CN117634704A - 一种用于旅游景点的选址优化方法、系统、设备及介质 - Google Patents
一种用于旅游景点的选址优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117634704A CN117634704A CN202311716507.2A CN202311716507A CN117634704A CN 117634704 A CN117634704 A CN 117634704A CN 202311716507 A CN202311716507 A CN 202311716507A CN 117634704 A CN117634704 A CN 117634704A
- Authority
- CN
- China
- Prior art keywords
- site selection
- candidate
- graph
- thiessen polygon
- site
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000012732 spatial analysis Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及选址优化技术领域,尤其涉及一种用于旅游景点的选址优化方法、系统、设备及介质,包括:获取乡村旅游景点的候选选址地信息,并利用地理信息系统对候选选址地信息进行空间分析,得到候选点地理环境特征;根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对泰森多边形优化网格进行划分,得到选址子区域;将每个选址子区域的候选点地理环境特征表达为空间实体,构建图结构;利用图注意力神经网络算法对图结构进行学习,预测得到最优景点选址空间坐标。本发明通过结合四叉树和图结构的特性实现景点选址优化方法,能够更准确地分析景点选址之间的文化资源等空间联系,为旅游景点的规划和管理提供更准确和有效的支持。
Description
技术领域
本发明涉及选址优化技术领域,尤其涉及一种用于旅游景点的选址优化方法、系统、设备及介质。
背景技术
在旅游业的快速发展中,乡村旅游作为旅游业的一个重要组成部分,乡村旅游景点的选址和规划成为关键的环节,其直接影响到乡村旅游业的效率和可持续性,然而,传统的旅游景点选址方法主要依赖于决策者的经验和直觉,缺乏科学性和客观性,或者只考虑当地的自然资源和文化背景等单一因素,缺乏对多因素的综合考虑和优化,这导致旅游景点的规划不合理,影响游客体验和旅游业的可持续发展,因此,亟需开发一种基于数据分析和地理信息系统(GIS)的旅游景点选址优化方法,从而提高选址的准确性和效率。
发明内容
本发明提供了一种用于旅游景点的选址优化方法、系统、设备及介质,解决的技术问题是,传统的旅游景点选址方法主要依赖于决策者的经验或者缺乏对多因素的综合考虑和优化。
为解决以上技术问题,本发明提供了一种用于旅游景点的选址优化方法、系统、设备及介质。
第一方面,本发明提供了一种用于旅游景点的选址优化方法,所述方法包括以下步骤:
获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征;
根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;
将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构;
利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
在进一步的实施方案中,所述根据候选点地理环境特征构建泰森多边形优化网格的步骤包括:
基于所述候选选址地的地理空间分布特征,构建泰森多边形网格;
利用机器学习算法分析所述周边环境特征对泰森多边形网格的影响,得到周边环境影响力;
根据所述周边环境影响力对所述泰森多边形网格进行优化,得到泰森多边形优化网格。
在进一步的实施方案中,所述利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域的步骤包括:
将所述泰森多边形优化网格的根节点作为四叉树的根节点,并将每个根节点的泰森多边形区域划分为四个象限,形成对应的四个象限子区域,每个象限子区域对应一个子节点;
重复上述步骤,将每个所述子节点递归划分为四个象限,直至划分的象限子区域满足限制条件,停止递归划分,形成最终的四叉树,并从最终的四叉树中提取所有划分的象限子区域作为选址子区域。
在进一步的实施方案中,所述将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构的步骤包括:
将每个所述选址子区域作为图结构中的图节点,并根据每个所述选址子区域之间的关系,采用图论算法构建图结构的边;
将构建的图节点和边加入所述图结构中,并根据每个所述选址子区域的候选点地理环境特征定义每个图节点和边的属性特征,以将空间实体与候选点地理环境特征进行关联,形成图结构。
在进一步的实施方案中,所述图注意力神经网络算法包括依次连接的多层图卷积模块、注意力机制模块、随机池化层和基于贝叶斯推断的输出层。
在进一步的实施方案中,所述利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标的步骤包括:
将图结构中图节点的属性特征进行编码,得到节点特征向量;
采用图注意力神经网络算法对节点特征向量进行卷积和聚合处理,得到节点选址空间坐标预测结果和相应的不确定性度量;
根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标。
在进一步的实施方案中,所述根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标的步骤包括:
根据所述不确定性度量计算所有所述节点选址空间坐标预测结果之间的差异性,得到选址预测差异度;
根据所述选址预测差异度和差异度阈值,从所有所述节点选址空间坐标预测结果中筛选出优异选址空间坐标;
计算所述优异选址空间坐标的加权平均值,得到最优景点选址空间坐标。
第二方面,本发明提供了一种用于旅游景点的选址优化系统,所述系统包括:
数据获取模块101,用于获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征;
区域优化模块102,用于根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;
图结构建立模块103,用于将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构;
选址预测优化模块104,用于利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
第三方面,本发明还提供了一种计算机设备,包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行实现上述方法的步骤。
第四方面,本发明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中存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种用于旅游景点的选址优化方法、系统、设备及介质,所述方法利用地理信息系统对候选选址地信息进行空间分析,得到候选点地理环境特征;根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;将每个选址子区域的候选点地理环境特征表达为空间实体,构建图结构;利用图注意力神经网络算法对图结构进行学习,预测得到最优景点选址空间坐标。与现有技术相比,该方法结合周围交通信息、文化信息等数据对泰森多边形网格进行优化,以表达更丰富的地理空间信息,并利用泰森多边形优化网格和四叉树划分,形成包含文化背景等信息的图结构,可以实现对地理空间数据和周围环境特征的精细化处理和高效查询,能够更准确地分析景点选址之间的文化资源等空间分布和关联,为旅游景点的规划和管理提供更准确和有效的支持。
附图说明
图1是本发明实施例提供的用于旅游景点的选址优化方法流程示意图;
图2是本发明实施例提供的用于旅游景点的选址优化系统示意图;
图3是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
参考图1,本发明实施例提供了一种用于旅游景点的选址优化方法,如图1所示,该方法包括以下步骤:
S1.获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征。
由于乡村旅游景点通常依赖于当地的自然资源,比如山水田园、动植物等,而且相较于城市旅游景点,乡村旅游景点通常蕴含着丰富的文化底蕴和地方特色,可以将文化资源转化为旅游吸引力,同时乡村地区的农业特色、交通状况、游客的可达性以及与周边城市的距离等都是乡村旅游景点建设需要全面考虑的因素,因此,为了实现乡村旅游景点的全面、合理规划,乡村旅游景点的选址需要综合考虑当地的地理位置、自然资源、文化背景、市场需求、游客体验、环境保护和社会效益等各种因素,以确定最优的选址方案,本实施例收集乡村旅游景点的地理信息、交通信息、自然资源、农业资源、市场信息和文化信息等候选选址地信息,并利用地理信息系统(GIS)对收集的数据进行空间分析,得到候选选址地的空间分布特征和周边环境特征,需要说明的是,为了保证数据的正确性,本实施例在利用地理信息系统对收集的数据进行空间分析之前,可以对收集到的数据进行清洗、整理和标准化等处理,这些处理包括去除重复和错误数据、统一数据格式和标准、处理缺失值等。
S2.根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域。
在本实施例中,所述根据候选点地理环境特征构建泰森多边形优化网格的步骤包括:
基于所述候选选址地的地理空间分布特征,构建泰森多边形网格;
利用机器学习算法分析所述周边环境特征对泰森多边形网格的影响,得到周边环境影响力;
根据所述周边环境影响力对所述泰森多边形网格进行优化,得到泰森多边形优化网格。
泰森多边形是一种用于表达地理空间分布的数据结构,本实施例通过候选选址地的地理空间分布特征构建泰森多边形网格,以通过泰森多边形网格表达地理信息的空间分布,然后综合考虑分析候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征等数据对泰森多边形网格的影响,对泰森多边形网格进行优化,需要说明的是,由于候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征等数据以线性关系和/或非线性关系影响泰森多边形网格,因此,本实施例采用机器学习算法对泰森多边形网格的周围交通信息、自然资源特征、农业资源特征和区域文化特征等周边环境特征进行分析,以评估这些数据对景点吸引力的影响,得到周边环境影响力,并根据周边环境影响力对泰森多边形网格进行分析和调整,比如:可以根据交通流量调整泰森多边形网格的大小,根据文化分布或者市场分布调整泰森多边形网格在地理空间中的密度或分布范围,以使最终得到的泰森多边形优化网格更好地反映实际情况和满足需求,在本实施例中,在利用机器学习算法对泰森多边形网格的影响进行分析时,所述机器学习算法包括但不限于多层感知器MLP或者卷积神经网络CNN。
为了更准确地分析景点选址之间的空间联系和特征,本实施例利用四叉树对泰森多边形优化网格中的每个泰森多边形进行划分,以通过四叉树划分将泰森多边形优化网格递归划分为更小的子区域,并将这些子区域作为节点加入到图结构中,实现更精细的空间分析和查询等操作,能够更准确地表达景点的位置和分布情况,从而更快地搜索到目标景点选址或区域,提高搜索效率,在本实施例中,所述利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域的步骤包括:
将所述泰森多边形优化网格的根节点作为四叉树的根节点,并将每个根节点的泰森多边形区域划分为四个象限,形成对应的四个象限子区域,每个象限子区域对应一个子节点,其中,为了避免出现过大的差异,本实施例在通过四叉树划分时,需要保证划分的象限子区域尽可能均匀分布;
重复上述步骤,将每个所述子节点递归划分为四个象限,直至划分的象限子区域满足预设限制条件,停止递归划分,形成最终的四叉树,并从最终的四叉树中提取所有划分的象限子区域作为选址子区域,在本实施例中,预设限制条件可以设置为划分的象限子区域达到预设面积阈值。
