首页 > 论文范文 > 社会科学论文 > 经济学论文 > 旅游经济论文 > 运用TripPlan算法对智慧旅游路线设计规划

运用TripPlan算法对智慧旅游路线设计规划

2020-12-12 201 上传者：管理员

摘要：针对目前大部分智慧旅游管理还处于粗放管理的方式,不能充分利用已有的业务数据信息,信息化水平有待提升这些情况,在对已有的游客数据信息进行大数据分析的基础上,运用TripPlan算法进行旅游路线的设计规划,并将之与BFM、TripMine算法进行对比分析,结果表明:在游览时间约束条件下,游客游玩景点数量越多,采用TripPlan算法进行旅游路线规划的效率更高。

关键词：
大数据分析
旅游管理
旅游线路规划
智慧旅游
游客数据
加入收藏

当今旅游的方式发生了翻天覆地的变化，景区特色游、乡村游等众多方式成为城镇居民的体验首选，而且旅游的发展符合国家产业发展的目标，其已经成为农民脱贫致富、精准扶贫及城乡融合发展的重要方式[1].但是在发展的同时，也带来了诸多方面的问题，如环境污染、旅游无秩序等，此时就迫切需要新的管理方式，而信息化就成为一种重要的促进力量.通过智慧旅游信息化系统的建设，能够带来多方面效益，包括经济效益、社会效益等，有效地融合目前的物联网、大数据、AR等现代化的技术体验，为用户提供更为有趣的使用体验[2].

在智慧旅游的发展之中，随着游客访问数据信息及整个系统运营数据信息的增多，系统可以采用大数据的分析方式来发挥这些存储数据信息的价值[3].本文在大数据分析之中，选择旅游线路的规划问题进行分析与设计，整个算法的输出主要包括游客的当前位置信息及游客浏览的时间限制两个方面约束条件[4].Pei在提出此旅游线路规划问题时给出了最简单的处理方法，这个算法简称为BFM算法，是一个蛮力搜索算法，在一定数据范围之内能够获得最优解，但是随着景点数据的增加，使得整个算法处理的时间成倍的增加，很难有效地对整个数据信息进行快速分析[5].面对此计算复杂度高的问题，Lu等学者提出了新的解决方法TripMine算法[6]，其最大的优势在于能够有效降低总体算法计算的复杂度，但这个算法主要的问题在于得到的算法结果未必是最优解，且实际运行过程中，其本身的计算效率也存在较低的问题.

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤[7].数据准备是从相关的数据源中选取所需数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来.数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等[8].

具体数据挖掘方法如图1所示.

图1数据挖掘分析模型

常见的聚类分析算法有以下五种.

(1）划分法.依托于K-MEANS、K-MEDOIDS和CLARANS等算法，其操作步骤是系统提供一个有限定的数据集，利用分裂法将其分为n个代表聚类的小组，系统会通过算法直接先给一个初始分组，而后通过多次更迭分组，调换数据来尽量达到同一组中记录更近、不同组中记录更远的最佳目标[6].

(2）层次法.相对于划分法来说是一个由分散到聚集的过程，其算法可以通过BIRCH、CUR等算法来实现.计算原理是将给定的数据看成一个个单独的组，可以自上而下或者自下而上对数据集进行层层解析，然后合并有相似属性的单个数据组，直至给定的数据集满足所需要的条件.

(3）基于密度方法.只要一个区域的点的密度大于这一范围内的临界值，就将其分到与之最近的小组中.这一行为主要通过DBSCAN、OPTICS等算法来实现.

(4）基于网格的方法.该法的优点就是效率高、耗时少、处理速度快.不以数据空间中单个的数据为处理对象，而是利用STING等算法以数据空间分成的有限单元为处理对象，一次性处理数据多，方便快捷[9].

