顾及地理语境的旅游轨迹停留点语义标注

轨迹数据作为典型的时空大数据,具有较高的研究和应用价值。然而现有的轨迹数据挖掘主要聚焦于轨迹的空间特征,而较少关注轨迹数据语义的深度分析。本文面向智慧旅游服务的需求,重点探讨了旅游轨迹的轨迹停留点语义的自动标注问题。首先,针对POI短文本的特点,提出了基于《同义词词林》进行短文本语义扩展的方法对POI短文本进行特征扩展;同时,在顾及POI短文本的关键词集中、类别词分散等特征基础上,提出了改进TF-1DF的POI自动分类方法;其次,在POI分类的基础上,采用Native Bayes方法对轨迹停龄点进行语义标注。结果表明,基于改进TF-IDF方法的POI自动分类可以达到约83%的精度,能够较好地实现POI的分类;而在POI自动分类基础上,基于Native Bayes的轨迹语义标注可以达到74%的精度,较好地实现了旅游轨迹停留点自动语义标注的目标。

基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.

基于轨迹段核密度的旅游车辆轨迹聚类算法

为了更好地研究旅游车辆的运营行为,需要通过分析车辆轨迹规律发现车辆运动的典型轨迹,轨迹聚类是其中重要的环节。对于使用传统的密度聚类方法处理大规模旅游车辆轨迹数据存在准确度差和效率低的问题,提出了一种基于轨迹段和核密度的轨迹聚类方法。采用核距离作为轨迹段相似度度量,利用类似DBSCAN算法对轨迹段进行聚类,得出旅游车辆运动典型轨迹。以北京市旅游车辆为例,采用基于轨迹段和核密度的算法对车辆轨迹进行聚类,能从一定程度上提高聚类的效果和准确率,为进一步研究旅游车辆的运营行为打下基础。

基于网络游记的赴新疆游客旅行轨迹研究

网络游记等非结构化数据已经成为大数据时代旅游研究的重要资料。现有基于网络游记的研究都忽视了其时空性特点。基于此,以蚂蜂窝上赴新疆旅游游客的游记为样本,结合聚类分析发现其在新疆具有六种旅游轨迹。基于网络游记的时空行为研究可以作为未来研究的方向。

基于手机信令和网络游记数据的游客时空行为分析--以上海迪士尼乐园外地游客为例

文章以上海迪士尼乐园外地游客的时空行为作为研究对象,将时间地理学研究方法引入旅游者行为研究中,主要运用手机信令数据加以分析,同时选用网络游记数据加以辅助验证,补充描述旅游者的时空行为特征。文章采用运营商信令数据和UGC网络文本数据结合分析的方法,试图在数据使用方法方面进行创新。通过时空路径方法和时空行为的可视化分析,研究结果发现:外地游客的自主性和灵活性较强,主要表现为短期自由行特征。游客离开迪士尼乐园后选择的游览景点分布不均匀,旅游者轨迹点的整体分布具有中心城区分布密集、城郊分布稀疏的特点;迪士尼对周边景点的旅游带动效果较弱。外地来沪游览迪士尼的游客对旅游目的地选择非常明确,游览空间结构主要表现为单一目的地型的线性旅游结构;旅游者对于其他旅游景点的选择更偏向于休闲旅游产品。游客的时空行为特点和行为模式特征,与旅游者来自的客源地、旅游停留时间、景点开放时间、旅游者同伴类型等因素具有不同程度的关联。

基于地理标记照片的个性化景点推荐方法

研究如何根据已有的海量旅游信息及数据,为游客个性化推荐旅游景点具有重要意义。本文利用从Flickr网站获取的2013—2018年香港特别行政区范围内的地理标记照片来识别旅游景点,并根据游客游览顺序重建旅游轨迹。在此基础上,针对现有方法尚未考虑游客偏好在旅行过程中会发生动态变化的问题,提出一种基于隐含狄利克雷分布模型(Latent Dirichlet Allocation,LDA)和用户长短期偏好的个性化景点推荐方法(A Recommendation Method Based on LDA and User’s Long and Short-Term Preference,L-ULSP)。该方法利用LDA主题模型获取景点特征信息,挖掘景点间的相关性,再利用注意力机制和长短期记忆网络分别学习用户的长期偏好和短期偏好,最后结合长短期偏好捕捉用户偏好的动态变化。实验结果表明,L-ULSP方法所推荐的景点在命中率和平均倒数排名2个指标上均优于现有其他方法,证明了本文所提方法可以从景点序列中有效学习游客偏好,并为游客推荐下一个景点。此外,本文通过对比实验,进一步验证了同时考虑用户的长短期偏好能够更好地学习用户的偏好变化。