智慧旅游建设中的关键技术研究.pdf

2023 年 8 月 25 日第 7 卷 第 16 期现代信息科技Modern Information TechnologyAug.2023 Vol.7 No.161161162023.082023.08收稿日期：2023-02-17基金项目：2022 年度河南省重点研发与推广专项科技攻关项目（222102320115）；2023 年度河南省重点研发与推广专项科技攻关项目（232102321072）智慧旅游建设中的关键技术研究董淼1，王晓茹1，孙荣荣1，蒋纬昌2（1.河南工业职业技术学院 建筑工程学院，河南，南阳 473000；2.中国移动通信集团河南有限公司南阳分公司，河南，南阳 473000）摘 要：后疫情时代，文旅产业成为带动经济增长和刺激消费的重要引擎。随着 5G、云计算、物联网、人工智能等技术的快速发展，游客对智慧旅游的需求空前高涨。人工智能技术和数字技术的应用是智慧旅游发展的必然趋势，有助于整合景区及其周边区域的旅游资源，提升游客体验和旅游业管理水平。文章首先对智慧旅游的研究进行梳理，其次探究了智慧旅游的关键技术，最后分析了机器学习在智慧旅游建设中的应用。关键词：智慧旅游；人工智能；机器学习中图分类号：TP39 文献标识码：A 文章编号：2096-4706（2023）16-0116-06Research on Key Technologies of Smart Tourism ConstructionDONG Miao1,WANG Xiaoru1,SUN Rongrong1,JIANG Weichang2(1.Department of Architectural Engineering,Henan Polytechnic Institute,Nanyang 473000,China;2.Nanyang Branch of China Mobile Communications Group Henan Co.,Ltd.,Nanyang 473000,China)Abstract:In the post pandemic era,the cultural and tourism industry has become an important engine driving economic growth and stimulating consumption.With the rapid development of 5G,cloud computing,Internet of Things,artificial intelligence and other technologies,tourists have an unprecedented demand for smart tourism.The use of artificial intelligence technology and digital technology is the inevitable trend of smart tourism development,and is conducive to integrate tourist resources in scenic spots and their surrounding regions,and improve tourist experience and tourism management level.This paper first sort out the research of smart tourism,then studies the key technologies of smart tourism,and finally analyzes the application of machine learning in smart tourism construction.Keywords:smart tourism;Artificial Intelligence;machine learning0 引 言随着疫情的结束，我国旅游业迎来大众旅游时代，处于“机遇挑战并存、矛盾风险交织”的特殊发展期。“十四五”规划及 2035 年远景目标纲要、党的二十大报告对文旅融合发展和智慧旅游提出了新的要求。以 5G、大数据、云计算、人工智能和物联网等为核心的信息化技术赋能智慧旅游，改变景区、游客以及导游等各个主体之间的交互方式，提升游客的旅游感知和体验。1 相关文献综述目前，学术界对智慧旅游关键技术的研究主要集中在旅游融合、旅游信息化建设和旅游智慧化发DOI:10.19850/ki.2096-4706.2023.16.025展三个方面。在旅游融合方面，肖敏研究了新媒体、“互联网+”在休闲农业旅游资源融合开发中的作用1；刘冰洁运用耦合协调度模型测算互联网对文旅融合的影响及其空间效应2；邬江以数字化视域研究文旅融合，推动智慧旅游发展3；刘栋提出以文化为载体和主线，将文化旅游资源与周边产业链相融合，推动乡镇文化旅游资源融合开发4。在旅游信息化建设方面，利用一些新兴的数字化、互联网技术建设智能化景区。吴爱云提出利用旅游资源数据构建旅游资源大数据服务平台，打造集准确性、实用性、时效性、融合性、便利性于一身的旅游景区5；白然提出运用信息与互联网技术和大数据分析技术完善基础设施建设，整合城市及其周边区域的旅游资源，提升游客体验和旅游业管理水平6；黄蕊提出利用数字技术拓展旅游市场的认知边界，创造全新的旅游应用场景，推动数字化转型和旅游产业供给侧结构性变革7；贺剑武研究现代信息科技8月下16期.indd 116现代信息科技8月下16期.indd 1162023/8/15 17:38:202023/8/15 17:38:201171172023.082023.08第 16 期乡村旅游信息化建设与智慧旅游的融合发展8。在旅游智慧化发展方面，在“互联网+”大环境下，旅游与多个行业交叉渗透，产生海量、庞杂的数据，利用大数据技术、人工智能算法、数据挖掘分析、云计算等实现旅游全过程的智慧化。叶紫青研究大数据促进旅游业高质量发展的作用机制，从中得出大数据的挖掘和应用有力推动了在线旅游、智慧景区、智能出行等新兴业态的发展，为旅游业的转型升级做出了巨大贡献9；张佳琳等人利用卷积神经网络设计旅游推荐模型以实现旅游智慧化推荐10；孙振强等人提出融合用户情感与相似度的智能旅游路径推荐方法，实现旅游目的地的智能推送11；赵雅楠等人提出基于不确定近邻的旅游产品协同过滤推荐算法，在向用户精准推荐智慧旅游产品领域发挥着至关重要的作用12。2 智慧旅游关键技术智慧旅游是以数据、技术为驱动，通过各种技术及手段为游客打造超高舒适度和体验感的旅游经历。在大众旅游时代，相关人员运用智慧旅游的各种信息技术对旅游者数据进行收集、计算和挖掘，通过智能数据积累主动探寻旅游者的现实需求和潜在需求，基于全过程、全要素的服务资源集成和参与主体协同，为旅游者设计个性化服务方案并精准推送给旅游者，切实满足其旅游需求并提升其旅游体验。如表 1 所示为不同时期智慧旅游比较。表 1 不同时期智慧旅游比较年代旅游信息获取分享方式关键技术20 世纪 8090 年代报纸、广播、电视交谈分享电视网络21 世纪初短信、电视、门户网站论坛、博客GSM、Web 网站大众旅游时代算法推荐、新媒体微信、头条、抖音、旅游评价、算法推荐大数据、机器学习算法、GIS、物联网、云计算、人工智能2.1 大数据随着博客、社交网络、基于位置的服务 GIS 等新型信息发布方式的不断涌现，以及云计算、物联网等技术的悄然兴起，数据正以前所未有的速度增长和累积，大数据时代已经到来。根据 IDC 做出的估测，数据一直在以每年 50%的速度持续增长，也就是说数据量每两年就会增长一倍（大数据摩尔定律）。当前，在旅游过程中产生了海量的数据，获取旅游信息时利用搜索引擎进行搜索，会产生大量的搜索数据（Search Engine Data,SED）。在旅游过程中产生大量的交通数据（Tourism Traffic Data）、住宿数据（Accommodation Data）、餐饮数据（Catering Data）、景点数据（Scenic Spot Data），同时还会产生海量的图片和音视频等数据。在旅游后产生评论数据（Comment Data）、热门景点数据、景点关键词数据，等等。2.2 云计算旅游过程中产生的海量数据需要依托云计算进行云存储，涉及大量的结构化和非结构化数据，同时还需要云计算提供算力支持，以为旅游过程中需要做出的各种决策提供算力支撑。利用云计算技术提供高性能计算，结合底层物联网平台 API 接口，对上层应用组件进行封装、整合，形成数据分析工具包，方便平台上跨应用的调用和整合，提升计算能力。云计算还能为智慧旅游提供作业调度能力，引进成熟的作业调度系统，实现作业调度与大数据计算、存储组件的无缝整合，支持多组件、多类型作业的可视化配置、调度和管理功能。2.3 物联网物联网就是利用射频识别、无线数据通信、计算机等构造一个覆盖世界万物的实物互联网。在智慧旅游中，物联网技术是平台与用户交互的窗口，自助导览、电子导航、一键导购、快速分享是其主要的应用，加之移动互联网的应用和安全的网上支付平台，游客可以随时随地制订或改变旅游计划和行程。2.4 5G 技术5G 技术以超低时延、超大带宽和海量连接为智慧旅游的各种信息化应用提供可靠的连接，满足它们的数据传输需求。“5G+数字化管理平台”“5G+VR全景直播”“5G+AI 移动执法”等应用场景已在多个景区成熟运行。5G 无人车基于“人车路网云一体化”的设计理念，实现“人、车、路、网、边、云”多路协同，构建完整的 5G 车路协同-自动驾驶解决方案，采用 5G-V2X 技术在景区内部署 MEC边缘云+专用 UPF，充分发挥 5G 大带宽、低时延、高可靠性的网络优势，在 5G+MEC 网络基础上使游客获得更好的智慧旅游感知。2.5 人工智能技术人工智能技术主要涉及机器学习与深度学习，董淼，等：智慧旅游建设中的关键技术研究现代信息科技8月下16期.indd 117现代信息科技8月下16期.indd 1172023/8/15 17:38:202023/8/15 17:38:20118118第 16 期现代信息科技2023.082023.08当前常见的应用有机器视觉、指纹识别、人脸识别、自动规划、智能搜索、决策、智能控制、语言和图像理解、数据处理等。在智慧旅游领域，景点客流量预测、游客画像、智能推送、旅游决策等方面都需要人工智能技术的加持。3 机器学习在智慧旅游建设中的应用机器学习（Machine Learning）是一门融合统计学、计算机科学、神经网络（Neural Network）等诸多领域的交叉学科。它通过数据科学技术帮助计算机从现有的数据中学习，从而预测未来的行为、结果和趋势。利用机器学习处理旅游业相关的数据信息，为智慧旅游建设提供数据支撑。3.1 机器学习赋能智慧旅游机器学习模型与算法在智慧旅游发展和建设中主要用于数据调查、精准营销、出行分析、游客画像、热度分析、游客流量分析、商业选址、智能推荐等，如图 1 所示。12大细分服务APP热度分析商业选址景区客流分析游客信用大数据短信客流分析APP行业洞察，个性化市场分析最优选址模型客流分析、游客偏好洞察个人信用评分、数据匹配验真人群精确定位、信息快速触达人口模型、流动人口分析大数据调查精准营销终端洞察出行分析游客画像文旅产业监测精准问卷推送、快速回收分析标签快速定位、广告精准触达终端用户分析、个性化终端洞察出行分析、交通拥塞预测可视化平台、游客监测旅游产业监测、大数据精准决策图 1 机器学习赋能智慧旅游3.2 机器学习在智慧旅游中的实施机器学习在智慧旅游中的典型应用涉及旅游前、旅游中和旅游后。游客在出行前一般会进行景区的检索和信息的查询，通过搜索引擎、官方APP、公众号、第三方旅游网站等实现信息查询，由用户生产的数据（User Generated Content,UGC）海量出现，为探索、解析复杂多变的消费者行为和社会经济现象提供了新的内容和路径。利用机器学习对数据进行分析，获得游客画像，预测游客的基本需求，一方面进行游客和景区信息的精准推送，另一方面根据游客需求进行景区的建设。