(5）基于模型的方法.利用统计和神经网络的方式实现，计算方式是假设一个模型，该模型可以是数据的密度分布、概率分布、转折分布等，然后根据已经假定的模型有针对性地寻找符合条件的数据集，并将相应数据统计归纳到模型里即可完成数据的聚类.

结合上述BFM、TripMine算法以及实际旅游数据信息的相关具体问题，本文运用了更为高效的TripPlan算法，并通过算法的分析结果证实算法能够得到整个线路规划的最优解，且在整个算法的计算过程中总体计算复杂度较低，从而为景区的游客提供便利性的服务.

1、算法优化策略

算法处理分为三个过程：第一，对景点的候选集合进行构造；第二，在景点的候选集合之中生成旅游线路；第三，在旅游线路的候选集合之中选出最优的旅游线路.

1.1候选的景点集合数据信息处理过程

设景点集合S1={a}l1,al2,al3,⋯,alk,S2={am1,am2,am3,⋯,a}mk为两个k阶的合法景点集合.若al1=am1,al2=am2,al3=am3,⋯,alk-1=amk-1且alk≠amk，则由S1与S2生成的k+1阶候选景点集合为S3={a}l1,al2,al3,⋯,alk,amk或S3={a}m1,am2,am3,⋯,amk,alk.

1.2候选景点集合生成旅游线路信息处理过程

对于旅游线路而言，最主要的就是景点先后浏览顺序的排列，因此若景点集成为S={al1,al2,al3,⋯,alk}，则此景点对应生成的旅游线路就是这些景点集合中每一个景点的全排列，即al1、al2、…、alk的全排列，由此可以确定旅游线路规划条数为k!.

为了分析整个景点候选集及此候选旅游线路的生成过程，可通过图2来表示详细的处理过程.若景点的候选集合数量为1，则其对应的旅游线路数量为1，从中可以看出，在景点候选集合中，由1个景点构成的旅游线路也是符合要求的线路，称为合法线路，而此1项集可以称为合法项集.若景点集合为{a1}、{a2}、{a3}、{a4}，对应可以生成的2项集经过对比分析之后可以确定包括{a1,a2}、{a1,a3}、{a1,a4}、{a2,a3}、{a2,a4}、{a3,a4}，每一个2项集之中的旅游线路条数经过计算可以得到2！，结果为2条，从中能够确定旅游线路具体的数量为2.从图2的处理过程还可以发现，若候选集数量变为3，此时任意的一个候选3项集对其合法线路数量分析结果均为0，因此可以认定所有的候选3项集都为非法项集，同时不能通过3项集的候选构成完成4项候选集的分析处理，此时算法的分析过程停止.

图2候选项集及其对应线路的生成过程

1.3最优线路选择的处理过程

通过前面旅游线路生成的处理过程，能够确定的是，若景点集合的数量为n，则其景点线路最大数量为n!，系统主要的工作目标是结合总体旅游时间的约束来完成之中最优旅游线路的确定，此时需要对确定的所有合法线路进行扫面处理，若当前最优线路为空，此时将其设置为最优的旅游线路，后续对其他旅游线路逐步进行分析处理，若新的旅游线路得分大于原先确定的最先线路，则将此新的线路设置为最优线路.

对于图2中项集数量为1的合法线路，得分最高的为<a4>，因此可以将<a4>此线路设置为目前的最优旅游线路.通过项集1为生成对应的项集为2的候选项集，对比不同的线路得分能够发现，最高的分数为<a1,a4>，因此<a1,a4>线路就代替<a4>成为最优线路，同时可以确定包括{a3,a4}和{a2,a4}这些集合的线路为非法线路，可以将这部分的数据信息进行剪枝操作，通过类似的处理方法，使用合法旅游线路的2项集能够完成3项集的候选与处理工作，确定候选3项集构成的线路都是非法的线路，这些数据都是非法的，不能在3项集的基础上去生成对应的四项集，整个算法分析处理过程结束.

