精准营销模式研究旅游业基于用户的移动行为轨迹

文摘

深的跨境旅游和大数据的整合,旅游群体的个性化需求越来越强烈。精确营销已成为一个新的营销模式,旅游业需要密切关注和探索。基于大数据平台的优势和基于位置的服务,从旅游业的精确营销的需求,我们设计数据流挖掘技术框架,用户的移动行为轨迹基于位置服务的移动电子商务环境得到用户跟踪的数据包含位置信息,消费信息和社会信息。数据挖掘聚类技术用于分析的特点,用户的移动行为轨迹,精确的推荐系统构造旅游对旅游决策提供支持。它可以为精确营销和旅游集团目标让游客旅行更聪明。

1。介绍

1.1。研究背景

基于位置的服务(LBS)是一种结合移动通信网络提供的增值服务和卫星定位系统。它获得移动终端的位置信息,如纬度和经度坐标数据通过一组定位技术和提供通信系统,移动用户和相关用户意识到各种关于位置服务在军事和运输。作为一个新的移动计算服务近年来,世界上80%的信息时间和地点标签,和位置服务已经开发出大数据阶段(1]。发展定位服务需要两个能力:能够提供位置和理解位置的能力。

精确的市场信息被磅位置服务可以有效地挖掘潜在消费需求,制定一套科学合理的网络营销策略在此基础上,可进一步提高电子商务企业的能力挖掘目标客户和潜在客户。根据2017年中国移动电子商务行业研究报告,中国电子商务市场交易规模在2016年达到20.2万亿元,同比增长23.6%,同期。中国电子商务市场稳步发展。其中,网上购物有一个良好的发展势头,高于2015年的23.3%。巨大的市场潜力吸引着一些各行各业。在2016年,在线购物和B2B电子商务的中小企业和企业规模以上仍然主导着中国电子商务市场,而在线旅游和本地生活服务O2O成为竹笋,分别占3%和1.6%的市场份额。从2015年到2016年,在线旅游市场的比例大大增加,在中国的旅游市场产品信息化的过程加速,普及率进一步提高,移动在线旅游市场发展迅速,旅游消费者的理解和需求和经验正在不知不觉中改变,追求更高质量的旅游。与“互联网+”信息技术的进一步发展,旅游产业发展的空间巨大,在线旅游渗透也会逐渐增加。

根据2016年国民经济和社会发展统计公报发布的国家统计局,2016年全年,国内游客的行程达到44亿人,比上年增长11.2%,和国内旅游的收入增长了15.2%,至人民币39.39万亿元。入境游客人数达到了1.3844亿,增长了3.5%,国际旅游收入增长了5.6%,至1200亿美元。国内居民的数量在13万年中国已经达到了1.35亿,增长了5.7% (2]。持续提升的战略步伐全面建设小康社会,旅游已经成为人们日常生活的一个重要组成部分在中国,标志着,中国的旅游业已经进入了大众旅游时代。

基于这一背景,在移动电子商务环境中,基于LBS位置服务,研究和分析用户的移动行为轨迹可以提取有价值的用户的移动行为特性从大量的混合动态数据和集成移动用户行为和旅游消费者行为。基于LBS的位置,服务将整合移动旅游用户的行为和消费者行为,然后挖掘消费者的营销价值,和及时的实现企业的营销目标在适当的媒体,因此,移动电子商务营销变得更准确和有效的。通过研究这个问题时,企业的利益,消费者和媒体可以最大化的同时,为移动电子商务提供个性化的产品和服务,提高客户忠诚度和核心竞争力的移动电子商务和电子商务企业带来更高的利润3]。

1.2。演讲的问题

消费数据的移动终端用户的历史行为和位置运动过程记录和存储根据时间序列,形成用户的移动行为轨迹数据,可以收集到多个设备终端。用户的移动行为轨迹数据包含很多有用的信息。移动行为轨迹可以表达现实世界中的移动用户的行为活动。这些活动意味着用户的兴趣、爱好、经历,和行为模式4]。例如,一个用户在一个星期的活动可能会开始从家到工作每一天,和一个用户可能去购物中心、公园,周末和其他地方。因此,如何有效地利用用户的移动行为轨迹,提取有用的信息从用户的移动行为轨迹数据是非常重要的实现个性化推荐服务。

从咨询的角度大量的文档,有更多的论文比在移动位置服务营销。然而,大多数以前的文章定位服务侧重于自然科学的应用,如测绘技术、网络开发、地理信息等。近年来,在管理科学研究所的文章的数量,医学和农业结合定位服务已开始增加,其中大部分是基于位置的服务和相关行业研究的结合应用程序或特定行业的技术发展。例如,位置服务和物流技术的结合可以跟踪包的旅程。位置服务与电子地图相结合可以提供餐饮、娱乐、折扣和其他信息在一定范围内根据用户的位置。位置服务结合实用技术可以快速找到信息,如自来水、天然气爆炸,等等。文学研究的主要关键字包括位置服务技术、位置服务系统,位置服务终端,位置服务策略,移动位置服务,等等。基于位置的服务行业目前被认为是最具活力的产业之一。快速发展的移动互联网和物联网技术,更多的碎片时间已经转移到手机、平板电脑和智能产品(5]。

