CN117237061A - 基于跨业态的旅游产品自动生成方法、装置及存储介质 - Google Patents
基于跨业态的旅游产品自动生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117237061A CN117237061A CN202311499090.9A CN202311499090A CN117237061A CN 117237061 A CN117237061 A CN 117237061A CN 202311499090 A CN202311499090 A CN 202311499090A CN 117237061 A CN117237061 A CN 117237061A
- Authority
- CN
- China
- Prior art keywords
- user
- travel
- cross
- business
- travel product
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 15
- 238000010200 validation analysis Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了基于跨业态的旅游产品自动生成方法、装置及存储介质，包括：获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；判断所述第一用户是否为单独出行或集体出行；针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于跨业态的旅游产品自动生成方法、装置及存储介质。
背景技术
随着AI技术的发展，个性化服务和推荐系统在各个行业中得到了广泛的应用，但在旅游行业，用户往往需要考虑不同的旅游产品组合来实现一次旅游，例如选择导游，选择路线，选择机票和酒店等等，这些往往不是一个单独的产品，而是需要时间、费用上的衔接和考量，主要靠自己挑选不同的旅游产品进行组合。
因此，目前的推荐系统主要基于用户的历史消费记录或简单的喜好调查来为用户推荐产品和服务，但这些系统无法实现真正的个性化推荐，更无法做到针对不同群体提供匹配的旅游产品组合。
发明内容
本申请提供了一种基于跨业态的旅游产品自动生成方法、装置及存储介质，用于解决现有技术中旅游产品个性化程度不高的问题。
鉴于上述问题，本申请提供了一种基于跨业态的旅游产品自动生成方法、装置及存储介质。
本申请实施例提供一种基于跨业态的旅游产品自动生成方法，包括：
获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
判断所述第一用户是否为单独出行或集体出行；
针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序；
其中，为第一用户推荐相应的跨业态旅游产品组合，包括：
若所述第一用户为集体出行，则将旅游资源定义为任务，基于每一用户偏好对每一个任务分配一个权重；基于所述任务及对应的权重，为所述集体出行的每一用户分配匹配的旅游资源，以确保每一用户都能获得期望的旅游资源；
其中，为所述集体出行的每一用户分配匹配的旅游资源，包括：
为所述每一用户定义一个优先级；计算所述每一用户的旅游资源总量；当有旅游资源可用时，分配给优先级最高和/或旅游资源总量最低的用户；更新每一用户的旅游资源总量；动态调整并优化旅游资源的分配机制；
或，
为第一用户推荐相应的跨业态旅游产品组合，包括：
收集第一用户的历史数据；
基于所述第一用户的历史数据，对所述第一用户的出行模式进行分类；
构建决策树模型，并使用所述第一用户的历史数据对所述决策树模型进行训练；
利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
使用所述训练后的决策树模型对第一用户的跨业态旅游产品组合进行预测；
推荐所述预测后的跨业态旅游产品组合给所述第一用户。
可选地，获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品，包括：
收集并分析所述第一用户的基本信息；
通过人工智能算法对所述第一用户的旅游偏好进行预测；
根据所述第一用户的基本信息和所述第一用户的旅游偏好预测结果，生成跨业态的旅游产品套餐；
根据目的地，从所述跨业态的旅游产品套餐中选择适配的所述跨业态旅游产品。
可选地，通过人工智能算法对所述第一用户的旅游偏好进行预测，包括：
收集第一用户的历史数据；
对所述历史数据进行数据预处理，并将预处理后的数据划分为训练集和测试集；
构建决策树模型，并用所述训练集训练所述决策树模型；
利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
使用训练好的所述决策树模型进行旅游偏好预测。
可选地，通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序，包括：
获取所述第一用户的历史数据；
对所述历史数据进行预处理；
将预处理后的历史数据划分为训练集和测试集；
构建长短时记忆LSTM模型；
使用所述训练集训练所述LSTM模型；
将训练后的LSTM模型对所述第一用户偏好进行预测，并基于预测结果调整所述跨业态旅游产品组合的排序。
可选地，在为第一用户推荐相应的跨业态旅游产品组合之前，所述方法还包括：
为每一种业态旅游产品定义一个唯一的虚拟地址，多个虚拟地址构成一个虚拟地址空间；
将所述第一用户的偏好映射在所述虚拟地址空间中；
当需要为所述第一用户推荐旅游产品时，查找所述第一用户映射的虚拟地址范围，并在所述虚拟地址范围内选择出对应的旅游产品组合。
可选地，将所述第一用户的偏好映射在所述虚拟地址空间中，包括：
定义所述第一用户的多个偏好，每一个偏好定义为一个偏好特征；
为每种业态旅游产品的每一个属性分配一个范围；
将所述第一用户的每一个偏好特征映射倒虚拟地址空间中的范围内，包括：
设P为用户的偏好特征，A为虚拟地址空间的区间，设每一个偏好特征Pi有一个对应的权重Wi，则映射函数定义为：
；
其中，M(P) 是映射后的虚拟地址空间坐标，wi是第 i 个偏好特征的权重，而 Ai是与第i个偏好特征对应的虚拟地址空间的区间，是自定义常数，i的取值为[1,n]，n为自定义正整数。