2、算法框架

根据上述算法优化策略，若某景点当前旅游线路的得分小于最优旅游线路，则不需要对该景点对应的旅游线路重新构造，但该景点集合可能为合法景点集合（可生成合法线路），因此该景点集合不能删除，将这一类景点集合存储在集合UnKnownSet中，用于构造下一阶的候选景点集合.具体的TripPlan算法框架如下（其中CAS表示候选景点集合）：

在算法1中，attractionset表示当前k阶候选景点集合景点列表；lasttriplist表示k+1阶合法线路；t.insert(i,a)表示将对象a插入到列表t中位置i处，具体的景点集合生成旅游线路算法过程如下：

3、数据测试及分析

由于BFM算法的处理时间过长，效率过低，经过对比分析，采用的是优化处理的BFM算法.通过对TripMine算法与TripPlan算法进行分析对比，若能证明后者算法的性能优于前者，而TripMine算法又是BFM算法改进而来，则必然能够证明TripPlan算法的性能也好于BFM算法.三个算法对应的优化策略如表1所示.

表1BFM算算法法、TripMine算法与TripPlan算法对比分析

从表1可以看出，BFM算法基本上没有优化策略，仅在全排列的基础之上进行最优旅游线路的分析构造，TripPlan算法相比TripMine算法而言，其线路构造优化等处理能够更有效解决景点数量多且旅游时间约束等条件下的线路分析与推荐处理.

为了充分验证整个算法处理的效率，本文选取某区域的21个景点作为分析处理的实验数据集，当约束时间相同时，对这三个算法运行的时间性能进行对比分析，由于在不同情况下处理时间可能不同，对每一个情况都进行了5次处理，之后取5次处理的平均值来完成整个数据信息的显示，具体的算法分析结果如表2所示.

从表2可以看出，21个景点作为实验数据集的分析处理结果显示，当时间约束相同的条件下，不同算法的性能是不同的.这些算法性能对应的曲线如图3所示.

表2时间限制相同时候的不同运行效率对比

图3算法处理性能对比分析图

从图3结合前面的计算结果能够看出，在处理景点数为21、时间约束相同的状况下，TripPlan算法与TripMine算法的运行时间相比BFM算法而言有着显著的下降.若时间约束TC≤16时，TripPlan算法与TripMine算法在运行处理时间上面是基本相同的，若时间约束TC≥17时，TripPlan算法在处理时间之中有着明显的优势，且随着时间约束的越来越大，这种优势越来越明显.当旅游景点数目确定的时，旅游规划的时间越长，采用TripPlan算法进行处理的效率越高.

4、结语

本文将TripPlan算法应用于智慧旅游路线规划当中，通过测试分析对比发现，在时间相同的情况下TripPlan算法比传统的BFM算法具有显著优势，而当时间约束大于17h时TripPlan算法更优于TripMine算法，且该优势随着时间的增长越发明显，大大提高了旅游线路优化的效率.因此，TripPlan算法可以作为智慧旅游管理系统的一种有效设计方法.

参考文献：

[1]钟歆玥,钟方雷.基于投入产出模型的旅游业产业关联分析统计与决策[J].统计与决策,2010(4):85-87.

[2]张子寒,张落成.基于多种模型的旅游线路规划探讨:以南京主要景区游览为例[J].计算机应用,2016(S1):278-280.

[3]孙婧.三亚大数据中心投入使用[EB/OL].(2017-12-11)[2020-03-18].

[4]冯爱兰,张小青,孔继利.基于聚类和动态规划的组合路径策略[J].运筹与管理,2019,28(8):86-92.

[7]鲍捷,陆林,吉中会.基于最小生成树Kruskal算法的皖北地区旅游交通优化与线路组织[J].人文地理,2010(3):144-148.

[9]王圣保.以建三江为中心的生态旅游资源分析和旅游路线规划研究[J].华中建筑,2013(9):121-124.

徐星辰,郑世超.智慧旅游路线的TripPlan算法规划[J].宜宾学院学报,2020,20(12):37-41.