خلاصه

یک الگوریتم برنامه‌ریزی مسیر تور هوشمند مبتنی بر یادگیری ماشین داده‌کاوی علاقه ساده بیز، با توجه به مشکلات روش‌های برنامه‌ریزی مسیر تور فعلی، در مقاله ارائه شده است. یک مدل یادگیری ماشین از داده کاوی علاقه ساده بیز با یادگیری انبوهی از داده های آموزشی در مورد علایق و نیازهای گردشگران راه اندازی شده است. از طریق طبقه‌بندی سایت‌های توریستی مورد علاقه از ماژول یادگیری ماشینی، الگوریتم بهینه استخراج سایت توریستی بر اساس درجه عضویت جستجوی درخت تکثیر اقامتگاه موقت یک گردشگر تنظیم می‌شود که مکان‌های گردشگری بهینه را استخراج و خروجی می‌کند. مکان‌های توریستی بهینه استخراج‌شده به عنوان نقاط اولیه برای راه‌اندازی یک الگوریتم برنامه‌ریزی مسیر تور بر اساس درخت انتشار بهینه یک ساختار حلقه بسته در نظر گرفته می‌شوند. از طریق الگوریتم پیشنهادی، آزمایشی برای خروجی مسیرهای تور بهینه مطابق با نیازها و علایق گردشگران، از جمله ساختارهای حلقه بسته درخت در حال تکثیر، حداقل مقدار تابع وزن درخت در حال انتشار، و یک درخت دودویی کامل تابع وزن، طراحی و اجرا شده است. ما ثابت می‌کنیم که الگوریتم پیشنهادی دارای ویژگی‌های هوشمندی و دقت است و می‌تواند نیازها و علایق گردشگران را برای خروجی بهینه مکان‌های گردشگری و مسیرهای تور بیاموزد و اطمینان حاصل کند که گردشگران می‌توانند بهترین انگیزه‌ها و تجربه سفر را در فرآیند تور به دست آورند. تجزیه و تحلیل داده ها و نتایج آزمایش و یک درخت باینری کامل مقدار تابع وزن. ما ثابت می‌کنیم که الگوریتم پیشنهادی دارای ویژگی‌های هوشمندی و دقت است و می‌تواند نیازها و علایق گردشگران را برای خروجی بهینه مکان‌های گردشگری و مسیرهای تور بیاموزد و اطمینان حاصل کند که گردشگران می‌توانند بهترین انگیزه‌ها و تجربه سفر را در فرآیند تور به دست آورند. تجزیه و تحلیل داده ها و نتایج آزمایش و یک درخت باینری کامل مقدار تابع وزن. ما ثابت می‌کنیم که الگوریتم پیشنهادی دارای ویژگی‌های هوشمندی و دقت است و می‌تواند نیازها و علایق گردشگران را برای خروجی بهینه مکان‌های گردشگری و مسیرهای تور بیاموزد و اطمینان حاصل کند که گردشگران می‌توانند بهترین انگیزه‌ها و تجربه سفر را در فرآیند تور به دست آورند. تجزیه و تحلیل داده ها و نتایج آزمایش

کلید واژه ها:

بهره کاوی ; یادگیری ماشینی ؛ الگوریتم ساده بیز ; برنامه ریزی هوشمند مسیر تور ; سود انگیزه

1. معرفی

برنامه ریزی مسیر تور یک محتوای مهم و ضروری برای تحقیقات گردشگری هوشمند و توسعه سیستم اطلاعات جغرافیایی گردشگری (GIS) است. گردشگران حیاتی ترین جزء فعالیت های گردشگری هستند و نقش مهمی در توسعه و پیشرفت چشمگیر اقتصادهای گردشگری و گردشگری هوشمند دارند. درجه رضایت از مزایای انگیزه به دست آمده در کل فرآیند تور به طور مستقیم بر ارزیابی ذهنی یک گردشگر در مورد یک شهر گردشگری خاص و همچنین مکان های گردشگری و امکانات گردشگری آن تأثیر می گذارد و بنابراین به طور غیرمستقیم بر گردشگران بعدی در هنگام تنظیم برنامه سفر تأثیر می گذارد. گردشگران قبل از بازدید از یک شهر ناآشنا، ابتدا با توجه به علایق، زمان، بودجه هزینه و غیره، برنامه سفر مناسبی را تنظیم می کنند که در آن مسیر تور غیرقابل استفاده است.1 ، 2 ، 3 ].
در فرآیند توسعه گردشگری هوشمند و GIS گردشگری، تعبیه تابع برنامه‌ریزی مسیر تور و توصیه‌کردن هوشمند، راه مهمی برای سیستم توصیه‌های گردشگری برای تحقق هوشمندی است، تکنیک اصلی در طراحی و توسعه الگوریتم‌های برنامه‌ریزی مسیر تور هوشمند است. برنامه ریزی مسیرهای تور سنتی به دو روش بستگی دارد، یکی اینکه گردشگران به تنهایی برنامه ریزی می کنند، دیگری گردشگرانی که مسیرهای تور ارائه شده توسط آژانس مسافرتی را خریداری می کنند [ 4 ، 5 ، 6 ]]. برای روش اول، در شرایط ناآشنایی گردشگران با شهر گردشگری، معمولاً اطلاعات گردشگری را از وب سایت ها، کتاب ها، مجلات، توصیه های سایر گردشگران و … دریافت می کنند و سپس با توجه به اطلاعاتی که به دست می آورند، سفر را برنامه ریزی می کنند. به عنوان نیازهای ذهنی آنها.
برای روش دوم، مسیرهای تور برنامه ریزی شده توسط آژانس مسافرتی معمولاً شامل داغ ترین، دارای بالاترین رتبه ستاره و پربازدیدترین مکان های توریستی است، اما از مکان های کمتر محبوب، کم ستاره و کم بازدید نادیده گرفته می شود. بعید است که اینها همه مکان های گردشگری شهر را پوشش دهند. علاوه بر این، در مسیر توری که توسط آژانس مسافرتی برنامه ریزی شده است، ممکن است یک یا چند مکان گردشگری برای مجموعه خاصی از گردشگران جالب نباشد، اما برای پیوستن به آن، مجبورند مسیر را منفعلانه بپذیرند و هزینه تمام مکان های گردشگری را بپردازند. در سفر که باعث کاهش درجه رضایت در کل سفر می شود.
ما روش های سنتی برنامه ریزی مسیر تور و مشکلات موجود را تجزیه و تحلیل می کنیم. نتیجه می گیریم که اولاً، ارائه مکان های گردشگری بهینه و مسیرهای گردشگری بهینه برای گردشگران ضروری و مهم است تا به بهترین انگیزه ها و تجربیات سفر دست یابند. علاقه گردشگر باید به عنوان عامل اصلی در توسعه سیستم های توصیه گردشگری هوشمند در نظر گرفته شود و همچنین شرط اصلی برای توسعه الگوریتم های برنامه ریزی مسیر تور است. ثانیاً، ارائه مکان‌ها و مسیرهای توریستی بهینه به گردشگران و همچنین پشتیبانی تصمیم‌گیری تور به طور کارآمد و مطابق با نیازها و علایق آنها، هدف توسعه هوشمند گردشگری است [ 7 ، 8 ، 9 ، 10 ].]. با راه‌اندازی یک مدل یادگیری ماشینی علاقه‌مند به توریست بر اساس داده‌های بزرگ گردشگری، نیازها و گرایش‌های علایق فردی را می‌توان پیش‌بینی کرد و خروجی داد، که مقدمه برای سیستم‌های هوشمند GIS یا توصیه‌های گردشگری هوشمند است. ثالثاً، موضوع تأیید مکان‌های بهینه گردشگری خاص باید در نظر گرفته شود تا اطمینان حاصل شود که هر سایت گردشگری با علایق توریستی مطابق با پیش‌بینی نیازها و گرایش‌های علایق و همچنین طبقه‌بندی علایق سایت‌های گردشگری است [ 11 ، 12 ].]. ضمناً موقعیت جغرافیایی و پراکندگی سایت گردشگری، رابطه محله با اقامت موقت، کاهش بودجه سفر و هزینه ها باید بهینه شود. چهارم، سایت های گردشگری بهینه استخراج شده به عنوان نقاط بذر گسسته تنظیم می شوند. با ترکیب با عوامل عینی موجود که بر مزایای انگیزه گردشگران در فرآیند تور تأثیر می‌گذارند، یک الگوریتم برنامه‌ریزی مسیر تور مبتنی بر ساختار حلقه بسته درخت در حال انتشار بهینه طراحی شده است. از طریق الگوریتم، مسیرهای بهینه تور، نقشه های راهنمای تور و خدمات پشتیبانی تصمیم گیری همگی برای گردشگران ارائه می شود. این پایان برای یک سیستم GIS هوشمند یا سیستم توصیه گردشگری هوشمند است [ 13 ، 14 ، 15 ].
با توجه به الگوریتم و سیستم در حال توسعه، یک الگوریتم برنامه‌ریزی مسیر تور هوشمند مبتنی بر یادگیری ماشینی داده‌کاوی علاقه ساده‌ای بیز در مقاله ارائه شده است. هسته اول الگوریتم ساخت یک ماژول یادگیری ماشینی علاقه مند به توریست با استخراج ویژگی های مختلف توریست های نمونه در داده های بزرگ گردشگری است. 16 ]]. با توجه به اطلاعات حیاتی برنامه‌های تور گردشگران، مکان‌های اقامت موقت، خروجی تمایل به علاقه توسط ماژول یادگیری ماشین و غیره، یک ماشین هوشمند از الگوریتم جستجو و استخراج گردشگر بهینه برای خروجی سایت‌های توریستی بهینه استفاده می‌کند که با نیازهای گردشگران مطابقت دارد. و علایق در نزدیکترین بافر محله. پس از آن، مسیرهای تور بهینه، نقشه های راهنما و پشتیبانی تصمیم گیری خروجی برای گردشگران است. در مرحله اول، با جمع‌آوری مقدار کافی از داده‌های بزرگ گردشگری، یک ماشین هوشمند ویژگی‌های موثر و طبقه‌بندی سایت‌های گردشگری را کمیت می‌کند [ 17 ، 18 ، 19 ].
در این سیستم، یک الگوریتم ساده بیز برای استخراج مدل رابطه بین ویژگی‌های ویژگی توریستی و تمایل به علاقه استفاده می‌شود. این مدل رابطه، ماژول یادگیری ماشینی جلویی برای سیستم است، که عملکردی را که در آن یک گردشگر اطلاعات اولیه را وارد می‌کند و سپس سیستم طبقه‌بندی سایت توریستی مورد علاقه و تمایل به علاقه را خروجی می‌دهد، محقق می‌کند. 20 ].]. در مرحله دوم، یک سایت توریستی مورد علاقه تکثیر مدل درختی بافر محله متقابل خوشه ای با مرکز خوشه بندی اسکان موقت با توجه به اطلاعات ویژگی های ویژگی های گردشگران، برنامه زمانی، بودجه و مکان اقامتی و غیره طراحی و ساخته می شود. الگوریتم درخت انتشار برای جستجوی هر سایت گردشگری بهینه برای توزیع جغرافیایی بهینه برای انطباق با نیازها و علایق گردشگران در خوشه های مختلف سایت گردشگری استفاده می شود. ما مکان های بهینه گردشگری استخراج شده را به عنوان گره های حیاتی در مسیر تور در نظر می گیریم. الگوریتم برنامه ریزی مسیر تور با نقطه شروع اقامت موقت [ 21 ، 22 ، 23 ] ساخته شده است.
در حالی که با توجه به اینکه سفر در کل مسیر تور تحت تأثیر عواملی مانند خدمات اطلاعات جغرافیایی، خدمات اطلاعات ترافیکی، صلاحیت های فیزیکی، شاخص های جاذبه سایت توریستی و غیره خواهد بود، یک الگوریتم برنامه ریزی مسیر تور باید با این عوامل ترکیب شود. شرایط عینی ضروری در فرآیند سفر، و آنها با واقعیت تور مطابقت دارند [ 24 ، 25 ، 26 ]]. مسیرهای تور خروجی توسط ماشین هوشمند دارای ویژگی های زیر است: (1) تمام طبقه بندی سایت های توریستی و مکان های توریستی خاص مطابق با نیازها و علایق گردشگر است. (2) تمام مکان های توریستی نزدیک ترین مکان به اقامتگاه موقت هستند که کمترین هزینه را می طلبد. (3) اقامتگاه های موقت هم نقطه شروع و هم نقطه پایانی کل سفر است که مطابق با برنامه است. (4) الگوریتم با عواملی ترکیب می شود که بر مزایای انگیزه سفر تأثیر می گذارد که با واقعیت تور مطابقت دارد. و (5) ماشین هوشمند نه تنها مسیرهای تور بهینه را خروجی می دهد، بلکه مسیرهای زیر بهینه، نقشه های راهنما و پشتیبانی تصمیم را نیز خروجی می دهد. این حالت کاربرپسند است، زیرا گردشگران قادر خواهند بود تصمیمات نهایی را بگیرند. محتوای پژوهشی اصلی مقاله شامل بخش های زیر می باشد.
  • طراحی و پایه یک ماژول یادگیری ماشین داده کاوی علاقه ساده بیز بیز. ماژول یادگیری ماشینی که در این مقاله طراحی شده است با آموزش با مقدار کافی از داده های علاقه مندی گردشگری، تمایلات توریستی را استخراج می کند. گردشگران اطلاعات اولیه را ارائه می دهند و سپس ماشین هوشمند ماتریس توزیع طبقه بندی مکان گردشگری مورد علاقه را با تمایل از بالاترین به پایین ترین در ترتیب عناصر خروجی می دهد. با توجه به ماتریس خروجی با طبقه بندی سایت های توریستی و نسبت کمیت سایت توریستی، یک گردشگر می تواند یک ردیف ماتریس مشخص با عناصر را با توجه به نیازها و علایق خود انتخاب کند.
  • پایه و اساس یک الگوریتم بهینه استخراج سایت توریستی که بر اساس درجه عضویت جستجوی درخت تکثیر شده است. با توجه به نتایج استخراج و عناصر ردیف ماتریسی که گردشگران انتخاب می‌کنند، ماشین هوشمند به استخراج مکان‌های گردشگری بهینه با مراکز خوشه‌بندی موقت اقامتگاه‌ها ادامه می‌دهد که دارای توزیع جغرافیایی بهینه در یک بافر محله هستند و می‌توانند هزینه سفر را کاهش دهند.
  • مدل‌سازی الگوریتم برنامه‌ریزی مسیر تور که بر اساس ساختار بهینه حلقه بسته است. ما سایت های بهینه گردشگری استخراج شده را به عنوان گره های مسیر تور در سفر قرار دادیم. با شروع از اسکان موقت، یک مسیر تور حلقه بسته یکپارچه از طریق عبور از همه گره ها و بازگشت به محل اقامت موقت ساخته می شود. فرآیند مدل‌سازی از روش ساختار حلقه بسته استفاده می‌کند که ارزش تابع وزن انگیزه درخت را تکرار می‌کند تا حداقل پشته R را به دست آورد.از مقادیر تابع و درخت باینری کامل، و سپس مسیرهای تور بهینه و مسیرهای تور زیر بهینه را پیدا کنید. این الگوریتم با عواملی ترکیب می شود که بر مزایای انگیزه در فرآیند تور تأثیر می گذارد و با واقعیت تور مطابقت دارد. مسیرهای خروجی تور و نقشه های راهنما را می توان به طور مستقیم در پشتیبانی تصمیم گیری یک گردشگر در انتخاب مسیر مناسب تور استفاده کرد.
  • اجرای یک آزمایش نمونه و تجزیه و تحلیل نتایج داده ها. ما شهر گردشگری ژنگژو را به عنوان منطقه مطالعه خود در نظر می گیریم. ما اطلاعات اولیه ارائه شده توسط یک گردشگر را به عنوان نمونه برای انجام آزمایش قرار دادیم، از جمله آزمایش عملکرد یک ماژول یادگیری ماشین کاوی علاقه مند و نتایج خروجی، استخراج برای مکان های گردشگری بهینه، و تکرار مسیرهای تور امکان پذیر. در نهایت، نتایج داده‌ها برای اثبات اثربخشی و امکان‌سنجی الگوریتم ساخته‌شده در مقاله تجزیه و تحلیل و نتیجه‌گیری می‌شوند.