移动营销的特点,如精度、交互、新颖、有效的交付,不同企业越来越多的关注和认可。本文主要关注的是旅游业的最终用户的特点,如频繁的位置运动,强烈的分享,和丰富的需求服务。首先,在线旅游的用户必须移动用户通常不会在一个位置停留很长时间,和频繁的高概率位置变化将产生大量的位置数据。此外,一般来说,旅行用户到达一个未知的位置或移动的一系列不熟悉地理环境,使旅游需求用户的定位服务优先于个人隐私保护和使他们能够获取实时用户位置信息。这些位置数据为我们的研究提供有利条件。其次,旅游用户的行为是完全不同于普通人。在美丽的风景和不是很熟悉的环境中,用户会自发地产生自我意识。大多数人分享位置,照片,通过社交平台和透露,情绪和旅游公司可以访问这些社会数据来准确地描述用户和为他们提供准确的服务。第三,旅游用户需要高质量的服务来获得高质量的旅游体验。景点、住宿、餐厅、交通、金融、包括导游和其他旅行者,也是很重要的因素在实现一个高质量的旅游体验。 These rich demands for services will generate enormous commercial value [6]。因此,本文采用自上而下的总体分析设计思想从下到上。通过分析用户的特征通过用户的移动行为的轨迹,本文构造了一个旅游推荐系统在移动点对点环境和旅游业的精确营销模式根据用户的轨迹的移动行为,以便为适当的用户提供适当的服务在正确的时间和地点,为了提供参考相关旅游企业实现精确营销。

2。用户的移动行为轨迹

2.1。用户的移动行为轨迹的定义

用户的移动轨迹是基于行为的路径,用户发现经常在日常生活所产生的位置移动路径。位置信息由用户的日常行为是由GPS设备获得的采样在一定的时间间隔,和移动物体的空间位置由欧几里得空间坐标,离散显示在电子地图上。通过移动序列模式挖掘,我们可以找到这些离散点位置信息之间的相关性,获得用户的行为轨迹移动。这将为精准营销提供有效的支持在移动电子商务7]。在本文中,我们提出以下定义用户的移动行为轨迹。

定义1。位置信息:用户的运动所产生的位置信息分可以获得通过接收GPS移动终端等设备。每个位置信息点表示一个用户到达的位置。假设一个独立的位置信息表示为两个元组 ,在他们中间Z是位置坐标,其结构包含经度吗Z。x和纬度Z。y;T到达时间信息的位置吗Z。

定义2。移动行为轨迹:移动行为轨迹可以通过GPS日志。移动位置信息的行为轨迹由一系列时间点安排的顺序属性T。假设l用户的移动行为轨迹呢 ,在哪里表示任何采样点位置信息。移动行为轨迹l满足任何 , ;n代表位置信息的数量分和代表的长度n移动的行为轨迹。

定义3。移动行为subtrajectory:代表包含或包含两个移动的行为轨迹之间的关系。假设和有两个轨迹移动的行为,在哪里 ,如果存在一个正整数 ,令人满意的 ,使 ,然后据说subtrajectory移动行为的 ,或据说是一个移动的行为supertrajectory吗 。它可以写成或 。位置信息的点是毗邻移动行为subtrajectory和允许不相邻的原始移动行为轨迹。

定义4。支持度:所有位置信息的收集点的移动行为轨迹构成数据库的移动行为轨迹。 ,在哪里移动行为轨迹和吗是移动的行为轨迹的数量在数据库中。移动行为轨迹的数量t包含在是t支持的 :

定义5。频繁轨迹:当移动行为轨迹的支持度大于或等于最小支持度阈值,移动行为轨迹叫做频繁轨迹。 , 代表了移动轨迹序列和行为代表了移动行为轨迹序列集合。
用户的移动轨迹记录用户的活动状态在现实世界中,这可以反映出用户的行为偏好和潜在的意图在某种程度上。例如,如果一个用户移动很多每一天,他可能是一个户外运动爱好者。通过更细粒度的分析,我们可以识别用户的职业、口味习惯,从他们的频繁的位置和餐馆等等。因此,挖掘热点,通过多用户的移动轨迹规划道路数据共享是本文的一个重要研究内容。

2.2。分类用户的移动行为的轨迹

用户的移动行为轨迹数据参考序列变化的地理位置信息由用户自己的运动行为在一定时间和空间环境。这些地理位置信息点与时间序列变化可以形成用户的移动行为轨迹数据根据发生时间的顺序8]。根据不同的抽样方法,我们可以将这些用户的移动行为轨迹数据分为三个类别。

2.2.1。位置Sampling-Based用户的移动行为轨迹

位置的变化形成的轨迹运动过程中用户可以根据位置的变化顺序采样。它关注当用户移动位置变化的信息。通过这种方法获得的数据具有丰富的语义信息和非常详细的位置变化信息。我们可以记录用户的轨迹数据的基于位置的移动行为抽样记录离散变量。用户的移动行为的轨迹可以用采样点的序列变化的移动物体的位置,并且它可以正式表示为

的位置表示地理位置的移动用户的时候 ,和位置移动用户的时候和位置的时间是不一样的。

轨迹可以分为三个部分的信息爆炸点,寄宿点,降落位置,轨道可以根据不同的语义和保存应用程序段。例如,在对行程时间的预测,有必要删除停止点,这可能是车辆停车或等待乘客,为了更准确地测量轨迹旅行时间。对于一些任务,分析两个用户之间的相似度的,它常常需要使用住宅轨迹,以反映用户感兴趣的区域。

2.2.2。时间Sampling-Based用户的移动行为轨迹

移动用户行为的变化是由明确的采样时间间隔,形成用户的移动轨迹数据的行为,也就是用户的移动轨迹的行为根据采样时间。这种抽样关注位置信息的变化点移动用户行为的变化所引起的在同一时间间隔,大数据量的特点和广泛。time-sampled轨迹数据的用户的移动行为形式化如下: 在哪里l是一个轨迹数据的移动行为,是相等的间隔时间, ,和表示位置的移动用户在任何时间 。如果两个采样点之间的时间间隔大于阈值,轨迹可以分为两个部分通过两个采样点。

2.2.3。用户的移动轨迹由事件触发的行为

的轨迹移动用户的移动行为,这是由系统记录传感器事件触发后,通过事件触发(9]。这种抽样方法关注的是事件触发传感器工作。更新周期短的特点,代表采样对象。尽管移动用户行为的变化随着时间的推移,系统没有记录轨迹根据时间或位置,但只有记录移动用户的轨迹信息时产生一些特定的行为和触发传感器事件。我们也可以用离散变量来记录的行为轨迹移动用户和形式化如下:

的位置 , ,表示移动用户的位置的时候 ,和移动用户的位置的时候 , 和可以是相同的 。

轨迹方向的变化超出阈值的时候,我们可以标记要点根据方向变化和轨迹划分为两段。

2.3。用户的移动行为模式决定

根据用户的运动的轨迹数据的行为,完成的速度轨迹计算的时间,然后确定用户的行为模式。许多问题仍然需要考虑,如道路拥堵、建筑,甚至交通事故,这将影响用户行为的速度。汽车旅行比人民正常的道路上行走速度快得多,但是在拥挤的或异常的道路、车辆和人们的步行速度之间的速度差异不明显。因此,识别精度的轨迹速度只能通过时间计算(不到50%10]。另外,用户可能会改变不同的行为模式在同一旅行,这使得相同的用户的行为记录包含各种不同的速度移动。整体计算,如果获得了平均速度,这显然是不正确的,以确定用户的行为模式。因此,有必要把用户的移动行为轨迹分成几段合理的轨迹。通过比较不同的轨迹片段,我们可以分析用户是否已经改变了行为模式,进一步提高识别精度。

如何实现用户运动行为的合理分工段是我们要研究的问题。如图1,用户和行走驱动用户旅行一样,但用户的运动的轨迹数据的行为显然是不同的。我们可以分析以下三个方面:(1)因为用户的移动轨迹数据的行为经常散步时产生的生产方向改变或往复运动,我们可以把轨迹段的变化轨迹数据显示用户的移动行为的方向。在移动场景,人们一辆公交车,下车走到另一个站继续坐公共汽车的过程,必须通过一段行走,行走部分虽然短,但仍然可以显示明显的方向变化。(2)产生的轨迹数据的移动行为驱动用户不显著改变方向。这种类型的特点是不受交通状况的影响。我们可以训练一个监督学习分类模型的方法。例如,司机不改变他们的方向和行人一样自由和频繁,导致直线轨迹的用户的运动行为,和变化的方向不明显11]。(3)我们也可以判断用户行为模式通过用户行为轨迹的形状数据,尤其是用户行为的轨迹生成不同的用户行为模式的一个旅程,这将有明显形态学的变化轨迹。

3所示。分析用户的移动行为轨迹数据

本文研究用户的移动行为的轨迹生成的在线旅游用户在他们的移动过程。它包含很多信息表达移动用户的个性化行为。我们可以使用数据挖掘的方法,如分类、聚类、频繁项集,我周期发现,异常检测和分析的轨迹旅游用户的移动行为。

3.1。将轨道区段

每个用户行为轨迹运动可以被视为一个图像数据。结构相似度指数(SSIM)可以有效地测量两个轨迹的相似性,基于相似性指数和集群更准确比传统集群基于欧几里得距离指数(12]。结构相似性匹配的准确性密切相关的合理性和有效性的细分用户的运动轨迹。因此,本节主要研究如何检测大角度突变点在用户的移动行为轨迹,以及如何分区和存储用户的移动行为轨迹记录的突变点,从而获得一些轨迹片段之前往往是稳定的集群。

每个用户行为轨迹不能直线运动。位置坐标的精确记录越来越高,每个轨道的方向会改变越来越多,特别是一些微妙的方向变化,旋转的角度可以反映的程度变化的跟踪方向。轨道区段的划分是根据航迹角的大小决定的。然而,如果存储每一个角落,它不利于减少存储的角落,它不利于提取把轨迹段。存储大的转折点,因此,我们可以发现和识别用户行为的变化或异常条件,也有利于保持相对稳定的用户轨迹段的局部结构特征。

我们定义用户的移动行为轨迹的转角引起的转向角方向相邻轨迹段的变化,可以反映出轨迹的运动趋势和用户行为的变化13]。如图2,方向之间的角度变化的轨迹可以表示为用户的移动行为 ,和旋转的角度可以分为外部角和内部角,表示为和 ,分别。我们设置了外旋转角度作为一个积极的价值和内在的旋转角度作为一个负值促进轨迹段的相似度计算。

从图可以看出2公式计算角α的方向变化公式所示(5),一个,b,c代表邻和两端的角 ,分别。

根据上面的公式,这个公式计算可以得到角θ(6):

这是第一步划分用户的移动轨迹段的行为。使用公式(5)和(6),轨迹段分区算法可以实现(算法1)。

一些轨迹片段通过计算旋转角度,设置阈值,和分区轨迹片段可以表示为一组的几个特征属性向量。这些功能属性可以全面表达轨迹片段的地方特色和全球用户行为轨迹移动的特性。在本节中,轨迹片段不是简单的坐标信息的表达位置信息的点,但提取速度、形状、位置、旋转角度、加速度,和其他特征向量。使用这些特征向量,可以提高用户的运动轨迹的分析的准确性。我们正式代表轨迹片段结构如下: 。除了以上四个特性,我们还应该计算距离,时间,和其他特性,使用向量代表四个特征向量的重量。

由于特征向量的权重对应的特征向量轨迹段,它们的值应大于或等于零,和权重的总和应该1;我们通常可以假设所有特征向量的权重是相等的概率,我们可以以0.25的平均价值为权重。同样的,我们可以调整每个特性的权重向量的灵敏度的特性向量轨迹片段在实际场景。例如,当分析位敏轨迹片段,我们可以关注位置向量,权重也是可行的。

根据特征向量和它的重量完成结构相似性比较,主要通过分析之间的区别的特征向量轨迹段完成的比较(14),根据轨迹段结构的定义,我们可以定义两个轨迹片段 。两个轨迹段的比较函数 ,速度向量是 ,角矢量 ,和位置向量 。上面的四个比较函数构成的结构相似性的计算轨迹片段,如以下公式所示(7)和(8)。这个函数表示距离的正常化。因为每个特征向量轨迹段的范围是不同的,距离的规范化是每个特征向量的归一化距离的。结构相似的SSIM由1 -正常化的距离:

轨迹片段的结构相似性比较能表达每个轨迹片段的结构差异的特征向量。因此,轨道碎片的SSIM值越小,SSIM轨道碎片的价值就越大。此外,结构相似的轨迹片段之间的距离是对称的,也就是说, 。因此,它可以发现,基于结构相似性的方法可以反映轨迹段之间的结构差异。

根据结构相似,方向信息、速度信息,比较角信息和位置信息(15]。(1)方向向量比较函数表示两个相似的轨迹段的相似度的方向运动。如图3(一个),轨迹的方向之间的夹角,并计算方向向量的公式比较函数如下:

如果两个相似的轨迹片段有相同的方向和角度很小,两个轨迹片段往往是平行方向相同,即最佳状态,那么Dir Dist值趋于零。如果两个相似的轨迹片段方向相反,两轨道碎片与大角往往是在反向平行,最坏的情况是Dir Dist值轨迹片段的长度比较。(2)速度向量比较函数表示用户移动的趋势。速度矢量比较函数公式所示(10),是 ,代表的绝对值最大速度轨迹段的区别。同样的,和代表平均速度之差的绝对值和的最小速度,分别。我们可以判断速度矢量的区别三个方面的最大、最小、平均速度: (3)角度向量比较函数表示程度的特征值变化引起的变化方向的轨迹段。见公式(11),旋转的角度根据公式计算6),内部旋转角是积极和外部旋转角是负的,轨迹的角距离段的累计值是许多内部的轨迹,和变化的方向在轨迹段的值可以确定每个角度:

图3 (b)表明,如果每个角落的两个轨迹段旋转和比赛,角矢量比较函数的值是0,这是最好的情况。如果两个轨迹段转向和相反的方向,两个轨迹段锯齿形状,相反和角的值向量比较函数是1,这是最坏的情况下。(4)位置矢量比较函数 ,我们可以用豪斯多夫距离测量的位置距离轨迹段,如以下公式所示: 在哪里是直接的豪斯多夫距离吗和 ,即。,the maximum distance from a point in到最近的和代表点之间的欧几里得距离函数。

3.2。用户的移动行为的相似性计算轨迹

目前,我们收集和存储的轨迹旅游用户的移动行为,集群的典型相似的轨迹从这些轨迹数据,分析用户的行为模式的移动行为轨迹,并预测基于结构特征的旅游用户的个性化需求。聚类分析是将用户行为轨迹分成几组高内聚和低耦合。它需要高相似度的用户行为轨迹在同一组和低相似性不同组的用户行为轨迹。聚类分析的目的是找出轨迹数据相同或相似的行为模式从一些用户的轨迹的移动行为,分析个人喜好,消费者需求和行为特点,旅游业的轨迹用户的移动行为,而准确地确定轨迹之间的相似用户的移动行为。与此同时,用户的移动行为的轨迹相似性高聚集成一个类(16]。

大多数的在线旅游用户在同一景点,类似的路线进行活动,由此产生的移动行为轨迹数据局部相似性和全球不同。很难找到旅游用户的个性化特征通过分析复杂,大量的用户的移动轨迹和有效地提取用户行为。分析移动行为轨迹的一部分更有利于发现中包含的信息(17]。因此,基于整个轨道的轨迹分析方法在传统研究很容易导致轨迹分析的不准确。在本文中,我们使用结构特点来计算用户相似度的运动行为。这种方法需要计算用户的移动行为轨迹的每一个角落,发现旋转角度较大的采样点,即视为用户的移动行为的突变点,然后把轨迹段的突变点。通过这种方式,每个轨迹段的旋转角度获得显著不会改变,和轨道结构趋于稳定。然后,构造用户的移动行为的轨迹模型,它的特点是轨迹方向,轨迹速度、轨迹角,和轨迹距离。以这些特征为参数,设置阈值来表达和调整每个特性的权重根据实际的应用场景,构造和轨迹相似性算法计算用户的运动行为。本文的目的是计算结构相似的轨迹段的划分根据突变点的大型转动角度利用轨迹相似性算法构造与结构特征参数。它是用来判断每个用户的相似度的移动行为轨迹,然后完成的特性分析用户的行为轨迹移动。仿真结果表明,该轨迹相似度计算算法是有效的,每个结构特征的权重调整灵活,和轨迹分析结果更符合实际应用场景的需求,有较高的应用价值和现实意义。

的特征向量距离的基础上获得用户的移动行为轨迹,轨迹段高相似性进行了分析,然后聚类的聚类算法用于完成用户行为轨迹移动。通过比较结构相似性的轨迹段和其他轨迹段并不在同一轨迹上,很多最近邻的轨迹段形成集。的数量最近的邻居集用于确定轨迹段的中点集群,然后轨迹段聚类实现。一个轨迹段构造基于结构相似度的聚类算法。

基于结构相似度的聚类算法的步骤给出了算法2。

从上面的分析算法,可以看出,在轨迹段聚类算法基于结构相似性,是非常重要的决定的阈值 , 最近邻的阈值最近邻数目,从而直接影响到算法的时间复杂性和空间复杂性。它需要反复验证和确定实际的应用领域。因此,我们主要是定性分析算法。

通过反复的验证算法,在数据分析旅游用户的运动轨迹行为,的价值不能太小,如果设置过小,一些特征轨迹段的细节都将丢失。相反,的价值不能设置太大,不能有效识别突变点或采样异常轨迹的一个组成部分,它直接影响聚类分析的结构。类似地,如果阈值邻居的数量将是足够大,那么没有轨迹段可以满足的要求 ,和所有的轨迹段将标记为异常条件。相反,如果设置过小,所有的轨迹段可能成为聚类中心,以便轨迹段将独立和集群的数量太大。

