CN108629323A - 一种景区游客链式出行一体化提供方法 - Google Patents
一种景区游客链式出行一体化提供方法 Download PDFInfo
- Publication number
- CN108629323A CN108629323A CN201810450485.2A CN201810450485A CN108629323A CN 108629323 A CN108629323 A CN 108629323A CN 201810450485 A CN201810450485 A CN 201810450485A CN 108629323 A CN108629323 A CN 108629323A
- Authority
- CN
- China
- Prior art keywords
- tourist
- time
- image
- sight spot
- spot
- 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 58
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007418 data mining Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000013016 learning Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 241000031708 Saprospiraceae Species 0.000 description 1
- 241000256856 Vespidae Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
一种景区游客链式出行一体化提供方法,涉及旅游服务软件开发技术领域。以解决游客在旅途出行过程中缺乏有效的实时数据引导而产生欠佳的旅游体验的问题。本方法包括景点排队拥挤度实时预测,最佳游玩线路精准推送,游客反馈数据挖掘分析。具体是景区信息以及各景点游客数量识别,并进行计算,依据评价指标判别景点拥挤度,并将拥挤度通过可视化方法展现在地图中,给游客直观判断。同时根据***平台的用户地理坐标以及用户需求数据,利用路径优化算法,精准推荐较为合理的路线,最大限度减少用户排队等待时间,提高交通体验。为形成良性反馈,对游客使用数据进行分析,从中获得容易发生较严重排队拥堵的景点以及对不同推荐路线的偏好程度等。
Description
技术领域
本发明具体涉及一种景区游客链式出行一体化服务方法,涉及旅游服务软件开发技术领域。
背景技术
随着我国国民经济的不断发展以及城市化进程的不断推进,我国旅游经济也快速发展。同时我国地大物博,地域跨度大,拥有大量的、优质的、多样的、全面的旅游资源,以及独特的文化特色。然而,由于各个地区经济发展不平衡,使得旅游资源开发与管理水平参差不齐;目前由于缺乏有效的旅游引导、路径规划,使得我国的旅游业广泛存在着“扎堆”的现象。一些景区爆满,而一些景区门可罗雀,同样出现在同一个景区中,有点景点人满为患,有的景点却没有游客,形成景区的游客量不均衡现象。
当然,随着旅游经济的发展,更多的关注的是游玩本身,却忽略了在途体验,即旅程中的出行。当处于一个城市时,由于缺少一体化的旅游服务链,使得游客没有最大化的享受该城市的旅程。当处于景区时,游客出行过程中,由于与景区信息缺少合理的良***互,使得大部分人群通常盲目跟风地选择热门景点,而较少考虑自己的旅游意愿和自己偏好的旅游特色以及出行路线。同时由于每个景点的排队是否拥挤不明确,排队等待时间也不明确,加上对景点的地理坐标不明确,使得参观线路不优化,浪费了大量的时间,也降低了出游体验。景区一直追求的资源充分利用的目标缺乏实时数据与智能算法的支持,拥挤景点无法从排队人群获取收益,而闲置景点资源浪费。
目前在政策支持下,国内在线旅游蓬勃发展,2015年在线旅游市场交易规模达到4737.7亿元,同比增长49.6%。以互联网为主导的旅游市场发展迅速,占比达到70.2%。旅游用户的消费习惯正在发生改变,移动化、个性化、链式一体化成为新趋势,也衍生出新的产品形态:如基于位置的导航服务、信息发布以及基于游客需求的旅游信息推荐服务等。但是目前市场上的已有的产品,如航旅纵横、12306等具有行程预订功能,途牛、携程、飞猪等具有旅程预订功能,大众点评、美团等具有旅途消费功能,去哪儿、马蜂窝等具有旅行指南功能。
但是却没有任何一款软件提供实时的旅途信息交互,在景点排队信息实时动态显示、最优路径智能推送方面是市场空白。在旅程中缺少对旅游交通资源的整合,缺少对行程交通体验的关注,缺少一体化链式出行服务以及实时的动态信息获取。
发明内容
本发明的目的是给出一种景区游客链式出行一体化提供方法,由于现有服务产品不能进行旅途信息交互,不能进行景点信息实时动态显示,以及不具有最优路径智能推送的功能,致使游客在旅途出行过程中存在缺乏有效的实时数据引导而产生旅游体验欠佳的问题。
