文摘
为了增加功能的实时智能推荐游客的信息跨地区市级旅游路线与流行正常化,实时智能推荐算法跨地区市级旅游路线与流行规范化提出了基于多尺度约束。根据训练样本有限,旅游相关的流行病模型标准化的跨区域创建市级旅游路线。此外,两个内核函数即混合和全球组装段的通信特点流行标准化跨地区市级旅游路线推荐信息。因此,著名的粒子群优化(PSO)的过程和算法multitime规模约束采用开展疫情的自适应学习标准化跨地区市级旅游路线推荐,推荐方法的收敛控制理解通过矿业城市的地理信息数据集。分析游客的普遍性和遍历性的个人兴趣偏好和社会特征在城市旅游和结合梯度算法进行粒子群进化和自适应优化建议的跨地区市级旅游路线与规范化的疫情,从而实现集团的实时智能推荐游客的信息跨地区市级旅游路线与规范化的疫情。模型结果表明,跨地区市级旅游路线信息的正确和精确推荐用这个算法是体面的,和群体智能优化的收敛(SIO)问题是健壮的,可规避动用局部最优解的过程中实时智能推荐的旅游路线和提高跨地区的情报和全球稳定市级旅游路线推荐与流行正常化。
1。介绍
经济的快速进步,丰富了公众的肉体的标准很明显,在更大程度上,人们开始注意到丰富的精神生活,促进旅游业的发展。然而,在规范化预防和控制流行的背景下,它为旅游业带来了巨大的挑战。目前,人们主要是在互联网上搜索旅游信息来定制他们的旅行计划,但在互联网上的信息过载问题是越来越严重,因此有必要建立一个模型推荐跨地区市级旅游路线流行正常化。结合跨地区市级旅游路线的分布特征和流行正常化,推荐跨地区市级旅游线路的可靠性建模与网络大数据可以提高成本分析(1]。因此,在更大程度上,学者开始补偿考虑旅游路线规划的探索。大多数游客会受到许多因素如交通、费用、时间、景点、酒店。在做旅行计划。然而,现有的研究并没有充分考虑游客的喜好和约束,很难真正满足游客的个人需求2]。
规范化跨地区市级旅游路线实现个性化的独立网络教育和统计设施呈现给游客的个人偏好。游客的统计信息和知识资源的信息标准化跨地区市级旅游路线要提高,分类,并自适应地呈现给游客的偏好(3]。标准化的跨区域的资源调度和个性化推荐市级旅游路线结合多源分布设计方法改进的资源调度能力标准化跨地区市级旅游路线和能力来提取城市旅游游客的利益和偏好(1]。跨地区的市级旅游路线复杂的流行标准化,个性化推荐和资源优化调度进行复杂和多样的网上学习资源呈现给游客的过去访问档案和嗜好,鼓励积极实践与进步的信息沟通能力的跨地区市级旅游路线与流行正常化(4]。无数的修改影响个性化实时知识跨地区市级旅游路线推荐程序流行标准化跨地区市级旅游路线的优化设计与流行正常化。传统方法,个性化支持跨地区市级旅游路线和公共检测方法规范化疫情主要包括智能算法程序,数据聚类的推荐系统,关联规则的挖掘过程,和模糊PID推荐程序,等等,以及跨区域的拓扑结构市级旅游线路优化根据多级疫情正常化(5]。
结合适当的推荐任务和信息共享的特点,个性化推荐的流行的数据聚类中心标准化跨地区建立市级旅游路线,和一个算法推荐流行的标准化跨地区市级旅游路线设计利用关联规则挖掘方法,以发展和进步的个性化外观才能流行标准化跨地区市级旅游路线。相关文献设计了推荐算法的流行标准化跨地区市级旅游路线,并取得一定的研究成果。其中,在6]提出了基于社区发现算法基于并行的流行标准化跨地区市级旅游路线推荐,引人入胜的旅游礼仪价值,旅游摄入值,和诚实的流行标准化跨地区市级旅游路线作为独立的变量。流行的公共检测模糊决策模型标准化跨地区市级旅游路线,建立了优化设计的流行标准化跨地区市级旅游路线推荐模型相结合进行关联挖掘方法。然而,这种方法的计算成本是巨大的,流行的实时性能标准化跨地区市级旅游路线的建议是不好的。
在[7),一个社区发现和推荐算法的流行标准化跨地区市级旅游路线建立在转换因素评估和知识和自适应PSO算法。流行正常化的同步标记跨地区市级旅游路线建立社区,社区协会流行标准化跨地区市级旅游路线的属性特征提取,和协会之间的互动程度在研究组织和推荐结果。实现个性化推荐的跨地区流行性正常化市级旅游路线,这个方法很差智能推荐过程中跨地区流行性正常化,市级旅游路线,其全局优化能力不强8]。
