一种融合游客和景区状态信息的景点推荐方法及系统

1.本发明属于智慧旅游中景区智慧游览应用领域，具体涉及一种融合游客和景区状态信息的景点推荐方法及系统。


背景技术：

2.目前，景点推荐类的算法主要集中在以下方面：以大量游客在手机软件上的评论行为，浏览内容以及线下的行动轨迹等特征为数据基础，通过计算从而进行景点推荐；以游客位置为基准，对游客的吃、住、行、游、购、娱等多个方面信息进行统计分析游客兴趣爱好来推荐景点。这些都是基于游客本身信息来进行统计分析，根据其兴趣爱好来推荐游客所前往的景区，考虑的角度较为单一，未能够结合所景区中各景点的状态信息来进行分析，同时也未考虑到景区内各景点的游客拥挤程度以及游客在一定时间内是否能够尽可能的游玩游客喜欢的景点。因此，需要弥补这一方面的不足，来提升游客游览的体验感。


技术实现要素：

3.发明目的：为了克服现有技术中的不足，本发明提供一种融合游客和景区状态信息的景点推荐方法及系统，通过本发明的方法和系统将游客的状态信息、景区各景点的状态信息、景区固有信息代入图卷积神经网络进行计算，根据计算结果筛选出每个游客最佳的旅游路线，同时避免节假日景区景点游客分散不均现象，减少景区部分景点管理压力以及提升游客旅游体验感。
4.技术方案：第一方面本发明提供一种融合游客和景区状态信息的景点推荐方法，包括：
5.分别获取指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息；
6.将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络，获得融合后景区的图拓扑结构信息；
7.根据自注意力网络层对图拓扑结构信息中的景点信息特征进行权重计算，获得融合权重后的景点信息特征；
8.融合权重后的景点信息特征通过多层全连接层计算，获得推荐到各景点的概率值；
9.基于各景点的概率值，选择概率值的上限值输出，并将上限值所关联的景点作为推荐指定游客前往的景点。
10.在进一步的实施例中，所述状态信息包括：指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、各景点周边游客当前所在位置、通往各景点的人流数、节假日信息；
11.获取游客的状态信息的方法为：
12.采集游客手机或者其它附加有gps定位功能的智能终端的游客信息，获取当前指
定游客的经纬坐标信息、指定游客偏爱的景点信息、指定游客当前的日期信息、各景点周边游客位置；
13.通过指定游客的经纬坐标信息判断指定游客目前所在景区中的位置；
14.根据指定游客目前所在景区中的位置查找出景区各道路至其它景点之间的邻接关系；
15.根据指定游客所在位置景区各道路至其它景点之间的邻接关系，判断指定游客所在位置到达其它相邻景点的距离；
16.实时获取指定游客的gps的变化信息，判断指定游客的目标景点，并根据gps的变化信息计算出指定游客的步行速度信息和所游玩过的景点信息；
17.根据指定游客的目标景点和各景点周边游客当前所在位置，计算各景点周边游客距离指定游客目标景点的距离统计平均值，并根据各景点周边游客位置获取通往各景点的人流数；
18.其中根据指定游客当前的日期信息判断是否节假日，以及将将指定游客所在位置到达其它相邻景点的距离按比例分配权重，获得相邻景点的推荐权重；
19.指定游客所在位置到达其它相邻景点的距离计算公式为：
[0020][0021]
式中，d表示指定游客目前所在景区中的位置至指定游客的目标景点的经纬坐标之间的距离，a表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的纬度差值，b表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的经度差值，lat1和lat2表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的维度值；
[0022]
相邻景点的推荐权重的计算公式为：
[0023][0024]
式中，表示指定游客到相邻景点si的权重，表示指定游客所在位置到相邻景点si的距离，表示指定游客到各相邻景点sn的距离，n表示相邻景点的个数；
[0025]
指定游客的步行速度信息的计算公式为：
[0026][0027]
式中，表示指定游客的平均步行速度，di表示指定游客每分钟步行的距离，n表示指定游客步行的统计时间；
[0028]
各景点周边游客距离指定游客目标景点的距离统计平均值的计算公式为：
