CN111488522B - 一种个性化多维度景点推荐方法 - Google Patents
一种个性化多维度景点推荐方法 Download PDFInfo
- Publication number
- CN111488522B CN111488522B CN202010267151.9A CN202010267151A CN111488522B CN 111488522 B CN111488522 B CN 111488522B CN 202010267151 A CN202010267151 A CN 202010267151A CN 111488522 B CN111488522 B CN 111488522B
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- scenic
- time
- score
- preference
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
本发明公开了一种个性化多维度景点推荐方法,包括以下步骤:规定推荐景点范围及获取数据;构建基于兴趣漂移算法的兴趣打分模型;构建景色打分模型;构建景区人流量模型;构建景区舒适度打分模型;构建基于距离的打分模型;综合兴趣打分模型、景色打分模型、景区舒适度打分模型、基于距离的打分模型,构建多维度景点打分模型;构建反馈修正模型,对多维度景点打分模型进行修正,根据修正后的多维度景点打分模型推荐景点。本发明综合考量了环境、人流量(舒适度)、景色、距离四个因素对景点进行评分,针对用户的个性化需求,为用户智能地推荐景点,提升了用户的体验度。
Description
技术领域
本发明涉及旅游行业领域,特别涉及一种个性化多维度景点推荐方法。
背景技术
我国旅游人数和旅游收入持续快速增长,旅游业发展迅速,旅游业己成为第三产业的一项重要组成部分。而要实现旅游行业更高水平的提升、可持续的发展,个性化、智能化的自助旅游才是未来旅游市场发展的趋势。
对游客而言,在有限的旅游时间,且对游玩景区不够了解的情形下,对景区内部众多的旅游景点很难选择适合自己的景点。因此,市面上已经出现了众多的较为实用的景点推荐系统。但是这些系统大多个性化程度不高,其主要问题体现在以下几点:
1.有的只推荐热门的景点,没有充分考虑到游客的个性化需求,结果上缺乏真实性;
2.推荐算法考虑内容过于单一,导致推荐的景点不满足用户需求;
3.推荐算法无法根据用户的反馈动态的改变推荐模型。
发明内容
为了解决上述技术问题,本发明提供一种算法简单、实用性强的个性化多维度景点推荐方法。
本发明解决上述问题的技术方案是:一种个性化多维度景点推荐方法,包括以下步骤:
1)初步规定推荐景点范围及获取数据;
2)根据获取数据构建基于兴趣漂移算法的兴趣打分模型;
3)根据获取数据构建景色打分模型;
4)根据获取数据构建景区人流量模型;
5)根据获取数据以及构建的景区人流量模型,构建景区舒适度打分模型;
6)根据获取数据构建基于距离的打分模型;
7)综合兴趣打分模型、景色打分模型、景区舒适度打分模型、基于距离的打分模型,构建多维度景点打分模型;
8)构建反馈修正模型,对多维度景点打分模型进行修正,根据修正后的多维度景点打分模型推荐景点。
上述个性化多维度景点推荐方法,所述步骤1)中,推荐景点范围的方式为:获取用户当前位置和所有景点中距离的最大值Dmax,以用户当前位置为圆心,取1/5Dmax为半径设置圆形范围,将在该范围内的所有景点列入初步筛选的景点范围中;如果筛选范围中的景点范围中的景点数目少于总数目的1/5,则按照用户当前位置到景点位置的距离按照由小到大将剩下景点补充进初步筛选的景点范围中,直到范围中的景点数目为总数目的1/5。
上述个性化多维度景点推荐方法,所述步骤1)中,获取数据包括:
景点信息:经纬度LAL、坡度S、i处景点范围半径Ri、容纳量上限SL、i处景点软件所得人流量VF_Si、i处景点硬件所得人流量VF_Hi;
景区信息:环境因子,包括气温AT、空气湿度H、二氧化碳浓度CDC、一氧化碳浓度CMC、声环境AE;
游客信息:游客的平均速度AS、浏览历史序列TH、到达景点的时刻E_TPT、离开景点的时刻L_TPT、i处景点游客经纬度坐标(xi,yi)、i处景点到下一景点的距离D、偏好向量矩阵(SST,S_PMT,s_PMS)、历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中SST表示景点类型,S_PMT表示偏好模型问题题号,S_PMS表示偏好模型问题得分,THR表示浏览历史记录,SS为景点编号,TS表示基于时间的偏好得分。
上述个性化多维度景点推荐方法,所述步骤2)具体步骤为:
2-1)采集游客兴趣向量,分为静态信息和动态信息两种;
2-1-1)生成游客静态向量:
游客注册时填写兴趣偏好表,生成游客偏好向量矩阵(SST,S_PMT,S_PMS),且
其中S_PMSJa表示j型景点的第a题得分;
2-1-2)收集游客动态信息:
根据游客历史数据生成历史兴趣表生成历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中当存在(SSi,SSTj)向量时,若TSjk≥100,令TSjk=100,TPPi=L_TPTi-E_TPTi;此处的i和下文中的i均表示景点i,j表示景点类型,TSjk表示用户第k次游览j型景点时的偏好得分,TPPi表示游客在景点i处的最小浏览时间,TPP_AVEi表示游客在景点i处的平均游览时长;
2-2)计算多维度兴趣单项打分值:
2-2-1)根据游客静态信息计算兴趣偏好打分向量(SS,S_PMQ),这里S_PMQ为景点静态偏好得分:
2-2-2)根据游客动态信息计算兴趣偏好打分向量(SS,S_PMD),S_PMD为景点动态偏好得分,S_PMDi表示i处景点动态偏好得分:
SD_temp表示景点动态偏好临时得分,当存在(SSi,SSTj)向量时,SD_tempi表示i处景点动态偏好临时得分,SD_tempi=∑k(TSjk*Wjk),其中Wjk为改进的正态遗忘曲线模型
其中,α、β为调节因子,α=0.52,β=2,,Δtjk为遗忘因子,Δtjk=month(NOWTIME,L_TPTjk)/2.3,month()表示计算两个日期间的月数差,NOWTIME是获取的当前时间,σ为标准差,L_TPTjk为第k次离开j型景点的时刻;
S_PMDi=(SD_tempi-min(SD_temp))/(max(SD_temp)-min(SD_temp))*70+30
2-2-3)得到景点的偏好模型得分向量(SS,S_PM),S_PM表示偏好模型结果分数;
其中S_PMi=ωpq*S_PMQi+ωpd*S_PMDi;
ωpq代表景点静态偏好得分权重,ωpq取为0.672,ωpd代表景点动态偏好得分权重,ωpd取为0.328。
