一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法
【專利摘要】本發(fā)明提供一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，該方法為：從照片共享網(wǎng)站下載歷史照片描述信息，采用DBScan聚類算法對(duì)照片進(jìn)行聚類，得到照片密度大的興趣點(diǎn)，提取歷史照片描述信息的歷史旅游路線，根據(jù)歷史照片描述信息，建立各興趣點(diǎn)不同時(shí)間間隔的時(shí)間序列模型，根據(jù)該地區(qū)歷史旅游路線集合中的歷史旅游路線生成Markov模型的概率轉(zhuǎn)移矩陣，并通過(guò)用戶實(shí)時(shí)上傳的照片及照片描述信息，對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn)行更新，根據(jù)更新后的Markov模型的概率轉(zhuǎn)移矩陣，為用戶推薦轉(zhuǎn)移概率最大的興趣點(diǎn)。該方法結(jié)合各興趣點(diǎn)的短時(shí)游客流量做路線推薦，在景點(diǎn)內(nèi)部起到分散客流的作用。
【專利說(shuō)明】
一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，具體涉及一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦 方法。
【背景技術(shù)】
[0002] 隨著智能手機(jī)等移動(dòng)智能設(shè)備的普及，人們生活水平的日益提高。人們?cè)诼猛局?拍攝照片記錄下旅程的風(fēng)景已經(jīng)成為了一種風(fēng)尚。每年都有成千上萬(wàn)的人拍攝了大量的照 片，照片除了記錄了人們旅途的風(fēng)景，還附帶GPS信息、拍攝時(shí)間等有意義的數(shù)據(jù)。這為從照 片中挖掘旅游路線并推薦提供了很好的數(shù)據(jù)源。
[0003] 由于互聯(lián)網(wǎng)的發(fā)展，大量的社交網(wǎng)站、照片共享平臺(tái)涌進(jìn)人們的生活之中。這為旅 途照片的分享提供了良好的互聯(lián)網(wǎng)平臺(tái)，使得信息的共享和傳遞得到了極大地提高。大量 社交網(wǎng)站、照片分享平臺(tái)的涌現(xiàn)還為我們獲取數(shù)據(jù)源提供了優(yōu)秀的平臺(tái)支持。
[0004]由于照片信息中包含著GPS信息、拍攝時(shí)間信息，這使得我們依據(jù)照片的拍攝時(shí) 間、照片間GPS信息的變化，提取出旅游路線成為了可能。目前，旅游大數(shù)據(jù)挖掘主要是使用 聚類、關(guān)聯(lián)分析等方法，從大量用戶的移動(dòng)軌跡中找到出現(xiàn)概率比較高的頻繁軌跡模式，進(jìn) 而為旅游行業(yè)提供有價(jià)值的信息，為決策者提供決策支持，同時(shí)也可以為用戶提供個(gè)性化 的路線推薦服務(wù)。上述方法中提出的推薦路線都是基于歷史數(shù)據(jù)提出的一個(gè)經(jīng)典路線，沒(méi) 有考慮到旅行實(shí)時(shí)過(guò)程中游客流量對(duì)路線選擇的影響，當(dāng)某些景點(diǎn)人流過(guò)大時(shí)應(yīng)采取相應(yīng) 的分流策略，對(duì)旅游路線進(jìn)行重新規(guī)劃。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法。
[0006] 本發(fā)明的技術(shù)方案是：
[0007] -種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，包括以下步驟：
[0008] 步驟1:從照片共享網(wǎng)站下載一個(gè)地區(qū)Η年的歷史照片描述信息，并將各歷史照片 描述信息存儲(chǔ)于數(shù)據(jù)庫(kù)中，所述歷史照片描述信息包括：照片ID、照片GPS信息、上傳用戶 ID、照片拍攝時(shí)間、照片主題和照片描述信息；
[0009] 步驟2:針對(duì)數(shù)據(jù)庫(kù)中歷史照片描述信息，采用DBScan聚類算法對(duì)照片GPS信息進(jìn) 行聚類，得到該地區(qū)照片密度大的興趣點(diǎn)；
[0010] 步驟3:提取歷史照片描述信息中各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅 游路線，得到該地區(qū)的歷史旅游路線集合；
[0011]步驟3.1:提取出各個(gè)興趣點(diǎn)中同一天內(nèi)一個(gè)上傳用戶ID的照片ID，并按照片拍攝 時(shí)間進(jìn)行排序，得到該用戶的一條歷史旅游路線；
[0012]步驟3.2:重復(fù)步驟3.1提取各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅游路 線，將該地區(qū)內(nèi)所有人的歷史旅游路線作為歷史旅游路線集合，得到該地區(qū)的歷史旅游路 線集合；