本申请实施例还提供一种基于跨业态的旅游产品自动生成装置，所述装置包括：
获取模块，用于获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
判断模块，用于判断所述第一用户是否为单独出行或集体出行；
推荐模块，用于针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
调整模块，用于通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序；
其中，所述推荐模块用于为第一用户推荐相应的跨业态旅游产品组合，包括：
若所述第一用户为集体出行，则将旅游资源定义为任务，基于每一用户偏好对每一个任务分配一个权重；基于所述任务及对应的权重，为所述集体出行的每一用户分配匹配的旅游资源，以确保每一用户都能获得期望的旅游资源；
其中，为所述集体出行的每一用户分配匹配的旅游资源，包括：为所述每一用户定义一个优先级；计算所述每一用户的旅游资源总量；当有旅游资源可用时，分配给优先级最高和/或旅游资源总量最低的用户；更新每一用户的旅游资源总量；动态调整并优化旅游资源的分配机制；
或，
所述推荐模块用于为第一用户推荐相应的跨业态旅游产品组合，包括：
收集第一用户的历史数据；基于所述第一用户的历史数据，对所述第一用户的出行模式进行分类；构建决策树模型，并使用所述第一用户的历史数据对所述决策树模型进行训练；利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；使用所述训练后的决策树模型对第一用户的跨业态旅游产品组合进行预测；推荐所述预测后的跨业态旅游产品组合给所述第一用户。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
本申请中提供的一个或多个技术发明，至少具有如下技术效果或优点：
本申请实施例提供的一种基于跨业态的旅游产品自动生成方法，装置及存储介质，基于第一用户画像，提供了一种以目的地为核心的跨业态打包套餐生成的技术方案。该技术解决了现有技术实现个性化推荐旅游产品或旅游产品组合不足的问题，尤其是无法针对第一用户画像进行以目的地为核心的跨业态打包套餐生成的技术缺陷。
附图说明
图1为本申请提供的一种基于跨业态的旅游产品自动生成方法流程示意图；
图2为本申请提供的S101的细化流程图；
图3为本申请提供的S103的细化流程图；
图4为本申请提供的为第一用户推荐相应的跨业态旅游产品组合的细化流程图；
图5为本申请提供的一种基于跨业态的旅游产品自动生成装置结构示意图；
图6为本申请提供的一种基于跨业态的旅游产品自动生成系统结构示意图。
具体实施方式
本申请实施例提供的一种基于跨业态的旅游产品自动生成方法，装置及存储介质，基于第一用户画像，提供了一种以目的地为核心的跨业态打包套餐生成的技术方案。该技术解决了现有技术实现个性化推荐旅游产品或旅游产品组合不足的问题，尤其是无法针对第一用户画像进行以目的地为核心的跨业态打包套餐生成的技术缺陷。
实施例一
如图1所示，本申请提供了一种基于跨业态的旅游产品自动生成方法，所述方法包括：
S101.获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
用户画像指的是用户的基本信息、旅游偏好等，跨业态旅游产品指的是跨越多种不同种类的旅游产品，例如酒店，机票，导游，大巴等不同旅游产品或服务。
如图2所示，S101包括如下步骤：
A1.收集并分析所述第一用户的基本信息，如年龄、性别、社交关系、消费能力等；
A2.通过人工智能算法对所述第一用户的旅游偏好进行预测；
A2具体包括：
A21.收集第一用户的历史数据；
历史数据，可以从第一用户的社交媒体、搜索记录、购买记录、浏览记录等多个来源收集数据。也可以使用问卷或调查来了解第一用户的具体旅游喜好和偏好。此外，获取用户历史数据须经用户同意或授权，本申请实施例的方法中已获得用户的同意并授权。
A22.对所述历史数据进行数据预处理，并将预处理后的数据划分为训练集和测试集；
预处理，具备包括如下三个步骤：
A22.1: 清洗数据，移除重复、不完整或不准确的数据。
A22.2: 对数据进行归一化和标准化，确保所有数据在同一尺度上。
A22.3: 进行特征工程，选择与旅游偏好相关的关键特征。
可选地，还可以对历史数据进行探索性分析，了解数据的基本情况、分布和关联。例如，使用聚类分析将第一用户分为不同的群体，例如"海滩爱好者"、"文化旅游者"、"冒险游客"等。
预处理数据之后，将该历史数据划分为训练集和测试集，在本发明实施例中，使用70%的数据作为训练集，30%的数据作为测试集。
A23.构建决策树模型，并用所述训练集训练所述决策树模型；
决策树是一种常见的机器学习算法，其主要优点是模型解释性强，易于理解。
用所述训练集训练所述决策树模型，包括如下步骤：
A231. 数据准备：首先，需要将数据分为训练集和测试集（或验证集）。可以使用例如 `train_test_split` 这样的函数来实现这一步骤。
A232. 模型初始化：使用决策树的库（如 scikit-learn 的 `DecisionTreeClassifier` 或 `DecisionTreeRegressor`）来创建一个决策树对象。使用默认参数意味着在初始化模型时不需要指定任何参数。
A233. 模型训练：使用训练集的数据和标签来训练模型。通过调用模型对象的 `fit` 方法来实现。
A24.利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
决策树有许多可以调整的参数，以下是其中一些关键参数及其调整方法：
树的深度 (max_depth)：树的最大深度。可以限制此值以防止模型过拟合。
最小分割样本数 (min_samples_split)：节点再次分割之前所需的最小样本数。增加这个值可以使模型更保守。
叶节点的最小样本数 (min_samples_leaf)：叶子节点所需的最小样本数。增加这个值可以防止模型学习数据中的噪音。
最大特征数 (max_features)：寻找最佳分割时要考虑的特征数量。
