基于移動群智感知計算的智慧景區(qū)監(jiān)管系統(tǒng)研究與設計

摘" 要： 針對景區(qū)監(jiān)管存在的成本高、實時性差等問題，設計一種基于移動群智感知計算的景區(qū)智能監(jiān)管系統(tǒng)。首先，該系統(tǒng)利用眾包思想和群智感知理論采集游客手機的用戶生成內(nèi)容（UGC）數(shù)據(jù)，包括照片、視頻、評論等；然后，通過深度學習技術進行視覺分析和文本分析，基于BP神經(jīng)網(wǎng)絡進行決策分析，從而實現(xiàn)監(jiān)管事件的智能發(fā)現(xiàn)和智能決策。所設計系統(tǒng)不僅節(jié)省了景區(qū)鋪設物聯(lián)網(wǎng)設備的成本，而且能夠?qū)崿F(xiàn)更深入、廣泛和智能的景區(qū)監(jiān)管，也可為智慧景區(qū)建設提供一種新的解決方案。

關鍵詞： 智慧景區(qū)； 智能監(jiān)管； 移動群智感知； 用戶生成內(nèi)容； B/S架構； 分析系統(tǒng)； 智能決策

中圖分類號： TN915?34； TP391.1； F590" " " " " " " "文獻標識碼： A" " " " " " " "文章編號： 1004?373X（2024）12?0074?07

Research and design of smart scenic spot supervision system based on mobile crowd sensing and computing

YAO Jiansheng1， 2， LIU Yanling1， 2

（1. College of Tourism amp; Landscaper Architecture， Guilin University of Technology， Guilin 541004， China;

2. Institute of Guangxi Tourism Industry， Guilin 541004， China）

Abstract： In allusion to the problems of high cost and poor real?time performance in scenic spot supervision， a smart scenic spot supervision system based on mobile crowd sensing and computing is designed. In the system， the crowd sourcing idea and mobile crowd sensing theory are used to collect the UGC （user generation content） data of tourists' mobile phones， including photos， videos， comments， etc. The visual analysis and text analysis are conducted by means of the deep learning technology， and the decision analysis is carried out based on BP neural network， so as to realize intelligent discovery and intelligent decision of regulatory events. The designed system not only can save the cost of laying Internet of Things equipment in scenic spots， but also can realize more in?depth， extensive and intelligent supervision of scenic spots， and also can provide a new solution for the construction of smart scenic spots.

Keywords： smart scenic spot; intelligent supervision; mobile crowd sensing; user generation content; B/S architecture; analysis system; intelligent decision?making

0" 引" 言

智慧景區(qū)是在智慧城市建設這一重大背景下，結(jié)合景區(qū)規(guī)劃、管理和可持續(xù)發(fā)展的客觀需求，在數(shù)字景區(qū)基礎上的新發(fā)展[1]。對景區(qū)內(nèi)游客、基礎設施、突發(fā)事件進行智能監(jiān)測和管理，是智慧景區(qū)建設的一項重要內(nèi)容[2?3]。如：景區(qū)服務設施損壞（如水管漏水）而不能及時維修，不僅影響游客體驗，而且會帶來安全隱患，造成能源浪費；游客存在不文明旅游行為而不能及時發(fā)現(xiàn)和制止，會造成旅游資源的破壞；商販的不合理銷售會侵害游客利益等等。智能監(jiān)管系統(tǒng)可及時發(fā)現(xiàn)問題，有效保護游客安全和景區(qū)資源，促進景區(qū)節(jié)能減排，遏制不文明旅游等，從而提升景區(qū)的服務質(zhì)量和游客滿意度。

現(xiàn)有景區(qū)監(jiān)管方法大都鋪設相關物聯(lián)網(wǎng)設備，如攝像頭等，并通過工作人員巡檢進行輔助監(jiān)管，這樣不僅需要物力、人力和財力的開銷，而且由于設備鋪設難度較大、造價較高，很難實現(xiàn)高密度、無死角覆蓋的監(jiān)管[4]。另外，限于巡檢人員的數(shù)量和精力，很難做到實時、全方位的監(jiān)管。因此，景區(qū)智能監(jiān)管面臨挑戰(zhàn)，探索一種智能、價格低廉、實時、全面的監(jiān)管系統(tǒng)對智慧景區(qū)建設具有重要意義。

隨著移動智能設備的普及和功能日益強大，游客習慣了通過智能手機拍照、拍視頻等記錄自己的游覽過程，并且大部分游客樂于在社交媒體上分享自己的信息，稱之為用戶生成內(nèi)容（User Generation Content， UGC）[5]。部分UGC同時也記錄了游客身邊發(fā)生的事情，如景區(qū)設備損壞、垃圾桶垃圾外溢、游客不文明行為、商家不正當經(jīng)營、游客沖突事件等等，這些數(shù)據(jù)為景區(qū)監(jiān)管提供了豐富的資料。然而，這些UGC內(nèi)容分散于各個社交網(wǎng)絡或OTA平臺，不便于景區(qū)實現(xiàn)實時監(jiān)管。

如果能夠及時收集景區(qū)內(nèi)游客的UGC數(shù)據(jù)，并進行智能分析，則可以實現(xiàn)景區(qū)智能監(jiān)管。這種方式還具備如下優(yōu)勢：利用游客的手機，則不需要鋪設物聯(lián)網(wǎng)設備，可以節(jié)省成本；另外，游客是移動的，可以到達景區(qū)內(nèi)任何人到達的地方，因此能夠全方位感知景區(qū)。構建這樣的平臺成為了智慧景區(qū)建設的關鍵。

移動群智感知（Mobile Crowd Sensing， MCS）計算技術[6]是基于眾包思想，利用手機等移動設備采集數(shù)據(jù)，并在后臺完成智能分析計算，從而自動完成特定任務。移動群智感知計算系統(tǒng)無需進行網(wǎng)絡特意部署與維護，能有效完成大規(guī)模、細粒度、高復雜度的社會感知任務，目前已被廣泛應用于空氣質(zhì)量監(jiān)測[7]、智慧交通[8]、智慧停車[9]、噪聲監(jiān)測[10]等多個場景[11?12]。

群智感知計算技術尚未有應用于智慧景區(qū)建設的報道，但是景區(qū)場景適合應用移動群智感知計算技術。首先，旅游是人類高度參與的場景，并且大部分游客都持有智能手機等高性能移動設備，因此，景區(qū)有部署群智感知計算系統(tǒng)的硬件基礎；其次，從其他領域的應用來看，人們參與分享的意愿超出預期，并且景區(qū)管理可以通過紅包等激勵機制，鼓勵游客參與上傳UGC數(shù)據(jù)，因此，系統(tǒng)有數(shù)據(jù)保障；再次，利用游客手機采集數(shù)據(jù)具有節(jié)省鋪設物聯(lián)網(wǎng)設備成本和鋪設密度高、流動性大等優(yōu)勢，從而實現(xiàn)全視角的景區(qū)監(jiān)控；另外，通過游客對照片、視頻的標注和點評等實現(xiàn)了“人在回路（Human?in?the?Loop）”的人聯(lián)網(wǎng)（Internet of Humans）[13]和人機交互智能，從而為智能分析提供重要數(shù)據(jù)源；最后，系統(tǒng)收集游客的UGC，為景區(qū)規(guī)劃升級、管理、服務和營銷提供了第一手資料。本文基于移動群智感知計算技術構建景區(qū)智能監(jiān)管平臺，詳細論述了設計架構、系統(tǒng)功能和關鍵技術。

1" 系統(tǒng)目標

基于群智感知計算的智慧景區(qū)監(jiān)管系統(tǒng)的設計目標是利用游客分享的UGC數(shù)據(jù)（如照片、視頻及其文本標注和評論數(shù)據(jù)等），通過視覺融合分析技術和文本挖掘技術實時感知景區(qū)相關監(jiān)管事件，并依據(jù)事件嚴重程度做出智能決策，向相關部門管理者和工作人員發(fā)布通知或任務，從而實現(xiàn)對景區(qū)的智能監(jiān)管。

依據(jù)系統(tǒng)目標，系統(tǒng)有4類用戶，如圖1所示，每類用戶的任務具體如下：游客是數(shù)據(jù)生產(chǎn)者，在系統(tǒng)中上傳UGC（用戶生成內(nèi)容），包括景區(qū)視覺數(shù)據(jù)、標注數(shù)據(jù)和評論數(shù)據(jù)；景區(qū)管理者和工作人員是數(shù)據(jù)的使用者，其中景區(qū)管理者可通過系統(tǒng)瀏覽、查詢、發(fā)布相關監(jiān)控信息，景區(qū)工作人員只能接收系統(tǒng)發(fā)布的任務；系統(tǒng)管理員負責系統(tǒng)管理和維護，如帳號管理、權限管理、安全管理等。

2" 系統(tǒng)架構與功能設計

2.1" 系統(tǒng)架構

為部署和實施方便，所設計系統(tǒng)采用如圖2所示的B/S架構。系統(tǒng)主要工作在服務器端完成，服務器端分為Web和小程序服務器、智能分析系統(tǒng)兩部分。其中智能分析是系統(tǒng)核心，負責群智感知數(shù)據(jù)（視覺和文本）分析和智能決策分析；Web和小程序服務器是核心系統(tǒng)和客戶端交互的接口。為方便不同用戶使用系統(tǒng)，客戶端支持移動端小程序和PC端Web兩種模式，其中游客和景區(qū)工作人員使用移動端小程序，實現(xiàn)隨時隨地發(fā)布數(shù)據(jù)和接收系統(tǒng)信息等；景區(qū)管理者同時擁有移動端和PC端兩種模式，PC端支持大屏幕瀏覽、查詢、展示等工作，移動端主要支持不在辦公室情況下查看、發(fā)布任務等簡單、即時的工作；系統(tǒng)管理員主要是使用PC端，管理和維護整個系統(tǒng)。

2.2" 系統(tǒng)功能模塊

從功能上看，系統(tǒng)可分為如圖3所示的三個部分，即用戶交互系統(tǒng)、存儲系統(tǒng)和分析系統(tǒng)。交互系統(tǒng)分為客戶端和服務器端，用戶通過交互系統(tǒng)（即Web和小程序）實現(xiàn)上傳或瀏覽數(shù)據(jù)等操作。游客是數(shù)據(jù)的生產(chǎn)者，通過交互系統(tǒng)向存儲系統(tǒng)中上傳UGC數(shù)據(jù)；景區(qū)管理者和工作人員是數(shù)據(jù)的使用者，通過交互系統(tǒng)從存儲系統(tǒng)中獲取決策數(shù)據(jù)，并應用于景區(qū)監(jiān)管。分析系統(tǒng)與普通用戶沒有直接交互，通過算法自動與存儲系統(tǒng)交互，進行智能分析。具體地，生成分析將游客上傳的視覺數(shù)據(jù)生成文本標注；融合分析將視覺數(shù)據(jù)和文本數(shù)據(jù)按照時間、地點和內(nèi)容進行融合，生成完整的事件，形成融合數(shù)據(jù)；決策分析以融合數(shù)據(jù)為源，通過智能決策算法分析事件的等級和嚴重程度，從而生成決策數(shù)據(jù)，并向相關部門、人員發(fā)送信息。

2.2.1" 用戶功能模塊

在B/S架構下，針對不同用戶功能需求，設計基于Web和小程序兩種客戶端，具體功能模塊如圖4所示。

游客有兩種上傳數(shù)據(jù)的方式，分別對應群智感知計算的參與式感知和非參與式感知。其中用戶自由式上傳數(shù)據(jù)對應非參與式感知，用戶依據(jù)自己喜好上傳UGC數(shù)據(jù)，包括照片和視頻等視覺數(shù)據(jù)，或者對已有視覺數(shù)據(jù)發(fā)表評論；參與式感知是景區(qū)管理部門為了獲取某一發(fā)生事件的相關數(shù)據(jù)，如針對某個設備損壞情況或某個事件發(fā)展過程有償征集相關時間段的數(shù)據(jù)，通過系統(tǒng)向游客發(fā)布確定感知任務，用戶收到任務后，主動參與并上傳相關數(shù)據(jù)。系統(tǒng)依據(jù)決策數(shù)據(jù)和智能決策算法，自動向景區(qū)有關管理者、工作人員發(fā)布通知，或者向游客發(fā)布相關信息。

2.2.2" 數(shù)據(jù)分析模塊

如圖5所示，數(shù)據(jù)分析系統(tǒng)包括生成分析、融合分析和決策分析三個模塊，其中融合分析包括視覺融合分析和文本融合分析兩個子模塊。本文從數(shù)據(jù)分析角度，將UGC數(shù)據(jù)分成視頻數(shù)據(jù)和文本數(shù)據(jù)兩類。

生成分析是對用戶上傳的視覺數(shù)據(jù)進行分析，從而生成相應的文本描述信息。視覺的文本描述數(shù)據(jù)、視覺文本標注數(shù)據(jù)和視覺的文本評論數(shù)據(jù)一同構成文本數(shù)據(jù)，其中視覺文本標注數(shù)據(jù)是視覺數(shù)據(jù)生產(chǎn)者在上傳視覺數(shù)據(jù)時填寫，視覺的文本評論數(shù)據(jù)是游客針對該視覺數(shù)據(jù)的評論，視覺的文本描述數(shù)據(jù)是由系統(tǒng)生成分析模塊在視覺數(shù)據(jù)上傳后自動生成。

視覺融合分析以視覺數(shù)據(jù)為數(shù)據(jù)源，依據(jù)圖片和視頻內(nèi)容及其時空信息進行融合，形成一個完整的視覺內(nèi)容。文本融合分析以文本數(shù)據(jù)為數(shù)據(jù)源（標注文本、生成文本和評論文本），進行文本挖掘與融合，形成完整的敘事文本。視覺和文本融合分析將多個相關原始UGC數(shù)據(jù)進行融合，形成融合數(shù)據(jù)。

智能決策分析以融合數(shù)據(jù)為數(shù)據(jù)源，通過對事件的文本和時空等信息進行挖掘，判斷事件的等級和嚴重程度，從中抽取超出預先設定閾值的事件，進一步分析事件涉及的問題部門和責任部門等信息，從而生成決策數(shù)據(jù)供景區(qū)管理者和工作人員使用。

分析系統(tǒng)由視覺文本生成分析、視覺融合分析、文本融合分析和智能決策分析4個算法，及其對應的模型和數(shù)據(jù)集組成。其中視覺文本生成分析數(shù)據(jù)集來自于視覺數(shù)據(jù)，視覺和文本融合分析數(shù)據(jù)集來自于融合數(shù)據(jù)，智能決策分析數(shù)據(jù)集來自于決策數(shù)據(jù)。

初始數(shù)據(jù)集由系統(tǒng)按照事物對象發(fā)布具體任務，有獎征集，按照系統(tǒng)要求標注數(shù)據(jù)，經(jīng)過人工校對后構建。算法依據(jù)初始數(shù)據(jù)集生成初始分析模型，其中游客可以修改自己視覺數(shù)據(jù)的生成文本、標注文本，系統(tǒng)管理員可以修改生成文本、融合數(shù)據(jù)和決策數(shù)據(jù)，以保證初始數(shù)據(jù)集的準確性。系統(tǒng)上線后，游客生成實時數(shù)據(jù)算法，依據(jù)模型分析數(shù)據(jù)產(chǎn)生新的生成文本、融合數(shù)據(jù)和決策數(shù)據(jù)。管理員從這些數(shù)據(jù)中提取部分高質(zhì)量結(jié)果并進行人工校正，豐富訓練數(shù)據(jù)集，重新訓練模型，如此對數(shù)據(jù)集和模型進行不斷的迭代和完善。

2.2.3" 數(shù)據(jù)存儲模塊

依據(jù)系統(tǒng)功能和分析邏輯設計底層數(shù)據(jù)庫，數(shù)據(jù)庫系統(tǒng)中除用戶信息表（游客、景區(qū)管理者和景區(qū)工作人員）外，主要數(shù)據(jù)表有視覺數(shù)據(jù)表、評論數(shù)據(jù)表、融合數(shù)據(jù)表和決策數(shù)據(jù)表，ER圖如圖6所示。

游客的UGC數(shù)據(jù)包括視覺數(shù)據(jù)和文本評論數(shù)據(jù)。游客可以上傳多個視覺數(shù)據(jù)，生成視覺數(shù)據(jù)表，每個游客可以對任何一個視覺數(shù)據(jù)發(fā)表多個評論，形成評論數(shù)據(jù)表。當游客上傳視覺數(shù)據(jù)后，系統(tǒng)自動進行生成分析，生成相應的文本字段gen_text。其中視覺數(shù)據(jù)屬性（元數(shù)據(jù)）包括數(shù)據(jù)標識（visual_id）、數(shù)據(jù)類型（type，包括照片和視頻兩類）、時間（datetime）、GPS坐標（poi）等。評論是游客對視覺數(shù)據(jù)的評論，主要包括評論時間（datetime）和評論內(nèi)容（review_content）等屬性。從數(shù)據(jù)分析角度，UGC分成視覺和文本兩類，視覺數(shù)據(jù)來源于視覺數(shù)據(jù)表的media字段，文本數(shù)據(jù)來源于視覺數(shù)據(jù)表的標注文本（tag_text）、生成文本（gen_text）和評論數(shù)據(jù)的評論文本（rev_text）三個字段。

融合分析以視覺數(shù)據(jù)表和評論數(shù)據(jù)表為數(shù)據(jù)源，依據(jù)空間、時間和數(shù)據(jù)表達內(nèi)容等信息，將描述同一個事件的多個記錄進行融合分析，發(fā)現(xiàn)事件形成融合數(shù)據(jù)表。融合分析分別對視覺數(shù)據(jù)和文本數(shù)據(jù)進行融合，生成融合數(shù)據(jù)表的fusion_media和desc_text兩個字段。其中sets_vids是使用UGC數(shù)據(jù)庫中的視覺數(shù)據(jù)的visual_id集合，以便于查找原始數(shù)據(jù)校正分析結(jié)果。其中fusion_id是融合數(shù)據(jù)標識，start_time和end_time是事件開始時間和結(jié)束時間，place是從多個GPS坐標計算出事件發(fā)生的地點。決策分析以融合數(shù)據(jù)表為數(shù)據(jù)源，從表中抽取部分關鍵事件，分析事件的嚴重程度和等級、事件所涉及的問題部門和負責部門等，從而生成決策數(shù)據(jù)表；決策數(shù)據(jù)表通過系統(tǒng)向有關景區(qū)管理者、工作人員發(fā)布通知，也可以向游客發(fā)布信息。其中event_id是事件標識，serverity、grade分別為事件的嚴重程度和處理等級，p_department和r_department分別是問題部門和負責處理的部門。

3" 關鍵技術

群智感知計算系統(tǒng)構建技術已經(jīng)比較成熟，為方便開發(fā)和部署，系統(tǒng)基于B/S架構實現(xiàn)，系統(tǒng)主要功能在服務器端，服務器部署在云端，從云申請存儲和計算資源來實現(xiàn)數(shù)據(jù)存儲和計算架構。服務端主要包括Web系統(tǒng)（用于交互）和數(shù)據(jù)分析系統(tǒng)（智能核心）兩大模塊，關鍵技術具體如下。

3.1" Web系統(tǒng)

由于Python語言在數(shù)據(jù)分析、人工智能和Web開發(fā)方面都有很好的解決方案，MySQL是高性能的關系型數(shù)據(jù)庫，因此系統(tǒng)服務器端開發(fā)選擇Python語言和MySQL數(shù)據(jù)庫實現(xiàn)。Web前端基于html5+css3+js+bootstrap的響應式Web前端開發(fā)技術，小程序基于WXML+WXSS+JS開發(fā)。

服務器端基于MVC架構，即模型?視圖?控制器（Model?View?Controller），其中模型（Model）負責數(shù)據(jù)處理；視圖（View）負責用戶界面；控制器（Controller）負責邏輯處理。MVC分離了界面顯示、邏輯處理和數(shù)據(jù)存儲的代碼，有助于系統(tǒng)開發(fā)的分層和解耦，提高程序的可擴展性和可維護性。

Web服務器后臺基于Python的DjangoWeb框架實現(xiàn)。Django采用MVT設計模式實現(xiàn)MVC軟件架構，MVT即模型?視圖?模板（Model?View?Template），其中M（模型）與MVC中的M相同，負責數(shù)據(jù)模型；T（模板）與MVC中的V類似，負責用戶界面；V（視圖）與MVC中的C類似，調(diào)用M和T，響應請求。