[0029]
[0030]
式中，表示各景点周边游客或非景点游客距离指定景点si的统计平均距离，表示为各景点周边游客或非景点游客距离邻近景点的距离，n表示为相邻景点的个数。
[0031]
在进一步的实施例中，所述景区各景点的状态信息包括：各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度；
[0032]
获取景区各景点的状态信息的方法为：
[0033]
通过景区智能摄像头在各景点的出入口采集游客人脸信息，通过游览车上的智能摄像头采集游览车乘客的数量，并实时获取每个游览车的实时gps信息；
[0034]
对游客人脸信息总量进行流量进行统计分类，得出进入景点的人数以及出景点的人数；
[0035]
将进入景点的人数和出景点的人数进行差计算，获得各景点当前所在人数；
[0036]
根据游客人脸信息计算每个游客在每个景点内的逗留时间；
[0037]
根据每个游客在每个景点内的逗留时间计算获得各景点的人均逗留时间；
[0038]
对每个游览车的实时gps信息进行解析，获得每个游览车的位置变化；
[0039]
根据景区各道路至其它景点之间的邻接关系、实时gps信息、每个游览车的位置变化，判断每个游览车的目标景点；
[0040]
统计每个游览车的目标景点、乘客的数量，计算出通往各景点的游览车载客数量；
[0041]
根据每个游览车的位置变化，计算获得游览车通往各景点的平均行驶速度。
[0042]
在进一步的实施例中，所述景区固有信息包括：各景点开放时间信息、各景点的人数上限信息、各景点与周边景点的位置关系和连通关系；
[0043]
景区固有信息为各景区管理员根据景点实时动态或实时管理条例进行人为编辑，用于将景区景点的实时动态进行发布便于当前游客及时获知；
[0044]
其中，获取景点间的位置关系以及交通连通状态用于生成景点之间的拓扑关系。
[0045]
在进一步的实施例中，所述图卷积神经网络的模型训练方法为：
[0046]
预设采样周期，并在采样周期内采集游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息，用于制作训练数据集；
[0047]
基于训练数据集中所关联的景区各景点的状态信息，分别观察下一采样周期或下n次采样周期以后的景点的状态信息；
[0048]
下一采样周期或下n次采样周期以后的景点的状态信息基于游客偏好的景点信息、就近原则综合分别推荐出游客前往的目标景点，并将下一采样周期或下n次采样周期内获得的游客前往的目标景点设为验证集；
[0049]
将制作好的数据集送入网络结构模型中进行训练，获得推荐游客前往的目标景点的结果；
[0050]
将推荐游客前往目标景点的结果与验证集进行对比，选择需要优化的结果；
[0051]
需要优化的结果代入交叉熵损失函数计算获得网络训练参数；
[0052]
基于网络训练参数对网络模型中的参数进行调整，最终得到训练好的网络模型；
[0053]
其中，交叉熵损失函数的计算公式为：
[0054]
[0055]
式中，targeti表示系统推荐景点的概率值，loss为交叉熵损失函数，scorei表示各景点的概率值。
[0056]
在进一步的实施例中，将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络，获得融合后景区的图拓扑结构信息的方法为：
[0057]
利用图卷积神经网络(gcn)将景点之间的拓扑关系嵌入到景点状态信息中，获得融合后景区的图拓扑结构信息；
[0058]
其中，拓扑关系嵌入到景点状态信息中的计算公式为：
[0059][0060]
式中，s是所有景点状态信息矩阵，s＝[s1,s2,s3,
…
,sn]
t
，n为景点的个数，任一景点状态信息为si＝[t1,t2,
…
,t
t
]，t为任一景点的状态信息，s
′
＝[s
′1,s
′2,s
′3,s
′4,
…
,s
′n]，a是景点图的邻接矩阵，d为a的度矩阵，i为单位矩阵,w为图的权重矩阵，σ表示sigmoid激活函数；
[0061]
sigmoid激活函数的表达式为：
[0062][0063]
式中，σ(x)表示sigmoid激活函数，e表示自然常量，x表示函数的输入参数。
[0064]
在进一步的实施例中，根据自注意力网络层对图拓扑结构信息中的景点信息特征进行权重计算，获得融合权重后的景点信息特征还包括：将融合权重后的景点信息特征代入激活函数进行激活输出；
[0065]
融合权重的景点信息特征的计算公式为：
[0066]