评价指标 (criterion)：可以是“gini”或“entropy”，用于测量分割的质量。
为了寻找这些参数的最优值，通常采用以下技术：
网格搜索 (GridSearchCV)：列出每个参数的一系列可能的值，然后尝试所有的组合。这种方法是计算密集型的，但它可以找到参数的最佳组合。
随机搜索 (RandomizedSearchCV)：与网格搜索相似，但只随机尝试一定数量的参数组合。这种方法更快，但可能不如网格搜索准确。
此外，还需要在测试集上评估参数优化后的模型，并与基准模型进行比较。查看模型的准确性、召回率、F1得分等指标是否有所提高。
A25.使用训练好的所述决策树模型进行旅游偏好预测。
使用训练好的模型对第一用户的旅游偏好进行预测，例如，喜好历史文化、乡村田园等。
A3.根据所述第一用户的基本信息和所述第一用户的旅游偏好预测结果，生成跨业态的旅游产品套餐；
假设本方案有以下第一用户画像和偏好的预测结果：
第一用户画像：
名称：王先生
年龄：32岁
性别：男
职业：IT工程师
社交关系：已婚，有一个5岁的孩子
消费能力：中上
旅游历史：近两年内，王先生已去过海滨度假区、山区徒步和城市短途旅行
预测的偏好：
旅游类型：亲子旅游
喜好：历史文化、宁静的乡村、儿童友好设施
不喜好：过于商业化的景点
根据以上第一用户画像和预测的偏好，本方案可以为王先生生成以下跨业态的旅游套餐：
1. 目的地选择：
选择一个拥有丰富历史文化遗产的乡村，如中国的乌镇或西塘，这些地方有许多古老的建筑和水乡风光，同时也有为孩子准备的各种活动。
2. 机票：
根据王先生的位置，选择最近的国际机场，并预定直飞到目的地或最近城市的航班。
考虑到他有一个小孩，为他选择宽敞舒适的座位，并确保飞行时间不会过长。
3. 酒店：
选择一个位置靠近景点、并拥有儿童友好设施（如儿童游乐场、儿童游泳池等）的中高端酒店或家庭旅馆。
为王先生预定一个家庭房，确保房间内有为小孩准备的用品，如儿童牙刷、浴巾等。
4. 大巴接送：
从最近的城市机场提供专车接送服务，确保车辆内部安全舒适，特别是对于5岁的小孩。
可以为王先生提供一个当地的导游，这样他可以更深入地了解当地的历史和文化。
5. 旅游路线：
Day 1: 抵达并休息，晚上可以参观当地的夜市或文化表演。
Day 2: 参观主要的历史文化景点，中午休息，下午可以选择去一个儿童友好的活动中心。
Day 3: 在乡村中进行自由活动，如乘船游览、参与当地的手工艺制作等。
Day 4: 返回城市，如果时间允许，可以在城市中进行简短的购物或参观。
通过上述方式，本方案可以为王先生提供一个完整的、符合他偏好和需求的跨业态旅游套餐。
A4.根据目的地，从所述跨业态的旅游产品套餐中选择适配的所述跨业态旅游产品。
上述旅游产品套餐中，存在着基于不同目的地的不同旅游产品推荐，形成推荐列表，在A4步骤中，用户选择了其中的一个目的地，那么就在当前的推荐旅游产品套餐中选择适配该目的地的跨业态旅游产品。
示例：
目的地：日本京都
第一用户： 张女士，27岁，独自旅行，对日本文化和传统非常感兴趣，但还未曾去过京都。
适配的旅游套餐：
1. 路线选择： 为张女士安排一个五日四夜的京都深度游。
Day 1: 抵达京都，休息，晚上可以逛逛祗园。
Day 2: 参观金阁寺、银阁寺和哲学之路。
Day 3: 体验茶道，参观京都御所和二条城。
Day 4: 到嵐山游览天龙寺、竹林小径。
Day 5: 自由活动或购物，然后返回。
2. 机票： 选择直飞到京都或大阪的航班，考虑中等价位的经济舱。
3. 酒店： 选择位于京都市中心，方便出行的三星或四星酒店，安静且安全，适合单身女性旅客。
S102.判断所述第一用户是否为单独出行或集体出行；
其中，第一用户可以在旅游平台上进行选择单独或者跟团，或者一家人组团出行等。
S103.针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
在其中一个实施例中，若所述第一用户为集体出行，为了让包括第一用户在内的各个用户（假设该第一用户和其他用户组成了一个旅游团）都能够得到自己期望的旅游体验，那么传统的旅游团统一安排的方式则不太适合，此时需要照顾不同用户的旅游体验和旅游偏好，因此，需要制定一个集体出行旅游策略，尽量确保旅游团中的每一个用户能够获得自己想要的旅游体验。因此，如图3所示，S103包括如下步骤：
B1.将旅游资源定义为任务，基于每一用户偏好对每一个任务分配一个权重；
在本发明实施例中，创造性地提出了一种基于公平原则的旅游资源分配方案，不同的用户由于其对旅游的期望，偏好都不同，很难做到面面俱到，因此，只能从相对公平的角度，让高优先级和/或高权重的用户享受到优先的旅游资源分配。
因此，本发明实施例中，将各种旅游资源（如酒店、景点、交通方式等）视为“任务”，每种资源都有其“权重”或“优先级”。例如，对于某些用户而言特别想参观金阁寺，则为这一景点分配较高的权重。
B2.基于所述任务及对应的权重，为所述集体出行的每一用户分配匹配的旅游资源，以确保每一用户都能获得期望的旅游资源；
其中，B2具体包括：
B21.为所述每一用户定义一个优先级；
为每个用户定义一个“优先级”值，表示该用户对旅游资源的需求程度。例如，一个长时间没有进行旅游的用户可能会有一个较高的优先级（其对旅游体验的期望高），而一个经常旅游的用户可能会有一个较低的优先级。
B22.计算所述每一用户的旅游资源总量；
旅游资源总量的意思是该用户已经得到的旅游资源的总量，可以通过用户在过去使用的某一类旅游资源数量（如预定的酒店天数、旅行天数等）来计算，本发明实施例中，统一成一个标准，即旅行天数来计算旅游资源数量。那么，旅游资源总量低则代表旅游的天数最低，反之，则代表旅游天数最高。
B23.当有旅游资源可用时，分配给优先级最高和/或旅游资源总量最低的用户；
当有旅游资源（酒店、景点等）可用时，优先分配给优先级最高和/或旅游资源总量最低的用户，确保了那些尚未充分使用旅游资源的第一用户会得到优先权。
B24.更新每一用户的旅游资源总量；
一旦优先级最高和/或旅游资源总量最低的用户被分配了旅游资源，其旅游资源总量就会相应地增加，因此需要重新更新后重新排序。
B25.动态调整并优化旅游资源的分配机制。
为确保资源的使用是最优的，可以采用以下策略：
动态调整权重：根据用户的实时反馈和行为动态调整权重。