3.3。发现受欢迎的旅游景点之一

通过有效地识别用户的位置信息点轨迹数据的移动行为,轨迹段可以提取的特征向量,和这些位置信息的语义点可以表示为路线,景点,和一个在线旅游用户的行为模式在过去的一段时间。通过聚类分析轨迹片段包含位置信息的点,我们可以发现旅游用户长时间在一个特定的区域,可以被解释为旅游用户更高程度的某个景点的兴趣。语义表达式是一个受欢迎的旅游景点停留时间较长的在线旅游用户。在实际场景中,许多旅游用户将访问相同或相似的景点。从用户的轨迹移动行为和感兴趣的地区,旅游感兴趣的用户提供类似的轨迹和同一地区可以预测其相似的偏好或类似的行为特征。这些区域旅游利益经常呆的用户会出现重叠区域用户的移动轨迹的行为。如果找到这些重叠的区域,有关热门景点旅游可以找到用户和用户喜欢这些景点可以聚集。然后,挖出这些用户的其他特征完成个性化的旅游景点推荐类似的游客。我们提取这些重叠区域的特征参数,如重叠时间和重叠时间,可以反映旅游用户之间的相似性。它可以识别的旅游景点旅游用户在移动过程中感兴趣并推荐最可能为其他旅游旅游库存用户具有更高的相似性与用户的移动行为轨迹,以挖掘潜在旅游用户的偏好(18]。假设用户旅行和旅游的用户B股更高程度的轨迹的相似用户的移动行为,可以发现一些景点被用户访问但不能通过挖掘用户B,众所周知,这些景点可能感兴趣的用户B。然后,我们可以推荐这些景点B用户通过用户,这些景点成为潜力和最有可能的景点B用户访问。我们还可以使用活动序列表达游客经常光顾的受欢迎的旅游景点,游客和附近的轨迹是更有益的19]。

在分析的过程中移动用户行为轨迹数据和结构化的特征向量,不难发现用户行为轨迹的移动速度在不同的时间段不一样,或是慢在一定时间内,或在一定时间内,其执行速度更快。图4显示用户的移动速度在不同的时间,在这期间形成的槽是当用户移动缓慢,形成高峰期间,用户移动快,但低谷和高峰都可以显示用户的连续生成活动。,缓慢的移动槽时间包含更多的用户行为特征,因此本文在槽情况下移动用户的行为特征。

如图4,通过比较速度,距离,时间和用户的行为轨迹移动,移动用户的结构特征和行为差异旅游用户可以清楚地分析。我们专注于两个维度的分析:的速度和时间慢的波谷。如图5,旅游旅游用户的速度越慢,或者是更少的有效面积的变化在一段时间内,最可能预测用户行为特征;即旅游用户停留在某个景点浏览,休息,或拍照。槽的时间越长,越有吸引力的景区。更多的游客都住在相同的风景区,景区可以被指定为受欢迎的旅游景点。

例如,旅游参观景点时,他或她形成一个用户的运动轨迹的行为。三个低谷出现在轨迹,表明用户可能经历了三个景点或其他地区,其中第一槽较短的经验。这表明游客花更少的时间访问第一个风景区,传播速度快,继续以更快的速度向前推进之旅后,花一点时间看潮水或拍照时遇到感兴趣的景点。所以游客将会慢下来,朝着更固定的区域,和旅行以较慢的速度,因此出现第二个低谷期,在游客继续前进;当第三个轨迹的形成速度到达低谷状态,语义表达可能有两种情况。首先,游客达到一定程度的疲劳或遇到一个休息区,停下来休息;第二,游客们到达一个著名的风景区,收集更多的游客,人们会呆在一个特定的位置,等待观光、摄影、运动缓慢,几乎停止。可以区分上述两个语义位置是否在电子地图是一个休息的区域或风景区。然而,在实际的旅游景点,情况可能更为复杂。例如,旅游是一个户外运动爱好者,他有很好的体力和喜欢自然风光。 Because of his fast moving speed, there is little difference between the wave crest and trough of the waveform trajectory formed by the speed and distance. Although his tour speed is fast and his stay time is short, the location he stays in is still the area of interest. In this way, moving objects with similar frequencies in the velocity-distance waveform can be found not only in the known hot spots of the users, but also in the scenic spots that the potential users may be interested in, even in the preferences, occupations, and personality characteristics of the tourist users. It helps to gather tourists with similar preferences and similar personalities to achieve the confluence module [20.]。

广受欢迎的旅游景点是指景区到来后保持时间长(21]。在用户的移动行为轨迹,可以标记为热点 ,H是用来表示一个轨迹片段。当用户通过旅游热点地区和高利息保持很长一段时间,轨迹片段移动速度接近或远低于正常的轨迹速度。我们可以认为旅游用户进行了深度浏览景点或某种行为活动发生了风景区区域。我们可以分析等信息到达时间,停留的时间,等等。该地区密集用户接入点可以表示为一个受欢迎的旅游景点区域用户访问频率高(22]。

由于GPS接收设备接收卫星信号在广阔而开放的地区高强度和良好的定位效果,卫星信号在室内区域将屏蔽墙,导致弱定位信号和降低定位精度(23]。因此,在分析游客的偏好景区通过保持的状态,有必要区分户外和室内景点。户外景点的定位信号良好,具有较高的精度。它可以获得位置信息实时采样频率点,形成用户的运动的轨迹点密集位置信息。室内景点的定位信号较弱,影响定位精度。即使信号丢失,无法及时获取位置信息分根据采样频率的要求,和室内的空间区域景点很小,这使得一些点位置信息重叠。这种重复的活动也可以发现游客经常访问某个室内景点。受欢迎的景点分为两种类型:一是户外景点,如自然景观,花园,操场,和其他广泛的领域,在更长一段时间,可以获得更稠密点位置信息由用户的移动行为轨迹,记录 ;另一种是室内景点,如餐馆、购物中心、旅游中心,和其他封闭的区域,在很长一段时间,可能会失去一定的位置信息采样点信息,但离开该地区后,他们可以得到再次的位置信息,记录 。首先,用户的移动轨迹数据的行为获得的采样点的位置信息,然后用户的移动行为的轨迹数据去噪。最后,根据位置信息的特征点,和受欢迎的景点域是除以密度聚类方法。发现受欢迎的景点是给定的步骤的算法3。

