CN117372946A - 一种旅游团游客行为识别方法 - Google Patents
一种旅游团游客行为识别方法 Download PDFInfo
- Publication number
- CN117372946A CN117372946A CN202311208043.4A CN202311208043A CN117372946A CN 117372946 A CN117372946 A CN 117372946A CN 202311208043 A CN202311208043 A CN 202311208043A CN 117372946 A CN117372946 A CN 117372946A
- Authority
- CN
- China
- Prior art keywords
- tourist
- group
- tourists
- moment
- behavior
- 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 18
- 230000006399 behavior Effects 0.000 claims abstract description 64
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005755 formation reaction Methods 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 20
- 230000000295 complement effect Effects 0.000 claims description 19
- 239000000463 material Substances 0.000 abstract description 4
- 230000000284 resting effect Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种旅游团游客行为识别方法,所述方法包括:获取跟团游轨迹数据,并进行预处理;根据旅游团游客分布特征,识别旅游团是否为纵队队形,如是则进一步识别游客的乘车行为、步行行为、排队行为;识别旅游团是否为圆形队形,如是则进一步识别游客的听讲行为、就餐行为;识别旅游团是否为集散队形,如是则进一步识别游客的休息行为、购物行为。本方法提供的旅游团游客行为识别方法,能够根据旅游团轨迹识别旅游团游客行为,方便景区根据整体旅游团游客行为情况调整服务供给、调配人力物力资源等。
Description
技术领域
本发明涉及时空大数据应用技术领域,具体为一种旅游团游客行为识别方法。
背景技术
近年来,随着我国国民经济的持续发展和人民生活水平的不断提高,人们旅游的愿望越来越高。许多游客通过报旅游团(跟团游)的方式进行旅游。到达景区后,游客行为一般包括就餐、乘车、观赏(步行)、排队、听导游讲解(听讲)、购物、休息等行为。从旅游团的整体视角来看,不同行为可能会有不同的游客分布特征。乘车时,游客按照前后左右顺序就座,旅游团呈现纵队队形;类似地,排队时,也呈现纵队队形。就餐时,游客围绕餐桌就座,旅游团呈现圆形队形;类似地,听导游讲解时,游客一般围在导游周边,也呈现圆形队形。休息时,游客一般与熟悉的亲友靠近,与其他游客距离较远,呈现大分散小集聚(集散队形);类似地,购物时,游客一般也与熟悉的亲友一块商量、沟通。
了解旅游团游客行为便于景区掌握整体运行状态,进而方便景区及时调整服务供给、调配人力物力资源等。如较多旅游团游客在某个景点排队时,景区应及时引流导流,防止拥堵;再如较多旅游团游客在某个餐厅就餐时,景区应及时调配食品原材料。
目前,高精度定位服务技术逐渐成熟,如千寻位置采用RTK技术可以提供厘米级定位服务。申请号为2023106167322的专利文件公开了一种基于轨迹大数据的游客组团类型识别方法,通过分析轨迹数据识别游客是否有同行人员,如有同行人员则进一步识别组团类型是否为跟团游(旅游团),但该方法不能识别旅游团游客行为。因此如何利用旅游团轨迹数据,识别旅游团游客行为,方便景区及时调整服务供给、调配人力物力资源等,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种旅游团游客行为识别方法,以解决上述背景技术中遇到的问题。
为解决上述技术问题,本发明提供如下技术方案:一种旅游团游客行为识别方法,包括如下步骤:
S1:获取跟团游轨迹数据,并进行预处理,生成旅游团轨迹数据;