r＝s
′×
(softmax(w
1t
tanh(s
′
)))
t
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0067]
激活函数的表达式为：
[0068]s″
＝tanh(r)
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0069][0070]
式中，r为融合权重的景点信息特征，w1是用于训练的参数向量，s
″
为激活函数输出的景点信息特征，x表示tanh(
·
)函数的输入参数。
[0071]
在进一步的实施例中，融合权重后的景点信息特征通过多层全连接层计算，获得推荐到各景点的概率值的方法为：
[0072]
通过多层全连接层对融合权重后的景点信息特征进行预测，得到每个景点的概率值；
[0073]
将每个景点的概率值进行汇总，得到各景点的概率值并对各景点的概率值进行归一化处理，获得概率值集合；
[0074]
其中，对融合权重后的景点信息特征进行预测的表达式为：
[0075][0076]
si＝α3(α2(α1(s
″i)))
ꢀꢀꢀꢀꢀꢀ
(12)
[0077]
式中，w为网络权重，θ为网络偏置值，然后经过多层全连接层中的投影层得到si，si表示每个景点的概率值，wk表示每个网络节点的训练权重，s
″k表示各景点的信息特征，s
″i表示景点的信息特征矩阵，α3表示第三层全联接层训练函数、α2表示第二层全联接层训练函数、α1表示第一层全联接层训练函数，训练函数均与公式(11)函数相同。
[0078]
各景点的概率值并对各景点的进行归一化处理的计算公式为：
[0079][0080]
式中，scorei表示各景点的归一化概率值，e表示自然常量，si表示各景点的非归一化概率值，softmax(si)表示对各景点预测值si进行归一化，∑
i∈n
si表示对每个景点的预测值进行求和。
[0081]
第二方面，本发明提供一种融合游客和景区状态信息的景点推荐系统，包括：
[0082]
终端获取模块、景点固有信息提供模块、边缘端数据处理模块、云端网络模型分析模块；
[0083]
所述终端获取模块包括：移动终端获取模块和景区摄像设备获取模块；通过移动终端获取游客的状态信息；通过景区摄像设备获取模块获取景区各景点的状态信息；
[0084]
所述景点固有信息提供模块用于获取景点管理人员发布的景点实时状态的固有信息；
[0085]
所述边缘端数据处理模块用于接收游客的状态信息、景区各景点的状态信息、固有信息对游客的状态信息并进行解析计算，并将解析计算的结果格式化后发送至云端网络模型分析模块；其中解析计算的结果包括：指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、各景点周边游客当前所在位置、通往各景点的人流数；各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度；景点间的拓扑结构、景点最大人数上限、景点开放时间；
[0086]
所述云端网络模型分析模块用于接收解析计算的结果并将解析计算的结果输入图卷积神经网络，通过网络网络模型分析模块后得到指定游客前往各景点的概率值，选择概率值上限值所关联的景点作为推荐指定游客前往的景点。
[0087]
在进一步的实施例中，所述景点推荐系统还包括：景点推荐反馈模块；
[0088]
所述景点推荐反馈模块用于将景点推荐的信息发送给指定游客的终端。
[0089]
有益效果：本发明与现有技术相比具有以下优点：
[0090]
(1)基于景区各景点的状态信息和游客状态信息，结合管理员提供的景区固有信息，利用图卷积神经网络将景区的图拓扑结构信息进行融合，并引入自注意力网络层，最后通过多层全连接层得到推荐到各景点的概率值，选择概率值最大的作为推荐游客前往的景点。
[0091]
(2)通过游客手机，景区摄像头将游客及景点的状态信息结合来进行推荐，能够使游客在一定时间内游玩更多的景点，同时能够避免游客游玩时景点拥挤，提升游客的游玩体验，弥补单一考虑游客兴趣来进行景点推荐的不足。
附图说明
[0092]
图1是是本发明提供的一种融合游客和景区状态信息的景点推荐方法的流程图。
具体实施方式
[0093]
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
[0094]
实施例1：
[0095]
如图1所示本实施例进一步说明一种融合游客和景区状态信息的景点推荐系统，包括：
[0096]