由于GPS位置信息点采样的影响因素的地区,空间,和天气,很容易定位的不准确的定位或中断24]。当用户从室外进入室内的景区景点,短会发生信号中断,定位数据接收错误很容易发生。为了适应这个错误,最大扰动阈值太热点检测算法中设置加强点位置信息的准确性。

户外和室内景点划分根据位置信息的受欢迎的旅游景点。density-based热点发现算法用于检索两种不同类型的用户居住地区,户外和室内用户的移动轨迹的行为,并定义它们作为热点[25]。算法有四个输入参数:用户的移动行为轨迹,最低速度、最大最小时间,扰动阈值。其中,阈值的最小速度有关的活动速度旅游景点地区用户。如果徒步旅行,一般速度是每秒2到3米。如果突然反应显著位置信息分减慢速度,它表明旅游用户到达景区面积,和特定的用户行为。相反,如果突然位置信息的响应速度会增加在一段时间内,它表明旅游用户已经改变了他们的行为模式。例如,我们可以离开景区观光巴士到下一个景点,所以我们可以根据采样时间设置。没有绝对的固定值在设定的最低时间阈值。一般来说,如果一个旅游用户停留在某一地区超过30分钟,可以认为旅游用户到达一个景点或休息区,和用户行为发生了改变,导致一个特定的活动。最大扰动阈值只是用来表达的数量连续扰动异常点采样位置信息。 If the number of abnormal location information points is smaller than the perturbation threshold, the abnormal sampling information points can be merged into the normal location information points of the user’s mobile behavior trajectory data set. If the number of abnormal location information points sampled in the former比扰动阈值大,需要保存当前用户的移动行为轨迹,然后检测后的新热点异常位置信息采样点形成一个新用户的移动行为轨迹。的设置最小时间阈值和最大扰动阈值相关位置信息的采样频率点。受欢迎的景点区域检测算法,用户的运动的轨迹行为是遍历两次。算法的复杂性是线性的O(n)。其中,n表示位置信息的数量分用户的移动轨迹的行为,和算法可以检索热点频繁活动。

4所示。旅游推荐模型

4.1。应用场景

(1)旅游景点推荐。在移动场景中,用户完成旅游景点旅游,旅游用户将生成多维信息实现应用程序场景推荐的旅游景点,可以隐藏很少使用维度。关注用户的城市,移动行为轨迹在角落位置信息分,热点和用户行为模式和其他维度,准确的分析用户偏好,用户的相同特征[推荐最可能喜欢的旅游景点26]。(2)酒店Catering-Related推荐。旅游用户需要访问其他应用程序经常在旅游的过程中,如电子地图应用程序,O2O应用、餐馆、电子商务、户外设备,等等,一个访问每个应用程序,用户需要频繁退出一个应用程序登录另一个应用程序,将导致用户不便,效率低下,等。根据应用相关性评估模型,我们分析旅游业的应用程序用户的偏好。这些应用程序之间建立关系,这样用户可以访问一个旅行应用直接关系到其他应用程序用于日常生活,使旅游应用个性化全方位服务平台(27]。(3)旅游用户偏好的内容推荐。游客用户可能经常询问某些内容,如户外设备,健身和保健、餐馆和娱乐,和周围景点的过程中使用的应用程序。根据内容检索评价模型,用户可以检索关键词,了解用户偏好的内容,并发现他们的爱好特点和行为特征。根据这些偏好、旅游应用程序可以为用户构建一个个性化的界面,优先处理信息,文章和新闻,旅游用户感兴趣(28]。

4.2。旅游推荐系统

结合蓝牙,无线和其他射频通信技术和移动终端设备,移动点对点通信环境已经导出,和许多不同的研究主题也出现了。本研究讨论了移动景点推荐系统和社交软件之间的关系从移动社交软件并完成交互的角度通过用户评论在移动点对点环境中共享。摘要旅游评论的交互系统信息共享和社交网络软件,建立了包括三个功能:建议,聚会,和评论。它是用来探索移动点对点环境中用户之间的交互。初步测试已经完成。收敛,实验结果表明,该推荐和评论功能的系统可以为用户提供准确的服务,为进一步的研究提供一个基础广泛应用的用户行为轨迹精确营销。

本文侧重于信息共享的问题和社会互动旅游移动推荐系统在移动点对点环境。系统主要包括三个功能:建议,收敛性和信息共享。在推荐功能部分,我们假定用户将留言和其他信息后参观景点。当其他用户和他们见面,他们可以通过射频通信技术交换意见。这些评论是由系统计算算法推荐景点,满足用户的利益。此外,用户还可以积极向其他人发送请求加入信息,发现类似的利益在用户访问一个风景区。当然,用户也可以积极分享位置,评论、交通条件、旅游密度,和其他相关信息。

为了使远程用户之间的交互和共享信息,传递模式下移动点对点可以被采纳。每个用户在系统中信息传输的作用,也就是说,每个用户的移动终端是信息传输的中继节点,不断将他们掌握的信息传输到用户在很长一段距离。

4.2.1。准备系统架构

移动点对点环境主要通过直接传输之间的点对点传输信息用户和中继模式由第三方协助。使用这个特性,系统提出了本文主要提供三种服务:建议,收敛和审查。首先,推荐服务的主要目的是为了推荐景点相似用户的兴趣用户通过用户的评价信息,这样用户可以参考方向的下一个目的地的旅程,这样用户可以旅行更为顺利。其次,融合服务允许用户发起召集活动,收集其他感兴趣的用户,一起参观景点,或购买特殊商品在一起,通过团购得到更好的价格,或争取优惠服务。第三,评估服务分为一般信息和特定信息。一般信息只是个人信息的传播和具体信息,以便使用收敛服务传递的召集活动部门的攻势,通过短信,和个人信息的表达是不相容的;特定的信息只是召开活动发布信息。提供上述服务,提出了系统架构图6。

(1)接口模块。该模块负责用户和系统功能对接;通过这个模块,系统功能界面表达,引导用户进行各项功能的操作。

(2)评分模块。目前,常用的推荐系统是基于评分机制,它收集用户的评分数据来计算和提供推荐服务。评分模块提出了在本研究中主要负责记录用户的对景区的评价。在初始阶段,推荐系统往往面临着用户评分信息不完整的问题,太多的项目不得分,以及计算的困难造成的噪声数据,导致推荐准确性的下降。因此,本研究把景区,需要用户在初始阶段,必须基于类型的景区得分,以确保个人用户在初始阶段,并且需要得分的景点,以确保个人用户的评分信息取得了共同的列。

(3)传输模块。因为本研究系统是建立在移动点对点环境中,用户评分,信息,和其他需要获得和传播通过传输函数;本研究使用蓝牙传输技术来实现相关功能的传播。这个模块使系统自动评分数据交换通过蓝牙没有见面时干扰用户,从而达到收集数据的目的。在得分方面交流机制,本研究目前使用无限制的得分交换方法,当用户见面,交换双方持有的所有得分数据。然而,尚未取得的信息不是有用的推荐系统。因此,在得分交换模块,假定只有用户取得超过五景区在交换之前,在别人获得的其他得分数据超过五项之前通过其他用户。另一方面,传输模块的搜索功能,可以在用户发现其他用户;当用户想要通过其想法周围的用户,可以通过此模块完成。

(4)推荐模块。本研究通过交换累积分数数据分析推荐的操作。这个建议模块使用协作推荐和皮尔逊相关系数来执行建议操作。这个公式所示(13)。假设用于预测的可能程度的偏好来景区。是用户的分数吗为景点和用于分数持有人的平均分数吗 。 是用户的平均分数吗 ,和是用户之间的相似性和用户计算皮尔逊相关系数:

在推荐的过程中,建议模块首先计算皮尔逊相关系数,计算了前20项的得分数据最接近用户,然后运行后续推荐算法。最后,用户的预测价值的加权平均获得的某些风景区的得分数据和相似性,和五个景区最高的预测价值推荐给用户参考。

(5)模块位置。这个模块可以使用蓝牙GPS接收器接收卫星信号,选择当地的纬度和经度值来确定用户的位置。最后,结合的处理结果推荐模块,电子地图显示的位置每个推荐网站和用户的位置。

(6)信息模块。用户的积极评论的概念可以添加系统;通过信息的传播,用户可以表达他们的个人想法其他用户。增加传输信息的功能在本部分中,用户不仅可以传递新信息也传播收到其他用户的信息传播范围。

(7)收敛模块。由于系统设计在移动p2p环境中,一个移动收敛函数来自移动社交网络的概念。通过此功能,游客可以动态搜索其他用户具有相同的目标和偏好。通过信息的传播,旅行者可以分享所请求的信息周围的用户,从而发现游客愿意共同行动。

(8)隐私模块。移动社交软件的重点之一是探索用户之间的交互,但是并不是每个人都愿意与他人交流,所以本研究增加了隐私方面的考虑。这个模块可以提供用户是否允许所有其他用户或只允许一些朋友搜索自己的位置通过系统;通过隐私设置,用户不能被其他用户进行系统操作,也观察是否有用户之间互动的意愿。

J2ME可以作为系统开发平台的选择,和蓝牙技术是基本的无线传输技术在移动终端常见。因此,它是可行的,利用蓝牙技术作为传输工具。为了扩大了信息传播的范围,WIFI无线网络也可以被视为一种传输媒介,它可以有效地解决这一问题的蓝牙信号传输距离短、不稳定。

5。结论

先进的GPS设备使人们与GPS记录其位置的历史轨迹。用户的轨迹移动的行为在一定程度上意味着一个人的行为和利益相关户外活动,所以我们能理解用户和他们的位置和相关根据这些轨迹。这些信息使准确的旅行建议,帮助人们了解一个陌生的城市高效、高质量。通过测量不同的用户位置历史的相似性,相似性用户可以估计和个性化的朋友建议可以实现。用户立体用户画像可以通过集成的用户描述运动行为轨迹和社会信息。本文以旅游用户的移动行为的轨迹数据为研究对象,构建了旅游精确的营销模式。获取用户的轨迹运动的过程中,移动用户行为跟踪数据的特点考虑在内。各种特性的灵敏度调整轨迹分析过程的重量。结构化特征向量和受欢迎的景点发现用户的移动行为轨迹的方法充分研究了集群和协同过滤技术,为构建应用程序模型奠定基础的旅游精确营销。

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有关的出版。

确认

这项研究工作得到了教育部人文社会科学规划基金项目(排名18 yjazh128)和哈尔滨商业大学的研究项目(18 xn022)。

引用

1. y元,m·佩特”度量相似的手机用户trajectories-a时空编辑距离的方法,”国际地理信息科学杂志》上,28卷,不。3、496 - 520年,2014页。视图:出版商的网站|谷歌学术搜索
2. z太阳和x (Jeff)禁令,“车辆使用GPS数据分类,”交通研究部分C:新兴技术37卷,第117 - 102页,2013年。视图:出版商的网站|谷歌学术搜索
3. d .王”的方法对交通模式检测在移动设备上,”信号处理中的主题研讨会学报》上,第82 - 77页,2014年。视图:谷歌学术搜索
4. 香港和a . Vonderohe“不确定性的GPS和GIS集成应用程序和敏感性评估交通、”传感器,14卷,不。2、2683 - 2702年,2014页。视图:出版商的网站|谷歌学术搜索
5. m·林和W.-J。许”,挖掘GPS数据移动模式:一项调查,“普及和移动计算》12卷,1 - 6,2014页。视图:出版商的网站|谷歌学术搜索
6. s . Khajehzadeh h . Oppewal, d . Tojib“手机优惠券:提供什么,谁,在哪里?”欧洲市场营销杂志卷,49号5 - 6,851 - 873年,2015页。视图:出版商的网站|谷歌学术搜索
7. h·李”,审查推荐系统,先进的技术和算法”《机电工程和信息技术国际会议(2016年ICMEIT)武汉p。7日,志诚时代文化发展有限公司,西安,中国,2016。视图:谷歌学术搜索
8. Htet Htet莱”,定位为移动设备推荐系统在大学校园,”学报2015年未来计算技术国际会议(ICFCT ' 2015);国际会议上先进的化学、生物和环境工程(ACBEE)和城市规划国际会议上,交通和建筑工程(ICUPTCE 15)p。7日,环球科技人员;普遍的科学和技术的研究人员,新加坡,2015年3月。视图:谷歌学术搜索
9. w . Worndl和b . Lamche“用户交互上下文感知推荐系统在智能手机上,“icom,14卷,不。1,2015。视图:出版商的网站|谷歌学术搜索
10. l . o . Colombo-Mendoza r . Valencia-Garcia g . Alor-Hernandez和p·贝拉,”特刊上下文感知移动推荐系统”,普及和移动计算,38卷,第445 - 444页,2017年。视图:出版商的网站|谷歌学术搜索
11. l . o . Colombo-Mendoza r . Valencia-Garcia a . Rodriguez-Gonzalez g . Alor-Hernandez和j·j . Samper-Zapater”RecomMetz:上下文感知知识移动推荐系统为电影放映时间预报,“专家系统与应用程序,42卷,不。3、1202 - 1222年,2015页。视图:出版商的网站|谷歌学术搜索
12. W.-S。杨和S.-Y。h . iTravel”,推荐系统在移动p2p环境下,“系统和软件杂志》上,卷86,不。1,12-20,2013页。视图:出版商的网站|谷歌学术搜索
13. t . Pessemier d·西蒙,k . Vanhecke冰铜,e . Meyns和l·马顿斯上下文和活动识别个性化移动的建议施普林格,柏林,德国,2014年。
14. j . y . j .曾f . Li Li,和y . Wu”移动的建议,探索环境的影响”Web服务的国际期刊的研究,14卷,不。4,33-49,2017页。视图:出版商的网站|谷歌学术搜索
15. h·A·马吉德·l·陈,g . Chen t . Mirza侯赛因,j·伍德沃德,”一个上下文感知的个性化旅游推荐系统基于标记了社交媒体数据挖掘,”国际地理信息科学杂志》上,27卷,不。4、662 - 684年,2013页。视图:出版商的网站|谷歌学术搜索
16. d . Gavalas c . Konstantopoulos k Mastakas, g . Pantziou“移动旅游推荐系统,”网络和计算机应用》杂志上39卷,第333 - 319页,2014年。视图:出版商的网站|谷歌学术搜索
17. s . k .回族j·j·曼,y黄和j . Suher”店内旅行距离计划外支出的影响:应用程序移动促销策略,”市场营销杂志,卷77,不。2、硕士论文,2013页。视图:出版商的网站|谷歌学术搜索
18. j·l . Liu, s . s .廖和h·陈,“实时个性化路线推荐系统基于车辆,车辆的自驾车游客沟通,“专家系统与应用程序第41卷。。7,3409 - 3417年,2014页。视图:出版商的网站|谷歌学术搜索
19. j·p·卢卡斯:Luz, m·n·莫雷诺r . Anacleto A·阿尔梅达Figueiredo和c·马丁斯,“旅游系统的混合推荐方法。”专家系统与应用程序,40卷,不。9日,第3550 - 3532页,2013年。视图:出版商的网站|谷歌学术搜索
20. r·阿里Abbaspour z Bahramian, c . Claramunt”上下文感知旅游推荐系统基于扩散激活方法,”ISPRS-International档案的摄影测量、遥感和空间信息科学XLII-4 / W4卷,第339 - 333页,2017年。视图:谷歌学术搜索
21. m . Nilashi k . Bagherifard m,压力和诉雷夫,“旅游业的推荐系统使用集群合奏和预测机器学习技术,”计算机与工业工程卷,109年,第368 - 357页,2017年。视图:出版商的网站|谷歌学术搜索
22. Cenamor, t·德·拉·罗萨s Nunez和d . Borrajo“规划旅游路线使用社交网络,”专家系统与应用程序卷,69 - 2017页。视图:出版商的网站|谷歌学术搜索
23. k .米,t . Lunney、k·柯伦和a . McCaughey“聚合社会媒体数据与时间和环境背景推荐手机导游系统,”酒店和旅游技术杂志》上,7卷,不。3、281 - 299年,2016页。视图:出版商的网站|谷歌学术搜索
24. z史和a . b . Whinston”网络结构和观察学习:证据从一个基于位置的社交网络,”管理信息系统杂志》上,30卷,不。2、185 - 212年,2014页。视图:出版商的网站|谷歌学术搜索
25. 问:,“移动电子商务基于LBS的精确营销模式和策略,”电子商务杂志,没有。4,20日至21日,2014页。视图:谷歌学术搜索
26. 史密斯p . j . Danaher, m . s . k . Ranasinghe和t . s . Danaher,”在哪里,什么时候,多长时间:因素影响手机优惠券的救赎”营销研究杂志,52卷,不。5,710 - 725年,2015页。视图:出版商的网站|谷歌学术搜索
27. n·m·方,方z、x罗,“Geo-conquesting:竞争区位定位的手机促销活动,“营销研究杂志,52卷,不。5,726 - 735年,2015页。视图:出版商的网站|谷歌学术搜索
28. s . a .鲱鱼和e·陈”精确位置收购移动数据使用蜂窝基站id,”国际计算机科学杂志》上的问题,9卷,不。3,2012。视图:谷歌学术搜索

版权

版权©2019佳林Zhang 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。