上述个性化多维度景点推荐方法,步骤3)具体步骤为:
3-1)采集景点数据:获取专家打分向量(SS,S_VME)和景点游览历史数据(SS,SST,VF_HR),S_VME表示景点的专家打分值,VF_HR表示景点历史总浏览量;
3-2)计算i处景点维度综合打分值S_VMi:
S_VMi=ωve*S_VMEi+ωvh*S_VMHi
S_VMHi=100*(VF_HRi-min(VF_HR))/max(VF_HR)-min(VF_HR)
其中S_VMHi表示i处景点景色的客观打分值;VF_HRi表示i处景点历史总浏览量,ωve代表景点专家权重,ωvh代表景点数据权重。
上述个性化多维度景点推荐方法,所述步骤4)具体步骤为:
4-1)获取景点人流量VF:
4-1-1)获取用户定位数目,首先将景区划分成n个景点,记录每个景点的范围Oi,(i=1,2,...,n),在用户允许获取他的经纬度坐标后,查看此时用户坐标在哪一个景点范围内,即可获得景区每个景点内由软件获取的人流量数据;
4-1-2)硬件设备获取景区人流量:
在每一个景点进出门口的正上方安装1台摄像机,摄像机镜头垂直朝下,拍摄通过该门口进入或出去的人,拍摄的视频画面传输到服务器端,通过一套嵌入式的智能视频分析算法,将分析出人体的头部、肩膀等部位,判定是人或是其他物体,同时对该人体进行连续捕捉,分辨出人体的行动方向判断出入,由此计算出客流数量;
4-2)用线性最小二乘法修正软件人流量数据拟合硬件人流量数据:
4-2-1)用软件获取的人流量数据与硬件获取的人流量数据组合成一组二维数据(xt,yt),t=1,2,...,l,xt表示t时刻,由软件获取用户定位统计出的人流量数据,且xt互不相同,yt表示t时刻,由硬件设备获取的人流量数据,l表示获取最后一组数据的时刻;应用最小二乘法能得到一个函数y=f(x),使得所记录的时刻中最小二乘法结果与实际硬件所得人流量的平方差的和值最小;
4-2-2)将t+1时刻软件获取的人流量数据xt+1代入f(x),得到的yt+1即为修正后的软件获取数据;
4-3)时间序列预测,景点的人流量数据是具有季节性的,采用具有季节性特点的时间序列的预测方法中的“季节系数法”,其计算步骤如下:
4-3-1)收集m天中每天l'个时刻的时间序列样本数据ai'j',i'表示日期序号,i'=1,2,...,m,j'表示时刻序号,j'=1,2,..l,修正后重新得到ai'j';
其中g为中间变量;
4-3-5)预测计算:当时间序列是按时刻列出时,先求出预测日期,即第m+1天的加权平均
最后,预测日期第j'时刻的人流量预测值ym+1,j'为:
4-4)将“硬件获取人流量”与“软件系统获取人流量”用最小二乘法处理后所得人流量数据作为人流量模型的结果。
上述个性化多维度景点推荐方法,所述步骤5)具体步骤为:
5-1)获取景区的容纳量上限SL;
5-2)获取景点实时人流量VFRT;
5-3)获取景区气象、空气质量和声环境,整合成环境修正因子,包括如下步骤:
5-3-1)设定景区气温因子EAT:
5-3-2)设定景区空气湿度因子EH:
5-3-3)设定景区二氧化碳浓度因子ECDC:
5-3-4)设定景区一氧化碳浓度因子ECMC:
5-3-5)设定景区噪声影响因子EAE:
5-3-6)从气象局每日的天气预报中提取5-3-1)至5-3-5)所列的环境数据,代入以下式子即计算出环境修正因子E:
参考勒温的公式B=F(PE),B代表人的行为,F是函数关系,P和E的交互作用形成心理场,即情境;人的行为由人P和他的心理生活空间E的相互作用决定;有C=F(VF,E),考虑其实时性并整合符号表达,得到景点舒适度
C=F(VFRT,ERT)
其中ERT由E的计算公式得来,表示实时环境修正因子;
VFo点为还没有游客进入景区,而游客工作人员已就位时的景点人流量,此时的景点舒适度CRT=Co,Co为初始舒适度;VFb为景点最佳人流量,对应的即为景点最佳舒适度Cmax;
由于景点的舒适度C与景点人流量VF服从正态分布,将C=F(VFRT,1)写成:
正态分布表达式中有两个参数,即期望μ=VFb和标准差σ,σ2为方差,此处取σ2=25;
将得到的ERT代入C=F(VFRT,ERT),得出的C即为景点的实时舒适度CRT。
上述个性化多维度景点推荐方法,所述步骤6)具体步骤为:
6-1)获取浏览历史序列:由于在景点的浏览过程中存在经过标记景点而不进入浏览的情况,所以将经过景点作为判断浏览景点的依据是不准确的,因而采用对特定景点设置最小浏览时间TPP的方法:
6-1-1)根据当前景点的经纬度LAL调用地图接口,获取i处景点SSi的范围半径Ri和游客的平均速度AS,并且计算最小浏览时间TPP:
TPP=2*Ri/AS
6-1-2)获取浏览历史序列TH:
用软件得到用户到达i处景点SSi的时刻E_TPT和用户离开的时间L_TPT,L_TPT-E_TPT为用户经过SSi所需要的时间,如果L_TPT-E_TPT>TPP,则将SSi列入浏览历史序列TH{SS1,SS2……}中;
6-2)获取当前游客位置与景点SSi+1的距离得分S_DMi+1:
6-2-2)判断游客所处的景点区域为SSi,再从系统已有的坡度矩阵SM中获取从SSi到SSi+1之间的坡度S;
坡度矩阵:使用谷歌地图将景区包含所有景点范围的地形图片放入基础地理信息软件中,算出每个标记景点SSi到除了标记景点SSi以外的所有景点SSvv的坡度,其中坡度Sivv表示景点SSi到景点ssvv之间的坡度;坡度矩阵为/>坡度矩阵信息进行存储,需要使用时再进行调用;
6-2-3)获取坡度因子SF;
6-2-4)在行走的过程中,坡度的陡峭程度影响用户对于距离的感知,通过坡度S计算坡度因子SF:
6-2-5)建立距离喜好评分函数S_DMi+1:
其中Do为最舒适的距离。
上述个性化多维度景点推荐方法,所述步骤7)具体步骤为:
7-1)将景点推荐问题提取如下4个指标:偏好、舒适度、景色和距离,评语集用在用户在景点选择中对4个准则的看重程度,分别为:很看重、看重、较看重、不看重;
7-2)由层次分析法权重向量构成表确定权重向量矩阵:
对4个准则进行两两比较得到权重向量矩阵A1,如下所示:
对行:从左至右准则依次为C1-C4;
对列:从上到下准则依次为C1-C4。
用层次分析法得到四个准则的权重分别为0.4673、0.2772、0.1601和0.0954,0.4673+0.2772+0.1601+0.0954=1,故“偏好C1”的权重为0.4673,“舒适度C2”的权重为0.2772,“景色C3”的权重为0.1601,“距离C4”的权重为0.0954;
7-3)构造权重判断矩阵进行模糊综合评价并通过一致性检查;
7-4)矩阵合成运算,用最大隶属度原则进行综合评价为良好;
7-5)构建i处景点多维度综合打分模型:
S_SSi=0.4673×S_PMi+0.2772×S_VMi+0.1601×S_CMii+0.0954×S_DMi
