CN113051461A - 基于人工智能和云平台的旅游热度分析方法与系统 - Google Patents

Abstract

本发明提供了一种基于人工智能和云平台的旅游热度分析方法与系统。方法包括：从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；针对任意景点有序偶，获取该景点有序偶的分流指数；根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。通过本发明提供的旅游热度分析结果，可以提高旅游资源规划的合理性。

Description

基于人工智能和云平台的旅游热度分析方法与系统

技术领域

本发明涉及旅游数据分析、云计算技术领域，具体涉及一种基于人工智能和云平台的旅游热度分析方法与系统。

背景技术

旅游资源规划对旅游城市建设非常重要。旅游热度是旅游资源规划的核心影响因素。旅游热度不仅包括景点自身吸引力带来的热度，还包括受邻近其他景点带动而带来的热度。现有技术仅关注最终的热度结果，不区分两种热度，导致对景点自身吸引力表征出现偏差，从而降低了旅游资源规划的合理性。

发明内容

本发明提供了一种基于人工智能和云平台的旅游热度分析方法与系统。

一种基于人工智能和云平台的旅游热度分析方法，该方法包括：

从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；

针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数；

根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；

根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

进一步地，对摄像头采集的景点图像进行人脸识别得到游客信息并上传至云平台，云平台整合所有景点的游客信息，生成游客轨迹数据。

进一步地，所述根据所有景点的游客密度上限以及所有景点有序偶的分流指数生成数据集包括：

步骤a，对所有景点的游客密度上限进行标准化处理，得到游客密度概率分布；

步骤b，基于游客密度概率分布随机选取一个景点，将所选取景点放入序列并作为待处理景点；

步骤c，循环执行以下操作直至序列长度满足第一设定条件：根据待处理景点的分流指数分布随机生成下一景点，并将所述下一景点加入序列；

步骤d，将所述下一景点作为待处理景点，循环执行步骤b、c直至数据集体量满足条件。

进一步地，对包含相同第一个景点的所有景点有序偶的分流指数进行标准化处理，标准化处理后的分流指数构成了第一个景点的所述分流指数分布。

进一步地，所述进行训练的方法包括：设置滑窗在序列数据上滑动，滑窗内景点对应的独热编码向量构成第一输入矩阵，滑窗外景点对应的独热编码向量构成第二输入矩阵，将第一输入矩阵与第二输入矩阵输入神经网络进行特征提取，输出关联特征矩阵。

进一步地，所述景点对的依赖度的获取方法如下：

根据景点相同的两个景点有序偶的分流指数差异、所述分流指数差异对两个景点有序偶的影响程度计算两个景点间的依赖度。

进一步地，所述景点对的联合吸引力度的获取方法包括：

根据所有景点对的依赖度得到景点对依赖度的权重；

根据景点对的亲和度、依赖度、以及权重计算景点对的联合吸引力度。

一种基于人工智能和云平台的旅游数据分析系统，该系统包括：

游客信息获取单元，用于从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；

分流指数获取单元，用于针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数；

亲和度获取单元，用于根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；

旅游热度获取单元，用于根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

本发明的有益效果在于：

本发明将依赖其他景点带来的热度剔除，得到准确的由景点自身吸引力带来的热度，能够为旅游资源规划提供准确的依据，提高旅游资源规划的合理性。通过分流指数分布生成丰富且更能表征亲和度的数据集，对数据集进行训练分析，提高了景点亲和度的精度。通过衰减系数、改进训练方法等手段，进一步提高了景点亲和度的精度。

