优化旅游信息分析系统是基于大数据的算法

文摘

基于生态足迹理论和旅游生态足迹理论、可持续发展指标如生态足迹、生态承载力、生态赤字和生态盈余的研究领域是计算和长期变化的每个索引模式进行了分析。本文表明,研究区域的生态足迹逐年增加,但生态足迹总是小于生态承载能力,表明该地区仍处于可持续发展的状态。然而,人均生态盈余显示逐年减少的趋势,表明该地区的可持续发展恶化。本文提出一种重新排序方法基于异构信息融合的旅游景点,并实现旅游景点根据用户的检索和重新排序查询和异构信息的融合,以帮助用户做出旅游决策。针对缺乏旅游商业网站被动提供景点信息,提出了基于查询词的风景区检索方法来支持用户获取景区信息根据他们的需求,并构造一个旅游消费者数据分析系统。采用的预处理方法和方法详细分析了数据预处理模块,和旅游路线中使用的算法分析和消费者支出能力详细分析描述。旅游消费者的数据,分析了这个系统,和结果评估。

1。介绍

旅游信息旅游信息化的基础数据保障,这是特别重要的获得高质量的旅游数据资源。旅游信息不仅存在于大量的政府旅游部门和旅游企业,但也与社交媒体的快速发展,近年来,也有大量的旅游信息资源可以在主要的社会媒体网站。然而,人们很难准确地获取大量的旅游信息的数据,特别是对于旅游目的地的多样性或耀眼的许多旅游路线。当前旅游景点的旅游信息服务只显示信息在互联网上,和它的劣势主要体现在以下几个方面:(1)的信息不够全面,和丰富的旅游信息共享在社交媒体上不是充分利用;(2)信息只是被动地呈现给用户,不能根据用户的搜索和过滤需求;(3)忽视用户需求,没有考虑用户上下文信息,无法实现为用户定制和个性化的服务。没有聪明的全面性和偏好信息的考虑,通常是不可能推荐给用户满意的结果。这些缺点严重限制了收购高质量的旅游信息,目的地的建议符合需求和个性化的规划,和定制一系列的旅游行为。因此,除了掌握巨大的旅游信息资源,旅游信息化还需要我处理这些大量的数据和分析专业。

无论在国内或国外,旅游路线规划是旅游规划和设计的一个重要组成部分1,2和旅行社管理的核心。随着旅游业的不断发展和创新,出现了许多新的旅游方式,如自助旅游,无人驾驶旅游和体验旅游。游客可以选择景点和路线根据他们的偏好,和旅游偏好更个性化。然而,旅游路线策划的旅行社主要是盈利为目的的,和相关的旅游路线的设计主要是基于时间等因素,交通,景点,和其他因素在特定领域特定的利润空间的3,4]。目前,旅游路线规划主要侧重于区域旅游规划(5,6),旨在大旅游风景区。在景区内,有一组景区位于不同的空间位置。不同的观光模式可以通过旅游来获得序列设计的这些景点。然而,景点的路线规划方法不适用于大面积等景区的规划在城市(7]。在旅游领域,用户通常旅行分享他们的经验和意见后,形成大量的用户生成内容包括用户评论、照片、游记和其他信息。这些数据提供了极大的方便的旅行计划(8,9]。虽然可能有噪音或偏差在一个评论或旅行笔记,将大量的用户生成内容作为一个整体可以有效地捕获一个网站的本质。因此,在越来越多的研究中,空间分析和数据挖掘技术用于分析这些内容10,11),获取用户的相关参数和历史轨迹信息,发现游客之间的相似性,从而实现旅游路线的建议12,13]。随着Web 2.0时代的到来,网络多媒体共享网站已经成为流行。用户上传的信息包含大量的旅游相关内容,可广泛应用于旅游系统。因此,近年来,已经建立了许多智慧旅游系统实现精确检索或个性化推荐功能通过旅游多媒体信息的分析和挖掘,从而使旅行更方便和快14,15]。Wikitravel早期的旅游信息系统在Web 2.0时代的到来之前,为用户提供开放、完整、实时和可信赖的旅游信息(16,17]。它提供了在线旅游服务,致力于挖掘高质量的旅行照片图片分享网站,设计用户界面和搜索功能和地图定位功能,可以为用户提供帮助的计划他们的路径和旅行18,19]。通过分析与地理标志在Flickr, 110000多幅图像的视觉角度看旅游景点是通过使用图像生成的,和风景区的多样性搜索结果是满意20.,21]。结合文本、标记图像,视频,风景区摘要生成,然后个性化风景区总结建议用户通过查询(22,23]。另一种类型的系统侧重于旅游多媒体信息的检索和推荐。通过图片和文本信息的分析,以及相关知识在Yahoo旅游频道,受欢迎的景点是推荐给用户,和景点的摘要信息返回给用户(24]。通过获得的图像和游记,中的路线和景点之间的开采,以便为用户提供旅游路线规划(25,26]。提出移动旅游搜索框架,可以显示多个视角的旅游景点向用户基于图像信息通过压缩传输技术(27,28]。低分辨率图像查询处理到远程服务器,然后确定并搜索景点,和相应的景点是重建从三维的角度根据这张照片组(29日]。为了提高系统的性能,克服传统推荐算法的局限性,混合推荐算法已逐渐成为流行。它使用两个或两个以上的混合推荐算法,权重,切换、层叠、功能组合的优势,充分利用每个推荐算法来获得更高的性能。最常见的例子混合推荐算法混合协同过滤算法和其他推荐算法来减少冷启动和数据稀疏问题。