本发明为解决上述技术问题采取的技术方案是:
一种景区游客链式出行一体化提供方法,所述方法包括景点排队时间实时预测的步骤、最佳游玩线路精准推送的步骤和游客反馈数据挖掘分析的步骤;
一、景点排队拥挤度、排队时间的实时预测:利用摄像头实时获取传送的游客排队图像,并利用视频识别对游客排队图像进行处理,再利用TensorFlow深度学习方法识别出景点外的排队人数;
根据景点的实际情况建立的拥挤指标体系结合上述排队人数得到景点排队拥挤度;
通过上述游客排队图像获取游客排队流速,再结合排队人数得到景点排队时间;
所述TensorFlow深度学习方法是:利用图像匹配、描述和识别对图像进行比较和配准,通过提取图像的特征及相互关系,得到图像符号化的描述以确定其分类;所述图像匹配试图建立两张图片之间的几何对应关系,度量其类似或不同的程度;
在拥挤度的识别中,需要将现状游客排队图像与标准的基础图像进行对比,基础图像包括不同天气不同时间点下采集的图像,然后计算出像素大小,即灰度,识别出排队区域的游客数量,并按照一定的指标进行拥挤度评价;同时,通过视频识别技术还可以得到排队游客向前移动的流速,并以此作为计算依据,计算出预计的排队时间;
二、最佳游玩路线精准推送:所述最佳游玩路线精准推送是一种基于顺序访问和遗传算法实现的路径优化,其过程为:
首先,利用所述景点排队时间,预估一定时间范围内各景点游客排队时间变化情况;其次,调用景区内各景点的人均游玩时长数据,若景区规定了特定景点的人均游览时间,则将该数据事先存储并由该步骤加载调用,若部分景点的游览时长未受限,则由游客自行输入预计的游览时长;最后,根据游客的位置数据及景区内各景点的地理分布,得到游客到达某一景点的步行时间,结合上述的排队时间及各景点的游览时间等数据,利用遗传算法优化游客的游览路线,使其总排队时间最小化,进而提高游客的旅游舒适程度;
三、游客反馈数据挖掘分析,所述游客反馈数据挖掘分析为交通旅游服务大数据应用过程,具体为:利用大数据手段对用户使用情况进行分析,从中可获得游客喜好情况、容易发生较严重排队拥堵的景点以及用户对不同推荐路线的偏好程度;
同时,根据使用历史使用数据,能够进行旅客活动时间特征分析,活动空间特征分析,地理流量流向特征分析;据此,可以对景区服务设施的质量、路线优化的程度以及均衡客流的方式进行分析,找出其中存在的问题,根据游客需求进行精准改进,从而使提升景区的服务质量、吸引效应以及游客的游玩体验。
进一步地,在最佳游玩路线精准推送过程中,根据所述优化过程,给出考虑最小化排队时间的数学模型如下:
式中:H——为时间区间;
I——为范围;
i——为范围内的点位编号,即景点编号;
——为每个点位(景点)的预计排队时间;
——决策变量,游客在h的时间范围内到达i点,到达取1,否则取0;
约束条件:
式中:——决策变量,游客在h的时间范围内到达i点(代表景点),到达取1,否则取0;v表示步行速度;分别表示游客在h的时间范围内到达i点时间范围端值;
Ti——到达i点的时刻;
di-1,i——从i-1景点步行至i景点的距离;
tw,i-1——在i-1景点的游玩时间;
约束条件的含义分别为:每个景点只途经一次;到达各个景点的总时间计算;到达各个景点的时间所属于的时段判定。
进一步地,在最佳游玩路线精准推送过程中,I的取值为500米半径范围。
进一步地,在景点排队拥挤度、排队时间的实时预测过程中,TensorFlow深度学习方法的模型训练如下:
步骤1、数据加载阶段
1)从图像训练数据集文件夹中读取每一张图片,读取过程保留文件夹信息,并将图片按照灰度值转换为Tensor形式;每个文件夹代表一个独立的分类,该文件夹下所有图片属于同一种分类;
2)将标准基础图像进行分类存放并进行编号,将类别标识也转换为Tensor形式;
3)按照每张图片所属文件夹信息,与类别标识相对应;
4)确定队列最小样本数量,对队列进行分区,并将训练样本图片输入到训练神经网络;
步骤2、图像预处理阶段
1)图片进入神经网络之后还不能直接对其进行处理,神经网络开始提取特征之前需对图片进行预处理;因为训练数据集中图片的像素尺寸大小不一,为保证输入层输入的图片具有统一大小的尺寸,图片在中央区域或随机地裁剪为128X128像素大小的灰度值矩阵;
2)对图像进行近似白平衡处理,减弱预训练模型对训练样本的动态范围变化敏感度;
步骤3、特征提取与正向传播阶段
1)图像进入神经网络后,各层卷积层使用不同的卷积核对图像提取不同特征,输出不同的特征图像至下层;卷积层特征提取步骤如下:
其中第l层为卷积层,第l+1层为下一层,为第l层第j个特征图像,*号实质是卷积核k在第l-1层所有关联的特征图像上做卷积运算,再求和,再加上一个偏置参数,取ReLU得到最终激励值的过程;卷积结果作为下层输入,沿网络向深层传播;
2)池化层以卷积层输出的特征图像为输入,定义池化范围在每一个通道的图像上以3*3的区域进行最大池化(max-pooling);最大池化过程如下:
其中第l-1层为上一层,第l层为池化层,是对第l-1层进行的降采样(最大池化),并使用same-padding使其输出尺寸与第l层保持相同;特征图像经最大池化操作后,尺寸不发生改变,并作为下一层的输入沿网络向深层传播;
步骤4、反向传播阶段
1)训练神经网络的损失函数使用多项式逻辑回归,在正则化过程中,对所有学习变量应用权重衰减损失,模型的目标函数是求交叉熵损失和所有权重衰减项的和;
2)正向传播计算出的预测结果与图像类别信息做交叉熵计算之后,采用批梯度下降算法进行反向传播,更新各层参数,并以此迭代来减小loss函数;
步骤5、迭代训练阶段
程序脚本会在每10步训练过程后输出loss的值以及最后一批数据的处理速度;训练过程中loss改变的线性形状、梯度值的变化趋势、激活函数的输出值以及学习率参数借助数据可视化工具查看;
步骤6、收敛成熟模型
训练过程中每个步骤所得的模型参数周期性地保存在检查点文件中,当loss函数在一定时间内不再明显下降,可判断收敛;在判断loss基本收敛且在正常值范围之后,结束网络模型的训练工作。
本发明的优点及有益效果:一方面,本发明方法精准对接游客最需的景区实时排队信息需求,拥挤度实时查询需求,根据用户需求为其精准推送个性化、注重体验的一体化旅游出行服务。另一方面,用户精准:游客可以节省排队时间,享受畅通的旅程、管理人员可以优化服务水平,对于园区,采用此技术,可以有序管理园区旅游秩序,均匀客流分布,从长远来看取得旅游园区长期稳定的客流增长,景区设施利用率提高。总体来说,为游客和景区管理公司提供较为精准的景区实时信息,有利于景区内人流的组织和管理。
本发明使得游客能在旅途出行过程中通过实时的数据与景点实现互联互动。本发明对景区信息以及各景点游客数量识别,并进行计算,依据评价指标判别景点拥挤度,并将拥挤度通过可视化方法展现在地图中,给游客直观判断。同时根据***平台的用户地理坐标以及用户需求数据,利用路径优化算法,精准推荐较为合理的路线,最大限度减少用户排队等待时间,提高交通体验。为形成良性反馈,对游客使用数据进行分析,从中获得容易发生较严重排队拥堵的景点以及对不同推荐路线的偏好程度等。本发明能够有效避免游客扎堆并能减少排队等待时间,使得体验更高,景区也能获得良性发展。
附图说明
图1是本发明方法整体的示意框图,图2是本发明方法的具体流程图。
具体实施方式
本发明包括三个模块,景点排队时间实时预测,最佳游玩线路精准推送,游客反馈数据挖掘分析。其方法如下:
一、景点排队时间实时预测模块
所述的景点排队拥挤度实时预测是一种基于图像处理技术的客流识别。利用摄像头获取图像,并利用视频识别对图像进行处理,再利用TensorFlow深度学习方法识别出景点外的排队人数,进而得到拥挤状况。
图像匹配、描述和识别对图像进行比较和配准,通过分制提取图像的特征及相互关系,得到图像符号化的描述,再把它同模型比较,以确定其分类。图像匹配试图建立两张图片之间的几何对应关系,度量其类似或不同的程度。
在拥挤度的识别中,需要将现状游客排队图像与采集的基础图像进行对比,基础图像包括不同天气不同时间点下采集的图像,然后计算出像素大小,即灰度,识别出排队区域的游客数量,并按照一定的指标进行拥挤评价。同时,通过视频识别技术还可以得到排队游客向前移动的流速,并以此作为计算依据,计算出预计的排队时间。
主要训练模型如下:
(1)数据加载阶段
1)从图像训练数据集文件夹中读取每一张图片,读取过程保留文件夹信息,并将图片按照灰度值转换为Tensor形式。每个文件夹代表一个独立的分类,该文件夹下所有图片属于同一种分类;
2)将原始图片进行分类存放并进行编号,将类别标识也转换为Tensor形式;
3)按照每张图片所属文件夹信息,与类别标识相对应;
4)确定队列最小样本数量,对队列进行分区,并将训练样本图片输入到训练网络。
(2)图像预处理阶段
1)图片进入网络之后还不能直接对其进行处理,网络开始提取特征之前需对图片进行预处理。因为训练数据集中图片的像素尺寸大小不一,为保证输入层输入的图片具有统一大小的尺寸,图片在中央区域或随机地裁剪为128X128像素大小的灰度值矩阵;
2)对图像进行近似白平衡处理,减弱预训练模型对训练样本的动态范围变化敏感度。
(3)特征提取与正向传播阶段
1)图像进入神经网络后,各层卷积层使用不同的卷积核对图像提取不同特征,输出不同的特征图像至下层。卷积层特征提取步骤如下:
其中第l层为卷积层,第l+1层为下一层,为第l层第j个特征图像,*号实质是卷积核k在第l-1层所有关联的特征图像上做卷积运算,再求和,再加上一个偏置参数,取ReLU得到最终激励值的过程。卷积结果作为下层输入,沿网络向深层传播;
2)池化层以卷积层输出的特征图像为输入,定义池化范围在每一个通道的图像上以3X3的区域进行最大池化(max-pooling)。最大池化过程如下:
其中第l-1层为上一层,第l层为池化层,是对第l-1层进行的降采样(最大池化),并使用same-padding使其输出尺寸与第l层保持相同。特征图像经最大池化操作后,尺寸不发生改变,并作为下一层的输入沿网络向深层传播.
(4)反向传播阶段
1)本文图像识别子模块网络的损失函数使用多项式逻辑回归,在正则化过程中,对所有学习变量应用权重衰减损失,模型的目标函数是求交叉熵损失和所有权重衰减项的和;
2)正向传播计算出的预测结果与图像类别信息做交叉熵计算之后,采用批梯度下降算法进行反向传播,更新各层参数,并以此迭代来减小loss函数。对于各层参数的更新过程如下:
其中,节点灵敏度δ为误差对输出的变化率:
ul=Wlxl-1+bl
(5)迭代训练阶段
程序脚本会在每10步训练过程后输出loss的值以及最后一批数据的处理速度。训练过程中loss改变的线性形状、梯度值的变化趋势、激活函数的输出值以及学习率等参数可借助数据可视化工具查看。
(6)收敛成熟模型
训练过程中每个步骤所得的模型参数周期性地保存在检查点文件中,当loss函数在一定时间内不再明显下降,可判断收敛。在判断loss基本收敛且在正常值范围之后,结束网络模型的训练工作。
二、最佳游玩路线精准推送模块(采用闭环方式,由于一开始肯定没有游客历史数据,所以先进行最佳游玩路线推送。如果接收了这些路线的用户就会在后台留下数据,再进行数据挖掘,如此循环,得到的历史数据进行分析,再优化第二步骤,即最佳游玩路线精准推送)
所述的最佳游玩路线精准推送是一种基于顺序访问和遗传算法实现的路径优化。首先实现用户的精准定位优化的主要目标是实现用户最优和***最优。用户最优体现在,对于用户个体来说,能够根据用户需求,为用户精准推荐较为合理的路线,最大限度地减少用户排队等待的时间,减少游客走回头路的几率,提高用户游玩的体验。***最优主要体现在,对于景区管理者来说,能够合理地组织客流,均衡客流的分布,通过管理手段,在保证一定服务质量的前提下,提高景区能够接纳的游客容量。
路线优化方法如下:首先,利用本软件第一模块的图像处理结果,计算当前各景点游客的排队长度及排队时间,并利用本软件第三模块的数据处理结果,预估一定时间范围内各景点游客排队时间变化情况;其次,调用景区内各景点的人均游玩时长数据,若景区规定了特定景点的人均游览时间,则将该数据事先存储并由该步骤加载调用,若部分景点的游览时长未受限,则由游客自行输入预计的游览时长;最后,根据游客的位置数据及景区内各景点的地理分布,结合上述的排队时长及各景点的游览时长等数据,利用遗传算法优化游客的游览路线,使其总排队时间最小化,进而提高游客的旅游舒适程度。
根据以上优化方法,给出考虑最小化排队时间的数学模型如下:
式中:H——为时间区间;
I——为范围,如500米半径范围;
i——为范围内的点位编号,即景点编号;
——为每个点位(景点)的预计排队时间;
——决策变量,游客在h的时间范围内到达i点,到达取1,否则取0。
约束条件:
式中:——决策变量,游客在h的时间范围内到达i点,到达取1,否则取0;
TI——到达i点的时刻;
di-1,i——从i-1景点步行至i景点的距离;
tw,i-1——在i-1景点的游玩时间。
约束条件的含义分别为:每个景点只途经一次;到达各个景点的总时间计算;到达各个景点的时间所属于的时段判定。
三、游客反馈数据挖掘分析模块
所述的游客反馈数据挖掘分析是一种交通旅游服务大数据应用方法。利用大数据手段对用户使用情况进行分析,从中可以获得游客喜好情况、容易发生较严重排队拥堵的景点以及用户对不同推荐路线的偏好程度等。
同时,根据使用历史使用数据,能够进行旅客活动时间特征分析,活动空间特征分析,地理流量流向特征分析。据此,可以对景区服务设施的质量、路线优化的程度以及均衡客流的方式进行分析,找出其中存在的问题,根据游客需求进行精准改进,从而使提升景区的服务质量、吸引效应以及游客的游玩体验。
实施例
1、景点排队时间预测
(1)用MATLAB将图像处理成灰度图,将图像转换为矩阵用深度学习卷积神经网络分类;
(2)计算图片像素值大小,得到排队人数;
(3)根据服务率再计算得到预计排队时间。
2、最佳游玩路径优化
设游客周边区域内共存在10个景点,利用随机生成方式生成游客及各景点的坐标及各景点的排队时长等数据,利用各点间的欧氏距离表示它们的间距,具体数值如表1所示。游客序号为0,景点序号为1-10,并设人均步行速度约1m/s。
表1点位信息表
基于上述数据,利用遗传算法优化游客的旅行路线,得到游客排队时间最短的路线为0-4-7-6-1-3-8-2-9-5-10,预计总排队时间为20分钟。作为对比随机生成一条旅行路线:0-9-5-6-2-7-4-3-10-1-8,该条旅行路线的预计总排队时间为99分钟。经上述对比分析,可见本发明有效优化了旅客的游览线路,减少了游客游玩过程中的排队时间,进而提高游客旅行体验。
Claims (4)
1.一种景区游客链式出行一体化提供方法,其特征在于,所述方法包括景点排队时间实时预测的步骤、最佳游玩线路精准推送的步骤和游客反馈数据挖掘分析的步骤;
一、景点排队拥挤度、排队时间的实时预测:利用摄像头实时获取传送的游客排队图像,并利用视频识别对游客排队图像进行处理,再利用TensorFlow深度学习方法识别出景点外的排队人数;
根据景点的实际情况建立的拥挤指标体系结合上述排队人数得到景点排队拥挤度;
通过上述游客排队图像获取游客排队流速,再结合排队人数得到景点排队时间;
所述TensorFlow深度学习方法是:利用图像匹配、描述和识别对图像进行比较和配准,通过提取图像的特征及相互关系,得到图像符号化的描述以确定其分类;所述图像匹配试图建立两张图片之间的几何对应关系,度量其类似或不同的程度;
在拥挤度的识别中,需要将现状游客排队图像与标准的基础图像进行对比,基础图像包括不同天气不同时间点下采集的图像,然后计算出像素大小,即灰度,识别出排队区域的游客数量,并按照一定的指标进行拥挤度评价;同时,通过视频识别技术还可以得到排队游客向前移动的流速,并以此作为计算依据,计算出预计的排队时间;
二、最佳游玩路线精准推送:所述最佳游玩路线精准推送是一种基于顺序访问和遗传算法实现的路径优化,其过程为:
首先,利用所述景点排队时间,预估一定时间范围内各景点游客排队时间变化情况;其次,调用景区内各景点的人均游玩时长数据,若景区规定了特定景点的人均游览时间,则将该数据事先存储并由该步骤加载调用,若部分景点的游览时长未受限,则由游客自行输入预计的游览时长;最后,根据游客的位置数据及景区内各景点的地理分布,得到游客到达某一景点的步行时间,结合上述的排队时间及各景点的游览时间等数据,利用遗传算法优化游客的游览路线,使其总排队时间最小化,进而提高游客的旅游舒适程度;
三、游客反馈数据挖掘分析,所述游客反馈数据挖掘分析为交通旅游服务大数据应用过程,具体为:利用大数据手段对用户使用情况进行分析,从中可获得游客喜好情况、容易发生较严重排队拥堵的景点以及用户对不同推荐路线的偏好程度;
同时,根据使用历史使用数据,能够进行旅客活动时间特征分析,活动空间特征分析,地理流量流向特征分析;据此,可以对景区服务设施的质量、路线优化的程度以及均衡客流的方式进行分析,找出其中存在的问题,根据游客需求进行精准改进,从而使提升景区的服务质量、吸引效应以及游客的游玩体验。
2.根据权利要求1所述的一种景区游客链式出行一体化提供方法,其特征在于,在最佳游玩路线精准推送过程中,
根据所述优化过程,给出考虑最小化排队时间的数学模型如下:
式中:H——为时间区间;
I——为范围;
i——为范围内的点位编号,即景点编号;
——为每个点位(景点)的预计排队时间;
——决策变量,游客在h的时间范围内到达i点,到达取1,否则取0;
约束条件:
式中:——决策变量,游客在h的时间范围内到达i点,到达取1,否则取0;v表示步行速度;分别表示游客在h的时间范围内到达i点时间范围端值;
Ti——到达i点的时刻;
di-1,i——从i-1景点步行至i景点的距离;
tw,i-1——在i-1景点的游玩时间;
约束条件的含义分别为:每个景点只途经一次;到达各个景点的总时间计算;到达各个景点的时间所属于的时段判定。
3.根据权利要求1或2所述的一种景区游客链式出行一体化提供方法,其特征在于,在最佳游玩路线精准推送过程中,I的取值为500米半径范围。
4.根据权利要求3所述的一种景区游客链式出行一体化提供方法,其特征在于,在景点排队拥挤度、排队时间的实时预测过程中,TensorFlow深度学习方法的模型训练如下:
步骤1、数据加载阶段
1)从图像训练数据集文件夹中读取每一张图片,读取过程保留文件夹信息,并将图片按照灰度值转换为Tensor形式;每个文件夹代表一个独立的分类,该文件夹下所有图片属于同一种分类;
2)将标准基础图像进行分类存放并进行编号,将类别标识也转换为Tensor形式;
3)按照每张图片所属文件夹信息,与类别标识相对应;
4)确定队列最小样本数量,对队列进行分区,并将训练样本图片输入到训练神经网络;
步骤2、图像预处理阶段
1)图片进入神经网络之后还不能直接对其进行处理,神经网络开始提取特征之前需对图片进行预处理;因为训练数据集中图片的像素尺寸大小不一,为保证输入层输入的图片具有统一大小的尺寸,图片在中央区域或随机地裁剪为128X128像素大小的灰度值矩阵;
2)对图像进行近似白平衡处理,减弱预训练模型对训练样本的动态范围变化敏感度;
步骤3、特征提取与正向传播阶段
1)图像进入神经网络后,各层卷积层使用不同的卷积核对图像提取不同特征,输出不同的特征图像至下层;卷积层特征提取步骤如下:
其中第l层为卷积层,第l+1层为下一层,为第l层第j个特征图像,*号实质是卷积核k在第l-1层所有关联的特征图像上做卷积运算,再求和,再加上一个偏置参数,取ReLU得到最终激励值的过程;卷积结果作为下层输入,沿网络向深层传播;
2)池化层以卷积层输出的特征图像为输入,定义池化范围在每一个通道的图像上以3*3的区域进行最大池化(max-pooling);最大池化过程如下:
其中第l-1层为上一层,第l层为池化层,是对第l-1层进行的降采样,并使用same-padding使其输出尺寸与第l层保持相同;特征图像经最大池化操作后,尺寸不发生改变,并作为下一层的输入沿网络向深层传播;
步骤4、反向传播阶段
1)训练神经网络的损失函数使用多项式逻辑回归,在正则化过程中,对所有学习变量应用权重衰减损失,模型的目标函数是求交叉熵损失和所有权重衰减项的和;
2)正向传播计算出的预测结果与图像类别信息做交叉熵计算之后,采用批梯度下降算法进行反向传播,更新各层参数,并以此迭代来减小loss函数;
步骤5、迭代训练阶段
程序脚本会在每10步训练过程后输出loss的值以及最后一批数据的处理速度;训练过程中loss改变的线性形状、梯度值的变化趋势、激活函数的输出值以及学习率参数借助数据可视化工具查看;
步骤6、收敛成熟模型
训练过程中每个步骤所得的模型参数周期性地保存在检查点文件中,当loss函数在一定时间内不再明显下降,判断为收敛;在判断loss基本收敛且在正常值范围之后,结束网络模型的训练工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450485.2A CN108629323B (zh) | 2018-05-11 | 2018-05-11 | 一种景区游客链式出行一体化提供方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450485.2A CN108629323B (zh) | 2018-05-11 | 2018-05-11 | 一种景区游客链式出行一体化提供方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629323A true CN108629323A (zh) | 2018-10-09 |
CN108629323B CN108629323B (zh) | 2021-10-01 |
Family
ID=63692718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450485.2A Active CN108629323B (zh) | 2018-05-11 | 2018-05-11 | 一种景区游客链式出行一体化提供方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629323B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341693A (zh) * | 2018-11-06 | 2019-02-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的娱乐场所导航方法和*** |
CN109872145A (zh) * | 2019-01-29 | 2019-06-11 | 中智沃达(北京)电力科技有限公司 | 基于cnn卷积神经网络的充电场智能管理*** |
CN110148071A (zh) * | 2019-04-12 | 2019-08-20 | 深圳市轱辘汽车维修技术有限公司 | 一种景区提示方法、装置及终端设备 |
CN110427571A (zh) * | 2019-07-13 | 2019-11-08 | 恒大智慧科技有限公司 | 一种景点推荐方法、计算机设备及可读存储介质 |
CN110941776A (zh) * | 2020-01-03 | 2020-03-31 | 成都中科大旗软件股份有限公司 | 基于移动智能端的景区导览*** |
CN111063091A (zh) * | 2019-12-27 | 2020-04-24 | 惠州视维新技术有限公司 | 游乐场管理方法、***、终端设备及存储介质 |
CN111126715A (zh) * | 2020-01-03 | 2020-05-08 | 成都中科大旗软件股份有限公司 | 景区客流量管控*** |
CN111144652A (zh) * | 2019-12-26 | 2020-05-12 | 浙江力石科技股份有限公司 | 基于游览舒适度算法和趋势预测方法、***和装置 |
CN111191150A (zh) * | 2019-12-03 | 2020-05-22 | 恒大智慧科技有限公司 | 一种游览路线推荐方法、装置及存储介质 |
CN111191149A (zh) * | 2019-11-26 | 2020-05-22 | 恒大智慧科技有限公司 | 一种基于最短时间的旅游线路推荐方法、装置及存储介质 |
CN111198903A (zh) * | 2019-11-26 | 2020-05-26 | 恒大智慧科技有限公司 | 一种穷游路线推荐方法、装置及存储介质 |
CN111210047A (zh) * | 2019-11-12 | 2020-05-29 | 恒大智慧科技有限公司 | 一种景点服务时间预估方法、装置及存储介质 |
CN111428858A (zh) * | 2020-03-04 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 样本数量的确定方法、装置、电子设备及存储介质 |
CN112200956A (zh) * | 2020-09-27 | 2021-01-08 | 北京百度网讯科技有限公司 | 一种门禁控制方法、***、电子设备及存储介质 |
CN112668375A (zh) * | 2019-10-16 | 2021-04-16 | 广东轻工职业技术学院 | 景区内游客分布分析***及方法 |
CN112824833A (zh) * | 2019-11-20 | 2021-05-21 | 深圳云天励飞技术有限公司 | 路线规划方法及相关产品 |
CN113077102A (zh) * | 2021-04-16 | 2021-07-06 | 合肥工业大学 | 一种景观路线优化方法 |
CN113298452A (zh) * | 2020-06-01 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 商品库存确定方法及装置、商品处理方法及装置 |
CN113472902A (zh) * | 2021-09-02 | 2021-10-01 | 环球数科集团有限公司 | 一种基于云技术的景区游客流量监控与辅助*** |
CN113536090A (zh) * | 2021-07-07 | 2021-10-22 | 中国电子科技集团公司第五十四研究所 | 一种旅游跟团线路人数管控方法 |
CN113780613A (zh) * | 2020-12-15 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 一种路径推荐方法和装置 |
CN114330796A (zh) * | 2022-03-04 | 2022-04-12 | 环球数科集团有限公司 | 景区排队时长预测方法、装置和计算机设备 |
CN115470418A (zh) * | 2022-09-15 | 2022-12-13 | 安徽大学 | 一种基于无人机航拍的排队点推荐方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130260791A1 (en) * | 2012-04-02 | 2013-10-03 | University of Washington Through Its Center For Commercialization | Travel pattern discovery using mobile device sensors |
CN103413509A (zh) * | 2013-08-20 | 2013-11-27 | 苏州跨界软件科技有限公司 | 一种基于地理位置的导游方法 |
CN106485217A (zh) * | 2016-09-30 | 2017-03-08 | 四川世纪云道科技有限公司 | 一种识别游览景区人流饱和度的方法与*** |