附图说明

图1为本发明流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1：

本实施例提供一种基于人工智能和大数据的旅游热度分析方法，包括：

从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息。

游客容量上限更倾向于反映景点的理论容量。为了反映景点的受欢迎程度，需要对景点的游客密度上限进行统计。游客密度上限即景区的实际游客最大值。根据景点内摄像头采集的图像进行人群密度分析，可以获得景点各处的人群密度估计。为了获得更加准确的游客密度上限信息，根据景点入口处的摄像头或刷票器可以采集准确的进入景区的游客人数。游客密度上限为实际游客最大值，不大于游客容量上限。根据景点内实时游客人数以及游客密度上限获取游客密度上限持续的时间。获取这段时间内景点周边感兴趣区域未进入景点的游客、进入景点后游览时间小于设定阈值的游客，这些游客由于景点无法容纳更多游客而无法进入或不愿进入。这些游客称为未接纳游客。从云平台获取这些未接纳游客的轨迹数据。具体地，对摄像头采集的景点图像进行人脸识别得到游客信息并上传至云平台，云平台整合所有景点的游客信息，生成游客轨迹数据。

针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数。分流指数基于分流指数模型计算得到。分流指数模型为：

其中，FI为分流指数，M为第一个景点的游客密度上限，m为未被第一个景点接纳而直接分流至第二个景点的游客人数，n为所述m个游客中进入第二个景点的游客人数。

例如，对于景点有序偶(A，B)，获取未被景点A接纳的运动轨迹，根据运动估计获取这些游客中直接到景点B的人数数量m，以及最终进入该景点B的人数n(m个游客中进入景点B的人数)，那景点B对A的分流指数为：

表示B景点的接纳程度，M表示A景点的游客密度上限。分流指数越大，表明B景点越能减缓景点A的游客压力，增加游客的出行意愿、可选择性，提高体验感。

获取所有任意两个景点之间的分流指数，需要注意的是B对A的分流指数与A对B的分流指数不一定相同。对于景点A，获取其他景点对A的分流指数，对这些分流指数进行softmax处理，获得的结果称为A的分流指数分布。

根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，对数据集进行训练得到各景点对应的关联特征向量，据关联特征向量得到景点对的亲和度。

现有旅游热度分析主要基于游记等网络文本中出现频次、网络搜索频次、以及历史游客人数来获得旅游热度。网络游记以及网络搜索频次虽然具有一定参考意义，但是旅游热度分析结果并不准确。历史游客人数能较好地反映历史旅游热度，无法得到景点之间的热度关联信息。本发明通过根据分流指数生成数据集的方法，能够得到大量模拟数据，这些数据能够表征游客的实际游览轨迹，反映关联景点的亲和度，相比于使用网络文本，能够提高旅游热度分析结果准确性，而且大量模拟数据能够提高亲和度的精度。

具体地，根据所有景点的游客密度上限以及所有景点有序偶的分流指数生成数据集包括：步骤a，对所有景点的游客密度上限进行标准化处理，得到游客密度概率分布；步骤b，基于游客密度概率分布随机选取一个景点，将所选取景点放入序列并作为待处理景点；步骤c，循环执行以下操作直至序列长度满足第一设定条件：根据待处理景点的分流指数分布随机生成下一景点，并将所述下一景点加入序列；步骤d，将所述下一景点作为待处理景点，循环执行步骤b、c直至数据集体量满足条件。

举例说明，步骤a中，获取所有景点的游客密度上限，并进行归一化处理，即得到游客密度概率分布。步骤b中，以游客密度概率分布随机采样一个景点A。以该景点A为起点，以起点景点A的分流指数分布再采样一个景点B，再以景点B的分流指数分布采样一个景点C，以此循环采样多次直到序列长度达到预设长度，获得一个序列。再以游客密度概率分布随机采样景点重复上述过程获得多个序列，得到数据集。

对数据集进行训练，为每个景点生成一个关联特征向量。关联特征向量是一个高维特征向量。训练方法如下：为每个景点分配一个独热编码向量。从数据集中选取一条序列数据。设置滑窗，在序列数据上滑动，滑窗大小为1*3或1*5，滑窗内中心景点为锚点，将滑窗内景点对应的独热编码向量构成第一输入矩阵，将其他景点对应的独热编码向量构成第二输入矩阵，将第一输入矩阵与第二输入矩阵输入神经网络进行训练，神经网络输出为关联特征矩阵，矩阵中每一行表征一个景点的关联特征向量。神经网络结构可以使用卷积网络和全连接网络进行实现，也可以将输入数据展平输入全连接网络进行实现。神经网络的损失函数为：