2. طراحی و بنیاد یادگیری ماشینی داده کاوی علاقه ساده بیز

تفکر طراحی برای سیستم‌های توصیه مسیر تور هوشمند در آموزش مقدار کافی از داده‌های بزرگ مورد علاقه گردشگری و راه‌اندازی یک ماژول یادگیری ماشینی برای به دست آوردن تمایلات گردشگران در طبقه‌بندی سایت‌های توریستی، و استخراج و توصیه مکان‌های گردشگری بهینه مطابق با آن است. به برنامه خود بنابراین، داده کاوی کلان گردشگری روشی مهم برای به دست آوردن نیازها و گرایش های علایق گردشگران است. یک ماژول یادگیری ماشینی مورد علاقه، قسمت جلویی سیستم توصیه مسیر تور هوشمند را تشکیل می‌دهد. ما مقدار کافی از ویژگی های ویژگی را اعمال می کنیم، زیرا داده های آموزشی و هر داده آموزشی دارای یک برچسب ویژگی یکنواخت هستند. هر گروه از ویژگی های ویژگی به یک یا چند طبقه بندی سایت گردشگری مورد علاقه مربوط می شود.
استفاده از مقدار کافی از داده های آموزشی برای ساخت ماژول یادگیری ماشین و پیش بینی طبقه بندی نمونه های ناشناخته روش کلیدی یادگیری ماشین است. الگوریتم های ساده بیز یک روش طبقه بندی آماری کلاسیک هستند که در پیش بینی، طبقه بندی و رگرسیون داده ها استفاده می شود [ 27 ، 28 ، 29 ، 30 ]. در پیش‌بینی و طبقه‌بندی نمونه‌های داده‌های مستقل، عملکرد خوب و میزان خطای پایینی دارد. از آنجایی که هر گردشگر یک فرد مستقل است و مدل‌های ارتباط آن‌ها بین ویژگی‌های ویژگی‌های مختلف گردشگر و طبقه‌بندی‌های علاقه به ترتیب مستقل هستند، که با شرایط الگوریتم Naïve Bayes مطابقت دارد [ 31 ، 32 ،33 ]. بنابراین، در این مطالعه، الگوریتم Naïve Bayes به عنوان یک حالت اولیه برای ساخت ماژول یادگیری ماشین علاقه استفاده می شود.

2.1. طراحی ماژول یادگیری ماشین و جمع آوری داده های آموزشی

پایه و اساس ماژول یادگیری ماشینی بر اساس داده های بزرگ علاقه مندی گردشگری است. داده های متنی که با عملکرد آن مطابقت دارد جمع آوری می شود و اطلاعات ارزشمند از داده ها استخراج می شود. اطلاعات ارزشمند، داده های آموزشی است که در ساخت ماژول یادگیری ماشین استفاده خواهد شد. از طریق فرآیند حذف نویز داده ها، پاکسازی، ادغام و گروه بندی و غیره، داده های آموزشی دقیقا پردازش می شوند. داده های اطلاعاتی ارزشمند باید در قالب متن یادداشت شوند و مورد به مورد در پایگاه داده ذخیره شوند. هر آیتم حاوی اطلاعات ویژگی ویژگی گردشگران است و هر ویژگی ویژگی به یک یا چند عنصر در بردار طبقه بندی سایت گردشگری مربوط می شود.

تعریف  1.

فرمول بیز تنظیم کردیم Ωبه عنوان فضای نمونه آزمایش E. آواقعه است E. ب1، ب2,…, بnپارتیشنی است از Ω، و پ(آ)>0، پ(بمن)>0، من∈(0،n]∈ز+. فرمول (1) فرمول بیز نامیده می شود. یک نمونه به فرمول (2) مربوط می شود. الگوریتم بیز بر اساس احتمال قبلی فرضی است. احتمال مشاهده شده داده های مختلف برای محاسبه احتمال پسین داده شده است.
پ(بمن|آ)=پ(آ/بمن)پ(بمن)∑j=1nپ(آ/بj)پ(بj)،من∈(0،n]∈ز+
پ(ب|آ)=پ(آ|ب)پ(ب)پ(آ)

تعریف  2.

بردار ویژگی توریستی ایکس. ما ویژگی‌های ویژگی‌های توریستی فراوان را در طبقه‌بندی‌های مختلف گروه‌بندی می‌کنیم و ویژگی‌های طبقه‌بندی خاص را برای داده‌های آموزشی نمونه استخراج می‌کنیم. برداري كه توسط صفات ويژگي تشكيل مي شود، بردار صفت ويژگي گردشگر ناميده مي شود ایکس.
بردار ایکسویژگی های مشترک گردشگران را بیان می کند و اطلاعات اولیه گردشگران است. همانطور که برای یک گردشگر، nبردار ویژگی بعد ایکس={ایکسمن|من∈(0،n]∈ز+}برای توصیف گردشگر استفاده می شود nامکانات ایکس1، ایکس2,…, ایکسn. بردار ویژگی توریستی نمونه آموزشی دلخواه ∀ایکسبه یک یا چند طبقه بندی سایت گردشگری مربوط می شود. تنظیم کردیم کبه عنوان تعداد کل نمونه های آموزشی به دست آمده.

تعریف  3.

وکتور طبقه بندی سایت های گردشگری سی. با توجه به ویژگی‌ها و ویژگی‌های سایت توریستی، می‌توان از اهداف اصلی گردشگران بازدیدکننده از مکان‌های گردشگری و موقعیت واقعی بازدیدکنندگان برای گروه‌بندی مکان‌های گردشگری شهری استفاده کرد. مترطبقه بندی ها را متربعد بردار که توسط مترطبقه بندی سایت های گردشگری را بردار طبقه بندی سایت های گردشگری می گویند سی.
بردار سیشامل طبقه بندی سایت های توریستی است که منعکس کننده گرایش های علاقه مندی گردشگران است که بر اساس بردارهای ویژگی ویژگی است و سپس سی={جj| j∈(0،متر]∈ز+}. این شامل طبقه بندی سایت های گردشگری مورد علاقه است ج1، ج2,…, جمترمربوط به ویژگی های ویژگی های توریستی، که در آن یک دلخواه ∀جjبه یک یا چند بردار ویژگی توریستی مربوط می شود ایکس. تنظیم کردیم متربه عنوان مقدار کل طبقه بندی سایت های گردشگری و 0<متر<<ک. در مورد یک شهر گردشگری خاص، سایت توریستی خاص شماره را تعریف می کنیم. جjطبقه بندی سایت توریستی به عنوان جjس. تعداد کل مکان های گردشگری در جjاست سj، و سپس س∈(0،سj]∈ز+.

تعریف  4.

بردار داده های نمونه آموزشی D. بردار D={ایکس،سی}متشکل از عناصر ایکسمندر بردار ویژگی ویژگی توریستی ایکسو عناصر جjدر طبقه بندی گردشگری مرتبط سیبردار داده نمونه آموزشی نامیده می شود D.
با توجه به تعریف، تعداد کل بردارهای داده نمونه آموزشی می باشد ک. عناصر از Dهستند D={ایکس1،ایکس2،…،ایکسn،جj}، و j∈(0،متر]∈ز+. عنصر جjدر بردار Dطبقه بندی سایت توریستی استخراج شده است که برای گردشگر خاص ما جالب ترین است.

تعریف  5.

بردار پایه مرتبه نزولی پیش بینی شده E. سیستم توصیه هوشمند، کلان داده های مورد علاقه گردشگر و طبقه بندی گردشگران علاقه مند خروجی یک نمونه خاص از گردشگران را می آموزد. الگوریتم Naïve Bayes مقادیر احتمال پسین را خروجی می دهد و طبقه بندی های مکان گردشگری مورد علاقه را به ترتیب نزولی مرتب می کند و سپس آنها را در دنباله های عناصر در یک بردار ذخیره می کند و این بردار بردار پایه مرتبه نزولی پیش بینی شده نامیده می شود. E.
بردار Eشامل مترعناصر Ej، j∈(0،متر]∈ز+و همگی مقادیر احتمالی پسینی هستند. این بردار محتوای حیاتی برای سیستم توصیه‌های هوشمند برای خروجی‌گیری از طبقه‌بندی‌های سایت مورد علاقه گردشگران نمونه است و همچنین مبنایی است برای سیستم توصیه هوشمند برای خروجی سایت‌های مورد علاقه متناسب با نیازها و علایق گردشگران و همچنین آنها. برنامه‌ریزی، و غیره. بنابراین، هسته اصلی توسعه سیستم توصیه‌های هوشمند جلویی است. بردار E=(E1،E2،…Eمتر)ممکن است کاملا تشکیل شود آمترمترانواع توالی تورها و تمایل گردشگران به مترطبقه بندی سایت های گردشگری از عنصر چپ به سمت راست در بردار کاهش می یابد.

تعریف  6.

ماتریس توزیع طبقه بندی سایت های گردشگری مورد علاقه آ. با توجه به بردار پایه ترتیب نزولی پیش بینی شده Eو ویژگی ویژگی توریستی ایکسمقدار خاص سایت گردشگری در هر طبقه بندی که نیازها و علایق گردشگران را برآورده می کند قابل تایید است. ما مقدار سایت توریستی را در یک ذخیره می کنیم پ×مترماتریس ابعاد آ. به این ماتریس، ماتریس توزیع طبقه بندی سایت های گردشگری مورد علاقه می گویند آ.
ماتریس آبرای ذخیره و نمایش نسبت طبقه‌بندی سایت‌های توریستی و خروجی کمی توسط ماشین هوشمند تحت شرایط ویژگی‌ها و علایق گردشگر استفاده می‌شود، که در آن ردیف ماتریس نشان‌دهنده طبقه‌بندی نسبت است، ستون ماتریس نشان‌دهنده کمیت سایت گردشگری خاص تایید شده است. از یک طبقه بندی خاص سایت گردشگری

طبق تعریف، ماشین هوشمند از داده های آموزشی یاد می گیرد تا علایق و نیازهای نمونه های گردشگر را پیش بینی کند و به دست آورد. پانواع نسبت طبقه بندی سایت های گردشگری و کمیت. هر نسبت می تواند برای تصمیم گیری گردشگران فراهم شود، زیرا کمیت سایت گردشگری به ترتیب در بردار مرتب شده است. E. از آنجایی که گرایش علاقه از عنصر چپ به سمت راست در ردیف ماتریس کاهش می‌یابد، مقدار سایت توریستی تخصیص یافته از الگوریتم طراحی‌شده نیز باید به همان ترتیب عناصر در ردیف ماتریس کاهش یابد. فرمول (3) ساختار ماتریس است آ. عنصر آwjنشان دهنده مقدار شماره است. جjطبقه بندی سایت گردشگری در شماره wنوع طبقه بندی سایت گردشگری و نسبت کمی و w∈(0،پ]∈ز+، j∈(0،متر]∈ز+. بردار آwنشان دهنده شماره wنوعی نسبت در ماتریس آ.

آ=آ11آ12آ13…آ1مترآ21آ22آ23…آ2متر…آپ1آپ2آپ3…آپمتر

ما از اولین طبقه بندی سایت توریستی غیر صفر محاسبه می کنیم آwj≠0در همان نسبت سایت توریستی ردیف ماتریس. ما تعداد کل طبقه‌بندی‌های سایت گردشگری غیرصفر را به‌عنوان تنظیم می‌کنیم جoتوnتی1، و جoتوnتی∈[0،متر]∈ز+. در بعد انتخاب مکان توریستی، عنصر آwjباید شرایط برنامه و برنامه واقعی گردشگران مانند بودجه مناسب، زمان سفر، وضعیت فیزیکی و … را داشته باشد. مقدار مکان‌های توریستی مورد بازدید باید در محدوده حداکثر مقدار تنظیم شود تا با شرایط گردشگر مطابقت داشته باشد. ماتریس آشرایط فرمول (4) را دارد.

آ=(آwj)س.تی.0≤آwj≤حداکثرآwj،0<∑j=1مترآwj≤5س.تی.1<جoتوnتی1≤متر،آwj∈ز+،جoتوnتی1∈ز+

داده‌های نمونه آموزشی فراوانی از مدل یادگیری ماشین علاقه‌مند از وب‌سایت گردشگری رایج، معروف به «FengWo» آمده است، که شامل مجلات سفر گردشگران، مسیرهای سفر، ارزیابی مکان‌ها و مسیرهای توریستی، و غیره می‌شود. داده های متنی از کاستراتژی‌های سفر گردشگران، داده‌های ارزیابی، و اطلاعات ژورنال سفر در وب‌سایت خزیده و پردازش می‌شوند و داده‌های دلخواه خزیدن یک گردشگر باید به طور همزمان حاوی nویژگی های ویژگی ایکس1، ایکس2,…, ایکسnبردار ویژگی ویژگی توریستی ایکسو طبقه بندی سایت توریستی جjبردار طبقه بندی سایت گردشگری سی. داده های متنی به دست آمده برای به دست آوردن داده های آموزشی برای مدل یادگیری ماشینی تمیز، ادغام و گروه بندی می شوند و در قالب متن در برداری ذخیره می شوند. D. ما ویژگی تقسیم فرعی ویژگی ویژگی توریستی را تنظیم می کنیم ایکسمنمانند ایکسمنج، من∈(0،n]∈ز+، ج∈(0،حداکثرج]∈ز+. تعداد نمونه ها برای ویژگی تقسیم فرعی ایکسمنجاست کمنج، و تعداد نمونه برای طبقه بندی سایت توریستی جjاست کjr، r∈(0،حداکثرr]∈ز+، که با فرمول (5) مطابقت دارد.

∑ج=1حداکثرجکمنج=ک،∑r=1حداکثرrکمنr=کس.تی.∀من،من∈(0،n]⊂ز+،ج∈(0،حداکثرج]⊂ز+،r∈(0،حداکثرr]⊂ز+
شکل 1 فرمت ذخیره سازی بردار ویژگی ویژگی را نشان می دهد ایکس، وکتور طبقه بندی سایت های گردشگری سیو آموزش نمونه برداری داده D، با توجه به تعریف ماژول یادگیری ماشین و ویژگی های ویژگی داده های آموزشی.

2.2. پایه و اساس حالت یادگیری ماشین استخراج علاقه ساده بیز

داده‌های نمونه آموزشی فراوان برای راه‌اندازی مدل یادگیری ماشین استخراج علاقه ساده بیز با یادگیری و استخراج اطلاعات ارزشمند از داده‌های بزرگ مورد علاقه گردشگری استفاده می‌شود [ 34 , 35 , 36]. فرآیند تنظیم مدل با اصل اساسی الگوریتم های یادگیری ماشین مطابقت دارد. ابتدا، ماژول یادگیری ماشینی، داده‌های علاقه مندی گردشگران فراوان، از جمله داده‌های ویژگی ویژگی و داده‌های تمایل علاقه را می‌آموزد. ماژول یادگیری ماشین الگوریتمی را برای پردازش دسته ای داده های آموزشی فراخوانی می کند. با افزایش مقدار داده های آموزشی ورودی، ثبات و استحکام به طور همزمان افزایش می یابد و در نهایت کاملاً پایدار می شود. داده‌های نمونه آزمایشی را در ماژول یادگیری ماشین وارد می‌کنیم و برای خروجی بردار پایه نزولی پیش‌بینی شده پردازش و محاسبه می‌شوند. E. بردار Eپیش‌بینی شی نمونه آزمایشی بر گرایش علاقه گردشگری است. ذخیره طبقه بندی سایت های گردشگری در وکتور Eترتیب عناصر هدف اصلی ماژول یادگیری ماشین است. با توجه به ویژگی‌های شی نمونه، مقادیر خاص و نسبت مکان‌های گردشگری برای هر طبقه‌بندی سایت توریستی به طور همزمان خروجی می‌شود.
در مورد تایید شده مترطبقه بندی سایت های گردشگری ج1، ج2,…, جمتر، ماژول یادگیری ماشین احتمال عقبی یک شی نمونه را محاسبه می کند ایکس={ایکس1،ایکس2،…،ایکسn}و طبقه بندی سایت توریستی را با حداکثر احتمال پسین به عنوان طبقه بندی سایت توریستی پیش بینی شده اختصاص داده شده به شی نمونه تنظیم می کند، که در آن شرایط برای یادگیری ماشینی برای قضاوت یک شی نمونه که به طبقه بندی سایت توریستی اختصاص داده شده است. جjچه زمانی و تنها زمانی است که پ(جj|ایکس)>پ(∀ج¬j|ایکس)، j∈(0،متر]∈ز+. طبقه بندی سایت توریستی اختصاص داده شده پیش بینی شده جjحاوی حداکثر فرض پسین است. پ(جj|ایکس)از فرمول (1) بدست می آید.

در مورد تمام طبقه بندی ها، پ(ایکس)عبارت ثابت است و محاسبه کل به جستجوی حداکثر تبدیل می شود پ(ایکس|جj)پ(جj). اگر طبقه بندی سایت توریستی جjبا احتمال مساوی ظاهر نمی شود، باید وجود داشته باشد جjکه شرایط را برآورده می کند پ(جj)=پ(ج¬j)حداقل. داده های ویژگی ویژگی گردشگران به ترتیب مستقل هستند. ما برچسب هر نمونه را تنظیم می کنیم و داده های آماری و احتمال قبلی طبقه بندی سایت توریستی را شمارش می کنیم پ(جj)با فرمول (4)، که در آن کjrتعداد نمونه های متعلق به طبقه بندی است جj، و کمقدار کل داده های نمونه آموزشی است، r∈(0،حداکثرr]∈ز+. تحت فرض ساده لوح طبقه بندی استقلال مشروط، پ(ایکس|جj)شرایط فرمول (6) را دارد که در آن پ(ایکسمن|جj)با داده های نمونه آموزشی ارزیابی می شود.

پ(جj)=کjr/کپ(ایکس|جj)=∏من=1nپ(ایکسمن|جj)س.تی.j∈(0،متر]∈ز+،r∈(0،حداکثرr]∈ز+،من∈(0،n]∈ز+
به عنوان ویژگی های ویژگی ∀ایکسمنو ∀ایکس¬منمتقابل و مستقل و در یک صفت هستند ایکسمن، صفات تقسیم فرعی ∀ایکسمنجو ∀ایکسمن¬جنیز متقابلا منحصر به فرد و مستقل هستند، وجود دارد پ(ایکسمن|جj)=کjمن/کjr، که در آن کjمنتعداد نمونه های متعلق به طبقه بندی سایت گردشگری است جjاز صفت تقسیم فرعی ایکسمنجدر صفت ایکسمن، و سپس کjمن∈(0،کمنج]∈ز+. در اینجا فرآیند پایه و اساس مدل یادگیری ماشینی Naïve Bayes آمده است.
مرحله 1 ما فرم داده های نمونه آموزشی را تنظیم می کنیم تی. نمونه آموزشی بردار داده Dبرای تنظیم فرم داده استفاده می شود تیو تمام داده های نمونه در قالب متن ذخیره می شوند. فرمت فرم داده است تی={خیر.ک،ایکس1،ایکس2،…،ایکسn،جj}. هر داده نمونه آموزشی به یک فرم داده مربوط می شود کنمونه های آموزشی یک فرم داده با ظرفیت تولید می کنند ک.
مرحله 2 ما طبقه بندی سایت توریستی را به ترتیب احتمال قبلی و احتمال شرطی محاسبه می کنیم. داده های نمونه آموزشی هر طبقه بندی سایت گردشگری جjبه‌دست‌آمده از داده‌کاوی کلان گردشگری شناخته شده و با احتمال غیرمساوی هستند. احتمال قبلی را محاسبه می کنیم پ(جj)طبقه بندی سایت های گردشگری جjو احتمال مشروط پ(ایکس|جj)از نمونه های آموزشی به ترتیب.
مرحله فرعی 1: ویژگی های ویژگی را تأیید می کنیم ایکسمنو صفات فرعی ایکسمنجاز شی نمونه آزمایشی ایکسآ، آ∈(0،ک]∈ز+. ویژگی های ویژگی ایکسمنو صفات فرعی ایکسمنجاز شی نمونه آزمایشی ایکسآبا ویژگی های ویژگی نمونه های آموزشی یکسان هستند. ما ویژگی های ویژگی را ذخیره می کنیم ایکسمنمقادیر و صفات زیربخش ایکسمنجمقادیر در قالب متن در پایگاه داده فرمت داده های فرم نهایی ایکسآاست تیآ=ایکسآ{ایکس1،ایکس2،…،ایکسn،جj}.
مرحله فرعی 2: احتمال قبلی طبقه بندی سایت گردشگری را محاسبه می کنیم جj. احتمال قبلی طبقه بندی سایت توریستی جjشرایط را برآورده می کند پ(جj)=کjr/ک.
مرحله فرعی 3: مقدار احتمال شرطی را محاسبه می کنیم پ(ایکسمن|جj)از ویژگی ویژگی ما احتمال شرطی شی نمونه را محاسبه می کنیم ایکسآویژگی ویژگی پ(ایکسمن|جj)=کjمن/کjrو بدست آورید متر×nمقادیر احتمال شرطی
مرحله فرعی 4: مقدار احتمال شرطی را محاسبه می کنیم پ(ایکس|جj)از یک شی نمونه ما احتمال شرطی شی نمونه را محاسبه می کنیم پ(ایکسآ|جj)=∏من=1nپ(ایکسمن|جj)و پیدا کنید مترمقادیر احتمال شرطی
مرحله 3: مقدار را به حداکثر می رسانیم پ(ایکس|جj)پ(جj)و j∈(0،متر]∈ز+. محاسبه می کنیم مترارزش های پ(ایکس|جj)پ(جj)و بدست آورید حداکثرپ(ایکس|جj)پ(جj)به عنوان حداکثر مقدار این مقدار حداکثر نشان دهنده آن است که تحت شرایط کداده‌های بزرگ مورد علاقه گردشگری نمونه اشیاء، ماژول یادگیری ماشینی می‌تواند محتمل‌ترین تمایل طبقه‌بندی سایت‌های گردشگری را به انتخاب گردشگران بیاموزد و پیش‌بینی کند.
مرحله 4: ما یک بردار پایه نزولی پیش بینی شده را تنظیم می کنیم E. ما راه اندازی کردیم 1×متربعد خالی بردار پایه مرتبه نزولی پیش بینی شده E0. از حداکثر مقدار حداکثرپ(ایکس|جj)پ(جj)به حداقل مقدار دقیقهپ(ایکس|جj)پ(جj)، ذخیره می کنیم مترارزش های پ(ایکس|جj)پ(جj)که در مترعناصر بردار E0. هر یک پ(ایکس|جj)پ(جj)ارزش مربوط به یک طبقه بندی سایت گردشگری است جjو سپس بردار پایه مرتبه نزولی پیش بینی شده را بدست می آوریم E. بردار Eنتیجه رتبه بندی پیش بینی شده بر روی تمایل به علاقه شی نمونه توریستی است ایکسآ.
مرحله 5: ماتریس توزیع طبقه بندی سایت های گردشگری مورد علاقه را راه اندازی کردیم آ. یک روز را به عنوان واحد مطالعه پایه در نظر بگیرید، طبق شرط فرمول (4)، تعداد کل مکان های گردشگری توصیه شده توسط دستگاه هوشمند نمی تواند از 5 بیشتر شود. با توجه به فراوانی و کافی بودن تجربه سفر، حداقل دو طبقه بندی مقدار مشخص سایت های توریستی نمی توانند 0 باشند، بنابراین، جoتوnتی1∈(1،متر]∈ز+.
با توجه به فرمت داده‌های وب‌سایت‌های گردشگری اصلی و عواملی که بیشتر مورد توجه گردشگران قبل از سفر قرار می‌گیرد، ویژگی‌های ویژگی به عنوان چهار محتوا تأیید می‌شوند:
  • ایکس1: عصر گردشگری
  • ایکس2: درآمد توریستی (حقوق ماهانه، واحد: ده هزار یوان)
  • ایکس3: بودجه سفر (تک نفره در روز، واحد: ده هزار یوان)
  • ایکس4: فصل گردشگری
و طبقه بندی سایت توریستی شهری شامل چهار مطلب است:
  • ج1: پارک و گرینلند
  • ج2: محل
  • ج3: شهر بازی
  • ج4: خريد كردن

با توجه به شرایط مدل‌سازی یادگیری ماشین، ویژگی‌های ویژگی خزیده‌شده را به ویژگی‌های زیربخش دیگر تقسیم می‌کنیم. اصل به شرح زیر است.

ایکس1: { ایکس11: میانسال و پیر ( 46≤آgه) ایکس12: جوانان ( 18≤آgه<46)
ایکس13: اوایل جوانی ( 13≤آgه<18) ایکس14: فرزندان ( 0≤آgه<13)}؛
ایکس2: { ایکس21: منnجoمتره≤0.2; ایکس22: 0.2<منnجoمتره≤0.5; ایکس23: 0.5<منnجoمتره≤1.0; ایکس24: منnجoمتره>1.0};
ایکس3: { ایکس31: انقضاهnسه≤0.02; ایکس32: 0.02<انقضاهnسه≤0.05;
ایکس33: 0.05<انقضاهnسه≤0.1; ایکس34: انقضاهnسه>0.1};
ایکس4: { ایکس41: سپrمنng; ایکس42: ستومترمترهr; ایکس43: آتوتیتومترn; ایکس44: wمنnتیهr}.
مقدار پارامتر را تأیید کنید ک=1000یعنی داده های نمونه آموزشی حاوی 1000 داده ارزشمند برای برداری است D، مطابق با شرایط. ما ماتریس توزیع طبقه بندی مکان گردشگری مورد علاقه را از طریق الگوریتم یادگیری ساده بیز تأیید می کنیم. اگر نمونه گردشگر طبقه بندی سایت گردشگری و کمیت سایت گردشگری را در ردیف ماتریسی انتخاب کند w، سپس w∈(0،پ]∈ز+. مقدار سایت گردشگری برای هر طبقه بندی می باشد آwj، j∈(0،متر]∈ز+.

3. مدل سازی الگوریتم برنامه ریزی مسیر هوشمند

طبقه‌بندی سایت مورد علاقه توریستی که از مدل استخراج ماشین یادگیری ماشینی Naïve Bayes به دست آمده است با علایق و نیازهای گردشگران مطابقت دارد. تحت این شرایط، ما یک الگوریتم استخراج سایت توریستی بهینه را بر اساس درجه عضویت در جستجوی درخت تکثیر برای استخراج مکان‌های گردشگری با توزیع جغرافیایی بهینه طراحی می‌کنیم. سایت‌های بهینه توریستی استخراج‌شده به‌عنوان گره‌های مسیرهای تور برای توسعه یک الگوریتم برنامه‌ریزی مسیر تور هوشمند همراه با عواملی مانند خدمات GIS گردشگری، خدمات اطلاعات ترافیک و خدمات اطلاعات سایت توریستی طراحی شده‌اند که بر تجربیات سفر گردشگران تأثیر می‌گذارند. این الگوریتم می‌تواند مسیرهای تور بهینه را تولید کند که با شرایط واقعی مطابقت داشته باشد، منافع و انگیزه‌های گردشگران را برآورده کند و هزینه‌های سفر را کاهش دهد. در همین حال،

3.1. الگوریتم بهینه استخراج سایت توریستی بر اساس جستجوی درجه عضویت درخت تکثیر

ماتریس توزیع طبقه بندی سایت گردشگری مورد علاقه آکه توسط فرآیند استخراج ماشینی ساده بیز شکل گرفته است، مدلی حیاتی برای ماشین هوشمند برای یادگیری نیازها و علایق گردشگران است. در ماتریس آ، ردیف دلخواه ∀آwیک نوع امکان پذیر از طبقه بندی و کمیت سایت گردشگری را نشان می دهد. طبقه بندی و کمیت هر ردیف می تواند نیازهای گردشگران را برآورده کند، اما آنها در مکان های توریستی خاص متفاوت هستند، که خروجی مسیرهای مختلف تور خواهد بود. طبق تعریف، به عنوان یک ردیف آwاز ماتریس آ، طبقه بندی و کمیت امکان پذیر است ∏j=1مترسیسjآwj،س.تی.آwj≠0، اما همه انواع بهینه نیستند. گردشگران از اسکان موقت در شهر شروع می کنند، از تمام مکان های گردشگری منتخب بازدید می کنند و در نهایت به اقامتگاه موقت باز می گردند و کل فرآیند یک مسیر تور یکپارچه را تشکیل می دهد. مکان های گردشگری انتخاب شده باید با حداقل هزینه، نیازها و علایق را برآورده کنند. بنابراین، در محدوده همسایگی یک مرکز اقامتی موقت، هر چه به مرکز نزدیکتر باشد، سایت توریستی سود بیشتری خواهد داشت. بنابراین، در ∏j=1مترسیسjآwjدسته بندی ها و کمیت های توریستی انواع مختلفی دارد و تنها یک نوع در توزیع جغرافیایی بهینه است. رابطه درجه عضویت برای راه‌اندازی کمان جستجوی همسایگی برای سایت توریستی بذر و تکرار مکان‌های توریستی برای تولید درخت در حال تکثیر استفاده می‌شود. فرآیند جستجوی مکان‌های توریستی بذری تابعه در محدوده یک خوشه سایت گردشگری یا متقابل است، یعنی مکان‌های گردشگری ممکن است متعلق به یک خوشه یا خوشه‌های متفاوت باشند. نتیجه خروجی نهایی فرآیند یک درخت در حال تکثیر با مکان‌های گردشگری بهینه توزیع شده جغرافیایی است و یادداشت‌های روی درخت مکان‌های گردشگری بهینه استخراج‌شده هستند.

تعریف  7.

مرکز خوشه بندی سایت های گردشگری ک. محل اقامت موقت که قبل از سفر تایید و بررسی می شود به عنوان نقطه شروع و پایانه کل فعالیت تور تعیین می شود. اقامتگاه موقت اولین نقطه بحرانی مسیر برنامه ریزی شده تور است که به آن مرکز خوشه بندی سایت گردشگری می گویند. ک. مرکز کتوسط محل اقامت موقت تعیین می شود که در اینجا به عنوان طول و عرض جغرافیایی تعریف می شود (ل،ب).
مرکز کبا تصمیم گردشگر در مورد اسکان موقت تغییر می کند و مستقیماً بر شکل گیری، شکل و توزیع درخت تکثیر شده تأثیر می گذارد و بر مکان های بهینه گردشگری استخراج شده تأثیر می گذارد.

تعریف  8.

سایت گردشگری بذر جیهو وکتور سایت گردشگری بذر جیw. شروع از مرکز خوشه‌بندی سایت توریستی کسایت های گردشگری بهینه در داخل محله از طریق تابع هدف و درجه عضویت جستجو و تایید شده را سایت توریستی بذر می گویند جیه. در شرایط یک نوع طبقه بندی و کمیت سایت توریستی، مکان های گردشگری بذر جستجو شده برای هر طبقه بندی سایت گردشگری جjاست آwj، و ∑j=1مترآwj،س.تی.∀w، ه∈(0،∑j=1مترآwj]∈ز+بر اساس ماتریس توزیع طبقه بندی سایت های گردشگری مورد علاقه، تعداد کل مکان های گردشگری بذر است آ و بردار ردیف دلخواه آن ∀آw. ما ذخیره می کنیم ∑j=1مترآwj سایت های توریستی بذر به ترتیب گره های درخت در حال تکثیر در عنصر برداری از چپ به راست است و این بردار را بردار سایت توریستی بذر می نامند. جیw.
تحت شرایط مرکز خوشه بندی سایت گردشگری تایید شده ک، ماتریس آمی تواند تولید کند پوکتورهای سایت گردشگری بذر جیw، و w∈(0،پ]∈ز+، طبق تعریف. هر یک جیwسایت های گردشگری بهینه جستجو شده ردیف را ذخیره می کند آw.

تعریف  9.

سایت گردشگری بذر تابعه جیه∗و سایت گردشگری بذر غیر تابعه ¬جیه∗. همانطور که به سایت توریستی یک دانه جیه، سایت توریستی جستجو شده و تایید شده که نزدیکترین مرکز شروع است کیا سایت توریستی بذر جیهو برای ذخیره در گره های درختی در حال تکثیر از طریق تابع تابع و مدل رابطه درجه عضویت فهرست می شود که سایت توریستی بذر تابع نامیده می شود. جیه∗. در همین فرآیند جستجو، سایر سایت‌های گردشگری که برای ذخیره در گره‌های درختی در حال تکثیر فهرست نشده‌اند، سایت توریستی بذر غیر تابعه نامیده می‌شوند. ¬جیه∗.

تعریف  10.

کمان جستجوی سایت توریستی بذر. سایت توریستی بذر اولیه را تنظیم کردیم جیهبه عنوان مرکز دایره، و شعاع همسایگی تایید شده توسط تابع هدف را به عنوان قوس بگیرید. قوس برای جستجوی سایت توریستی بذر تبعی استفاده می شود جیه∗. ساختار ترکیبی شعاع و قوس کمان جستجوی سایت توریستی بذر نامیده می شود. قوس جستجوی سایت گردشگری بذر جهت و مسیر جستجو در سایت گردشگری بذر است. در یک فرآیند جستجو، یک ماشین هوشمند تمام سایت‌های توریستی را اسکن می‌کند و سایت توریستی بذر باید قوس جستجوی سایت گردشگری بذر را با حداقل مقدار تابع هدف عبور دهد.

تعریف  11.

درخت تکثیر سایت توریستی بهینه تیrههw. درخت ساختاری که توسط سایت‌های گردشگری بذری و مدل تولید مکان‌های گردشگری بذری تبعی جست‌وجو و تأیید شده است، درخت تکثیر سایت گردشگری بهینه نامیده می‌شود. گره‌های درخت تکثیر مکان‌های گردشگری بهینه، مکان‌های گردشگری هستند که دارای توزیع بهینه جغرافیایی، مطابق با علایق و ویژگی‌های گردشگران بوده و کمترین هزینه را دارند.
طبق تعریف، به شرط مرکز خوشه‌بندی سایت گردشگری تایید شده ک، ماتریس آمی تواند تولید کند پسایت توریستی بهینه برای تکثیر درختان تیrههw، و w∈(0،پ]∈ز+. الگوریتم کاوی بهینه سایت گردشگری که بر اساس درجه عضویت جستجوی درخت تکثیر شده است، با توجه به تعریف و تفکر مدلسازی درخت تکثیر سایت گردشگری بهینه طراحی و توسعه یافته است.
مرحله 1. جهان درختی در حال انتشار گفتمان را تأیید کنید
طبق تعریف بردار طبقه بندی سایت گردشگری سیدر مورد یک شهر گردشگری خاص، سایت توریستی خاص شماره. جjطبقه بندی سایت های گردشگری است جjس. سایت توریستی مقدار جjاست سj، س∈(0،سj]∈ز+.
مجموعه سایت توریستی شهر را به عنوان تنظیم کردیم سیس={ج11،ج12،…،ج1س1،ج21،ج22،…،ج2س2،…،جمتر1،جمتر2،…،جمترسمتر}⊂آرسکه به آن جهان گفتمان می گویند. جjس=(جjس1،جjس2،…،جjستو)تی∈آرسبردار ویژگی نمونه هایی است که باید مشاهده شود و به یک نقطه از فضای ویژگی گفتمانی، یعنی سایت گردشگری در فضای جغرافیایی شهر مربوط می شود. جjسαمقدار ویژگی ویژگی No است. αابعاد بردارهای ویژگی در مورد خود سایت توریستی، مقادیر ویژگی ویژگی شامل طول جغرافیایی سایت گردشگری است ل، عرض جغرافیایی سایت توریستی بو شاخص جاذبه سایت توریستی ε.
مرحله 2. جهان درختی در حال انتشار گفتمان را به خوشه ها تقسیم کنید

شروع از مرکز خوشه‌بندی سایت توریستی ک، ما جهان درختی در حال انتشار گفتمان را به تقسیم می کنیم مترخوشه ها جj، و هر خوشه تقسیم جjمربوط به یک طبقه بندی سایت گردشگری است که یک خوشه سایت توریستی را تشکیل می دهد جj. بنابراین، خوشه های تکثیر جهان درختی گفتمان هستند ج1، ج2,…, جمتر، و شرایط فرمول (7) را دارند.

ج1∪ج2∪…∪جمتر=سیجj∩∀ج¬j=∅،س.تی.j،¬j∈(0،متر]⊂ز+جj≠∅،جj≠سی،س.تی.j∈(0،متر]⊂ز+
در فرآیند جستجوی سایت‌های گردشگری بذر از مرکز خوشه‌بندی سایت گردشگری شروع می‌شود ک، سایت گردشگری بذر تبعی جستجو شده است جیه∗و سایت توریستی بذر اولیه جیهممکن است در یک خوشه طبقه بندی یا در خوشه های طبقه بندی مختلف باشد و فرآیند جستجو باید شرایط محدودیت را برآورده کند. در اینجا، مکان‌های گردشگری بذر در همان خوشه طبقه‌بندی ذکر شده است جیه+∗، در حالی که در خوشه طبقه بندی مختلف، به عنوان ذکر شده اند جیه-∗.
مرحله 3 . تابع هدف و تابع تابع را تنظیم کنید
رابطه جستجوی فضایی مرکز خوشه‌بندی سایت گردشگری ک، سایت گردشگری بذر جیه، و سایت گردشگری بذر تابعه جیه∗توسط اصل خوشه بندی تعیین می شود ک، جیه، و جیه∗. اصل فاصله مینکوفسکی مرتبه دوم است. با توجه به تعریف ویژگی‌های سایت گردشگری، فاصله مینکوفسکی بین مرکز خوشه‌بندی سایت توریستی است کو اولین سایت گردشگری بذر استخراج شده جی1و فاصله مینکوفسکی بین سایت توریستی بذر جیهو سایت گردشگری بذر تابعه جیه∗با ویژگی های ویژگی آنها تعیین می شود. غیر از طول جغرافیایی سایت توریستی ل، عرض جغرافیایی ب، و شاخص جاذبه سایت توریستی ε، عواملی وجود دارد که بر روند جستجوی سایت توریستی بذر تبعی تأثیر می گذارد.

تعریف  12.

عامل تأثیر مستقیم درجه عضویت λv1. در فرآیند جستجوی منفرد، عواملی که مستقیماً بر اینکه یک سایت توریستی خاص، سایت توریستی بذر تابعی است یا خیر تأثیر می‌گذارد. جیه∗سایت گردشگری بذر اولیه جیهیا نه عوامل تأثیر مستقیم درجه عضویت نامیده می شوند λv1، v1∈(0،حداکثرv1]⊂ز+.

تعریف  13.

درجه عضویت عامل تأثیر غیرمستقیم δv2. در فرآیند جستجوی منفرد، عواملی که به طور غیرمستقیم تأثیر می‌گذارند که آیا یک سایت توریستی خاص، سایت توریستی بذر تابعی است یا خیر. جیه∗سایت گردشگری بذر اولیه جیهیا نه، درجه عضویت عوامل تأثیر غیرمستقیم نامیده می شوند δv2، v2∈(0،حداکثرv2]⊂ز+.

درجه عضویت عوامل تأثیر مستقیم λv1شامل فاصله کشتی بین مرکز خوشه بندی سایت توریستی است کو سایت توریستی (کیلومتر)، فاصله کشتی بین دو مکان گردشگری (کیلومتر)، تعداد خطوط مترو و اتوبوس بین فاصله کشتی، هزینه تاکسی فاصله کشتی و شاخص ترافیک جاده، با توجه به سفر واقعی فرآیند و خدمات گردشگری شهری درجه عضویت عوامل تأثیر غیرمستقیم δv2شامل مقدار چراغ راهنمایی بین مرکز خوشه بندی سایت توریستی می شود کو سایت توریستی، مقدار چراغ راهنمایی بین دو سایت توریستی، میانگین فاصله پیاده روی از یک سایت گردشگری تا نزدیکترین ایستگاه مترو یا اتوبوس (کیلومتر)، میانگین زمان انتظار برای یک تاکسی (ساعت)، و مقدار متوسط جاده های ترافیکی طبق تعریف، عامل s λv1و δv2در قالب متن نمایش داده می شوند. علامت ” دمنr+” مخفف عوامل است λv1و نماد ” منnدمنr-” مخفف عوامل است δv2. قالب متن به صورت <Factor, Relationship, Algorithm, Attribute> تعریف می شود و هر عامل به صورت زیر نمایش داده می شود.

< ضریب مستقیم 1: < λ1, فاصله کشتی, اقامت موقت ← سایت توریستی اس1(کیلومتر، اس1∈آر+)
λ1=اس1-1، دمنr+>
  عامل غیر مستقیم 1: < δ1, مقدار چراغ راهنمایی, اسکان موقت ← سایت توریستی ن1
  ( ن1∈ز+) δ1=-0.01ن1، منnدمنr->>
< ضریب مستقیم 2: < λ2، فاصله کشتی، سایت توریستی → سایت توریستی اس2(کیلومتر، اس2∈آر+) λ2=اس2-1، دمنr+>
  عامل غیر مستقیم 2: < δ2, کمیت چراغ راهنمایی, سایت توریستی ← سایت توریستی ن2( ن2∈ز+)
   δ2=-0.01ن2، منnدمنr->>
< ضریب مستقیم 3: < λ3، مقدار خط مترو و اتوبوس ن3( ن3∈ز+) λ3=0.1ن3، دمنr+>
  عامل غیر مستقیم 3: < δ3، فاصله کشتی، سایت توریستی → نزدیکترین ایستگاه مترو یا اتوبوس اس3(کیلومتر،
اس3∈آر+) δ3=-0.01اس3، منnدمنr->>
< ضریب مستقیم 4: < λ4، هزینه تاکسی مسافت کشتی، جoستی( جoستی∈آر+) λ4=جoستی-1، دمنr+>
  عامل غیر مستقیم 4: < δ4، میانگین زمان انتظار تاکسی، تی(h تی∈آر+) δ4=-0.01تی، منnدمنr->>
< فاکتور مستقیم 5: < λ5، شاخص ترافیک جاده ای، د( د∈آر+) λ5=1-د، دمنr+>
  عامل غیر مستقیم 5: < δ5، مقدار متوسط ​​ترافیک، ن4( ن4∈ز+) δ5=-0.01ن4، منnدمنr->>

با توجه به تعریف، مجموعه سایت گردشگری شهرستان سیرا می توان به صورت a ذخیره کرد تو×∑j=1مترسjماتریس ابعاد ستون‌های ماتریس مربوط به مکان‌های گردشگری خاص است، در حالی که ردیف‌ها به ویژگی ویژگی مربوط می‌شوند. ویژگی های ویژگی شامل عوامل تأثیر مستقیم درجه عضویت است λv1، درجه عضویت عوامل تاثیر غیر مستقیم δv2، طول جغرافیایی سایت گردشگری ل، عرض جغرافیایی سایت گردشگری ب، شاخص جاذبه سایت گردشگری ε، و حداکثرتو=حداکثرv1+حداکثرv2+3. با توجه به تعاریف 12 و 13 عوامل λv1و δv2مرکز خوشه‌بندی سایت گردشگری کو سایت توریستی بذر جستجو شده، سایت گردشگری بذر و سایت گردشگری بذر تابع توسط مرکز خوشه بندی سایت توریستی تعیین می شود. کو سایت های توریستی نسبی که در آن ها اگر یک نقطه تغییر کند، مقادیر فاکتورها در آن تغییر می کند λv1و δv2به طور همزمان تغییر خواهد کرد، بنابراین مقادیر فاکتورها λv1و δv2در حال نوسان هستند. عملکرد هدف مرکز خوشه‌بندی سایت گردشگری کو اولین سایت توریستی بذر جستجو شده، سایت توریستی بذر و سایت توریستی بذر تبعی با ویژگی های ویژگی تعیین می شوند، همانطور که در فرمول (8) نشان داده شده است.

σ(ک،جjس)=∑v1=1حداکثر v1λv1+∑v2=1حداکثر v2δv2+0.01((Δلک،جjس)2+(Δبک،جjس)2)-1/2+|Δεک،جjس|σ(جjس،جj”س”)=∑v1″=1حداکثر v1″λv1″+∑v2″=1حداکثر v2″δv2″+0.01((Δلجjس،جj”س”)2+(Δبجjس،جj”س”)2)-1/2+|Δεجjس،جj”س”|جی(σ(ک،جjس)،σ(جjس،جj”س”))=σ(ک،جjس)+σ(جjس،جj”س”)س.تی.j≠j” or س≠س”

تعریف  14.

بردار مرتبه نزولی تابع هدف س. در فرآیند جستجوی منفرد سایت بذر گردشگری جیه∗، مقادیر تابع هدف جستجو شده را در یک بردار به ترتیب عناصر از چپ به راست به ترتیب نزولی ذخیره می کنیم و این بردار را تابع هدف بردار مرتبه نزولی می نامند. س.

تعریف  15.

منحنی نوسان تابع هدف. در فرآیند جستجوی تک یک سایت توریستی بذر تابعی جیه∗منحنی نوسانی که گرایش مقادیر تابع هدف را منعکس می کند، منحنی نوسان تابع هدف نامیده می شود.
منحنی نوسان تابع هدف با مرکز خوشه‌بندی سایت توریستی تغییر می‌کند کو طبقه بندی و کمیت سایت گردشگری انتخاب شده آw. چه زمانی کیا آwتغییرات زیادی دارد، گرایش منحنی نوسان تابع هدف نیز بسیار تغییر خواهد کرد. در روند جستجوی سایت گردشگری بذر تابعه جیه∗از مرکز خوشه بندی شروع می شود کیا سایت توریستی بذر جیه، در یک زمان جستجو، یک گروه از مقادیر تابع هدف تولید می شود. منحنی نوسان تابع هدف به صورت بصری رابطه قرابت بین سایت توریستی بذر و سایر مکان‌های گردشگری را در یک فرآیند جستجو منعکس می‌کند.

تعریف  16.

سایت توریستی بذر رتبه کامل برای طبقه بندی جj. در مورد یک طبقه بندی خاص غیر صفر سایت گردشگری آwj≠0طبقه بندی سایت گردشگری و کمیت آwدر ماتریس آ، در طول فرآیند جستجو، زمانی که مقدار سایت گردشگری بذر جستجو شده برای این طبقه بندی به دست می آید آwj، سایت گردشگری بذر برای طبقه بندی جjدارای رتبه کامل تحت شرط است آw، و به عنوان ذکر شده است جj∧. هنگامی که سایت توریستی بذر برای طبقه بندی رتبه کاملی داشته باشد، درخت در حال تکثیر سایت های گردشگری بذر جستجو شده بیشتر با همان طبقه بندی را نمی پذیرد.

یک فرآیند جستجو تنها یک سایت توریستی را به عنوان سایت توریستی تابعه تایید و استخراج می کند و در عین حال، سایت های گردشگری دیگر، سایت های توریستی غیرفرعی هستند. تابع تابع μ((ک،جjس)،جj”س”)=μ(ک،جjس)(جj”س”)که با درجه عضویت که نشان دهنده رابطه فرعی بین سایت توریستی است، مشخص می شود جj”س”و سایت توریستی بذر اولیه جjسیا مرکز خوشه بندی سایت توریستی کدر یک فرآیند جستجو تابع تابع فرمول (9) است.

μ((ک،جjس)،جj”س”)=μ(ک،جjس)(جj”س”)=1، جonدمنتیمنon10، جonدمنتیمنon2

تعریف  17.

ماتریس توزیع درجه عضویت μ(ج). زمانی که سایت توریستی جj”س”سایت توریستی بذر تابع مرکز خوشه بندی است کیا سایت توریستی بذر اولیه جjس، ارزش درجه عضویت سایت توریستی جj”س”1 است، یا مقدار 0 است. یک فرآیند جستجوی منفرد می تواند مقدار درجه عضویت یک سایت گردشگری را به عنوان 1 و مقادیر سایر مکان های گردشگری را 0 تأیید کند. ماتریس توزیع درجه عضویت μ(ج).

همانطور که در فرمول (10) نشان داده شده است، نشان دهنده توزیع مکان های گردشگری بذر است. ردیف ماتریس یک نوع طبقه بندی و کمیت سایت گردشگری است. ستون ماتریس درجه عضویت شماره است. سسایت توریستی برای نوع طبقه بندی سایت های گردشگری و کمیت. مقدار ستون است حداکثرسj، و عناصر خالی به عنوان 0. هنگامی که مرکز خوشه کیا آwتغییرات، ماتریس توزیع درجه عضویت نیز تغییر خواهد کرد.

μ(ج)=μ(ج11)μ(ج12)μ(ج13)…μ(ج1س1)μ(ج21)μ(ج22)μ(ج23)…μ(ج2س2)…μ(جمتر1)μ(جمتر2)μ(جمتر3)…μ(جمترسمتر)
مرحله 4. الگوریتم استخراج بهینه سایت گردشگری را تنظیم کنید
بردار مرتبه نزولی تابع هدف سمقادیر تابع هدف را ذخیره می کند. اگر طبقه‌بندی سایت گردشگری مربوط به عنصر اول ارزش تابع هدف، رتبه کامل نباشد و در سایت‌های گردشگری بذر قبلی فهرست نشده باشد، و سپس سایت گردشگری مربوط به ارزش تابع هدف به عنوان سایت گردشگری بذر تبعی استخراج می‌شود. جیه∗مرکز خوشه‌بندی سایت گردشگری کیا سایت توریستی بذر اولیه جیه، اگر در همان خوشه است، آن را به عنوان یادداشت کنید جیه+∗، اگر در خوشه های مختلف باشد، آن را به صورت یادداشت می کنیم جیه-∗. سایت‌های گردشگری مرتبط با مقادیر تابع هدف در سایر عناصر، سایت‌های توریستی بذر غیر تابعی هستند. ¬جیه∗. شروع از مرکز خوشه بندی ک، فرآیند جستجوی وکتور سایت گردشگری بذر جیwو به دست آوردن تابع هدف بردار مرتبه نزولی سو همچنین ماتریس توزیع درجه عضویت μ(ج)به شرح زیر است.
مرحله فرعی 1. ماتریس را تایید کنید آ. گردشگر یک نوع طبقه بندی سایت گردشگری و بردار کمی را انتخاب می کند آw.
مرحله فرعی 2. ما راه اندازی کردیم 1×∑j=1مترآwjوکتور سایت گردشگری بذر بعدی جیw، 1×∑j=1مترسjتابع هدف ابعاد بردار مرتبه نزولی سو متر×حداکثرسjبعد ماتریس توزیع درجه عضویت، و همه عناصر را 0 قرار دهید.
مرحله فرعی 3. لیست باز و لیست بسته را تنظیم کردیم. لیست باز برای ذخیره تمام سایت های گردشگری غیر بذر مورد جستجو استفاده می شود. فهرست بسته برای ذخیره تمام سایت‌های گردشگری بذر جستجو شده استفاده می‌شود. فرمت ذخیره سازی لیست باز و فهرست بسته مانند بردار طبقه بندی سایت توریستی است سی، و عناصر دو لیست در ترتیب طبقه بندی و ترتیب سایت توریستی تنظیم می شوند. فهرست باز و فهرست بسته شامل ∑j=1مترسjعناصر، به ترتیب، با توجه به تعریف. ما تمام عناصر مجموعه سایت توریستی شهر را ذخیره می کنیم سیسدر لیست باز
مرحله فرعی 4. سایت گردشگری بذر شماره 1 را جستجو و تأیید کنید جی1. در اینجا تعریف زاویه جستجوی سایت گردشگری بذر است.

تعریف  18.

زاویه جستجوی سایت توریستی بذر φ. با شروع از یک نقطه مرکزی خاص، یک پرتو می کشیم ل1هدایت به شمال جغرافیایی و پرتوی دیگر ل2ارتباط با نقطه مرکزی و نقطه دیگر. زاویه شامل از پرتو شمال ل1پرتو دادن ل2در جهت عقربه های ساعت زاویه جستجو نامیده می شود. اگر نقطه مرکزی مرکز خوشه بندی باشد کیا سایت توریستی بذر اولیه جیهنکته دیگر یک سایت گردشگری است جjسبرای جستجو، و زاویه گنجانده شده از پرتو مرکز خوشه‌بندی کیا سایت توریستی بذر اولیه جیهبه پرتو سایت توریستی جjسزاویه جستجوی سایت گردشگری بذر نامیده می شود φ، ذکر شده است φ(ک،جjس)یا φ(جیه،جjس).
روند جستجوی سایت گردشگری بذر شماره 1 به شرح زیر است.
(I) مرکز خوشه بندی کبه عنوان نقطه مرکزی برای تأیید تنظیم شده است ∑j=1متراسjزاویه جستجو φ(ک،ج11)، φ(ک،ج12),…, φ(ک،جمترسمتر)برای مکان های توریستی؛
(II) مقدار تابع هدف را جستجو و محاسبه کنید σ(ک،ج11)در جهت زاویه جستجو φ(ک،ج11)و مقدار تابع هدف σ(ک،ج12)در جهت زاویه جستجو φ(ک،ج12);
① اگر σ(ک،ج11)≥σ(ک،ج12)، فروشگاه φ(ک،ج11)به اولین عنصر بردار س، و ذخیره کنید φ(ک،ج12)به عنصر دوم بردار س;
② اگر σ(ک،ج11)<σ(ک،ج12)، فروشگاه φ(ک،ج12)به اولین عنصر بردار س، و ذخیره کنید φ(ک،ج11)به عنصر دوم بردار س;
(III) مقدار تابع هدف را جستجو و محاسبه کنید σ(ک،ج13)در جهت زاویه جستجو φ(ک،ج13):
① اگر σ(ک،ج11)≥σ(ک،ج12)≥σ(ک،ج13)، عنصر اول و دوم را بدون تغییر نگه دارید و ذخیره کنید σ(ک،ج13)به عنصر سوم بردار س;
② اگر σ(ک،ج11)≥σ(ک،ج13)≥σ(ک،ج12)، اولین عنصر را بدون تغییر نگه دارید و نزول کنید σ(ک،ج12)به عنصر سوم بردار س;
③ اگر σ(ک،ج13)≥σ(ک،ج11)≥σ(ک،ج12)، فرود آمدن σ(ک،ج11)و σ(ک،ج12)به عناصر دوم و سوم بردار س، و صعود کنید σ(ک،ج13)به اولین عنصر بردار س; و
④ در مورد σ(ک،ج11)<σ(ک،ج12)، روش مقایسه ای از σ(ک،ج13)و دو مقدار دیگر مانند مرحله (III) مراحل فرعی ①–③ است.
(IV) به مرحله (I) – (III) بازگردید و به جستجو و مقایسه مقادیر تابع هدف سایر زوایای جستجو ادامه دهید، مقادیر تابع را در بردار ذخیره کنید. سو در نهایت بردار مرتبه نزولی تابع هدف را پیدا کنید س1و منحنی نوسان تابع هدف جتوrvه1توسط نقطه مرکزی مرکز خوشه بندی جستجو شد ک.
(V) اولین مقدار عنصر بردار را استخراج کنید س1، و زاویه جستجوی آن سایت گردشگری مرتبط است س11. مراحل قضاوت زیر را وارد کنید:
① لیست بسته را جستجو کنید. اگر س11در لیست بسته ظاهر می شود، به عنصر دوم بروید س12از بردار س1;
② اگر س12در لیست بسته ظاهر می شود، به پرش به عنصر سوم ادامه دهید س13از بردار س1;
③ جستجو را از سایت توریستی شروع کنید س11، با توجه به روش مرحله (V) مراحل فرعی ① و ②، اگر سایت گردشگری س1v1در لیست بسته ظاهر می شود، به جستجو ادامه دهید. اگر یک سایت توریستی خاص س1v1در لیست بسته ظاهر نمی شود، سپس به مرحله ④ بروید، v1∈(0،∑j=1مترسj]⊂ز+;
④ طبقه بندی سایت گردشگری را قضاوت و تایید کنید جjبرای سایت توریستی س1v1:
(i) اگر طبقه بندی سایت توریستی جjرتبه کامل نیست ¬جj∧و سپس سایت توریستی را تایید کنید س1v1، به عنوان سایت شماره 1 گردشگری بذر جی1و آن را در اولین عنصر بردار سایت گردشگری seed ذخیره کنید جیw. درجه عضویت سایت گردشگری بذر را در مرکز خوشه‌بندی تأیید کنید کاست 1. درجات عضویت سایر سایت های گردشگری همه 0 است. فروشگاه جی1وارد لیست بسته شده و حذف کنید جی1از لیست باز؛ و
(ii) اگر طبقه بندی سایت توریستی جjرتبه کامل است جj∧، به مراحل فرعی مرحله (V) ①–③ برگردید و سایت گردشگری بعدی را جستجو کنید س1v2که در لیست بسته ظاهر نمی شود. قضاوت مرحله (V) فرعی ④ را وارد کنید. این فرآیند را تکرار کنید تا دانه توریستی بذر جستجو و تایید شود و سپس آن را در اولین عنصر بردار ذخیره کنید. جیw.
مرحله فرعی 5. سایت گردشگری بذر شماره 2 و سایت های گردشگری بذر بعدی را جستجو و تأیید کنید.
(I) با توجه به مرحله فرعی 4، سایت توریستی بذر اولیه را تنظیم کنید جی1به عنوان نقطه مرکزی سایت گردشگری بذر شماره 2 را جستجو کنید جی2در کل محدوده جغرافیایی و ذخیره آن به صورت برداری. درجه عضویت سایت گردشگری بذر را در سایت گردشگری اولیه بذر تایید کنید جی1به عنوان 1، درجات عضویت سایر سایت های گردشگری به عنوان 0 تنظیم شده است. فروشگاه جی2به لیست بستن، و آن را از لیست باز حذف کنید.
① اگر طبقه بندی سایت توریستی برای سایت توریستی دانه جی1رتبه کامل نیست ¬جj∧، به این معنا که، جی1و جی2در یک خوشه هستند، توجه داشته باشید جی2مانند جی1+*; و
② اگر طبقه بندی سایت توریستی برای سایت توریستی دانه جی1رتبه کامل است جj∧، به این معنا که، جی1و جی2در دو خوشه مختلف هستند، توجه داشته باشید جی2مانند جی1-*.
(II) سایت اولیه توریستی بذر را تنظیم کنید جی2به عنوان نقطه مرکزی سایت گردشگری بذر شماره 3 را جستجو کنید جی3در کل محدوده جغرافیایی و ذخیره آن به صورت برداری. درجه عضویت سایت گردشگری بذر را در سایت گردشگری اولیه بذر تایید کنید جی2به عنوان 1، و درجه عضویت سایت های گردشگری دیگر را به عنوان 0 تنظیم کنید. فروشگاه جی3در لیست بستن قرار دهید و آن را از لیست باز حذف کنید. روش توجه به جی3خوشه همان مرحله فرعی 5 (I) است. و
(III) طبق مرحله فرعی 5 مرحله (I) و (II)، مکان‌های گردشگری بذر بعدی را جستجو و ذخیره کنید تا هر مکان گردشگری مورد علاقه طبقه‌بندی شود. جjبه رتبه کامل می رسد جj∧، j=1،2،…،مترو همچنین وکتور سایت گردشگری بذر جیwرتبه کامل است روش یادداشت خوشه مانند مرحله فرعی 5 (I) است. در فرآیند جستجوی سایت توریستی بذر، بردار ترتیب نزولی تابع هدف و منحنی تابع هدف مربوط به هر سایت گردشگری بذر نیز به دست می آید. شکل 2 روند جستجو و استخراج مکان‌های گردشگری بذری تابعه را با مکان‌های گردشگری بذری که قبلاً جستجو شده‌اند به عنوان نقاط مرکزی نشان می‌دهد.
مرحله 5. درخت تکثیر سایت گردشگری بهینه را ایجاد کنید
شروع از مرکز خوشه بندی ک، درخت تکثیر سایت گردشگری بهینه را در توالی بردار سایت توریستی بذر تولید می کند جیwعنصر این درخت گرایش مکان‌های گردشگری بهینه است که نیازها و علایق گردشگران را برآورده می‌کند و از توزیع جغرافیایی بهینه برخوردار است. همچنین این فرآیند تجسمی برای یک ماشین هوشمند است تا مکان‌های گردشگری بهینه را با توجه به طبقه‌بندی و کمیت توریستی انتخاب شده تولید کند.
مرحله 6. ماتریس توزیع درجه عضویت را ایجاد کنید μ(ج).
بر اساس وکتور سایت گردشگری بذر جستجو شده جیw، ماتریس توزیع درجه عضویت μ(ج)تولید می شود. این ماتریس می تواند به طور شهودی کمیت سایت های توریستی بذر و همچنین توزیع آنها را در هر طبقه بندی سایت گردشگری منعکس کند.

3.2. مدل سازی الگوریتم برنامه ریزی مسیر تور بر اساس ساختار حلقه بسته بهینه

با توجه به علایق گردشگرانی که از ماژول یادگیری ماشینی Naïve Bayes و مکان‌های توریستی بهینه جستجو شده با درجه عضویت در جستجوی درخت تکثیر شده جستجو می‌شوند، ماشین هوشمند به‌طور خودکار مسیرهای تور بهینه را برنامه‌ریزی می‌کند که بهترین مزایای انگیزه گردشگران را برآورده می‌کند. تمامی الگوریتم های طراحی و توسعه یافته بر اساس سفرهای یک روزه می باشد. ظرف یک روز، ماشین هوشمند بیش از پنج سایت گردشگری بهینه را برای گردشگران تایید نمی‌کند و تضمین می‌کند که همه مکان‌های گردشگری استخراج شده نه تنها نیازها و علایق گردشگران را برآورده می‌کنند، بلکه با توزیع بهینه جغرافیایی کمترین هزینه را دارند، بلکه گردشگران را نیز در نظر می‌گیرند. شرایط فیزیکی، که به گردشگران کمک می کند تا زمان کافی برای بازدید از تمام مکان های گردشگری توصیه شده داشته باشند. شروع از اسکان موقت ک، کل سفر کشتی از یک سایت گردشگری به سایت دیگر و بازدید از هر مکان گردشگری و سپس بازگشت به کیک فرآیند حلقه بسته یکپارچه است که در آن مقدار بازدید از سایت‌های گردشگری بهینه به صورت تعیین می‌شود τ، به عنوان ذکر شده است τ=∑j=1مترآwj، τ∈(0،5]⊂ز+. به شرط تایید ک، خواهد بود آττانواع مسیرهای تور، اما همه مسیرهای تور نمی توانند بهترین مزایای انگیزه گردشگران را برآورده کنند، باید مسیرهای بهینه و کمتر از حد مطلوب وجود داشته باشد. موارد بهینه اولین توصیه مهم به گردشگران خواهد بود، در حالی که موارد زیر بهینه نیز به گردشگران توصیه می شود. جاذبه و مزایای انگیزشی یک مسیر تور برای گردشگران به تأثیر همه عوامل در مسیر تور از جمله عوامل بستگی دارد. λv1و δv2در سفر واقعی، که برای تنظیم تابع هدف استخراج می شوند جی(σ(ک،جjس)،σ(جjس،جj”س”)).

تعریف  19.

درخت نسل ساختار حلقه بسته Oω. شروع از اسکان موقت ک، کل سفر کشتی از یک سایت گردشگری به سایت دیگر و بازدید از هر مکان گردشگری و سپس بازگشت به کیک ساختار حلقه بسته یکپارچه است و به این ساختار ساختار حلقه بسته درخت نسل می گویند Oω.
با توجه به تعداد مکان های گردشگری τ، آττمقدار ساختارهای حلقه بسته را می توان تأیید کرد، ω∈(0،آττ]⊂ز+، τ∈(0،5]⊂ز+. یک ساختار حلقه بسته به یک درخت تولید مسیر تور مربوط می شود.

تعریف  20.

زیر واحد درخت نسل اچ(⋅). در کل فرآیند سفر یک سازه حلقه بسته، گردشگران عبور خواهند کرد τ+1فواصل فری مستقل، و هر بازه کشتی فرعی درخت نسل نامیده می شود اچ(⋅).
با توجه به ساختار حلقه بسته، فاصله کشتی بین کو توریستی، بین دو سایت توریستی، و بین سایت توریستی و کبه عنوان ذکر شده اند اچ(ک،جیه)، اچ(جیه،جیه+1)، و اچ(جیه،ک). یک زیر واحد درخت نسل، ساختار واحد اصلی برای خروجی یک مقدار تابع انگیزه زیر واحد و مقدار تابع انگیزه درخت تولید است. در اینجا، تعریف شده است که زیر واحدهای درخت نسل مستقل از یکدیگر هستند. منفعت انگیزه گردشگران به دست آمده در یک زیر واحد ارتباطی با زیر واحد دیگر ندارد.

تعریف  21.

تابع محرکه زیر واحد من(⋅). در هر زیر واحد، تابع با همان مقدار تکرار انگیزه اولیه طراحی شده است من0برای تکرار با درجه عضویت عوامل تأثیر مستقیم λv1و تاثیر غیر مستقیم δv2و مقدار تکرار انگیزه خروجی بازه مستقل اچ(⋅). این تابع تابع انگیزه زیر واحد نامیده می شود من(⋅)همانطور که در فرمول (11) نشان داده شده است.

تابع انگیزه زیر واحد من(⋅)منعکس کننده مزایای انگیزه فاصله کشتی است. هر چه مقدار تابع بیشتر باشد، تأثیر عوامل بر منافع انگیزه بیشتر خواهد بود و رضایت گردشگران بیشتر خواهد بود. در فاصله فری یک واحد فرعی، تابع محرکه من(⋅)یک تابع افزایشی یکنواخت است که مقادیر آن با افزایش فاصله کشتی گردشگران افزایش می یابد. در نهایت مقدار حداکثر بازه را که تابع محرکه زیر واحد است، خروجی می دهد من(⋅)ارزش. واحدهای فرعی مختلف مقادیر تابع متفاوتی دارند، بنابراین تابع انگیزه زیر واحد کل سفر من(⋅)مقادیر با فاصله در نوسان هستند. تابع محرکه زیر واحد من(⋅)مقدار دارای ویژگی غیر جهت است، یعنی در همان زیر واحد، تابع من(⋅)ارزش به جلو و عقب بدون تغییر باقی می ماند.

من(ک،جیه)=∑v1=1حداکثرv1من0λv1+∑v2=1حداکثرv2من0δv2+من0((Δلک،جیه)2+(Δبک،جیه)2)-1/2+من0|Δεک،جیه|من(جیه،جیه”)=∑v1″=1حداکثرv1’من0λv1″+∑v2″=1حداکثرv2″من0δv2″+من0((Δلجیه،جیه’)2+(Δبجیه،جیه’)2)-1/2+من0|Δεجیه،جیه”|من(جیه،ک)=∑v1″=1حداکثرv1″من0λv1″+∑v2″=1حداکثرv2″من0δv2″+من0((Δلجیه،ک)2+(Δبجیه،ک)2)-1/2+من0|Δεجیه،ک|

تعریف  22.

وزن محرکه زیر واحد ساعت(⋅). متقابل تابع محرکه زیر واحد من(⋅)ارزش به عنوان وزن انگیزه زیر واحد تعریف می شود ساعت(⋅). وزن محرکه زیر واحد ساعت(⋅)وزن لبه برای دو نقطه اتصال در حلقه بسته است. به عنوان پارامتر وزن لبه برای جستجوی ساختار حلقه بسته بهینه استفاده می شود.

