本发明具体涉及一种景区游客链式出行一体化服务方法，涉及旅游服务软件开发技术领域。
背景技术：
随着我国国民经济的不断发展以及城市化进程的不断推进，我国旅游经济也快速发展。同时我国地大物博，地域跨度大，拥有大量的、优质的、多样的、全面的旅游资源，以及独特的文化特色。然而，由于各个地区经济发展不平衡，使得旅游资源开发与管理水平参差不齐；目前由于缺乏有效的旅游引导、路径规划，使得我国的旅游业广泛存在着“扎堆”的现象。一些景区爆满，而一些景区门可罗雀，同样出现在同一个景区中，有点景点人满为患，有的景点却没有游客，形成景区的游客量不均衡现象。
当然，随着旅游经济的发展，更多的关注的是游玩本身，却忽略了在途体验，即旅程中的出行。当处于一个城市时，由于缺少一体化的旅游服务链，使得游客没有最大化的享受该城市的旅程。当处于景区时，游客出行过程中，由于与景区信息缺少合理的良性交互，使得大部分人群通常盲目跟风地选择热门景点,而较少考虑自己的旅游意愿和自己偏好的旅游特色以及出行路线。同时由于每个景点的排队是否拥挤不明确，排队等待时间也不明确，加上对景点的地理坐标不明确，使得参观线路不优化，浪费了大量的时间，也降低了出游体验。景区一直追求的资源充分利用的目标缺乏实时数据与智能算法的支持，拥挤景点无法从排队人群获取收益，而闲置景点资源浪费。
目前在政策支持下，国内在线旅游蓬勃发展，2015年在线旅游市场交易规模达到4737.7亿元，同比增长49.6％。以互联网为主导的旅游市场发展迅速，占比达到70.2％。旅游用户的消费习惯正在发生改变，移动化、个性化、链式一体化成为新趋势，也衍生出新的产品形态：如基于位置的导航服务、信息发布以及基于游客需求的旅游信息推荐服务等。但是目前市场上的已有的产品，如航旅纵横、12306等具有行程预订功能，途牛、携程、飞猪等具有旅程预订功能，大众点评、美团等具有旅途消费功能，去哪儿、马蜂窝等具有旅行指南功能。
但是却没有任何一款软件提供实时的旅途信息交互，在景点排队信息实时动态显示、最优路径智能推送方面是市场空白。在旅程中缺少对旅游交通资源的整合，缺少对行程交通体验的关注，缺少一体化链式出行服务以及实时的动态信息获取。
技术实现要素：
本发明的目的是给出一种景区游客链式出行一体化提供方法，由于现有服务产品不能进行旅途信息交互，不能进行景点信息实时动态显示，以及不具有最优路径智能推送的功能，致使游客在旅途出行过程中存在缺乏有效的实时数据引导而产生旅游体验欠佳的问题。
本发明为解决上述技术问题采取的技术方案是：
一种景区游客链式出行一体化提供方法，所述方法包括景点排队时间实时预测的步骤、最佳游玩线路精准推送的步骤和游客反馈数据挖掘分析的步骤；
一、景点排队拥挤度、排队时间的实时预测：利用摄像头实时获取传送的游客排队图像，并利用视频识别对游客排队图像进行处理，再利用tensorflow深度学习方法识别出景点外的排队人数；
根据景点的实际情况建立的拥挤指标体系结合上述排队人数得到景点排队拥挤度；
通过上述游客排队图像获取游客排队流速，再结合排队人数得到景点排队时间；
所述tensorflow深度学习方法是：利用图像匹配、描述和识别对图像进行比较和配准，通过提取图像的特征及相互关系，得到图像符号化的描述以确定其分类；所述图像匹配试图建立两张图片之间的几何对应关系，度量其类似或不同的程度；
在拥挤度的识别中，需要将现状游客排队图像与标准的基础图像进行对比，基础图像包括不同天气不同时间点下采集的图像，然后计算出像素大小，即灰度，识别出排队区域的游客数量，并按照一定的指标进行拥挤度评价；同时，通过视频识别技术还可以得到排队游客向前移动的流速，并以此作为计算依据，计算出预计的排队时间；
二、最佳游玩路线精准推送：所述最佳游玩路线精准推送是一种基于顺序访问和遗传算法实现的路径优化，其过程为：
首先，利用所述景点排队时间，预估一定时间范围内各景点游客排队时间变化情况；其次，调用景区内各景点的人均游玩时长数据，若景区规定了特定景点的人均游览时间，则将该数据事先存储并由该步骤加载调用，若部分景点的游览时长未受限，则由游客自行输入预计的游览时长；最后，根据游客的位置数据及景区内各景点的地理分布，得到游客到达某一景点的步行时间，结合上述的排队时间及各景点的游览时间等数据，利用遗传算法优化游客的游览路线，使其总排队时间最小化，进而提高游客的旅游舒适程度；
三、游客反馈数据挖掘分析，所述游客反馈数据挖掘分析为交通旅游服务大数据应用过程，具体为：利用大数据手段对用户使用情况进行分析，从中可获得游客喜好情况、容易发生较严重排队拥堵的景点以及用户对不同推荐路线的偏好程度；
同时，根据使用历史使用数据，能够进行旅客活动时间特征分析，活动空间特征分析，地理流量流向特征分析；据此，可以对景区服务设施的质量、路线优化的程度以及均衡客流的方式进行分析，找出其中存在的问题，根据游客需求进行精准改进，从而使提升景区的服务质量、吸引效应以及游客的游玩体验。
进一步地，在最佳游玩路线精准推送过程中，根据所述优化过程，给出考虑最小化排队时间的数学模型如下：
式中：h——为时间区间；
i——为范围；
i——为范围内的点位编号，即景点编号；
约束条件：
式中：
ti——到达i点的时刻；
di-1,i——从i-1景点步行至i景点的距离；
tw,i-1——在i-1景点的游玩时间；
约束条件的含义分别为：每个景点只途经一次；到达各个景点的总时间计算；到达各个景点的时间所属于的时段判定。
进一步地，在最佳游玩路线精准推送过程中，i的取值为500米半径范围。
进一步地，在景点排队拥挤度、排队时间的实时预测过程中，tensorflow深度学习方法的模型训练如下：
步骤1、数据加载阶段
1)从图像训练数据集文件夹中读取每一张图片，读取过程保留文件夹信息，并将图片按照灰度值转换为tensor形式；每个文件夹代表一个独立的分类，该文件夹下所有图片属于同一种分类；
2)将标准基础图像进行分类存放并进行编号，将类别标识也转换为tensor形式；
3)按照每张图片所属文件夹信息，与类别标识相对应；
4)确定队列最小样本数量，对队列进行分区，并将训练样本图片输入到训练神经网络；
步骤2、图像预处理阶段
1)图片进入神经网络之后还不能直接对其进行处理，神经网络开始提取特征之前需对图片进行预处理；因为训练数据集中图片的像素尺寸大小不一，为保证输入层输入的图片具有统一大小的尺寸，图片在中央区域或随机地裁剪为128x128像素大小的灰度值矩阵；
2)对图像进行近似白平衡处理，减弱预训练模型对训练样本的动态范围变化敏感度；
步骤3、特征提取与正向传播阶段
1)图像进入神经网络后，各层卷积层使用不同的卷积核对图像提取不同特征，输出不同的特征图像至下层；卷积层特征提取步骤如下：
其中第l层为卷积层，第l+1层为下一层，
2)池化层以卷积层输出的特征图像为输入，定义池化范围在每一个通道的图像上以3*3的区域进行最大池化(max-pooling)；最大池化过程如下：
其中第l-1层为上一层，第l层为池化层，
步骤4、反向传播阶段
1)训练神经网络的损失函数使用多项式逻辑回归，在正则化过程中，对所有学习变量应用权重衰减损失，模型的目标函数是求交叉熵损失和所有权重衰减项的和；
2)正向传播计算出的预测结果与图像类别信息做交叉熵计算之后，采用批梯度下降算法进行反向传播，更新各层参数，并以此迭代来减小loss函数；
步骤5、迭代训练阶段
程序脚本会在每10步训练过程后输出loss的值以及最后一批数据的处理速度；训练过程中loss改变的线性形状、梯度值的变化趋势、激活函数的输出值以及学习率参数借助数据可视化工具查看；
步骤6、收敛成熟模型
训练过程中每个步骤所得的模型参数周期性地保存在检查点文件中，当loss函数在一定时间内不再明显下降，可判断收敛；在判断loss基本收敛且在正常值范围之后，结束网络模型的训练工作。
本发明的优点及有益效果：一方面，本发明方法精准对接游客最需的景区实时排队信息需求，拥挤度实时查询需求，根据用户需求为其精准推送个性化、注重体验的一体化旅游出行服务。另一方面，用户精准：游客可以节省排队时间，享受畅通的旅程、管理人员可以优化服务水平，对于园区，采用此技术，可以有序管理园区旅游秩序，均匀客流分布，从长远来看取得旅游园区长期稳定的客流增长，景区设施利用率提高。总体来说，为游客和景区管理公司提供较为精准的景区实时信息，有利于景区内人流的组织和管理。
本发明使得游客能在旅途出行过程中通过实时的数据与景点实现互联互动。本发明对景区信息以及各景点游客数量识别，并进行计算，依据评价指标判别景点拥挤度，并将拥挤度通过可视化方法展现在地图中，给游客直观判断。同时根据系统平台的用户地理坐标以及用户需求数据，利用路径优化算法，精准推荐较为合理的路线，最大限度减少用户排队等待时间，提高交通体验。为形成良性反馈，对游客使用数据进行分析，从中获得容易发生较严重排队拥堵的景点以及对不同推荐路线的偏好程度等。本发明能够有效避免游客扎堆并能减少排队等待时间，使得体验更高，景区也能获得良性发展。
附图说明
图1是本发明方法整体的示意框图，图2是本发明方法的具体流程图。
具体实施方式
本发明包括三个模块，景点排队时间实时预测，最佳游玩线路精准推送，游客反馈数据挖掘分析。其方法如下：
一、景点排队时间实时预测模块
所述的景点排队拥挤度实时预测是一种基于图像处理技术的客流识别。利用摄像头获取图像，并利用视频识别对图像进行处理，再利用tensorflow深度学习方法识别出景点外的排队人数，进而得到拥挤状况。
图像匹配、描述和识别对图像进行比较和配准，通过分制提取图像的特征及相互关系，得到图像符号化的描述，再把它同模型比较，以确定其分类。图像匹配试图建立两张图片之间的几何对应关系，度量其类似或不同的程度。
在拥挤度的识别中，需要将现状游客排队图像与采集的基础图像进行对比，基础图像包括不同天气不同时间点下采集的图像，然后计算出像素大小，即灰度，识别出排队区域的游客数量，并按照一定的指标进行拥挤评价。同时，通过视频识别技术还可以得到排队游客向前移动的流速，并以此作为计算依据，计算出预计的排队时间。
主要训练模型如下：
(1)数据加载阶段
1)从图像训练数据集文件夹中读取每一张图片，读取过程保留文件夹信息，并将图片按照灰度值转换为tensor形式。每个文件夹代表一个独立的分类，该文件夹下所有图片属于同一种分类；
2)将原始图片进行分类存放并进行编号，将类别标识也转换为tensor形式；
3)按照每张图片所属文件夹信息，与类别标识相对应；
4)确定队列最小样本数量，对队列进行分区，并将训练样本图片输入到训练网络。
(2)图像预处理阶段
1)图片进入网络之后还不能直接对其进行处理，网络开始提取特征之前需对图片进行预处理。因为训练数据集中图片的像素尺寸大小不一，为保证输入层输入的图片具有统一大小的尺寸，图片在中央区域或随机地裁剪为128x128像素大小的灰度值矩阵；
2)对图像进行近似白平衡处理，减弱预训练模型对训练样本的动态范围变化敏感度。
(3)特征提取与正向传播阶段
1)图像进入神经网络后，各层卷积层使用不同的卷积核对图像提取不同特征，输出不同的特征图像至下层。卷积层特征提取步骤如下：
其中第l层为卷积层，第l+1层为下一层，
2)池化层以卷积层输出的特征图像为输入，定义池化范围在每一个通道的图像上以3x3的区域进行最大池化(max-pooling)。最大池化过程如下：
其中第l-1层为上一层，第l层为池化层，
(4)反向传播阶段
1)本文图像识别子模块网络的损失函数使用多项式逻辑回归，在正则化过程中，对所有学习变量应用权重衰减损失，模型的目标函数是求交叉熵损失和所有权重衰减项的和；
2)正向传播计算出的预测结果与图像类别信息做交叉熵计算之后，采用批梯度下降算法进行反向传播，更新各层参数，并以此迭代来减小loss函数。对于各层参数的更新过程如下：
其中，节点灵敏度δ为误差对输出的变化率：
ul＝wlxl-1+bl