旅游景点的重新排序方法提出了基于异构信息融合。分析当前吸引力的检索方法的不足需要解决这个问题,本章就介绍了算法实现的框图;然后,介绍了基于内容和基于分数的异构信息挖掘方法,以及景区,基于查询的初始排序方法,基于内容的排序方法,和基于分数排序调整方法。最后,客观和主观实验验证,该方法基于异构信息融合的风景区重新排序可以有效地获取景区信息基于用户查询。存储在数据库中的数据可能反映了噪声、异常,或不完整的数据对象。这些对象可能有不利影响的分析过程,导致数据来构建知识模型的overadaptation或挖掘分析的失败。因此,模式发现是非常不准确的。数据清理方法和数据分析方法来处理数据噪声和离群挖掘方法来发现和分析异常情况是必需的。

2。旅游信息的优化方法和框架大数据分析

一个地区的生态承载力和可持续发展受到很多方面的影响,如气象、水文、地质、环境、社会经济等行业和领域。生态承载能力和可持续性的变化不仅与各单因素的状态,而且所有因素的相互作用的结果。本章将介绍各方面的监测方法和原则的风景和古迹区及其周边地区从三个方面详细的生态承载能力和可持续性评估。其中,主要包括三个方面的挖掘和分析法律的长时间序列的旅游生态环境要素、生态承载能力的评价和可持续发展是基于生态足迹理论,以及基于大数据趋势预测和预警技术。具体的框架系统如图1。首先,长时间序列多源异构的原始数据进行收集和整理。在此基础上,典型的旅游生态环境元素提取基于提取专题信息的原则和方法。其次,提取的旅游生态环境因素的单因素、长时间序列,这一趋势的讨论,和分析,主要的旅游生态环境因素,包括土地利用覆盖、植被覆盖、生物多样性、景观脆弱,气候舒适程度、经济发展水平,产业支持能力,旅游接待能力,在比例,游泳和有吸引力的旅游资源,为以后奠定基础的驱动力生态足迹分析。第三,生态足迹理论,这是世界上广泛采用和高度认可,用于讨论可持续发展指标的长期变化,如生态足迹、生态承载力和生态赤字或生态盈余的研究领域。最后,采用大数据分析方法和两种时间序列预测模型(ARIMA模型和LSTM模型)用于预测和警告未来可持续发展研究领域的地位。

2.1。旅游生态环境元素的分析

植被覆盖的比例是茎的垂直投影,树叶,树枝,和其他植被到地面的面积统计区域,通常表达的百分比。归一化植被指数,它是其中一个重要的指标来衡量地表植被的生长状况,并对区域生态环境的评估具有重要意义。植被覆盖率的计算方法主要包括像素二分法模型、回归模型和植被指数的方法。其中,植被覆盖率计算基于二进制像素模型已经被研究人员广泛使用。假设二元模型中的每个像素划分为两个部分,一个与植被覆盖率和其他没有植被覆盖。观察到的电磁波谱信息计算的远程传感器的线性加权和两个部分,每个部分的重量是相关区域的比例参与整个像素,然后植被覆盖的像素等于表面被植被覆盖的比例在整个像素区域。