ρ、σ是超参数，值一般较小，本发明令ρ＝0.1，σ＝0.2。k₁为锚点对应的特征向量与窗口内其他景点特征向量的相似度的均值，k₂为获取锚点特征向量与窗口外的其他景点特征向量的相似度的均值。每滑动一次窗口，根据损失函数，进行反向传播，更新神经网络的参数与权重，使得窗口内锚点的特征向量与窗口内其他景点的特征向量之间相似度尽可能大，窗口内锚点的特征向量与窗口外其他景点的特征向量相似度尽可能小。滑窗向前滑动执行上述过程直至序列末尾，取下一条序列数据进行训练。当数据集中所有序列数据处理完成，即可得到景点的关联特征向量。两个景点间关联特征向量的相似度表征两者之间的亲和度。一般地，相似度可以基于欧式距离或余弦相似度获得。本发明中，应当对所获得的相似度进行归一化，使其取值范围在[-1,1]。

在生成数据集时，序列的预设长度可以根据实际情况设置。一般情况下，游客在一天之内所及景点个数较少，在连续多天内的游玩景点个数较多，连续多天的游览轨迹也更能体现游客对景点的热衷度。而在数据集生成过程中，适当长度的预设长度，更能体现数据集的优势。因此，优选地，预设长度可以通过以下方式获得：采集地区(城市)内游客在连续一段时间内游玩过的景点序列，统计游玩过的景点个数。例如第一天采集得到第一序列，第二天采集得到第二序列，第三天采集得到第三序列，对三个序列进行去重，统计这三天游玩的景点总数。

两个景点之间的亲和度不仅与景点吸引游客的能力有关，还与两个景点的依赖度有关。吸引能力主要体现在景点的一些建设特点和资源布局上，在这些资源布局或者景色和设施的设计能够吸引游客。依赖性包括单向依赖和双向依赖。单向依赖可以由分流游客在所有游客中的占比表征，分流游客占比越高，对其他景点的单向依赖性越强。本发明主要探讨双向依赖，即本发明所述依赖度。依赖度主要表现在给定其他景点的情况下，这两个景点相互之间的可替代性或者说两个景点的协同能力(例如当前景点和其他景点具有互补的景色特征点，使得景点间形成一种协同作用)，一个景点无法满足人们的游玩需求时可以有其他合适的或者是所处环境较好的景点来替代。

根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

根据景点相同的两个景点有序偶的分流指数差异、所述分流指数差异对两个景点有序偶的影响程度计算两个景点间的依赖度。依赖度基于依赖度模型计算，依赖度模型DE：

FI₁,FI₂分别为景点有序偶中第一个景点、第二个景点的分流指数，S₁₂为分流指数差异，w₁、w₂分别为分流指数差异对第一个景点、第二个景点的影响程度。第二项因子中，两个景点较小的分流指数表征两个景点之间的双向依赖值，两个景点之间的分流指数差异表征两个景点之间的单向依赖值；第一项因子中，分流指数差异对景点有序偶的影响程度表征了景点有序偶对单向依赖值的关注程度。引入关注程度表征了其他景点对依赖度的影响。还有一种实施方式是将表征双向依赖的第二项因子归一化，即可获得所有景点对依赖度的归一化结果。

例如，设景点有序偶(A，B)，则A对B的分流指数与B对A的分流指数之差的绝对值，即为分流指数差异S_AB。进一步分别获取A、B与其他景点的分流指数差异。计算S_AB在A的所有分流指数差异中的占比w_A，如果w_A越大，说明对A而言，其更加关注A与B之间的分流指数差异；同理获得B中的占比w_B。利用依赖度模型计算两个景点A、B之间的依赖度DE_AB。

