利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合包括：
根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
作为一种实施例，其中，处理器执行的所述对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合包括：
获得每一个所述初代景点组合的适应度；
根据所述适应度，得到所述目标景点组合。
作为一种实施例，其中，处理器执行的所述利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线包括：
对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种游览路线规划方法，其特征在于，所述方法包括：
根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
2.根据权利要求1所述的方法，其特征在于，所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合包括：
根据各个景点的经纬度，获得每一个景点与游览起始位置和游览结束位置之间的距离之和；
根据用户旅行信息，获得所述用户的行进范围阈值；
根据所述每一个景点与游览起始位置和游览结束位置之间的距离之和、以及所述用户的行进范围阈值，去除超出所述行进范围阈值的景点，得到所述初选景点集合。
3.根据权利要求2所述的方法，其特征在于，根据用户旅行信息，获得所述用户的行进范围阈值包括：
根据用户的交通模式获得用户的移动速度、以及交通时间在总旅行时间中的占比；
根据所述用户的移动速度、所述总旅行时间、以及所述交通时间在总旅行时间中的占比获得所述用户行进的范围阈值。
4.根据权利要求1所述的方法，其特征在于，所述根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合还包括：
根据预设的景点评分阈值，筛掉所述目标旅行区域中景点评分未达到景点评分阈值的景点，得到所述初选景点集合。
5.根据权利要求1所述的方法，其特征在于，所述利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合包括：
根据所述初选景点集合中的初选景点随机生成景点组合，得到预设数目个初代景点组合；
对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合。
6.根据权利要求5所述的方法，其特征在于，所述对所述预设数目个初代景点组合进行种群迭代，得到所述目标景点组合，包括：
获得每一个所述初代景点组合的适应度；
根据所述适应度，得到所述目标景点组合。
7.根据权利要求1所述的方法，其特征在于，所述利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线，包括：
对所述蚁群算法的蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数进行初始化；
根据初始化后的所述蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素强度、最大迭代次数参数，对所述目标景点组合进行蚁群迭代，获得所述目标游览路线。
8.一种游览路线规划装置，其特征在于，所述装置包括：
景点集合筛选模块，用于根据目标旅行区域中的各个景点的位置信息以及用户的行进范围阈值，对所述目标旅行区域内的各个景点进行初步筛选，得到初选景点集合；
景点组合筛选模块，用于利用遗传算法对所述初选景点集合进行筛选，获得目标景点组合；
游览路线规划模块，用于利用蚁群算法对所述目标景点组合的游览路线进行规划，获得目标游览路线；其中，所述目标游览路线为游览所述目标景点组合的最短路线。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201811187539.7A 2018-10-12 2018-10-12 游览路线规划方法、装置、计算机设备和存储介质 Active CN111047066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811187539.7A CN111047066B (zh) 2018-10-12 2018-10-12 游览路线规划方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811187539.7A CN111047066B (zh) 2018-10-12 2018-10-12 游览路线规划方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111047066A true CN111047066A (zh) 2020-04-21
CN111047066B CN111047066B (zh) 2022-05-17