因为土地利用覆盖类型的变化直接影响生物多样性的变化,土地利用覆盖遥感获得的地图可以在一定程度上反映了区域生物多样性的差异。各种地貌类型的权重如表所示1,包括耕地、建设用地、林地、水域湿地、草地和未利用土地。

游客居民的比例是指总量之间的比例风景区的游客和当地居民的总数,这是一个指标反映出当地居民心理承载力。旅游业的发展会影响当地居民的社会文化在某种程度上,积极和消极的影响。从积极的一面来看,更多的游客将会促进当地的经济发展,提高当地居民的就业率,极大地提高人们的生活。消极方面是游客的增加将对当地生态环境资源的压力,使当地居民的生活环境比以前更糟糕。一般来说,游客的密度越大,影响越强。从旅游开发的角度看,旅游资源的最重要的价值在于它的整个旅游市场吸引力,也就是说,其吸引游客的能力。旅游资源开发的核心竞争力是旅游资源的吸引力,这是受到很多因素的影响,包括质量和丰富的旅游景点,旅游交通条件、接待设施、服务和住宿。的定量表达的唯一客观标准来衡量这个值是可以吸引游客的旅游资源。

为了弥补的限制使用文本搜索引擎来检索图像,用于重新排序图像视觉特性来弥补语义鸿沟之间的文本和图像。此外,由于不同灵敏度的图片不同的视觉特性,multivisual特性结合生成混合特性进行重新排序。同时,为了确保查询词和重新排序的图像之间的相关性,一个重新排序框架采用基于图模型来完成图像的重新排序搜索结果,以帮助用户从大量获得最相关的图像搜索引擎返回的图像。拟议的图片搜索基于图模型的混合特性是重新排序方法混合的视觉特征,然后使用重新排序框架基于图模型来完成重新排序。图2显示了框图的图片搜索基于混合图模型,重新排序方法主要分为两个部分:学习混合特性和基于重新排序。在离线学习阶段,所有图像,视觉特征提取后,利用潜在语义分析学习基于视觉特征融合的混合特性。在线排序阶段,一个查询词,和初始排序后得到的结果返回的图像匹配与图像的文本信息。然后,基于混合特征图像之间的相似性计算重新排序图模型的框架下完成图模型的建设,最后重新排序的结果。

为了验证该方法,确保相关图像前的性能越高,图像数量选择这里。在不同的情况下,找到其NDCG价值。的变化如图NDCG价值3。

NDCG值的平均值NDCG值20个实验中使用的查询词。从图可以看出,该方法的有效性仍高于对照方法,这再次表明,提出的方法可以确保很强的相关性之间的重新排序的图像和之前的。同时,可以看出随着值的增加,NDCG值减少。这是因为重新排序后,图像相关性较低的要求,从而影响NDCG价值,也符合的要求重新排序。

2.2。研究旅游路线规划的大数据分析算法

为了进行短期旅游路线规划,本文运用基本概念映射解决方案如短期旅游路线规划算法。详细的解决步骤如下:(1)首先,用户输入6个输入值根据他/她自己的时间安排和旅游偏好:出发日期、访问时间、出发地点,必看景点,一类感兴趣的景点,和运输模式(2)其次,使用前面步骤中输入值,结合机器学习回归算法进行短期旅行的训练路线评分模型(3)然后,根据游客的输入值,图书馆短期旅游路线的路线是有条件地筛选和筛选结果的路线使用短期旅游路线评分模型(4)最后,对分数排序在前面的步骤和输出分数最高的前10名的旅游路线

针对ID3算法的缺点,我们的解决方案的想法是记录满足条件的记录数量从节点到根节点的路径而生成决策树的节点,以解决决策树的预测能力问题的缺失属性值。

ID3算法的数据处理能力降低引入最小支持度和最小的信心。事实上,训练样本数据集有很多规则,但并非所有的规则具有实际应用价值,因此,通过关联规则分析最低支持度和最小可信度的概念,引入部分不会经常出现数据过滤的ID3算法的运行数据。