[0013] 步驟4:根據(jù)歷史照片描述信息，建立各興趣點(diǎn)不同時(shí)間間隔的時(shí)間序列模型；
[0014] 步驟4.1:根據(jù)該地區(qū)Η年內(nèi)的照片拍攝時(shí)間，將各興趣點(diǎn)按照季節(jié)劃分為4個(gè)部 分；
[0015] 步驟4.2 :針對(duì)所述劃分的各部分，以t小時(shí)為時(shí)間間隔，統(tǒng)計(jì)出一天內(nèi)各興趣點(diǎn)各 時(shí)間間隔的照片數(shù)量，將各個(gè)時(shí)間間隔中該地區(qū)一個(gè)興趣點(diǎn)的照片數(shù)量的和作為該興趣點(diǎn) 的時(shí)間序列;得到各個(gè)部分各興趣點(diǎn)的時(shí)間序列集合；
[0016] 步驟4.3:判斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)，若是，執(zhí)行步驟4.5,否則，執(zhí)行步驟 4.4；
[0017] 步驟4.4:對(duì)當(dāng)前興趣點(diǎn)的時(shí)間序列進(jìn)行差分處理，得到該興趣點(diǎn)的新的時(shí)間序 列，返回步驟4.3:
[0018] 步驟4.5:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差確定 該興趣點(diǎn)的時(shí)間序列的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)，從而確定該興趣點(diǎn)的時(shí)間序列模型； [00 19] 步驟4.6:重復(fù)步驟4.3至步驟4.5,得到各興趣點(diǎn)的時(shí)間序列模型；
[0020] 步驟5:根據(jù)該地區(qū)歷史旅游路線集合中的歷史旅游路線生成Markov模型的概率 轉(zhuǎn)移矩陣，并通過(guò)用戶實(shí)時(shí)上傳的照片及照片描述信息，對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn) 行更新；
[0021] 步驟5.1:根據(jù)歷史旅游路線集合中的歷史旅游路線計(jì)算各個(gè)興趣點(diǎn)間的轉(zhuǎn)移次 數(shù)，得到該地區(qū)各興趣點(diǎn)狀態(tài)轉(zhuǎn)移有向圖，生成Markov模型的概率轉(zhuǎn)移矩陣；
[0022] 步驟5.2:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量和各興趣點(diǎn)對(duì)應(yīng)的時(shí)間序 列模型對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn)行調(diào)整；
[0023]步驟6:根據(jù)用戶上傳的當(dāng)前時(shí)刻的照片GPS信息和更新后的Markov模型的概率轉(zhuǎn) 移矩陣，為用戶推薦轉(zhuǎn)移概率最大的興趣點(diǎn)。
[0024]優(yōu)選地，所述判斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)的具體方法為:判斷一個(gè)興趣點(diǎn) 時(shí)間序列中照片數(shù)量的均值、方差和協(xié)方差是否與時(shí)間有關(guān)，若一個(gè)興趣點(diǎn)時(shí)間序列中照 片數(shù)量的均值、方差和協(xié)方差均與時(shí)間無(wú)關(guān)，則該興趣點(diǎn)的時(shí)間序列平穩(wěn)。
[0025] 優(yōu)選地，所述步驟4.5包括以下步驟：
[0026] 步驟4.5.1:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差得 到該興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)；
[0027] 步驟4.5.2:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù) 之間的關(guān)系，確定該興趣點(diǎn)的時(shí)間序列模型的形式；
[0028] 步驟4.5.3:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù) 是否在置信區(qū)間內(nèi)，確定該興趣點(diǎn)的時(shí)間序列模型的階數(shù)；
[0029] 步驟4.5.4:采用帶遺忘因子的遞推最小二乘算法確定當(dāng)前興趣點(diǎn)的時(shí)間序列模 型的參數(shù)矩陣。
[0030] 優(yōu)選地，所述步驟5.2包括以下步驟：