预测和预分配：使用机器学习模型预测第一用户的旅游需求，并提前为用户预分配资源。
资源交换：允许用户之间交换或转让已分配但尚未使用的旅游资源。
在另一个实施例中，如图4所示，为第一用户推荐相应的跨业态旅游产品组合，具体包括：
C1.收集第一用户的历史数据；
收集第一用户历史数据，如他们过去选择的酒店类型、航班时间、旅游大巴偏好、是否使用导游等。
C2.基于所述第一用户的历史数据，对所述第一用户的出行模式进行分类；
基于历史数据，可以对第一用户进行出行模式分类，如家庭出行、商务出行、独自旅行等。
C3.构建决策树模型，并使用所述第一用户的历史数据对所述决策树模型进行训练；
决策树是一种监督学习算法，可以用于分类或回归任务。在推荐系统的上下文中，本方案可以使用决策树来基于第一用户的特征对跨业态旅游产品组合进行分类。具体包括：
E1. 定义目标变量
目标变量将是跨业态旅游产品组合的类别。例如，基于第一用户的特征和出行模式，可能有几种跨业态旅游产品组合的建议，如“豪华酒店+商务机票+高端大巴+私人导游”或“经济酒店+经济舱机票+大巴接送”。
E2. 训练决策树模型
使用上述历史数据训练决策树模型，目标是预测第一用户可能喜欢的跨业态旅游产品组合。
使用上述历史数据训练决策树模型，可以按照以下步骤进行：
E21. 数据预处理：
清洗数据：去除或填充缺失值，删除异常值。
特征编码：将非数字的特征，如目的地名称、酒店类型等，转化为数值表示。这可以通过One-Hot编码、标签编码等方式实现。
特征选择：选择与目标变量（即用户喜欢的跨业态产品组合）最相关的特征，或使用特征选择算法来降低维度。
E22. 划分数据集：
通常会把数据集分为训练集、验证集和测试集，例如按照70/15/15的比例。
E23. 构建决策树模型：
选择算法：根据问题的性质，选择适当的决策树算法，如ID3、C4.5、CART等。
参数设定：决定树的深度、叶节点最少的样本数、节点分裂的最小样本数等。
E24. 训练模型：
使用训练集的数据训练决策树模型。
根据验证集的表现调整模型参数。例如，如果模型在训练集上表现很好，但在验证集上表现不佳，可能是过拟合。此时可以考虑减小树的深度或增加节点分裂的最小样本数。
E25. 模型评估：
使用测试集评估模型的准确性。
可以通过混淆矩阵、准确率、召回率等指标来衡量模型的性能。
E3. 参数优化
对决策树的参数（如树的深度、分裂准则等）进行优化，以提高模型的性能。
E4. 验证与评估
使用交叉验证来评估模型的性能。确保模型在验证数据集上的表现与训练数据集上的表现相似，避免过拟合。
E5. 部署与实施
一旦满意模型的性能，将其部署到实际的推荐环境中，以便为实际第一用户提供推荐。
具体的，将第一用户数据输入到预先训练的决策树模型中。
模型将根据输入的特征信息沿着树的路径进行决策，直到到达一个叶节点。这个叶节点即代表推荐的跨业态旅游产品组合。
此外，如果决策树的输出是一个粗略的类别（例如，“高端套餐”或“经济套餐”），需要进一步详细地为第一用户列出该类别下的具体产品组合，如酒店名称、航班号、大巴路线等。
将推荐的跨业态旅游产品组合以友好的形式展示给第一用户，包括图像、描述、价格等。同时，可以为第一用户提供一些调整工具，让他们能够根据自己的具体需求进行一些调整。
C4.利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
决策树有许多可以调整的参数，以下是其中一些关键参数及其调整方法：
树的深度 (max_depth)：树的最大深度。可以限制此值以防止模型过拟合。
最小分割样本数 (min_samples_split)：节点再次分割之前所需的最小样本数。增加这个值可以使模型更保守。
叶节点的最小样本数 (min_samples_leaf)：叶子节点所需的最小样本数。增加这个值可以防止模型学习数据中的噪音。
最大特征数 (max_features)：寻找最佳分割时要考虑的特征数量。
评价指标 (criterion)：可以是“gini”或“entropy”，用于测量分割的质量。
为了寻找这些参数的最优值，通常采用以下技术：
网格搜索 (GridSearchCV)：列出每个参数的一系列可能的值，然后尝试所有的组合。这种方法是计算密集型的，但它可以找到参数的最佳组合。
随机搜索 (RandomizedSearchCV)：与网格搜索相似，但只随机尝试一定数量的参数组合。这种方法更快，但可能不如网格搜索准确。
C5.使用所述训练后的决策树模型对第一用户的跨业态旅游产品组合进行预测；
使用决策树为第一用户提供跨业态旅游产品组合建议时，核心是实时利用已训练的模型，基于第一用户当前提供的信息（偏好信息、订单等）来进行预测和推荐。
C6.推荐所述预测后的跨业态旅游产品组合给所述第一用户。
其中，决策树模型将根据输入的特征信息沿着树的路径进行决策，直到到达一个叶节点。这个叶节点即代表推荐的跨业态旅游产品组合。
在一个实施例中，在为第一用户推荐相应的跨业态旅游产品组合之前，本发明实施例还包括：
F1.为每一种业态旅游产品定义一个唯一的虚拟地址，多个虚拟地址构成一个虚拟地址空间；
跨态虚拟地址共享地址空间可以视为一种元数据管理策略，将不同的业态资源（如酒店、机票等）视为在一个统一的“地址空间”中。
虚拟地址本身的含义是由程序生成并用于访问数据的地址。这个地址不是物理内存中的实际地址，而是通过一组映射机制（如页表）转换为物理地址。在本发明实施例中，虚拟地址还有一层引申含义，即用于资源共享的虚拟映射空间。每一个旅游产品都有一个唯一的虚拟地址，例如特定的酒店可以有一个地址，特定的航班有另一个地址。该地址不仅表示了该旅游产品的唯一性，也表示了该旅游产品在地址空间（数据库）中的存储位置。
本发明实施例中，需要为每种业态旅游产品定义一个唯一的“地址”：每种业态旅游产品可以被分配一个唯一标识符，比如一个UUID（通用唯一标识符）或一个递增的数字ID。这个标识符在整个系统或数据库中都是唯一的，可以视为该产品的“虚拟地址”。
当涉及到多个供应商时，确保虚拟地址的唯一性变得尤为重要。以下是一些策略来实现这一点：
集中式的地址分配：有一个中央机构或系统负责为所有供应商的产品分配地址。这样，可以确保地址的唯一性。