规则提取的ID3算法可以解决数据对象属性值的类型识别的问题,但是,如果不是全部,给定的属性值,那么规则是通过决策树将无法给出判断结果,我们通过在决策树的节点,同时记录的内容从节点到根节点的路径数量的记录的条件,可以有效地解决缺失属性值的决策树的预测能力:(1)决策属性支持度的分类识别属性是用来减少训练集的规模由ID3算法进行处理在数据处理的过程,结果往往有很多冗余。最重要的表现是,在生成的决策树,决策树的分支太多了,使这棵树太大,太麻烦。通过这种方式,该决定将所获得的信息太复杂和复杂的,和许多不必要的生成规则。最小支持度是用来有效地控制可能的分支数量,一层一层地决定节点。当支持度小于指定的最小支持决策者的元组过滤器,其基本思想是决策树分支。如果当前层对应于一个元组的一个子集的类别属性支持小,下一层的支持小,相应的元组在这一组不需要生成一个新的分支。可以看出,在决策树生成过程,修剪树枝,会生成,但没有多少实用价值进行根据每个决策属性的值。因为孩子的大小值在某种程度上代表属性中包含有效信息的数量,我们的处理工作在很大程度上是基于决策属性中包含的信息量。由于丢弃数据中包含的信息是相对较小,上述处理保证了信息内容的数据在一定程度上。(2)冗余的分支生成的决策树的最小置信度清除D3算法通过使用最小支持度,我们减少数据处理的过程中生成决策树。然而,在决策树的结构,决策树的某些分支中包含的知识太不可靠,有应用价值。我们使用较低的最低信心切断树枝的信心产生的决策树ID3算法,以减少决策树的规模,使生成的决策树更实用。

我们把上面的两个改进的ID3算法在一个处理过程获得以下ID3改进算法,算法中所示1。

3所示。大数据分析和预测的旅游信息

自从人均生态足迹由单个人反映资源消耗的数量在一个地区,人均生态承载力代表的资源数量的总和,该区域可以提供每个单独的和所需的资源来处理所产生的浪费。因此,从区域发展的角度来看,人均人均生态赤字和生态盈余似乎非常关键和重要的。摘要时间序列预测的计算人均利用ARIMA模型进行探讨区域可持续发展能力分配给每一个在地区快速发展的背景下,日益强大的旅游趋势。为了提高精度,科学和理性ARIMA预测模型的输入数据集分为训练集(80%)和测试集(20%)。

ADF检验结果如表所示2,ADF检验结果是−0.656688,大于阈值的显著性水平从1%降至10%。因此,存在单位根的零假设被接受,这进一步验证1 nxt序列的不稳定。因此,一个一阶的区别是为1 nxt检查其趋势特征,如图4。从图可以看出4一阶差分序列没有趋势特点和趋势是基本消除,所以它可以被认为是静止的。进行单位根检验D (1 nxt),结果表明:单位根的零假设被拒绝在显著性水平为0.01,表明一阶差分序列是平稳序列。测试结果如表所示3。因此,d= 1。

图5显示了一个旅游景点的框图异构信息融合基于社交媒体的重新排序方法。首先,异构旅游信息是来自社会媒体,构建一个数据库由Tripadvisor抓取用户评论和评级从Wikitravel从Flickr图片和网站描述。然后,进行数据预处理,去噪异构信息和结构分析。其次,当定位城市,用户根据自己的需要输入查询词,和最初的排名结果将根据文本信息匹配。然后,通过分析旅游在社会媒体上的异构信息,重新排序框架基于图模型用于重新排序文本和图像融合的旅游景点的特点,最后,景区的最终排名进行基于数字信息。

4所示。结果分析

首先,实验旨在讨论基于内容的操作和应用操作的影响视频的建设可追溯性的关系。其中,基于内容的操作探测器可以用来找到视频内容的变化,而visual-based操作探测器可以用来找到视觉感知的视频从人类视觉感知的角度变化。时间尺度转换检测器的时间统计数据介绍了pseudoclassify类似的视频,可以提高检测速度和精度。图6显示使用时间在时间尺度变换检测。已知视频(a)和(b)分为一组根据视频的时间,和检测结果表明,该视频(b)有额外的镜头。因为视频(a)和(b)有相同的分组在一组类似的视频,他们被认为是相同的版本,因此没有必要进行比较与其他团体的视频节省检测时间。这不会检测到一个稍长的视频(b)作为一个额外的机会。因此,没有参考的原始视频,它是非常必要的检测预先分级。

在图7召回率和精度的基于内容的探测器是策划。这里,五个阈值给出每个探测器观察召回率和精度的变化。同样,可以看出,召回率和精确率往往会改变阈值的变化,和在实际检测的视频跟踪关系,阈值可以根据需求设置召回率或精确率。仍有改进的余地空间信息的查全率和查准率覆盖率检测和时间尺度转换检测。在时间尺度变换检测,类似视频帧的匹配算法可以提高,可以提高匹配精度。同时,在空间信息覆盖率检测算法,当覆盖率信息块很小,它过滤噪声,导致未能检测到的信息覆盖。

表4显示了一些视频检测器的准确性。空间信息叠加的探测器,需要找到合适的阈值。这里,根据经验值,选择五个不同的阈值绘制操作行为的查全率和查准率检测。音频转换检测器也给一个良好的性能值,因为大多数音频转换视频全是音频更换,使用现有技术很容易就能识别出来。基于视觉检测,包括检测空间颜色变化,空间尺度转换和视觉质量检测,探测器可以很容易地检测空间规模和空间颜色的变化,具有良好的精度。此外,探测器可以很容易地检测空间规模的变化和空间的颜色,所以它有很好的精度。

测试使用交叉验证来避免过度拟合的模型。测试数据集被分成十个部分,一部分是取出测试集和其他九个部分的训练集,平均十考试成绩最终输出模型的最后得分。

从图可以看出8由于不同风格的景点在不同的城市,相同的查询词的精度和召回率是不同的。所有重新排序方法的结果比TF / IDF的参考方法。基于多个隐藏的特性和重新排序的结果重新排序基于异构信息融合优于单一模态信息,这表明多通道融合的重新排序结果优于单一模态信息设置在本章重新排序问题。重新排序的结果基于多个隐藏主题好,因为召回的特点和精度主要是用于检查基于内容的相关性。同时,multihidden主题的重新排序结果特性优于单模文本或图像的重新排序结果和他们的平均值,这意味着multihidden主题特征不仅整合文本和视觉特征的重要信息,而且挖掘潜在的信息之间的两种信息。异构信息融合基于社交媒体网站重新排序主要是结合了隐藏主题功能和用户评级重新排序,这可以从图中看到。有时候,更隐式特征的重新排序的结果比异构信息融合的结果。因为这个实验的查全率和查准率是相关的内容,基于多个隐藏功能的重新排序的结果比基于异构信息融合最后重新排序。

表5给出了一个概要的和可靠的用户获得的数据在不同的城市旅行。在这个实验中,80个用户选择从每个城市来测试该模型。为每个用户,用户是景区和景点没有。用户一直在旅游景点,景点分为两类,一个景点,和其他无名景区混合到没有去过的景点。同样,为了验证准确性,公关和U-CF比较方法比较与我们不是模型。这里,U-CF帮助用户找到人一样的景点,和类似的用户到其他景点是这个用户可能去的景点,并推荐给他。推荐的比例数据包含网站用户访问被用作真实数据的准确性验证。所以,精密N的比例正样本评估在第N数据。评价标准是第一个N的比例推荐结果包含用户访问的样品,和PrecisionL0计算的值,标记阳性样本的数量从1到4不等。