两个景点的联合吸引力度与两个景点依赖度叠加即为两个景点的亲和度。将景点对的亲和度减去景点对的依赖度，即可获取一对景点的联合吸引力度。然后获取两个景点的游客扩增能力的比值，以该比值为两个景点分别分配一个吸引力度。至此，一个景点可以计算多个吸引力度，这些吸引力度的均值作为每个景点的旅游热度。景点扩增能力计算方法为：获取一时间段内游客数量随时间的变化序列即游客增长趋势，利用遗忘系数叠加这个序列，获得的结果就是景点扩增能力，表征景点的游客增长的快慢。获取旅游热度最小的(或者小于预设阈值的)景点，该景点由于多种原因无法依靠自身的资源布局和景观规划设计来吸纳其他景点的未接纳游客，不利于缓解景点游客资源的人口压力，没有做到资源的最优化利用，因此需要对景点进行重新规划与设计。

实施例2：

本实施例提供一种基于人工智能和云平台的旅游热度分析方法，在实施例1的基础上，对数据集生成方法进行了改进。

对于一个序列，设已知序列中第i个元素为景点G后采样下一个景点的概率分布和方法为：设序列中G前面的第j个景点为g，那么在给定G的分流指数分布的情况下g出现的概率为P(g|G)，获取g的采样概率为α*P(g|G)，α为衰减系数，

因此，将G的分流指数分布中景点g对应的分流指数重置更新为α*P(g|G)，然后对G的分流指数分布归一化处理，归一化后的分流指数分布作为生成下一个景点的概率分布。本实施例中的数据生成方法提高了数据集的精度。

实施例3：

本实施例提供一种基于人工智能和云平台的旅游热度分析方法，在实施例1的基础上，神经网络的训练方法进行了改进。

具体地，设滑动窗口内除了锚点还有I个景点，窗口外有J个景点。获取锚点对应的特征向量与窗口内第i个其他景点的相似度k_1i，获取锚点特征向量与窗口外的第j个景点的相似度k_2j。网络训练的策略是当k_1i较小时，使k_1i快速增大，当k_2j较大时，使k_2j快速变小，进而实现网络的快速收敛。因此，令

当f_1i≤ρ_t时，令f_1i＝0。当f_1i>ρ_t时，f_1i取值不变。令f_2j＝k_2j。当f_2j≤σ_t时，令f_2j＝0。当f_2j>σ_t时，f_2j取值不变。ρ_t、σ_t是随训练的迭代次数发生变化的值。

k1是对f_1i的加权求和，本发明希望k1越小越好；k2是对f_2j的加权求和，本发明希望k2越小越好。构造损失函数L_t＝(k1-ρ_t)²+(k2-σ_t)²，L_t是一个随着迭代次数发生变化的损失函数，t表示迭代次数，优选地，ρ_t＝ρ₀*(1-t//50×0.05),ρ₀＝0.5,σ_t＝σ₀*(1-t//50×0.05),σ₀＝0.6,当ρ_t≤0.1，σ_t≤0.2时，ρ_t＝0.1，σ_t＝0.2。t//50表示t对50求商，所求商为整数。本实施例提高了数据集训练的效率，使神经网络可以快速收敛。

实施例4：

本实施例提供一种基于人工智能和云平台的旅游热度分析方法，在实施例1的基础上对联合吸引力度的计算进行改进，具体地，通过权重可以表征联合吸引力度与依赖度的占比。权重的获取方法为：以景点为节点，依赖度为边权值，将与一阶邻接节点的边权值相加，进行一阶聚合，作为节点值。获取任意两个节点值的均值，对这些均值归一化处理，处理结果就是景点对依赖度对应的权重，如果两个景点越依赖其他景点，那么权重越大，联合吸引力度越小，说明两个景点的亲和度主要由景点间的依赖性贡献的。将景点对的亲和度减去依赖度权重与依赖度的乘积，所得结果即为景点对的联合吸引力度。

实施例5：

本实施例提供一种基于人工智能和云平台的旅游热度分析系统。

基于人工智能和云平台的旅游数据分析系统，该系统包括：

游客信息获取单元，用于从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；

分流指数获取单元，用于针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数；

亲和度获取单元，用于根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；

旅游热度获取单元，用于根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能和云平台的旅游热度分析方法，其特征在于，该方法包括：

从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；

针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数；

根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；

根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

2.如权利要求1所述的方法，其特征在于，对摄像头采集的景点图像进行人脸识别得到游客信息并上传至云平台，云平台整合所有景点的游客信息，生成所述游客轨迹数据。

3.如权利要求1所述的方法，其特征在于，所述根据所有景点的游客密度上限以及所有景点有序偶的分流指数生成数据集包括：

步骤a，对所有景点的游客密度上限进行标准化处理，得到游客密度概率分布；

步骤b，基于游客密度概率分布随机选取一个景点，将所选取景点放入序列并作为待处理景点；

步骤c，循环执行以下操作直至序列长度满足第一设定条件：根据待处理景点的分流指数分布随机生成下一景点，并将所述下一景点加入序列；

步骤d，将所述下一景点作为待处理景点，循环执行步骤b、c直至数据集体量满足条件。

4.如权利要求1所述的方法，其特征在于，对包含相同第一个景点的所有景点有序偶的分流指数进行标准化处理，标准化处理后的分流指数构成了第一个景点的所述分流指数分布。

5.如权利要求1所述的方法，其特征在于，所述进行训练包括：设置滑窗在序列数据上滑动，滑窗内景点对应的独热编码向量构成第一输入矩阵，滑窗外景点对应的独热编码向量构成第二输入矩阵，将第一输入矩阵与第二输入矩阵输入神经网络进行特征提取，输出关联特征矩阵。

6.如权利要求1所述的方法，其特征在于，所述景点对的依赖度的获取方法如下：

根据景点相同的两个景点有序偶的分流指数差异、所述分流指数差异对两个景点有序偶的影响程度计算两个景点间的依赖度。

7.如权利要求6所述的方法，其特征在于，所述景点对的联合吸引力度的获取方法包括：

根据所有景点对的依赖度得到景点对依赖度的权重；

根据景点对的亲和度、依赖度、以及权重计算景点对的联合吸引力度。

8.一种基于人工智能和云平台的旅游数据分析系统，其特征在于，该系统包括：

游客信息获取单元，用于从云平台获取游客轨迹数据，对游客轨迹数据进行分析，提取出未被前序景点接纳而直接分流至后序景点的游客信息；

分流指数获取单元，用于针对任意景点有序偶，根据第一个景点的游客密度上限、未被第一个景点接纳而直接分流至第二个景点的游客信息、以及所述游客信息中进入第二个景点的游客信息得到该景点有序偶的分流指数；

亲和度获取单元，用于根据所有景点的游客密度上限、所有景点有序偶的分流指数以及游客的轨迹数据生成数据集，根据数据集进行训练得到各景点对应的关联特征向量，根据关联特征向量得到景点对的亲和度；

旅游热度获取单元，用于根据景点对的亲和度、景点对的依赖度得到景点对的联合吸引力度；基于景点的游客增长趋势、景点对的联合吸引力度，得到景点的旅游热度。

9.如权利要求8所述的系统，其特征在于，对摄像头采集的景点图像进行人脸识别得到游客信息并上传至云平台，云平台整合所有景点的游客信息，生成所述游客轨迹数据。

10.如权利要求8所述的系统，其特征在于，所述根据所有景点的游客密度上限以及所有景点有序偶的分流指数生成数据集包括：

步骤a，对所有景点的游客密度上限进行标准化处理，得到游客密度概率分布；

步骤b，基于游客密度概率分布随机选取一个景点，将所选取景点放入序列并作为待处理景点；

步骤c，循环执行以下操作直至序列长度满足第一设定条件：根据待处理景点的分流指数分布随机生成下一景点，并将所述下一景点加入序列；

步骤d，将所述下一景点作为待处理景点，循环执行步骤b、c直至数据集体量满足条件。

Images