分层的地址结构：首先按供应商分类，然后在每个供应商下为其产品分配地址。例如，“供应商A-产品001”和“供应商B-产品001”。这样，即使两个供应商有相同的产品编号，它们的完整虚拟地址仍然是唯一的。
使用名称空间：每个供应商都有其自己的名称空间，在这个名称空间内分配地址。这与分层的地址结构类似，但更加灵活，允许每个供应商使用自己的地址分配方案。
地址空间的共享：
尽管每个供应商都有其自己的地址，但这些地址都存在于同一系统或数据库中，可以被统一查询和访问。共享地址空间的好处是，它允许系统或应用程序不必关心产品来源于哪个供应商，只需使用其虚拟地址即可找到它。
例如，当第一用户搜索一个产品时，搜索引擎可以在共享的地址空间中查找，返回来自所有供应商的相关产品。这种方法使得集成和管理多个供应商的产品变得更加简单和高效。
F2.将所述第一用户的偏好映射在所述虚拟地址空间中；
将第一用户的偏好映射到这个地址空间中，例如，如果第一用户更喜欢四星酒店，那么他的偏好可能会映射到这类酒店的地址范围内。
具体地，将所述第一用户的偏好映射在所述虚拟地址空间中，包括：
F21.定义所述第一用户的多个偏好，每一个偏好定义为一个偏好特征；
需要明确第一用户偏好的种类和范围。包括旅行目的地、旅行方式、预算、旅行日期等。每一个偏好都可以看作是一个特征。
F22.为每种业态旅游产品的每一个属性分配一个范围；
为每种业态旅游产品的每一个属性或特征分配一个范围或区间。例如，酒店可能按星级、地理位置或价格范围分类。
F23.将所述第一用户的每一个偏好特征映射倒虚拟地址空间中的范围内，包括：
设P为用户的偏好特征，A为虚拟地址空间的区间，设每一个偏好特征Pi有一个对应的权重Wi，则映射函数定义为：
；
其中，M(P) 是映射后的虚拟地址空间坐标，wi是第 i 个偏好特征的权重，而 Ai是与第i个偏好特征对应的虚拟地址空间的区间，是自定义常数，i的取值为[1,n]，n为自定义正整数。
例如，如果第一用户偏好是5星级酒店，那么可以将其映射到虚拟地址空间中与5星级酒店对应的区间。
F3.当需要为所述第一用户推荐旅游产品时，查找所述第一用户映射的虚拟地址范围，并在所述虚拟地址范围内选择出对应的旅游产品组合。
具体地，基于转化后的坐标，创建一个查询参数或查询向量。这个查询向量可以用来在虚拟地址空间中搜索与第一用户偏好相匹配的产品，在虚拟地址空间中执行基于上述查询参数的搜索，返回与第一用户偏好相匹配的产品或服务的虚拟地址。将查询到的虚拟地址转化为实际的产品信息，并展示给第一用户。第一用户可以根据返回的结果进行选择或进一步的查询。
S104.通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序。
在一个实施例中，可以通过其他人工智能模型（如LSTM模型）进行跨业态旅游产品组合的排序。通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序，包括：
D1.获取所述第一用户的历史数据；
从多个数据源收集第一用户的历史旅游数据。这些数据可能包括第一用户过去的酒店预订、旅游目的地、购买的旅游产品、浏览历史、评价和反馈等。
D2.对所述历史数据进行预处理；
对收集到的数据进行清洗、标准化和转换，例如填充缺失值、去除异常值、进行特征工程等。
此外，基于预处理后的数据，为每个用户构建一个特征向量。这个向量可能包括：
第一用户的年龄、性别、职业等基本信息
历史旅游目的地
喜欢的旅游产品类型
第一用户的评价和反馈
旅游频率
...等等
D3.将所述预处理后的历史数据划分为训练集和测试集；
使用收集到的数据，将其分为训练集和测试集，并开始训练选择的深度学习模型。此过程中可能需要多次调整模型参数、结构或使用技巧如dropout、正则化等以提高性能和防止过拟合。
D4.构建长短时记忆LSTM模型；
以LSTM为例，使用LSTM（长短时记忆网络）来训练一个模型是一个主流的方法，尤其是在处理时间序列数据或文本数据时。
构建LSTM模型，包括：
选择模型结构：确定LSTM层的数量、每层的单元数以及是否使用双向LSTM。
添加其他层：例如Dropout层来防止过拟合，或Dense层来进行最终的预测。
编译模型：选择损失函数、优化器和评估指标。例如，对于回归问题，可以选择MSE作为损失函数；对于分类问题，可以选择crossentropy。
D5.使用所述训练集训练所述LSTM模型；
选择批次大小和周期数：批次大小决定了每次更新权重时使用的样本数；周期数决定了整个数据集被遍历多少次。
使用回调函数：例如EarlyStopping可以在验证损失不再下降时停止训练，防止过拟合。
开始训练：使用训练数据和验证数据，开始训练LSTM模型。
检查训练和验证曲线：这可以帮助识别过拟合或欠拟合。
调整模型参数：根据模型的表现，可能需要调整学习率、增加或减少LSTM单元、改变批次大小等。
再次训练：根据调整后的参数重新训练模型。
在独立的测试集上评估模型的性能。可以使用多种评估指标，如准确率、召回率、AUC、F1得分等，以确保模型能可靠地预测第一用户的旅游偏好。
D6.将所述训练后的LSTM模型对所述第一用户偏好进行预测，并基于预测结果调整所述跨业态旅游产品组合的排序。
实施例二
基于与前述实施例中一种基于跨业态的旅游产品自动生成方法相同的发明构思，如图5所示，本申请实施例还提供一种基于跨业态的旅游产品自动生成装置，所述装置包括：
获取模块51，用于获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
判断模块52，用于判断所述第一用户是否为单独出行或集体出行；
推荐模块53，用于针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
调整模块54，用于通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序。
相关技术描述与实施例一相同，因此不再累述。
实施例三
基于与前述实施例中一种基于跨业态的旅游产品自动生成方法相同的发明构思，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。
实施例四