Family

ID=70229545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811187539.7A Active CN111047066B (zh) 2018-10-12 2018-10-12 游览路线规划方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111047066B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707263A (zh) * 2020-05-22 2020-09-25 北京梧桐车联科技有限责任公司 路径规划方法、装置、电子设备及存储介质
CN112213113A (zh) * 2020-09-02 2021-01-12 中国第一汽车股份有限公司 智能驾驶移动装置的现实道路测试场景选择及规划方法
CN112541021A (zh) * 2020-12-10 2021-03-23 北京百度网讯科技有限公司 路线评估方法、风景区游览预估时长计算方法及装置
CN112686778A (zh) * 2020-12-24 2021-04-20 河南牧业经济学院 基于大数据的旅游路线规划方法、装置及设备
CN112985413A (zh) * 2021-03-18 2021-06-18 河南工业大学 基于改进a*算法的景区路径规划方法及装置
CN113626636A (zh) * 2021-10-12 2021-11-09 环球数科集团有限公司 景区游览路线规划方法、装置和计算机设备
CN113819922A (zh) * 2021-10-29 2021-12-21 成都清渟科技有限公司 一种智能路线规划方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105157714A (zh) * 2015-08-21 2015-12-16 宁波薄言信息技术有限公司 一种基于用户个性化的景区游览路线推荐方法
WO2016177016A1 (zh) * 2015-05-07 2016-11-10 杨菊 一种景区游览方案规划方法
CN106157192A (zh) * 2016-05-09 2016-11-23 北京妙计科技有限公司 一种行程服务方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016177016A1 (zh) * 2015-05-07 2016-11-10 杨菊 一种景区游览方案规划方法
CN105157714A (zh) * 2015-08-21 2015-12-16 宁波薄言信息技术有限公司 一种基于用户个性化的景区游览路线推荐方法
CN106157192A (zh) * 2016-05-09 2016-11-23 北京妙计科技有限公司 一种行程服务方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐连生 等主编: "《物流系统优化与仿真》", 31 October 2013, 北京：中国财富出版社 *
张小宁 著: "《交通网络拥挤收费原理》", 31 March 2009, 合肥工业大学出版社 *
睢先先: "基于蚁群算法的Android终端旅游线路规划研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707263A (zh) * 2020-05-22 2020-09-25 北京梧桐车联科技有限责任公司 路径规划方法、装置、电子设备及存储介质
CN112213113A (zh) * 2020-09-02 2021-01-12 中国第一汽车股份有限公司 智能驾驶移动装置的现实道路测试场景选择及规划方法
CN112213113B (zh) * 2020-09-02 2022-07-15 中国第一汽车股份有限公司 智能驾驶移动装置的现实道路测试场景选择及规划方法
CN112541021A (zh) * 2020-12-10 2021-03-23 北京百度网讯科技有限公司 路线评估方法、风景区游览预估时长计算方法及装置
CN112541021B (zh) * 2020-12-10 2024-05-03 北京百度网讯科技有限公司 路线评估方法、风景区游览预估时长计算方法及装置
CN112686778A (zh) * 2020-12-24 2021-04-20 河南牧业经济学院 基于大数据的旅游路线规划方法、装置及设备
CN112985413A (zh) * 2021-03-18 2021-06-18 河南工业大学 基于改进a*算法的景区路径规划方法及装置
CN113626636A (zh) * 2021-10-12 2021-11-09 环球数科集团有限公司 景区游览路线规划方法、装置和计算机设备
CN113626636B (zh) * 2021-10-12 2022-01-28 环球数科集团有限公司 景区游览路线规划方法、装置和计算机设备
CN113819922A (zh) * 2021-10-29 2021-12-21 成都清渟科技有限公司 一种智能路线规划方法
CN113819922B (zh) * 2021-10-29 2024-05-03 成都清渟科技有限公司 一种智能路线规划方法
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

Also Published As

Publication number Publication date
CN111047066B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111047066B (zh) 游览路线规划方法、装置、计算机设备和存储介质
KR102296507B1 (ko) 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치
CN110686686B (zh) 用于地图匹配的系统和方法
US20090125229A1 (en) Corridor mapping with alternative routes
US20070237152A1 (en) Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof
CN110209922A (zh) 对象推荐方法、装置、存储介质及计算机设备
Matyukhina et al. Assessing the influence of environmental parameters on Amur Tiger distribution in the Russian Far East Using a MaxEnt modeling approach
KR20200094655A (ko) 각 영역에서 최적화된 자율 주행을 수행할 수 있도록 위치 기반 알고리즘 선택을 통해 심리스 파라미터 변경을 수행하는 방법 및 장치
Alghamdi et al. E-tourism: mobile dynamic trip planner
CN115112136A (zh) 出行路径规划方法和出行路径推荐方法
CN115371684B (zh) 一种景区游玩路径规划方法及系统
CN110276387B (zh) 一种模型的生成方法及装置
CN116467615A (zh) 车辆轨迹的聚类方法和装置、存储介质和电子装置
JP4292062B2 (ja) 経路探索システム、サーバ、携帯端末、経路探索装置、経路探索プログラム
CN111783716A (zh) 基于姿态信息的行人检测方法、系统、装置
CN113239138B (zh) 地图匹配方法、装置、计算机设备和存储介质
CN114386664A (zh) 一种基于强化学习的个性化旅游线路推荐方法
JP2023164805A (ja) モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム
KR102443536B1 (ko) 포인트 클라우드 배경 제거를 통한 객체 인식 방법, 장치 및 컴퓨터프로그램
CN116358585A (zh) 应用于停车场的路径规划导航方法、装置及服务器
CN111006653B (zh) 智能路线规划方法及设备
JP7491468B2 (ja) 経路生成装置、経路計画装置、経路生成方法、及び経路計画方法
CN115148279A (zh) 蛋白质与配体分子的亲和力预测方法及装置
CN114912667A (zh) 旅游景点路线推荐方法、装置、计算机设备及存储介质
Hu et al. Secure spatial trajectory prediction based on traffic flows

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