CN106934736A (zh) * | 2017-03-27 | 2017-07-07 | 中国农业大学 | 一种基于定位服务的景区导游方法及装置 |
CN107832894A (zh) * | 2017-11-27 | 2018-03-23 | 浙江卓锐科技股份有限公司 | 一种基于蚁群算法的智能旅游行程规划方法 |
-
2018
- 2018-05-11 CN CN201810450485.2A patent/CN108629323B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130260791A1 (en) * | 2012-04-02 | 2013-10-03 | University of Washington Through Its Center For Commercialization | Travel pattern discovery using mobile device sensors |
CN103413509A (zh) * | 2013-08-20 | 2013-11-27 | 苏州跨界软件科技有限公司 | 一种基于地理位置的导游方法 |
CN106485217A (zh) * | 2016-09-30 | 2017-03-08 | 四川世纪云道科技有限公司 | 一种识别游览景区人流饱和度的方法与*** |
CN106934736A (zh) * | 2017-03-27 | 2017-07-07 | 中国农业大学 | 一种基于定位服务的景区导游方法及装置 |
CN107832894A (zh) * | 2017-11-27 | 2018-03-23 | 浙江卓锐科技股份有限公司 | 一种基于蚁群算法的智能旅游行程规划方法 |
Non-Patent Citations (1)
Title |
---|
张笑白: "高峰期内旅游路线实时优化调度仿真研究", 《计算机仿真》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341693B (zh) * | 2018-11-06 | 2021-02-05 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的娱乐场所导航方法和*** |
CN109341693A (zh) * | 2018-11-06 | 2019-02-15 | 大国创新智能科技(东莞)有限公司 | 基于大数据和深度学习的娱乐场所导航方法和*** |
CN109872145A (zh) * | 2019-01-29 | 2019-06-11 | 中智沃达(北京)电力科技有限公司 | 基于cnn卷积神经网络的充电场智能管理*** |
CN109872145B (zh) * | 2019-01-29 | 2020-12-08 | 中智沃达(北京)电力科技有限公司 | 基于cnn卷积神经网络的充电场智能管理*** |
CN110148071A (zh) * | 2019-04-12 | 2019-08-20 | 深圳市轱辘汽车维修技术有限公司 | 一种景区提示方法、装置及终端设备 |
CN110427571A (zh) * | 2019-07-13 | 2019-11-08 | 恒大智慧科技有限公司 | 一种景点推荐方法、计算机设备及可读存储介质 |
CN112668375B (zh) * | 2019-10-16 | 2023-07-07 | 广东轻工职业技术学院 | 景区内游客分布分析***及方法 |
CN112668375A (zh) * | 2019-10-16 | 2021-04-16 | 广东轻工职业技术学院 | 景区内游客分布分析***及方法 |
CN111210047A (zh) * | 2019-11-12 | 2020-05-29 | 恒大智慧科技有限公司 | 一种景点服务时间预估方法、装置及存储介质 |
CN112824833A (zh) * | 2019-11-20 | 2021-05-21 | 深圳云天励飞技术有限公司 | 路线规划方法及相关产品 |
CN112824833B (zh) * | 2019-11-20 | 2024-03-22 | 深圳云天励飞技术有限公司 | 路线规划方法及相关产品 |
CN111198903A (zh) * | 2019-11-26 | 2020-05-26 | 恒大智慧科技有限公司 | 一种穷游路线推荐方法、装置及存储介质 |
CN111191149A (zh) * | 2019-11-26 | 2020-05-22 | 恒大智慧科技有限公司 | 一种基于最短时间的旅游线路推荐方法、装置及存储介质 |
CN111191150A (zh) * | 2019-12-03 | 2020-05-22 | 恒大智慧科技有限公司 | 一种游览路线推荐方法、装置及存储介质 |
CN111144652A (zh) * | 2019-12-26 | 2020-05-12 | 浙江力石科技股份有限公司 | 基于游览舒适度算法和趋势预测方法、***和装置 |
CN111144652B (zh) * | 2019-12-26 | 2023-08-08 | 浙江力石科技股份有限公司 | 基于游览舒适度算法和趋势预测方法、***和装置 |
CN111063091A (zh) * | 2019-12-27 | 2020-04-24 | 惠州视维新技术有限公司 | 游乐场管理方法、***、终端设备及存储介质 |
CN110941776B (zh) * | 2020-01-03 | 2023-05-12 | 成都中科大旗软件股份有限公司 | 基于移动智能端的景区导览*** |
CN111126715A (zh) * | 2020-01-03 | 2020-05-08 | 成都中科大旗软件股份有限公司 | 景区客流量管控*** |