本发明实施例还提供了一种基于跨业态的旅游产品自动生成系统6000，如图6所示，包括存储器64和处理器61，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入装置62、输出装置63、处理器61、控制器、存储器64等，而所有可以实现本申请实施例的基于跨业态的旅游产品自动生成方法的系统都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体（random access memory，RAM）、只读存储器（read至only memory，ROM）、可擦除可编程只读存储器（erasable programmable readonly memory，EPROM）、或便携式只读存储器（compact disc read至only memory，CD至ROM），该存储器用于相关指令及数据。
输入装置62用于输入数据和/或信号，以及输出装置63用于输出数据和/或信号。输出装置63和输入装置62可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器（centralprocessing unit，CPU），在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例发明的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字第一用户线（digital subscriber line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器（read至only memory，ROM），或随机存储存储器（random access memory，RAM），或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘（digital versatile disc，DVD）、或者半导体介质，例如，固态硬盘（solid state disk ，SSD）等。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于跨业态的旅游产品自动生成方法，其特征在于，包括：
获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
判断所述第一用户是否为单独出行或集体出行；
针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序；
其中，为第一用户推荐相应的跨业态旅游产品组合，包括：
若所述第一用户为集体出行，则将旅游资源定义为任务，基于每一用户偏好对每一个任务分配一个权重；基于所述任务及对应的权重，为所述集体出行的每一用户分配匹配的旅游资源，以确保每一用户都能获得期望的旅游资源；
其中，为所述集体出行的每一用户分配匹配的旅游资源，包括：
为所述每一用户定义一个优先级；计算所述每一用户的旅游资源总量；当有旅游资源可用时，分配给优先级最高和/或旅游资源总量最低的用户；更新每一用户的旅游资源总量；动态调整并优化旅游资源的分配机制；
或，
为第一用户推荐相应的跨业态旅游产品组合，包括：
收集第一用户的历史数据；
基于所述第一用户的历史数据，对所述第一用户的出行模式进行分类；
构建决策树模型，并使用所述第一用户的历史数据对所述决策树模型进行训练；
利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
使用所述训练后的决策树模型对第一用户的跨业态旅游产品组合进行预测；
推荐所述预测后的跨业态旅游产品组合给所述第一用户。
2.根据权利要求1所述的方法，其特征在于，获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品，包括：
收集并分析所述第一用户的基本信息；
通过人工智能算法对所述第一用户的旅游偏好进行预测；
根据所述第一用户的基本信息和所述第一用户的旅游偏好预测结果，生成跨业态的旅游产品套餐；
根据目的地，从所述跨业态的旅游产品套餐中选择适配的所述跨业态旅游产品。
3.根据权利要求2所述的方法，其特征在于，通过人工智能算法对所述第一用户的旅游偏好进行预测，包括：
收集第一用户的历史数据；
对所述历史数据进行数据预处理，并将预处理后的数据划分为训练集和测试集；
构建决策树模型，并用所述训练集训练所述决策树模型；
利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；
使用训练好的所述决策树模型进行旅游偏好预测。
4.根据权利要求1所述的方法，其特征在于，通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序，包括：
获取所述第一用户的历史数据；
对所述历史数据进行预处理；
将预处理后的历史数据划分为训练集和测试集；
构建长短时记忆LSTM模型；
使用所述训练集训练所述LSTM模型；
将训练后的LSTM模型对所述第一用户偏好进行预测，并基于预测结果调整所述跨业态旅游产品组合的排序。
5.根据权利要求1所述的方法，其特征在于，在为第一用户推荐相应的跨业态旅游产品组合之前，所述方法还包括：
为每一种业态旅游产品定义一个唯一的虚拟地址，多个虚拟地址构成一个虚拟地址空间；
将所述第一用户的偏好映射在所述虚拟地址空间中；
当需要为所述第一用户推荐旅游产品时，查找所述第一用户映射的虚拟地址范围，并在所述虚拟地址范围内选择出对应的旅游产品组合。
6.根据权利要求5所述的方法，其特征在于，将所述第一用户的偏好映射在所述虚拟地址空间中，包括：
定义所述第一用户的多个偏好，每一个偏好定义为一个偏好特征；
为每种业态旅游产品的每一个属性分配一个范围；
将所述第一用户的每一个偏好特征映射倒虚拟地址空间中的范围内，包括：
设P为用户的偏好特征，A为虚拟地址空间的区间，设每一个偏好特征Pi有一个对应的权重Wi，则映射函数定义为：
；
其中，M(P) 是映射后的虚拟地址空间坐标，wi是第 i 个偏好特征的权重，而 Ai是与第i个偏好特征对应的虚拟地址空间的区间，是自定义常数，i的取值为[1,n]，n为自定义正整数。
7.一种基于跨业态的旅游产品自动生成装置，其特征在于，所述装置包括：
获取模块，用于获取第一用户的第一用户画像，生成针对所述第一用户的跨业态旅游产品；
判断模块，用于判断所述第一用户是否为单独出行或集体出行；
推荐模块，用于针对不同的出行模式，为第一用户推荐相应的跨业态旅游产品组合；
调整模块，用于通过人工智能模型判断所述第一用户的偏好，并基于判断结果调整所述跨业态旅游产品组合的排序；
其中，所述推荐模块用于为第一用户推荐相应的跨业态旅游产品组合，包括：
若所述第一用户为集体出行，则将旅游资源定义为任务，基于每一用户偏好对每一个任务分配一个权重；基于所述任务及对应的权重，为所述集体出行的每一用户分配匹配的旅游资源，以确保每一用户都能获得期望的旅游资源；
其中，为所述集体出行的每一用户分配匹配的旅游资源，包括：为所述每一用户定义一个优先级；计算所述每一用户的旅游资源总量；当有旅游资源可用时，分配给优先级最高和/或旅游资源总量最低的用户；更新每一用户的旅游资源总量；动态调整并优化旅游资源的分配机制；
或，
所述推荐模块用于为第一用户推荐相应的跨业态旅游产品组合，包括：
收集第一用户的历史数据；基于所述第一用户的历史数据，对所述第一用户的出行模式进行分类；构建决策树模型，并使用所述第一用户的历史数据对所述决策树模型进行训练；利用网格搜索或随机搜索方法，对所述决策树模型进行参数调优；使用所述训练后的决策树模型对第一用户的跨业态旅游产品组合进行预测；推荐所述预测后的跨业态旅游产品组合给所述第一用户。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499090.9A CN117237061B (zh) | 2023-11-13 | 2023-11-13 | 基于跨业态的旅游产品自动生成方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311499090.9A CN117237061B (zh) | 2023-11-13 | 2023-11-13 | 基于跨业态的旅游产品自动生成方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237061A true CN117237061A (zh) | 2023-12-15 |
| CN117237061B CN117237061B (zh) | 2024-03-19 |
Family
ID=89093196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311499090.9A Active CN117237061B (zh) | 2023-11-13 | 2023-11-13 | 基于跨业态的旅游产品自动生成方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237061B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150356623A1 (en) * | 2014-06-09 | 2015-12-10 | Korea Advanced Institute Of Science And Technology | System And Method For Recommending Customized Tourism Content Based On Collecting And Structurizing Of Unstructured Tourism Data |
| CN109636679A (zh) * | 2018-12-19 | 2019-04-16 | 航天物联网技术有限公司 | 一种基于人工智能的交互式旅游行程规划方法 |
| CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
| CN113052505A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 基于人工智能的跨境文旅推荐方法、装置和设备 |
| CN113343127A (zh) * | 2021-04-25 | 2021-09-03 | 武汉理工大学 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
| CN116738066A (zh) * | 2023-08-15 | 2023-09-12 | 湖南师范大学 | 乡村旅游服务推荐方法、装置、电子设备及存储介质 |
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
-
2023
- 2023-11-13 CN CN202311499090.9A patent/CN117237061B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150356623A1 (en) * | 2014-06-09 | 2015-12-10 | Korea Advanced Institute Of Science And Technology | System And Method For Recommending Customized Tourism Content Based On Collecting And Structurizing Of Unstructured Tourism Data |
| CN109636679A (zh) * | 2018-12-19 | 2019-04-16 | 航天物联网技术有限公司 | 一种基于人工智能的交互式旅游行程规划方法 |
| CN110276008A (zh) * | 2019-06-13 | 2019-09-24 | 南京邮电大学 | 一种基于用户旅行决策过程的景点推荐方法及装置 |
| CN113343127A (zh) * | 2021-04-25 | 2021-09-03 | 武汉理工大学 | 一种旅游路线推荐方法、系统、服务器及存储介质 |
| CN113052505A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 基于人工智能的跨境文旅推荐方法、装置和设备 |
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