[0031 ]步驟5.2.1:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量輸入對(duì)應(yīng)興趣點(diǎn)的時(shí)間 序列模型，得到各興趣點(diǎn)下一時(shí)刻游客流量的預(yù)測(cè)值，并計(jì)算該地區(qū)各興趣點(diǎn)下一時(shí)刻游 客流量預(yù)測(cè)值的平均值；
[0032]步驟5.2.2:確定各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值η」與下一時(shí)刻游客流量預(yù)測(cè) 值的平均值的差值subj，j為興趣點(diǎn)；
[0033] 步驟5.2.3:根據(jù)各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值^與下一時(shí)刻游客流量預(yù)測(cè) 值的平均值的差值sub」對(duì)Markov模型的轉(zhuǎn)移概率進(jìn)行更新，得到更新后的Markov模型的概 率轉(zhuǎn)移矩陣：
[0034] 所述更新公式為：當(dāng)sub」大于0時(shí) ，其中，Pl/為更新的轉(zhuǎn)移概 率：
，Pij為原Markov模型的轉(zhuǎn)移概率，Λ<Ν為subj大于0的興趣點(diǎn)個(gè) 數(shù)，PQ為概率變化的基本單位；
[0035] 當(dāng)subj小于0時(shí)：< N 為 mbj 小于0的興趣點(diǎn)個(gè)數(shù)。
[0036] 本發(fā)明的有益效果：
[0037] 本發(fā)明提出一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，該方法結(jié)合各興趣點(diǎn)的 短時(shí)游客流量做路線推薦，對(duì)于游客量過(guò)大或過(guò)小的興趣點(diǎn)，適當(dāng)減小下一時(shí)間段到該興 趣點(diǎn)的轉(zhuǎn)移概率，從而在景點(diǎn)內(nèi)部起到分散客流的作用?，F(xiàn)在旅游業(yè)發(fā)展迅速，一些較大的 景點(diǎn)每天都要接待大量的游客，景區(qū)擁堵成了普遍現(xiàn)象，而且人流密集也存在一定的安全 隱患，因此，分散客流就更加有意義。
【附圖說(shuō)明】
[0038] 圖1為本發(fā)明實(shí)施方式中結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法流程圖；
[0039] 圖2為本發(fā)明實(shí)施方式中個(gè)景區(qū)內(nèi)的游客a和游客b的歷史旅游路線示意圖；
[0040] 圖3為本發(fā)明實(shí)施方式中建立各興趣點(diǎn)不同時(shí)間間隔的時(shí)間序列模型的流程圖；
[0041] 圖4為本發(fā)明實(shí)施方式中1-3月、4-6月、7-9月、10-12月四個(gè)部分差分前的時(shí)間序 列和差分處理后的時(shí)間序列對(duì)比示意圖；
[0042]其中，（a)為1-3月差分前的時(shí)間序列和差分處理后的時(shí)間序列對(duì)比示意圖；
[0043] (b)4_6月差分前的時(shí)間序列和差分處理后的時(shí)間序列對(duì)比示意圖；
[0044] (c)7_9月差分前的時(shí)間序列和差分處理后的時(shí)間序列對(duì)比示意圖；
[0045] (d) 10-12月差分前的時(shí)間序列和差分處理后的時(shí)間序列對(duì)比示意圖；
[0046] 圖5為本發(fā)明實(shí)施方式中得到的各興趣點(diǎn)狀態(tài)轉(zhuǎn)移有向圖；
[0047] 圖6為本發(fā)明實(shí)施方式中得到的1-3月、4-6月各興趣點(diǎn)下一時(shí)刻游客流量的預(yù)測(cè) 值與實(shí)際流量的對(duì)比圖；
[0048] 其中，（a)為傳統(tǒng)方法得到的1-3月游客流量的預(yù)測(cè)值與實(shí)際流量的對(duì)比圖；
[0049] (b)為本發(fā)明方法得到的1-3月游客流量的預(yù)測(cè)值與實(shí)際流量的對(duì)比圖；
[0050] (c)為傳統(tǒng)方法得到的4-6月游客流量的預(yù)測(cè)值與實(shí)際流量的對(duì)比圖；
[0051] (d)為本發(fā)明方法得到的4-6月游客流量的預(yù)測(cè)值與實(shí)際流量的對(duì)比圖。
【具體實(shí)施方式】
[0052] 下面結(jié)合附圖對(duì)本發(fā)明【具體實(shí)施方式】加以詳細(xì)的說(shuō)明。
[0053] -種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，如圖1所示，包括以下步驟：
[0054]步驟1:從Flickr網(wǎng)站下載一個(gè)地區(qū)5年的歷史照片描述信息，并將各歷史照片描 述信息存儲(chǔ)于數(shù)據(jù)庫(kù)中，所述歷史照片描述信息包括：照片ID、照片GPS信息、上傳用戶ID、 照片拍攝時(shí)間、照片主題和照片描述信息.