S3.将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构。
在本实施例中,所述将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构的步骤包括:
将每个所述选址子区域作为图结构中的图节点,并根据每个所述选址子区域之间的关系,采用图论算法构建图结构的边;
将构建的图节点和边加入所述图结构中,并根据每个所述选址子区域的候选点地理环境特征定义每个图节点和边的属性特征,以将空间实体与候选点地理环境特征进行关联,形成图结构。
具体地,本实施例将每个选址子区域视为一个空间实体,将选址子区域作为图节点,并采用图论算法根据空间实体之间的关联关系构建图结构的边,将图节点和边添加到图结构中,根据地理空间特征和文化背景等信息来定义图节点、边的属性和关系,本实施例结合空间划分和图结构的优点,利用四叉树的划分特性,对泰森多边形优化网格进行细化和处理,并将从划分得到的所有象限子区域作为图结构的图节点加入到图结构中,其中,每个图节点对应一个泰森多边形子区域,本申请同时利用空间划分和图结构的方式,可以保持景点之间的空间关系,有利于图论算法通过推理、查询等操作,更高效准确地分析景点之间的空间联系和关联特征,并在图结构中表示出它们之间的关系,形成最终的图结构,其中,关联特征包括文化背景等周边环境特征的关联关系,同时本实施例可以增强可扩展性,若需要添加景点选址的其它特征数据,只需要利用四叉树对泰森多边形优化网格进行进一步划分,并更新图结构。
S4.利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
在本实施例中,所述图注意力神经网络算法包括依次连接的多层图卷积模块、注意力机制模块、随机池化层和基于贝叶斯推断的输出层,所述利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标的步骤包括:
将图结构中图节点的属性特征进行编码,得到节点特征向量;
采用图注意力神经网络算法对节点特征向量进行卷积和聚合处理,得到节点选址空间坐标预测结果和相应的不确定性度量;
根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标。
本实施例采用图注意力神经网络算法对图结构的每个图节点进行预测,可以对节点特征的提取和更新,得到每个图节点的预测结果和相应的不确定性度量,其中,多层图卷积模块包括若干串联的图卷积层,图结构的图节点和边通过多层图卷积模块进行特征提取,然后将这些提取的特征进行拼接得到最终的高层次的节点特征表示,利用注意力机制模块对节点特征表示之间的关联关系进行学习,计算出邻居节点对该节点特征表示的贡献,同时引入随机池化层(Random Pooling Layer)进行池化操作,保留最重要的几个邻居节点,同时剔除一部分噪声节点,本实施例引入注意力机制可以使模型更加关注与景点选址相关的重要特征和节点关联性,模型可以学习到不同节点之间的影响力权重,并根据这些权重来推断节点的重要性,从而更好地评估每个位置作为潜在景点的适用性,同时随机池化可以帮助减少噪声节点的干扰,并保留最重要的邻居节点,在乡村旅游景点选址的应用场景中,随机池化可以在考虑周边环境特征时,过滤掉一些无关紧要的节点,使模型更加专注于有助于决策的节点信息,提高选址准确性,而且在乡村旅游景点选址的应用场景中,结合贝叶斯推断可以考虑到一定的不确定性,提供关于各个选址位置是否适合作为景点的置信度或概率分布信息,从而更准确地评估选址的风险和预测结果。
在本实施例中,所述根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标的步骤包括:
根据所述不确定性度量计算所有所述节点选址空间坐标预测结果之间的差异性,得到选址预测差异度;
根据所述选址预测差异度和差异度阈值,从所有所述节点选址空间坐标预测结果中筛选出优异选址空间坐标;
计算所述优异选址空间坐标的加权平均值,得到最优景点选址空间坐标,在本实施例中,加权平均算法中的权重根据选址预测差异度进行动态权重分配。
具体地,为了更好地理解模型输出的不确定性特性,并通过这些特性做出更加准确和可靠的选址预测决策,本实施例可以采用KL散度或交叉熵对不确定性度量进行分析,计算所有所述节点选址空间坐标预测结果之间的差异性,以及根据差异性对预测结果进行筛选,可以更全面地考虑不同因素对节点选址空间坐标预测结果的影响,获得更准确的选址坐标,提高选址预测的准确性。
本发明实施例提供了一种用于旅游景点的选址优化方法,所述方法利用地理信息系统对候选选址地信息进行空间分析,得到候选点地理环境特征;根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;将每个选址子区域的候选点地理环境特征表达为空间实体,构建图结构;利用图注意力神经网络算法对图结构进行学习,预测得到最优景点选址空间坐标。采用本实施例提出的选址优化方法,通过四叉树对泰森多边形优化网格的划分,可以更加精细地管理和规划景点选址,并利用泰森多边形优化网格图神经网络算法和机器学习算法,学习并模拟文化资源等数据的空间分布和关联,实现对景区空间信息的更深层次查询和分析,使得模型能够更好地预测最优景点选址空间坐标,提高了预测精度。
需要说明的是,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,如图2所示,本发明实施例提供了一种用于旅游景点的选址优化系统,所述系统包括:
数据获取模块101,用于获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征;
区域优化模块102,用于根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;
图结构建立模块103,用于将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构;
选址预测优化模块104,用于利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
关于一种用于旅游景点的选址优化系统的具体限定可以参见上述对于一种用于旅游景点的选址优化方法的限定,此处不再赘述。本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各个模块和步骤,能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本发明实施例提供了一种用于旅游景点的选址优化系统,所述系统通过数据获取模块对候选选址地信息进行空间分析;通过区域优化模块构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;通过图结构建立模块和选址预测优化模块实现对图结构学习,预测得到最优景点选址空间坐标。与现有技术相比,本实施例能够同时利用机器学习算法、空间划分和图结构的优点,更准确地分析景点之间的空间联系和特征,实现对候选选址地信息的精细化处理和高效查询,从而得到更准确的旅游景点的选址优化结果,为旅游景点的规划和管理提供更准确和有效的数据支持。
图3是本发明实施例提供的一种计算机设备,包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并可以将存储的数据传输给处理器,处理器可以执行存储器存储的程序指令,以执行上述方法的步骤。
其中,存储器可以包括易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明,上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外,存储器可以是物理上独立的单元,也可以与处理器集成在一起。
本领域普通技术人员可以理解,图3中示出的结构,仅仅是与本申请方案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,或者具有相同的部件布置。
在一个实施例中,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的一种用于旅游景点的选址优化方法、系统、设备及介质,其一种用于旅游景点的选址优化方法利用四叉树的划分特性和图结构的优点,深入学习并模拟景区的空间关系和周围环境特征,实现对景区空间信息和人文化背景等周围环境特征的更深层次查询和分析,为景区规划提供更多依据和支持,促进景区的可持续发展。
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。所述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所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述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、数字用户线)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。所述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。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用于旅游景点的选址优化方法,其特征在于,包括以下步骤:
获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征;
根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;
将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构;
利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
2.如权利要求1所述的一种用于旅游景点的选址优化方法,其特征在于,所述根据候选点地理环境特征构建泰森多边形优化网格的步骤包括:
基于所述候选选址地的地理空间分布特征,构建泰森多边形网格;
利用机器学习算法分析所述周边环境特征对泰森多边形网格的影响,得到周边环境影响力;
根据所述周边环境影响力对所述泰森多边形网格进行优化,得到泰森多边形优化网格。
3.如权利要求1所述的一种用于旅游景点的选址优化方法,其特征在于,所述利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域的步骤包括:
将所述泰森多边形优化网格的根节点作为四叉树的根节点,并将每个根节点的泰森多边形区域划分为四个象限,形成对应的四个象限子区域,每个象限子区域对应一个子节点;
重复上述步骤,将每个所述子节点递归划分为四个象限,直至划分的象限子区域满足预设限制条件,停止递归划分,形成最终的四叉树,并从最终的四叉树中提取所有划分的象限子区域作为选址子区域。
4.如权利要求1所述的一种用于旅游景点的选址优化方法,其特征在于,所述将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构的步骤包括:
将每个所述选址子区域作为图结构中的图节点,并根据每个所述选址子区域之间的关系,采用图论算法构建图结构的边;
将构建的图节点和边加入所述图结构中,并根据每个所述选址子区域的候选点地理环境特征定义每个图节点和边的属性特征,以将空间实体与候选点地理环境特征进行关联,形成图结构。
5.如权利要求4所述的一种用于旅游景点的选址优化方法,其特征在于:所述图注意力神经网络算法包括依次连接的多层图卷积模块、注意力机制模块、随机池化层和基于贝叶斯推断的输出层。
6.如权利要求5所述的一种用于旅游景点的选址优化方法,其特征在于,所述利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标的步骤包括:
将图结构中图节点的属性特征进行编码,得到节点特征向量;
采用图注意力神经网络算法对节点特征向量进行卷积和聚合处理,得到节点选址空间坐标预测结果和相应的不确定性度量;
根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标。
7.如权利要求6所述的一种用于旅游景点的选址优化方法,其特征在于,所述根据所述节点选址空间坐标预测结果和所述不确定性度量,得到最优景点选址空间坐标的步骤包括:
根据所述不确定性度量计算所有所述节点选址空间坐标预测结果之间的差异性,得到选址预测差异度;
根据所述选址预测差异度和差异度阈值,从所有所述节点选址空间坐标预测结果中筛选出优异选址空间坐标;
计算所述优异选址空间坐标的加权平均值,得到最优景点选址空间坐标。
8.一种用于旅游景点的选址优化系统,其特征在于,所述系统包括:
数据获取模块,用于获取乡村旅游景点的候选选址地信息,并利用地理信息系统对所述候选选址地信息进行空间分析,得到候选点地理环境特征;所述候选点地理环境特征包括候选选址地的地理空间分布特征和周边环境特征,所述周边环境特征包括候选选址地的周围交通信息、自然资源特征、农业资源特征和区域文化特征;
区域优化模块,用于根据候选点地理环境特征构建泰森多边形优化网格,并利用四叉树对所述泰森多边形优化网格中的每个泰森多边形进行划分,得到选址子区域;
图结构建立模块,用于将每个所述选址子区域的候选点地理环境特征表达为空间实体,构建图结构;
选址预测优化模块,用于利用图注意力神经网络算法对所述图结构进行学习,预测得到最优景点选址空间坐标。
9.一种计算机设备,其特征在于:包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一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中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716507.2A CN117634704A (zh) | 2023-12-13 | 2023-12-13 | 一种用于旅游景点的选址优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716507.2A CN117634704A (zh) | 2023-12-13 | 2023-12-13 | 一种用于旅游景点的选址优化方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634704A true CN117634704A (zh) | 2024-03-01 |
Family
ID=90036252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311716507.2A Pending CN117634704A (zh) | 2023-12-13 | 2023-12-13 | 一种用于旅游景点的选址优化方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634704A (zh) |
-
2023
- 2023-12-13 CN CN202311716507.2A patent/CN117634704A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7234370B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
CN107563803B (zh) | 一种基于耗费距离栅格的商圈划分方法 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
CN113393030A (zh) | 车辆运营区域潜力站点选址方法、系统、终端及介质 | |
CN115186936B (zh) | 基于gnn模型的油田最优井网构建方法 | |
CN115759499A (zh) | 一种基于优化算法的路径规划方法、装置、设备及介质 | |
CN104268243A (zh) | 一种位置数据处理方法及装置 | |
CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN114629767A (zh) | 电力调度网络仿真方法、装置、计算机设备和存储介质 | |
CN110505632B (zh) | 站址规划方法和装置 | |
CN117634704A (zh) | 一种用于旅游景点的选址优化方法、系统、设备及介质 | |
CN114329058B (zh) | 图像聚档方法、装置和电子设备 | |
Morgado et al. | A bottom up approach to modeling habitat connectivity dynamics through networks analysis | |
CN114125865B (zh) | 一种5g基站的规划方法、装置、计算设备和存储介质 | |
Akdag et al. | An optimized interestingness hotspot discovery framework for large gridded spatio-temporal datasets | |
CN116614392B (zh) | 路由开销确定方法、路由开销监控方法及装置 | |
CN115499305B (zh) | 一种分布式集群存储设备的部署方法、装置及电子设备 | |
Dahiya et al. | Modeling and analysis of communication subsystem design process for wireless sensor networks based on petri net | |
Rodríguez-Galiano et al. | Regression Trees for Modelling Water Demand in Sevilla City, Spain | |
CN117014893A (zh) | 通信网络规划方法、装置、计算机设备和存储介质 | |
CN116796836A (zh) | 一种基于多层奖励和分步训练的知识图谱截取方法和设备 | |
He et al. | Analysis on Computer Algorithm and Display Methods of Network Diagrams |
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 |