طبق تعریف، وزن انگیزه زیر واحد ساعت(⋅)با فرمول (12) مطابقت دارد. وزن محرکه زیر واحد ساعت(⋅)همچنین دارای ویژگی عدم جهت است. بنابراین، نموداری که توسط مرکز خوشه بندی تشکیل شده است کو سایت های گردشگری بذر جیهگراف متصل و غیر جهت است.

ساعت(ک،جیه)=1من(ک،جیه)،ساعت(جیه،جیه”)=1من(جیه،جیه”)،ساعت(جیه،ک)=1من(جیه،ک)

تعریف  23.

تابع وزن درخت نسل L(⋅). تابعی که توسط τ+1وزن انگیزه زیر واحد ساعت(⋅)و منعکس کننده مزایای انگیزشی مسیر تور حلقه بسته درخت یک نسل است که تابع وزن درخت نسل نامیده می شود. L(⋅)همانطور که در فرمول (13) نشان داده شده است. تابع وزن درخت یک نسل L(⋅)به یک مسیر تور مربوط می شود و هر چه مقدار تابع کمتر باشد، گردشگران مزایای انگیزشی بیشتری از مسیر تور خواهند برد.

طبق تعریف، در یک ساختار حلقه بسته، تابع وزن درخت تولید است L(⋅)یک تابع افزایشی یکنواخت است که مقدار آن با افزایش فاصله کشتی گردشگران افزایش می‌یابد و در نهایت یک مقدار حداکثر را تولید می‌کند. آττتابع L(⋅)مقادیر عناصری برای تولید حداقل توده تابع وزن درخت هستند.

L(ک،ک)=ساعت(ک،جیه)+∑ه=1τساعت(جیه،جیه”)+ساعت(جیه،ک)س.تی.∀|ه”-ه|∈(0،τ-1]⊂ز+

تعریف  24.

حداقل توده تابع وزن درخت نسل آر. حداقل پشته که توسط مقادیر تابع وزن درخت تولید که به عنوان عناصر آرایه ذخیره می شود تشکیل می شود، تابع وزن درخت تولید حداقل هپ نامیده می شود. آر.
با توجه به کمیت سایت توریستی بذر τو کمیت درخت تولید آττ، حداقل توده دارای شرایط زیر است:
(1) حاوی آττعناصر؛
(2) مجموعه n=آττ، شماره سریال عنصر آن ک1، ک2,…, کnملاقات: کمن≤ک2من، کمن≤ک2من+1، 1≤من≤n/2;
(3) سطح گره والد شماره 0 است. ارتفاع درخت است د، و گره های دیگر یا روی No هستند. دسطح یا روی شماره د-1مرحله؛
(4) چه زمانی د≥1، وجود دارد 2د-1گره های روی شماره د-1مرحله؛
(5) گره های شاخه شماره. د-1سطح همه در سمت چپ درخت جمع می شوند.
(6) مقدار عنصر هر گره کوچکتر از گره های فرزند آن است. و
(7) از تمام عناصر گره در یک سطح، عنصر سمت چپ کوچکتر از سمت راست است.
با توجه به تعریف، مدل‌سازی الگوریتم برنامه‌ریزی مسیر تور که بر اساس ساختار حلقه بسته بهینه است، راه‌اندازی می‌شود. فکر اساسی، وزن انگیزه بین مرکز خوشه‌بندی است کو هر سایت توریستی بذر جیه، سایت گردشگری بذر جیه، و سایت گردشگری بذر جیه”توسط تابع محرکه زیر واحد تایید می شوند. با جستجو در آττبرای تولید مقادیر تابع وزن درخت، یک الگوریتم مرتب‌سازی حداقل پشته برای تأیید حداقل هیپ با مقادیر تابع وزن به ترتیب صعودی و در نهایت تأیید مسیرهای تور بهینه و مسیرهای تور زیر بهینه استفاده می‌شود. مراحل خاص الگوریتم به شرح زیر است.
مرحله 1. پارامترهای الگوریتم را تأیید کنید:
(من تایید میکنم λv1و δv2. داده‌های اطلاعات جغرافیایی پایه یک شهر گردشگری خاص را استخراج کنید و عوامل تأثیر مستقیم درجه عضویت را تأیید کنید λv1و عوامل تاثیر غیر مستقیم δv2بین مرکز خوشه بندی کو هر سایت توریستی بذر، سایت توریستی بذر جیه، و سایت گردشگری بذر جیه”;
(II) تأیید کنید ل، بو ε. داده های اصلی اطلاعات جغرافیایی را استخراج کنید و مختصات طول و عرض جغرافیایی را تأیید کنید (ل،ب)مرکز خوشه بندی کو هر سایت توریستی بذر جیه. اطلاعات داده های گردشگری را استخراج کنید و شاخص های جاذبه سایت گردشگری را به دست آورید. شاخص جذب مرکز خوشه بندی را تنظیم کنید کمانند εک=0، زیرا نقطه شروع مسیر تور است.
مرحله 2. مقادیر تابع محرک زیر واحد را تکرار و محاسبه کنید. از فرمول (11)، سیτ+12عملکرد انگیزشی من(⋅)مقادیر بین مرکز خوشه بندی کو هر سایت توریستی بذر جیه، سایت گردشگری بذر جیه، و سایت گردشگری بذر جیه”.
مرحله فرعی 1 را تأیید کنید τمقادیر تابع انگیزه بین مرکز خوشه بندی کو هر سایت توریستی بذر جیه. مرکز خوشه بندی کنقطه شروع و پایانه مسیر تور است.
مرحله فرعی 2. تایید کنید سیτ2مقادیر تابع انگیزه بین دو سایت توریستی بذر دلخواه
مرحله 3. وزن انگیزه واحد فرعی را تأیید کنید. با توجه به مقادیر تابع انگیزه زیر واحد، تأیید کنید سیτ+12وزن انگیزه های زیر واحد بین مرکز خوشه بندی کو هر سایت توریستی بذر جیه، سایت گردشگری بذر جیه، و سایت گردشگری بذر جیه”. مقدار وزن محرک، وزن لبه نمودار متصل و غیر جهت است که از مرکز خوشه‌بندی تشکیل شده است. کو هر سایت توریستی بذر جیه.
مرحله 4. کمینه توده تابع وزن درخت نسل جستجو آر. از طریق یک روش تصحیح لبه برای جستجو در آττتولید مقادیر تابع وزن درخت مربوط به آττنسل درخت مسیرهای تور حلقه بسته. حداقل هیپ تابع وزن درخت تولید را جستجو و بدست آورید آربر اساس مقادیر تابع وزن درخت تولید در آرایه از طریق یک الگوریتم مرتب سازی مرتب شده است.
مرحله فرعی 1. یک حلقه ساختار پایه درخت نسل را تنظیم کنید. یک دایره حلقه بسته مجازی تعریف کنید و نقاط مرکز خوشه بندی را به طور مساوی قرار دهید کو تمام سایت های گردشگری بذر جیهروی دایره همانطور که در شکل 3 نشان داده شده است، قوس یا خط اتصال بین دو نقطه را می توان مطابق با شرایط الگوریتم قطع یا متصل کرد . برای راحتی راه‌اندازی الگوریتم، به مرکز خوشه‌بندی توجه کنید کمانند v1، سایت گردشگری بذر جی1مانند v2، و پسر در، و سایت توریستی دانه جیτمانند vτ+1.
مرحله فرعی 2. ساختار حلقه بسته درخت نسل اولیه را جستجو کنید O1، و تنظیم کنید:
O1=v1،v2،…،vمن،…،vj،…،vτ+1،v1، 1<من≤j<τ+1، و من،j،τ∈ز+.
(I) در ساختار O1، جستجو کنید τ+1وزن انگیزه های زیر واحد ساعت(⋅)از مجاور vمنو vمن+1;
(II) مقدار تابع وزن درخت تولید را تکرار کنید L1(ک،ک)ساختار حلقه بسته O1; و
(III) مقدار تابع وزن را ذخیره می کند L1(ک،ک)به گره والد آر1حداقل پشته آر.
مرحله فرعی 3. ساختار حلقه بسته درخت نسل بعدی را جستجو کنید O2. پیدا کردن ∀من،jو من،jشرایط زیر را داشته باشد:
(1) 1<من+1<j<τ+1;
(2) ساعت(vمن،vj)+ساعت(vمن+1،vj+1)<ساعت(vمن،vمن+1)+ساعت(vj،vj+1).
ساختار حلقه بسته را گیره و بازسازی کنید O1:
(I) واحد فرعی را حذف کنم اچ(vمن،vمن+1)که در O1;
(II) واحد فرعی را حذف کنید اچ(vj،vj+1)که در O1;
(III) واحد فرعی را اضافه کنید اچ(vمن،vj); و
(IV) واحد فرعی را اضافه کنید اچ(vمن+1،vj+1).
ساختار حلقه بسته درخت نسل بازسازی شده به صورت زیر است:
O2=v1،v2،…،vمن،vj،vj+1،…،vمن+1،vj+1،vj+2،…،vτ+1،v1. مقدار تابع وزن ساختار حلقه بسته درخت نسل را جستجو کنید O2.
(V) در ساختار O2، جستجو کنید τ+1وزن انگیزه های زیر واحد ساعت(⋅)از مجاور vمنو vمن+1;
(VI) مقدار تابع وزن درخت تولید را تکرار کنید L2(ک،ک)ساختار حلقه بسته O2; و
(VII) مقدار تابع وزن درخت تولید را مقایسه کنید L1(ک،ک)و L2(ک،ک)و تابع وزن درخت تولید حداقل هیپ را به روز کنید آر:
① اگر L1(ک،ک)≤L2(ک،ک):
(i) مقدار تابع وزن را حفظ کنید L1(ک،ک)ذخیره در گره والد آر1حداقل پشته آربدون تغییر؛ و
(ب) مقدار تابع وزن را ذخیره کنید L2(ک،ک)به گره کودک آر2از گره والد آر1در حداقل پشته آر.
② اگر L1(ک،ک)>L2(ک،ک):
(i) گره والد را حذف کنید آر1ارزش L1(ک،ک); و
(ب) مقدار تابع وزن را ذخیره کنید L2(ک،ک)به گره والد آر1در حداقل پشته آر; و
(iii) مقدار تابع وزن را ذخیره کنید L1(ک،ک)به گره کودک آر2از گره والد آر1در حداقل پشته آر.
مرحله فرعی 4. به مرحله فرعی 3 برگردید و از همان روش برای جستجوی ساختار حلقه بسته درخت نسل بعدی استفاده کنید. O3.
(I) در ساختار O3، جستجو کردن τ+1وزن انگیزه های زیر واحد ساعت(⋅)از مجاور vمنو vمن+1;
(II) مقدار تابع وزن درخت تولید را تکرار کنید L3(ک،ک)ساختار حلقه بسته O3; و
(III) مقادیر تابع وزن درخت تولید را مقایسه کنید L1(ک،ک)، L2(ک،ک)و L3(ک،ک)و سپس تابع وزن درخت تولید حداقل هیپ را به روز کنید آر:
① اگر L1(ک،ک)≤L2(ک،ک):
(من) اگر L1(ک،ک)≤L2(ک،ک)≤L3(ک،ک)، مقادیر تابع وزن را حفظ کنید L1(ک،ک)و L2(ک،ک)ذخیره بدون تغییر، مقدار تابع وزن را ذخیره کنید L3(ک،ک)به گره کودک آر3از گره والد آر1در حداقل پشته آر;
(II) اگر L1(ک،ک)≤L3(ک،ک)<L2(ک،ک)، مقدار تابع وزن را حفظ کنید L1(ک،ک)ذخیره بدون تغییر، گره فرزند را حذف کنید آر2مقدار تابع وزن را تعیین کرده و ذخیره کنید L3(ک،ک)به گره کودک آر2از گره والد آر1، مقدار تابع وزن را ذخیره کنید L2(ک،ک)به گره کودک آر3از گره والد آر1در حداقل پشته آر; و
(iii) اگر L3(ک،ک)<L1(ک،ک)≤L2(ک،ک)، گره فرزند را حذف کنید آر1و آر2مقادیر، مقدار تابع وزن را ذخیره کنید L3(ک،ک)به گره والد آر1. مقدار تابع وزن را ذخیره کنید L1(ک،ک)و L2(ک،ک)به گره کودک آر2و آر3از گره والد آر1به ترتیب در حداقل پشته آر.
② اگر L1(ک،ک)>L2(ک،ک):
(من) اگر L3(ک،ک)≥L1(ک،ک)>L2(ک،ک)، مقادیر تابع وزن را حفظ کنید L1(ک،ک)و L2(ک،ک)ذخیره بدون تغییر، مقدار تابع وزن را ذخیره کنید L3(ک،ک)به گره کودک آر3از گره والد آر1در حداقل پشته آر;
(II) اگر L1(ک،ک)>L3(ک،ک)≥L2(ک،ک)، مقدار تابع وزن را حفظ کنید L2(ک،ک)ذخیره بدون تغییر، گره فرزند را حذف کنید آر2مقدار، و مقدار تابع وزن را ذخیره کنید L3(ک،ک)به گره کودک آر2از گره والد آر1، مقدار تابع وزن را ذخیره کنید L1(ک،ک)به گره کودک آر3از گره والد آر1در حداقل پشته آر; و
(iii) اگر L1(ک،ک)>L2(ک،ک)>L3(ک،ک)، گره فرزند را حذف کنید آر1و آر2مقادیر، مقدار تابع وزن را ذخیره کنید L3(ک،ک)در گره والد، و مقادیر تابع وزن را ذخیره کنید L1(ک،ک)و L2(ک،ک)به گره کودک آر3و آر2از گره والد آر1، به ترتیب در حداقل پشته آر.
مرحله فرعی 5. به مرحله فرعی 3 برگردید و از همان روش برای جستجوی تمام ساختارهای حلقه بسته درخت نسل استفاده کنید. O4- Oτو حداقل توده تابع وزن درخت نسل بازسازی شده را پیدا کنید آر. همانطور که مرحله 4 به پایان می رسد، مرحله 5 را وارد کنید.
مرحله 5. خروجی توده مرتب‌سازی مسیر مربوط به حداقل توده تابع وزن درخت آر. مقدار تابع وزن Lω(ک،ک)به ساختار حلقه بسته درخت نسل مربوط می شود Oω، که مربوط به مسیر تور می باشد. طبق قانون الگوریتم، مقدار تابع وزنی که در گره والد حداقل هیپ ذخیره می شود آربه مسیر بهینه تور مربوط می شود. از آنجایی که مقدار تابع وزن انگیزه درخت تولید خروجی آن حداقل یک است، مقدار تکرار همه مقادیر تابع انگیزه زیر واحد حداکثر یک است. از نظر نتیجه خروجی جامع، مسیر بهینه تور در طبقه‌بندی سایت توریستی، کمیت توریست، مکان‌های گردشگری خاص تایید شده، توزیع مکان‌های گردشگری، توالی تور، سرویس GIS، سرویس اطلاعات ترافیک، و سطح ستاره سایت توریستی و غیره بهترین عملکرد را دارد. دو گره فرزند گره والد به مسیرهای تور زیر بهینه مربوط می شود. یک ماشین هوشمند نتایج بصری شده را برای گردشگران با توجه به شرایط ورودی خروجی می دهد.

4. آزمایش نمونه و تجزیه و تحلیل نتایج

یک آزمایش نمونه برای شهادت الگوریتم یادگیری ماشین ساده بیز، الگوریتم استخراج سایت توریستی بهینه بر اساس جستجوی درجه عضویت درخت انتشار، و الگوریتم برنامه‌ریزی مسیر تور بهینه بر اساس ساختار حلقه بسته برای اثبات امکان‌سنجی الگوریتم انجام می‌شود. یک وب‌سایت گردشگری رایج و محبوب برای جمع‌آوری داده‌ها برای اطلاعات علاقه‌مندی کاوی استفاده می‌شود. ما یک شهر گردشگری را به عنوان مثال در نظر می‌گیریم و مکان‌های گردشگری معمولی خاصی را در منطقه مرکز شهر به عنوان محدوده تحقیق انتخاب می‌کنیم [ 37 ، 38 ، 39 ، 40]. این آزمایش یک گردشگر را به عنوان هدف مطالعه انتخاب می کند. از طریق الگوریتم یادگیری ماشینی Naïve Bayes، طبقه بندی سایت های گردشگری مورد علاقه آموخته و تأیید می شود. متعاقبا، ما مکان‌های گردشگری بهینه را از طریق اقامتگاه‌های موقت به عنوان یک مرکز خوشه‌بندی جستجو و استخراج می‌کنیم. با توجه به سایت های گردشگری معدنی، مسیرهای بهینه تور برای گردشگران پیش بینی شده و نقشه های راهنمای نسبی نیز ارائه شده است. در نهایت نتایج آزمایش تجزیه و تحلیل و نتیجه گیری می شود. جهت های تحقیقاتی بیشتر نیز در مورد جنبه الگوریتم و مدل سازی روش نتیجه گیری شده است.

4.1. محدوده تحقیق و نمونه گیری داده ها

ما شهر گردشگری ژنگژو را به عنوان مثال در نظر می گیریم و 25 مکان گردشگری معمولی در منطقه مرکز شهر به عنوان نمونه آزمایشی انتخاب می شوند. تمامی مکان های گردشگری منتخب دارای شرایط زیر هستند: اول اینکه تمامی مکان های گردشگری در مرکز شهر واقع شده اند، یعنی گردشگران می توانند با استفاده از وسایل نقلیه شهری مانند اتوبوس، مترو، تاکسی و … به هر یک از آنها دسترسی داشته باشند. .، اما بدون احتساب مکان های توریستی در مناطق حاشیه ای و شهرستان هایی که حمل و نقل شهری دسترسی ندارد. ثانیاً، مکان‌های گردشگری دارای شاخص جاذبه، مقدار مشخصی از حجم سفر و ارزش بازدید هستند. سوم، جاده‌ها و خیابان‌های شهری با یکدیگر، مکان‌های گردشگری را به هم متصل می‌کنند، زیرا گردشگران می‌توانند آزادانه از یک مکان گردشگری به مکان دیگر سفر کنند. چهارم، مکان های گردشگری از نظر فضای جغرافیایی مستقل از یکدیگر هستند. تجربه سفری که گردشگران برای یک سایت توریستی به دست می آورند، بر تجربه سفر در یک سایت گردشگری دیگر تأثیر نمی گذارد. در حالی که همه شرایط را در نظر می گیرد، این آزمایش از الگوریتم ساخته شده در تحقیق برای خزیدن کلان داده های گردشگری و استخراج دانش علاقه مندی استفاده می کند. از پایگاه داده ژنگژو GIS و نقشه «بایدو»، داده‌های سرویس GIS، داده‌های اطلاعات ترافیک، داده‌های اطلاعات سایت گردشگری که برای تأیید عوامل استفاده می‌شوند. λv1و δv2استخراج شده و به عنوان داده های پایه آزمایش انتخاب می شوند.

4.1.1. اطلاعات پایه سایت توریستی

با توجه به شرایط انتخاب سایت گردشگری، بردار طبقه بندی سایت گردشگری سیتایید شده است. با استفاده از طبقه بندی ویژگی های سایت توریستی، تنظیم می کنیم متر=4. ما مکان های گردشگری معمولی شهر ژنگژو را به چهار گروه طبقه بندی می کنیم، یعنی ج1: طبقه بندی پارک و گرینلند; ج2: طبقه بندی محل برگزاری; ج3: طبقه بندی شهربازی; و ج4: طبقه بندی مرکز خرید. بر اساس داده های آمار گردشگری ژنگژو، مکان های معمولی گردشگری انتخاب شده به شرح زیر است.
ج1= { ج11: پارک رنمین; ج12: پارک بیشاگنگ; ج13: پارک زیجینشان; ج14: میدان لوچنگ; ج15: پارک گیاه شناسی; ج16پارک جنگلی؛ ج17: باغ وحش};
ج2= { ج21: موزه هنان; ج22: موزه ژنگژو; ج23: موزه علم و فناوری ژنگژو; ج24: یادمان ارقی; ج25: آکواریوم; ج26: برج Zhongyuan};
ج3= { ج31: پارک قرن; ج32: پارک آبی؛ ج33: پارک کودکان; ج34: خیابان بار; ج35: پارک فنگل}; و
ج4= { ج41: خیابان دیهوا; ج42: ارقی واندا; ج43: Zhongyuan Wanda; ج44: Wangfujing; ج45: دنیس; ج46: سی سی مال; ج47: گومائو}.
همانطور که شکل 4 نشان می دهد، از جمله تمام مکان های توریستی یا جاذبه های توریستی، که با نقاط سیاه در شکل نشان داده شده است، از جاده ها و خیابان های اصلی شهر ژنگژو استفاده می کنیم که همه مکان های گردشگری را به عنوان ساختار اصلی به هم متصل می کنند تا نقشه توزیع جغرافیایی مکان های گردشگری را به دست آوریم. 4 الف، و مکان های نمونه گردشگری انتخاب شده در شکل 4 ب.
4.1.2. داده‌های مدل‌سازی یادگیری ماشین استخراج علاقه
ما وب‌سایت‌های رایج و محبوب گردشگری «Fengwo»، «Xiecheng» و غیره را به‌عنوان منابع داده‌های بزرگ گردشگری می‌گیریم و داده‌های متنی را از وب‌سایت‌ها برای استخراج اطلاعات حیاتی می‌خزیم. پس از پاکسازی داده ها، یکپارچه سازی داده ها و پروتکل داده، ک=1000نمونه های توریستی در نهایت برای تنظیم الگوریتم یادگیری ماشین انتخاب می شوند. هر اطلاعات توریستی حاوی ویژگی های ویژگی است ایکس1، ایکس2,…, ایکسnدرخواست شده توسط بردار ایکسو طبقه بندی توریستی جjاز بردار سی. ذخیره اطلاعات توریستی به عنوان فرمت نمونه آموزشی بردار داده D={ایکس1،ایکس2،…،ایکسn،جj}، که در آن ایکسمنشامل ویژگی های خاصی است. با توجه به کمیت توریستی موجود در طبقه بندی ویژگی در بردار ایکس، کمیت طبقه بندی سایت توریستی نسبی و الگوریتم مینینگ علاقه ساده بیز، این آزمایش احتمال شرطی بردار ویژگی ویژگی را محاسبه می کند. ایکسو احتمال قبلی طبقه بندی سایت توریستی، همانطور که در جدول 1 ذکر شده است . در جدول، خط اول احتمال قبلی طبقه بندی سایت گردشگری است پ(جj); خطوط دیگر احتمال شرطی هستند ایکسمنمن”در بردار ویژگی ویژگی ایکس.
هنگامی که شرایط اولیه یک گردشگر ارائه می شود، ماژول یادگیری ماشین گروهی از بردار پایه مرتبه نزولی پیش بینی شده را خروجی می دهد. E، با توجه به احتمال قبلی طبقه بندی سایت گردشگری و احتمال مشروط ویژگی های ویژگی. بردار Eنشان دهنده گرایش علاقه مندی به طبقه بندی سایت های توریستی گردشگر تحت شرایط نیازهای اساسی است و عناصر طبقه بندی سایت توریستی توسط گرایش علاقه مرتب می شوند.
4.1.3. عوامل تأثیر الگوریتم λv1و δv2داده ها
عوامل مورد استفاده در مدل سازی الگوریتم شامل ضریب نفوذ مستقیم درجه عضویت است λv1، درجه عضویت عامل تأثیر غیرمستقیم δv2طول و عرض جغرافیایی و شاخص جاذبه، با توجه به فرآیند مدل‌سازی الگوریتم بهینه استخراج سایت گردشگری و الگوریتم برنامه‌ریزی مسیر بهینه تور بر اساس ساختار حلقه بسته. پایگاه داده ژنگژو GIS و نقشه “بایدو” برای استخراج این عوامل استفاده می شود، از جمله: (1) مقدار چراغ راهنمایی بین دو سایت توریستی. (2) مقدار اتوبوس و مترو بین دو سایت گردشگری. (3) فاصله از سایت توریستی تا نزدیکترین ایستگاه اتوبوس یا مترو؛ (4) هزینه تاکسی بین دو سایت توریستی. (5) شاخص ترافیک جاده ای؛ (6) میانگین زمان انتظار هر جاده برای وسایل نقلیه؛ و (7) جاده های ترافیکی خاص. طول و عرض جغرافیایی مرکز خوشه بندی کو سایت‌های توریستی از وب‌سایت «GPSspg» استخراج می‌شوند و شاخص جاذبه‌های هر سایت گردشگری از وب‌سایت‌های گردشگری رایج و محبوب بررسی می‌شود. جدول 2 طول و عرض جغرافیایی را نشان می دهد (ل،ب)و شاخص جاذبه آبرای مکان های توریستی

4.2. آزمایش نمونه و تجزیه و تحلیل نتایج

آزمایش نمونه با استفاده از داده های پایه به دست آمده طراحی شده است. ایده اصلی آزمایش تأیید یک گردشگر به عنوان یک شی تحقیقاتی است. ما محل اقامت موقت گردشگران را به عنوان مرکز خوشه بندی قرار دادیم ک. نیازها و علایق گردشگر بردار ویژگی ویژگی را تایید می کند ایکس. بردار پایه مرتبه نزولی پیش بینی شده Eتوسط یک ماژول یادگیری ماشین ساده بیز خروجی می شود، که بر اساس آن، با توجه به تعداد مکان های گردشگری خاص که باید بازدید شود، یک ماشین هوشمند ماتریس توزیع طبقه بندی مکان گردشگری مورد علاقه را خروجی می دهد. آ. از طریق ماتریس آو با مرتب‌سازی تایید شده طبقه‌بندی و کمیت سایت‌های توریستی، ماشین هوشمند مکان‌های گردشگری را با توزیع جغرافیایی بهینه برای برآورده کردن نیازها و علایق گردشگران جستجو و استخراج می‌کند، در حالی که از الگوریتم استخراج بهینه سایت گردشگری بر اساس درجه عضویت در جستجوی درخت تکثیر استفاده می‌کند. ضمناً روند جستجو و استخراج سایت های گردشگری کنترل و رصد می شود. حداقل توده تابع وزن درخت نسل آرخروجی توسط الگوریتم برنامه ریزی مسیر تور بهینه بر اساس یک ساختار حلقه بسته، با توجه به سایت های بهینه گردشگری استخراج شده است.

4.2.1. آزمایش نمونه

نتیجه استخراج معادن طبقه بندی سایت توریستی

شرایط اولیه گردشگران ورودی به عنوان بردار ویژگی ویژگی ذکر شده است ایکس، آزمایش تایید می کند ایکس={ایکس12:18≤آgه<46;ایکس22:0.2<منnجoمتره≤0.5;ایکس32:0.02<انقضاهnسه≤0.05;ایکس41:سپrمنng}. طول و عرض جغرافیایی محل اقامت موقت انتخاب شده است ک=(113.678،34.751). از طریق ماژول یادگیری ماشینی Naïve Bayes، احتمال شرطی بردار ویژگی ویژگی ایکسو سایت توریستی احتمال قبلی; داده های نتیجه جدول 3 محاسبه و خروجی می شود. داده ها احتمال شرطی برای بردار ویژگی ویژگی هستند ایکسبه شرط طبقه بندی سایت توریستی.
با توجه به جدول 3 ، مقادیر احتمال محصول عبارتند از:
پ(ایکس|ج1)پ(ج1)=0.00534; پ(ایکس|ج2)پ(ج2)=0.00566; پ(ایکس|ج3)پ(ج3)=0.00050; و پ(ایکس|ج4)پ(ج4)=0.00024.

با توجه به مقادیر محاسبه شده، خروجی های ماشین هوشمند یک بردار پایه مرتبه نزولی را پیش بینی کردند E={ج2،ج1،ج3،ج4}. بردار Eنشان می‌دهد که تحت شرایط اطلاعات خروجی، علاقه‌مندترین نوع طبقه‌بندی سایت توریستی مکان، سپس پارک و گرینلند و آخرین پارک تفریحی و مرکز خرید است. فرض می کنیم گردشگر در یک روز چهار مکان گردشگری را برای بازدید انتخاب می کند. τ=4. ماتریس توزیع طبقه بندی سایت گردشگری خروجی مورد علاقه آفرمول (14) است.

آ=1210022022001111
یک ماشین هوشمند نوع طبقه بندی سایت های گردشگری و کمیت را ردیف به ردیف در ماتریس توصیه می کند آ، و به طور خاص ردیف اول را توصیه می کند. گردشگر برای انتخاب یک نوع طبقه بندی و کمیت سایت توریستی علایق، برنامه زمانی، بودجه، وضعیت فیزیکی و غیره خود را در نظر می گیرد. ما ردیف اول را به عنوان مثال تجربی در نظر می گیریم. گردشگر مایل است از یک سایت توریستی پارک و گرینلند، دو مکان گردشگری مکان و یک سایت توریستی از پارک تفریحی بازدید کند.

نتیجه استخراج بهینه سایت توریستی

اقامتگاه موقت توریست را می گیریم ک=(113.678،34.751)به عنوان نقطه مرکزی ما سایت‌های گردشگری بهینه را تحت این نوع طبقه‌بندی و کمیت سایت‌های گردشگری از طریق الگوریتم استخراج سایت توریستی بهینه و جدول خوشه‌ای سایت توریستی خروجی، درخت تولید سایت گردشگری بهینه جستجو می‌کنیم. تیrهه1جدول مقدار تابع هدف، منحنی نوسان تابع هدف و ماتریس توزیع درجه عضویت. شاخص جذب مرکز خوشه بندی را تعریف می کنیم کمانند آک=0. جدول 4 مکان های توریستی بذر مرکزی و مقادیر تابع هدف را هنگام جستجوی یک سایت گردشگری پارک و گرینلند، دو مکان گردشگری مکان و یک سایت گردشگری پارک تفریحی نشان می دهد، در عین حال لیست مکان های گردشگری بذر نیز می باشد.
خط اول جدول 4 هر سایت توریستی بذر جستجو شده را نشان می دهد کو پس از آن سایت های توریستی بذر. هر ستون مقادیر تابع هدف را هنگام جستجوی سایت توریستی بذر تابع خود نشان می دهد، که در آن هنگام جستجوی خود، مقدار تابع هدف 0 است. هر سایت توریستی بذر به عنوان سایت توریستی بذر تبعی قبلی ذکر می شود، یا متعلق به یک خوشه یا یک خوشه متفاوت است. با توجه به مقادیر تابع هدف جستجو شده، هر تابع هدف بردار مرتبه نزولی سهنگام جستجوی سایت توریستی یک دانه به دست می آید. شکل 5 منحنی های نوسان تابع هدف را هنگام جستجوی مکان های گردشگری بذر با نقاط شروع مختلف نشان می دهد.
با توجه به داده‌های جدول 4 و منحنی‌های نوسان تابع هدف شکل 5 ، بردارهای مرتبه نزولی تابع هدف ایجاد شده با جستجوی مکان‌های گردشگری بذر با نقاط مرکزی مختلف به شرح زیر نشان داده شده‌اند.
(1) نقطه مرکزی ک:
س1={4.026،2.933،2.910،2.361،2.096،1.957،1.946،1.941،1.886،1.865،1.844،1.788،1.786،1.742،1.715،1.705،1.685،1.671،1.654،1.633،1.591،1.524،1.396،1.372،1.297}(2) نقطه مرکزی ج24:
س2={5.979،2.994،2.301،1.767،1.553،1.551،1.511،1.508،1.507،1.494،1.450،1.446،1.404،1.398،1.381،1.359،1.339،1.335،1.323،1.308،1.166،1.103،1.102،0.982،0.000}(3) نقطه مرکزی ج11:
س3={2.261،2.203،1.713،1.708،1.545،1.492،1.484،1.478،1.459،1.448،1.448،1.431،1.423،1.411،1.328،1.324،1.320،1.281،1.235،1.223،1.129،1.093،1.052،0.858،0.000}(4) نقطه مرکزی ج32:
س4={1.673،1.636،1.608،1.556،1.490،1.484،1.484،1.453،1.380،1.374،1.350،1.341،1.308،1.304،1.290،1.283،1.272،1.266،1.264،1.220،1.041،1.006،1.002،0.893،0.000}

با توجه به تعریف ماتریس توزیع درجه عضویت μ(ج)، ماتریکس μ(ج)تولید شده با جستجوی درخت ساختار بهینه سایت گردشگری در فرمول (15) نشان داده شده است.

μ(ج)=1000000100100001000000000000
ما داده های نتیجه را تجزیه و تحلیل می کنیم، که از محل اقامت موقت شروع می شود ک، سایت های گردشگری بهینه جستجو و استخراج شده است ج24: یادبود ارقی، ج11: پارک رنمین; ج32: پارک آبی و ج21: یادبود هنان. شکل 6 روند تولید درخت ساختار سایت گردشگری بهینه را نشان می دهد. شکل 6 d درخت ساختار نهایی تولید شده است.