CN110941776A (zh) * | 2020-01-03 | 2020-03-31 | 成都中科大旗软件股份有限公司 | 基于移动智能端的景区导览*** |
CN111126715B (zh) * | 2020-01-03 | 2023-05-12 | 成都中科大旗软件股份有限公司 | 景区客流量管控*** |
CN111428858A (zh) * | 2020-03-04 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 样本数量的确定方法、装置、电子设备及存储介质 |
CN113298452A (zh) * | 2020-06-01 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 商品库存确定方法及装置、商品处理方法及装置 |
CN112200956A (zh) * | 2020-09-27 | 2021-01-08 | 北京百度网讯科技有限公司 | 一种门禁控制方法、***、电子设备及存储介质 |
CN113780613A (zh) * | 2020-12-15 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 一种路径推荐方法和装置 |
CN113077102A (zh) * | 2021-04-16 | 2021-07-06 | 合肥工业大学 | 一种景观路线优化方法 |
CN113077102B (zh) * | 2021-04-16 | 2022-11-08 | 合肥工业大学 | 一种景观路线优化方法 |
CN113536090A (zh) * | 2021-07-07 | 2021-10-22 | 中国电子科技集团公司第五十四研究所 | 一种旅游跟团线路人数管控方法 |
CN113472902A (zh) * | 2021-09-02 | 2021-10-01 | 环球数科集团有限公司 | 一种基于云技术的景区游客流量监控与辅助*** |
CN114330796B (zh) * | 2022-03-04 | 2022-05-27 | 环球数科集团有限公司 | 景区排队时长预测方法、装置和计算机设备 |
CN114330796A (zh) * | 2022-03-04 | 2022-04-12 | 环球数科集团有限公司 | 景区排队时长预测方法、装置和计算机设备 |
CN115470418A (zh) * | 2022-09-15 | 2022-12-13 | 安徽大学 | 一种基于无人机航拍的排队点推荐方法及*** |
CN115470418B (zh) * | 2022-09-15 | 2023-07-25 | 安徽大学 | 一种基于无人机航拍的排队点推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108629323B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629323A (zh) | 一种景区游客链式出行一体化提供方法 | |
CN109858388A (zh) | 一种智慧旅游管理*** | |
CN101010560B (zh) | 信息处理设备和方法、以及信息处理*** | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
CN108460362A (zh) | 一种检测人体部位的***及方法 | |
CN107103754A (zh) | 一种道路交通状况预测方法及*** | |
CN110428096A (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
CN107167156B (zh) | 一种面向一体化出行的多方式出行链优选方法及*** | |
CN108133619A (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
CN108151756A (zh) | 一种城市公共交通***的行程时间计算方法和装置 | |
CN108681586A (zh) | 基于群智感知的旅游路线个性化推荐方法 | |
CN109059934A (zh) | 路径规划方法、装置、终端及存储介质 | |
CN108537691A (zh) | 一种区域游览智能管理***及方法 | |
CN105300398B (zh) | 获取地点信息的方法、装置和*** | |
CN112668375B (zh) | 景区内游客分布分析***及方法 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN113935547A (zh) | 最优效用的定制化旅游景区线路规划*** | |
CN110472999A (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN109472416B (zh) | 基于自动路网数据提取的室内路径规划方法及装置、客户端 | |
CN110245377A (zh) | 一种出行方案推荐方法及推荐*** | |
CN112365708A (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN111737826A (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN114386664A (zh) | 一种基于强化学习的个性化旅游线路推荐方法 | |
CN117726369A (zh) | 一种基于手机信令数据的商业区域选址方法及*** | |
CN111898043B (zh) | 一种城市旅行路线规划的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |