一种行程规划方法与系统与流程

本发明涉及行程规划，更具体的说是涉及一种行程规划方法与系统。

背景技术：

1、目前，行程规划是旅游出行前的必备功课，合理的规划可以保障在有限的出行时间游览更多的景区、景点，也将使出行有计划，更安心，更高效。

2、从旅行者的角度去考虑每一处旅行安排，根据偏好、性格和旅行目的的不同，找到真正属于自己的旅游路线和规划，无论是从所乘坐的交通方式，入住的宾馆民宿，还是再到旅游景点的选择，量身定做的路线将为旅行者节省大量的信息搜集、整理、咨询、规划的时间。

3、从产业发展的角度，为不同游客建立千人千面的个性化线路服务，既彰显地方旅游服务的温度，也将促进产业资源整合、盘活、优化，推动区域文化传播、传扬、传承。

4、但是，目前的旅行规划工具通常提供一般性的建议，未能充分考虑旅行者的个性化需求和偏好。这导致游客可能无法得到真正适合自己的行程，因为现有技术未能提供千人千面的个性化服务。

5、还有旅行者在规划行程时需要处理大量的信息，包括交通、住宿、景点等各个方面。现有技术未能有效地处理这些信息，导致旅行者需要花费大量时间和精力在信息的筛选和整理上。

6、另外，缺乏综合考虑因素： 现有技术在规划行程时通常未能全面考虑饮食偏好、住宿要求等复杂因素。这可能导致旅行者在实际行程中遇到意外或不便，因为这些因素未被充分考虑。

7、因此，上述现有技术中行程规划的不足和缺陷，成为本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种行程规划方法与系统，该方法通过对文化与旅游资源、精细标注、多维分类等手段，为旅行者提供个性化、综合考虑多方面因素的智能行程规划服务，弥补了现有技术的不足，使得旅行者能够更好地享受旅行，减少规划过程中的困扰。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明实施例提供一种行程规划方法，包括以下步骤：

4、s1、从多种数据源收集旅游资源数据并进行融合处理；所述旅游资源数据包括：景区数据、住宿数据和用餐场所数据；

5、s2、对融合处理后的旅游资源数据进行数据清洗、对齐和归一化处理，并对不同类别旅游资源分别进行特征提取；

6、s3、根据不同类别旅游资源提取的特征数据，以及目标用户的个人信息，输入对应的推荐指数模型，获得景区推荐指数、酒店推荐指数和饭店推荐指数；所述个人信息包括：饮食偏好、住宿偏好和出行主题；

7、s4、根据目标用户的个人信息、行程起点、游览天数以及所述景区推荐指数、酒店推荐指数和饭店推荐指数，通过渐进式推荐生成行程。

8、进一步地，所述步骤s1中，从多种数据源收集旅游资源数据并进行融合处理，包括：

9、将多种数据源收集的景区数据、住宿数据和用餐场所数据，进行合并处理，相同字段的数据以其中一种数据源为准。

10、进一步地，所述步骤s2中：对景区数据进行特征提取，包括：景区级别、景点数量、景区位置坐标、景区特色、景区主题、景区口碑评价和门票价格；

11、对住宿数据进行特征提取，包括：星级、客房数量、酒店民宿位置坐标、酒店民宿特色、酒店民宿主题、费用和住宿口碑评价；

12、对用餐场所数据进行特征提取，包括：规模、用餐场所位置坐标、菜系、餐饮特色、人均价格和餐饮口碑评价。

13、进一步地，所述步骤s3中：景区推荐指数获得如下：

14、采用综合评价法、层次分析法或熵权法，结合目标用户的出行主题，对景区旅游资源提取的特征数据进行权重分配和得分计算，通过加权求和得出景区推荐指数；

15、分项指标计算如下：

16、景区级别得分lr=景区级别归一后的数值l，权重a1；

17、景区规模得分sr=景点数量s/maxs，权重b1；其中，maxs表示最大规模景区的景点数量；

18、景区性价比得分pr=minp/景区门票价格p，权重c1；其中，minp表示所有景区中最低门票价格，且大于0；

19、景区位置得分dr=(上一个行程点位置与预定区域内所有景区间距离的小最值)/（上一个行程点位置与景区间的距离），权重d1；

20、口碑得分cr=景区评价得分归一化后的数值，权重e1；

21、主题特色匹配得分tr=用户的出行主题匹配到景区主题分数，权重f1；

22、景区推荐指数：r = lr * a1+ sr *b1 + pr *c1 + dr *d1 + cr *e1+ tr *f1。

23、进一步地，所述步骤s3中：酒店推荐指数获得如下：

24、采用综合评价法、层次分析法或熵权法，结合目标用户的住宿偏好和出行主题，对酒店旅游资源提取的特征数据进行权重分配和得分计算，通过加权求和得出酒店推荐指数；

25、分项指标计算如下：

26、酒店级别得分lr=酒店星级/maxl，权重a2；其中，maxl表示用户住宿偏好酒店中的最高级别，默认为5；

27、酒店规模得分sr=客房数量s/maxs，权重b2；其中，maxs表示用户住宿偏好酒店中的最大客房数量；

28、酒店性价比得分pr=minp/酒店自身客房均价，权重c2；其中，minp表示用户所选酒店中的最低价格；

29、酒店位置得分dr=(上一个行程点位置与所有酒店间距离的小最值)/（上一个行程点位置与酒店间的距离），权重d2；

30、口碑得分cr=酒店评价得分归一化后的数值，权重e2；

31、主题特色匹配得分tr=用户的出行主题匹配到酒店主题分数，权重f1；

32、酒店推荐指数：r = lr * a2 + sr * b2 + pr * c2+ dr * d2 + cr * e2+ tr *f2。

33、进一步地，所述步骤s3中：饭店推荐指数获得如下：

34、采用综合评价法、层次分析法或熵权法，结合目标用户的饮食偏好，对饭店旅游资源提取的特征数据进行权重分配和得分计算，通过加权求和得出饭店推荐指数；

35、分项指标计算如下：

36、饭店规模得分sr=容客数量s/maxs，权重a3；其中，maxs表示用户饮食偏好饭店中的最大载客量；

37、饭店性价比得分pr=minp/饭店人均价格，权重b3；其中，minp表示所有饭店中最低人均消费，且大于0；

38、饭店位置得分dr=(上一个行程点位置与所有饭店间距离的小最值)/（上一个行程点位置与饭店间的距离），权重c3；

39、口碑得分cr=饭店评价得分归一化后的数值，权重d3；

40、饭店推荐指数：r = sr *a3 + pr *b3 + dr *c3+ cr * d3。

41、进一步地，所述步骤s4具体包括：

42、s41、获取目标用户的饮食偏好、住宿偏好、出行主题、行程起点和游览天数；

43、s42、以所述行程起点为基准，计算周围第一预设距离范围内的景区推荐指数；

44、s43、选取景区推荐指数最高的景区加入到行程中；

45、s44、将景区推荐指数最高的景区对应的游览时长t与游览天数d相比；当t＞d时，则完成规划输出结果；

46、s45、当t≤d时，以上个景区为起点，计算周围第二预设距离范围内的饭店推荐指数；

47、s46、选择饭店推荐指数得分最高的饭店加入到行程列表中；

48、s47、根据所述上个景区游玩时间nt，判断是否在预设时长范围内，当在预设时长范围内时，以所述饭店作为下一阶段行程的起点，再次执行步骤s42；直到完成规划输出结果；

49、s48、当nt不在预设时长范围内，且大于时间阈值时，以所述上个景区为起点，计算周围第二预设距离范围内的酒店推荐指数；

50、s49、选择酒店推荐指数最高的酒店加入到行程列表中，将所述酒店作为下一阶段行程的起点，再次执行步骤s42；直到完成规划输出结果。

51、第二方面，本发明实施例还提供一种行程规划系统，包括：

52、数据融合模块，用于从多种数据源收集旅游资源数据并进行融合处理；所述旅游资源数据包括：景区数据、住宿数据和用餐场所数据；

53、资源数据预处理模块，用于对融合处理后的旅游资源数据进行数据清洗、对齐和归一化处理，并对不同类别旅游资源分别进行特征提取；

54、指数计算模块，用于根据不同类别旅游资源提取的特征数据，以及目标用户的个人信息，输入对应的推荐指数模型，获得景区推荐指数、酒店推荐指数和饭店推荐指数；所述个人信息包括：饮食偏好、住宿偏好和出行主题；

55、行程规划模块，用于根据目标用户的个人信息、行程起点、游览天数以及所述景区推荐指数、酒店推荐指数和饭店推荐指数，通过渐进式推荐生成行程。

56、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种行程规划方法与系统，具有如下有意技术效果：

57、1. 个性化需求：该方法可以根据用户的个性化需求和偏好，为其推荐包含旅游目的地、用餐、住宿等建议的行程，满足用户个性化需求。

58、2. 综合考虑多个因素：该方法综合考虑用户个人饮食偏好、住宿偏好、旅游时长等因素，给出的行程建议更加全面和准确。

59、3. 数据处理和评估：该方法采用了特征选择和提取、机器学习模型等技术，提高了行程建议的准确性和实用性。

60、4. 实用性和可靠性：该方法能够提供实用性和可靠性的行程建议，能够满足用户的旅游需求和期望，提高用户的旅游体验。

61、综上所述，本发明提供的行程规划方法具有个性化需求、综合考虑多个因素、数据处理和评估、行程生成和优化、实用性和可靠性等多个优点和技术效果。