(5)迭代训练阶段
程序脚本会在每10步训练过程后输出loss的值以及最后一批数据的处理速度。训练过程中loss改变的线性形状、梯度值的变化趋势、激活函数的输出值以及学习率等参数可借助数据可视化工具查看。
(6)收敛成熟模型
训练过程中每个步骤所得的模型参数周期性地保存在检查点文件中，当loss函数在一定时间内不再明显下降，可判断收敛。在判断loss基本收敛且在正常值范围之后，结束网络模型的训练工作。
二、最佳游玩路线精准推送模块(采用闭环方式，由于一开始肯定没有游客历史数据，所以先进行最佳游玩路线推送。如果接收了这些路线的用户就会在后台留下数据，再进行数据挖掘，如此循环，得到的历史数据进行分析，再优化第二步骤，即最佳游玩路线精准推送)
所述的最佳游玩路线精准推送是一种基于顺序访问和遗传算法实现的路径优化。首先实现用户的精准定位优化的主要目标是实现用户最优和系统最优。用户最优体现在，对于用户个体来说，能够根据用户需求，为用户精准推荐较为合理的路线，最大限度地减少用户排队等待的时间，减少游客走回头路的几率，提高用户游玩的体验。系统最优主要体现在，对于景区管理者来说，能够合理地组织客流，均衡客流的分布，通过管理手段，在保证一定服务质量的前提下，提高景区能够接纳的游客容量。
路线优化方法如下：首先，利用本软件第一模块的图像处理结果，计算当前各景点游客的排队长度及排队时间，并利用本软件第三模块的数据处理结果，预估一定时间范围内各景点游客排队时间变化情况；其次，调用景区内各景点的人均游玩时长数据，若景区规定了特定景点的人均游览时间，则将该数据事先存储并由该步骤加载调用，若部分景点的游览时长未受限，则由游客自行输入预计的游览时长；最后，根据游客的位置数据及景区内各景点的地理分布，结合上述的排队时长及各景点的游览时长等数据，利用遗传算法优化游客的游览路线，使其总排队时间最小化，进而提高游客的旅游舒适程度。
根据以上优化方法，给出考虑最小化排队时间的数学模型如下：
式中：h——为时间区间；
i——为范围，如500米半径范围；
i——为范围内的点位编号，即景点编号；
约束条件：
式中：
ti——到达i点的时刻；
di-1,i——从i-1景点步行至i景点的距离；
tw,i-1——在i-1景点的游玩时间。
约束条件的含义分别为：每个景点只途经一次；到达各个景点的总时间计算；到达各个景点的时间所属于的时段判定。
三、游客反馈数据挖掘分析模块
所述的游客反馈数据挖掘分析是一种交通旅游服务大数据应用方法。利用大数据手段对用户使用情况进行分析，从中可以获得游客喜好情况、容易发生较严重排队拥堵的景点以及用户对不同推荐路线的偏好程度等。
同时，根据使用历史使用数据，能够进行旅客活动时间特征分析，活动空间特征分析，地理流量流向特征分析。据此，可以对景区服务设施的质量、路线优化的程度以及均衡客流的方式进行分析，找出其中存在的问题，根据游客需求进行精准改进，从而使提升景区的服务质量、吸引效应以及游客的游玩体验。
实施例
1、景点排队时间预测
(1)用matlab将图像处理成灰度图，将图像转换为矩阵用深度学习卷积神经网络分类；
(2)计算图片像素值大小，得到排队人数；
(3)根据服务率再计算得到预计排队时间。
2、最佳游玩路径优化
设游客周边区域内共存在10个景点，利用随机生成方式生成游客及各景点的坐标及各景点的排队时长等数据，利用各点间的欧氏距离表示它们的间距，具体数值如表1所示。游客序号为0，景点序号为1-10，并设人均步行速度约1m/s。
表1点位信息表
基于上述数据，利用遗传算法优化游客的旅行路线，得到游客排队时间最短的路线为0-4-7-6-1-3-8-2-9-5-10，预计总排队时间为20分钟。作为对比随机生成一条旅行路线：0-9-5-6-2-7-4-3-10-1-8，该条旅行路线的预计总排队时间为99分钟。经上述对比分析，可见本发明有效优化了旅客的游览线路，减少了游客游玩过程中的排队时间，进而提高游客旅行体验。