阐明上述困难,在本文中,我们建议一个实时智能推荐算法基于multitime规模约束的跨地区市级旅游路线。首先,根据训练样本有限,旅游相关的流行病模型标准化跨区域创建市级旅游路线,和两个内核函数,即。,the mixed and the global are assembled to excerpt the association features of the epidemic normalization cross-regional city-level tourist route recommendation information, and the well-known PSO procedure with multitime scale constraints is adopted to carry out the adaptive learning of the epidemic normalization cross-regional city-level tourist route recommendation. At that moment, the convergence control of the recommended procedure is comprehended through mining the geographic information data sets of cities, and the universality and ergodicity of individual tourists' urban tourism interest preferences and social characteristics are analyzed. Combined with the gradient algorithm, the particle swarm evolution and self-adaptive optimization of the epidemic normalization cross-regional city-level tourist route recommendation are carried out, and the real-time intelligent recommendation of the epidemic normalization cross-regional city-level tourist route information is recognized. As a final point, the simulation exploration illustrates the loftier performance of the anticipated technique in enlightening the personalized real-time intelligent recommendation ability of cross-regional city-level tourist routes with the normalized epidemic situation. The following are some of the fundamental contributions of our work:(1)我们提出一个实时智能推荐算法基于multitime规模的跨地区市级旅游路线的约束(2)旅游相关的流行病模型标准化跨地区市级旅游线路组装,和两个内核函数,即。创建、混合和全球(3)multitime规模约束的粒子群优化算法是通过开展疫情的自适应学习标准化跨地区市级旅游路线的建议
剩下的手稿系统化在随后的时尚。节2,我们将讨论旅游推荐信息模型和关联特征提取。审议推荐算法优化流程部分3。仿真实验和结果分析验证部分4。最后一点,部分5手稿进行了回顾和讨论发展前景研究。
2。旅游推荐模型和提取相关特征
2.1。推荐信息传递模型的城市旅游路线
为了理解流行的个性化推荐和特征识别标准化跨地区市级旅游路线,并行推荐程序练习摘录游客的兴趣偏好和我的统计,混合的混合动力系统和全球流行的内核功能组装摘录相关结构标准化跨地区市级旅游路线推荐信息。流行的模糊决策功能正常化跨地区市级旅游路线推荐证据是通过限制样本训练。应该注意的是,自组织的非线性映射,这是用 ,创建描述流行的信息传播空间标准化跨地区市级旅游路线,和流行的推荐信息标准化跨地区市级旅游路线映射到高维特征空间结合模糊决策和智能群优化(9- - - - - -11]。事实上,这是预期的推荐样本集训练跨地区市级旅游路线与规范化的疫情 ,个性化的特征量 跨地区的市级旅游路线是预期的推荐系统的输入向量, 个性化推荐是值得的目标数量的跨地区市级旅游路线,然后呢 是跨地区的样本数量市级旅游路线。集体与关联规则挖掘过程中,预期的目标函数实时智能和自适应的跨地区市级旅游路线推荐系统规范化疫情如下:
在和例证语义本体属性,特点,功能和相应的关联规则跨地区市级旅游路线分布的变量。广义学习过程贯彻执行实现自适应学习跨区域发展的市级旅游线路推荐,这是成本因素建议跨地区市级旅游路线,实现了解惩罚控制错误和不正确的样品。注意,采用PSO控制、跨区域的个性化推荐的不同功能市级旅游路线如下:
在和推荐的属性值和模板类别数量的跨地区市级旅游路线,分别。此外,该变量 是一个对称的内核函数,事实上,维持美世(Mercer)情况,然后呢代表建议的跨地区市级旅游路线。
应该注意的是,每个数据元组的特征向量集,和一个混合核函数是由使用本地内核函数(RBF核函数)和全球核函数(多项式核函数)作为控制决策功能的建议与规范化疫情跨地区市级旅游路线,及其表达式如下:
在 代表了模糊个性化推荐的特性分布内核函数跨地区市级旅游路线,和 代表了RBF核函数的信心跨地区市级旅游路线的可信度规范化疫情。事实上,它的目的是调整两种核函数的影响在整个混合核函数,也就是所谓的权重系数。因此,跨区域的信息传输模型建议市级旅游线路规范化构造疫情,跨地区市级旅游路线和旅游特征提取与规范化的疫情和个性化推荐的设计是由结合粒子群优化的混合优化方法(12]。
2.2。推荐信息的提取相关特征的旅游路线
在装配的基础混合和普遍的内核函数,本文提取的相关特性的推荐信息跨地区市级旅游线路规范化疫情和采用城市地理信息的数据集挖掘实现收敛推荐过程的控制,以获得潜在的跨区域旅游变量市级旅游路线与归一化复杂的疫情,这表示为: 通过四元组。把旅游的兴趣偏好和城市地理和文化信息资源的分布控制约束,特征抽象运输监管机构跨区域的个性化推荐系统的原型市级旅游路线如下: 在
上述两个公式,事实上,象征着从继电器节点稀疏系数U到跨区域的监测节点市级旅游线路规范化疫情,在哪里 代表推荐信息的跨区域的得分解释变量市级旅游路线,和 是游客的平均互信息特征U(跨地区市级旅游路线与规范化的疫情,在哪里 。内涵的收缩控制器下指令,跨地区市级旅游路线的潜在关联特征归一化复杂疫情得到使用以下方程: 在代表了跨区域的特征点集分布市级旅游路线,代表旅游节点的数量,代表了跨区域的旅游计分测量信息规范化疫情市级旅游路线,代表联合互信息推荐的跨地区市级旅游路线,和代表的匹配节点度分布空间跨地区市级旅游路线根据他们的个性化行为特征。团结的内涵规则约束和混沌映射,跨区域的集群情报信息的自适应聚类市级旅游路线进行,和推荐的跨区域集群输出市级旅游路线是得到数学见以下方程:
注意,在上面的方程中,符号是推荐的旅游项目的评分值与规范化疫情跨地区市级旅游路线,从而获得四倍的表达相关性特征提取规范化疫情的跨地区市级旅游路线如下:
在上面的公式中,代表了跨区域的关联规则系数市级旅游路线推荐,和节点被添加到为了理解和理解个性化旅游的特性和特征的动态特性抽象(13]。
3所示。推荐算法的优化
3.1。梯度算法程序
在装配一个混合动力系统的基础实际上是混合和全球核函数摘录的相关性特征推荐流行病统计标准化跨地区市级旅游路线,一种改进的实时智能推荐算法的设计流行标准化跨地区市级旅游路线提出了本文。多约束多目标的旅游路线规划问题,如果只有目标函数加权,不会获得全局最优解,所以本文实践增强贪婪的一组规则来阐明最佳旅游路线。在实际的旅游,游客更思考下一步合适去的景点当当前景区完成为止。贪婪算法是一种最常用的路径规划算法来解决这个问题。然而,在本文中,针对实际问题,改进贪婪算法用于推荐米路线选择得分最高的游客14]。
改进的贪心算法描述如下:游客从推荐的酒店,只考虑约束得分最高的前N个景点根据其当前位置,并只考虑他们从未去过的景点。因为游客回到酒店,当游客参观所有景点,最后回到酒店,酒店约束10分我不再被认为是。所以我们可以得到米路线,计算每个路线的总分数,最后只保留米总分最高的路线供游客选择。设置目标函数最大化路线的总分和类型的景点的数量的情况下满足用户约束。利用初始值的敏感性,规律性、普遍性、遍历性,和其他的优势一个混乱的地图,通用优化监管机构推荐的程序执行,并作为一个结果,物流图组装,其表现是数学中给出以下方程: 在 是随机数,是跨地区的集团实时智能推荐控制参数与规范化疫情市级旅游路线。一般来说,需要一个值4,构造一个梯度粒子群算法。假定在一个维梯度粒子群搜索空间,代表人口由粒子组成的 代表的聚类中心旅游城市旅游兴趣偏好智能搜索粒子在当前维解决方案空间(16]。它代表了当前优化遍历粒子的速度 跨地区的市级旅游路线与规范化的疫情,和特征的重要地位是练习的粒子 本身。个性化推荐梯度粒子群优化的表达跨地区市级旅游路线与规范化疫情得到如下: 在 , , , 透射系数和相关维度特征数量的游客的城市在跨区域旅游利益偏好矿业城市级别旅游路线的当前时刻和下一个粒子,分别。此外,路线得分最高的游客,是一个学习的因素一般是25和25之间。同样,变量和代表搜索半径和全球搜索阈值的梯度粒子群优化,分别当假设[0,1]之间的随机数。这是路线的惯性权重得分最高的为游客的偏好。结合梯度算法的步长优化修改,推荐过程的迭代,流行的标准化执行跨地区市级旅游路线(17]。这应该指出的是,对于每一个间隔修改公式实时知识推荐系统的流行正常化跨区域获得市级旅游路线如下: 其中符号 惯性权重因子的范围值推荐跨地区市级旅游路线指示疫情的正常化,一般采取(0.5,0.6)。
3.2。实现实时智能推荐算法的旅游路线
multitime规模约束的粒子群优化算法是用来进行自适应学习的跨地区流行性正常化(市级旅游路线的建议14]。融合监管机构推荐发展理解的矿业城市的地理信息数据集,和混乱中约定俗成的过程优化的惯性因素 。跨区域的梯度算法学习过程市级旅游路线推荐流行正常化,搜索半径和介绍了,更新公式如下: 在 ,呈现聚集的游客,流行的模糊特性测量标准化跨地区市级旅游路线分布是退出,混乱是学习熟悉到两个因素,用和 ,和推荐流行的学习公式更新标准化跨地区市级旅游路线如下: 在 , 人口是初步原型的梯度算法。风景区后,顶部N景区得分越高搜索下一个景点是根据当前的旅游景点,以及是否加入风景区满足的时间约束和成本约束游客计算。如果不是,景区是废弃的18]。如果所有景点不再满足游客的时间或成本约束,收敛控制系数后获得游客的玩的定义是说明数学在以下方程:
在是推荐的粒子群中粒子的数量的跨地区市级旅游路线与规范化的疫情,是粒子的适应性城市旅游的游客的学习兴趣偏好的跨地区市级旅游路线与规范化的疫情,是粒子群的平均适应性,是推荐的控制目标函数,用于限制的大小 ,和表达如下:
如果 , 是一个给定的常数,早熟的判断和自适应处理游客的特征挖掘的跨地区市级旅游路线进行规范化的疫情。的粒子落入一个早熟的状态,采用梯度下降法使其跳出局部最优,并实现该算法描述如下: 在 粒子速度的范围的自适应推荐与流行正常化(跨地区市级旅游路线18]。通过内涵监管和局部优化控制器方法,推荐的更新公式跨地区市级旅游路线流行规范化方法如下:
在上面的公式中, 和代表人口的最大迭代次数。推荐的方法是理解的收敛调节器矿业城市的地理信息数据集。为了显示系统更好,这应该是旅游风景区如图选择酒店1H和旅游呆在酒店,旅游期望获得最大的旅游收入。根据以上景点A, B, C和D,他应选择哪种路线,他能得到的最大收入,同时满足的时间约束游客8个小时,和成本约束是300元。假设n= 2,也就是说,当使用贪婪算法,每个景区向下扩展为两个景点,路线的数量和收入最高的输出,最后,不超过三个。根据阈值判断结果,收敛性判据是否满意与否是判断和适当的决策。
粒子群优化和自适应优化推荐流行的规范化进行跨地区市级旅游路线结合梯度算法(19]。融合监管机构推荐的过程理解的矿业城市的地理信息数据集,和个别游客的普遍性和遍历性的城市旅游利益和社会特征调查。事实上,算法和自适应的过程优化流行性正常化进行跨地区市级旅游路线结合梯度算法,以便理解游客的实时智能推荐疫情信息标准化跨地区市级旅游路线(20.]。
4所示。仿真实验、结果和讨论
为了验证预期的准确性和收敛性的实时智能推荐技术在跨地区市级旅游路线正常化的流行情况,进行了仿真实验。该系统包括八个功能模块,包括登录和注册、酒店景点的介绍,偏好约束选择、旅游路线规划,酒店信息管理,路线,行程管理,用户信息管理,景区信息管理。用户想要使用的智能规划系统旅游路线必须先注册,然后他们可以登录成功后注册。首先进入系统后,用户可以选择他们感兴趣的景点信息浏览(21]。其次,用户可以在偏好约束来选择模块,输入自己的个性化的约束,包括旅游时间、旅游费用预算,和最喜欢的酒店和景点的条件,并将它们提交到后台服务器。
服务器在后台将获得用户的个性化的约束,推荐酒店和景点得分最高的为用户根据上面的模型建立,然后计划旅游路线为用户显示的最大利润。用户还可以随时随地管理自己的过去的行程。管理员有权添加、删除和检查酒店和景点的信息用户,验证的游客数量是2000,假设PSO的试探函数的类型和组合ZDT系列测试函数,所有粒子的数量在一个特定的宇宙中采用粒子群是20,推荐的仿真时间是1.3秒,迭代进行6000次。游客的挖掘结果和发现城市旅游兴趣偏好的跨地区市级旅游线路规范化疫情如图2。
本文的方法,实时推荐旅游路线的方法采用基于multitime规模约束,和路线的结果优化建议如图3。
在路线优化和建议在图的结果3作为输入测试样本集游客的城市旅游兴趣偏好epidemic-normalized跨地区市级旅游路线,自适应学习的epidemic-normalized跨地区市级旅游路线推荐了,和收敛曲线的获得,所图4。
据图分析4,实时智能推荐流行的自适应学习能力标准化跨地区市级旅游路线用这种方法强,和城市旅游的普遍性和遍历性兴趣偏好和特点挖掘流行的标准化跨地区市级旅游路线都是不错的。额外的测试不同的错误方法推荐跨地区流行性正常化,市级旅游路线和比较结果,给了图5。考试的结果在图5显示推荐的信息,这种方法的准确性的跨地区市级旅游路线与流行正常化是体面的,和群的nondivergence能力优化明显强劲,这样跨地区市级旅游路线的实时智能推荐过程与流行正常化可以避免陷入局部最优解。
在此基础上,游客的旅游计划的制定首先需要确定他们想参观的旅游景点,他们呆在酒店。在此基础上,本文建立了一个酒店的吸引力评分模型,使游客的喜好设计酒店和景点,集成了相关的酒店景点的信息,根据游客的偏好信息的输入,使一个好的酒店和景点供游客选择。通过这种方式,不需要游客的过去的差旅数据,所以感冒后是“移动的问题。“本文也建立了一个模型和多目标多约束条件的旅游路线规划。游客已经确定他们的旅游景点和酒店后,他们面临的下一个问题是如何确定他们的旅游秩序22]。根据游客的实际需求,提出了一个旅游路线规划模型,设置起始点和结束点的旅游酒店,实践增强的贪婪的过程和解决模型的规则集,最后,获得最赚钱的旅游路线。模型充分考虑了现实的因素,具有一定的合理性和可用性。
5。结论和未来的工作
根据游客的历史访问记录和偏好,进行个性化的建议和资源优化调度可以促进跨区域的信息使用与规范化疫情市级旅游路线。提出了一种实时智能推荐算法跨地区市级旅游路线基于multitime规范化疫情规模约束。有限样本的训练下,流行的旅游相关模型标准化跨地区市级旅游路线构造,和流行的相关特征标准化跨地区市级旅游路线推荐信息提取。此外,随后,收敛行长推荐过程超出了矿业城市的地理信息数据集,普遍性和遍历性城市旅游的游客的个人兴趣偏好和社会特征。事实上,流行正常化的粒子群进化和动态优化跨地区市级旅游路线推荐执行通过结合渐变过程,以便理解流行的实时智能支持标准化跨地区市级旅游路线。推荐信息的准确性的研究显示流行标准化跨地区市级旅游路线的预期过程是体面的,和群体智能优化的antidivergence明显强劲这样流行的实时智能推荐过程标准化跨地区市级旅游路线从减少可以避免陷入局部最优解,和流行的情报和全球稳定标准化跨地区市级旅游路线推荐增强。事实上,这在实时知识具有良性的应用意义的建议,以及在流行的个性化学习标准化跨地区市级旅游路线(15]。
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
本研究支持的研究发展趋势和高质量的陕西文化旅游一体化的发展道路,由繁荣哲学社会科学基金资助的西安科技大学(2021号sz03)。