文摘

与人民生活水平的持续提高,旅游已经成为假期和休闲活动的主要方式。科学合理的路线规划最能满足人们的基本需求,提供详细的规划在旅游时间和成本方面,解决各种外部因素的影响,实现景区旅游的互补效益同时确保每个因素配置优化。外部因素如旅行时间、成本、旅行日期和运输路线规划模式都有影响。为了建立一个数学模型和收集其他信息,经常有必要确定两个或两个以上的影响因素。理想的计划影响的元素是第一个开发最优的无人驾驶的旅行路线,满足所有的需求。这种策略越来越受大众的欢迎,它关注如何花最少的钱为了访问更多的旅游景点,构造最合理的路线,并为游客提供环境节约时间和金钱。本研究的目的是检查无人驾驶的主题旅游路线规划和建议路线规划模型的创建。在这篇文章中,一个无人驾驶的旅程路线规划模型是使用递归神经网络模型构建。优先级高速的行驶路线设计策略,和旅游路线选择问题考虑消费状况以及景点的数量。开发模型是用于优化自动驾驶旅行路线,结果是有前途的。

1。介绍

旅游现在已经成为主要的娱乐和休闲方式,由于人民生活水平的不断提高。自驾车旅游是价格合理。出发的时间、景点时间和休息时间都可以定制。你可以选择你想要居住的地方和你要什么标准的时候生活安排。气候吃什么,去哪里吃,吃什么都可以定制。食物、衣服、住房、交通、以及团体旅游,甚至去浴室,都是自己的计划。因为无人驾驶旅游需要你开车和组织自己的一切,你可能会遇到各种各样的风景。您可以立即停止并享受它或继续你的方式。你可以在无人驾驶之旅带来更多的物品。你可以乘坐汽车或一组。 It will be very heavy and inconvenient to move around if you bring too many items. The majority of self-driving cars, in general, are not alone. On the other hand, the people in the car are either family or friends. They are at ease as they converse and laugh along the way. Unlike a tour group, they do not know each other and have nothing to say.

随着人民生活水平的提高,旅游已经成为一种流行的休闲活动参与在他们的假期。现在,当人们去度假,他们中的许多人喜欢乘汽车去旅行。无人驾驶旅行有许多优点超过传统的随团旅游。首先,无人驾驶旅游比团体旅游无疑更方便。毕竟,当你在一个团体旅游,几乎所有的行程是有限的,甚至是具体哪个时间你应该去风景区,当时间开始。其余的通常是令人不满意的。旅行时在一组,通常你导游强迫购物,导致不必要的消费。当然,你不能买它,但导致参数和遗址旅游的心情。这种现象不存在如果你驾车出行。相比团体旅游,无人驾驶旅游可以显著降低消费。 You can consider more affordable and suitable plans for yourself, prepare everything for the trip, and leave yourself a more perfect journey in every way.

当然,无人驾驶旅行并不完美,它有自己的缺陷。首先,拥有一辆汽车是无人驾驶的旅行要求。尽管人们的生活正在改善,许多人在1990年代末和2000年代初还不拥有一辆汽车。即使他们不旅行在一组,他们只能把一个受欢迎的旅游选择的工具。此外,团体旅游相比,无人驾驶旅游到一个陌生的位置更容易欺骗,造成问题。如果路况不熟悉,时间可能会丢失,以及安全事故。此外,司机在路中间的疲劳和汽车故障是不可避免的问题。即使无人驾驶之旅,然而,有许多问题。然而,总的来说,它的好处大于它的缺点。与意味着每年在假期里,人们通常会选择乘坐汽车为了有一个更愉快的旅行体验。 This, combined with the free holiday policy, makes self-driving ideal.

科学合理的路线规划能满足人们的必要需求最大限度,使详细规划的旅游时间和旅游成本,解决各种外部因素的影响,实现景区旅游的互补效益同时确保每个因素最优配置。有必要建立一个科学的路线规划模型,从游客的角度的需求还是从各种外部因素的角度影响旅游业的效率和质量。无人驾驶旅游作为一种旅游正变得越来越流行,它是人们追求的目标研究花最少的钱去尽可能多的景点。设计一个合理的旅游路线可以节省时间和金钱,同时也提供了一个科学而有效的参考行程。

2.1。无人驾驶旅游存在的问题

一个无人驾驶的旅游必须基于旅行计划5 A景区的列表我的国家旅游局公布的。预计游客前往220年5 a级景区在我的国家在过去的十年,和行程必须符合以下要求。游客每年只允许30天旅行,和他们只能每年两次。每15天的旅行时间是有限的,和5 a级风景区仅限于每访问一天。无人驾驶旅游只能从上午9点到7点。每一天,最大的驾驶时间的6个小时。全天参观必须保证驾驶的时间不超过2.5小时,和一个半天旅行必须保证驾驶的时间不超过4小时。在高速公路上,游客的平均速度大约是每小时48公里,而高速公路速度大约是每小时95公里。游客通常会花一天在每个省的首都,景区从9点开。 to 5 p.m.

2.2。解决方案策略

高速路线行驶路线设计优先。利用250年我国5 a景区点,全国最佳旅游设计计划创建使用一种改进的圆算法和Matlab编程。提高计划的科学性,道路路线规划图表被视为图在图论中,这座城市被视为一个节点,节点之间的距离被认为是一种编译一个矩阵系数相对于图,然后计算出最小距离从起点到风景区。数据收集从景区景点,集群和集群分析方法用于分析和组250同时景区。聚类分析是使用经典的聚类分析算法执行1- - - - - -3结合其地理位置。大多数旅游景点都是使用聚类方法相结合,然后参观的景点单位。蚁群算法(4,5)可以计算所需的时间旅行以及旅行时间的自动驾驶车辆。结果,规划目标可以计算最短的路线通过计算任意两个结点之间的最小距离。当中间节点和其他景点中移除直接访问,可以提供一个直接的通道,使问题更简洁。Floyd算法(1,6)可以用来确定景点之间最短的距离。这是一个对称矩阵,矩阵中的元素单位是小时,由前面的条件一致。所需的总时间前往参观的景点可以通过编程计算蚂蚁算法。然后,加起来的时间访问每个景点的总时间参观所有景点。

2.3。无人驾驶旅游计划

下面是一个典型的自动驾驶旅游行程:确定当你将来回旅行几天。可用于旅行的时间是有限的;无论你走多远,你必须回到起点,所以时间限制可以前往目的地多远。选择最远目的地,第二步是计算一个合理的往返里程基于可用的时间。你不能出去开车;你必须停止在生命的景象和气味。虽然可以找到最美丽的风景在路上,好风景值得停止,安静地享受,沉浸在。毕竟,有很多。该地区必须遍历步行或在山和山,耗时和疲惫,必须提供足够的休息时间。因此,最远的出发点和目的地之间的距离应该是合理的。 The third step is to use mobile phone navigation to determine the preliminary round-trip route, which is then fine-tuned based on the waypoint’s surroundings. Simultaneously, focus on the round-trip as much as possible without going back, preferably in a circle. To ensure that the journey is not a monotonous hurry, I choose a place worth visiting and stay for one night in a place that can be easily reached in one day without stopping on the way. The fourth step is to plan the daily stay and accommodation points based on the general route map. If the stop point is not worth playing, use it as a rest point instead. If it is worthwhile to play, you can stay for a day and a half, run for half a day, and play for half a day. If it is too early to play for the day, try to get to the next destination as soon as possible; there is no need to stay another night unless the night here is appealing. The fifth step is to decide which attractions or activities will be arranged based on the stop point. Do not be greedy for too many scenic spots; instead, go to one of the same scenic spots; there is no need to check in one at a time. Sixth, consider whether the daily itinerary, including the destination, driving mileage, main attractions, play time, and so on, is balanced and reasonable as a whole. If there are no issues, set the self-driving route and itinerary in stone. My strategy is to book hotels and plane tickets first, and then cancel them for free, because the biggest benefit of self-driving travel is the ability to simply leave. Time is limited; rather than overusing it, insist on being uncompromising. Typically, the factors listed above must be considered when traveling by car. This method consumes the organizer’s energy and necessitates a significant amount of time spent researching routes, comparing costs, and so on. An intelligent self-driving travel planning method that serves the masses must be proposed urgently.

3所示。旅游路线规划模型基于递归神经网络的自动驾驶之旅

3.1。复发性神经网络模型

递归神经网络(RNN)提出的进化从Hopfield网络Saratha Sathasivam 1982年,但它不是广泛使用时由于实现困难。复发性神经网络的深层表达能力我的时间序列信息和语义信息的数据才充分利用更有效的递归神经网络结构,如深度递归神经网络(7- - - - - -9),提出了。RNN广泛用于序列数据处理(10,11),语音识别(12,13),图像处理14- - - - - -17),和其他场景。RNN主要是三层架构,与输入、隐藏层和输出层。图1描绘了一个RNN的基本结构。输入层就是其中之一,它是用来输入数据处理。模型的学习和优化参数的隐藏层。输出层包括分类器和标签层。将Softmax层分类器的另一个名字。这一层分类和估计隐藏层的输出和选择概率最高的标签。


图1
RNN结构的示意图。

当前的输出序列与前面的输出序列,这意味着网络将记住以前的信息,并将它应用到当前的输出计算。有隐藏层之间的连接,输入不仅包括输入层的输出,但也从之前隐藏层的输出。隐藏层示意图在图中进行了描述2。在图2, 代表输入样本, 是隐藏的状态, 代表输出, 代表输入重量, 代表输入样本。这个的重量, ,输出的重量,标0,1,2代表了时间序列。启动 在时间1。随机初始化 , ,和 ;在这一点上,隐藏状态h 和输出值0,分别设置。 在哪里 是激活函数,也就是说,一个非线性变换。常用的激活函数是乙状结肠函数,双曲正切函数,ReLU函数。


图2
隐藏层的结构。

RNN反向传播是另一个重要步骤,比较了预测价值的实际价值。计算损失函数的每个参数的梯度,然后使用梯度下降法来更新每个参数基于梯度和学习速率。隐层输出值为0时,生成一个错误值,这个错误损失函数所代表的值是大肠叉损失函数(交叉熵)是常用的损失函数。为了防止过度拟合,L1和L2正规化被添加到均方误差损失函数,即:,索引描述模型的复杂性增加了损失函数。 在哪里 和 是各自的权重系数。

每个参数的梯度计算公式的隐藏层

有一种被称为递归神经网络长期短期记忆(LSTM)。LSTM改进结构允许信息有选择地改变生命中每一瞬间的状态在使用递归神经网络的一些门结构18]。

一个人工智能学习系统(19由谷歌,Tensorflow权力这个实验在Windows PC使用世爵和Python编程环境。神经网络的训练完全是探测不到的。TensorBoard TensorFlow提供了一个可视化工具,使神经网络的结构和参数修改反馈清晰。TensorBoard是一个有用的工具来监控TensorFlow的性能。表1显示了在这项研究中使用的启动参数。前大约有3000模型的迭代精度和损失函数是稳定的。在模型训练过程中,批量大小变量包含大量的训练例子。期间将利用大量的计算机内存网络反向传播如果所有训练样本直接插入到模型训练。因此batch-trained训练样本。大约有两倍的批次在世界上有一些人。与实验的训练样本数量和训练数据样本,训练数据样本的总数是32。这个实验使用了32个RNN隐藏大小变量的值,设置为1,而培训的网络价值。RNN_ hidden_层可以增加以减少模型误差,但这增加了网络的复杂性和培训成本,以及过度拟合的风险。这是默认设置为2层。 To determine learning rate, the exponential decay approach is used. Learning rate can be set at a bigger value in the exponential decay approach, which can be reduced until it reaches an optimal value over a period of time. n classes is a variable that specifies the number of classes. The samples are sorted into two categories for the experiment. Loss functions are steady at approximately 0.24, and the final model accuracy is around 0.92. Listed in Table1是用于训练模型的参数。

表1
模型训练参数。

4所示。实验

4.1。行驶路线建模

交通路线的设计是基于高速优先级技术。最好的旅游路线的国家使用改进的圆算法,构造基于300年全国5 a - level美丽的地方作为节点。这说明改进的循环算法的合理性和实用性。根据图论,相当于城市节点在一个路线图,和稀疏矩阵对应的路线图已经编写的节点之间的距离的节点之间的距离系数。然后,为了安排一个特定的旅行行程,确定起始点之间最短的距离和风景优美的位置问题。作为蚁群算法的数据预处理步骤,利用模糊c均值聚类(FCM)方法安排300旅游风景如画的地方相似的团体。景点分为单位,考虑他们的经度和纬度,以及FCM算法,用于集群。图3描述了研究的结果。


图3
聚类分析结果。

根据聚类方法,大部分的旅游景点整合成12个景点,然后以相同的方式访问景点。蚁群的方法能够计算浏览时间一开始,包括所花费的时间在旅游景区的交通在路上消耗的时间。因此,规划的目标是找到任意两个景点之间的最短路径。结果,如果一个风景区在中间被忽略和一个愿望去另一个景点,可能有数百个段落,使问题更直观和简单,在下面的例子中可以看到的。RNN方法用于确定两个风景如画的地方之间的最短旅行时间的问题。一个对称矩阵与成员在小时,根据之前的假设,由矩阵来表示。当蚁群的方法是用于构建软件,能够确定所有风景如画的网站必须在最短的时间内访问可能在开车。当结合旅游时间在每一个风景如画的位置,估计所需的总时间可以看到所有的景点。图4描述了具体的原则问题。


图4
原理图的最小时间周游世界。

在上面的图中,可以看出环球最短的时间大约是1年和98天。聚类分析后,所需的总时间看到所有的风景如画的网站是一个固定值:12年和10天。整个时间是由主要是旅游的最小的数和停留的最短时间,加起来13年和12天。根据这个图,需要至少一个旅行者13年穿越300 5一个风景如画的地方。

4.2。路线优化建模

游客想访问300 5一个景点在未来十年,在全国各地,他们正在寻找最好的价值以及最好的体验。这是路线优化问题的一个例子。解决方案可以概括如下:当旅游景点的数量已经确定,创建最优规划模型,并计划一个旅游路线以尽可能低的成本为目标在确定最好的规划模型。假设的总成本包括成本住宿+旅行的费用。创建一个自动驾驶旅游规划模型的帮助下RNN模型。表2包含的信息是用来构建模型。

表2
无人驾驶的例子为游客旅游路线。

游客可以从西安到杭州,湖州,嘉兴,乌镇、舟山、绍兴、金华、Kaihua县春安县,和上海,见表1。在一个家庭中三个一起旅行,每天租车费用是300元,其中包括燃料和人数税。在省会城市,住宿费用是每人每天200元;一级城市的住宿,费用150元;在县城镇住宿,费用是100元。合并后的燃料消耗的高速公路通行费是1元每公里旅行。燃料消耗率普通道路上是0.6元每公里旅行。考虑到所有其他自然元素和不可预见的情况下,总成本包括运输成本、住宿成本和参观景点位置的成本。的三个总成本 元,总共183091元。旅行总成本的一个四口之家旅行同样的路线是运输成本+住宿和观光的费用的成本。的三个总成本 元,总共是202074元。

一个家庭的三个旅游被认为是一起旅游以下路线:Nanjing-Suzhou-Hangzhou-Jinhua-Shaoxing-Shanghai-Huangshan。汽车租赁费用为300元/天(燃料和收费费用单独计算),住宿在省会城市是人均200元/ 150元/天,每人每天在地市级城市和100 y。高速公路通行费,燃料消耗是一元每公里走了,而对于传统的高速公路,燃料消耗是6美分每公里旅行。考虑到所有其他自然元素和不可预见的事件,总成本包括运输费用,住宿费用,美丽的网站旅游的成本。三种类型的费用分解如下: 元。如果一个四口之家旅行同样的路线,总成本包括运输成本,酒店成本,和美丽的位置之旅,成本都加在一起。三种类型的费用总额 。

假设一个家庭三个一起旅行采取以下路线:杭州-嘉兴-金华-绍兴-南京-苏州-西安。汽车租赁费用为300元/天(燃料和收费费用单独计算),而住宿在省会城市的成本是200元/每人150元每人每天在地市级城市和100年。为高速公路通行费,燃料消耗是一元每公里旅行,而对于传统的高速公路,燃料消耗是6美分每公里旅行。考虑到所有其他自然元素和不可预见的事件,总成本包括运输费用,住宿费用,美丽的网站旅游的成本。这三种类型的费用被指示为 元的分解。如果一个四口之家旅行同样的路线,总成本包括运输成本,酒店成本,和美丽的位置之旅,成本都加在一起。三种类型的费用的总额是35228元,40632元,39876元,总共115736元。

5。结论

总而言之,随着人们的生活条件有所改善,旅游业日益流行作为一个受欢迎的假日休闲活动。在参观美丽的地方,特别是在自动驾驶之旅,人们常常担心需要多长时间,他们会看到什么,成本是多少。综合自动驾驶旅行行程规划模型可以创建作为一个特定的参考自动驾驶旅游促进会和计算最有效的路线。本研究提出一个RNN-based模型的发展为自动驾驶旅游路线规划。这复杂的基于模型的自动驾驶旅游路线规划可以节省时间和金钱。因为RNN深度学习的方法,在这个模型中有几个参数,必须检查和改变,导致一个长期训练模型。我们将努力在未来的研究找到解决这一难题。

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

作者没有任何可能的利益冲突。