5。结论

第一次中存在的集体智慧旅游信息利用个性化推荐的景点,像社会媒体为游客提供旅游信息包含大量的经验。为了充分利用集体智慧的网络,可以从集体智慧中提取结构化的知识。为了解决旅游数据稀疏和多样性的问题,首选景点在当前城市通过显式的用户反馈。结合集体智慧的吸引力和用户反馈,类似的推荐分类问题来解决问题,多通道信息的权值进行自适应调节,得到类似的网站,与用户交互。然后,结合用户的用户定位信息在一个情况下,候选人推荐景点再次筛选,和个性化的旅游景点推荐给用户最后,以便完成个性化推荐的旅游景点基于集体智慧。长期系列大数据的预警和预测方法用于评价可持续发展的能力在未来研究领域。ARIMA模型被用来预测人均生态盈余。结果表明,研究区域的人均生态盈余将在未来10年逐年减少;也就是说,当地的自然生态资源越来越难以满足人类社会和经济发展的需要。针对大数据的分类和发现的任务,ID3算法,推荐旅游决策树算法的基本方法,研究,它已经从两个方面改进来提高算法的有效性,减少处理的数据量,提高预测能力。 The practical application proves the effectiveness of the algorithm. The preprocessing methods and methods adopted by the data preprocessing module are analyzed in detail, and the algorithms used in the travel route analysis and consumer spending ability analysis are described in detail. The data of tourism consumers are analyzed by this system, and the results are evaluated.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了哲学和社会科学规划研究一般主题的海南,海南的影响机制的研究游客的认知三在线短期租赁平台,批准号HNSK (YB) 18 - 96,高等教育科学研究一般项目的海南,海南的收养行为的研究游客对短期租赁平台在整个地区旅游的角度来看,批准号hnky2018 - 103。

引用

1. g . n . s .已经“小说大数据分类算法基于狮子优化,“理论和应用信息技术杂志》上,卷95,不。7,1525 - 1532年,2017页。视图:谷歌学术搜索
2. w . Daopeng、f .中央领导和f . Hanliang”优化大数据研究基于RNN-LSTM建筑工程质量管理,“复杂性卷,2018篇文章ID 9691868, 16页,2018年。视图:出版商的网站|谷歌学术搜索
3. 美国翟,j .段和x Ai,”研究第三方物流系统和经济性能优化大数据分析的基础上,“Boletin Tecnico /技术通报,55卷,不。11日,第308 - 301页,2017年。视图:谷歌学术搜索
4. 察克拉波提和s·戴伊,”竞争对手情报分析大数据的时代:一个集成的系统使用文本总结基于全局优化,“业务和信息系统工程,卷61,不。3、345 - 355年,2019页。视图:出版商的网站|谷歌学术搜索
5. d . Li z l .邓和z Cai,“统计分析旅游景点旅游流的基于大数据平台和DA-HKRVM算法,”个人和无处不在的计算,24卷,不。1,第101 - 87页,2020。视图:出版商的网站|谷歌学术搜索
6. g .塞浦路斯l·莫里茨g .麻将Vanhuysse,约翰逊,和e·沃尔夫”正常化在无监督分割参数优化:一个解决方案基于局部回归趋势分析,“遥感,10卷,不。2、222 - 234年,2018页。视图:出版商的网站|谷歌学术搜索
7. J.-Y。公园,g . Kim和周宏儒。哦,”电影的研究旅游资源战略位置使用社交bigdata基于全州面积,SNS趋势分析”《韩国内容协会杂志》上,16卷,不。11日,第487 - 477页,2016年。视图:出版商的网站|谷歌学术搜索
8. x高和j·蔡”,优化城市功能区域规划的分析基于大数据和GIS技术,”Boletin Tecnico /技术通报,55卷,不。11日,第351 - 344页,2017年。视图:谷歌学术搜索
9. t . y . Wu z夏,r .团队,拥有和j .王”的特点和优化核心本地网络:大数据分析的足球比赛,”混乱,孤波和分形卷,138年,第110145 - 110136页,2020年。视图:出版商的网站|谷歌学术搜索
10. h .左,”大数据分析系统的开发和健壮的测试基于Java技术和并行优化oracle数据库,”航空杂志上de la Facultad de Ingenieria,32卷,不。2、180 - 189年,2017页。视图:谷歌学术搜索
11. 陈y、x j·罗和x姚明,“医学大数据分析算法基于访问控制系统,”国际期刊的Reasoning-Based智能系统,10卷,不。1,51 - 63,2018页。视图:出版商的网站|谷歌学术搜索
12. c . Lu和f·温“GIS信息功能基于大数据的估计算法,”国际期刊的信息和通信技术,15卷,不。2、198 - 213年,2019页。视图:出版商的网站|谷歌学术搜索
13. x夏,“快速搜索基于大数据的艺术文化资源和杜鹃算法,”个人和无处不在的计算,24卷,不。1,第138 - 127页,2020。视图:出版商的网站|谷歌学术搜索
14. h . Shin”分析地铁客流的智能城市:知识提取从首尔地铁的“难以捉摸的“大数据”,IEEE访问,8卷,第69310 - 69296页,2020年。视图:出版商的网站|谷歌学术搜索
15. j . Al-Sawwa和s . a .路德维希”并行粒子群优化算法分类变体使用Apache火花,实现“并发性实践和经验,32卷,不。2、2020。视图:出版商的网站|谷歌学术搜索
16. m . Tang和z吴”,研究大数据对消费者行为的机制使用C2C电子商务的模式和对策,“非洲商业管理杂志》上,9卷,不。1、18 - 34岁的2015页。视图:出版商的网站|谷歌学术搜索
17. w·王,”部署和优化无线网络节点的部署和优化智能城市”计算机通信,卷155,不。4、117 - 124年,2020页。视图:出版商的网站|谷歌学术搜索
18. 莉卢,r, l . z, b . x和,“整体评估:在课堂上寻求优化噪声数据,”国际期刊的机器学习和控制论,11卷,不。2、231 - 248年,2020页。视图:出版商的网站|谷歌学术搜索
19. 高x和y王”,优化集成基于DSOM-FCM的传统民俗文化,”个人和无处不在的计算,24卷,不。2、273 - 286年,2020页。视图:出版商的网站|谷歌学术搜索
20. h .郭l . j . Liu和l .赵”大数据采集在FiWi增强智能电网故障下,“IEEE新兴主题计算,7卷,不。3、420 - 432年,2019页。视图:出版商的网站|谷歌学术搜索
21. b . d . Rouhani a . Mirhoseini e . m . Songhori et al .,“自动化实时流密度大、数据的分析可重构平台”ACM交易可重构技术和系统,10卷,不。1,8.1 - -8.22,2016页。视图:出版商的网站|谷歌学术搜索
22. y Uematsu,刘贤风扇和w·LinLv“迄今为止:大规模协会网络学习,”IEEE信息理论,卷65,不。8,4924 - 4939年,2019页。视图:出版商的网站|谷歌学术搜索
23. j .风扇k h .歌曲,f . YanLiu和w·丽安,“实时歧管正规化环境敏感相关跟踪”,计算机科学的前沿,14卷,不。2、334 - 348年,2020页。视图:出版商的网站|谷歌学术搜索
24. 沙玛,j . LuBmann j .,“控制器独立software-in-the-loop评估方法基于规则的交通信号以策略利用浮动车数据,”IEEE智能交通系统,20卷,不。9日,第3594 - 3585页,2019年。视图:出版商的网站|谷歌学术搜索
25. y, y . j .保z GongWu,和y郑,“从大量的轨迹,挖掘最具影响力的位置设置”IEEE大数据,4卷,不。4、556 - 570年,2018页。视图:出版商的网站|谷歌学术搜索
26. x徐、f·r·顾和s . WanQi“多目标计算卸载互联网cloud-edge计算车辆的“无线网络,26卷,不。3、1611 - 1629年,2020页。视图:出版商的网站|谷歌学术搜索
27. a . w . t . Kim Li Behm et al .,“相似性查询支持大数据管理系统”,信息系统,卷88,不。2月,101455.1 - -101455.23,2020页。视图:出版商的网站|谷歌学术搜索
28. s . Knoch s Herbig f . Kosmalla et al .,“传感器人工流程交互在离散制造业,”期刊数据语义,9卷,不。1,21-37,2020页。视图:出版商的网站|谷歌学术搜索
29. x赵、w·孟和j·苏,“单一样本几乎扩展方法的参数优化”,阿拉伯国际信息技术杂志》上,16卷,不。6,988 - 994年,2019页。视图:谷歌学术搜索

版权

版权©2020杨京et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。