| CN116738066A (zh) * | 2023-08-15 | 2023-09-12 | 湖南师范大学 | 乡村旅游服务推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| HUAJIE, D. 等: "Assessment of groundwater potential based on multicriteria decision making model and decision tree algorithms", 《MATHEMATICAL PROBLEMS IN ENGINEERING》, pages 1 - 11 * |
| 万畅 等: "粤港澳大湾区背景下横琴智慧旅游推荐系统研究", 《湖南工业职业技术学院学报》, no. 6, pages 23 - 27 * |
| 杨勇: "机器学习在旅游数据分析中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, pages 140 - 454 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237061B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11315170B2 (en) | Methods and systems for order processing | |
| Cai et al. | Price determinants of Airbnb listings: evidence from Hong Kong | |
| US10977326B2 (en) | Accommodation search | |
| US7831381B2 (en) | Data engine for ranking popularity of landmarks in a geographical area | |
| WO2016127918A1 (zh) | 一种运力调度方法及系统 | |
| Chen et al. | Automatic itinerary planning for traveling services | |
| JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
| WO2016019857A1 (zh) | 服务派发系统及方法 | |
| AU2020286214B2 (en) | Persona for opaque travel item selection | |
| US20070143156A1 (en) | Method and website for making travel plans | |
| US11346676B2 (en) | System and method for ranking in alternative destination recommendation on ridesharing platforms | |
| UA126874C2 (uk) | Спосіб і інструмент пошуку або порівняння точок з використанням маршрутів або довжин маршрутів між точками і місцями у транспортній системі | |
| US20190122315A1 (en) | Itinerary Portfolio Evaluation Tool | |
| CN102142003A (zh) | 兴趣点信息提供方法及装置 | |
| Sarkar et al. | gTour: Multiple itinerary recommendation engine for group of tourists | |
| CN107977883A (zh) | 旅行包的推荐方法、装置及计算机设备 | |
| JP7144818B2 (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 | |
| CN116739840B (zh) | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 | |
| CN117237061B (zh) | 基于跨业态的旅游产品自动生成方法、装置及存储介质 | |
| JP2008071095A (ja) | ガイド情報選別システム | |
| Suryanti et al. | A computer-based system to support tourism in Bali, Indonesia | |
| Kamal et al. | Influential factors for tourist profiling for personalized tourism recommendation systems–a compact survey | |
| Gamidullaeva et al. | Optimal Management of Tourism Products Based on the Analysis of User Preferences | |
| JP4780561B2 (ja) | グループ適応化プログラム、グループ適応化方法およびグループ適応化装置 | |
| US20230368084A1 (en) | Split stays ranking and matching |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Ning Inventor after: Wang Wenlin Inventor after: Liu Feng Inventor before: Xu Ning Inventor before: Wang Wenlin Inventor before: Liu Feng |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |