淺析神經網絡在城市旅游路線的推薦應用*

張倩鈴 胡聰

摘 要 隨著智慧旅游的興盛，本文針對城市旅游路線的選擇問題，首先依據景點的屬性進行了分類，其次根據游客對景點類型的偏好，調用隨機函數發生器選取類別景點，再確定景區的區間距離、出租費用路況信息，應用單向神經網絡的智能旅游路線決策模型給出因子迭代的最大值，確定選取城市景點旅游的最佳路線，在一定程度上，給初到陌生城市的游客提供幫助。

關鍵詞 城市旅游;神經網絡;路線推薦

引言

隨著生活節奏的加快，越來越多的人期待在假期能暫時放下手頭的工作和生活的瑣事，進行一次忘我的旅行.對陌生的旅游城市而言，游客要在有限的時間內完成最大化的旅游收益，旅游路線的選擇扮演者重要的角色;文獻[1]基于旅游成本優化、旅游路線的個性化等問題，建立了約束條件下的Hopfield神經網絡旅游線路模型;文獻[2]結合了Hopfield神經網絡算法與GIS空間分析，設計了大嶺山森林公園的特色旅游線路;文獻[3]提出了基于興趣點流行度和用戶興趣偏好的個性化旅游路線推薦PTIR算法;文獻[4]考慮游客的旅游動機和路況信息的情況下提出了一種基于單向神經網絡改進的智能隨機旅游路線決策支持模型;文獻[5]挖掘圖片的屬性信息，如用戶性別、年齡段、種族、經濟能力等建立了用戶旅游信息的數據庫，應用數學與智能學習結合的方式，建立模型給出了旅游景點路線的推薦。本文考慮游客想體驗周圍環境、設施相對齊全的景點，按照《旅游景區劃分等級》列出成都市的5A、4A景點以及代表老成都的特色景點，還有現在網絡流行的網紅打卡地，總計29個景點，根據游客喜好調用隨機發生器選取類別景點，結合路況信息給出因子迭代的最大值，針對選取的景點確定最佳的旅游路線。

2基本知識介紹

2.1 MP神經元模型

MP神經元模型是一種多輸入單輸出的單元模型，提供了一種信息流定向傳動的模式，樹突接收信號，經細胞體處理后通過軸突輸出到下一神經元，神經元模型表示為

（1）

其中是神經元的輸入，是神經元的輸出，是輸入神經元與輸出神經元的連接權重，是偏置值，是激活函數，MP神經元模型拓撲結構如圖1所示。

2.2 隨機函數

設連續型隨機變量的分布函數是

（2）

稱隨機變量服從閉區間上的均勻分布，記為，調用均勻分布函數生成不超過區間的有限個隨機數，這里的隨機數表示游客按偏好要求隨機選取的旅游景點。

3成都市景點路線推薦

按照成都市景點特征屬性5A、4A以及代表老成都特色景點，還有目前網絡流行的網紅打卡地，建立分類集合，是景點的分類數，景點的分類子集中的元素編號記為，是景點類別中的元素。

在攜程旅行APP搜集人氣景點數據并編號，景點類別是5A級景點，其中都江堰記為、青城山記為;是4A級景點，記成都大熊貓繁育研究基地、西嶺雪山、杜甫草堂、成都海昌極地海洋館、成都歡樂谷、武侯祠、金沙遺址博物館、花舞人間、黃龍溪、成都天臺山、天府花溪谷、石象湖、劉氏莊園博物館、國色天香童話世界;是特色景點，記錦里古街、寬窄巷子、動物園、春熙路、南湖夢幻島;是網紅打卡地，記黃龍溪歡樂田園、東郊記憶、音樂百花谷、成都U37創意倉庫、鴛鴦樓、無里創意工廠、西村大院、IBOX愛盒子創意空間。

游客初到成都，想用一天的時間了解和成都歷史變遷及成都發展有關的景點，建議一天內瀏覽0個景點，1個景點，2個景點，0個景點。首先通過智能機調用隨機數發生器選取景點，有劉氏莊園博物館、錦里、南湖夢幻島。建立旅游路線基向量。考慮到景點間的距離與交通費用，結合單向路線瀏覽方式，在有限時間內實現旅游動機的最大化，設區間距離的動機影響因子波動權為，是景點的區間距離，是景點的區間距離，是景點的區間距離;出租車費用的動機影響因子波動權為，表示景區間出租費用，是影響選擇瀏覽景點動機強度波動的指標.動機影響因子波動權和影響因子波動指標如下表所示.

表1 動機影響因子波動權和影響因子波動指標

根據游客選取的景點為神經元節點，旅游動機信息為傳動值，動機影響因子迭代作用值最大的作為最佳旅游路線.考慮文獻[4]的單向神經網絡的智能旅游路線決策模型

（3）

結合排序法給出迭代作用值矩陣

動機迭代輸出最大值對應的旅游線路是? 即游客先在大邑縣瀏覽劉氏莊園博物館、然后去錦里古街，再去南湖夢幻島，此為游客選取景點在一天內完成瀏覽的最優路線，備選路線推薦為。

4結束語

本文根據單向神經網絡的智能旅游路線決策模型，結合路況信息給出因子迭代的最大值，確定游客選取景點劉氏莊園博物館、錦里古街、南湖夢幻島的最佳旅游線路.

參考文獻

[1] 李慧旻，蘇依拉，王斐.基于約束與CHNN的旅游線路問題研究[J].內蒙古工業大學學報，2016，3（1）：24-30.

[2] 吳小芳，龔丹丹.大嶺山森林公園特色旅游路線設計及系統開發[J].福建林業科技，2015，42（2）：174-178.

[3] 吳青霞，周婭，文締堯，等.基于用戶興趣和興趣點流行度的個性化旅游路線推薦[J].計算機應用，2016，36（6）：1762-1766.

[4] 周嘯，李少梅，張永正，等.基于單向神經網絡的城市旅游路線決策支持模型[J].河北師范大學學報，自然科學版，2018，42（1）：81-87.

[5] Cheng A J，Chen Y Y. Personalized travel recommendation by mining people attributes from community-contributed photos [M]. Proc Mm 11 Acm，2011：83-92.