在旅游中对客流量大小、游客来源、交通工具选择、终端使用情况等数据信息进行分析，实现餐饮推荐、住宿推荐、短信推送、商品推荐等，同时进行人流量的分析和预测，确保景区安全。游客会根据游玩过程中的体验感受进行社交网络分享，特别是一些“网红”、流量大 V 等通过头条、抖音、微博等平台进行分享，具有较大的影响力。利用机器学习对旅游中产生的数据进行实时监测，实现景区的智能化发展。在旅游后利用游客数据和景区数据进行智慧景区、智慧旅游的改造和提升。机器学习算法在智慧旅游中的实施过程如图 2 所示。问题抽象数据采集数据预处理及特征提取模型构建模型验证效果评价景点信息查询、旅游信息搜集、景点推荐、交通推荐、出行分析游客信息收集、旅游资源开发、智慧景区构建、旅游资源融合、旅游舆情旅游数据分析、餐饮/美食/住宿推荐、商品推荐、路径寻优、人流量预警游客画像、短信推送、旅游产业监测、游客信息采集、景区安全、客流分析景点评价、旅游游记、转发分享、再次推荐、问卷调查、建议收集、旅游资源优化商业选址、游客评价、满意度分析、商品销售分析、投诉分析、IP打造、精准营销旅游前游客景区旅游中游客景区旅游后游客景区机器学习一般应用流程图 2 机器学习算法在智慧旅游中的实施过程3.3 机器学习算法选择机器学习主要是利用经验数据来改善系统自身的性能，包括分类、回归、聚类、降维等。不同的机器学习算法在智慧旅游中的应用方向不同，分类算法用于游客画像、内容推荐、景区分类等；聚类算法用于市场细分、社交圈分析、旅游数据分析等；回归算法用于游客流量预测、商品预测、景区评估等。现代信息科技8月下16期.indd 118现代信息科技8月下16期.indd 1182023/8/15 17:38:202023/8/15 17:38:201191192023.082023.08第 16 期3.4 机器学习算法在智慧旅游中的应用3.4.1 基于 K-近邻算法的客流量预测采用 K-近邻算法（K-Nearest Neighbor,KNN）进行景点分类，从而实现景点的智能推荐。在智慧旅游中景点的智能推荐成为热门，采用 K-近邻算法建立分类模型，对景点进行分类，根据景点的分类决定是否将该景点推荐给游客。选取 N 个关键指标（如是否为法定假日、景点级别、客流量、门票价格、住宿价格、距离等指标），建立 K-近邻算法模型，对景点进行分类，将分类结果排序推送给用户。如表 2 所示为 K-近邻景点推荐算法应用。表 2 K-近邻景点推荐算法应用景点是否假期级别客流量/人门票价格/元住宿价格/元距离/km推荐指数景点 A否2A3 00030180200NA景点 B是4A68 00050260150NA景点 C是5A13 2001503601 200NA景点 D否1A1 5001012050NA景点 E是3A9 80040120160NA景点 F是4A47 30080250650NA假设训练一个带有标签的数据集，其包含 N 个样本，每个样本是由 m 个特征的训练样本组成的数据集，通过训练分类后 Xi对应的标签为Ci。针对任意测试样本 Xj，K-近邻算法将其分类为Cj，具体步骤如下：1）在训练样本 T 中找到与测试样本 Xj距离最近的 K 个样本，记作近邻子集，其中测试样本 Xt与训练样本集 第 i个训练样本 Xj之间的距离为：（1）p=1 为曼哈顿距离，p=2 为欧氏距离。2）根据投票原则从 K 邻近子集 中选出最具代表性的类标签作为测试样本 Xj的类标签 Cj：（2）其中，的值为 0 或 1，C 表示样本的类标签，表示邻近子集 第i个样本的类标签。选择景点级别、门票价格、是否为法定假日、空间距离、天气 5 种影响游客量的主要因素作为预测的样本属性，运用式（2）对这 5 种属性进行归一化处理，得到训练样本集：（3）选取开封5A级景区清明上河园作为研究对象，选取携程网、途牛网上的游客评论数据进行分析，采用 Python 程序爬取 2022 全年的数据。对数据进行预处理后随机选取 80%的样本作为训练集，选取20%的样本作为测试集。实验结果表明，采用 K-近邻算法得出的游客预测人数与实际人数有较好的拟合度。基于 K-近邻算法的客流量预测曲线如图 3所示。实际人数实际人数预测人数预测人数2 000 2 500 3 000 3 500 4 000 4 500 5 000 5 500 6 000 6 500 7 000 7 500 8 000 8 500 9 000 9 500 10 00010 0008 0006 0004 0002 000图 3 基于 K-近邻算法的客流量预测3.4.2 基于朴素贝叶斯算法的旅游评价情感分析采 用 贝 叶 斯 分 类 算 法（Navie Bayesian Classification）进行旅游舆情分析，借助旅游评论数据进行游客情感分析，使景区管理者实行针对性的整改，提升游客满意度。如表 3 所示为贝叶斯分类算法在旅游舆情分析中的应用。董淼，等：智慧旅游建设中的关键技术研究现代信息科技8月下16期.indd 119现代信息科技8月下16期.indd 1192023/8/15 17:38:202023/8/15 17:38:20120120第 16 期现代信息科技2023.082023.08龙门石窟 清明上河园 云台山-神农山青天河 红旗渠太行大峡谷 栾川老君山鸡冠洞正面情绪词80.6574.8181.3671.9676.21负面情绪词4.927.762.395.788.27中性情绪词14.4317.4316.2522.2615.520 10 20 30 40 50 60 70 80 90 占比/%图 4 基于朴素贝叶斯算法的游客情感倾向表 3 贝叶斯分类算法在旅游舆情分析中的应用游客评论内容类别很赞、很美、值得一去1来玩了三天，体验一级棒！房间干净宽敞，采光好，服务也很好，超级推荐1因台风航班取消，机票却退不了，处理问题效率低下0酒店很好，小哥很热情，所推荐的当地菜和火锅都不错1景区没法停车，只能步行0网红景点之一，体验感十足，很棒1基于朴素贝叶斯算法的旅游评价情感分类核心是贝叶斯分类器，采用贝叶斯公式计算相应的后验概率，选择最大后验概率中的类别作为所要判断事件的所属类：（4）其中：P(A|B)表示在 B 条件下 A 发生的概率，即事件A在另一事件B已经发生情况下的发生概率。P(AB)表示事件 A、B 同时发生的概率，也称为联合概率。P(B)表示事件 B 发生的概率。AB 都发生的概率就是 B 发生的概率乘以 B 发生情况下 A 发生的概率，也就是 P(AB)=P(A|B)P(B)。如果事件组 B1，B2，B3，Bi满足两两互斥，P(Bi0；i=1，2，3，n)，且 同 时 满 足B1B2B3=，则称事件组 B1，B2，B3，Bi是样本空间 的一个划分。A 为任一事件，则有：（5）（6）满足最大后验概率 A 对应 B 中的类别为：；i=1，2，3 （7）选取 2021 年 5A 级景区品牌影响力 100 强榜单中的 5 家河南景区，利用 Python 爬取携程旅游网站中 5 个景点的 25 000 条数据，按照原始文本文本处理匹配 BosonNLP 情感词典计算情感值的过程进行情感分析。结合式（5）（6）和（7）计算得到 5 个景区的情感得分，同时将所有的评价按照0 1.5 分、1.5 3.5 分和 3.5 5 分的标准分为负面情感评论、中性情感评论和正面情感评论，分别计算不同特征下的评论情感比例。基于朴素贝叶斯算法的游客情感倾向如图 4 所示。4 结 论云计算、大数据、人工智能等关键技术赋能智慧旅游使得旅游参与的各个方面都能够高效地参与到旅游全流程中，智慧旅游的建设能够整合区域旅游资源，提升管理效率，提高旅游业服务质量，为游客带来更具创意的旅游产品和出行体验，同时大大促进旅游业的发展。本文最后重点介绍了机器学习在智慧旅游中的应用，主要包含客流量预测和游客情感评价。参考文献：1 肖敏，姜启军.基于产业融合视角的休闲农业与乡村旅游资源的开发探索评休闲农业与乡村旅游专题研究 J.热带作物学报，2020，41（8）：1730.2 刘冰洁，赵彦云，李倩.互联网对文旅融合的影响及其空间效应 J.资源开发与市场，2023，39（2）：217-224.3 邬江.数字化视域下文旅融合推动智慧旅游创新研究 J.经济问题，2022，513（5）：75-81.4 刘栋.基于产业融合视角的乡镇文化旅游资源开发策略以周窝音乐小镇为例 J.湖北农业科学，2014，53（12）：2966-2969.5 吴爱云，黄东霞.吉林省文化旅游资源大数据服务平台建设研究 J.图书馆学研究，2020，491（24）：14-21.6 白然，田敏娜，李庆生，等.大数据时代智慧旅游城市建设探讨 J.商业经济研究，2021，815（4）：180-182.7 黄蕊，李雪威.数字技术提升中国旅游产业效率的机理与路径 J.当代经济研究，2021，306（2）：75-84.（下转124页）现代信息科技8月下16期.indd 120现代信息科技8月下16期.indd 1202023/8/15 17:38:202023/8/15 17:38:20124124第 16 期现代信息科技2023.082023.08图 5 基于三维模型的裸眼测图表 1 地形图精度检测统计表（部分检查点）单位：m点号较差 DX较差 DY较差 DS较差 DZJCD01-0.4790.5870.7580.478JCD020.488-0.6120.783-0.714JCD030.4450.1350.4650.514JCD28-0.4210.3540.550-0.526JCD29-0.5040.2510.563-0.614JCD300.614-0.3580.7110.4586 结 论本文采用倾斜摄影仿地飞行技术，对某一山区进行了航空摄影测量，生产了1:2 000比例尺地形图。利用外业采集的特征检查点，对本次获得的地形图精度进行了检测统计。对检测数值进行分析，本次生产的地形图精度均匀，无超限点位，整体成果质量良好，符合 1:2 000 地形图规范要求，本文的仿地飞行技术可以为山地地形图的测绘带来借鉴。参考文献：1 黄利章.无人机仿地飞行在复杂地形水库倾斜摄影测量中的应用 J.经纬天地，2022（4）：44-46+62.2 何亚锐.西部高山无人机仿地飞行倾斜摄影测量三维建模研究 D.南昌：东华理工大学，2022.3 辛赟.无人机仿地飞行在铜川地区某石灰岩矿区测图中的应用 J.中国非金属矿工业导刊，2020（3）：53-56.4 张强.仿地飞行在无人机倾斜摄影测量中的应用 J.科技创新与应用，2020（7）：179-180.5 赖斌.大疆精灵 4 RTK 仿地飞行在大高差地形测量中的应用 J.中国水运.航道科技，2020（2）：59-63.6 魏军，于洪雨，靳巧珠，等.无人机倾斜摄影技术在农村房地一体确权登记项目中的应用研究 J.测绘与空间地理信息，2023，46（2）：60-63.作者简介：代明（1987），男，汉族，湖北仙桃人，工程师，本科，主要研究方向：地理信息系统和测绘。8 贺剑武.乡村旅游信息化建设与智慧旅游融合发展路径探讨 J.农业经济，2019，388（8）：39-41.9 叶紫青，刘怡君，王鹏飞.大数据促进旅游业高质量发展的作用机制与政策建议 J.企业经济，2022，41（8）：132-141.10 张佳琳，柏思佳，刘爽.基于卷积神经网络的旅游推荐模型设计 J.太赫兹科学与电子信息学报，2020，18（6）：1128-1132.11 孙振强，罗永龙，郑孝遥，等.一种融合用户情感与相似度的智能旅游路径推荐方法 J.计算机科学，2021，48（S1）：226-230.12 赵雅楠，王育清.基于不确定近邻的旅游产品协同过滤推荐算法研究 J.数据分析与知识发现，2018，2（7）：63-71.作者简介：董淼（1989.10），女，汉族，河南南阳人，讲师，硕士研究生，研究方向：智慧旅游、园林规划。（上接120页）现代信息科技8月下16期.indd 124现代信息科技8月下16期.indd 1242023/8/15 17:38:212023/8/15 17:38:21