CN111797331A - 基于群智感知的多目标多约束路线推荐方法 - Google Patents

基于群智感知的多目标多约束路线推荐方法 Download PDF

Info

Publication number
CN111797331A
CN111797331A CN202010517955.XA CN202010517955A CN111797331A CN 111797331 A CN111797331 A CN 111797331A CN 202010517955 A CN202010517955 A CN 202010517955A CN 111797331 A CN111797331 A CN 111797331A
Authority
CN
China
Prior art keywords
user
route
spot
score
target
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
CN202010517955.XA
Other languages
English (en)
Other versions
CN111797331B (zh
Inventor
郑孝遥
朱德义
韩宝婷
孙丽萍
郭良敏
罗永龙
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.)
Anhui Normal University
Original Assignee
Anhui Normal 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 Anhui Normal University filed Critical Anhui Normal University
Priority to CN202010517955.XA priority Critical patent/CN111797331B/zh
Publication of CN111797331A publication Critical patent/CN111797331A/zh
Application granted granted Critical
Publication of CN111797331B publication Critical patent/CN111797331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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

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

Abstract

本发明公开了一种基于群智感知的多目标多约束路线推荐方法，具体包括如下步骤：S1、基于变邻域搜索算法获取各单目标下的numR条路径；S2、采用混合粒子群遗传优化算法对各单目标下的numR条路径进行优化；S3、通过快速非支配排序算法求出满足用户设定多目标的Pareto最优集，并向用户推荐Top‑K条最优旅游路线。根据用户提供的多目标约束完成多条路线推荐。

