基于手机定位数据的红色旅游典型线路识别方法、系统、设备及介质

摘要: 本发明属于旅游大数据分析与智能旅游,尤其涉及一种基于手机定位数据的红色旅游典型线路识别方法、系统、设备及介质。背景技术:1、红色旅游已成为旅游体系的重要组成部分...
基于手机定位数据的红色旅游典型线路识别方法、系统、设备及介质

本发明属于旅游大数据分析与智能旅游,尤其涉及一种基于手机定位数据的红色旅游典型线路识别方法、系统、设备及介质。

背景技术:

1、红色旅游已成为旅游体系的重要组成部分,在红色旅游开发过程中,科学规划红色旅游线路、优化景区组织结构、提升资源配置效率,是推动红色旅游高质量发展的关键问题。

2、现有关于红色旅游的研究主要集中于资源分布、景区评价、经济效应以及文化认同等方面,也有部分研究关注红色旅游流网络结构与游客时空分布规律。然而,当前红色旅游线路研究存在以下问题:其一,多数研究依赖问卷、访谈或统计资料,样本规模有限,难以反映大规模游客真实的出游线路特征;其二,现有研究多聚焦于单一景区、资源评价或政策分析,缺乏从线路层面对红色旅游典型线路进行自动识别的技术方法;其三,传统线路提取方法通常难以同时兼顾高频热门景区和差异化线路结构,容易受到热门景区高频访问的干扰,导致典型线路识别结果失真。

3、针对上述问题,现有技术也提出了基于手机定位数据来实现红色旅游典型线路识别。但是,当前红色旅游典型线路研究仍存在以下问题:其一,在构建游客完整出行链时,采取了基于网格划分的方式识别有效停留点,存在尺度和边界敏感的问题,且较难区分游客的真实停留、短暂经过以及定位漂移点;其二,针对线路权重的计算中,现有技术仅考虑了访问频次和区分度,忽略了游客对各线路的投入程度,导致“打卡式”游览和“深度”游览在纯频次统计下无法区分权重影响程度的问题;其三,传统典型线路提取方法采用预先指定聚类数量的聚类方法,在识别低密度离散线路和非典型线路上存在不足,导致典型线路识别结果失真。

4、因此,亟需提出一种能够基于大规模手机定位数据自动识别红色旅游典型线路的方案,从海量游客轨迹中提取具有顺序特征的频繁红色旅游线路,并通过加权线路特征表示和层次密度聚类方法识别具有代表性的典型红色旅游线路,以为红色旅游线路规划、资源整合和景区协同开发提供技术支撑。

技术实现思路

1、本发明提供一种基于手机定位数据的红色旅游典型线路识别方法、系统、设备及介质,能够解决现有技术中红色旅游典型线路难以自动提取、热门景区高频访问干扰识别结果、线路顺序特征表达不足以及聚类结果稳定性不足的问题。

2、为实现上述技术目的,本发明采用如下技术方案:

3、第一方面,提供了一种基于手机定位数据的红色旅游典型线路识别方法,包括以下步骤:

4、s1,获取研究区域内用户手机定位数以及红色景区和一般景区名单数据,并采集各景区的兴趣面(aoi)矢量数据;

5、s2,对手机定位数据进行预处理和异常清洗,基于空间距离阈值和时间阈值识别用户停留点,并按照时间顺序构建用户完整出行链;

6、s3,基于用户夜间停留记录识别用户居住地,区分本地用户和外地用户,并结合红色景区aoi停留记录、停留时长和访问频率规则识别红色游客;

7、s4,提取红色游客在研究期间访问红色景区及一般景区的有效停留记录,并按首次访问时间排序去重,构建游客游览序列,采用频繁序列模式挖掘算法提取频繁红色旅游线路;

8、s5,以各频繁红色旅游线路为特征维度,综合游客访问次数、线路区分度和停留贡献,分别计算每名游客在各频繁红色旅游线路上的加权特征值,构建每名游客对应的加权线路特征向量;

9、s6,基于加权线路特征向量计算游客间的线路偏好距离,采用hdbscan层次密度聚类模型识别典型红色旅游线路群组,并根据簇内线路的加权特征值、支持度及红色景区覆盖数量提取各典型红色旅游线路群组对应的典型红色旅游线路。

10、进一步地,步骤s1中获取的数据包括:

11、研究期间目标区域内用户的匿名手机定位时空记录,所述时空记录包括用户匿名id、时间戳和经纬度位置信息;景区名单数据包括目标区域内红色景区名单和一般景区名单;根据景区名单,利用地图开放平台采集各景区的兴趣面矢量数据,用于后续景区空间匹配、红色游客识别和线路识别。

12、进一步地,步骤s2中,首先利用异常时间、异常速度和异常空间位置检测方法清洗漂移点、跳变轨迹和无效数据;

13、然后对同一用户的手机定位数据按照时间戳升序排列,得到该用户的轨迹点序列,其中,轨迹点包括经度纬度和时间戳,n为轨迹点总数;根据手机定位数据的定位误差范围,设定停留识别的空间距离阈值为,时间阈值为;

14、以轨迹点序列中的任一轨迹点作为候选停留段的起始点,按照时间顺序依次判断后续轨迹点是否属于同一候选停留段,并通过地理距离公式计算候选停留段中轨迹点之间的空间距离;

15、对候选停留段内已纳入的轨迹点计算空间质心,所述空间质心满足下式:

16、;

17、其中,表示候选停留段中轨迹点的数量,和分别表示候选停留段空间质心的经度和纬度;

18、在候选停留段扩展过程中,计算待判断轨迹点与当前空间质心之间的地理距离:

19、;

20、式中,和分别表示待判断轨迹点的经度和纬度,表示基于经纬度坐标计算地理距离的函数;

21、若待判断轨迹点与当前候选停留段空间质心之间的地理距离不超过空间距离阈值,则将其纳入该候选停留段并更新空间质心;若超过,则结束当前候选停留段,并根据其首末轨迹点时间戳计算持续时间;当≥时,将该候选停留段识别为有效停留,以其空间质心作为有效停留点,以首末轨迹点时间戳作为停留起止时间;否则,将其视为经过点;

22、依次遍历该用户全部轨迹点,得到有效停留点序列,并按时间顺序连接形成该用户的完整出行链。该方法能够准确地反映游客的真实访问行为,并自动排除景区之间移动过程中产生的大量经过点和噪声数据,从而提高后续红色游客识别、游览序列构建和典型线路提取的准确性。

23、进一步地,所述步骤s3中,采用夜间最大停留点法识别用户居住地,即将用户在研究期间夜间总停留时间最大的位置识别为其居住地;若居住地位于研究区域内,则识别为本地用户;若居住地不在研究区域内,则识别为外地用户;对于外地用户,若其在红色景区aoi内存在有效停留记录,则识别为外地红色游客;对于本地用户,若其在单个红色景区的停留时间位于预设时长区间内,并且一周内访问该景区频率小于阈值,则识别为本地红色游客,否则识别为本地居民。

24、进一步地,步骤s4中提取频繁红色旅游线路的过程包括:基于红色游客的完整出行链,提取其在研究期间访问红色景区及一般景区的有效停留记录,并按照景区首次访问时间进行排序和去重,形成游客游览序列;采用频繁序列模式挖掘算法对全部游客游览序列进行线路提取,得到满足最小支持度阈值的频繁红色旅游线路;线路的支持度满足下式:

25、;

26、其中,表示访问过线路的游客数量,表示红色游客总数。进一步地,步骤s5中,每名游客在各频繁红色旅游线路上的加权特征值通过下式计算:

27、;

28、其中,表示游客对线路的加权特征值,表示游客访问线路的次数,表示游客访问所有线路的总次数,表示访问过线路的游客数量,表示红色游客总数,表示线路在游客游览行程中的停留贡献,表示游客在景区的停留时长,表示游客的完整游览行程,为停留贡献调节参数,项体现线路区分度:若某条线路被大量游客访问,则较大,该线路更偏向公共热门线路,对区分不同游客偏好的作用较弱,权重相对降低;若某条线路只被较少游客访问,则较小,说明该线路更能体现特定游客的个性化访问偏好,区分度更高,权重相对提高。加权线路特征向量的计算不仅增加了基于停留时长的停留贡献度,它还把访问频次、线路区分度和停留贡献进行更深度的结合,比单纯的频次更能反映游客的真实偏好。

29、进一步地,步骤s6包括:

30、基于加权线路特征向量计算游客间的线路偏好距离,并采用hdbscan层次密度聚类模型识别典型红色旅游线路群组(线路偏好相似的游客群体);其中,游客和游客的线路偏好距离采用余弦距离表示:

31、;

32、其中,和分别表示游客和游客对应的加权线路特征向量;在hdbscan聚类过程中,基于线路偏好距离计算样本核心距离,并构建互可达距离,所述互可达距离满足下式:

33、;

34、其中,表示游客到其第个近邻样本的距离,表示游客到其第个近邻样本的距离;

35、基于所述互可达距离构建最小生成树,并通过层次凝聚方式形成聚类层次结构;在候选簇筛选前,引入粒子群优化 pso 算法对 hdbscan 层次密度聚类模型中的最小簇规模和核心近邻数进行参数寻优,以簇稳定性最大化为目标选择最优参数组合,簇稳定性满足下式:

36、;

37、其中,表示候选线路簇,表示簇形成时的密度水平,表示样本从簇中分离时的密度水平;将簇稳定性超过稳定性阈值的线路簇识别为典型红色旅游线路群组,将簇稳定性未超过稳定性阈值的线路簇识别为离散线路或非典型线路;对于每个典型红色旅游线路群组,根据簇内线路的加权特征值、支持度及红色景区覆盖数量选取线路组合作为该典型红色旅游线路群组对应的典型红色旅游线路。

38、采用的hdbscan层次密度聚类模型额外采用pso对最小簇规模和核心近邻数进行寻优,并以簇稳定性最大化为目标。无需预先指定聚类数量,并能够识别低密度离散线路或非典型线路,提高典型线路识别的稳定性和客观性。

39、第二方面,提供了一种基于手机定位数据的红色旅游典型线路识别系统,包括:

40、数据获取模块,用于获取目标区域内用户的手机定位数据以及红色景区和一般景区名单数据,并采集各景区的兴趣面矢量数据;

41、出行链构建模块,用于对手机定位数据进行异常数据清洗,基于空间距离阈值和时间阈值识别用户停留点,并按时间顺序构建用户完整出行链;

42、红色游客识别模块,用于基于用户夜间停留记录识别用户居住地,区分本地用户和外地用户,并结合红色景区兴趣面停留记录以及停留时长和访问频率规则识别红色游客;

43、频繁红色旅游线路提取模块,用于提取红色游客在研究期间访问红色景区及一般景区的有效停留记录,并按首次访问时间排序去重,构建游客游览序列,采用频繁序列模式挖掘算法提取频繁红色旅游线路;

44、加权线路特征向量生成模块,用于以各频繁红色旅游线路为特征维度,综合游客访问次数、线路区分度和停留贡献,分别计算每名游客在各频繁红色旅游线路上的加权特征值,构建每名游客对应的加权线路特征向量;

45、典型红色旅游线路识别模块,用于基于加权线路特征向量计算游客间的线路偏好距离,采用hdbscan层次密度聚类模型识别典型红色旅游线路群组,并根据簇内线路权重、支持度及红色景区覆盖数量提取各典型红色旅游线路群组对应的典型红色旅游线路。

46、第三方面,提供了一种电子设备,包括:

47、存储器,其上存储有计算机程序或指令;

48、处理器,执行所述计算机程序或指令时,实现如前所述的基于手机定位数据的红色旅游典型线路识别方法的步骤。

49、第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序或指令,所述计算机程序或指令被处理器执行时,实现如前所述的基于手机定位数据的红色旅游典型线路识别方法的步骤。

50、本发明具有如下有益效果:

51、(1)本发明能够从大规模手机定位数据中自动识别红色旅游典型线路,降低传统问卷、访谈或人工总结方式带来的主观性和样本局限性;

52、(2)本发明能够通过频繁序列模式挖掘方法保留游客景区访问的先后顺序,相比仅提取景区组合的方式,更能反映真实旅游线路结构;

53、(3)本发明能够通过融合游客访问次数、线路区分度和停留贡献的加权方法,降低热门景区高频访问对识别结果的干扰,提高游客线路特征表达能力;

54、(4)本发明能够利用hdbscan层次密度聚类模型自动识别不同密度的典型线路群组,无需预先指定聚类数量,并能够识别低密度离散线路或非典型线路,提高典型线路识别的稳定性和客观性;

55、(5)相比于网格划分方法出行链构建方法,本发明的出行链构建方法能够准确地反映游客的真实访问行为,并自动排除景区之间移动过程中产生的大量经过点和噪声数据,从而提高后续红色游客识别、游览序列构建和典型线路提取的准确性;

56、(6)本发明能够为红色旅游线路设计、景区联动开发、旅游资源整合及旅游规划优化提供可靠的数据支撑和技术依据。