1.一种融合游客和景区状态信息的景点推荐方法,其特征在于,包括:分别获取指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息;
将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络,获得融合后景区的图拓扑结构信息;
根据自注意力网络层对图拓扑结构信息中的景点信息特征进行权重计算,获得融合权重后的景点信息特征;
融合权重后的景点信息特征通过多层全连接层计算,获得推荐到各景点的概率值;
基于各景点的概率值,选择概率值的上限值输出,并将上限值所关联的景点作为推荐指定游客前往的景点;
所述游客状态信息包括:指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、各景点周边游客当前所在位置、通往各景点的人流数、节假日信息;
获取游客的状态信息的方法为:
采集游客手机或者其它附加有GPS定位功能的智能终端的游客信息,获取当前指定游客的经纬坐标信息、指定游客偏爱的景点信息、指定游客当前的日期信息、各景点周边游客位置;
通过指定游客的经纬坐标信息判断指定游客目前所在景区中的位置;
根据指定游客目前所在景区中的位置查找出景区各道路至其它景点之间的邻接关系;
根据指定游客所在位置景区各道路至其它景点之间的邻接关系,判断指定游客所在位置到达其它相邻景点的距离;
实时获取指定游客的GPS的变化信息,判断指定游客的目标景点,并根据GPS的变化信息计算出指定游客的步行速度信息和所游玩过的景点信息;
根据指定游客的目标景点和各景点周边游客当前所在位置,计算各景点周边游客距离指定游客目标景点的距离统计平均值,并根据各景点周边游客位置获取通往各景点的人流数;
其中根据指定游客当前的日期信息判断是否节假日,以及将将指定游客所在位置到达其它相邻景点的距离按比例分配权重,获得相邻景点的推荐权重;
指定游客所在位置到达其它相邻景点的距离计算公式为:(1)
式中,表示指定游客目前所在景区中的位置至指定游客的目标景点的经纬坐标之间的距离,表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的纬度差值,表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的经度差值,和表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的维度值;
相邻景点的推荐权重的计算公式为:
(2)
式中,表示指定游客到相邻景点的权重,表示指定游客所在位置到相邻景点的距离,表示指定游客到各相邻景点的距离,N表示相邻景点的个数;
指定游客的步行速度信息的计算公式为:
(3)
式中,表示指定游客的平均步行速度,表示指定游客每分钟步行的距离,表示指定游客步行的统计时间;
各景点周边游客距离指定游客目标景点的距离统计平均值的计算公式为:(4)
式中,表示各景点周边游客或非景点游客距离指定景点的统计平均距离,表示为各景点周边游客或非景点游客距离邻近景点的距离,N表示为相邻景点的个数;
所述景区各景点的状态信息包括:各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度;
获取景区各景点的状态信息的方法为:
通过景区智能摄像头在各景点的出入口采集游客人脸信息,通过游览车上的智能摄像头采集游览车乘客的数量,并实时获取每个游览车的实时GPS信息;
对游客人脸信息总量进行统计分类,得出进入景点的人数以及出景点的人数;
将进入景点的人数和出景点的人数进行差计算,获得各景点当前所在人数;
根据游客人脸信息计算每个游客在每个景点内的逗留时间;
根据每个游客在每个景点内的逗留时间计算获得各景点的人均逗留时间;
对每个游览车的实时GPS信息进行解析,获得每个游览车的位置变化;
根据景区各道路至其它景点之间的邻接关系、实时GPS信息、每个游览车的位置变化,判断每个游览车的目标景点;
统计每个游览车的目标景点、乘客的数量,计算出通往各景点的游览车载客数量;
根据每个游览车的位置变化,计算获得游览车通往各景点的平均行驶速度;
所述景区固有信息包括:各景点开放时间信息、各景点的人数上限信息、各景点与周边景点的位置关系和连通关系;
景区固有信息为各景区管理员根据景点实时动态或实时管理条例进行人为编辑,用于将景区景点的实时动态进行发布便于当前游客及时获知;
其中,获取景点间的位置关系以及交通连通状态用于生成景点之间的拓扑关系;
所述图卷积神经网络的模型训练方法为:
预设采样周期,并在采样周期内采集游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息,用于制作训练数据集;
基于训练数据集中所关联的景区各景点的状态信息,分别观察下一采样周期或下N次采样周期以后的景点的状态信息;
下一采样周期或下N次采样周期以后的景点的状态信息基于游客偏好的景点信息、就近原则综合分别推荐出游客前往的目标景点,并将下一采样周期或下N次采样周期内获得的游客前往的目标景点设为验证集;
将制作好的数据集送入网络结构模型中进行训练,获得推荐游客前往的目标景点的结果;
将推荐游客前往目标景点的结果与验证集进行对比,选择需要优化的结果;
需要优化的结果代入交叉熵损失函数计算获得网络训练参数;
基于网络训练参数对网络模型中的参数进行调整,最终得到训练好的网络模型;
其中,交叉熵损失函数的计算公式为:
(5)
式中,表示系统推荐景点的概率值,为交叉熵损失函数,表示各景点的概率值;
将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络,获得融合后景区的图拓扑结构信息的方法为:利用图卷积神经网络GCN将景点之间的拓扑关系嵌入到景点状态信息中,获得融合后景区的图拓扑结构信息;
其中,拓扑关系嵌入到景点状态信息中的计算公式为:(6)
式中,是所有景点状态信息矩阵,,为景点的个数,任一景点状态信息为,为任一景点的状态信息,,是景点图的邻接矩阵,为的度矩阵,为单位矩阵,为图的权重矩阵,表示sigmoid激活函数;
sigmoid激活函数的表达式为:
(7)
式中,表示sigmoid激活函数,表示自然常量,表示函数的输入参数;
根据自注意力网络层对图拓扑结构信息中的景点信息特征进行权重计算,获得融合权重后的景点信息特征还包括:将融合权重后的景点信息特征代入激活函数进行激活输出;
融合权重的景点信息特征的计算公式为:
(8)
激活函数的表达式为:
(9)
(10)
式中,为融合权重的景点信息特征, 是用于训练的参数向量,为激活函数输出的景点信息特征,表示函数的输入参数;
融合权重后的景点信息特征通过多层全连接层计算,获得推荐到各景点的概率值的方法为:通过多层全连接层对融合权重后的景点信息特征进行预测,得到每个景点的概率值;
将每个景点的概率值进行汇总,得到各景点的概率值并对各景点的概率值进行归一化处理,获得概率值集合;
其中,对融合权重后的景点信息特征进行预测的表达式为:(11)
(12)
式中,为网络权重,为网络偏置值,然后经过多层全连接层中的投影层得到,表示每个景点的概率值,表示每个网络节点的训练权重,表示各景点的信息特征,表示景点的信息特征矩阵, 表示第三层全联接层训练函数、表示第二层全联接层训练函数、表示第一层全联接层训练函数,训练函数均与公式(11)函数相同;
各景点的概率值并对各景点的进行归一化处理的计算公式为:(13)
式中,表示各景点的归一化概率值,表示自然常量,表示各景点的非归一化概率值,表示对各景点预测值进行归一化,表示对每个景点的预测值进行求和。