Description

基于群智感知的多目标多约束路线推荐方法
技术领域
本发明属于个性化推荐技术领域，提供了一种基于群智感知的多目标多约束路线推荐方法。
背景技术
近年来，随着互联网技术的快速发展，信息的爆炸式增长加重了人们检索的负担。推荐技术的诞生可以帮助人们获取自己感兴趣的资源。由于推荐技术在电子商务方面发展得已经很成熟，国内BAT等大公司旗下的产品都不同程度地采用推荐技术为用户推荐各种相似兴趣内容。然而，由于旅游路线受到影响的因素很多，如实时交通流量、天气、用户偏好情况复杂多变等，旅游路线的推荐现在还处于不成熟阶段。
由于路线推荐问题比较复杂，因此产生多种角度推荐方法。从时间角度看，可以分为城市间景点多日游的推荐以及一个城市内单日游景点的推荐。对于多日游，其时间跨度相对较大，因此产生了时间窗问题。一般来说，景点的开放时间会发生变化，如故宫博物院每周一都要闭馆修整；又如旅游旺季与淡季的存在，使得景点每天的开放时间随之变动。从旅游线路的空间尺度视角看，可分为微观尺度的景点内路线推荐和宏观尺度的多个景点的推荐。从微观尺度上对于一个景区的多个子景点进行算法的处理来为游客推荐最优路线。由于景点范围的约束，观赏景点的排队时间以及乘坐观光车的排队等候等细小问题变得很重要，从而推荐评分效益最高的步行可达景区路线。从宏观尺度上对一个城市的多个景点进行序列化路线推荐。从是否存在约束条件角度，又可将旅游路线推荐分为基于用户偏好约束的推荐和无用户偏好约束的推荐。基于用户偏好约束的路线推荐依赖兴趣点的特征以及用户个人的个性化需求，因此约束条件随用户偏好和行为的变化而变化。
旅游路线的生成包括景点搜索和路线优化两个过程。景点的搜索类似0-1背包问题，虽然可以用动态规划、回溯法来克服暴力求解带来的时间复杂度高的现象，但上述方法不适用多元约束的路线推荐问题。一般而言，优化问题求解比较复杂，常常需要在巨大的搜索空间中寻找最优解或者近似最优解。路线的优化类似TSP((Traveling SalesmanProblem))问题，但使用传统的优化算法解决该问题时，遍历整个搜索空间需要花费大量的时间空间，从而无法在多项式时间内较快完成，因此很难用于大规模TSP优化问题的求解。因此，对于提供多元约束的旅游路线个性化推荐问题，如何高效推荐符合用户偏好的单目标最优路线以及多目标Top-K路线是现在研究的重点。
发明内容
本发明提供了一种基于群智感知的多目标多约束路线推荐方法，根据用户提供的多目标约束完成多条路线推荐。
本发明是这样实现的，一种基于群智感知的多目标多约束路线推荐方法，所述方法具体包括如下步骤：
S1、基于变邻域搜索算法获取各单目标下的numR条路径；
S2、采用混合粒子群遗传优化算法对各单目标下的numR条路径进行优化；
S3、通过快速非支配排序算法求出满足用户设定多目标的Pareto最优集，并向用户推荐Top-K条最优旅游路线。
进一步的，单目标下的numR条路径生成方法包括如下步骤：
S11、将景点A集合随机划分为numN邻域，并且每个邻域包含numA景点；
S12、将每个邻域内所有兴趣点的度量值
Figure BDA0002530832960000033
总和设为权重，然后将其归一化，归一化值即权重代表该邻域的随机概率，其中所有邻域的概率和为1；
S13、以轮盘赌的方式选择将要搜索的邻域；
S14、根据符合单目标约束的景点作为候选点，将候选景点从景点A集合中移入候选路径中，迭代firstThreshold次，符合目标约束的景点形成单目标下的一条路径；
S15、执行步骤S11，重复上述操作numR次，从而生成单目标下的numR条路径。
进一步的，单目标下的numR条路径优化方法具体包括如下步骤：
S21、对numR条路径Route中的各景点编码，计算各粒子的适应度，找出粒子的个体极值以及全局极值；
S22、用轮盘赌方法选择两个父代tempRoute和anotherRoute，以设定的概率进行交叉，根据适应度选择子代A；
S23、以设定的概率将选择的子代A与全局极值gBestRoute进行交叉，即变异，根据适应度选择子代B；
S24、判断最终产生的子代B是否满足用户目标，若满足用户的目标，则计算粒子的适应度，并接受新染色体并对其复制；
S25执行步骤S21至步骤S24，迭代secondThreshold次，生成单目标下的numR条优化路线。
进一步的，所述景点ai的度量值
Figure BDA0002530832960000031
的获取方法具体如下：
Figure BDA0002530832960000032
Figure BDA0002530832960000041
Figure BDA0002530832960000042
其中，
Figure BDA0002530832960000043
为景点ai个性化综合评分值，
Figure BDA0002530832960000044
为用户到景点ai的时空可达性值。
Figure BDA0002530832960000045
为景点ai半径r内的餐馆区位评分与宾馆区位评分的综合评分，
Figure BDA0002530832960000046
为用户ud针对景点ai的兴趣匹配分值，
Figure BDA0002530832960000047
为景点ai的群智感知社交评分。
进一步的，景点ai半径r内的餐馆区位评分与宾馆区位评分的综合评分Gi L计算公式具体如下：
Figure BDA0002530832960000048
其中，
Figure BDA0002530832960000049
为景点ai半径r范围内的餐馆个数为，
Figure BDA00025308329600000410
为景点ai半径r范围内的宾馆个数，
Figure BDA00025308329600000411
为餐馆的群智感知社交评分，
Figure BDA00025308329600000412
为宾馆的群智感知社交评分。
进一步的，景点ai的群智感知社交评分
Figure BDA00025308329600000413
表示如下：
Figure BDA00025308329600000414
宾馆的群智感知社交评分GH表示如下：
Figure BDA00025308329600000415
餐馆的群智感知社交评分GR表示如下：
Figure BDA00025308329600000416
其中，
Figure BDA00025308329600000417
为景点ai的评价人数，rij为用户uj对景点ai的评分；
Figure BDA00025308329600000418
为宾馆hi的评价人数，r′ij为用户uj对宾馆hi的评分；
Figure BDA00025308329600000419
为餐馆ri的评价人数，r″ij为用户uj对餐馆ri的评分。
进一步的，旅游路线的多元约束模型具体如下：
Figure BDA0002530832960000051
其中，
Figure BDA0002530832960000052
为用户ud起始位置，
Figure BDA0002530832960000053
为游客出发时刻，T(ai,aj)为景点ai与景点aj之间的路程距离时间，
Figure BDA0002530832960000054
为到达第一个景点的用时，
Figure BDA0002530832960000055
为游客到达景点aj时刻，
Figure BDA0002530832960000056
为用户给定游玩时间上限，
Figure BDA0002530832960000057
为景点aj的开放时间，
Figure BDA0002530832960000058
表示游玩景点aj的结束时间，
Figure BDA0002530832960000059
是景点aj的推荐游玩时间且最小游玩时间要达到推荐时间的一半,
Figure BDA00025308329600000510
为推荐路线中最后一个景点aj到终点
Figure BDA00025308329600000511
的时间，Objd为用户ud给定的多种目标。
本发明针对多POI类型路线推荐研究的不足以及用户偏好约束条件难以量化问题，提出一种多目标多约束模型，优化了现实世界城市道路网中存在的障碍性及时间波动性的特点，从而可以建立精确的路线推荐约束模型；其次，借鉴群智感知的理论，对旅游路线中兴趣点的评分及分布进行量化，通过加权计算出景点的受欢迎程度；最后，提出一种基于群智感知的多目标多约束路线推荐方法。
附图说明
图1为本发明实施例提供的基于群智感知的多目标多约束路线推荐方法流程图；
图2为本发明实施例提供的参数敏感度分析图，其中，图2-1为α对兴趣丰富度的影响图，图2-2为θ对兴趣丰富度的影响图，图2-3为领域数量对兴趣丰富度的影响，图2-4为firstThreshold对兴趣丰富度的影响，图2-5为secondThreshold对兴趣丰富度的影响，图2-6为粒子数兴趣丰富度的对影响；
图3为本发明实施例提供的MOVNS与VNG的指标对比图，其中，(a)为运行时间对比图，(b)为兴趣丰富度对比图，(c)路线分数对比图，(d)为景点数量对比图；
图4为本发明实施例提供的Pareto最优解TOP-10与VNG对比图，其中(a)为路线分数图，(b)为景点数量图；
图5为本发明实施例提供的ATP路线与Pareto最优路线对比图，其中(a)为ATP路线，(b)为Pareto最优路线。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
相关名称的定义：
用户兴趣标签集：不同的用户有不同的兴趣偏好，比如用户u1喜欢标签为园林，历史建筑，古迹的景点，而u2喜爱标签为特色街区，纪念馆，城市公园的景点。定义用户ud的兴趣标签集为
Figure BDA0002530832960000061
景点标签集:与用户兴趣标签集类似，景点标签集为
Figure BDA0002530832960000062
景点标签与用户兴趣标签有一定关联性，
Figure BDA0002530832960000063
Figure BDA0002530832960000064
或者
Figure BDA0002530832960000065
特殊情况下，
Figure BDA0002530832960000067
或者
Figure BDA0002530832960000068
目标集:用户ud提供的目标集为
Figure BDA0002530832960000066
cardObjd为目标集Objd中的元素数量，cardObjd由用户和路线属性共同决定，并且满足cardObjd≥1。目标可以是路线费用，路线时间，路线分数等等。
路线集:Route＝{route1,route2,route3,…,routey}为路线推荐算法生成的路线集，在发明，推荐的路线以TOP-K的形式展示在用户面前，CardRoute为路线集Route中的元素数量，CardRoute可以由用户决定。此外，每条路线包含的属性Ary在种类数量方面相同，如路线分数，路线时间，路线费用，路线景点数量等，且满足
Figure BDA0002530832960000071
路线网络:用户ud的起始点与景点构成G<v,w>无向图，其中v为无向图的结点即景点，w为景点互相连接的边。每个结点包含多种属性，如ID，经纬度，评分等。虽然欧氏距离能简化问题，但是精确度低，因此，本发明通过构建网络数据集，利用ArcMap生成OD矩阵，得到无向图中所有拥有真实路网距离的边w。因此本文的问题就可以抽象成在G<v,w>中找出K条满足用户多元约束的最优旅游路线推荐给用户。
本发明提出一种基于群智感知和ArcGIS建模的旅游路线个性化推荐机制，首先通过ArcMap对指定区域的道路网进行建模；然后，提出一种新的兴趣标签匹配方法以及基于群智感知的效用函数评分标准，并且建立用户个性化多元约束兴趣模型；之后，提出了推荐TOP-K条路线的多目标变邻域搜索优化算法.
1.评分机制
为量化不同景点对于不同游客的吸引程度，本发明引入兴趣标签匹配评分和群智感知综合评分，从而作为推荐算法生成路线的输入依据。
2.兴趣标签评分
以景点为例，假设用户ud设置自己的兴趣偏好为p个标签，如古迹，历史建筑，博物馆，寺庙等，目标景点总数为m，从而建立m*n布尔矩阵
Figure BDA0002530832960000072
由于每个景点都有其独特的标签，按照用户列出的兴趣标签类型的先后顺序，与景点ai拥有的标签集进行匹配，若景点ai中的某一标签
Figure BDA0002530832960000081
在用户ud的标签LUd中，则该位置矩阵元素值为1，否则为0。匹配完毕后，计算矩阵元素为1的总数与用户ud兴趣标签集元素数的比值，从而得到用户ud针对景点ai的兴趣匹配分值
Figure BDA0002530832960000082
3.群智感知评分：
1)群智感知社交评分
一般来说，网友的评价一定程度上反映了景点的名气与特色。将景点ai的评价人数记为
Figure BDA0002530832960000083
用户uj对景点ai的评分为rij，该评分由数值评分和文本评分综合得到，则景点ai的群智感知社交评分
Figure BDA0002530832960000084
表示如下：
Figure BDA0002530832960000085
网友的评价一定程度上反映了宾馆的名气与特色。将宾馆hi的评价人数记为
Figure BDA0002530832960000086
用户uj对宾馆hi的评分为r′ij，宾馆的群智感知社交评分GH表示如下：
Figure BDA0002530832960000087
网友的评价一定程度上反映了餐馆的名气与特色。将餐馆ri的评价人数记为
Figure BDA00025308329600000811
用户uj对餐馆ri的评分为r″ij，餐馆的群智感知社交评分GR表示如下：
Figure BDA0002530832960000088
本发明应用同样的量化方法，得到宾馆和餐饮的群智感知社交评分
Figure BDA0002530832960000089
和
Figure BDA00025308329600000810
同时为使评分标准化，对其进行min-max标准化处理。
2)群智感知区位评分
由于景点的分布与餐馆、宾馆的区位分布存在密切的联系。景点旁边往往分布着众多的餐馆与宾馆，而餐馆和宾馆数越多，说明这一景点的游客越多，越受欢迎。基于此种推理，以景点为中心在给定半径范围内的餐馆和宾馆分布个数作为景点区位评分。
假设景点ai半径r范围内的餐馆个数为
Figure BDA0002530832960000091
宾馆个数为
Figure BDA0002530832960000092
则景点ai半径r内餐宾馆区位评分
Figure BDA0002530832960000093
为：
Figure BDA0002530832960000094
本发明采用餐馆和宾馆的区位评分加权计算景点ai半径r内餐宾馆区位评分
Figure BDA0002530832960000095
由于景点分布相对稀疏，仅采用餐馆和宾馆的区位分布能得到更好的推荐效果，且可以提高计算效率。
3)评分融合
由于兴趣标签匹配评分包含用户个人偏好信息，群智感知综合评分是由广大用户评价和POI地理位置分析得到，将上述两者评分融合，得到景点ai基于群智感知的用户个性化综合评分值
Figure BDA0002530832960000096
记为：
Figure BDA0002530832960000097
其中，α为平衡因子，用于调节兴趣标签匹配评分与群智感知综合评分的重要程度。
4)动态评分机制
为了引入动态时空对游客的可达性影响，定义用户与景点间的时空可达性值：
Figure BDA0002530832960000098
其中，λ为距离衰减系数，Di为起点或其他景点到达景点ai的实际路网距离，Vk代表汽车行驶速度(由道路等级决定)，μ为权重。
根据景点ai个性化综合评分值
Figure BDA0002530832960000101
及用户到该景点的时空可达性值，得到变近邻贪心旅游路线推荐算法中用户选择景点ai的度量值
Figure BDA0002530832960000102
即：
Figure BDA0002530832960000103
用户约束
在旅游路线推荐中，用户往往会给出一些明确的要求，该要求包括路线行程时间上限，花费上限等等。这些要求体现了用户的个性化需求，基于此，本发明了一种多约束模型，包括时间约束、费用约束及路线属性约束三部分组成。
1)时间约束
设
Figure BDA0002530832960000104
为用户ud起始位置，游客出发时刻为
Figure BDA0002530832960000105
景点ai与景点aj之间的路程距离时间记为T(ai,aj)，到达第一个景点a1的用时记为
Figure BDA0002530832960000106
则景点aj满足条件加入旅游路线后，游客到达景点aj时刻记为
Figure BDA0002530832960000107
用户给定游玩时间上限
Figure BDA0002530832960000108
则时间约束模型为：
Figure BDA0002530832960000109
其中,景点aj的开放时间记为
Figure BDA00025308329600001010
Figure BDA00025308329600001011
表示游玩景点aj的结束时间，
Figure BDA00025308329600001012
是景点aj的推荐游玩时间且最小游玩时间要达到推荐时间的一半,
Figure BDA00025308329600001013
为推荐路线中最后一个景点aj到终点
Figure BDA00025308329600001014
的时间。
2)费用约束
游客推荐路线中的POI消费总和应该小于等于用户给定的费用上额，记为：
Figure BDA00025308329600001015
Cj表示景点j的游玩费用，
Figure BDA00025308329600001016
表示用户ud设定的花费总额，即上限；
3)多目标约束
考虑用户的目标偏好，Objd为用户ud给定的多种目标，
Figure BDA0002530832960000111
这里V(·)为在指定目标下的路线属性值，routev表示第v条线路，
Figure BDA0002530832960000112
表示第用户ud的第w个目标，目标可以是路线费用，路线时间，路线分数等；
目标约束与上文的时间约束和费用约束不是同一个概念，约束是保证满足用户需求的条件，而目标是用户期望的收益。目标指用户期望值收益最大，往往多个目标间是有冲突的。如花费最少和游玩景点数量最多之间就是有冲突的，所以要调和目标间的冲突，使得整体收益最大。
4)多元约束模型
通过以上三种约束，得到整体旅游路线多元约束模型：
Figure BDA0002530832960000113
4多目标约束路线推荐算法
变近邻贪心旅游路线推荐算法只能推荐一条符合用户偏好的近似最优旅游路线，并无法根据用户提供的多目标约束完成多条路线推荐的问题。针对上述问题，本发明提出多目标变邻域搜索优化算法(multi-objective variable neighborhood searchoptimization algorithm,MOVNS)实现Top-K条路线推荐。该算法包括三个组成部分：变邻域搜索算法(variable neighborhood search algorithm,VNS)、混合粒子群遗传优化算法(hybrid particle swarm genetic optimization algorithm,HPSG)和快速非支配排序算法(fast non-dominated sorting,FNS)。首先应用变邻域搜索优化算法生成满足用户单目标多约束的基础路线作为初始种群，详见算法1；在此基础上，使用混合粒子群遗传优化算法对基础路线进行优化。之后使用快速非支配排序算法求得Pareto最优解，生成多目标推荐路线。详见算法2。
图1为本发明实施例提供的基于群智感知的多目标多约束路线推荐方法流程图，该方法具体包括如下步骤：
S1、基于变邻域搜索算法获取各单目标下的numR条路径；
S2、采用混合粒子群遗传优化算法对各单目标下的numR条路径进行优化；
S3、通过快速非支配排序算法求出满足用户设定多目标的Pareto最优集，并向用户推荐Top-K条最优旅游路线。
变邻域搜索算法
指定目标下的numR条路径获取方法见步骤S11至步骤S15，目标为：时间约束、费用约束或路线属性约束，
S11、将景点A集合随机划分为numN邻域，并且每个邻域包含numA景点；
S12、计算每个邻域内所有兴趣点的度量值
Figure BDA0002530832960000121
将每个邻域内所有兴趣点的度量值
Figure BDA0002530832960000122
总和设为权重，然后将其归一化，归一化值即权重代表该邻域的随机概率，其中所有邻域的概率和为1；
S13、以轮盘赌的方式(Proportionate Roulette Wheel Selection)选择将要搜索的邻域；
S14、根据设定的目标，选择满足约束条件的景点作为候选点，将候选景点从景点A集合中移入候选路径中，迭代firstThreshold次，即在该邻域内继续搜索符合目标的景点，符合目标的景点形成该特定目标下的一条路径；
若目标为路线时间，则步骤S4中将程时间T(ai,apreLoc)最短的景点作为候选点，若目标为路线分数，则步骤S4中景点评分
Figure BDA0002530832960000123
分值最大的景点作为候选景点，若目标为路线费用，则将费用最低的景点作为候选景点；
S15、将景点A集合随机划分为numN邻域，执行步骤S11，更新的每个域内兴趣点的度量值
Figure BDA0002530832960000131
从而调整邻域的权重和被选择的概率，重复上述操作numR次，从而生成指定目标下的numR条路径，具体算法见算法3所示。
该算法中相关函数功能介绍：
DivideRandomly(A,numN)：随机将景点A集合随机划分为numN个邻域ngb；
StartProbability(A,ngb,res)：以起点为参照，求得每个邻域的归一化后的概率；
Roulette(ngb)：使用轮盘赌算法选择邻域；
SPO(A,res,ngb,selectNgb,obj)：根据选择的目标obj获取集合A中到景点apreLoc评分
Figure BDA0002530832960000132
分值最大或路程时间T(ai,apreLoc)最短的景点ai下标；
postLoc←PO(A,res,ngb,preLoc)：动态更新分数，重新求得每个邻域的概率，并通过轮盘赌算法重新选择邻域，根据选择的目标obj获取集合A中到景点apreLoc评分
Figure BDA0002530832960000133
分值最大、路程时间T(ai,apreLoc)最短、景点费用最低(从而向路线加入更多的景点)并且符合用户约束的景点ai下标；
Figure BDA0002530832960000134
Figure BDA0002530832960000141
4.2混合粒子群遗传优化算法
常规遗传算法无法直接用来解决本发明提出的多目标多约束Top-K个性化旅游路线推荐问题。本发明提出的混合粒子群遗传优化算法采用采用次序交叉算子，将随机选取的染色体与全局极值进行交叉，从而实现变异的功能，同时利用赌盘选择机制(Proportionate Roulette Wheel Selection)选择交叉算子实现算法优化。其次根据用户给定的多元约束，利用上述算法可以生成多条路径并且利用快速非支配排序算法求出Pareto最优解，实现Top-K条路线推荐。算法具体如下：
通过变邻域搜索算法生成numR条路径Route，之后使用混合粒子群遗传优化算法对numR条路径Route进行优化，优化过程具体如下：
S21、对粒子即numR条路径Route中的各景点编码，基于粒子群算法的思想，计算各粒子的适应度，找出粒子的个体极值以及全局极值；
S22、用轮盘赌方法选择两个父代tempRoute和anotherRoute，以一定的概率，如0.9的概率进行交叉，根据适应度(即目标函数值，假定将费用作为目标，适应度即为路线费用，在满足多元约束模型下，选择满足设定目标极值的路线)选择子代A；
S23、然后以某一概率，如0.001的概率将选择的子代A与全局极值gBestRoute进行交叉，即变异，同样根据适应度选择子代B；
S24、判断最终产生的子代B是否满足用户目标，若不满足用户的目标，则抛弃产生的子代B，若满足用户的目标，则计算粒子的适应度，并接受新染色体并对其复制；
S25、迭代secondThreshold次，即重复执行步骤S21至步骤S24，生成特定目标下(单目标)的numR条路线。
将该算法用于路线优化时，输入参数Route变为numO条随机生成的某一路径的初始种群，适应度变为fitness，同时迭代次数也变为thirdThreshold。具体算法见算法4所示。最后，针对每个目标使用混合粒子群遗传优化算法求得的路线进行合并，并使用快速非支配排序算法，求出满足用户多目标的Pareto最优集，向用户推荐Top-K条最优旅游路线。
该算法中相关函数功能介绍：
InitPBestRoute(Route′,obj)：初始化个体极值，粒子每次更新都保持最大的度量值
Figure BDA0002530832960000151
FindPBestLoc(pBestRoute,obj)：寻找全局极值下标，每次更新中所有粒子度量值
Figure BDA0002530832960000152
的最大值；
Roulette(pBestRoute)：轮盘赌选择进行交叉的两个父代；
Crossover(tempRoute,anotherRoute)：选择的两个父代染色体交叉；
Mutation(tempRoute,gBestRoute)：染色体交叉生成的并且被选择的染色体或者未经交叉的父代染色体tempRoute与全局极值gBestRoute交叉，作为变异；
CalFitness(A,res,tempRoute,obj)：计算粒子适应度，根据obj选择适应度；
Update(Route,tempRoute,pBestRoute,fitness,curPar,obj)：对粒子进行更新：若适应度高，则接受，否则舍弃；
ComBestRoute(gBestRoute,tempRoute)：比较新生成的路径与全局极值；
Figure BDA0002530832960000153
Figure BDA0002530832960000161
基于群智感知的旅游路线个性化推荐算法利用群智感知思想得出景点的群智感知社交和区位评分，同时计算用户输入的兴趣标签与兴趣点标签的匹配相似度，并将用户的个人时空可达性值融入到上述评分中，基于多元约束模型，设计了包含变邻域搜索算法和混合粒子群遗传优化算法的多目标多约束的旅游路线推荐方法，实现向用户推荐满足用户个性化需求的最优化旅游路线。实验表明本文提出的算法有效且高效，能够满足用户多目标多约束的偏好，同时给出Pareto最优解以满足用户的折中需求。
仿真实验具体如下:
实验数据集:本实验的研究据集源自国内大型门户网站——携程网和大众点评，通过爬虫软件抓取得到，数据真实性高。景点数据来源于携程网，提供了景点名称、评分、开放时间、类型、等级和推荐游玩时间等，本文总共收集2017年8月之前北京市6114个景点、8171个餐馆、2528个宾馆的真实数据信息。通过筛选，采用200个景点的数据作为测试数据集。
实验设置:本文设置群智感知半径r＝2KM，群智感知用户个性化综合评分中的平衡参数α和θ的默认值设置为0.5。
在多目标多约束推荐算法中，numN默认值为4，numR默认值为100，firstThreshold默认值为15，secondThreshold默认值为2000。
本文采用兴趣丰富度Φ作为推荐路线的评价指标，具体定义如下：
Figure BDA0002530832960000171
其中T表示路线总时间，M表示路线包含的景点个数，Mbest推荐路线中最佳景点数量，路线包含的兴趣点个数I及其种类个数K，S是推荐路线中所有景点的标签占用户提供的兴趣标签的比例。
对比实验
参数敏感度分析:本文针对多目标约束路线推荐算法中涉及的群智感知评分与兴趣标签评分之间的平衡系数α、时空可达性值与景点个性化综合评分之间的平衡系数θ、邻域数量numN、变邻域搜索算法的迭代次数firstThreshold、混合粒子群遗传优化算法的迭代次数secondThreshold，分别分析其取值对MOVNS的性能影响。
由图2-1可知，当α在0.1-0.4之间时，兴趣丰富度达到了较优值，在0.5处达到最大。说明兴趣标签评分与群智感知评分的平衡系数在0.5左右达到最优。此结果也表明群智感知的思想能够有效地提高旅游路线的推荐效果。
由图2-2可知，当θ在0-0.4之间，推荐的兴趣丰富度呈上升趋势，并在0.4处达到最大。当θ的取值大于等于0.5时，兴趣丰富度稳定不变。实验结果表明时空可达性值GD与群智感知个性化综合评分的平衡系取值范围在[0.4,1]之间能够保持一个较优的性能。
由图2-3可知，当邻域数量为2、4、5时，兴趣丰富度较高，随着邻域数量的增加，兴趣丰富度随之出现波动下降，因此本文设置邻域数量为4。
由图2-4可知，当firstThreshold增加到10后，兴趣丰富度达到最优并开始收敛。
根据图2-5可知，迭代次数小于600时，兴趣丰富度呈上升趋势，但是极差较大，非常不稳定，而兴趣丰富度随着迭代次数的增加到2000次后，虽然个别波动幅度较大，但比之前平稳许多。
由图2-6可知，当粒子数大于60以后兴趣丰富度呈波动收敛，并达到最优状态。
性能对比实验：本节采用我们提出的MOVNS算法和ATP[W.Luan,G.Liu,C.Jiangand M.Zhou,"MPTR:A Maximal-Marginal-Relevance-Based Personalized TripRecommendation Method,"in IEEE Transactions on Intelligent TransportationSystems,vol.19,no.11,pp.3461-3474,Nov.2018.]运行十次进行对比，对比两种算法的运行时间，并将MOVNS每次产生的最高路线分数、最高兴趣丰富度、最大景点数量与ATP进行对比。
由图3(a)可知，MOVNS的运行时间在1秒左右，远远小于ATP的运行时间。图3(b)显示的兴趣丰富度是对最高路线分数路线优化后产生的，并且在区间[0.15,0.2]之间，高于ATP产生的路线的兴趣丰富度。由图3(c)可知，MOVNS的路线分数在区间[3.6,3.9]之内，相较于ATP，MOVNS算法产生的路径分数更高。在景点数量方面，ATP产生的路径最多包含6个景点，无法满足用户在限定时间内游览多景点的需求，见图3(d)。
多目标设定对比:对算法进行用户费用、游玩时间、路线分数、景点数量四个目标进行设定，因此将MOVNS和ATP产生的TOP-K Pareto最优解的路线分数、景点数量进行对比，这里取K＝10。由于Pareto最优解是多目标之间的平衡，因此其包含的路线的分数较高，同时景点数量也高。
由图4(a)、(b)可知，大部分TOP-10Pareto最优解的路线分数大于ATP，而景点数量均高于ATP。因此，与ATP产生的解相比，MOVNS最终产生的Pareto最优解性能更好。
路线模拟:利用本文提出MOVNS算法生成符合用户偏好的路线，使用ArcGIS模拟ATP产生的路线质量最高路线和MOVNS产生的Pareto最优路线，如题如图所示，有图5(a)、图5(b)可知在设定多元目标时，本文提出的算法具有更好的路线规划和景点推荐质量。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种基于群智感知的多目标多约束路线推荐方法，其特征在于，所述方法具体包括如下步骤：
S1、基于变邻域搜索算法获取各单目标下的numR条路径；
S2、采用混合粒子群遗传优化算法对各单目标下的numR条路径进行优化；
S3、通过快速非支配排序算法求出满足用户设定多目标的Pareto最优集，并向用户推荐Top-K条最优旅游路线。
2.如权利要求1所述基于群智感知的多目标多约束路线推荐方法，其特征在于，单目标下的numR条路径生成方法包括如下步骤：
S11、将景点A集合随机划分为numN邻域，并且每个邻域包含numA景点；
S12、将每个邻域内所有兴趣点的度量值
Figure FDA0002530832950000011
总和设为权重，然后将其归一化，归一化值即权重代表该邻域的随机概率，其中所有邻域的概率和为1；
S13、以轮盘赌的方式选择将要搜索的邻域；
S14、根据符合单目标约束的景点作为候选点，将候选景点从景点A集合中移入候选路径中，迭代firstThreshold次，符合目标约束的景点形成单目标下的一条路径；
S15、执行步骤S11，重复上述操作numR次，从而生成单目标下的numR条路径。
3.如权利要求1所述基于群智感知的多目标多约束路线推荐方法，其特征在于，单目标下的numR条路径优化方法具体包括如下步骤：
S21、对numR条路径Route中的各景点编码，计算各粒子的适应度，找出粒子的个体极值以及全局极值；
S22、用轮盘赌方法选择两个父代tempRoute和anotherRoute，以设定的概率进行交叉，根据适应度选择子代A；
S23、以设定的概率将选择的子代A与全局极值gBestRoute进行交叉，即变异，根据适应度选择子代B；
S24、判断最终产生的子代B是否满足用户目标，若满足用户的目标，则计算粒子的适应度，并接受新染色体并对其复制；
S25执行步骤S21至步骤S24，迭代secondThreshold次，生成单目标下的numR条优化路线。
4.如权利要求2所述基于群智感知的多目标多约束路线推荐方法，其特征在于，所述景点ai的度量值
Figure FDA0002530832950000021
的获取方法具体如下：
Figure FDA0002530832950000022
Figure FDA0002530832950000023
Figure FDA0002530832950000024
其中，
Figure FDA0002530832950000025
为景点ai个性化综合评分值，
Figure FDA0002530832950000026
为用户到景点ai的时空可达性值。
Figure FDA0002530832950000027
为景点ai半径r内的餐馆区位评分与宾馆区位评分的综合评分，
Figure FDA0002530832950000028
为用户ud针对景点ai的兴趣匹配分值，
Figure FDA0002530832950000029
为景点ai的群智感知社交评分。
5.如权利要求2所述基于群智感知的多目标多约束路线推荐方法，其特征在于，景点ai半径r内的餐馆区位评分与宾馆区位评分的综合评分
Figure FDA00025308329500000210
计算公式具体如下：
Figure FDA00025308329500000211
其中，
Figure FDA00025308329500000212
为景点ai半径r范围内的餐馆个数为，
Figure FDA00025308329500000213
为景点ai半径r范围内的宾馆个数，
Figure FDA00025308329500000214
为餐馆的群智感知社交评分，
Figure FDA00025308329500000215
为宾馆的群智感知社交评分。
6.如权利要求5所述基于群智感知的多目标多约束路线推荐方法，其特征在于，景点ai的群智感知社交评分
Figure FDA0002530832950000031
表示如下：
Figure FDA0002530832950000032
宾馆的群智感知社交评分GH表示如下：
Figure FDA0002530832950000033
餐馆的群智感知社交评分GR表示如下：
Figure FDA0002530832950000034
其中，
Figure FDA0002530832950000035
为景点ai的评价人数，rij为用户uj对景点ai的评分；
Figure FDA0002530832950000036
为宾馆hi的评价人数，r′ij为用户uj对宾馆hi的评分；
Figure FDA0002530832950000037
为餐馆ri的评价人数，r″ij为用户uj对餐馆ri的评分。
7.如权利要求1所述基于群智感知的多目标多约束路线推荐方法，其特征在于，旅游路线的多元约束模型具体如下：
Figure FDA0002530832950000038
其中，
Figure FDA0002530832950000039
为用户ud起始位置，
Figure FDA00025308329500000310
为游客出发时刻，T(ai,aj)为景点ai与景点aj之间的路程距离时间，
Figure FDA00025308329500000311
为到达第一个景点的用时，
Figure FDA00025308329500000312
为游客到达景点aj时刻，
Figure FDA00025308329500000313
为用户给定游玩时间上限，
Figure FDA00025308329500000314
为景点aj的开放时间，
Figure FDA00025308329500000315
表示游玩景点aj的结束时间，
Figure FDA00025308329500000316
是景点aj的推荐游玩时间且最小游玩时间要达到推荐时间的一半,
Figure FDA00025308329500000317
为推荐路线中最后一个景点aj到终点
Figure FDA00025308329500000318
的时间，Objd为用户ud给定的多种目标。
CN202010517955.XA 2020-06-09 2020-06-09 基于群智感知的多目标多约束路线推荐方法 Active CN111797331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010517955.XA CN111797331B (zh) 2020-06-09 2020-06-09 基于群智感知的多目标多约束路线推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010517955.XA CN111797331B (zh) 2020-06-09 2020-06-09 基于群智感知的多目标多约束路线推荐方法

Publications (2)

Publication Number Publication Date
CN111797331A true CN111797331A (zh) 2020-10-20
CN111797331B CN111797331B (zh) 2023-08-04

Family

ID=72804014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010517955.XA Active CN111797331B (zh) 2020-06-09 2020-06-09 基于群智感知的多目标多约束路线推荐方法

Country Status (1)

Country Link
CN (1) CN111797331B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217685A1 (zh) * 2021-04-13 2022-10-20 海南云端信息技术有限公司 一种旅游景区智能路径规划方法及系统
CN115358781A (zh) * 2022-08-22 2022-11-18 陕西师范大学 基于有限理性决策模型的群智感知噪声监测任务推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158417A (zh) * 2011-05-19 2011-08-17 北京邮电大学 实现多约束QoS路由选择的优化方法及装置
CN108304266A (zh) * 2018-01-30 2018-07-20 华南理工大学 一种移动多目标群智感知任务分配方法
CN108681586A (zh) * 2018-05-14 2018-10-19 安徽师范大学 基于群智感知的旅游路线个性化推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102158417A (zh) * 2011-05-19 2011-08-17 北京邮电大学 实现多约束QoS路由选择的优化方法及装置
CN108304266A (zh) * 2018-01-30 2018-07-20 华南理工大学 一种移动多目标群智感知任务分配方法
CN108681586A (zh) * 2018-05-14 2018-10-19 安徽师范大学 基于群智感知的旅游路线个性化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆国锋;黄晓燕;吕绍和;王晓东;: "基于互联网信息的多约束多目标旅游路线推荐", 计算机工程与科学, no. 01 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217685A1 (zh) * 2021-04-13 2022-10-20 海南云端信息技术有限公司 一种旅游景区智能路径规划方法及系统
CN115358781A (zh) * 2022-08-22 2022-11-18 陕西师范大学 基于有限理性决策模型的群智感知噪声监测任务推荐方法
CN115358781B (zh) * 2022-08-22 2023-04-07 陕西师范大学 基于有限理性决策模型的群智感知噪声监测任务推荐方法

Also Published As

Publication number Publication date
CN111797331B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN109977283B (zh) 一种基于知识图谱和用户足迹的旅游推荐方法和系统
Zheng et al. Using a heuristic approach to design personalized tour routes for heterogeneous tourist groups
Liu et al. A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication
Yu et al. Personalized travel package with multi-point-of-interest recommendation based on crowdsourced user footprints
CN108681586B (zh) 基于群智感知的旅游路线个性化推荐方法
JP7264357B2 (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
Ruiz-Meza et al. A systematic literature review for the tourist trip design problem: Extensions, solution techniques and future research lines
JP2014517330A (ja) カスタム移動ルートシステム
Bin et al. A travel route recommendation system based on smart phones and IoT environment
Dezfouli et al. A novel tour planning model using big data
CN111797331B (zh) 基于群智感知的多目标多约束路线推荐方法
Zhang et al. A tourism route-planning approach based on comprehensive attractiveness
Luo et al. Dynamic taxi service planning by minimizing cruising distance without passengers
Sarkar et al. gTour: Multiple itinerary recommendation engine for group of tourists
Zhou et al. Smart tour route planning algorithm based on clustering center motive iteration search
Ding et al. Route planning in a new tourist recommender system: A fireworks algorithm based approach
Lu et al. Particle swarm algorithm and its application in tourism route design and optimization
López-Matencio et al. ANT: Agent Stigmergy‐Based IoT‐Network for Enhanced Tourist Mobility
Ge et al. Data-driven serendipity navigation in urban places
Tulashvili et al. The optimal tour problem in smart tourism recommender systems
Smirnov et al. Using a Genetic Algorithm for Planning Interesting Tourist Routes in the City on the Basis of Open Street Map Data
Wang Travelling route recommendation method based on graph neural network for improving travel experience
Zheng et al. Two-stage greedy algorithm based on crowd sensing for tour route recommendation
Chen et al. [Retracted] Path Optimization Model of Rural Red Tourist Attractions Based on Ant Colony Algorithm
Zhang et al. A survey of route recommendations: Methods, applications, and opportunities

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