CN115357798A - 一种基于大数据的智慧旅游目标推荐方法及系统 - Google Patents
一种基于大数据的智慧旅游目标推荐方法及系统 Download PDFInfo
- Publication number
- CN115357798A CN115357798A CN202211066518.6A CN202211066518A CN115357798A CN 115357798 A CN115357798 A CN 115357798A CN 202211066518 A CN202211066518 A CN 202211066518A CN 115357798 A CN115357798 A CN 115357798A
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- scenic
- passenger flow
- user
- spots
- 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.)
- Pending
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于大数据的智慧旅游目标推荐方法及系统,属于智慧旅游技术领域。所述推荐方法包括:S1、获取当前用户对不同类型景区的兴趣值;S2、基于景区的历史数据构建样本数据,对样本数据进行训练,得到每个景区的客流量预测模型;S3、获取目标区域的景区信息,所述景区信息包括景区质量等级、景区类型、历史客流量信息和用户对景区的评分;S4、预测目标区域内每个景区在目标日期的客流量;S5、获取目标区域内每个景区的推荐指数;S6、依推荐指数对目标区域内景区进行排序并推送至当前用户。本发明为用户推荐旅游景区时,即考虑到景区的实际情况,也考虑到用户的个性化爱好,所推荐的景区能够更加符合用户的喜好。
Description
技术领域
本发明属于智慧旅游技术领域,具体涉及一种基于大数据的智慧旅游目标推荐方法及系统。
背景技术
智慧旅游是通过新一代信息技术,充分收集和管理所有类型和来源的旅游数据,并深入挖掘这些数据的潜在重要价值信息,用以提升旅游服务、改善旅游体验、创新旅游管理、优化旅游资源利用。
基于大数据,智慧旅游还能够满足游客的个性化需求,如专利文献CN114629950A提出一种智慧旅游服务方法,包括:生成至少一个旅游项目信息,所述旅游项目信息包括导游项目信息和游客项目信息;将导游项目信息和游客项目信息分别发送到导游设备端和游客设备端;接收参团信息,所述参团信息包括所述导游设备端发送的导游参团信息和所述游客设备端发送的游客参团信息;根据所述参团信息生成对应所述旅游项目信息的成团信息。该方法能够将导游端和游客端的个性化需求进行整合,但其需要游客自己报名固定的旅游项目,无法按照游客的个性为其推荐适合的旅游项目。
又如专利文献CN112765475A提出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。该方法用于为用户提供个性化、多样化、多目的地的旅游线路参考。该方法的实现过程中,部分数据需要依赖调查问卷获取,并非利用数据分析的方式自动获取,实现过程繁琐。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于大数据的智慧旅游目标推荐方法及系统,用来为游客提供个性化的景区推荐服务。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于大数据的智慧旅游目标推荐方法,包括:
S1、获取当前用户对不同类型景区的兴趣值;
S2、基于景区的历史数据构建样本数据,对样本数据进行训练,得到每个景区的客流量预测模型;
S3、获取目标区域的景区信息,所述景区信息包括景区质量等级、景区类型、历史客流量信息和用户对景区的评分;
S4、预测目标区域内每个景区在目标日期的客流量;
S5、获取目标区域内每个景区的推荐指数;
S6、依推荐指数对目标区域内景区进行排序并推送至当前用户。
进一步的,步骤S1包括:
S11、获取当前用户的历史旅游信息;
S12、以其他用户对景区的评分为对比,获取当前用户对景区的兴趣权重值;
S13、将当前用户的历史旅游景区按景区类型进行分类,计算对每种景区类型的兴趣值。
进一步的,步骤S2包括:
S21、获取景区的历史数据,构建样本数据;
S22、对样本数据进行归一化处理;
S23、建立客流量预测模型;
S24、利用样本数据对客流量预测模型进行训练。