终端获取模块、景点固有信息提供模块、边缘端数据处理模块、云端网络模型分析模块；
[0097]
所述终端获取模块包括：移动终端获取模块和景区摄像设备获取模块；通过移动终端获取游客的状态信息；通过景区摄像设备获取模块获取景区各景点的状态信息；
[0098]
所述景点固有信息提供模块用于获取景点管理人员发布的景点实时状态的固有信息；
[0099]
所述边缘端数据处理模块用于接收游客的状态信息、景区各景点的状态信息、固有信息对游客的状态信息并进行解析计算，并将解析计算的结果格式化后发送至云端网络模型分析模块；其中解析计算的结果包括：指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、各景点周边游客当前所在位置、通往各景点的人流数；各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度；景点间的拓扑结构、景点最大人数上限、景点开放时间；
[0100]
所述云端网络模型分析模块用于接收解析计算的结果并将解析计算的结果输入图卷积神经网络，通过网络网络模型分析模块后得到指定游客前往各景点的概率值，选择概率值上限值所关联的景点作为推荐指定游客前往的景点。
[0101]
进一步的，所述景点推荐系统还包括：景点推荐反馈模块；
[0102]
所述景点推荐反馈模块用于将景点推荐的信息发送给指定游客的终端；
[0103]
在本实施例中，根据得到的前往各景点的概率值，选择最大的值，作为推荐指定游客所前往的景点，并输出到游客的手机端。
[0104]
实施例2：本实施例进一步说明一种融合游客和景区状态信息的景点推荐方法，包括：
[0105]
分别获取指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息；
[0106]
将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络，获得融合后景区的图拓扑结构信息；
[0107]
根据自注意力网络层对图拓扑结构信息进行计算，获得每个景点包含拓扑关系信
息特征的权重；
[0108]
每个景点包含拓扑关系信息特征的权重通过多层全连接层计算，获得推荐到各景点的概率值；
[0109]
基于各景点的概率值，选择概率值的上限值输出，并将上限值所关联的景点作为推荐指定游客前往的景点。
[0110]
进一步的，指定游客的状态信息包括：指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、各景点周边游客当前所在位置、通往各景点的人流数、节假日信息；
[0111]
获取游客的状态信息的方法为：
[0112]
采集游客手机或者其它附加有gps定位功能的智能终端的游客信息，获取当前指定游客的经纬坐标信息、指定游客偏爱的景点信息、指定游客当前的日期信息、各景点周边游客位置；
[0113]
通过指定游客的经纬坐标信息判断指定游客目前所在景区中的位置；
[0114]
根据指定游客目前所在景区中的位置查找出景区各道路至其它景点之间的邻接关系；
[0115]
根据指定游客所在位置景区各道路至其它景点之间的邻接关系，判断指定游客所在位置到达其它相邻景点的距离；
[0116]
实时获取指定游客的gps的变化信息，判断指定游客的目标景点，并根据gps的变化信息计算出指定游客的步行速度信息和所游玩过的景点信息；
[0117]
根据指定游客的目标景点和各景点周边游客当前所在位置，计算各景点周边游客距离指定游客目标景点的距离统计平均值，并根据各景点周边游客位置获取通往各景点的人流数；
[0118]
其中根据指定游客当前的日期信息判断是否节假日，以及将将指定游客所在位置到达其它相邻景点的距离按比例分配权重，获得相邻景点的推荐权重；
[0119]
指定游客所在位置到达其它相邻景点的距离计算公式为：
[0120][0121]
式中，d表示指定游客目前所在景区中的位置至指定游客的目标景点的经纬坐标之间的距离，a表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的纬度差值，b表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的经度差值，lat1和lat2表示指定游客目前所在景区中的位置坐标至指定游客的目标景点坐标的维度值；
[0122]
相邻景点的推荐权重的计算公式为：
[0123][0124]
式中，表示指定游客到相邻景点si的权重，表示指定游客所在位置到相邻景点si的距离，表示指定游客到各相邻景点sn的距离，n表示相邻景点的个数；
[0125]
指定游客的步行速度信息的计算公式为：
[0126][0127]
式中，表示指定游客的平均步行速度，di表示指定游客每分钟步行的距离，n表示指定游客步行的统计时间；
[0128]
各景点周边游客距离指定游客目标景点的距离统计平均值的计算公式为：
[0129][0130]
式中，表示各景点周边游客或非景点游客距离指定景点si的统计平均距离，表示为各景点周边游客或非景点游客距离邻近景点的距离，n表示为相邻景点的个数。
[0131]
进一步的，所述景区各景点的状态信息包括：各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度；
[0132]
获取景区各景点的状态信息的方法为：
[0133]
通过景区智能摄像头在各景点的出入口采集游客人脸信息，通过游览车上的智能摄像头采集游览车乘客的数量，并实时获取每个游览车的实时gps信息；
[0134]
对游客人脸信息总量进行流量进行统计分类，得出进入景点的人数以及出景点的人数
[0135]
将进入景点的人数和出景点的人数进行差计算，获得各景点当前所在人数；
[0136]
根据游客人脸信息计算每个游客在每个景点内的逗留时间；
[0137]
根据每个游客在每个景点内的逗留时间计算获得各景点的人均逗留时间；
[0138]
对每个游览车的实时gps信息进行解析，获得每个游览车的位置变化；
[0139]
根据景区各道路至其它景点之间的邻接关系、实时gps信息、每个游览车的位置变化，判断每个游览车的目标景点；
[0140]
统计每个游览车的目标景点、乘客的数量，计算出通往各景点的游览车载客数量；
[0141]
根据每个游览车的位置变化，计算获得游览车通往各景点的平均行驶速度。
[0142]
进一步的，所述景区固有信息包括：各景点开放时间信息、各景点的人数上限信息、各景点与周边景点的位置关系和连通关系；
[0143]
景区固有信息为各景区管理员根据景点实时动态或实时管理条例进行人为编辑，用于将景区景点的实时动态进行发布便于当前游客及时获知；
[0144]
其中，获取景点间的位置关系以及交通连通状态用于生成景点之间的拓扑关系；
[0145]
拓扑关系在数据处理过程中采用邻接矩阵来表示，相邻的景点表示为1，非相邻的景点表示为0。
[0146]
进一步的，所述图卷积神经网络的模型训练方法为：
[0147]
预设采样周期，并在采样周期内采集游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息，用于制作训练数据集；
[0148]
基于训练数据集中所关联的景区各景点的状态信息，分别观察下一采样周期或下
n次采样周期以后的景点的状态信息；
[0149]
下一采样周期或下n次采样周期以后的景点的状态信息基于游客偏好的景点信息、就近原则综合分别推荐出游客前往的目标景点，并将下一采样周期或下n次采样周期内获得的游客前往的目标景点设为验证集；
[0150]
将制作好的数据集送入网络结构模型中进行训练，获得推荐游客前往的目标景点的结果；
[0151]
将推荐游客前往目标景点的结果与验证集进行对比，选择需要优化的结果；
[0152]
需要优化的结果代入交叉熵损失函数计算获得网络训练参数；
[0153]
基于网络训练参数对网络模型中的参数进行调整，最终得到训练好的网络模型；
[0154]
其中，交叉熵损失函数的计算公式为：
[0155][0156]
式中，targeti表示系统推荐景点的概率值，loss为交叉熵损失函数，scorei表示各景点的概率值。
[0157]
在本实施例中，预设采样周期为每5min采集一次景区状态信息，因此验证集只需获取5min、10min和15min后的景点状态信息，进而根据景点状态信息来推荐游客前往的目标景点。
[0158]
进一步的，将指定游客的状态信息、景区各景点的状态信息以及景区景点所关联的景区固有信息输入图卷积神经网络，获得融合后景区的图拓扑结构信息的方法为：
[0159]
利用图卷积神经网络(gcn)将景点之间的拓扑关系嵌入到景点状态信息中，获得融合后景区的图拓扑结构信息；
[0160]
其中，拓扑关系嵌入到景点状态信息中的计算公式为：
[0161][0162]
式中，s是所有景点状态信息矩阵，s＝[s1,s2,s3,
…
,sn]
t
，n为景点的个数，任一景点状态信息为si＝[t1,t2,
…
,t
t
]，t为任一景点的状态信息，s
′