S2:根据旅游团游客分布特征,识别旅游团是否为纵队队形,如是则进一步识别旅游团游客的乘车行为、步行行为、排队行为;
S3:根据旅游团游客分布特征,识别旅游团是否为圆形队形,如是则进一步识别旅游团游客的听讲行为、就餐行为;
S4:根据旅游团游客分布特征,识别旅游团是否为集散队形,如是则进一步识别旅游团游客的休息行为、购物行为。
进一步地,所述步骤S1中跟团游轨迹来自高精度定位轨迹数据的处理结果,跟团游轨迹由一系列游客轨迹点组成,轨迹点包含旅游团编号、游客编号、导游标志、时间、坐标信息。
进一步地,所述步骤S1中预处理具体步骤为:
S11:提取旅游团编号相同的游客轨迹点,记为旅游团轨迹数据;
S12:根据每一时刻及其对应上一时刻旅游团重心坐标,计算每一时刻旅游团活动速度。
进一步地,所述步骤S2中具体步骤为:
S21:将每一时刻旅游团中某一游客坐标与其他游客坐标进行连线,记为连线方向,计算各连线方向与其他连线方向之间的夹角及其补角,并统计夹角或补角小于预设夹角阈值的次数,记为夹角次数,将最大夹角次数对应的连线方向,记为纵队方向,并将连线方向与纵队方向的夹角或补角小于预设夹角阈值对应的其他游客,记为同纵队游客;
S22:重复步骤S21,识别每一时刻旅游团中除该游客及其同纵队游客之外其他游客的纵队方向和同纵队游客;
S23:计算每一时刻旅游团中各纵队方向之间的夹角及其补角;
S24:如某一时刻各纵队之间的夹角或补角全部小于预设夹角阈值,则该时刻旅游团为纵队队形;
S25:如旅游团活动速度大于预设步行速度上限,则该时刻旅游团游客为乘车行为;
S26:如旅游团活动速度小于预设步行速度上限且旅游团活动速度大于预设步行速度下限,则该时刻旅游团游客为步行行为;
S27:如旅游团活动速度小于预设步行速度下限,则该时刻旅游团游客为排队行为。
进一步地,所述步骤S3中具体步骤为:
S31:计算每一时刻旅游团中各游客坐标与其他游客坐标的距离之和,记为游客间总距离,统计各游客间总距离的平均值,记为游客间平均总距离;
S32:如某一时刻旅游团中所有游客间总距离均大于游客间平均总距离与预设距离比值下限之积且均小于游客间平均总距离与预设距离比值上限之积,则该时刻旅游团为圆形队形;
S33:如导游人员位于旅游团圆形队形内部,则该时刻旅游团游客为听讲行为,否则为就餐行为。
进一步地,所述步骤S4中具体步骤为:
S41:计算每一时刻旅游团中各游客坐标与其他游客坐标的最近距离,并统计各游客最近距离的平均值,记为游客平均最近距离;
S42:统计每一时刻旅游团中各游客横纵坐标的最大值和最小值,进而生成各游客坐标的外接矩形,计算外接矩形面积;
S43:计算每一时刻旅游团中游客的最近邻指数,其计算公式为:
NNI=D/[0.5×(A/n)0.5]
其中,NNI为最近邻指数,D为游客平均最近距离,A为外接矩形面积,n为旅游团中游客数量;
S44:如某一时刻最近邻指数小于1,则该时刻旅游团为集散队形;
S45:如与对应上一时刻相比,坐标发生变化的游客比例小于预设变化比例阈值,则该时刻旅游团游客为休息行为,否则为购物行为。
与现有技术相比,本发明的有益效果是:
提出了一种旅游团游客行为识别方法,能够根据旅游团轨迹识别旅游团游客的乘车、步行、排队、听讲、就餐、休息、购物等行为。通过识别旅游团游客行为,方便景区及时调整服务供给、调配人力物力资源等。
附图说明
图1为本发明提供的旅游团游客行为识别方法流程示意图;
图2为本发明旅游团纵队队形示意图;
图3为本发明旅游团圆形队形示意图,(a)游客听讲行为,(b)游客就餐行为;
图4为本发明旅游团集散队形示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例以某景区为例,对本发明的具体实施进行说明,下面将结合此实例具体说明本发明识别旅游团游客行为的具体实施步骤:
S1:获取跟团游轨迹数据,并进行预处理,生成旅游团轨迹数据。跟团游轨迹来自高精度定位轨迹数据的处理结果,跟团游轨迹由一系列游客轨迹点组成,轨迹点包含旅游团编号、游客编号、导游标志、时间、坐标信息,该数据时间精度为1秒,空间精度为0.1米,本实施例中坐标系为CGCS2000_3_Degree_GK_CM_120E投影坐标系。
具体的,跟团游轨迹数据,如表1所示。
表1跟团游轨迹数据表(投影坐标)
步骤S1中预处理具体步骤为:
S11:提取旅游团编号相同的游客轨迹点,记为旅游团轨迹数据。
具体的,由于旅游团类型是以旅游团为单位进行识别,因此需要按照旅游团对跟团游轨迹数据进行分组。将旅游团编号(如E团)相同的游客轨迹点提取出来,记为旅游团轨迹数据。