[0055]步驟1.1:從Flickr網(wǎng)站下載一個(gè)地區(qū)5年具有歷史照片描述信息的XML格式的照 片文本信息。
[0056]步驟1.2:解析具有歷史照片描述信息的XML格式的照片文本信息，解析出該歷史 照片描述信息：照片ID、照片GPS信息、上傳用戶ID、照片拍攝時(shí)間、照片主題和照片描述信 息，并將各歷史照片描述信息存儲(chǔ)于數(shù)據(jù)庫(kù)中。
[0057] 本實(shí)施方式中，將一張照片phv的歷史照片描述信息以五元組表示：
[0058] phv = (photoidv，ownerv，latv，lonv，datetaken v);其中，photoidv為照片phv的照片 ID，ownerv為照片phv上傳用戶ID，1 a tv為照片phv的拍攝地點(diǎn)對(duì)應(yīng)的煒度，1 onv為照片phv的 拍攝地點(diǎn)對(duì)應(yīng)的精度，datetakenv為照片ph v的拍攝時(shí)間，包含日期和時(shí)間。
[0059]步驟2:針對(duì)數(shù)據(jù)庫(kù)中歷史照片描述信息，采用DBScan聚類算法對(duì)照片GPS信息進(jìn) 行聚類，得到該地區(qū)照片密度大的興趣點(diǎn)。
[0060] 步驟2.1:對(duì)數(shù)據(jù)庫(kù)中照片的歷史照片描述信息進(jìn)行預(yù)處理，刪除信息缺失的歷史 照片描述信息:刪除照片ID、照片GPS信息、上傳用戶ID或照片拍攝時(shí)間缺失的照片信息。
[0061] 步驟2.2:采用DBScan聚類算法對(duì)照片GPS信息進(jìn)行聚類，得到各個(gè)景區(qū)照片密度 大的興趣點(diǎn)。
[0062] 本實(shí)施方式中，采用聚類半徑ε取值為lkm、聚類密度閾值MinPts取值為200的 DBScan聚類算法對(duì)照片GPS信息進(jìn)行聚類，聚類的每一個(gè)簇視為一個(gè)興趣點(diǎn)(Ρ0Ι)。
[0063] 步驟2.3:將各個(gè)興趣點(diǎn)存儲(chǔ)至數(shù)據(jù)庫(kù)中。
[0064] 本實(shí)施方式中，將興趣點(diǎn)信息做每一條數(shù)據(jù)庫(kù)記錄屬性Class_id，更新至數(shù)據(jù)庫(kù) 的每一條記錄。
[0065]步驟3:提取歷史照片描述信息中各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅 游路線，得到該地區(qū)的歷史旅游路線集合。
[0066]步驟3.1:提取出各個(gè)興趣點(diǎn)中同一天內(nèi)一個(gè)上傳用戶ID的照片ID，并按照片拍攝 時(shí)間進(jìn)行排序，得到該用戶的一條歷史旅游路線。
[0067]本實(shí)施方式中，一個(gè)用戶a的一條歷史旅游路線Patha表不為：
[0068] Patha= (ownera,date, {Clustero^Clusteri^---->Clusterz})，其中，ownera為用 戶已的用戶10，(^七6為？&1:11￡1的發(fā)生的日期，{(]1118七61'()4(]1118七61'14---->Cluster z}為按照片 拍攝時(shí)間先后順序排列的興趣點(diǎn)的集合，在興趣點(diǎn)中一般含有多張照片。
[0069] 步驟3.2:重復(fù)步驟3.1提取各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅游路 線，將該地區(qū)內(nèi)所有人的歷史旅游路線作為歷史旅游路線集合，得到該地區(qū)的歷史旅游路 線集合。
[0070] 本實(shí)施方式中，得到的該地區(qū)的歷史旅游路線集合表示為：
[0071 ] PathSet= {Patha，Pathb，Pathc，· · ·}。本實(shí)施方式中，一個(gè)景區(qū)內(nèi)的游客a和游客b 的歷史旅游路線如圖2所示。
[0072] 步驟4:根據(jù)歷史照片描述信息，建立各興趣點(diǎn)不同時(shí)間間隔的時(shí)間序列模型，如 圖3所示。
[0073] 步驟4.1:根據(jù)該地區(qū)5年內(nèi)的照片拍攝時(shí)間，將各興趣點(diǎn)按照季節(jié)劃分為4個(gè)部 分。
[0074] 本實(shí)施方式中，將該地區(qū)5年內(nèi)的照片拍攝時(shí)間，各興趣點(diǎn)按照季節(jié)劃分為4個(gè)部 分為1-3月、4-6月、7-9月、10-12月四個(gè)部分。
[0075] 步驟4.2 :針對(duì)劃分的1-3月、4-6月、7-9月、10-12月四個(gè)部分，以1小時(shí)為時(shí)間間 隔，統(tǒng)計(jì)出一天內(nèi)各興趣點(diǎn)各時(shí)間間隔的照片數(shù)量，將各個(gè)時(shí)間間隔中該地區(qū)一個(gè)興趣點(diǎn) 的照片數(shù)量的和作為該興趣點(diǎn)的時(shí)間序列;得到4個(gè)部分各興趣點(diǎn)的時(shí)間序列集合。