其中S_SSi表示i处景点得分,S_PMi表示i处景点偏好模型结果分数,S_VMi表示i处景点景色模型结果分数,S_CMi表示i处景点舒适度模型结果分数,S_DMi表示i处景点距离模型结果分数;
对本次筛选留下的景点用上述公式计算得分,选取最高分的景点作为推荐给游客的下一景点。
上述个性化多维度景点推荐方法,所述步骤8)具体步骤为:
8-1)收集推荐结果:用户实际去的景点R的各项打分,假设综合打分模型中的参数为ωp,ωv,ωd,ωc;
8-2)收集用户反馈:
8-2-1)收集系统推荐游览景点SSv的打分矩阵,记为(S_PMv,S_VMv,S_DMv,S_FMv,S_CMv),用户实际游览景点SSu记为(S_PMu,S_VMu,S_DMu,S_FMu,S_CMs)以及反馈修正因子FCP,V代表系统推荐的景点,U代表用户实际游览的景点;
8-2-3)模型权重修改:
ifSSv==SSu,则反馈修正因子FCP=FCP*0.85;否则:
ΔS_PM=(S_PMv-S_PMu)/100;
ΔS_VM=(S_VMv-S_VMu)/100;
ΔS_DM=(S_DMv-S_DMu)/100;
ΔS_CM=(S_CMv-S_CMu)/100;
ωp:=ωp*(1+CP*ΔS_PM)*x
ωv:=ωv*(1+CP*ΔS_PV)*x
ωd:=ωd*(1+CP*ΔS_PD)*x
ωc:=ωc*(1+CP*ΔS_PC)*x
ΔS_PM为用户偏好偏差,ΔS_VM为景色分数偏差,ΔS_DM为距离分数偏差,ΔS_CM为景色舒适度偏差,令ωp+ωv+ωd+ωc=1解得x,代入x得到各个参数的值;:=为迭代符号;令稳定因子CP=CP*1.35,用作下次修正。
发明的有益效果在于:
1、本发明综合考量了环境、人流量(舒适度)、景色、距离四个因素对景点进行评分,针对用户的个性化需求,为用户智能地推荐景点,提升了用户的体验度。
2、本发明构建了反馈修正模型,考虑到模型判断会产生的误差,收集用户反馈,对模型权重进行修改,其中考虑了多个影响因素,定义稳定因子CP,若连续判断准确,则模型趋向稳定,被改变的几率小,若连续判断错误,则模型趋向抖动,随着用户体验改变,这样提高了用户的体验感。
3、本发明在构建景区人流量模型时采取硬件设备智能视频客流的工作方式获取景区人流量,在每一个景点进出门口的正上方安装1台摄像机,摄像机镜头垂直朝下,拍摄通过该门口进入或出去的人,拍摄的视频画面传输到服务器端,通过一套嵌入式的智能视频分析算法,将分析出人体的头部、肩膀等部位,判定是人或是其他物体,同时对该人体进行连续捕捉,分辨出人体的行动方向判断出入,由此计算出客流数量。采用线性最小二乘法修正软件人流量数据拟合硬件人流量数据,使通过软件计算出来的值更加准确。采用时间序列预测,景点的人流量数据是具有季节性的,在此采用具有季节性特点的时间序列的预测方法中的“季节系数法”,使预测的结果更加接近实际值。
4、本发明在构造景区舒适度打分模型时应用了心理学中勒温(K.Lewen)的著名的公式B=F(PE),这个公式揭示了个人行为的产生变化规律,说明不同的心理气氛,不同的情境产生不同的具体行为,还综合了环境等各因素的影响,例如一氧化碳浓度及二氧化碳浓度等,这样也能够使计算的舒适度更加准确。
5、本发明构建了基于兴趣漂移算法的兴趣打分模型,用户兴趣向量采集,分为静态信息和动态信息两种,根据用户动态信息计算兴趣偏好打分向量时,考虑到时间的影响,应用了改进的正态遗忘曲线模型,从而满足用户的个性化需求。
6、本发明构建了基于距离的推荐模型,由于在景点的浏览过程中存在经过标记景点而不进入浏览的情况,所以将经过景点作为判断浏览景点的依据是不准确的。因而这里采用对于特定景点设置最低浏览时间TPP的方法,解决了这这种问题。考虑到在行走的过程中,坡度的陡峭程度也会影响用户对于距离的喜好,获取坡度因子SF,这样对预测用户对距离的喜好更加准确。
附图说明
图1为本发明的整体流程图。
图2为景点筛选的示意图。
图3为构建景点兴趣打分模型的流程图。
图4为构建景点景色打分模型的流程图。
图5为构建人流量计算模型的流程图。
图6为构建舒适度打分模型的流程图。
图7为人流量计算模型中景点人流量与景点舒适度的曲线图。
图8为构建基于距离的打分模型的流程图。
图9为基于距离的打分模型中距离喜好评分函数图。
图10为采用层次分析法的示意图。
图11为构建反馈修正模型的流程图。
图12为用户使用流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种个性化多维度景点推荐方法,包括以下步骤:
1)初步规定推荐景点范围及获取数据。
如图2所示,推荐景点范围的方式为:获取用户当前位置和所有景点中距离的最大值Dmax,以用户当前位置为圆心,取1/5Dmax为半径设置圆形范围,将在该范围内的所有景点列入初步筛选的景点范围中;如果筛选范围中的景点范围中的景点数目少于总数目的1/5,则按照用户当前位置到景点位置的距离按照由小到大将剩下景点补充进初步筛选的景点范围中,直到范围中的景点数目为总数目的1/5。
获取数据包括:
景点信息:经纬度LAL、坡度S、i处景点范围半径Ri、容纳量上限SL、i处景点软件件所得人流量VF_Si、i处景点硬件所得人流量VF_Hi;
景区信息:环境因子,包括气温AT、空气湿度H、二氧化碳浓度CDC、一氧化碳浓度CMC、声环境AE;
游客信息:游客的平均速度AS、浏览历史序列TH、到达景点的时刻E_TPT、离开景点的时刻L_TPT、i处景点游客经纬度坐标(xi,yi)、i处景点到下一景点的距离D、偏好向量矩阵(SST,S_PMT,S_PMS)、历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中SST表示景点类型,S_PMT表示偏好模型问题题号,S_PMS表示偏好模型问题得分,THR表示浏览历史记录,SS为景点编号,TS表示基于时间的偏好得分。
2)根据获取数据构建基于兴趣漂移算法的兴趣打分模型。如图3所示,具体步骤为:
2-1)采集游客兴趣向量,分为静态信息和动态信息两种;
2-1-1)生成游客静态向量:
游客注册时填写兴趣偏好表,生成游客偏好向量矩阵(SST,S_PMT,S_PMS),且
其中S_PMSJa表示j型景点的第a题得分;
2-1-2)收集游客动态信息:
根据游客历史数据生成历史兴趣表生成历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中当存在(SSi,SSTj)向量时,若TSjk≥100,令TSjk=100,TPPi=L_TPTi-E_TPTi;此处的i和下文中的i均表示景点i,j表示景点类型,TSjk表示用户第k次游览j型景点时的偏好得分,TPPi表示游客在景点i处的最小浏览时间,TPP_AVEi表示游客在景点i处的平均游览时长;
2-2)计算多维度兴趣单项打分值:
2-2-1)根据游客静态信息计算兴趣偏好打分向量(SS,S_PMQ),这里S_PMQ为景点静态偏好得分:
2-2-2)根据游客动态信息计算兴趣偏好打分向量(SS,S_PMD),S_PMD为景点动态偏好得分,S_PMDi表示i处景点动态偏好得分:
SD_temp表示景点动态偏好临时得分,当存在(SSi,SSTj)向量时,SD_tempi表示i处景点动态偏好临时得分,SD_tempi=∑k(TSjk*Wjk),其中Wjk为改进的正态遗忘曲线模型
其中,α、β为调节因子,α=0.52,β=2,,Δtjk为遗忘因子,Δtjk=month(NOWTIME,L_TPTjk)/2.3,month()表示计算两个日期间的月数差,NOWTIME是获取的当前时间,σ为标准差,L_TPTjk为第k次离开j型景点的时刻;
S_PMDi=(SD_tempi-min(SD_temp))/(max(SD_temp)-min(SD_temp))*70+30
2-2-3)得到景点的偏好模型得分向量(SS,S_PM),S_PM表示偏好模型结果分数;
其中S_PMi=ωpq*S_PMQi+ωpd*S_PMDi;
ωpq代表景点静态偏好得分权重,ωpq取为0.672,ωpd代表景点动态偏好得分权重,ωpd取为0.328。
3)根据获取数据构建景色打分模型。如图4所示,具体步骤为:
3-1)采集景点数据:获取专家打分向量(SS,S_VME)和景点游览历史数据(SS,SST,VF_HR),S_VME表示景点的专家打分值,VF_HR表示景点历史总浏览量;
3-2)计算i处景点维度综合打分值S_VMi:
S_VMi=ωve*S_VMEi+ωvh*S_VMHi
S_VMHi=100*(VF_HRi-min(VF_HR))/max(VF_HR)-min(VF_HR)
其中S_VMHi表示i处景点景色的客观打分值;VF_HRi表示i处景点历史总浏览量,ωve代表景点专家权重,ωvh代表景点数据权重。
4)根据获取数据构建景区人流量模型。如图5所示,具体步骤为:
4-1)获取景点人流量VF:在人流量数据的获取中,由于在景区不仅仅只有游客,还有不需要使用本系统的工作人员,而游客中又可能会存在不使用本系统的情况,如果只将用户的数目作为景点此时的人流量是不准确的。因而采用软件、硬件相结合的方式来统计人流量。
4-1-1)获取用户定位数目,首先将景区划分成n个景点,记录每个景点的范围Oi,(i=1,2,...,n),在用户允许获取他的经纬度坐标后,查看此时用户坐标在哪一个景点范围内,即可获得景区每个景点内由软件获取的人流量数据;
4-1-2)硬件设备获取景区人流量:采用目前统计区域人流量最精确的装置——基于视频分析技术实现的客流统计系统,融合了视频处理、图像处理、模式识别、运动轨迹判别等多个领域的技术,利用摄像头或原有的监控摄像头及图像采集卡获得的视频数据,对视频图像中静止或行走的不同姿态的行人进行检测和跟踪,可以获得指定时段和指定区域内的人流量。
智能视频客流的工作方式:在每一个景点进出门口的正上方安装1台摄像机,摄像机镜头垂直朝下,拍摄通过该门口进入或出去的人,拍摄的视频画面传输到服务器端,通过一套嵌入式的智能视频分析算法,将分析出人体的头部、肩膀等部位,判定是人或是其他物体,同时对该人体进行连续捕捉,分辨出人体的行动方向判断出入,由此计算出客流数量;
4-2)用线性最小二乘法修正软件人流量数据拟合硬件人流量数据:
4-2-1)用软件获取的人流量数据与硬件获取的人流量数据组合成一组二维数据(xt,yt),t=1,2,...,l,xt表示t时刻,由软件获取用户定位统计出的人流量数据,且xt互不相同,yt表示t时刻,由硬件设备获取的人流量数据,l表示获取最后一组数据的时刻;应用最小二乘法能得到一个函数y=f(x),使得所记录的时刻中最小二乘法结果与实际硬件所得人流量的平方差的和值最小;
4-2-2)将t+1时刻软件获取的人流量数据xt+1代入f(x),得到的yt+1即为修正后的软件获取数据;
4-3)时间序列预测,景点的人流量数据是具有季节性的,采用具有季节性特点的时间序列的预测方法中的“季节系数法”,其计算步骤如下:
4-3-1)收集m天中每天l'个时刻的时间序列样本数据ai'j',i'表示日期序号,i'=1,2,...,m,j'表示时刻序号,j'=1,2,..l,修正后重新得到ai'j';
其中g为中间变量;
4-3-5)预测计算:当时间序列是按时刻列出时,先求出预测日期,即第m+1天的加权平均
最后,预测日期第j'时刻的人流量预测值ym+1,j'为:
4-4)将“硬件获取人流量”与“软件系统获取人流量”用最小二乘法处理后所得人流量数据作为人流量模型的结果。
5)根据获取数据以及构建的景区人流量模型,构建景区舒适度打分模型。如图6所示,具体步骤为:
5-1)获取景区的容纳量上限SL;
5-2)获取景点实时人流量VFRT;
5-3)获取景区气象、空气质量和声环境,整合成环境修正因子,包括如下步骤:
5-3-1)气温AT是人体舒适度感知最显著的气候要素气温变化会引起许多生理变化,气温高于人体温度或太低,都会引起人体的不舒适,最舒适的温度范围是18—25℃,而人体能承受的最高温度为46.5℃。因此设定景区气温因子EAT:
5-3-2)湿度与温度协同作用于人的舒适度感知。湿度通过影响水分代谢、热量代谢影响人体的舒适感觉,相对湿度为45%—70%时,人体感觉比较适宜。因此设定景区空气湿度因子EH:
5-3-3)景区CO2主要来源于汽车尾气排放及生物的呼吸作用。室外清新空气的二氧化碳浓度为350×10-6-400×10-6;人体对二氧化碳浓度的允许范围较宽泛,一般认为1000×10-6是人体感到不适并产生困倦的阀值。因此设定景区二氧化碳浓度因子ECDC:
5-3-4)CO为有毒气体,景区CO主要来源于汽车尾气排放;空气中的一氧化碳浓度达到200×10-6时,人体在2-3h后,感觉轻微头痛、乏力;达到400×10-6时,3h后会威胁生命,1000×10-6时,1h内会死亡。因此设定景区一氧化碳浓度因子ECMC:
5-3-5)噪声影响游客游览、休息。20-50db的声环境较为舒适;0-20db、50-70db为较舒适;70-100db为不舒适,100db以上人体感觉极不舒适。因此设定景区噪声影响因子EAE:
5-3-6)从气象局每日的天气预报中提取5-3-1)至5-3-5)所列的环境数据,代入以下式子即计算出环境修正因子E:
参考勒温的公式B=F(PE),B代表人的行为,F是函数关系,P和E的交互作用形成心理场,即情境;人的行为由人P和他的心理生活空间E的相互作用决定;有C=F(VF,E),考虑其实时性并整合符号表达,得到景点舒适度
C=F(VFRT,ERT)
其中ERT由E的计算公式得来,表示实时环境修正因子,如图7所示,在ERT=1时,C=F(VFRT,1);