＝[s
′1,s
′2,s
′3,s
′4,
…
,s
′n]，a是景点图的邻接矩阵，d为a的度矩阵，i为单位矩阵,w为图的权重矩阵，σ表示sigmoid激活函数；
[0163]
sigmoid激活函数的表达式为：
[0164][0165]
式中，σ(x)表示sigmoid激活函数，e表示自然常量，x表示函数的输入参数。
[0166]
进一步的，根据自注意力网络层对图拓扑结构信息中的景点信息特征进行权重计算，获得融合权重后的景点信息特征还包括：将融合权重后的景点信息特征代入激活函数进行激活输出；
[0167]
融合权重的景点信息特征的计算公式为：
[0168]
r＝s
′×
(softmax(w
1t
tanh(s
′
)))
t
ꢀꢀꢀꢀꢀꢀ
(8)
[0169]
激活函数的表达式为：
[0170]s″
＝tanh(r)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0171][0172]
式中，r为融合权重的景点信息特征，w1是用于训练的参数向量，s
″
为激活函数输出的景点信息特征，x表示tanh(
·
)函数的输入参数。
[0173]
进一步的，融合权重的景点信息特征通过多层全连接层计算，获得推荐到各景点的概率值的方法为：
[0174]
通过多层全连接层对融合权重后的景点信息特征进行预测，得到每个景点的概率值；
[0175]
将每个景点的概率值进行汇总，得到各景点的概率值并对各景点的进行归一化处理，获得概率值集合；
[0176]
其中，对融合权重后的景点信息特征进行预测的表达式为：
[0177][0178]
si＝α3(α2(α1(s
″i)))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0179]
式中，w为网络权重，θ为网络偏置值，然后经过多层全连接层中的投影层得到si，si表示每个景点的概率值，wk表示每个网络节点的训练权重，s
″k表示各景点的信息特征，s
″i表示景点的信息特征矩阵，α3表示第三层全联接层训练函数、α2表示第二层全联接层训练函数、α1表示第一层全联接层训练函数，训练函数均与公式(11)函数相同。
[0180]
各景点的概率值并对各景点的进行归一化处理的计算公式为：
[0181][0182]
式中，scorei表示各景点的归一化概率值，e表示自然常量，si表示各景点的非归一化概率值，softmax(si)表示对各景点预测值si进行归一化，∑
i∈n
si表示对每个景点的预测值进行求和。
[0183]
本实施例中将获取的指定游客的位置信息、指定游客的步行速度信息、游客偏好的景点信息、游客所游玩过的景点信息、非景点游客当前所在位置、通往各景点的人流数、节假日信息、各景点当前所在人数、各景点的人均逗留时间、通往各景点游览车载客数量、通往各景点游览车行驶速度、景点最大人数上限、景点开放时间信息组成景点状态信息矩阵s，输入到训练好的网络中得到推荐到各景点的概率值。
[0184]
综上本发明基于景区各景点的状态信息和游客状态信息，结合管理员提供的景区固有信息，利用图卷积神经网络将景区的图拓扑结构信息进行融合，并引入自注意力网络层，最后通过多层全连接层得到推荐到各景点的概率值，选择概率值最大的作为推荐游客前往的景点。其次通过游客手机，景区摄像头将游客及景点的状态信息结合来进行推荐，能够使游客在一定时间内游玩更多的景点，同时能够避免游客游玩时景点拥挤，提升游客的游玩体验，弥补单一考虑游客兴趣来进行景点推荐的不足。
[0185]
本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完
全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0186]
本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0187]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0188]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0189]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0190]
以上所述仅是本发明的优选实施方式，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。