[0076] 步驟4.3:判斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)，若是，執(zhí)行步驟4.5,否則，執(zhí)行步驟 4.4；
[0077] 本實(shí)施方式中，判斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)的具體方法為：判斷一個(gè)興趣 點(diǎn)時(shí)間序列中照片數(shù)量的均值、方差和協(xié)方差是否與時(shí)間有關(guān)，若一個(gè)興趣點(diǎn)時(shí)間序列中 照片數(shù)量的均值E(X t)=u是與時(shí)間t無(wú)關(guān)的常數(shù)，照片數(shù)量的方差Var(Xt)=〇2是與時(shí)間t無(wú) 關(guān)的常數(shù)，同時(shí)照片數(shù)量的協(xié)方差C 〇V(Xt，Xt+k)=Yk是與時(shí)間間隔k有關(guān)，與時(shí)間t無(wú)關(guān)的常 數(shù)，則該興趣點(diǎn)的時(shí)間序列平穩(wěn)。
[0078] 步驟4.4:對(duì)當(dāng)前興趣點(diǎn)的時(shí)間序列進(jìn)行差分處理，得到該興趣點(diǎn)的新的時(shí)間序 列，返回步驟4.3。
[0079] 本實(shí)施方式中，對(duì)當(dāng)前興趣點(diǎn)的施加序列進(jìn)行差分處理的公式如式(1)所示：
[0080] Xt7 =Xt-Xt-i (1)
[0081] 其中，X/為更新后的該興趣點(diǎn)的時(shí)間序列，得到的1-3月、4-6月、7-9月、10-12月 四個(gè)部分差分前的時(shí)間序列和差分處理后的時(shí)間序列對(duì)比示意圖如圖4所示。
[0082] 步驟4.5:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差確定 該興趣點(diǎn)的時(shí)間序列的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)，從而確定該興趣點(diǎn)的時(shí)間序列模型。
[0083] 步驟4.5.1:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差得 到該興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)。
[0084] 本實(shí)施方式中，一個(gè)興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)ACF = pk如式(2)所示：
[0086] -個(gè)興趣點(diǎn)的k階滯后的偏自相關(guān)函如式(3)所示：
[0088] 步驟4.5.2:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù) 之間的關(guān)系，確定該興趣點(diǎn)的時(shí)間序列模型的形式。
[0089] 本實(shí)施方式中，根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函 數(shù)之間的關(guān)系，確定該興趣點(diǎn)的時(shí)間序列模型的形式具體為：
[0090] 若當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)均為拖尾的，拖 尾即函數(shù)形狀成指數(shù)級(jí)遞減，則選取該興趣點(diǎn)的時(shí)間序列模型的形式為:ARMA(p， q)模型 (自回歸滑動(dòng)平均模型）；
[0091] 若當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)為拖尾的，并且當(dāng)前興趣點(diǎn)的k階滯后的偏 自相關(guān)函數(shù)為截尾的，截尾即函數(shù)在一定延遲k后趨近于0,則選取該興趣點(diǎn)的時(shí)間序列模 型的形式為:AR(p)模型（自回歸模型）；
[0092] 若當(dāng)前興趣點(diǎn)的k階滯后的偏自相關(guān)函數(shù)為拖尾的，并且當(dāng)前興趣點(diǎn)的k階滯后的 自相關(guān)函數(shù)為截尾的，則選取該興趣點(diǎn)的時(shí)間序列模型的形式為:MA(q)模型(滑動(dòng)平均模 型)。