VFo点为还没有游客进入景区,而游客工作人员已就位时的景点人流量,此时的景点舒适度CRT=Co,Co为初始舒适度;VFb为景点最佳人流量,对应的即为景点最佳舒适度Cmax;
由于景点的舒适度C与景点人流量VF服从正态分布,将C=F(VFRT,1)写成:
正态分布表达式中有两个参数,即期望μ=VFb和标准差σ,σ2为方差,此处取σ2=25;
将得到的ERT代入C=F(VFRT,ERT),得出的C即为景点的实时舒适度CRT。
6)根据获取数据构建基于距离的打分模型。如图8所示,具体步骤为:
6-1)获取浏览历史序列:由于在景点的浏览过程中存在经过标记景点而不进入浏览的情况,所以将经过景点作为判断浏览景点的依据是不准确的,因而采用对特定景点设置最小浏览时间TPP的方法:
6-1-1)根据当前景点的经纬度LAL调用地图接口,获取i处景点SSi的范围半径Ri和游客的平均速度AS,并且计算最小浏览时间TPP:
TPP=2*Ri/AS
6-1-2)获取浏览历史序列TH:
用软件得到用户到达i处景点SSi的时刻E_TPT和用户离开的时间L_TPT,L_TPT-E_TPT为用户经过SSi所需要的时间,如果L_TPT-E_TPT>TPP,则将SSi列入浏览历史序列TH{SS1,SS2……}中;
6-2)获取当前游客位置与景点SSi+1的距离得分S_DMi+1:
6-2-2)判断游客所处的景点区域为SSi,再从系统已有的坡度矩阵SM中获取从SSi到SSi+1之间的坡度S;
坡度矩阵:使用谷歌地图将景区包含所有景点范围的地形图片放入基础地理信息软件中,算出每个标记景点SSi到除了标记景点SSi以外的所有景点SSvv的坡度,其中坡度Sivv表示景点SSi到景点ssvv之间的坡度;坡度矩阵为/>坡度矩阵信息进行存储,需要使用时再进行调用;
6-2-3)获取坡度因子SF;
6-2-4)在行走的过程中,坡度的陡峭程度影响用户对于距离的感知,通过坡度S计算坡度因子SF:
6-2-5)建立距离喜好评分函数S_DMi+1:
其中Do为最舒适的距离;距离喜好评分函数图像如图9所示。
7)综合兴趣打分模型、景色打分模型、景区舒适度打分模型、基于距离的打分模型,构建多维度景点打分模型。具体步骤为:
7-1)将景点推荐问题提取如下4个指标:偏好、舒适度、景色和距离,评语集用在用户在景点选择中对4个准则的看重程度,分别为:很看重、看重、较看重、不看重;
7-2)由层次分析法权重向量构成表确定权重向量矩阵,如图10所示:
对4个准则进行两两比较得到权重向量矩阵A1,如下所示:
对行:从左至右准则依次为C1-C4;
对列:从上到下准则依次为C1-C4。
用层次分析法得到四个准则的权重分别为0.4673、0.2772、0.1601和0.0954,0.4673+0.2772+0.1601+0.0954=1,故“偏好C1”的权重为0.4673,“舒适度C2”的权重为0.2772,“景色C3”的权重为0.1601,“距离C4”的权重为0.0954;
7-3)构造权重判断矩阵进行模糊综合评价并通过一致性检查,如下表;
指标项 | 很看重 | 看重 | 较看重 | 不看重 |
偏好 | 0.7 | 0.2 | 0.1 | 0 |
舒适度 | 0.8 | 0.1 | 0.1 | 0 |
景色 | 0.5 | 0.2 | 0.2 | 0.1 |
距离 | 0.4 | 0.2 | 0.2 | 0.2 |
7-4)矩阵合成运算,用最大隶属度原则进行综合评价为良好;
7-5)构建i处景点多维度综合打分模型:
S_SSi=0.4673×S_PMi+0.2772×S_VMi+0.1601×S_CMii+0.0954×S_DMi
其中S_SSi表示i处景点得分,S_PMi表示i处景点偏好模型结果分数,S_VMi表示i处景点景色模型结果分数,S_CMi表示i处景点舒适度模型结果分数,S_DMi表示i处景点距离模型结果分数;
对本次筛选留下的景点用上述公式计算得分,选取最高分的景点作为推荐给游客的下一景点。
8)构建反馈修正模型,对多维度景点打分模型进行修正,根据修正后的多维度景点打分模型推荐景点。如图11,具体步骤为:
8-1)收集推荐结果:用户实际去的景点R的各项打分,假设综合打分模型中的参数为ωp,ωv,ωd,ωc;即
S_SSi=ωp×S_PMi+ωv×S_VMi+ωc×S_CMi+ωd×S_DMi
8-2)收集用户反馈:
8-2-1)收集系统推荐游览景点SSv的打分矩阵,记为(S_PMv,S_VMv,S_DMv,S_FMv,S_CMv),用户实际游览景点SSu记为(S_PMu,S_VMu,S_DMu,S_FMu,S_CMs)以及反馈修正因子FCP,V代表系统推荐的景点,U代表用户实际游览的景点;
8-2-3)模型权重修改:
ifSSv==SSu,则反馈修正因子FCP=FCP*0.85;否则:
ΔS_PM=(S_PMv-S_PMu)/100;
ΔS_VM=(S_VMv-S_VMu)/100;
ΔS_DM=(S_DMv-S_DMu)/100;
ΔS_CM=(S_CMv-S_CMu)/100;
ωp:=ωp*(1+CP*ΔS_PM)*x
ωv:=ωv*(1+CP*ΔS_PV)*x
ωd:=ωd*(1+CP*△S_PD)*x
ωc:=ωc*(1+CP*ΔS_PC)*x
ΔS_PM为用户偏好偏差,ΔS_VM为景色分数偏差,CS_DM为距离分数偏差,△S_CM为景色舒适度偏差,令ωp+ωv+ωd+ωc=1解得x,代入x得到各个参数的值;:=为迭代符号;令稳定因子CP=CP*1.35,用作下次修正。
Claims (8)
1.一种个性化多维度景点推荐方法,包括以下步骤:
1)初步规定推荐景点范围及获取数据;
所述步骤1)中,获取数据包括:
景点信息:经纬度LAL、坡度S、i处景点范围半径Ri、容纳量上限SL、i处景点软件所得人流量VF_Si、i处景点硬件所得人流量VF_Hi;
景区信息:环境因子,包括气温AT、空气湿度H、二氧化碳浓度CDC、一氧化碳浓度CMC、声环境AE;
游客信息:游客的平均速度AS、浏览历史序列TH、到达景点的时刻E_TPT、离开景点的时刻L_TPT、i处景点游客经纬度坐标(xi,yi)、i处景点到下一景点的距离D、偏好向量矩阵(SST,S_PMT,S_PMS)、历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中SST表示景点类型,S_PMT表示偏好模型问题题号,S_PMS表示偏好模型问题得分,THR表示浏览历史记录,SS为景点编号,TS表示基于时间的偏好得分;
2)根据获取数据构建基于兴趣漂移算法的兴趣打分模型;
所述步骤2)具体步骤为:
2-1)采集游客兴趣向量,分为静态信息和动态信息两种;
2-1-1)生成游客静态向量:
游客注册时填写兴趣偏好表,生成游客偏好向量矩阵(SST,S_PMT,S_PMS),且
其中S_PMSJa表示j型景点的第a题得分;
2-1-2)收集游客动态信息:
根据游客历史数据生成历史兴趣表生成历史记录向量矩阵(THR,SS,SST,E_TPT,TS),其中当存在(SSi,SSTj)向量时,若TSjk≥100,令TSjk=100,TPPi=L_TPTi-E_TPTi;此处的i和下文中的i均表示景点i,j表示景点类型,TSjk表示用户第k次游览j型景点时的偏好得分,TPPi表示游客在景点i处的最小浏览时间,TPP_AVEi表示游客在景点i处的平均游览时长;
2-2)计算多维度兴趣单项打分值:
2-2-1)根据游客静态信息计算兴趣偏好打分向量(SS,S_PMQ),这里S_PMQ为景点静态偏好得分:
2-2-2)根据游客动态信息计算兴趣偏好打分向量(SS,S_PMD),S_PMD为景点动态偏好得分,S_PMDi表示i处景点动态偏好得分:
SD_temp表示景点动态偏好临时得分,当存在(SSi,SSTj)向量时,SD_tempi表示i处景点动态偏好临时得分,SD_tempi=∑k(TSjk*Wjk),其中Wjk为改进的正态遗忘曲线模型
其中,α、β为调节因子,α=0.52,β=2,Δtjk为遗忘因子,Δtjk=month(NOWTIME,L_TPTjk)/2.3,month()表示计算两个日期间的月数差,NOWTIME是获取的当前时间,σ为标准差,L_TPTjk为第k次离开j型景点的时刻;
S_PMDi=(SD_tempi-min(SD_temp))/(max(SD_temp)-min(SD_temp))*70+30
2-2-3)得到景点的偏好模型得分向量(SS,S_PM),S_PM表示偏好模型结果分数;
其中S_PMi=ωpq*S_PMQi+ωpd*S_PMDi;
ωpq代表景点静态偏好得分权重,ωpq取为0.672,ωpd代表景点动态偏好得分权重,ωpd取为0.328;
3)根据获取数据构建景色打分模型;
4)根据获取数据构建景区人流量模型;
5)根据获取数据以及构建的景区人流量模型,构建景区舒适度打分模型;
6)根据获取数据构建基于距离的打分模型;
7)综合兴趣打分模型、景色打分模型、景区舒适度打分模型、基于距离的打分模型,构建多维度景点打分模型;
8)构建反馈修正模型,对多维度景点打分模型进行修正,根据修正后的多维度景点打分模型推荐景点。
2.根据权利要求1所述的个性化多维度景点推荐方法,其特征在于,所述步骤1)中,推荐景点范围的方式为:获取用户当前位置和所有景点中距离的最大值Dmax,以用户当前位置为圆心,取1/5Dmax为半径设置圆形范围,将在该范围内的所有景点列入初步筛选的景点范围中;如果筛选范围中的景点范围中的景点数目少于总数目的1/5,则按照用户当前位置到景点位置的距离按照由小到大将剩下景点补充进初步筛选的景点范围中,直到范围中的景点数目为总数目的1/5。
3.根据权利要求1所述的个性化多维度景点推荐方法,步骤3)具体步骤为:
3-1)采集景点数据:获取专家打分向量(SS,S_VME)和景点游览历史数据(SS,SST,VF_HR),S_VME表示景点的专家打分值,VF_HR表示景点历史总浏览量;
3-2)计算i处景点维度综合打分值S_VMi:
S_VMi=ωve*S_VMEi+ωvh*S_VMHi
S_VMHi=100*(VF_HRi-min(VF_HR))/max(VF_HR)-min(VF_HR)
其中S_VMHi表示i处景点景色的客观打分值;VF_HRi表示i处景点历史总浏览量,ωve代表景点专家权重,ωvh代表景点数据权重。
4.根据权利要求3所述的个性化多维度景点推荐方法,所述步骤4)具体步骤为:
4-1)获取景点人流量VF:
4-1-1)获取用户定位数目,首先将景区划分成n个景点,记录每个景点的范围Oi,i=1,2,...,n,在用户允许获取他的经纬度坐标后,查看此时用户坐标在哪一个景点范围内,即可获得景区每个景点内由软件获取的人流量数据;
4-1-2)硬件设备获取景区人流量:
在每一个景点进出门口的正上方安装1台摄像机,摄像机镜头垂直朝下,拍摄通过该门口进入或出去的人,拍摄的视频画面传输到服务器端,通过一套嵌入式的智能视频分析算法,将分析出人体的头部、肩膀等部位,判定是人或是其他物体,同时对该人体进行连续捕捉,分辨出人体的行动方向判断出入,由此计算出客流数量;
4-2)用线性最小二乘法修正软件人流量数据拟合硬件人流量数据:
4-2-1)用软件获取的人流量数据与硬件获取的人流量数据组合成一组二维数据(xt,yt),t=1,2,...,l,xt表示t时刻,由软件获取用户定位统计出的人流量数据,且xt互不相同,yt表示t时刻,由硬件设备获取的人流量数据,l表示获取最后一组数据的时刻;应用最小二乘法能得到一个函数y=f(x),使得所记录的时刻中最小二乘法结果与实际硬件所得人流量的平方差的和值最小;
4-2-2)将t+1时刻软件获取的人流量数据xt+1代入f(x),得到的yt+1即为修正后的软件获取数据;
4-3)时间序列预测,景点的人流量数据是具有季节性的,采用具有季节性特点的时间序列的预测方法中的“季节系数法”,其计算步骤如下:
4-3-1)收集m天中每天l'个时刻的时间序列样本数据ai'j',i'表示日期序号,i'=1,2,...,m,j'表示时刻序号,j'=1,2,..l,修正后重新得到ai'j';
其中g为中间变量;
4-3-5)预测计算:当时间序列是按时刻列出时,先求出预测日期,即第m+1天的加权平均
最后,预测日期第j'时刻的人流量预测值ym+1,j'为:
4-4)将“硬件获取人流量”与“软件系统获取人流量”用最小二乘法处理后所得人流量数据作为人流量模型的结果。
5.根据权利要求4所述的个性化多维度景点推荐方法,所述步骤5)具体步骤为:
5-1)获取景区的容纳量上限SL;
5-2)获取景点实时人流量VFRT;
5-3)获取景区气象、空气质量和声环境,整合成环境修正因子,包括如下步骤:
5-3-1)设定景区气温因子EAT:
5-3-2)设定景区空气湿度因子EH:
5-3-3)设定景区二氧化碳浓度因子ECDC:
5-3-4)设定景区一氧化碳浓度因子ECMC:
5-3-5)设定景区噪声影响因子EAE:
5-3-6)从气象局每日的天气预报中提取5-3-1)至5-3-5)所列的环境数据,代入以下式子即计算出环境修正因子E:
参考勒温的公式B=F(PE),B代表人的行为,F是函数关系,P和E的交互作用形成心理场,即情境;人的行为由人P和他的心理生活空间E的相互作用决定;有C=F(VF,E),考虑其实时性并整合符号表达,得到景点舒适度
C=F(VFRT,ERT)
其中ERT由E的计算公式得来,表示实时环境修正因子;
VFo点为还没有游客进入景区,而游客工作人员已就位时的景点人流量,此时的景点舒适度CRT=Co,Co为初始舒适度;VFb为景点最佳人流量,对应的即为景点最佳舒适度Cmax;
由于景点的舒适度C与景点人流量VF服从正态分布,将C=F(VFRT,1)写成:
正态分布表达式中有两个参数,即期望μ=VFb和标准差σ,σ2为方差,此处取σ2=25;
将得到的ERT代入C=F(VFRT,ERT),得出的C即为景点的实时舒适度CRT。
6.根据权利要求5所述的个性化多维度景点推荐方法,所述步骤6)具体步骤为:
6-1)获取浏览历史序列:由于在景点的浏览过程中存在经过标记景点而不进入浏览的情况,所以将经过景点作为判断浏览景点的依据是不准确的,因而采用对特定景点设置最小浏览时间TPP的方法:
6-1-1)根据当前景点的经纬度LAL调用地图接口,获取i处景点SSi的范围半径Ri和游客的平均速度AS,并且计算最小浏览时间TPP:
TPP=2*Ri/AS
6-1-2)获取浏览历史序列TH:
用软件得到用户到达i处景点SSi的时刻E_TPT和用户离开的时间L_TPT,L_TPT-E_TPT为用户经过SSi所需要的时间,如果L_TPT-E_TPT>TPP,则将SSi列入浏览历史序列TH{SS1,SS2……}中;
6-2)获取当前游客位置与景点SSi+1的距离得分S_DMi+1:
6-2-2)判断游客所处的景点区域为SSi,再从系统已有的坡度矩阵SM中获取从SSi到SSi+1之间的坡度S;
坡度矩阵:使用谷歌地图将景区包含所有景点范围的地形图片放入基础地理信息软件中,算出每个标记景点SSi到除了标记景点SSi以外的所有景点SSvv的坡度,其中坡度Sivv表示景点SSi到景点SSvv之间的坡度;坡度矩阵为/>坡度矩阵信息进行存储,需要使用时再进行调用;
6-2-3)获取坡度因子SF;
6-2-4)在行走的过程中,坡度的陡峭程度影响用户对于距离的感知,通过坡度S计算坡度因子SF:
6-2-5)建立距离喜好评分函数S_DMi+1:
其中Do为最舒适的距离。
7.根据权利要求6所述的个性化多维度景点推荐方法,所述步骤7)具体步骤为:
7-1)将景点推荐问题提取如下4个指标:偏好、舒适度、景色和距离,评语集用在用户在景点选择中对4个准则的看重程度,分别为:很看重、看重、较看重、不看重;
7-2)由层次分析法权重向量构成表确定权重向量矩阵:
对4个准则进行两两比较得到权重向量矩阵A1,如下所示:
对行:从左至右准则依次为C1-C4;
对列:从上到下准则依次为C1-C4;
用层次分析法得到四个准则的权重分别为0.4673、0.2772、O.1601和0.0954,0.4673+0.2772+0.1601+0.0954=1,故“偏好C1”的权重为0.4673,“舒适度C2”的权重为0.2772,“景色C3”的权重为0.1601,“距离C4”的权重为0.0954;
7-3)构造权重判断矩阵进行模糊综合评价并通过一致性检查;
7-4)矩阵合成运算,用最大隶属度原则进行综合评价为良好;
7-5)构建i处景点多维度综合打分模型:
S_SSi=0.4673×S_PMi+0.2772×S_VMi+0.1601×S_CMi+0.0954×S_DMi
其中S_SSi表示i处景点得分,S_PMi表示i处景点偏好模型结果分数,S_VMi表示i处景点景色模型结果分数,S_CMi表示i处景点舒适度模型结果分数,S_DMi表示i处景点距离模型结果分数;
对本次筛选留下的景点用上述公式计算得分,选取最高分的景点作为推荐给游客的下一景点。
8.根据权利要求7所述的个性化多维度景点推荐方法,所述步骤8)具体步骤为:
8-1)收集推荐结果:用户实际去的景点R的各项打分,假设综合打分模型中的参数为ωp,ωv,ωd,ωk;
8-2)收集用户反馈:
8-2-1)收集系统推荐游览景点SSv的打分矩阵,记为(S_PMv,S_VMv,S_DMv,S_FMv,S_CMv),用户实际游览景点SSu记为(S_PMu,S_VMu,S_DMu,S_FMu,S_CMs)以及反馈修正因子FCP,V代表系统推荐的景点,U代表用户实际游览的景点;
8-2-3)模型权重修改:
if SSv==SSu,则反馈修正因子FCP=FCP*0.85;否则:
ΔS_PM=(S_PMv-S_PMu)/100;
ΔS_VM=(S_VMv-S_VMu)/100;
ΔS_DM=(S_DMv-S_DMu)/100;
ΔS_CM=(S_CMv-S_CMu)/100;
ωp:=ωp*(1+CP*ΔS_PM)*x
ωv:=ωv*(1+CP*ΔS_PV)*x
ωd:=ωd*(1+CP*ΔS_PD)*x
ωc:=ωc*(1+CP*ΔS_PC)*x
ΔS_PM为用户偏好偏差,ΔS_VM为景色分数偏差,ΔS_DM为距离分数偏差,ΔS_CM为景色舒适度偏差,令ωp+ωv+ωd+ωc=1解得x,代入x得到各个参数的值;:=为迭代符号;令稳定因子CP=CP*1.35,用作下次修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267151.9A CN111488522B (zh) | 2020-04-07 | 2020-04-07 | 一种个性化多维度景点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267151.9A CN111488522B (zh) | 2020-04-07 | 2020-04-07 | 一种个性化多维度景点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488522A CN111488522A (zh) | 2020-08-04 |
CN111488522B true CN111488522B (zh) | 2023-07-07 |
Family
ID=71792500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267151.9A Active CN111488522B (zh) | 2020-04-07 | 2020-04-07 | 一种个性化多维度景点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488522B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215437A (zh) * | 2020-11-03 | 2021-01-12 | 广州瀚信通信科技股份有限公司 | 基于人工智能算法的旅游人机交互方法、装置及电子设备 |
CN113780613A (zh) * | 2020-12-15 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 一种路径推荐方法和装置 |
CN113159377B (zh) * | 2021-03-12 | 2024-03-12 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN112905797A (zh) * | 2021-03-17 | 2021-06-04 | 江苏唱游数据技术有限公司 | 一种基于mnlp的景区多维度漏洞评估方法 |
CN113763210A (zh) * | 2021-04-20 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 景点信息推荐方法、装置、电子设备和存储介质 |
CN116542560B (zh) * | 2023-05-06 | 2024-01-09 | 哈尔滨工业大学(深圳) | 一种基于多源数据融合的社区适老性评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933643A (zh) * | 2015-06-26 | 2015-09-23 | 中国科学院计算技术研究所 | 一种景区信息推送方法和装置 |
CN110750716A (zh) * | 2019-09-27 | 2020-02-04 | 恒大智慧科技有限公司 | 智慧景区内景点的自动推荐方法、计算机设备及存储介质 |
-
2020
- 2020-04-07 CN CN202010267151.9A patent/CN111488522B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933643A (zh) * | 2015-06-26 | 2015-09-23 | 中国科学院计算技术研究所 | 一种景区信息推送方法和装置 |
CN110750716A (zh) * | 2019-09-27 | 2020-02-04 | 恒大智慧科技有限公司 | 智慧景区内景点的自动推荐方法、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111488522A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488522B (zh) | 一种个性化多维度景点推荐方法 | |
Filer | The" Starving artist"--Myth or reality? Earnings of artists in the United States | |
CN109657529A (zh) | 基于面部表情识别的课堂教学效果评价系统 | |
US8565539B2 (en) | System and method for determining estimated age using an image collection | |
US8898091B2 (en) | Computing situation-dependent affective response baseline levels utilizing a database storing affective responses | |
WO2016129193A1 (ja) | 健康管理補助装置及び健康管理補助方法 | |
Chen et al. | Predicting the effect of street environment on residents' mood states in large urban areas using machine learning and street view images | |
Steinhauer et al. | NEPS technical report for weighting: weighting the sample of starting cohort 4 of the national educational panel study (wave 1 to 6) | |
JP2012524458A (ja) | 対話的活動に関するユーザ体験を測定するための方法及びシステム | |
WO2011133548A2 (en) | Short imagery task (sit) research method | |
Bosse et al. | Agent-based analysis of patterns in crowd behaviour involving contagion of mental states | |
CN111436929B (zh) | 一种神经生理信号的生成和识别方法 | |
CN109447324A (zh) | 行为活动预测方法、装置、设备及情绪预测方法 | |
CN112002429B (zh) | 公共卫生企业从业人员的体检画像和服务推荐系统及方法 | |
US20240047039A1 (en) | System and method for creating a customized diet | |
CN113380427A (zh) | 一种基于佩戴式智能终端的健康管理平台及管理方法 | |
Vildjiounaite et al. | Unobtrusive assessment of stress of office workers via analysis of their motion trajectories | |
Tian et al. | Personality first in emotion: A deep neural network based on electroencephalogram channel attention for cross-subject emotion recognition | |
CN112820371B (zh) | 一种基于医疗知识图谱的健康推荐系统及推荐方法 | |
CN111932680B (zh) | 一种基于vr深度视觉感知的城市风貌要素识别方法及系统 | |
Ricciuti et al. | Accurate fall detection in a top view privacy preserving configuration | |
Schneickert et al. | Lonely, poor, and ugly? How cultural practices and forms of capital relate to physical unattractiveness | |
Yan et al. | Affect estimation with wearable sensors | |
Pingle | Evaluation of mental stress using predictive analysis | |
Hodgson et al. | Using drone technology to collect school transportation data |
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 |