S12:根据每一时刻及其对应上一时刻旅游团重心坐标,计算每一时刻旅游团活动速度。
具体的,在09:11:00,旅游团E团重心坐标为(459354.43923232.6),在09:11:01,重心坐标为(459356.9,3923235.1),则E团在09:11:01的活动速度为3.54米/秒。类似地,分别计算每一时刻旅游团的活动速度。
S2:根据旅游团游客分布特征,识别旅游团是否为纵队队形,如是则进一步识别旅游团游客的乘车行为、步行行为、排队行为。
步骤S2中具体步骤为:
S21:将每一时刻旅游团中某一游客坐标与其他游客坐标进行连线,记为连线方向,计算各连线方向与其他连线方向之间的夹角及其补角,并统计夹角或补角小于预设夹角阈值的次数,记为夹角次数,将最大夹角次数对应的连线方向,记为纵队方向,并将连线方向与纵队方向的夹角或补角小于预设夹角阈值对应的其他游客,记为同纵队游客。
具体的,在09:11:01,旅游团E团中301游客坐标(459357.6,3923236.2)与302游客坐标(459357.2,3923235.8)连线方向为南偏西45度。类似地,分别计算其他游客坐标与302游客坐标的连线方向,结果如表2所示。
在09:11:01,以311游客坐标与302游客坐标连线方向为基准方向,计算该基准方向与其他连线方向的夹角及其补角,并统计夹角或补角小于预设夹角阈值(比如4度)次数为0次。类似地,分别以其他游客坐标与302游客坐标连线方向为基准方向,统计夹角或补角小于预设夹角阈值次数。结果显示,以301游客坐标与302游客坐标连线方向为基准方向,夹角或补角小于预设夹角阈值次数最大(达到4次),因而纵队方向为南偏西45度。
在09:11:01,将与302游客坐标连线方向与纵队方向的夹角或补角小于预设夹角阈值对应的301游客、303游客、304游客等记为302游客的同纵队游客。
类似地,分别识别每一时刻旅游团E团中302游客的纵队方向和同纵队游客。
表2与其他游客连线方向表
S22:重复步骤S21,识别每一时刻旅游团中除该游客及其同纵队游客之外其他游客的纵队方向和同纵队游客。
具体的,在09:11:01,重复步骤S21,识别旅游团E团中除302游客及其同纵队游客之外其他游客的纵队方向和同纵队游客。类似地,分别识别每一时刻旅游团E团中除302游客及其同纵队游客之外其他游客的纵队方向和同纵队游客。
S23:计算每一时刻旅游团中各纵队方向之间的夹角及其补角。
具体的,在09:11:01,旅游团E团共有2个纵队,纵队方向分别为南偏西45度、北偏东43.5度,2个纵队方向之间的夹角为178.5度,补角为1.5度。类似地,分别计算每一时刻旅游团E团各纵队方向之间的夹角和补角。
S24:如某一时刻各纵队方向之间的夹角或补角全部小于预设夹角阈值,则该时刻旅游团为纵队队形。
具体的,在09:11:01,旅游团E团2个纵队方向之间的补角小于预设夹角阈值,则在09:11:01,旅游团E团为纵队队形(图2)。
S25:如旅游团活动速度大于预设步行速度上限,则该时刻旅游团游客为乘车行为。
具体的,在09:11:01,旅游团E团活动速度为3.54米/秒,大于预设步行速度上限(比如2米/秒),则在09:11:01,旅游团E团游客为乘车行为。
S26:如旅游团活动速度小于预设步行速度上限且旅游团活动速度大于预设步行速度下限,则该时刻旅游团游客为步行行为。
具体的,在09:27:32,旅游团E团为纵队队形,且活动速度为1.35米/秒,小于预设步行速度上限,大于预设步行速度下限(比如0.8米/秒),则在09:27:32,旅游团E团游客为步行行为。
S27:如旅游团活动速度小于预设步行速度下限,则该时刻旅游团游客为排队行为。
具体的,在09:32:08,旅游团E团为纵队队形,且活动速度为0.32米/秒,小于预设步行速度下限,则在09:32:08,旅游团E团游客为排队行为。
S3:根据旅游团游客分布特征,识别旅游团是否为圆形队形,如是则进一步识别旅游团游客的听讲行为、就餐行为。
步骤S3中具体步骤为:
S31:计算每一时刻旅游团中各游客坐标与其他游客坐标的距离之和,记为游客间总距离,统计各游客间总距离的平均值,记为游客间平均总距离。
具体的,在09:57:12,旅游团F团中以401游客为起始游客,计算其与其他游客坐标的距离,结果如表3所示。统计401游客坐标与其他游客坐标的距离之和为15.3米。类似地,分别计算旅游团F团中除401游客之外其他游客的游客间总距离。经统计,旅游团F团中各游客间总距离的平均值为15.6米。进一步地,分别计算每一时刻旅游团F团中各游客的游客间总距离,并统计其平均值。
表3与其他游客距离表
S32:如某一时刻旅游团中所有游客间总距离均大于游客间平均总距离与预设距离比值下限之积且均小于游客间平均总距离与预设距离比值上限之积,则该时刻旅游团为圆形队形。
具体的,在09:57:12,计算旅游团F团中401游客是否满足:游客间总距离>游客间平均总距离×预设距离比值下限(比如0.9)且游客间总距离<游客间平均总距离×预设讲解距离比值上限(比如1.1)。结果表明,401游客满足要求。类似地,计算旅游团F团中除401游客之外其他游客是否满足要求。结果显示,旅游团F团所有游客均满足要求。因此,在09:57:12,旅游团F团为圆形队形。
S33:如导游人员位于旅游团圆形队形内部,则该时刻旅游团游客为听讲行为,否则为就餐行为。
具体的,在09:57:12,旅游团F团重心坐标为(459423.5,3923318.5),计算各游客坐标与重心坐标的距离,结果如表4所示。400导游人员坐标为(459423.5,3923318.6),其与重心坐标的距离为0.1米。由于各游客坐标与重心坐标的距离均大于导游人员坐标与重心坐标的距离,因此,400导游人员位于旅游团圆形队形内部,则在09:57:12,旅游团F团游客为听讲行为,如图3中的(a)所示。类似地,在12:13:24,旅游团F团中400导游人员没有位于圆形队形内部,则在12:13:24,旅游团F团游客为就餐行为,如图3中的(b)所示。
表4与旅游团重心距离表
S4:根据旅游团游客分布特征,识别旅游团是否为集散队形,如是则进一步识别旅游团游客的休息行为、购物行为。
步骤S4中具体步骤为:
S41:计算每一时刻旅游团中各游客坐标与其他游客坐标的最近距离,并统计各游客最近距离的平均值,记为游客平均最近距离。
具体的,在11:08:21,旅游团G团中501游客坐标与502游客坐标距离最近,距离为0.5米。类似地,计算旅游团G团中除501游客之外各游客坐标与其他游客的最近距离。经统计,旅游团G团中各游客最近距离的平均值为0.6米。进一步地,计算每一时刻旅游团G团中游客平均最近距离。
S42:统计每一时刻旅游团中各游客横纵坐标的最大值和最小值,进而生成各游客坐标的外接矩形,计算外接矩形面积。
具体的,在11:08:21,旅游团G团中各游客横坐标的最大值、最小值分别为459675.2、459666.3,纵坐标的最大值、最小值分别为3923131.5、3923124.1,根据横纵坐标的最大值、最小值连成各游客坐标的外接矩形。该外接矩形长8.9米,宽7.4米,面积为65.9平方米。类似地,分别统计每一时刻旅游团G团各游客横纵坐标的最大值和最小值,生成外接矩形,并计算外接矩形面积。
S43:计算每一时刻旅游团中游客的最近邻指数,其计算公式为:
NNI=D/[0.5×(A/n)0.5]
其中,NNI为最近邻指数,D为游客平均最近距离,A为外接矩形面积,n为旅游团中游客数量。
具体的,在11:08:21,旅游团G团中游客平均最近距离为0.6米,外接矩形面积为65.9平方米,游客数量为12个,则游客的最近邻指数为0.51。类似地,分别计算每一时刻旅游团G团中游客的最近邻指数。
S44:如某一时刻最近邻指数小于1,则该时刻旅游团为集散队形。
具体的,在11:08:21,旅游团G团中游客的最近邻指数为0.51,则在11:08:21,旅游团G团为集散队形,如图4所示。
S45:如与对应上一时刻相比,坐标发生变化的游客比例小于预设变化比例阈值,则该时刻旅游团游客为休息行为,否则为购物行为。
具体的,与11:08:20相比,在11:08:21,旅游团G团中坐标发生变化的游客为1个,坐标发生变化的游客比例:1/12×100%=8.3%。小于预设变化比例阈值(比如25%),则在11:08:21,旅游团G团游客为休息行为。类似地,在11:26:58,旅游团G团为集散队形,且坐标发生变化的游客比例为58.3%,大于预设变化比例阈值,则在11:26:58,旅游团G团游客为购物行为。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种旅游团游客行为识别方法,其特征在于,包括如下步骤:
S1:获取跟团游轨迹数据,并进行预处理,生成旅游团轨迹数据;
S2:根据旅游团游客分布特征,识别旅游团是否为纵队队形,如是则进一步识别旅游团游客的乘车行为、步行行为、排队行为;
S3:根据旅游团游客分布特征,识别旅游团是否为圆形队形,如是则进一步识别旅游团游客的听讲行为、就餐行为;
S4:根据旅游团游客分布特征,识别旅游团是否为集散队形,如是则进一步识别旅游团游客的休息行为、购物行为。