[0093]步驟4.5.3:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù) 是否在置信區(qū)間內(nèi)，確定該興趣點(diǎn)的時(shí)間序列模型的階數(shù)。
[0094] 步驟4.5.3.1:設(shè)定時(shí)間偏差V =0,時(shí)間序列模型的階數(shù)p = 0和q = 0。
[0095] 步驟4.5.3.2:計(jì)算當(dāng)前興趣點(diǎn)各時(shí)間序列的V階滯后的自相關(guān)函數(shù)ACF = Pk和1^ 階滯后的偏自相關(guān)函數(shù)。
[0096] 步驟4.5.3.3:判斷pk'和?U·是否都在置信區(qū)間內(nèi)，若是執(zhí)行步驟4.5.3.5，否則， 執(zhí)行步驟4.5.3.4。
[0097] 本實(shí)施方式中，
，判斷Pk'和@??是否都在置信區(qū)間內(nèi)即判
[0098] 步驟4.5.3.4:
，則令q = q+ 1，同時(shí)，令k7 =1^+1，返回步驟4.5.3.2。
[0099] 步驟4.5.3.5:當(dāng)前時(shí)間序列模型的階數(shù)p和q作為當(dāng)前興趣點(diǎn)的時(shí)間序列模型的 階數(shù)。
[0100] 步驟4.5.4:采用帶遺忘因子的遞推最小二乘算法確定當(dāng)前興趣點(diǎn)的時(shí)間序列模 型的參數(shù)矩陣。
[0101] 本實(shí)施方式中，令遺忘因子P = 〇.97,均方根誤差閾值為n=18.2863。
[0102] 步驟4.6:重復(fù)步驟4.3至步驟4.5,得到各興趣點(diǎn)的時(shí)間序列模型。
[0103] 步驟5:根據(jù)該地區(qū)歷史旅游路線集合中的歷史旅游路線生成Markov模型的概率 轉(zhuǎn)移矩陣，并通過(guò)用戶實(shí)時(shí)上傳的照片及照片描述信息，對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn) 行更新。
[0104] 步驟5.1:根據(jù)歷史旅游路線集合中的歷史旅游路線計(jì)算各個(gè)興趣點(diǎn)間的轉(zhuǎn)移次 數(shù)，得到該地區(qū)各興趣點(diǎn)狀態(tài)轉(zhuǎn)移有向圖，生成Markov模型的概率轉(zhuǎn)移矩陣。
[0105] 本實(shí)施方式中，得到的各興趣點(diǎn)狀態(tài)轉(zhuǎn)移有向圖如圖5所示。
[0106] 本實(shí)施方式中，生成Markov模型的概率轉(zhuǎn)移矩陣如式(4)所示：
[0108]步驟5.2:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量和各興趣點(diǎn)對(duì)應(yīng)的時(shí)間序 列模型對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn)行調(diào)整。
[0109]步驟5.2.1:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量輸入對(duì)應(yīng)興趣點(diǎn)的時(shí)間 序列模型，得到各興趣點(diǎn)下一時(shí)刻游客流量的預(yù)測(cè)值^，并計(jì)算該地區(qū)各興趣點(diǎn)下一時(shí)刻 游客流量預(yù)測(cè)值的平均值
，j為興趣點(diǎn)，N為該地區(qū)興趣點(diǎn)個(gè)數(shù)。
[0110] 本實(shí)施方式中，得到的1-3月、4-6月各興趣點(diǎn)下一時(shí)刻游客流量的預(yù)測(cè)值與實(shí)際 流量的對(duì)比圖如圖6所示，其中（a)和(c)為傳統(tǒng)方法得到的游客流量的預(yù)測(cè)值與實(shí)際流量 的對(duì)比圖，（b)和(d)為本發(fā)明方法得到的游客流量的預(yù)測(cè)值與實(shí)際流量的對(duì)比圖。
[0111] 步驟5.2.2:確定各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值^與下一時(shí)刻游客流量預(yù)測(cè) 值的平均值的差值SUbj。
[0112]本實(shí)施方式中，各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值11()、111、112、113、114分別為:？1〇￥ [164 150 94 221 371]〇
[0113]各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值^與下一時(shí)刻游客流量預(yù)測(cè)值的平均值的差 值 subj 分別為：subj={-36，-50，-106,21，171}〇
