CN112381298B - 空港旅客智能导航导乘自助服务系统 - Google Patents
空港旅客智能导航导乘自助服务系统 Download PDFInfo
- Publication number
- CN112381298B CN112381298B CN202011279821.5A CN202011279821A CN112381298B CN 112381298 B CN112381298 B CN 112381298B CN 202011279821 A CN202011279821 A CN 202011279821A CN 112381298 B CN112381298 B CN 112381298B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- passenger
- navigation
- intelligent
- 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
- 238000007418 data mining Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing 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
- G06Q50/12—Hotels or restaurants
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种空港旅客智能导航导乘自助服务系统。包括多通道协同多终端复用的服务模块,实现旅客服务方式的全覆盖,旅客特征识别的智慧联想服务模块,实现旅客特征数据的数据挖掘,根据旅客特征信息对旅客进行智能化的最优服务推荐;商业行为关联预测的室内路径构建模块,将机场航站楼内商业信息与室内路径规划相结合,在室内构建出满足用户商业需求与导航需求结合的最优智能路线;弱场环境断点续接的虚实导航导乘模块,完成导航模式的自动切换,实现弱场环境下的导航导乘功能。本发明能够规划室内商业需求最优路径,提供虚实结合的室内断点续接导航设计,为机场旅客室内导航导乘自助换乘智慧系统提供个性化服务流程。
Description
技术领域
本发明涉及室内导航服务技术领域,尤其涉及一种空港旅客智能导航导乘自助服务系统。
背景技术
目前,机场不再仅仅局限于乘机作用,而是逐渐发展为集餐饮、购物、娱乐等为一体的综合性服务枢纽。但随着机场环境的不断复杂,相应的问题也不断暴露。如安检时间长易拥堵、目的地寻找困难、航班信息获取难度大等。许多公司基于此提出了智慧机场的综合服务方案,为乘客提供便捷的机场服务,为管理方提供高效科学的管理工具。但目前,近些年国内外机场服务逐渐走向智能化阶段,但仅仅是单项的人工智能技术应用,例如人脸识别自助安检,登机或机器人智能咨询等,并没有一种实现旅客服务方式的全覆盖的多通道协同多终端复用的服务模块,技术整合性不强,综合服务较弱,应用尚不成熟。
根据上述研究中可发现,目前,还没有一种结合旅客自身特征、机场商业信息以及定位强弱场分布的多通道多终端多模式导航导乘自助换乘服务方法。
发明内容
本发明的实施例提供了一种空港旅客智能导航导乘自助服务系统,以实现为机场旅客室内导航导乘自助换乘智慧系统提供个性化服务流程。
为了实现上述目的,本发明采取了如下技术方案。
一种空港旅客智能导航导乘自助服务系统,包括:多通道协同多终端复用的服务模块、旅客特征识别的智慧联想服务模块模块、商业行为关联预测的室内路径构建模块和虚拟导航增强的弱场环境断点续接模块;
所述的多通道协同多终端复用的服务模块,用于实现旅客服务方式的全覆盖,支撑旅客智慧服务系统的多模式智能化框架,实现基于空港环境下的支持服务类型、信息采集、服务终端类型的多通道多终端模式;
所述的旅客特征识别的智慧联想服务模块,用于实现旅客特征数据的数据挖掘,实现旅客特征识别的服务联想决策,结合旅客出行需求及实际出行可行性,根据旅客特征信息对旅客进行智能化的最优服务推荐;
所述的商业行为关联预测的室内路径构建模块,用于将机场航站楼内商业信息与室内路径规划相结合,通过提取结合商业信息的路径拓扑来规划路径,在室内构建出满足用户商业需求与导航需求结合的最优智能路线;
所述的弱场环境断点续接的虚实导航导乘模块,用于增强旅客室内连续定位性能,建立虚实导航模型,通过在导航过程中的场景分析进行强弱场环境的判断,完成导航模式的自动切换,实现弱场环境下的导航导乘功能。
优选地,所述的多通道协同多终端复用的服务模块,具体用于基于空港环境下,构建支持服务类型多通道、信息采集模式多通道和服务终端类型形式多通道的系统框架;
所述支持服务类型多通道是指在密集人流环境下支持固定端、移动端和PC端三种服务类型访问;
所述信息采集模式多通道是在自助服务设备场景下,集成多种身份信息匹配为一体的多模式身份验证功能,提供单维身份验证或多维联合身份信息验证,所述多种身份信息包括人脸识别、指纹识别、身份证验证、二维码验证和用户名密码验证;
所述服务终端类型形式多通道是指在多数据库、多数据源下的数据维护和旅客数据匹配,数据库包括身份认证数据、交通信息数据和出行数据,为基于多模式身份认证相关技术提供支撑。
优选地,所述固定端是指为空港场景下定制的自助服务设备,自助服务设备支持人脸识别、二维码、指纹识别和身份证识别多种信息录入方式,用户通过二维码扫描仪、摄像头输入设备匹配用户登陆信息;
在用户信息匹配成功后,依据用户在前端界面的操作,控制器从数据库调取数据,进行旅客特征信息的数据挖掘,实现智能化的旅客线上服务后端运算,运算结果输出给前端,呈现相关功能。
优选地,所述的商业行为关联的室内路径构建模块,用于基于航站楼环境模型构建,采用节点与边的结构建立室内路网拓扑模型;将用户需求与室内地图上的商业信息相关联,在空港航站楼内完全路网数据中呈现商铺关键节点;基于遗传算法构建路径规划模型,在路径约束条件下,依据目标函数对路径节点进行进化筛选,得到多目标路径;依据用户实时商业需求,对用户推荐含相关商铺关键节点的路径,规划用户商业需求与导航需求相结合的最优智能路线。
优选地,所述的弱场环境断点续接的虚实导航导乘,具体用于通过场景分析来进行强弱场环境的判断,采用虚实结合的导航导乘方法,增强旅客室内连续定位性能;在强弱场环境下自动切换导航模式,在非弱场环境下采用iBeacon技术实现导航导乘功能,在弱场环境下切换到虚拟导航场景下;基于多传感器技术实现导航导乘功能,利用虚实结合的匹配关系来实现虚实切换的无缝衔接,实现在强弱场环境下的实时定位导航。
优选地,所述的旅客特征识别的智慧联想服务模块包括:基于预处理数据的旅客特征数据辨识模块、基于KNN算法的旅客个性化服务推送模块;
所述的基于预处理数据的旅客特征数据辨识模块,用于采集用户历史访问行为信息,基于旅客历史出行行为数据进行旅客特征数据的数据挖掘,对挖掘出来的旅客特征数据进行数据清洗和结构化操作,实现旅客特征数据的标准化,使每种旅客特征数据的指标处于同一数量级,即数据的归一化;
所述的基于加权KNN算法的旅客个性化服务推送模块,用于根据旅客特征数据利用KNN算法,得到相似旅客的特征数据集,构建旅客特征数据识别的联想服务模型,利用联想服务模型对旅客进行客个性化服务推送。
优选地,所述的基于加权KNN算法的旅客个性化服务推送模块,具体用于进行距离计算、目标加权和距离值预测;
所述的距离计算是指用欧式距离作为度量样本间的距离,令有序分类变量排序靠前,无序分类变量排序靠后,若在N维旅客特征数据中,有n1个有序特征数据变量,有n2个无序特征数据变量,则旅客特征数据的编号顺序为:则测试集中样本数据与训练集中样本数据之间的欧式距离公式如式(1)所示。
所述的目标加权是指计算完测试集中样本数据和训练集中所有样本数据之间的欧式距离后,找到和测试集数据距离最小的前K个训练集数据,测试集中的待预测目标值Y,将由训练集中这K行数据的目标值Y通过求均值得到,用样本间距离的反函数作为权值,使距离测试集数据越近的前K个训练集数据权值越大,权重计算如式(2)所示。
式中,weight为训练集前K个旅客数据中某一个旅客数据特征的权值。
Dε为常量,以防止算法对噪声敏感;
所述的距离值预测是指对未知样本Pu测试时,在选出与Pu距离最近的前K个训练集数据后,对这K个训练集对应的商业服务方式使用weight加权求和,加权求和结果中的最大值对应的服务方式即为可推荐的商业服务。
由上述本发明的实施例提供的技术方案可以看出,本发明能够依据数据深度挖掘旅客需求,规划室内商业需求最优路径,提供虚实结合的室内断点续接导航设计,实现多模式多样化的资源选择,为机场旅客室内导航导乘自助换乘智慧系统提供个性化服务流程。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种空港旅客智能导航导乘自助换乘服务系统的结构示意图;
图2为本发明实施例提供的多通道协同多终端复用的服务架构流程图;
图3为本发明实施例提供的旅客特征识别的智慧联想服务模块的实现原理示意图;
图4为本发明实施例提供的一种弱场环境断点续接的虚实导航导乘模的实现原理示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种空港旅客智能导航导乘自助换乘服务系统,用于实现智慧机场的综合服务,为乘客提供便捷的机场服务。应用该系统,机场智能终端结合旅客的特征信息,首先对旅客的需求进行辨识,其次根据需求为每位旅客推送相对应的商业行为信息,最后为乘客规划最优路线并进行室内连续导航,确保满足乘客需求为乘客提供便捷的机场服务。
上述空港旅客智能导航导乘自助换乘服务系统的结构示意图如图1所示,包括:多通道协同多终端复用的服务模块、旅客特征识别的智慧联想服务模块模块、商业行为关联预测的室内路径构建模块和虚拟导航增强的弱场环境断点续接模块。
多通道协同多终端复用的服务模块分别与旅客特征识别的智慧联想服务模块模块、商业行为关联预测的室内路径构建模块和虚拟导航增强的弱场环境断点续接模块关联。商业行为关联预测的室内路径构建模块分别与多通道协同多终端复用的服务模块、旅客特征识别的智慧联想服务模块模块和虚拟导航增强的弱场环境断点续接模块关联。
所述的多通道协同多终端复用的服务模块,图2为本发明实施例提供的多通道协同多终端复用的服务架构流程图,包括终端服务流程与线上服务流程。用于实现旅客服务方式的全覆盖,支撑旅客智慧服务系统的多模式智能化框架。基于空港环境下,构建支持服务类型多通道、信息采集模式多通道和服务终端类型形式多通道的系统框架,该系统框架为支撑旅客智慧服务系统的多模式智能化框架。
所述支持服务类型多通道是指在密集人流环境下支持固定端、移动端和PC端三种服务类型访问。固定端是指为空港场景下定制的自助服务设备,自助服务设备支持人脸识别、二维码、指纹识别和身份证识别等多种信息录入方式,用户可通过二维码扫描仪、摄像头等输入设备匹配用户登陆信息。是指用户信息匹配成功后,依据用户在前端界面的操作,控制器会从数据库调取数据,进行旅客特征信息的数据挖掘,实现智能化的旅客线上服务后端运算,运算结果输出给前端,呈现相关功能。
所述信息采集模式多通道是在自助服务设备场景下,集成多种身份信息匹配为一体的多模式身份验证功能,可提供单维身份验证或多维联合身份信息验证。上述多种身份信息包括人脸识别、指纹识别、身份证验证、二维码验证和用户名密码验证。
所述服务终端类型形式多通道是指在多数据库、多数据源下的数据维护和旅客数据匹配。数据库包括身份认证数据、交通信息数据和出行数据等,为基于多模式身份认证相关技术提供支撑。
所述旅客特征识别的智慧联想服务模块,图3为本发明实施例提供的旅客特征识别的智慧联想服务模块的实现原理示意图。用于实现旅客特征数据的数据挖掘,实现旅客特征识别的服务联想决策,实现周边商业服务的智能化推送。结合旅客出行需求及实际出行可行性,根据旅客特征信息对旅客进行智能化的最优服务推荐。包括:基于预处理数据的旅客特征数据辨识模块、基于KNN(k近邻分类,k-nearest neighbor classification)算法的旅客个性化服务推送模块。
所述的基于预处理数据的旅客特征数据辨识模块,用于采集用户历史访问行为信息,如个人信息、出行信息、使用服务信息等,基于旅客历史出行行为数据进行旅客特征数据的数据挖掘,对挖掘出来的旅客特征数据进行数据清洗和结构化等数据预处理操作,实现旅客特征数据的标准化。由于旅客特征数据存在不同的量纲,例如旅客收入和年龄,两者量纲单位不同且数值差距也较大。由于KNN算法是通过特征向量间的距离进行分类判定,特征值差距过大会影响数据分类结果。因此需要对旅客特征数据进行标准化处理,使每种旅客特征数据的指标处于同一数量级,即数据的归一化。
所述的基于加权KNN算法的旅客个性化服务推送模块,用于根据旅客特征数据利用KNN算,得到相似旅客的特征数据集,构建旅客特征数据识别的联想服务模型,利用联想服务模型对旅客进行客个性化服务推送。包括:距离计算、目标加权和距离值预测。
所述的距离计算是指用欧式距离作为度量样本间的距离。欧式距离是指样本点间特征向量的距离,为方便统计,实验时令有序分类变量排序靠前,令无序分类变量排序靠后。若在N维旅客特征数据中,有n1个有序特征数据变量,有n2个无序特征数据变量,则旅客特征数据的编号顺序为:则测试集中样本数据与训练集中样本数据之间的欧式距离公式如式(1)所示。
所述的目标加权是指计算完测试集中样本数据和训练集中所有样本数据之间的欧式距离后,可以找到和测试集数据距离最小的前K个训练集数据,测试集中的待预测目标值Y,将由训练集中这K行数据的目标值Y通过求均值得到。常用样本间距离的反函数作为权值,这样就可以使距离测试集数据越近的前K个训练集数据权值越大。权重计算如式(2)所示。
式中,weight为训练集前K个旅客数据中某一个旅客数据特征的权值。Dε为常量,以防止算法对噪声敏感。
所述的距离值预测是指对未知样本Pu测试时,在选出与Pu距离最近的前K个训练集数据后,对这K个训练集对应的商业服务方式使用weight加权求和,加权求和结果中的最大值对应的服务方式即为可推荐的商业服务。
所述的商业行为关联预测的室内路径构建模块,用于将机场航站楼内商业信息与室内路径规划相结合,通过提取结合商业信息的路径拓扑来规划路径,在室内构建出满足用户商业需求与导航需求结合的最优智能路线。包括基于改进遗传算法路径规划模块和满足商业需求目标的最优智能路线推荐模块。
所述基于改进遗传算法路径规划模块,用于将染色体的第一个基因编码作为路径的起点,在指定种群数下随机初始化种群。然后在航站楼内路网路径约束条件下,依据目标函数对路径节点进行进化筛选,最终得到目标路径。在遗传算法的基础上融合广度优先搜索策略(Breadth first search,简称BFS),有效搜寻OD间满足路网约束条件的最短路径,对遗传算法路径规划的初始化过程进行改进。首先,进行路网初始化。读取航站楼内路网数据WR和Wp,标记∞为不可通行;参数设定,设定遗传算法相关参数,包括种群大小,最大进化代数,变异概率,交叉概率,代沟,起始节点,终止节点;在BFS策略下对种群初始化,读取起点O和终点D,初始化路径R0并将O作为R0第一个节点。接着从1号节点开始,判断第i号节点li与R0是否连通且没有访问过,若是,将li存入缓存路径Rm中,否则不计入Rm。以此循环,遍历路网节点,寻找R0的所有相邻连通节点。遍历完成后,从Rm中随机选择一个节点lj加入路径R0。然后判断lj是否为终点D,若不是,在更新后的R0基础上重复遍历路网节点以寻找R0相邻连通节点。若是,说明已找到OD间路径,输出R0;适应度评价,使用路径适应度函数评价每个个体的可行解;染色体选择,将适应度概率归一化,染色体使用比例选择算子,即选用“轮盘赌选择方法”从适应度评价后保留下的父代群体中选择部分个体遗传至后一代;交叉,随机选择两个染色体作为父本,随机产生两个自然数k1和k2,将父本染色体k1和k2间的基因进行交叉,得到两个子代染色体,并取交叉片段的补集重新随机排列到非交叉片段,即对子染色体进行修补处理;变异,选用两点互易变异策略,随机产生两个自然数k1和k2,交换k1和k2间的节点,形成新路径;程序运行到最大迭代数,迭代终止,从所有迭代中选出最优路径并解码输出适应度值和最优路径。
所述的满足商业需求目标的最优智能路线推荐模块,用于基于上述基于改进遗传算法路径规划模块上述的最优路径,将适应度函数更改成不同的路径目标函数,实现不同目标下的路径最优规划。若将目标值设定为包含商业行为信息的多目标优化函数,则可实现权衡多个目标的路径优化。多目标路径优化函数为:
式中,α1,α2,α3是优化目标的权值,α1,α2,α3∈[0,1]且满足α1+α2+α3=1。
在Wr和Wp路网数据约束下,通过设定不同α1,α2,α3的值,确定路径距离成本,商业行为和时间成本的权重比例,经过遗传进化后保留权衡三个目标的优化路径,形成航站楼内多目标路径优化方法。在空港航站楼内完全路网数据中呈现商铺关键节点,通过有用商铺关键点的路径拓扑和多目标路径优化算法的最优路径融合规划出更满足用户商业需求的最优智能路线。
所述的弱场环境断点续接的虚实导航导乘模块,图4为本发明实施例提供的一种弱场环境断点续接的虚实导航导乘模的实现原理示意图。用于增强旅客室内连续定位性能,建立虚实导航模型,实现在导航过程中的场景分析,通过场景分析来进行强弱场环境的判断,完成导航模式的自动切换,通过这种虚实结合的导航导乘方法,增强旅客室内连续定位性能。首先进行强弱场环境判断,在非弱场环境下采用iBeacon技术来实现导航功能,通过智能移动终端传感器采用蓝牙的信号强度信息进行多模融合定位,有效的解决因卫星信号不能穿透室内建筑物而导致的无法准确定位的问题,实现了室内用户的精准定位。再结合已知蓝牙基站在航站楼内的位置,通过移动端采集蓝牙信标的无线信号强度,将采集到的蓝牙信号强度信息根据蓝牙信号在空间传播特点,建立蓝牙信号强度在航站楼内的传播模型,将蓝牙信号强度信息转化为距离信息后通过三边测距算法计算位置坐标。在基站信号强度较弱的环境下或没有基站信号的场景下,进行虚拟导航,即通过多传感器技术来实现导航功能,其主要是基于目前场景的速度位置信息、旅客的行进速度、时间、步长的历史信息,与iBeacon技术相融合,利用这种虚拟结合的匹配关系实现虚实切换的无缝衔接,从而可以实现在强弱场环境下的实时定位导航。
弱场环境下的定位导航功能,其中包括强弱场环境描述、计算机模拟技术、弱场导航功能实现。在导航过程中在基站信号强度较弱的环境下或没有基站信号的场景下,进行虚拟导航;通过场景分析进行强弱场环境判断,在非弱场环境下采用iBeacon技术来实现导航功能,在弱场环境下则需要自动切换到虚拟导航场景下,其中虚拟导航主要是利用计算机模拟技术,基于目前的场景速度位置信息,在基站信号较弱的情况下模拟出行人的行进速度、时间、步长信息,与iBeacon技术、PDR技术相融合,系统的状态方程为:
观测方程为:
在上式中,wk、vk表示的是相互独立的系统状态噪声和观测噪声,噪声的协方差为Q和R,在上面的状态方程(5)中,xk、yk分别表示的是第k时刻的位置坐标,表示的是预测的航向角,xk-1、yk-1分别表示的是第k-1时刻的融合定位坐标,Sk表示的是第k-1时刻的步长和航向角的预测值,/>表示的是估计得到航线角的增量,在上面的预测方程(6)中,xk、yk分别表示的是第k时刻通过iBeacon得到的位置坐标。
系统的先验估计为:
xk=Φkxk-1 (7)
Pk=ΦkPk-1Φk T+Q (8)
得到的卡尔曼增益为:
Kk=PkHk T(HkPkHk T+R)-1 (9)
更新系统的状态方程和协方差矩阵:
xk=xk+Kk(zk-Hkxk) (10)
Pk=(I-KkHk)Pk (11)
PDR技术可以通过移动端可以采集到比较准确的位移和航向角,可以提供相对的位置,实现优势互补。利用这种虚拟结合的匹配关系实现虚实切换的无缝衔接,从而可以实现在强弱场环境下的实时定位。
综上所述,本发明实施例提供了一种结合旅客自身特征、机场商业信息以及定位强弱场分布的多通道多终端多模式导航导乘自助换乘服务方法。能够依据数据深度挖掘旅客需求,规划室内商业需求最优路径,提供虚实结合的室内断点续接导航设计,实现多模式多样化的资源选择,为机场旅客室内导航导乘自助换乘智慧系统提供个性化服务流程。能够为乘客规划最优路线并进行室内连续导航,确保满足乘客需求为乘客提供便捷的机场服务。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种空港旅客智能导航导乘自助服务系统,其特征在于,包括:多通道协同多终端复用的服务模块、旅客特征识别的智慧联想服务模块、商业行为关联预测的室内路径构建模块和虚拟导航增强的弱场环境断点续接模块;
所述的多通道协同多终端复用的服务模块,用于实现旅客服务方式的全覆盖,支撑旅客智慧服务系统的多模式智能化框架,实现基于空港环境下的支持服务类型、信息采集、服务终端类型的多通道多终端模式;
所述的旅客特征识别的智慧联想服务模块,用于实现旅客特征数据的数据挖掘,实现旅客特征识别的服务联想决策,结合旅客出行需求及实际出行可行性,根据旅客特征信息对旅客进行智能化的最优服务推荐;
所述的商业行为关联预测的室内路径构建模块,用于将机场航站楼内商业信息与室内路径规划相结合,通过提取结合商业信息的路径拓扑来规划路径,在室内构建出满足用户商业需求与导航需求结合的最优智能路线;
所述的虚拟导航增强的弱场环境断点续接模块,用于增强旅客室内连续定位性能,建立虚实导航模型,通过在导航过程中的场景分析进行强弱场环境的判断,完成导航模式的自动切换,实现弱场环境下的导航导乘功能;
所述的多通道协同多终端复用的服务模块,具体用于基于空港环境下,构建支持服务类型多通道、信息采集模式多通道和服务终端类型形式多通道的系统框架;
所述支持服务类型多通道是指在密集人流环境下支持固定端、移动端和PC端三种服务类型访问;
所述信息采集模式多通道是在自助服务设备场景下,集成多种身份信息匹配为一体的多模式身份验证功能,提供单维身份验证或多维联合身份信息验证,所述多种身份信息包括人脸识别、指纹识别、身份证验证、二维码验证和用户名密码验证;
所述服务终端类型形式多通道是指在多数据库、多数据源下的数据维护和旅客数据匹配,数据库包括身份认证数据、交通信息数据和出行数据,为基于多模式身份认证相关技术提供支撑;
所述的旅客特征识别的智慧联想服务模块包括:基于预处理数据的旅客特征数据辨识模块、基于KNN算法的旅客个性化服务推送模块;
所述的基于预处理数据的旅客特征数据辨识模块,用于采集用户历史访问行为信息,基于旅客历史出行行为数据进行旅客特征数据的数据挖掘,对挖掘出来的旅客特征数据进行数据清洗和结构化操作,实现旅客特征数据的标准化,使每种旅客特征数据的指标处于同一数量级,即数据的归一化;
所述的基于KNN算法的旅客个性化服务推送模块,用于根据旅客特征数据利用KNN算法,得到相似旅客的特征数据集,构建旅客特征数据识别的联想服务模型,利用联想服务模型对旅客进行个性化服务推送;
所述的基于KNN算法的旅客个性化服务推送模块,具体用于进行距离计算、目标加权和距离值预测;
所述的距离计算是指用欧式距离作为度量样本间的距离,令有序分类变量排序靠前,无序分类变量排序靠后,若在N维旅客特征数据中,有n1个有序特征数据变量,有n2个无序特征数据变量,则旅客特征数据的编号顺序为:则测试集中样本数据与训练集中样本数据之间的欧式距离公式如式(1)所示;
所述的目标加权是指计算完测试集中样本数据和训练集中所有样本数据之间的欧式距离后,找到和测试集数据距离最小的前K个训练集数据,测试集中的待预测目标值Y,将由训练集中这K行数据的目标值Y通过求均值得到,用样本间距离的反函数作为权值,使距离测试集数据越近的前K个训练集数据权值越大,权重计算如式(2)所示:
式中,weight为训练集前K个旅客数据中某一个旅客数据特征的权值,Dε为常量,以防止算法对噪声敏感;
所述的距离值预测是指对未知样本Pu测试时,在选出与Pu距离最近的前K个训练集数据后,对这K个训练集对应的商业服务方式使用weight加权求和,加权求和结果中的最大值对应的服务方式即为可推荐的商业服务。
2.根据权利要求1所述的系统,其特征在于,所述固定端是指为空港场景下定制的自助服务设备,自助服务设备支持人脸识别、二维码、指纹识别和身份证识别多种信息录入方式,用户通过二维码扫描仪、摄像头输入设备匹配用户登陆信息;
在用户信息匹配成功后,依据用户在前端界面的操作,控制器从数据库调取数据,进行旅客特征信息的数据挖掘,实现智能化的旅客线上服务后端运算,运算结果输出给前端,呈现相关功能。
3.根据权利要求1所述的系统,其特征在于,所述的商业行为关联的室内路径构建模块,用于基于航站楼环境模型构建,采用节点与边的结构建立室内路网拓扑模型;将用户需求与室内地图上的商业信息相关联,在空港航站楼内完全路网数据中呈现商铺关键节点;基于遗传算法构建路径规划模型,在路径约束条件下,依据目标函数对路径节点进行进化筛选,得到多目标路径;依据用户实时商业需求,对用户推荐含相关商铺关键节点的路径,规划用户商业需求与导航需求相结合的最优智能路线。
4.根据权利要求1所述的系统,其特征在于,所述
所述的虚拟导航增强的弱场环境断点续接模块,具体用于通过场景分析来进行强弱场环境的判断,采用虚实结合的导航导乘方法,增强旅客室内连续定位性能;在强弱场环境下自动切换导航模式,在非弱场环境下采用iBeacon技术实现导航导乘功能,在弱场环境下切换到虚拟导航场景下;基于多传感器技术实现导航导乘功能,利用虚实结合的匹配关系来实现虚实切换的无缝衔接,实现在强弱场环境下的实时定位导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279821.5A CN112381298B (zh) | 2020-11-16 | 2020-11-16 | 空港旅客智能导航导乘自助服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279821.5A CN112381298B (zh) | 2020-11-16 | 2020-11-16 | 空港旅客智能导航导乘自助服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381298A CN112381298A (zh) | 2021-02-19 |
CN112381298B true CN112381298B (zh) | 2024-04-12 |
Family
ID=74585507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279821.5A Active CN112381298B (zh) | 2020-11-16 | 2020-11-16 | 空港旅客智能导航导乘自助服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381298B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610566A (zh) * | 2021-07-22 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 一种基于机场客户画像与服务场景的智能推荐方法 |
CN117171578B (zh) * | 2023-11-03 | 2024-02-06 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
CN117453220B (zh) * | 2023-12-26 | 2024-04-09 | 青岛民航凯亚系统集成有限公司 | 基于Unity3D的机场旅客自助服务系统及构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858980A (zh) * | 2010-05-18 | 2010-10-13 | 东南大学 | 一种车载基于gps软件接收机的智能超紧组合导航方法 |
KR20170088458A (ko) * | 2016-01-22 | 2017-08-02 | 주식회사 에스원 | 여행자용 지능형 안전 네비게이션 시스템 및 이를 이용한 지능형 안전 네비 방법 |
CN108810796A (zh) * | 2018-05-02 | 2018-11-13 | 上海工程技术大学 | 一种机场自助服务的方法及装置 |
CN109492795A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于ai的机场登机服务处理方法、装置、设备及介质 |
-
2020
- 2020-11-16 CN CN202011279821.5A patent/CN112381298B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858980A (zh) * | 2010-05-18 | 2010-10-13 | 东南大学 | 一种车载基于gps软件接收机的智能超紧组合导航方法 |
KR20170088458A (ko) * | 2016-01-22 | 2017-08-02 | 주식회사 에스원 | 여행자용 지능형 안전 네비게이션 시스템 및 이를 이용한 지능형 안전 네비 방법 |
CN108810796A (zh) * | 2018-05-02 | 2018-11-13 | 上海工程技术大学 | 一种机场自助服务的方法及装置 |
CN109492795A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于ai的机场登机服务处理方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
周力行.《智慧机场建设,永远在路上》.《空运商务》.2019,第1-7页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112381298A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381298B (zh) | 空港旅客智能导航导乘自助服务系统 | |
Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
CN108053062B (zh) | 一种基于多源数据的定制公交线路生成方法 | |
Straka et al. | Predicting popularity of electric vehicle charging infrastructure in urban context | |
Ghorpade et al. | GWO model for optimal localization of IoT-enabled sensor nodes in smart parking systems | |
CN108256446A (zh) | 用于确定道路中的车道线的方法、装置和设备 | |
CN111868763A (zh) | 优化和预测共享车辆环境中的资源可用性 | |
Montoliu et al. | IndoorLoc platform: A public repository for comparing and evaluating indoor positioning systems | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
KR101510458B1 (ko) | 위치정보 표현방법, 위치정보 처리방법, 위치정보모델 생성방법, 및 위치정보처리장치 | |
CN106951828B (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
CN105635962A (zh) | 自动wlan射电图构建方法和系统 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
KR20180087150A (ko) | 라디오 맵 구축 방법 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN110401977B (zh) | 一种基于Softmax回归多分类识别器的多楼层室内定位方法 | |
Kannan et al. | Predictive indoor navigation using commercial smart-phones | |
CN110472999A (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN110895879A (zh) | 同行车的检测方法及装置、存储介质、电子装置 | |
Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling | |
CN116823535B (zh) | 一种基于多模态大模型的行程规划及智能导览系统 | |
CN110781256A (zh) | 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置 | |
CN116592903B (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
Wietrzykowski et al. | Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints |
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 |