CN112765475B - 一种智慧旅游目标匹配方法 - Google Patents
一种智慧旅游目标匹配方法 Download PDFInfo
- Publication number
- CN112765475B CN112765475B CN202110135169.8A CN202110135169A CN112765475B CN 112765475 B CN112765475 B CN 112765475B CN 202110135169 A CN202110135169 A CN 202110135169A CN 112765475 B CN112765475 B CN 112765475B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- destination
- tourist
- series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007418 data mining Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000009429 distress Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000012925 reference material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 3
- 230000009182 swimming Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的一种智慧旅游目标匹配方法，包括以下步骤：(1)获取数据；(2)数据预处理；(3)构建数据库：包括模式数据库、用户注册数据库、目的地信息数据库；(4)根据给定的目的地范围生成目的地路线数据库，包括目的地信息表和路线类别表，以及根据用户特征生成用户信息表、用户事务表和用户选择趋势表。基于数据挖掘技术的热点旅游目的地匹配系统可以为用户提供个性化、多样化、多目的地的旅游线路参考，设计合理的旅游线路，满足用户的需求。
Description
技术领域
本发明涉及旅游领域，更具体地说，涉及一种智慧旅游目标匹配方法。
背景技术
当前，旅游业蓬勃发展，其在经济增长和促进就业中的作用日益受到国家重视。随着计算机数据挖掘技术的发展，它可以解决旅游业发展中的许多问题。当人们决定旅游时，会面临选择旅游目的地、旅游时间、旅游方式等一系列决策，其中最重要的是选择旅游目的地。目前，一些旅行社在规划旅游线路时主要采用主题旅游线路设计、购物旅游线路设计等。这些旅游线路设计没有充分利用现代信息技术的优势。随着数据库技术的发展，特别是数据挖掘技术在各个行业的广泛应用，挖掘出合适的旅游线路成为可能。运用大数据技术，从旅游者的角度深入分析旅游者对旅游目的地、旅游动机和旅游需求是十分必要的。在旅游业处于买方市场的今天，有许多可供选择的旅游目的地。人们会比较相关旅游目的地，最终选择能够满足自己旅游需求和心理预期的旅游目的地。旅游者对旅游目的地的信息需求越来越高，但当地旅游信息零散，缺乏数据整合和共享，缺乏准确的服务，信息获取渠道分散，难以轻松满足广大自助旅游者的需求。
发明内容
为解决上述技术问题，本发明提出一种智慧旅游目标匹配方法，利用所有候选目的地集生成相应的旅游线路，生成由目的地集形成的所有目的地，并将推荐结果返回给游客。
本发明提出的一种智慧旅游目标匹配方法，包括以下步骤：
(1)获取数据；
(2)数据预处理；由于数据格式的多样性，提取相关数据，并将初始数据转换为推荐系统中数据挖掘算法能够识别的格式；
(3)构建数据库：包括模式数据库、用户注册数据库、目的地信息数据库；
(4)根据给定的目的地范围生成目的地路线数据库，包括目的地信息表和路线类别表，以及根据用户特征生成用户信息表、用户事务表和用户选择趋势表；具体的，步骤4)包括：
由于旅游产品种类繁多、结构复杂、形式多样，信息和数据往往会发生动态变化，利用地理主题模型分析用户对旅游目的地的偏好，并根据旅游目的地的特点推荐旅游目的地，建立旅游者模型和旅游产品信息模型；根据该模型，得到用户对不同目的地特征的偏好，并预测用户对其他目的地的偏好。使用数值来表示用户对目的地的偏好。对于每个用户P，其对每个目的地的满意度计算公式为：
P＝P(Y＝1)＝F(βiXi)
推荐算法基于人口统计的推荐算法，根据年龄和性别等最基本的信息对用户进行分类；定义k为单元的灵敏度，i为隐含层的网络输出，即非线性变换前的网络输出；获取隐藏层以输出层权重更新规则：
基于关联规则的旅游目的地推荐是利用频繁闭集挖掘算法，首先统计每个目的地在旅游记录中出现的次数，然后利用数据结构挖掘频繁闭集。条件频繁模式树通过条件数据库，根据表头挖掘出每个项目的条件频繁模式树，最后根据该条件频繁模式树得到频繁模式。位于景区内的，应当标明旅游者已到过景区，然后直接返回旅游者所在的景区。如果没有优化策略，其复杂性如下式所示：
wij(k+1)＝wij(k)+ηδixi
在卷积核与前一层的每个响应图卷积之后，对每个层的第一响应图的每个像素求和。如公式所示：
在虚拟场景中，需要实时加载和显示三维模型，因此必须在三维渲染效率和三维模型真实性之间保持平衡。限制神经元大部分时间不活动。定义为隐藏单元的激活值，定义以下限制：
为了提供数据信息，需要通过数据连接池、数据控制系统等进行更好的控制和管理。除了各旅游景区类别的准确度外，还展示了各旅游景区的分类表现。
根据用户的喜好，可以建立相应的模型。一般来说，可以通过直接向用户发放问卷，根据自己填写的问卷答案或用户以前对产品的评价等信息，获得用户的明确信息。通过非线性变换，得到如下结果：
在某个顺序上，所有候选集都可能不满足条件，并且不需要移动到下一个顺序。没有优化策略的复杂性如公式表示：
景区管理者可以在地图上设置指定区域。没有优化策略的复杂性如公式表示：
接下来，将所有图像的图像块分组到一个数据集中。在进入无监督学习方法之前，需要对数据集进行预处理，即去相关。如公式所示：
热点旅游目的地系统包括离线模块和在线模块，其中离线模块中的数据库管理系统主要负责对数据库中的数据进行操作、维护和管理；在线模块的推荐模块可以直接为访问该系统的用户提供服务，可以记录用户访问的旅游景点并生成相关数据。旅游线路推荐系统的在线模块可以为用户提供在线浏览推荐服务，优化复杂度如下式所示：
中心性和结构洞是评价社交网络关系的重要指标，将衡量旅游社交网络的度中心性和结构洞，并将其作为预测模型的预测因子，以提高预测精度。具有高度中心性的参与者与其他网络参与者保持着大量的联系，作为与其他参与者进行大量信息交换和其他资源交易的来源或管道。外围参与者保持很少或没有关系，因此在空间上位于网络图的边缘。该指标的计算方法是将个体与总量的关系相加。公式如下：
其中，xij参与者j和i之间的关系，如果相关，则度中心性等于1，否则为0。
为了使度中心性指数标准化或规范化，以便可以比较不同大小的网络，将度中心性指数除以最大可能的中心节点，并将结果表示为比例或百分比，如下式所示：
结构洞是互联人群之间信息流结构上的缺口。结构洞的得分形成了一个网络约束指数。如果一个人有最强(最少)的约束，对应有一个高(低)约束指数。结构约束的计算公式为：
其中j表示与自我i接触的所有人，q是除i或j以外的第三者，pij是参与者i与j的关系所占的比例，Piq Pqj衡量i与j与其他主要联系人q的关系所占的比例。中心度较高、结构洞约束最小的景点可以吸引更多的游客。这两个指标应用于旅游需求预测模型中，以提高预测精度。
进一步，通过灰色关联分析是根据序列的相似度来判断不同的度中心性序列之间是否存在密切联系。相似度越高，相关性越强。灰色关联分析如下：
步骤1：定义参考数据系列，Y0＝(y0(1),y0(2),...,y0(n)),，其中n是系列中的元素数。
步骤2：建立所有比较序列，Yi＝yi(k)，其中i＝1,2,…m表示因子数，k＝1,2,…n表示序列中元素数。
步骤3：标准化参考数据系列和所有比较数据系列，如下所示：
步骤4：计算参考序列与比较序列的关系系数，如下式所示：
其中，ζ∈[0,1],ΔO0，i(k)＝|Z0(k)-Zi(k)|；Δmin和Δmax定位为：
步骤5：计算参考系列和比较系列之间的关系程度：如下式所示：
步骤6：根据他们各自的关系程度对关系程度进行排序:
如果r0,i<r0,j，则j级数的曲线与参考级数的曲线具有更大的相似性。
另外，季节性是旅游需求的一个显著特征，当季节性因素存在时，预测技术并不能起到很好的作用，采用过滤器，以解决季节性旅游的影响。预测具有季节性的每月入境旅游人数首先将数据去季节化，使用过滤器来评估趋势和季节性的影响，这些影响是根据时间顺序中的每月游客量来进行连续观测的。假设一个给定的时间序列，如下式所示：
χt(Observed Series)＝τt(Permanent Trend)+ξt(Cycle)；
过滤器通过求解以下标准惩罚程序来提取趋势，如下式所示：
如果平滑参数λ控制调整后趋势序列的平滑度，λ→0，则趋势近似于实际序列xt，而λ→∞则趋势变为线性。过滤器用于取消每个单月游客数量的影响。
优选的，为了解游客的个人考虑、对自助游的态度、遇到的问题和采取的解决方案等，在做需求分析之前，通过互联网进行问卷调查。根据网站随机抽取的100人问卷，获得旅途中遇险原因的数据，作为需求分析的参考资料之一。
优选的，电子导游卡具有短信广播、语音报时等功能，多个电子导游卡通过数据挖掘算法和基于协同过滤的算法，找到消费偏好相似的用户，进而预测用户可能感兴趣的商品，从而促进交易的完成，提高销售业绩。
优选的，为了了解游客的个人考虑、对自助游的态度、遇到的问题和采取的解决方案等，在做需求分析之前，通过互联网进行问卷调查。根据网站随机抽取的100人问卷，获得旅途中遇险原因的数据，作为需求分析的参考资料之一。
优选的，电子导游卡具有短信广播、语音报时等功能，多个电子导游卡通过数据挖掘算法和基于协同过滤的算法，找到消费偏好相似的用户，进而预测用户可能感兴趣的商品，从而促进交易的完成，提高销售业绩。
本发明提供的一种智慧旅游目标匹配方法，基于数据挖掘技术的热点旅游目的匹配系统可以为用户提供个性化、多样化、多目的地的旅游线路参考，设计合理的旅游线路，满足用户的需求。大数据可以避免传统抽样调查的误差，真实反映旅游信息咨询服务需求及其变化趋势，从而帮助地方政府提供动态、适宜的旅游信息咨询公共服务。基于数据挖掘技术的热点旅游目的地匹配监控系统主要包括离线模块和在线模块。这两个部分相互配合，通过一定的操作规则和流程，为用户生成有针对性的出行路线推荐。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明提出的一种智慧旅游目标匹配方法，包括以下步骤：
(1)获取数据；
(2)数据预处理；由于数据格式的多样性，提取相关数据，并将初始数据转换为推荐系统中数据挖掘算法能够识别的格式；
(3)构建数据库：包括模式数据库、用户注册数据库、目的地信息数据库；
(4)根据给定的目的地范围生成目的地路线数据库，包括目的地信息表和路线类别表，以及根据用户特征生成用户信息表、用户事务表和用户选择趋势表；具体的，步骤4)包括：
由于旅游产品种类繁多、结构复杂、形式多样，信息和数据往往会发生动态变化，利用地理主题模型分析用户对旅游目的地的偏好，并根据旅游目的地的特点推荐旅游目的地，建立旅游者模型和旅游产品信息模型；根据该模型，得到用户对不同目的地特征的偏好，并预测用户对其他目的地的偏好。使用数值来表示用户对目的地的偏好。对于每个用户P，其对每个目的地的满意度计算公式为：
P＝P(Y＝1)＝F(βiXi)
推荐算法基于人口统计的推荐算法，根据年龄和性别等最基本的信息对用户进行分类；定义k为单元的灵敏度，i为隐含层的网络输出，即非线性变换前的网络输出；获取隐藏层以输出层权重更新规则：
基于关联规则的旅游目的地推荐是利用频繁闭集挖掘算法，首先统计每个目的地在旅游记录中出现的次数，然后利用数据结构挖掘频繁闭集。条件频繁模式树通过条件数据库，根据表头挖掘出每个项目的条件频繁模式树，最后根据该条件频繁模式树得到频繁模式。位于景区内的，应当标明旅游者已到过景区，然后直接返回旅游者所在的景区。如果没有优化策略，其复杂性如下式所示：
wij(k+1)＝wij(k)+ηδixj
在卷积核与前一层的每个响应图卷积之后，对每个层的第一响应图的每个像素求和。如公式所示：
在虚拟场景中，需要实时加载和显示三维模型，因此必须在三维渲染效率和三维模型真实性之间保持平衡。限制神经元大部分时间不活动。定义为隐藏单元的激活值，定义以下限制：
为了提供数据信息，需要通过数据连接池、数据控制系统等进行更好的控制和管理。除了各旅游景区类别的准确度外，还展示了各旅游景区的分类表现。
根据用户的喜好，可以建立相应的模型。一般来说，可以通过直接向用户发放问卷，根据自己填写的问卷答案或用户以前对产品的评价等信息，获得用户的明确信息。通过非线性变换，得到如下结果：
在某个顺序上，所有候选集都可能不满足条件，并且不需要移动到下一个顺序。没有优化策略的复杂性如公式表示：
景区管理者可以在地图上设置指定区域。没有优化策略的复杂性如公式表示：
接下来，将所有图像的图像块分组到一个数据集中。在进入无监督学习方法之前，需要对数据集进行预处理，即去相关。如公式所示：
热点旅游目的地系统包括离线模块和在线模块，其中离线模块中的数据库管理系统主要负责对数据库中的数据进行操作、维护和管理；在线模块的推荐模块可以直接为访问该系统的用户提供服务，可以记录用户访问的旅游景点并生成相关数据。旅游线路推荐系统的在线模块可以为用户提供在线浏览推荐服务，优化复杂度如下式所示：
随着互联网在旅游规划和交易中的广泛应用，大量的在线行为数据已经提供给旅游业。互联网技术提供了许多方法来捕捉游客在网上的活动。当游客进行搜索或在线预订时，可以捕捉、存储和分析访问的痕迹。游客通常在出行前就计划好出行，汇总的在线行为数据可以作为旅游需求的指标。社交网络中的度中心性和结构洞作为重要的预测因子。中心性和结构洞是评价社交网络关系的重要指标，将衡量旅游社交网络的度中心性和结构洞，并将其作为预测模型的预测因子，以提高预测精度。具有高度中心性的参与者与其他网络参与者保持着大量的联系，作为与其他参与者进行大量信息交换和其他资源交易的来源或管道。外围参与者保持很少或没有关系，因此在空间上位于网络图的边缘。该指标的计算方法是将个体与总量的关系相加。公式如下：
其中，xij参与者j和i之间的关系，如果相关，则度中心性等于1，否则为0。
为了使度中心性指数标准化或规范化，以便可以比较不同大小的网络，将度中心性指数除以最大可能的中心节点，并将结果表示为比例或百分比，如下式所示：
结构洞是互联人群之间信息流结构上的缺口。结构洞的得分形成了一个网络约束指数。如果一个人有最强(最少)的约束，对应有一个高(低)约束指数。结构约束的计算公式为：
其中j表示与自我i接触的所有人，q是除i或j以外的第三者，pij是参与者i与j的关系所占的比例，Piq Pqj衡量i与j与其他主要联系人q的关系所占的比例。中心度较高、结构洞约束最小的景点可以吸引更多的游客。这两个指标应用于旅游需求预测模型中，以提高预测精度。使用社交网络数据作为输入预测来预测旅游需求。当发生意外的经济或政治事件时，利用社交网络作为旅游运动的预测因子，可以得到比传统变量更准确的预测结果。灰色关联度越大，使用社会网络的模型表现越好。
进一步，通过灰色关联分析是根据序列的相似度来判断不同的度中心性序列之间是否存在密切联系。相似度越高，相关性越强。灰色关联分析如下：
步骤1：定义参考数据系列，Y0＝(y0(1),y0(2),...,y0(n)),，其中n是系列中的元素数。
步骤2：建立所有比较序列，Yi＝yi(k)，其中i＝1,2,…m表示因子数，k＝1,2,…n表示序列中元素数。
步骤3：标准化参考数据系列和所有比较数据系列，如下所示：
步骤4：计算参考序列与比较序列的关系系数，如下式所示：
其中，ζ∈[0,1],ΔO0，i(k)＝|Z0(k)-Zi(k)|；Δmin和Δmax定位为：
步骤5：计算参考系列和比较系列之间的关系程度：如下式所示：
步骤6：根据他们各自的关系程度对关系程度进行排序:
如果r0,i<r0,j，则j级数的曲线与参考级数的曲线具有更大的相似性。
另外，季节性是旅游需求的一个显著特征，当季节性因素存在时，预测技术并不能起到很好的作用，采用过滤器，以解决季节性旅游的影响。预测具有季节性的每月入境旅游人数首先将数据去季节化，使用过滤器来评估趋势和季节性的影响，这些影响是根据时间顺序中的每月游客量来进行连续观测的。假设一个给定的时间序列，如下式所示：
xt(Observed Series)＝τt(Permanent Trend)+ζt(Cycle)；
过滤器通过求解以下标准惩罚程序来提取趋势，如下式所示：
如果平滑参数λ控制调整后趋势序列的平滑度，λ→0，则趋势近似于实际序列xt，而λ→∞则趋势变为线性。过滤器用于取消每个单月游客数量的影响。
优选的，为了解游客的个人考虑、对自助游的态度、遇到的问题和采取的解决方案等，在做需求分析之前，通过互联网进行问卷调查。根据网站随机抽取的100人问卷，获得旅途中遇险原因的数据，作为需求分析的参考资料之一。
优选的，电子导游卡具有短信广播、语音报时等功能，多个电子导游卡通过数据挖掘算法和基于协同过滤的算法，找到消费偏好相似的用户，进而预测用户可能感兴趣的商品，从而促进交易的完成，提高销售业绩。
本发明提供的一种智慧旅游目标匹配方法，基于数据挖掘技术的热点旅游目的匹配系统可以为用户提供个性化、多样化、多目的地的旅游线路参考，设计合理的旅游线路，满足用户的需求。大数据可以避免传统抽样调查的误差，真实反映旅游信息咨询服务需求及其变化趋势，从而帮助地方政府提供动态、适宜的旅游信息咨询公共服务。基于数据挖掘技术的热点旅游目的地匹配系统主要包括离线模块和在线模块。这两个部分相互配合，通过一定的操作规则和流程，为用户生成有针对性的出行路线推荐。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (5)
1.一种智慧旅游目标匹配方法，其特征在于，包括以下步骤：
(1)获取数据；
(2)数据预处理；由于数据格式的多样性，提取相关数据，并将初始数据转换为推荐系统中数据挖掘算法能够识别的格式；
(3)构建数据库：包括模式数据库、用户注册数据库、目的地信息数据库；
(4)根据给定的目的地范围生成目的地路线数据库，包括目的地信息表和路线类别表，以及根据用户特征生成用户信息表、用户事务表和用户选择趋势表；
其中，步骤4)包括：
利用地理主题模型分析用户对旅游目的地的偏好，并根据旅游目的地的特点推荐旅游目的地，建立旅游者模型和旅游产品信息模型；根据该模型，得到用户对不同目的地特征的偏好，并预测用户对其他目的地的偏好；使用数值来表示用户对目的地的偏好；对于每个用户P，其对每个目的地的满意度计算公式为：
P＝P(Y＝1)＝F(βiXi)；
推荐算法基于人口统计的推荐算法，根据年龄和性别最基本的信息对用户进行分类；定义k为单元的灵敏度，i为隐含层的网络输出，即非线性变换前的网络输出；获取隐藏层以输出层权重更新规则：
基于关联规则的旅游目的地推荐是利用频繁闭集挖掘算法，首先统计每个目的地在旅游记录中出现的次数，然后利用数据结构挖掘频繁闭集；条件频繁模式树通过条件数据库，根据表头挖掘出每个项目的条件频繁模式树，最后根据该条件频繁模式树得到频繁模式；位于景区内的，应当标明旅游者已到过景区，然后直接返回旅游者所在的景区；如果没有优化策略，其复杂性如下式所示：
wij(k+1)＝wij(k)+ηδixj；
在卷积核与前一层的每个响应图卷积之后，对每个层的第一响应图的每个像素求和；如公式所示：
在虚拟场景中，需要实时加载和显示三维模型，因此必须在三维渲染效率和三维模型真实性之间保持平衡；限制神经元大部分时间不活动；定义为隐藏单元的激活值，定义以下限制：
为了提供数据信息，需要通过数据连接池、数据控制系统进行更好的控制和管理；除了各旅游景区类别的准确度外，还展示各旅游景区的分类表现；
根据用户的喜好，建立相应的模型；通过直接向用户发放问卷，根据自己填写的问卷答案或用户以前对产品的评价信息，获得用户的明确信息；通过非线性变换，得到如下结果：
在某个顺序上，所有候选集都可能不满足条件，并且不需要移动到下一个顺序；没有优化策略的复杂性如公式表示：
景区管理者在地图上设置指定区域；没有优化策略的复杂性如公式表示：
将所有图像的图像块分组到一个数据集中；在进入无监督学习方法之前，需要对数据集进行预处理，即去相关；如公式所示：
热点旅游目的地系统包括离线模块和在线模块，其中离线模块中的数据库管理系统主要负责对数据库中的数据进行操作、维护和管理；在线模块的推荐模块直接为访问该系统的用户提供服务，记录用户访问的旅游景点并生成相关数据；旅游线路推荐系统的在线模块为用户提供在线浏览推荐服务，优化复杂度如下式所示：
将衡量旅游社交网络的度中心性和结构洞，并将其作为预测模型的预测因子，以提高预测精度；该指标的计算方法是将个体与总量的关系相加；公式如下：
其中，xij参与者j和i之间的关系，如果相关，则度中心性等于1，否则为0；
为了使度中心性指数标准化或规范化，以便比较不同大小的网络，将度中心性指数除以最大可能的中心节点，并将结果表示为比例或百分比，如下式所示：
结构洞是互联人群之间信息流结构上的缺口；结构洞的得分形成了一个网络约束指数；如果一个人有最强的约束，对应有一个高约束指数，如果一个人有最少的约束，对应有一个低约束指数；结构约束的计算公式为：
其中j表示与自我i接触的所有人，q是除i或j以外的第三者，pij是参与者i与j的关系所占的比例，Piq Pqj衡量i与j与其他主要联系人q的关系所占的比例；中心度较高、结构洞约束最小的景点吸引更多的游客；这两个指标应用于旅游需求预测模型中，以提高预测精度。
2.如权利要求1所述的一种智慧旅游目标匹配方法，其特征在于，通过灰色关联分析是根据序列的相似度来判断不同的度中心性序列之间是否存在密切联系；相似度越高，相关性越强；灰色关联分析如下：
步骤1：定义参考数据系列，Y0＝(y0(1),y0(2),...,y0(n)),，其中n是系列中的元素数；
步骤2：建立所有比较序列，Yi＝yi(k)，其中i＝1,2,…m表示因子数，k＝1,2,…n表示序列中元素数；
步骤3：标准化参考数据系列和所有比较数据系列，如下所示：
步骤4：计算参考序列与比较序列的关系系数，如下式所示：
其中，ζ∈[0,1],ΔO0，i(k)＝|Z0(k)-Zi(k)|；Δmin和Δmax定位为：
步骤5：计算参考系列和比较系列之间的关系程度：如下式所示：
步骤6：根据他们各自的关系程度对关系程度进行排序:
如果r0,i<r0,j，则j级数的曲线与参考级数的曲线具有更大的相似性。
3.如权利要求2所述的一种智慧旅游目标匹配方法，其特征在于，预测具有季节性的每月入境旅游人数首先将数据去季节化，使用过滤器来评估趋势和季节性的影响，这些影响是根据时间顺序中的每月游客量来进行连续观测的；假设一个给定的时间序列，如下式所示：
χt(Observed Series)＝τt(Permanent Trend)+ξt(Cycle)；
过滤器通过求解以下标准惩罚程序来提取趋势，如下式所示：
如果平滑参数λ控制调整后趋势序列的平滑度，λ→0，则趋势近似于实际序列xt，而λ→∞则趋势变为线性；过滤器用于取消每个单月游客数量的影响。
4.如权利要求3所述的一种智慧旅游目标匹配方法，其特征在于，为了解游客的个人考虑、对自助游的态度、遇到的问题和采取的解决方案，在做需求分析之前，通过互联网进行问卷调查；根据网站随机抽取的100人问卷，获得旅途中遇险原因的数据，作为需求分析的参考资料之一。
5.如权利要求4所述的一种智慧旅游目标匹配方法，其特征在于，电子导游卡具有短信广播、语音报时功能，多个电子导游卡通过数据挖掘算法和基于协同过滤的算法，找到消费偏好相似的用户，进而预测用户可能感兴趣的商品，从而促进交易的完成，提高销售业绩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110135169.8A CN112765475B (zh) | 2021-02-01 | 2021-02-01 | 一种智慧旅游目标匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110135169.8A CN112765475B (zh) | 2021-02-01 | 2021-02-01 | 一种智慧旅游目标匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112765475A CN112765475A (zh) | 2021-05-07 |
| CN112765475B true CN112765475B (zh) | 2021-07-30 |
Family
ID=75704428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110135169.8A Active CN112765475B (zh) | 2021-02-01 | 2021-02-01 | 一种智慧旅游目标匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112765475B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115203311B (zh) * | 2022-07-05 | 2023-05-02 | 南京云创大数据科技股份有限公司 | 一种基于数据大脑的行业数据分析挖掘方法及系统 |
| CN116528152B (zh) * | 2023-07-04 | 2023-09-08 | 李丽 | 基于智慧文旅的通讯数据处理系统及方法 |
| CN116823534B (zh) * | 2023-08-30 | 2023-11-03 | 环球数科集团有限公司 | 一种基于多模态大模型的文旅行业智能服务虚拟人系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567805A (zh) * | 2011-12-08 | 2012-07-11 | 江南大学 | 基于Windows移动平台的旅游服务系统及方法 |
| CN104809633A (zh) * | 2015-05-11 | 2015-07-29 | 中国旅游研究院 | 旅游游客满意度调查方法 |
| CN106886961A (zh) * | 2016-12-30 | 2017-06-23 | 深圳天珑无线科技有限公司 | 旅游管理辅助的系统及方法 |
| CN107301480A (zh) * | 2017-06-28 | 2017-10-27 | 广州虫洞网络科技有限公司 | 旅游行程推荐方法、系统、可读存储介质及计算机设备 |
| US10003924B2 (en) * | 2016-08-10 | 2018-06-19 | Yandex Europe Ag | Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location |
| US10634508B2 (en) * | 2015-06-18 | 2020-04-28 | Amgine Technologies (Us), Inc. | Scoring system for travel planning |
-
2021
- 2021-02-01 CN CN202110135169.8A patent/CN112765475B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567805A (zh) * | 2011-12-08 | 2012-07-11 | 江南大学 | 基于Windows移动平台的旅游服务系统及方法 |
| CN104809633A (zh) * | 2015-05-11 | 2015-07-29 | 中国旅游研究院 | 旅游游客满意度调查方法 |
| US10634508B2 (en) * | 2015-06-18 | 2020-04-28 | Amgine Technologies (Us), Inc. | Scoring system for travel planning |
| US10003924B2 (en) * | 2016-08-10 | 2018-06-19 | Yandex Europe Ag | Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location |
| CN106886961A (zh) * | 2016-12-30 | 2017-06-23 | 深圳天珑无线科技有限公司 | 旅游管理辅助的系统及方法 |
| CN107301480A (zh) * | 2017-06-28 | 2017-10-27 | 广州虫洞网络科技有限公司 | 旅游行程推荐方法、系统、可读存储介质及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 智慧旅游城市旅游竞争力评价研究;戴平娟;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20160515;第J153-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112765475A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dias et al. | A comparison of online and in-person activity engagement: The case of shopping and eating meals | |
| CN112765475B (zh) | 一种智慧旅游目标匹配方法 | |
| Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
| Su et al. | A method for discovering clusters of e-commerce interest patterns using click-stream data | |
| Li et al. | Business intelligence approach to supporting strategy-making of ISP service management | |
| CN109285075A (zh) | 一种理赔风险评估方法、装置及服务器 | |
| Ghosh et al. | An approach to determining optimal locations for new services | |
| Chang et al. | Application of neural networks and Kano’s method to content recommendation in web personalization | |
| JP2006146858A (ja) | プロファイリング手段を適用した社会シミュレーション・システム | |
| Bondarenko et al. | The dynamic model of customer focus management in the hotel business based on Markov chains | |
| Nguyen | Spherical fuzzy decision-making approach integrating Delphi and TOPSIS for package tour provider selection | |
| Nalluri et al. | Exploring crucial social media marketing factors for improving customer satisfaction and customer loyalty in bed and breakfast sectors in Taiwan | |
| Wang et al. | A reliable location design of unmanned vending machines based on customer satisfaction | |
| Fitriani et al. | Pilkada amidst a pandemic: The role of the electronic word of mouth in political brand and voting intention | |
| Choe et al. | Designing an advanced system for destination management: a case study of Northern Indiana | |
| Piatykop et al. | Model Selection of the Target Audience in Social Networks in Order to Promote the Product. | |
| Tabacco | Airline Economics: An Empirical Analysis of Market Structure and Competition in the US Airline Industry | |
| Li et al. | Mental health and natural land cover: a global analysis based on random forest with geographical consideration | |
| Davenport et al. | Strategic information management: forging the value chain | |
| CN113052653A (zh) | 一种金融产品内容推荐方法、系统及计算机可读存储介质 | |
| Srivastava et al. | A hybrid machine learning approach to hotel sales rank prediction | |
| Komilis | The spatial structure and growth of tourism in relation to the physical planning process: The case of Greece | |
| Roumpani et al. | Data-driven modelling of public library infrastructure and usage in the United Kingdom | |
| Üzülmez | Technology Application in the Asian Tourism Industry: Customer Relations | |
| Zhao | Consumer Behavior Analysis and Repeat Buyer Prediction for E-commerce |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231113 Address after: 18th Floor, No. 236 Hongqi Street, Nangang Concentration District, Harbin Economic and Technological Development Zone, Harbin, Heilongjiang Province, 150000 Patentee after: Heilongjiang wenlv Information Technology Co.,Ltd. Address before: No.77, Hanlin Road, economic and Technological Development Zone, Jilin City, Jilin Province, 132101 Patentee before: JILIN AGRICULTURAL SCIENCE AND TECHNOLOGY College |