[0114]步驟5.2.3:根據(jù)各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值^與下一時(shí)刻游客流量預(yù)測(cè) 值的平均值的差值sub」對(duì)Markov模型的轉(zhuǎn)移概率進(jìn)行更新，得到更新后的Markov模型的概 率轉(zhuǎn)移矩陣。
[0115]本實(shí)施方式中，當(dāng)sub」大于0時(shí)，更新公式如式(5)所示：
[0117] 其中，Pi/為更新的轉(zhuǎn)移概率，i
_，_Pij為原Markov模 型的轉(zhuǎn)移概率，Λ<Ν為subj大于0的興趣點(diǎn)個(gè)數(shù)，po為概率變化的基本單位。
[0118] 當(dāng)sub^J、于0時(shí)，更新公式如式(6)所示：
[0121 ]本實(shí)施方式中，sumi= | -36-50-106 | = 192, sum2= |21+17l|=192〇
[0122]以Markov模型的概率轉(zhuǎn)移矩陣式(4)中興趣點(diǎn)在Cl處為例，更新后的Markov模型 的概率轉(zhuǎn)移矩陣如式(7)所示：
[0124] 步驟6:根據(jù)用戶上傳的當(dāng)前時(shí)刻的照片GPS信息和更新后的Markov模型的概率轉(zhuǎn) 移矩陣，為用戶推薦轉(zhuǎn)移概率最大的興趣點(diǎn)。
[0125] 本實(shí)施方式中，根據(jù)用戶上傳的當(dāng)前時(shí)刻的照片GPS所在的興趣點(diǎn)，在更新后的 Markov模型的概率轉(zhuǎn)移矩陣中找到所在興趣點(diǎn)的一行中找到概率最大的興趣點(diǎn)發(fā)送給用 戶。
【主權(quán)項(xiàng)】
1. 一種結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，其特征在于，包括W下步驟： 步驟1:從照片共享網(wǎng)站下載一個(gè)地區(qū)Η年的歷史照片描述信息，并將各歷史照片描述 信息存儲(chǔ)于數(shù)據(jù)庫(kù)中，所述歷史照片描述信息包括:照片ID、照片GPS信息、上傳用戶ID、照 片拍攝時(shí)間、照片主題和照片描述信息； 步驟2:針對(duì)數(shù)據(jù)庫(kù)中歷史照片描述信息，采用DBScan聚類算法對(duì)照片GPS信息進(jìn)行聚 類，得到該地區(qū)照片密度大的興趣點(diǎn)； 步驟3:提取歷史照片描述信息中各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅游路 線，得到該地區(qū)的歷史旅游路線集合； 步驟3.1:提取出各個(gè)興趣點(diǎn)中同一天內(nèi)一個(gè)上傳用戶ID的照片ID，并按照片拍攝時(shí)間 進(jìn)行排序，得到該用戶的一條歷史旅游路線； 步驟3.2:重復(fù)步驟3.1提取各個(gè)興趣點(diǎn)在同一天內(nèi)各上傳用戶ID的歷史旅游路線，將 該地區(qū)內(nèi)所有人的歷史旅游路線作為歷史旅游路線集合，得到該地區(qū)的歷史旅游路線集 合； 步驟4:根據(jù)歷史照片描述信息，建立各興趣點(diǎn)不同時(shí)間間隔的時(shí)間序列模型； 步驟4.1:根據(jù)該地區(qū)Η年內(nèi)的照片拍攝時(shí)間，將各興趣點(diǎn)按照季節(jié)劃分為4個(gè)部分； 步驟4.2:針對(duì)所述劃分的各部分，Wt小時(shí)為時(shí)間間隔，統(tǒng)計(jì)出一天內(nèi)各興趣點(diǎn)各時(shí)間 間隔的照片數(shù)量，將各個(gè)時(shí)間間隔中該地區(qū)一個(gè)興趣點(diǎn)的照片數(shù)量的和作為該興趣點(diǎn)的時(shí) 間序列;得到各個(gè)部分各興趣點(diǎn)的時(shí)間序列集合； 步驟4.3:判斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)，若是，執(zhí)行步驟4.5,否則，執(zhí)行步驟4.4; 步驟4.4:對(duì)當(dāng)前興趣點(diǎn)的時(shí)間序列進(jìn)行差分處理，得到該興趣點(diǎn)的新的時(shí)間序列，返 回步驟4.3; 步驟4.5:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差確定該興 趣點(diǎn)的時(shí)間序列的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)，從而確定該興趣點(diǎn)的時(shí)間序列模型； 步驟4.6:重復(fù)步驟4.3至步驟4.5，得到各興趣點(diǎn)的時(shí)間序列模型； 步驟5:根據(jù)該地區(qū)歷史旅游路線集合中的歷史旅游路線生成Markov模型的概率轉(zhuǎn)移 