3.2" 數(shù)據(jù)分析技術

數(shù)據(jù)分析主要是基于人工神經(jīng)網(wǎng)絡ANN技術實現(xiàn)，ANN從早期的BP神經(jīng)網(wǎng)絡發(fā)展成當前的深度學習網(wǎng)絡，適合系統(tǒng)需要的決策分析、視覺分析和文本分析，而且有相對成熟的模型。

1） 生成分析

TensorFlow的ShowandTell模型是一個比較成熟的看圖寫話模型，模型采用編碼器?解碼器的神經(jīng)網(wǎng)絡，首先選用CNN模型作為編碼器，然后利用LSTM模型做解碼器。視頻的生成分析與該模型結(jié)構類似，也是編碼器?解碼器的網(wǎng)絡結(jié)構，故本文采用文獻[14]和文獻[15]的方法構建基于深度學習的多模態(tài)空間的視覺文本生成框架。如圖7所示，視覺數(shù)據(jù)輸入到編碼器，視頻、音頻和圖片編碼器在深度卷積神經(jīng)網(wǎng)絡的作用下實現(xiàn)特征的提取；文本編碼器在提取單詞特征的基礎上學習并更新單詞的特征表示，并將其按照上下文順序反饋給循環(huán)神經(jīng)網(wǎng)絡；多模態(tài)空間的作用是將視頻、音頻、圖像和文本特征映射到空間，然后傳至文本解碼器，利用解碼器輸出單詞序列，生成視覺數(shù)據(jù)描述。

2） 融合分析

文本融合分析采用文獻[16]的方法，基于生成對抗網(wǎng)絡（Generative Adversarial Network， GAN）構建。如圖8所示，首先通過GAN將視覺數(shù)據(jù)的標注文本、生成文本和評論文本生成短的文本摘要；其次為了保證短文本和數(shù)據(jù)源的相似性和可讀性，增加相似性判別器和可讀性判別器；最后輸入融合文本。其中，相似性判別器由兩個基于CNN模型的編碼器組成，一個編碼器用于短文，另一個則用于原始數(shù)據(jù)源的長文。可讀性判別器是基于CNN實現(xiàn)的二元分類器模型，用來判別生成的文本是否具有可讀性（是生成器生成還是人類生成）。

系統(tǒng)決策分析是依據(jù)融合文本，但融合文本中已經(jīng)包含視覺數(shù)據(jù)的描述，因此系統(tǒng)的視覺融合數(shù)據(jù)僅作為人工驗證和分析使用，不影響系統(tǒng)的智能決策分析。視覺融合采用文獻[17]的MoVi系統(tǒng)算法，按照時間、空間和文本描述等信息將圖片、視頻和音頻等拼接成一個視頻片段。

3） 決策分析

BP神經(jīng)網(wǎng)絡具有很強的非線性映射能力和柔性的網(wǎng)絡結(jié)構，在智能決策[18]和安全預警系統(tǒng)[19]中已經(jīng)有廣泛應用。BP神經(jīng)網(wǎng)絡由輸入層、隱藏層、輸出層組成，給定訓練集D={（x1，y1），（x2，y2），…，（xn，yn）}，將每次訓練得到的結(jié)果與預想結(jié)果進行誤差分析，進而修改權值和閾值，逐步得到輸出和預想結(jié)果一致的模型。系統(tǒng)決策分析的輸入數(shù)據(jù)是融合數(shù)據(jù)，主要包括融合文本、時間、空間等信息，不包括融合的視頻數(shù)據(jù)，從原數(shù)據(jù)中提取關鍵特征，進行多類別分類，即：Y1問題部門（哪里出了問題）、Y2負責部門（由哪個部門負責處理）、Y3嚴重程度（問題的嚴重程度）、Y4處理等級（問題處理的時間要求）。

4" 結(jié)" 論

本文提出一種基于群智感知計算技術實現(xiàn)景區(qū)智能監(jiān)管的系統(tǒng)。首先，利用眾包思想，通過紅包等方式激勵游客通過手機上傳照片、視頻、評論等UGC數(shù)據(jù)，從而采集景區(qū)監(jiān)管所需數(shù)據(jù)；然后，通過后臺數(shù)據(jù)分析（包括視覺分析、文本分析和決策分析），智能化發(fā)現(xiàn)、判斷景區(qū)相關監(jiān)管事件。所設計系統(tǒng)不僅節(jié)省了景區(qū)監(jiān)管鋪設物聯(lián)網(wǎng)設備的成本，而且能實現(xiàn)更深入、廣泛的監(jiān)管。本文設計思路也為智慧景區(qū)建設提供了一種新的解決方案。

注：本文通訊作者為劉艷玲。

參考文獻

[1] 黨安榮，張丹明，陳楊.智慧景區(qū)的內(nèi)涵與總體框架研究[J].中國園林，2011，27（9）：15?21.

[2] 鄧賢峰，李霞.“智慧景區(qū)”評價標準體系研究[J].電子政務，2012（9）：100?106.

[3] 黃思思.國內(nèi)智慧旅游研究綜述[J].地理與地理信息科學，2014，30（2）：97?101.

[4] 胡文藝，王緒本，闞璦珂，等.基于物聯(lián)網(wǎng)的旅游安全監(jiān)測信息服務站的設計與實現(xiàn)[J].測控技術，2013，32（6）：136?139.

[5] NARANGAJAVANA K Y， CALLARISA F L J， MOLINER T M A， et al. User?generated content sources in social media： A new approach to explore tourist satisfaction [J]. Journal of travel research， 2019， 58（2）： 253?265.

[6] GUO B， WANG Z， YU Z， et al. Mobile crowd sensing and computing： The review of an emerging human?powered sensing paradigm [J]. ACM computing surveys （CSUR）， 2015， 48（1）： 1?31.

[7] BRATISLAV P， YAN Z， EBERLE J， et al. ExposureSense： integrating daily activities with air quality using mobile participatory sensing [C]// IEEE International Conference on Pervasive Computing amp; Communications Workshops. [S.l.]： IEEE， 2013： 303?305.

[8] HU Shaohan， LIU Hengchang， SU Lu， et al. SmartRoad： a mobile phone based crowd?sourced road sensing system [EB/OL]. [2023?08?07]. https：//www.ideals.illinois.edu/items/45678.

[9] NAWAZ S， EFSTRATIOU C， MASCOLO C. Parksense： a smartphone based sensing system for on?street parking [C]// Proceedings of the 19th Annual International Conference on Mobile Computing amp; Networking. [S.l.]： ACM， 2013： 75?86.

[10] RANA R， CHOU C T， BULUSU N， et al. Ear?Phone： a context?aware noise mapping using smart phones [J]. Pervasive and mobile computing， 2015， 17： 1?22.

[11] BOUBICHE D E， IMRAN M， MAQSOOD A， et al. Mobile crowd sensing–Taxonomy， applications， challenges， and solutions [J]. Computers in human behavior， 2019， 101： 352?370.

[12] ABUALSAUD K， ELFOULY T M， KHATTAB T， et al. A survey on mobile crowd?sensing and its applications in the IoT era [J]. IEEE access， 2018， 7： 3855?3881.

[13] FITZEK F H P， LI S C， SPEIDEL S， et al. Frontiers of transdisciplinary research in tactile internet with human?in?the?loop [C]// 2021 17th International Symposium on Wireless Communication Systems （ISWCS）. [S.l.]： IEEE， 2021： 1?6.

[14] LI C Y， LIANG X， HU Z， et al. Hybrid retrieval?generation reinforced agent for medical image report generation [C]// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2018： 1537?1547.

[15] 李銘興，徐成，李學偉，等.基于多模態(tài)融合的城市道路場景視頻描述模型研究[J].計算機應用研究，2023，40（2）：607?611.

[16] 劉曉影，王淮，烏吉斯古愣.基于GAN和中文詞匯網(wǎng)的文本摘要技術[J].計算機科學，2022，49（12）：301?304.

[17] BAO X， CHOUDHURY R R. Movi： mobile phone based video highlights via collaborative sensing [C]// Proceedings of the 8th International Conference on Mobile Systems， Applications， and Services. San Francisco： ACM， 2010： 357?370.

[18] 冉雨，程郁凡，陳大勇，等.采用BP神經(jīng)網(wǎng)絡的智能抗干擾決策引擎研究[J].信號處理，2019，35（8）：1350?1357.

[19] 韓林芝，鄭江華.BP神經(jīng)網(wǎng)絡在旅游安全預警信息系統(tǒng)中的應用研究[J].安徽農(nóng)業(yè)科學，2009，37（7）：3327?3329.