2.根据权利要求1所述的一种旅游团游客行为识别方法,其特征在于,所述步骤S1中跟团游轨迹来自高精度定位轨迹数据的处理结果,跟团游轨迹由一系列游客轨迹点组成,轨迹点包含旅游团编号、游客编号、导游标志、时间、坐标信息。
3.根据权利要求1所述的一种旅游团游客行为识别方法,其特征在于,所述步骤S1中预处理具体步骤为:
S11:提取旅游团编号相同的游客轨迹点,记为旅游团轨迹数据;
S12:根据每一时刻及其对应上一时刻旅游团重心坐标,计算每一时刻旅游团活动速度。
4.根据权利要求1所述的一种旅游团游客行为识别方法,其特征在于,所述步骤S2中具体步骤为:
S21:将每一时刻旅游团中某一游客坐标与其他游客坐标进行连线,记为连线方向,计算各连线方向与其他连线方向之间的夹角及其补角,并统计夹角或补角小于预设夹角阈值的次数,记为夹角次数,将最大夹角次数对应的连线方向,记为纵队方向,并将连线方向与纵队方向的夹角或补角小于预设夹角阈值对应的其他游客,记为同纵队游客;
S22:重复步骤S21,识别每一时刻旅游团中除该游客及其同纵队游客之外其他游客的纵队方向和同纵队游客;
S23:计算每一时刻旅游团中各纵队方向之间的夹角及其补角;
S24:如某一时刻各纵队方向之间的夹角或补角全部小于预设夹角阈值,则该时刻旅游团为纵队队形;
S25:如旅游团活动速度大于预设步行速度上限,则该时刻旅游团游客为乘车行为;
S26:如旅游团活动速度小于预设步行速度上限且旅游团活动速度大于预设步行速度下限,则该时刻旅游团游客为步行行为;
S27:如旅游团活动速度小于预设步行速度下限,则该时刻旅游团游客为排队行为。
5.根据权利要求1所述的一种旅游团游客行为识别方法,其特征在于,所述步骤S3中具体步骤为:
S31:计算每一时刻旅游团中各游客坐标与其他游客坐标的距离之和,记为游客间总距离,统计各游客间总距离的平均值,记为游客间平均总距离;
S32:如某一时刻旅游团中所有游客间总距离均大于游客间平均总距离与预设距离比值下限之积且均小于游客间平均总距离与预设距离比值上限之积,则该时刻旅游团为圆形队形;
S33:如导游人员位于旅游团圆形队形内部,则该时刻旅游团游客为听讲行为,否则为就餐行为。
6.根据权利要求1所述的一种旅游团游客行为识别方法,其特征在于,所述步骤S4中具体步骤为:
S41:计算每一时刻旅游团中各游客坐标与其他游客坐标的最近距离,并统计各游客最近距离的平均值,记为游客平均最近距离;
S42:统计每一时刻旅游团中各游客横纵坐标的最大值和最小值,进而生成各游客坐标的外接矩形,计算外接矩形面积;
S43:计算每一时刻旅游团中游客的最近邻指数,其计算公式为:
NNI=D/[0.5×(A/n)0.5]
其中,NNI为最近邻指数,D为游客平均最近距离,A为外接矩形面积,n为旅游团中游客数量;
S44:如某一时刻最近邻指数小于1,则该时刻旅游团为集散队形;
S45:如与对应上一时刻相比,坐标发生变化的游客比例小于预设变化比例阈值,则该时刻旅游团游客为休息行为,否则为购物行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208043.4A CN117372946B (zh) | 2023-09-19 | 2023-09-19 | 一种旅游团游客行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208043.4A CN117372946B (zh) | 2023-09-19 | 2023-09-19 | 一种旅游团游客行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372946A true CN117372946A (zh) | 2024-01-09 |
CN117372946B CN117372946B (zh) | 2024-04-16 |
Family
ID=89401262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311208043.4A Active CN117372946B (zh) | 2023-09-19 | 2023-09-19 | 一种旅游团游客行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372946B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051727A (zh) * | 2024-02-27 | 2024-05-17 | 日照市规划设计研究院集团有限公司 | 一种亲友游中特殊成员识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383461A (zh) * | 2013-07-19 | 2013-11-06 | 苏州海客科技有限公司 | 旅游团位置获取方法 |
CN108269203A (zh) * | 2018-02-08 | 2018-07-10 | 湖南三纬码信息技术有限公司 | 旅游带团方法、旅游团管理***、导游管理***、游客服务*** |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110059668A (zh) * | 2019-04-29 | 2019-07-26 | 中国民用航空总局第二研究所 | 行为预测处理方法、装置及电子设备 |
CN111368650A (zh) * | 2020-02-18 | 2020-07-03 | 北京交通大学 | 一种基于轨迹数据的人群拥挤行为识别方法 |
CN112330498A (zh) * | 2020-10-22 | 2021-02-05 | 马上游科技股份有限公司 | 基于游客位置进行分组管理的方法及*** |
CN113535872A (zh) * | 2021-07-12 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于对象的多粒度编队运动可视化方法 |
CN114429318A (zh) * | 2022-04-07 | 2022-05-03 | 环球数科集团有限公司 | 旅游团的成员管理方法、装置和计算机设备 |
CN115358621A (zh) * | 2022-09-02 | 2022-11-18 | 北京理工大学 | 一种基于特征锚点的人群队形规划方法及*** |
CN116129263A (zh) * | 2022-12-30 | 2023-05-16 | 中国人民解放***箭军工程大学 | 一种基于拓扑结构相似度的集群舰船队形识别方法 |
CN116343133A (zh) * | 2023-05-29 | 2023-06-27 | 日照市规划设计研究院集团有限公司 | 一种基于轨迹大数据的游客组团类型识别方法 |
CN116483082A (zh) * | 2023-04-20 | 2023-07-25 | 哈尔滨工程大学 | 一种基于插值和模糊识别的多智能体编队识别方法 |
CN116610989A (zh) * | 2023-07-19 | 2023-08-18 | 日照市规划设计研究院集团有限公司 | 一种基于跟团游轨迹数据的旅游团类型识别方法 |
-
2023
- 2023-09-19 CN CN202311208043.4A patent/CN117372946B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383461A (zh) * | 2013-07-19 | 2013-11-06 | 苏州海客科技有限公司 | 旅游团位置获取方法 |
CN108269203A (zh) * | 2018-02-08 | 2018-07-10 | 湖南三纬码信息技术有限公司 | 旅游带团方法、旅游团管理***、导游管理***、游客服务*** |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110059668A (zh) * | 2019-04-29 | 2019-07-26 | 中国民用航空总局第二研究所 | 行为预测处理方法、装置及电子设备 |
CN111368650A (zh) * | 2020-02-18 | 2020-07-03 | 北京交通大学 | 一种基于轨迹数据的人群拥挤行为识别方法 |
CN112330498A (zh) * | 2020-10-22 | 2021-02-05 | 马上游科技股份有限公司 | 基于游客位置进行分组管理的方法及*** |
CN113535872A (zh) * | 2021-07-12 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于对象的多粒度编队运动可视化方法 |
CN114429318A (zh) * | 2022-04-07 | 2022-05-03 | 环球数科集团有限公司 | 旅游团的成员管理方法、装置和计算机设备 |
CN115358621A (zh) * | 2022-09-02 | 2022-11-18 | 北京理工大学 | 一种基于特征锚点的人群队形规划方法及*** |
CN116129263A (zh) * | 2022-12-30 | 2023-05-16 | 中国人民解放***箭军工程大学 | 一种基于拓扑结构相似度的集群舰船队形识别方法 |
CN116483082A (zh) * | 2023-04-20 | 2023-07-25 | 哈尔滨工程大学 | 一种基于插值和模糊识别的多智能体编队识别方法 |
CN116343133A (zh) * | 2023-05-29 | 2023-06-27 | 日照市规划设计研究院集团有限公司 | 一种基于轨迹大数据的游客组团类型识别方法 |
CN116610989A (zh) * | 2023-07-19 | 2023-08-18 | 日照市规划设计研究院集团有限公司 | 一种基于跟团游轨迹数据的旅游团类型识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051727A (zh) * | 2024-02-27 | 2024-05-17 | 日照市规划设计研究院集团有限公司 | 一种亲友游中特殊成员识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117372946B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095242B (zh) | 一种标记地理区域的方法和装置 | |
CN109359521A (zh) | 基于深度学习的课堂质量双向评估*** | |
CN106407519B (zh) | 一种人群移动规律的建模方法 | |
CN116343133B (zh) | 一种基于轨迹大数据的游客组团类型识别方法 | |
JP2003523581A (ja) | モバイルユーザのコラボレート先の発見方法およびその装置 | |
CN105872034A (zh) | 跟踪和记录运动的***、使用其的方法及移动通信装置 | |
CN107948928A (zh) | 凭经验的专家确定和问题路由***和方法 | |
CN107610765A (zh) | 一种人体活力值监控方法及*** | |
Zhong et al. | Identifying Spatial Structure of Urban Functional Centers Using Travel Survey Data: A Case Study of Singapore | |
CN103995859A (zh) | 一种应用于lbsn网络的基于地理标签的热点区域事件探测*** | |
CN107180088A (zh) | 基于模糊c均值聚类算法的新闻推荐方法 | |
CN107908636A (zh) | 一种利用社交媒体挖掘人类活动时空模式的方法 | |
Want | An introduction to ubiquitous computing | |
CN117372946B (zh) | 一种旅游团游客行为识别方法 | |
CN107274066A (zh) | 一种基于lrfmd模型的共享交通客户价值分析方法 | |
CN111178643A (zh) | 一种团体运动的智能引导方法和*** | |
CN102521486A (zh) | 自动判断游客掉队的方法 | |
CN108701280A (zh) | 确定语义行进模式 | |
CN116610989B (zh) | 一种基于跟团游轨迹数据的旅游团类型识别方法 | |
CN112699402B (zh) | 基于联邦个性化随机森林的可穿戴设备活动预测方法 | |
CN106528614A (zh) | 一种移动社交网络中用户的地理位置预测方法 | |
CN104850657A (zh) | 一种全息位置地图的迭加方法 | |
CN105654137B (zh) | 一种海量遥感数据分类组织方法 | |
CN108737951A (zh) | 一种基于手机定位技术监测人流行动轨迹*** | |
Gould et al. | Small-area analysis: Targeting high-risk areas for adolescent pregnancy prevention programs |
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 |