矩陣，并通過(guò)用戶實(shí)時(shí)上傳的照片及照片描述信息，對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn)行更 新； 步驟5.1:根據(jù)歷史旅游路線集合中的歷史旅游路線計(jì)算各個(gè)興趣點(diǎn)間的轉(zhuǎn)移次數(shù)，得 到該地區(qū)各興趣點(diǎn)狀態(tài)轉(zhuǎn)移有向圖，生成Markov模型的概率轉(zhuǎn)移矩陣； 步驟5.2:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量和各興趣點(diǎn)對(duì)應(yīng)的時(shí)間序列模 型對(duì)Markov模型的概率轉(zhuǎn)移矩陣進(jìn)行調(diào)整； 步驟6:根據(jù)用戶上傳的當(dāng)前時(shí)刻的照片GPS信息和更新后的Markov模型的概率轉(zhuǎn)移矩 陣，為用戶推薦轉(zhuǎn)移概率最大的興趣點(diǎn)。2. 根據(jù)權(quán)利要求1所述的結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，其特征在于，所述判 斷當(dāng)前興趣點(diǎn)時(shí)間序列是否平穩(wěn)的具體方法為:判斷一個(gè)興趣點(diǎn)時(shí)間序列中照片數(shù)量的均 值、方差和協(xié)方差是否與時(shí)間有關(guān)，若一個(gè)興趣點(diǎn)時(shí)間序列中照片數(shù)量的均值、方差和協(xié)方 差均與時(shí)間無(wú)關(guān)，則該興趣點(diǎn)的時(shí)間序列平穩(wěn)。3. 根據(jù)權(quán)利要求1所述的結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，其特征在于，所述步 驟4.5包括W下步驟： 步驟4.5.1:根據(jù)當(dāng)前興趣點(diǎn)時(shí)間序列中k時(shí)間間隔的照片數(shù)量的方差和協(xié)方差得到該 興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)； 步驟4.5.2:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)之間 的關(guān)系，確定該興趣點(diǎn)的時(shí)間序列模型的形式； 步驟4.5.3:根據(jù)當(dāng)前興趣點(diǎn)的k階滯后的自相關(guān)函數(shù)和k階滯后的偏自相關(guān)函數(shù)是否 在置信區(qū)間內(nèi)，確定該興趣點(diǎn)的時(shí)間序列模型的階數(shù)； 步驟4.5.4:采用帶遺忘因子的遞推最小二乘算法確定當(dāng)前興趣點(diǎn)的時(shí)間序列模型的 參數(shù)矩陣。4.根據(jù)權(quán)利要求1所述的結(jié)合短時(shí)流量預(yù)測(cè)的旅游路線推薦方法，其特征在于，所述步 驟5.2包括W下步驟： 步驟5.2.1:將用戶上傳的當(dāng)前時(shí)刻的各興趣點(diǎn)照片數(shù)量輸入對(duì)應(yīng)興趣點(diǎn)的時(shí)間序列 模型，得到各興趣點(diǎn)下一時(shí)刻游客流量的預(yù)測(cè)值，并計(jì)算該地區(qū)各興趣點(diǎn)下一時(shí)刻游客流 量預(yù)測(cè)值的平均值； 步驟5.2.2:確定各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值W與下一時(shí)刻游客流量預(yù)測(cè)值的平 均值的差值subj，j為興趣點(diǎn)； 步驟5.2.3:根據(jù)各興趣點(diǎn)下一時(shí)刻游客流量預(yù)測(cè)值W與下一時(shí)刻游客流量預(yù)測(cè)值的平 均值的差值subj對(duì)Markov模型的轉(zhuǎn)移概率進(jìn)行更新，得到更新后的Markov模型的概率轉(zhuǎn)移 矩陣； 所述更新公式為：當(dāng)subj大于0時(shí)，4其中，Pi/為更新的轉(zhuǎn)移概率，Pij為原Markov模型的轉(zhuǎn)移概率，化<賦13郵大于0的興趣點(diǎn)個(gè)數(shù)， P0為概率變化的基本單位； 當(dāng)subj小于0時(shí)，令化<N為subj小于 0的興趣點(diǎn)個(gè)數(shù)。
【文檔編號(hào)】G06Q10/04GK106095973SQ201610442583
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月20日
【發(fā)明人】楊廣明, 劉瑩, 張賀, 尚懷軍, 張玉爽
【申請(qǐng)人】東北大學(xué)