进一步的,步骤S5的计算参数包括当前用户对景区类型的兴趣值、到景区的便利程度、景区的评分、景区的质量等级、景区预测的客流量和景区客流量变化趋势。
进一步的,步骤S5对所述计算参数分别进行归一化处理,并附以不同的权重值后进行累加以计算出所述推荐指数。
进一步的,步骤S12中所述兴趣权重值计算公式为Qi=(Fi-Fmean)/(Ffull×2)+0.5,其中Qi为当前用户对景区i的兴趣权重值,Fi为当前用户对景区i的评分,Fmean为其他用户对景区i评分的平均值,Ffull为评分的满分值。
进一步的,在计算Fmean时,首先选定与当前用户历史旅游日期相近的时间段,该时间段内其他用户对景区评分的平均值即为Fmean。
进一步的,步骤S21中所述样本数据包括客流量、是否节假日、当年的第几天、天气类型和气象温度。
一种基于大数据的智慧旅游目标推荐系统,用于执行所述推荐方法,包括互相连接的用户单元、客流量单元、景区信息单元和景区推荐单元;
所述用户单元用于存储用户信息和用户的历史旅游信息,用于为用户提供交互界面,用于获取用户对不同类型景区的兴趣值;
所述客流量单元用于构建和训练客流量预测模型,用于预测景区的客流量;
所述景区信息单元用于存储景区信息,用于存储景区的客流量预测模型;
所述景区推荐单元用于获取目标区域内的所有景区,计算每个景区的推荐指数,依推荐度对景区进行排序后推送给当前用户。
对于单个游客来说,智慧旅游的一项重要功能就是为游客提供个性化的旅游产品。游客的个性化主要体现在对不同类型景区的喜好程度,因此,在为其推荐旅游景区时,了解其兴趣爱好就非常重要。如专利文献CN112765475A中,在确定游客喜好时,需要让游客填写调查问卷,利用问卷方式进行数据分析时,为提高准确度,需要填写较多的问卷项目,最终会影响用户体验。
所以,可以利用大数据分析的方法自动确定游客的旅游喜好,虽然有部分现有技术通过游客学历、年龄、身份、职业等信息分析其旅游爱好,但分析时未考虑游客的主观行为,分析结果不能完全体现游客的个性化。而本发明则对游客的历史旅游行程进行分析,一方面考虑用户在历史旅游行程中,对某种类型景区的游览次数,次数越多则说明用户对该种类型的景区感兴趣;同时,还将当前用户对景区的评分与其他用户的评分做对比,当前用户的评分越高,也能够反映用户对该种类型的景区感兴趣。
对游客旅游行程的影响还包括天气等客观因素,如专利文献CN110321489A的推荐算法就考虑到天气因素、目的地温度等客观情况。恶劣天气情况下游客的行进过程受限,因此天气条件较差时不应向游客推荐一些自然类景观,但仍有一些景观在特殊的天气下更具有观赏性,如部分天象与气候类景区,又如部分景区的雪景别具特色。
由于不同景区之间的差异,因此,就不能用同一个标准来确定景区推荐时天气因素的影响。但是,天气因素的影响会直接体现在景区的客流量上,大部分景区在恶劣天气下客流量会下降,但仍有部分特色景区在一些特殊的天气下客流量会上升(如部分景区游客专门在雪天去观赏雪景),所以,本发明对目标日期的客流量进行预测,将目标景区的客流量变化趋势作为景区推荐的指标,如果目标日期预测出的客流量与当前客流量相比具有增长趋势,即使当天天气较差,也说明会更多的游客将选择该景区,说明该景区具有推荐价值。
与现有技术相比,本发明的有益效果如下:
本发明能够为游客提供个性化的旅游景区推荐服务,本发明通过对游客历史旅游行程的分析,获取其对不同类型景区的兴趣值,将该兴趣值作为景区推荐的参考指标,因此所推荐的景区更符合游客的个性化需求。而本发明对游客历史旅游行程信息进行数据分析自动获取对不同类型景区的兴趣值,首先将当前用户对景区的评分与其他用户的评分做对比获得对该景区的兴趣权重值,随后将历史旅游景区按景区类型进行分类,将每种类型下所有景区的兴趣权重值累加,即获取了对该景区类型的兴趣值。所获得的兴趣值即考虑到某种类型景区的游览次数,也考虑到与其他用户的评分的对比,能够显著的反映出游客的主观意愿,反映出其个性化需求。
本发明在获取景区的推荐指数时,参考数据包括用户对景区类型的兴趣值、到景区的便利程度、景区的历史评分、景区的质量等级、景区预测的客流量和景区客流量变化趋势等,并且为不同的参考数据附以不同的权重值,因此,为用户推荐的旅游景区即考虑到不同景区之间实际情况的对比,也考虑到用户的个性化爱好。
对游客旅游行程的影响包括天气、温度等客观因素,而这些因素的影响也反映在景区的客流量上,因此,本发明将目标景区的客流量变化趋势作为景区推荐的指标,在推荐景区时不需要单独对天气因素进行分析。本发明采用机器学习的方式,通过对历史天气、日期、节假日、景区历史客流量等数据的分析,为每个景区构建并训练出客流量预测模型,通过该预测模型能够方便的预测出目标日期的客流量。
附图说明
下面结合附图对本发明做进一步的详细说明。
图1:本发明实施例1推荐方法的流程图;
图2:本发明实施例1获取不同类型景区兴趣值的流程图;
图3:本发明实施例1训练获得客流量预测模型的流程图;
图4:本发明实施例1客流量预测模型的示意图;
图5:本发明实施例3计算机设备的示意图。
具体实施方式
为了更好地理解本发明,下面结合实施例和附图进一步清楚阐述本发明的内容,但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员来说显而易见的是,本发明可以无需一个或多个这些细节而得以实施。
本申请中所述“当前用户”是指使用本方法或本系统的个体。本申请在工作时,当前用户设定旅游的目标区域、旅游日期、交通工具和启程地点,本发明将自动为用户推荐旅游景区。
本申请中所述“景区类型”按照自然景观类景区划分为地文景观类景区、水域风光类景区、生物景观类景区、天象与气候类景区等,按照人文景观类景区划分为历史遗址景区、建筑物景区、博物馆景区、民族民俗景区等。
实施例1:
本实施例的目的是提供一种基于大数据的智慧旅游目标推荐方法,如图1所示,所述推荐方法包括:
1、步骤S1,获取当前用户对不同类型景区的兴趣值。
在向用户推荐旅游景区时,景区类型是一项重要的参考指标,因此,就要获得用户感兴趣的景区类型。本步骤获取当前用户对各种景区类型的兴趣值,该兴趣值是用户兴趣的数值化表示,便于后续步骤的计算,数值越大代表越感兴趣。
本步骤在获取景区类型兴趣值时,一方面考虑用户在历史旅游行程中,对某种类型景区的游览次数,次数越多则说明用户对该种类型的景区感兴趣。同时,还将当前用户对景区的评分与其他用户的评分做对比,当前用户的评分越高,也能够反映用户对该种类型的景区感兴趣。
具体的,如图2所示,步骤S1包括:
1.1、步骤S11,获取当前用户的历史旅游信息。
所获取的历史旅游信息包括旅游景区、旅游日期、景区类型和对景区的评分。
1.2、步骤S12,遍历当前用户的历史旅游景区,以其他用户对该景区的评分为对比获取当前用户对该景区的兴趣权重值。
首先选定与当前用户历史旅游日期相近的时间段(如前后各三个月),获取该时间段内其他用户对景区评分的平均值。在相近的时间段内,用户经历的景区情况相似,以相近时间段内其他用户的评分为参考更能反映出当前用户对景区的主观倾向。
相关公式为Qi=(Fi-Fmean)/(Ffull×2)+0.5。其中Q为计算出的兴趣权重值,Qi具体为当前用户对景区i的兴趣权重值,Fi为当前用户对景区i的评分,Fmean为其他用户对景区i评分的平均值,Ffull为评分的满分值。
计算出的Q值范围为0-1,如果Q值大于0.5,说明当前用户对该景区的评分超过其他用户的平均评分,即当前用户可能对该类型的景区感兴趣。
1.3、步骤S13,将当前用户的历史旅游景区按景区类型进行分类,计算对每种景区类型的兴趣值。
本步骤实现时,将每种类型下所有景区的兴趣权重值累加,即获取了当前用户对该景区类型的兴趣值。
2、步骤S2,基于景区的历史数据构建样本数据,对样本数据进行训练,得到每个景区的客流量预测模型。
本步骤主要是利用景区的历史数据构建样本数据,并训练出每个景区的客流量预测模型。具体的,如图3所示,步骤S2包括:
2.1、步骤S21,获取景区的历史数据,构建样本数据。
本步骤遍历数据库中的所有景区,获取每个景区的历史数据,所获取的历史数据包括每日的客流量。
景区的客流量与天气情况直接相关,一般情况下,恶劣天气时游人较少,但一些景观在特殊的天气下更具有观赏性,如部分天象与气候类景区,又如部分景区的雪景别具特色,由于每个景区的客流量受天气影响各不相同,因此本实施例将气象数据列为样本数据,并为每个景区构建客流量预测模型。
随后判断目标日期是否为节假日;同时根据目标日期获取该景区当日的气象数据,气象数据包括天气类型、气象温度等,天气类型可划分为晴、多云、阴天、雨、雪等,甚至可细化为晴、多云、阴天、小雨、中雨、大雨、雨夹雪、小雪、中雪、大雪等更精确的天气类型。具体的气象数据可从当地气象部门获取,也可从互联网中获取。
在大时间尺度上,景区的客流量还与月份、季节相关,所以,应以超过一年的时间跨度获取样本数据。同时,本步骤还将目标日期是当年的第几天列为样本数据。
因此,本步骤所获取的每个景区的样本数据中,每天一组数据,每组数据均包括客流量、是否节假日、当年的第几天、天气类型和气象温度。
2.2、步骤S22,对样本数据进行归一化处理。
本步骤首先剔除无效或异常的样本数据,并将剩余样本数据作为样本矩阵输入。对于样本数据中的“天气类型”,可将不同的天气类型以晴、多云、阴天、小雨、中雨、大雨、雨夹雪、小雪、中雪、大雪的顺序排序,并分别以数值0,1,2…代替进行输入;样本数据中的“是否节假日”,以数值0代表非节假日,以数值1代表节假日。
由于样本数据中不同的特征量单位不同,其数量级和数值波动程度不同,为了减小数据形式不同带来的预测误差,需要对样本数据进行归一化处理,将数值缩放至0-1之间,公式为:f(xi)=(xi-xmin)/(xmax-xmin)。
公式中,f为归一化函数,xi为样本数据x第i项的值,xmin为样本数据x的最小值,xmax为样本数据x的最大值。
2.3、步骤S23,建立客流量预测模型。
现有技术中,多利用机器学习的方式构建和训练预测模型,而机器学习算法多种多样,本实施例以最小二乘支持向量机(LSSVM)算法为例进行说明。
LSSVM是在SVM基础上用等式约束代替不等式约束,避免了二次回归问题,计算精度和效率更高。本步骤利用LSSVM构建预测模型。
假设训练样本数据为{xi,yi},(i=1,2,…,l),xi∈Rn为n维系统输入向量,yi∈R为输出值。高维非线性映射H为高维特征空间。在特征空间H中,拟合样本集为其中ω为权向量,b为偏置量,xi、yi分别为系统输入向量和输出值。
基于正则化理论,采用最小二乘成本函数和等式约束建立了LSSVM优化问题的最小化函数,公式为:
最小化函数的拉格朗日求解方程为:
其中ai(i=1,2,…,l)为拉格朗日乘子。
最优的参数a和b可以通过KKT条件获得:
消去其中的ω和ξ,优化问题转化为求解方程如下:
LSSVM非线性预测模型的输出为:
在LSSVM的求解过程中,影响计算精度的主要因素是核参数,但传统的LSSVM预测模型中核参数不能随着需求自行调节,因此为了提高预测结果的精度,需要对核参数进行优化。本实施例还利用粒子群算法(PSO)对核参数进行优化。
粒子群算法中,每个潜在解都被当成一个点或“粒子”,所有潜在解组成“粒子群”。任意一次迭代,粒子群基于单个粒子个体极值Pbest和群全局极值gbest来不断更新。群体中第i个粒子在n维空间的位置表示为xi=(xi1,xi2,…,xin),其速度vi=(vi1,vi2,…,vin),第i个粒子的个体极值Pbest=(Pi1,Pi2,…,Pin),整个粒子群的全局极值gbest=(gi1,gi2,…,gin)。在极值点处,通过以下方程来更新自己的速度和位置:
vi(k+1)=qvi(k)+c1rand1(Pbest-xi(k))+c2rand2(gbest-xi(k))
xi(k+1)=xi(k)+vi(k+1)
2.4、步骤S24,利用样本数据对客流量预测模型进行训练。
将样本数据输入模型中进行训练,假设有n组训练样本数据(xi,yi)(i=1,2,…,n),其中xi为5维实数输入向量,代表客流量、是否节假日、当年的第几天、天气类型和气象温度经归一化后的数值,yi表示该组数组预测的客流量。建模的过程即是寻找输入向量xi与输出值yi之间的非线性映射关系,关系模型示意图如图4所示。
根据最小二乘支持向量机理论,相应的映射模型即为步骤S13所输出的非线性预测模型,a和b可以通过步骤S13求出;yi为LSSVM模型的发电功率的预测值。通过样本数据,对非线性映射模型进行训练。
LSSVM模型核函数为RBF核,方程为K(xi,xk)=exp(-γ‖xi-xk‖2),γ>0。其中γ为核函数参数,其值越小越容易欠拟合,值越大越容易过拟合,模型预测精度取决于C、γ的取值。采用粒子群算法,对参数C、γ的取值进行优化。
根据样本数据,求得参数最优解,以C、γ最优取值构建出客流量预测的关系模型。
3、步骤S3,获取目标区域的景区信息。
本步骤从存储有景区信息的数据库中,按照景区的位置信息筛选出目标区域内所有的景区并获取对应的景区信息。其中目标区域是用户旅游目的地所在区域,可以按照行政区域划分,也可以按照物理距离划分,目标区域类型(行政区划或距离划分)由当前用户指定。
景区信息包括景区名称、景区质量等级、景区类型、历史客流量信息和其他用户对景区的评分等。
4、步骤S4,预测目标区域内每个景区在目标日期的客流量。
本步骤首先获取目标日期是否为节假日以及为当年的第几天,并遍历目标区域内所有景区,获取这些景区在目标日期的预报气象数据(天气类型和气象温度)。最后利用景区的客流量预测模型,结合上述数据预测出每个景区的客流量。
5、步骤S5,获取目标区域内每个景区的推荐指数。
本步骤遍历目标区域内所有景区,计算出每个景区的推荐指数T。
本实施例在计算景区的推荐指数时,依据参数主要包括当前用户对景区类型的兴趣值H、到景区的便利程度E、景区的历史评分S、景区的质量等级A、景区预测的客流量L和景区客流量变化趋势M。
其中当前用户对景区类型的兴趣值H由步骤S1获得。
到景区的便利程度E根据用户到达景区的路途时间判断,首先根据用户的启程地点,规划到达景区的路程距离,并根据用户的交通工具获取到达景区所需时间。
景区的历史评分S为最近一段时间(如半年)内用户对该景区评分的平均值。
景区的质量等级A为依据《旅游景区质量等级评定管理办法》(GB/T17775-2003)的等级,5A级、4A级、3A级、2A级、A级和非A级分别以数值5、4、3、2、1、0代替。
在计算景区客流量变化趋势M时,首先判断目标日期是否为节假日,如果为非节假日,则获取最近3个非节假日景区客流量的平均值;如果为节假日,则获取最近3个节假日景区客流量的平均值。随后以公式计算客流量变化趋势,其中L表示所预测的目标日期的客流量,表示最近3个节假日或非节假日客流量的平均值。
最后,对上述六项参数分别进行归一化处理,并附以不同的权重值后进行累加以计算出推荐指数。相关公式为:Ti=f(Hi)×WH+f(Ei)×WE+f(Si)×WS+f(Ai)×WA+f(Li)×WL+f(Mi)×WM。其中f为步骤S22中的归一化函数,Ti为目标景区i的推荐指数,W表示每项参数的权重值。W的值可由本方法直接指定,也可由用户对上述六项参数依重要程度进行主观排序,最终以排序结果确定权重值。
6、步骤S6,依推荐指数对目标区域内所有景区进行排序并推送至当前用户。
依推荐指数T从高到低进行排序,并依次向当前用户推送排序后的景区信息。所推送的景区信息应包含景区基本情况(名称、地址、景区类型、景区质量等级)、步骤S4中预测的客流量,以及步骤S5中景区的推荐指数、景区的平均评分、到达景区的路途时间等信息。
需要说明的是,本实施例相关步骤的标号并不代表执行的先后顺序,如步骤S1、S2可在用户寻求景区推荐前由相关系统自动完成并存储结果,能够更快速的获取景区推荐并推送至当前用户。本领域技术人员对上述步骤的顺序变换并不离开本发明的保护范围。
实施例2:
本实施例的目的是提供一种基于大数据的智慧旅游目标推荐系统,所述推荐系统用于执行实施例1所述推荐方法,为了实现上述目的,本发明采用以下技术方案:
所述推荐系统包括均互相连接的用户单元、客流量单元、景区信息单元和景区推荐单元。
所述用户单元存储有用户信息和用户的历史旅游信息,并且为用户提供交互界面,还能够执行步骤S1以获取用户对不同类型景区的兴趣值,并对兴趣值进行存储。
所述客流量单元用于执行步骤S2以构建和训练景区的客流量预测模型,用于执行步骤S4以预测景区的客流量。
所述景区信息单元存储有景区的基本信息(景区名称、地址、质量等级、景区类型等)和历史信息(历史客流量、用户评分等),还存储有每个景区的客流量预测模型。
所述景区推荐单元用于执行步骤S5和步骤S6,用于根据用户指定信息获取目标区域内的所有景区,随后计算出各景区的推荐指数,并将各景区依推荐度进行排序后,将景区信息通过所述用户单元推荐给当前用户。
上述各单元可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个单元对应的操作。
实施例3:
本实施例的目的是提供一种基于大数据的智慧旅游目标推荐系统,所述推荐系统用于执行实施例1所述推荐方法,为了实现上述目的,本发明采用以下技术方案:
所述推荐系统包括计算机设备和存储介质。
所述计算机设备可以是计算机,也可以是服务器,其内部结构图可以如图5示。所述计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,所述计算机设备的处理器用于提供计算和控制能力。所述计算机设备的存储器包括非易失性存储介质、内存储器;所述非易失性存储介质存储有操作系统、计算机程序和数据库;所述内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。所述计算机设备的网络接口用于与外部设备通过网络连接通信。所述计算机程序被处理器执行时用来执行实施例1所述推荐方法。
本领域技术人员可以理解,图5示出的结构,仅仅是与本发明相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
所述存储介质用于存储所述计算机程序、用户数据和景区数据。所述存储介质可以是所述计算机设备内置的可读存储介质,也可以是与所述计算机设备通信连接的存储服务器。
上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于大数据的智慧旅游目标推荐方法,其特征在于:包括:
S1、获取当前用户对不同类型景区的兴趣值;
S2、基于景区的历史数据构建样本数据,对样本数据进行训练,得到每个景区的客流量预测模型;
S3、获取目标区域的景区信息,所述景区信息包括景区质量等级、景区类型、历史客流量信息和用户对景区的评分;
S4、预测目标区域内每个景区在目标日期的客流量;
S5、获取目标区域内每个景区的推荐指数;
S6、依推荐指数对目标区域内景区进行排序并推送至当前用户。
2.根据权利要求1所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S1包括:
S11、获取当前用户的历史旅游信息;
S12、以其他用户对景区的评分为对比,获取当前用户对景区的兴趣权重值;
S13、将当前用户的历史旅游景区按景区类型进行分类,计算对每种景区类型的兴趣值。
3.根据权利要求1所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S2包括:
S21、获取景区的历史数据,构建样本数据;
S22、对样本数据进行归一化处理;
S23、建立客流量预测模型;
S24、利用样本数据对客流量预测模型进行训练。
4.根据权利要求1所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S5的计算参数包括当前用户对景区类型的兴趣值、到景区的便利程度、景区的评分、景区的质量等级、景区预测的客流量和景区客流量变化趋势。
5.根据权利要求4所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S5对所述计算参数分别进行归一化处理,并附以不同的权重值后进行累加以计算出所述推荐指数。
6.根据权利要求2所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S12中所述兴趣权重值计算公式为Qi=(Fi-Fmean)/(Ffull×2)+0.5,其中Qi为当前用户对景区i的兴趣权重值,Fi为当前用户对景区i的评分,Fmean为其他用户对景区i评分的平均值,Ffull为评分的满分值。
7.根据权利要求6所述的基于大数据的智慧旅游目标推荐方法,其特征在于:在计算Fmean时,首先选定与当前用户历史旅游日期相近的时间段,该时间段内其他用户对景区评分的平均值即为Fmean。
9.根据权利要求3所述的基于大数据的智慧旅游目标推荐方法,其特征在于:步骤S21中所述样本数据包括客流量、是否节假日、当年的第几天、天气类型和气象温度。
10.一种基于大数据的智慧旅游目标推荐系统,用于执行权利要求1-9中任一项所述推荐方法,其特征在于:所述推荐系统包括互相连接的用户单元、客流量单元、景区信息单元和景区推荐单元;
所述用户单元用于存储用户信息和用户的历史旅游信息,用于为用户提供交互界面,用于获取用户对不同类型景区的兴趣值;
所述客流量单元用于构建和训练客流量预测模型,用于预测景区的客流量;
所述景区信息单元用于存储景区信息,用于存储景区的客流量预测模型;
所述景区推荐单元用于获取目标区域内的所有景区,计算每个景区的推荐指数,依推荐度对景区进行排序后推送给当前用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066518.6A CN115357798A (zh) | 2022-08-31 | 2022-08-31 | 一种基于大数据的智慧旅游目标推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066518.6A CN115357798A (zh) | 2022-08-31 | 2022-08-31 | 一种基于大数据的智慧旅游目标推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115357798A true CN115357798A (zh) | 2022-11-18 |
Family
ID=84003832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066518.6A Pending CN115357798A (zh) | 2022-08-31 | 2022-08-31 | 一种基于大数据的智慧旅游目标推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115357798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909575A (zh) * | 2023-12-20 | 2024-04-19 | 湖北工业大学 | 一种历史城区旅游景点的数字化推荐方法及系统 |
-
2022
- 2022-08-31 CN CN202211066518.6A patent/CN115357798A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909575A (zh) * | 2023-12-20 | 2024-04-19 | 湖北工业大学 | 一种历史城区旅游景点的数字化推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Forecasting tourist arrivals with machine learning and internet search index | |
Bi et al. | Daily tourism volume forecasting for tourist attractions | |
US20200265502A1 (en) | Methods and systems for order processing | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
CN111523722B (zh) | 一种基于深度强化学习的智能充电站优化选择系统 | |
CN112236787B (zh) | 用于生成个性化目的地推荐的系统和方法 | |
CN105303487A (zh) | 一种行程服务方法和装置 | |
CN108897750B (zh) | 融合多元上下文信息的个性化地点推荐方法及设备 | |
CN110245377B (zh) | 一种出行方案推荐方法及推荐系统 | |
CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
Trattner et al. | Investigating the utility of the weather context for point of interest recommendations | |
CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
CN112785029A (zh) | 一种基于深度聚类模型的充电站用电量预测方法 | |
CN115357798A (zh) | 一种基于大数据的智慧旅游目标推荐方法及系统 | |
Qu et al. | How many vehicles do we need? Fleet sizing for shared autonomous vehicles with ridesharing | |
CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
Dadashpour Moghaddam et al. | A GIS-based assessment of urban tourism potential with a branding approach utilizing hybrid modeling | |
Shmueli | Applications of neural networks in transportation planning | |
CN113672797A (zh) | 一种内容推荐方法及装置 | |
Wu et al. | Assuring quality and waiting time in real-time spatial crowdsourcing | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
Courtney et al. | High resolution forecasting for wind energy applications using Bayesian model averaging | |
Quan et al. | An optimized task assignment framework based on crowdsourcing knowledge graph and prediction | |
CN115994787A (zh) | 一种基于神经网络的拼车需求预测匹配方法 |
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 |