نتیجه جستجوی مسیر بهینه تور

شروع از اسکان موقت ک، گردشگر از چهار مکان گردشگری بازدید می کند ج24: یادبود ارقی، ج11: پارک رنمین; ج32: پارک آبی، ج21: یادبود هنان و در نهایت به نقطه شروع باز می گردد ک، که یک درخت نسل یکپارچه حلقه بسته را تشکیل می دهد. با توجه به الگوریتم برنامه ریزی مسیر تور بر اساس ساختار حلقه بسته بهینه، مقادیر وزن انگیزه زیر واحد برای فاصله اقامت موقت کو سایت های توریستی، یک سایت توریستی و یکی دیگر، تایید شده اند، همانطور که در جدول 5 نشان داده شده است. از طریق الگوریتم برنامه ریزی مسیر تور بهینه، در نظر گرفتن داده های GIS اصلی شهر ژنگژو، عوامل تأثیر مستقیم درجه عضویت λv1و عوامل تاثیر غیر مستقیم δv2، تابع وزن درخت نسل حداقل توده آرجستجو و تایید می شود و سپس مسیرهای تور بهینه و مسیرهای تور زیر بهینه خروجی می شود، همانطور که در شکل 6 نشان داده شده است. مقدار اولیه تابع انگیزه زیرواحد دلخواه را به عنوان تنظیم می کنیم من0=1000. طبق فرمول (11)، مقادیر تابع محرکه هر زیر واحد با افزایش فاصله کشتی گردشگر افزایش می یابد، حداکثر مقدار در سایت توریستی پایانه واحد فرعی به دست می آید. شکل 7 تابع محرکه زیر واحد را نشان می دهد من(⋅)منحنی های نوسان (رنگ سبز)، ارزش وزن انگیزه زیر واحد ساعت(⋅)منحنی های نوسان (رنگ آبی)، و تابع وزن درخت تولید L(⋅)منحنی های نوسان (رنگ قهوه ای).
هپ اولیه با توجه به مقادیر تابع وزن درخت تولید به دست می آید L(⋅)و تابع وزن درخت تولید حداقل توده آرالگوریتم، و سپس حداقل پشته مانند شکل 8 a خروجی می شود . مقدار درخت باینری کامل تابع وزن به صورت شکل 8 ب خروجی است. در مورد حداقل پشته آرو درخت باینری کامل، مقدار عنصر شروع حداقل پشته آرو گره والد درخت باینری 2.563 است که مسیرهای تور مربوطه مسیرهای تور شماره (1) و شماره (24) هستند. ارزش تابع وزن درخت تولید دو مسیر L(⋅)حداقل مقدار است و بنابراین به تابع محرکه واحد فرعی حداکثر مربوط می شود من(⋅)ارزش تکرار، یعنی گردشگر می تواند از دو مسیر بهینه بهترین انگیزه را به دست آورد. مقدار 2.662 در عناصر سوم و چهارم کمینه هیپ و گره های فرزند بیشتر در درخت باینری کامل به مسیرهای تور زیر بهینه مربوط می شود. با توجه به مسیرهای تور بهینه و غیربهینه، ساختارهای حلقه بسته درخت نسل مرتبط و نقشه های راهنما خروجی می شوند، همانطور که در شکل 9 نشان داده شده است ، که در آن شکل 9 a به مسیر تور شماره (1) مربوط می شود، شکل 9 b مربوط می شود. به مسیر تور شماره (24)، شکل 9 ج به مسیر تور شماره (7) و شکل 9 د مربوط به مسیر تور شماره (23) است.

مقایسه اثربخشی الگوریتم

ما در این تحقیق الگوریتم را با سایر الگوریتم‌های جستجوی کوتاه‌ترین مسیر از نظر پیچیدگی زمانی و مکانی مقایسه می‌کنیم. الگوریتم پیشنهادی در این تحقیق در گروه آزمایش است در حالی که آ*الگوریتم جستجو، الگوریتم جستجوی Dijkstra و الگوریتم جستجوی فلوید در گروه کنترل قرار دارند. تحت شرایط اولیه یکسان نقطه شروع، مکان‌های گردشگری انتخابی، نقطه پایانی و مقادیر وزن، الگوریتم‌های گروه آزمایش و گروه کنترل برای جستجو و خروجی نتایج مشابه در جدول 6 استفاده می‌شوند . چهار الگوریتم تمام ساختارهای حلقه بسته را طی می‌کنند و از طریق الگوریتم مرتب‌سازی حداقل پشته، حداقل پشته را به‌منظور یافتن مسیرهای بهینه و زیربهینه تولید می‌کنند، بنابراین نتایج برهم‌نهی با الگوریتم مرتب‌سازی حداقل پشته است. در آزمایش نمونه، نقطه شروع و نقطه پایانی هستند ک، n=6. جدول 7 پیچیدگی زمانی (TC) و پیچیدگی فضا (SC) را برای هر الگوریتم برای به دست آوردن نتایج یکسان در جدول 6 نشان می دهد.
4.2.2. تجزیه و تحلیل نتایج آزمایش و بحث
(1) تجزیه و تحلیل داده های پایه را آزمایش کنید
این آزمایش شهر گردشگری ژنگ ژو را به عنوان مثال در نظر می گیرد. با تعیین و محدود کردن محدوده تحقیق، مکان‌های گردشگری در محدوده مرکز شهر به عنوان اهداف مورد مطالعه تأیید می‌شوند. اشیاء سایت گردشگری انتخاب شده و تایید شده دارای ویژگی دسترسی حمل و نقل عمومی شهری و اتصال جاده شهری هستند که امکان سنجی و عملی بودن نتیجه تحقیق را تضمین می کند. 25 سایت توریستی که از همه مکان‌های گردشگری و جاذبه‌های گردشگری در مرکز شهر ژنگژو استخراج می‌شوند، محبوب‌ترین، معمولی‌ترین و نماینده‌ترین مکان‌ها هستند که می‌توانند چهار طبقه‌بندی سایت گردشگری را پوشش دهند، داده‌های ذخیره‌سازی سایت توریستی ماشین هوشمند را بهینه کنند و اطمینان حاصل کنند که مکان های گردشگری ارائه شده برای گردشگران بهترین مکان ها هستند. در مورد تصادفی بودن اسکان موقت کانتخاب شده توسط گردشگران، مکان های گردشگری انتخاب شده در توزیع جغرافیایی از هم جدا می شوند، که مناطق مختلف شهر ژنگژو را پوشش می دهد و تضمین می کند که مکان های دلخواه می توانند همه مکان های گردشگری را جستجو کرده و مکان های بهینه را استخراج کنند.
اطلاعات قالب متن استخراج شده از وب سایت گردشگری “FengWo” داده های اساسی برای راه اندازی یک ماژول یادگیری ماشینی Naïve Bayes است. در این مطالعه، داده‌های سفر 1000 گردشگر با فرمت متن پوشش اطلاعات را پوشش می‌دهد nویژگی های ویژگی از وب سایت گردشگری “FengWo” استخراج و پردازش شد. با محاسبه احتمال شرطی بردار ویژگی ویژگی ایکسو احتمال قبلی طبقه بندی سایت توریستی برای راه اندازی مدل یادگیری ماشین علاقه مند. هنگامی که گردشگران اطلاعات اولیه را وارد می کنند، ماشین هوشمند طبقه بندی سایت های توریستی را بر اساس گرایش علاقه به خروجی می دهد. جدول 1 احتمال شرطی بردار ویژگی ویژگی را نشان می دهد ایکسو احتمال قبلی طبقه بندی سایت توریستی، با شمارش از 1000 نمونه توریستی. بنابراین، ماژول یادگیری ماشینی Naïve Bayes دارای توانایی تعمیم نسبتاً قوی است.
عوامل تأثیر مستقیم درجه عضویت استخراج‌شده و عوامل تأثیر غیرمستقیم شامل داده‌های اطلاعات سرویس GIS، داده‌های اطلاعات خدمات ترافیک و اطلاعات سایت توریستی است که عوامل مهم و مهم تأثیرگذار بر منافع انگیزه گردشگر در طول سفر هستند. آنها بر روی تولید مقادیر تابع تکرار انگیزه و مقادیر تابع وزن درخت تولید عمل می کنند. داده های آزمایش از نقشه «بایدو» و پایگاه داده GIS شهر ژنگ ژو استخراج شده است، که منعکس کننده دنیای واقعی و وضعیت واقعی سفر است، بنابراین مسیرهای تور برنامه ریزی شده با داده های اطلاعات مکانی واقعی را می توان مستقیماً به عنوان توصیه هایی برای گردشگران توسط ماشین هوشمند ارائه کرد.
(2) سایت گردشگری مورد علاقه طبقه بندی تجزیه و تحلیل نتایج معدن
ما سایت گردشگری مورد علاقه را تجزیه و تحلیل می‌کنیم، زمانی که گردشگر نمونه ویژگی‌های ویژگی را تأیید می‌کند، ماژول یادگیری ماشین استخراج علاقه احتمال شرطی بردار ویژگی ویژگی را خروجی می‌کند. ایکسدر جدول 3 . سپس دستگاه محصول احتمال را خروجی می دهد پ(ایکس|جمن)پ(جمن)و بردار پایه مرتبه نزولی را پیش بینی کرد E. ماشین هوشمند ماتریس توزیع طبقه بندی مکان گردشگری مورد علاقه را خروجی می دهد آ، با توجه به نوع انتخاب شده از طبقه بندی سایت گردشگری و کمیت. در جنبه نتیجه کاوی طبقه‌بندی مکان گردشگری مورد علاقه، زمانی که یک آیتم دلخواه از ویژگی ویژگی‌های گردشگران یا تعداد تایید شده مکان‌های گردشگری برای بازدید تغییر می‌کند، ماتریس توزیع طبقه‌بندی مکان گردشگری مورد علاقه آهمچنین تغییر خواهد کرد که بر نتیجه استخراج بهینه سایت توریستی و برنامه ریزی بهینه مسیر تور تأثیر می گذارد. نوع طبقه بندی سایت گردشگری و کمیت در ماتریس آبرای گردشگران به نمایش گذاشته خواهد شد.
(3) تجزیه و تحلیل نتایج استخراج سایت توریستی بهینه
طبق الگوریتم بهینه استخراج سایت توریستی، ماشین های هوشمند از محل اقامت موقت شروع به جستجو می کنند. با جستجوی یک سایت توریستی بذر تابع، یک گروه از مقادیر تابع هدف به دست می آید. جدول 4 نشان می دهد که 4 سایت توریستی دانه فرعی استخراج شده زمانی که ماشین هوشمند سه طبقه بندی سایت توریستی را تحت شرط ردیف اول ماتریس جستجو می کند. آ. خط اول جدول مکان های گردشگری بذر فرعی استخراج شده را نشان می دهد ک، ج24( جی1+∗) ج11( جی2-∗) و ج32( جی3-∗). فرآیند جستجو به پایان می رسد ج21( جی4-∗). جدول 8 خلاصه ای از فرآیند جستجو برای مکان های گردشگری بهینه است.
هر سایت توریستی بذر به یک ستون از مقادیر تابع هدف مربوط می شود و مقدار سیاه پررنگ مربوط به سایت توریستی دانه فرعی استخراج شده است. از آنجایی که الگوریتم طبقه بندی سایت توریستی را محدود می کند، حداکثر مقدار مقادیر تابع هدف ستون ممکن است مقدار هدف سایت توریستی بذر نباشد، زیرا ممکن است طبقه بندی خاصی جالب نباشد یا طبقه بندی مکان توریستی ارزش دارای رتبه کامل باشد. هنگام جستجوی خود نقطه مرکزی، تابع هدف به صورت 0.000 تعریف می شود. ما منحنی های نوسان تابع هدف شکل 5 را با نقاط مرکزی مختلف تجزیه و تحلیل می کنیم و هر منحنی حاوی حداکثر مقدار و حداقل مقدار است. از آنجایی که سایت توریستی مورد علاقه شامل نمی شود ج4، ماشین هوشمند به طور خودکار مقادیر تابع هدف را نادیده می گیرد ج4. شروع از کنقطه مرکزی، حداقل مقدار 1.297 در سایت توریستی ظاهر می شود ج16، و حداکثر مقدار 2.933 در سایت توریستی ظاهر می شود ج24، شرایط را برآورده می کند، بنابراین کسایت گردشگری بذر تابع نقطه مرکزی است ج24. شروع از ج24نقطه مرکزی، حداقل مقدار 0.982 در سایت توریستی ظاهر می شود ج35، و حداکثر مقدار 2.301 در سایت توریستی ظاهر می شود ج11، شرایط را برآورده می کند، بنابراین ج24سایت گردشگری بذر تابع نقطه مرکزی است ج11. شروع از ج11نقطه مرکزی، حداقل مقدار 0.858 در سایت توریستی ظاهر می شود ج35، و حداکثر مقدار 1.545 در سایت توریستی ظاهر می شود ج32، شرایط را برآورده می کند، بنابراین ج11سایت گردشگری بذر تابع نقطه مرکزی است ج32. شروع از ج32نقطه مرکزی، حداقل مقدار 0.893 در سایت توریستی ظاهر می شود ج15، و حداکثر مقدار 1.673 در سایت توریستی ظاهر می شود ج21، شرایط را برآورده می کند، بنابراین ج32سایت گردشگری بذر تابع نقطه مرکزی است ج21. ما ماتریس توزیع درجه عضویت را تجزیه و تحلیل می کنیم μ(ج)، عنصر 1 به سایت گردشگری بذر مربوط می شود. ماتریکس μ(ج)به طور شهودی نشان می دهد توزیع سایت های گردشگری دانه ذخیره شده در کامپیوتر، زمانی که محل ک، نیازها و علایق گردشگران و نوع انتخابی طبقه بندی سایت گردشگری و تغییر کمیت، توزیع عنصر در ماتریس μ(ج)نیز تغییر خواهد کرد. شکل 6 کل فرآیند جستجوی سایت های گردشگری بذر را نشان می دهد. از شکل، روش و فرآیند جستجوی مکان‌های توریستی بذر با الگوریتم توسعه‌یافته در تحقیق مطابقت دارد و مکان‌های گردشگری استخراج‌شده به‌طور بهینه در فضای جغرافیایی توزیع شده‌اند که می‌تواند منافع گردشگران را برآورده کند و حداقل هزینه را هزینه کند.
(4) تجزیه و تحلیل نتایج جستجوی مسیر تور بهینه
پس از تجزیه و تحلیل داده های جدول 5 ، مشاهده می شود که حداقل وزن انگیزه زیر واحد 0.341 در بازه زمانی ظاهر می شود. کو ج24، حداکثر مقدار 0.736 در فاصله زمانی ظاهر می شود ج21و ج24هر چه مقدار وزن انگیزه کوچکتر باشد، مقدار تابع انگیزه بزرگتر خواهد بود و گردشگران در این بازه از مزایای انگیزشی بیشتری برخوردار خواهند شد. جدول 6 تابع محرکه زیر واحد را نشان می دهد من(⋅)مقادیر، وزن انگیزه زیر واحد ساعت(⋅)ارزش ها و وزن درخت نسل L(⋅)مقادیر مربوط به مسیرهای 24 گانه تور نسل سازه های حلقه بسته درختی. ما داده‌های جدول 6 و منحنی‌های شکل 7 را تجزیه و تحلیل می‌کنیم ، و مسیرهای تور مختلف ساختارهای حلقه بسته درخت نسل، تابع محرکه زیر واحد متفاوتی را تولید می‌کنند. من(⋅)مقادیر، وزن انگیزه زیر واحد ساعت(⋅)ارزش ها و وزن درخت نسل L(⋅)ارزش های. در یک واحد فرعی، مقادیر تابع انگیزه با افزایش فاصله کشتی گردشگران افزایش می‌یابد. شروع از مقدار تابع اولیه و افزایش به حداکثر مقدار در سایت گردشگری بعدی. مقدار تابع محرک زیر واحد و مقدار وزن انگیزه متقابل با یکدیگر هستند که روند منحنی آنها معکوس است، یعنی یک منحنی در یک واحد یکنواخت افزایش می یابد و منحنی دیگر در همان واحد یکنواخت کاهش می یابد. تابع وزن درخت تولید همیشه در کل سفر یکنواخت افزایش می یابد و در نقطه پایانی به حداکثر مقدار می رسد. کمطابق جدول 6 ، مقادیر تابع وزن کمینه توده و درخت دودویی کامل صعودی خروجی هستند، همانطور که در نشان داده شده است. شکل 8 نشان داده شده است.. مقدار تابع وزن 2.563 ذخیره شده در عنصر اول و دوم کمینه هیپ و در گره والد و گره فرزند چپ گره والد درخت باینری کامل به درخت نسل بسته شماره (1) و شماره (24) مربوط می شود. ساختارهای حلقه و مسیرهای تور. این نشان می‌دهد که دو مسیر تور با حداکثر مقادیر تابع تکرار انگیزه مرتبط هستند و گردشگران می‌توانند با طی کردن این دو مسیر بهترین مزایای انگیزه را دریافت کنند، بنابراین آنها بهترین‌ها هستند. عناصر سوم و چهارم از حداقل heap و گره های فرزند بیشتر گره والد به مسیرهای زیر بهینه مربوط می شوند. ساختارهای حلقه بسته درخت نسل و نقشه‌های راهنمای مربوط به مسیرهای تور بهینه و زیربهینه در شکل 9 با توجه به حداقل هیپ خروجی نهایی و درخت باینری کامل نشان داده شده‌اند.
درختان نسل مسیرهای تور بهینه کج24ج11ج32ج21کو کج21ج32ج11ج24ککل دایره را بپوشانید، از مرکز خوشه بندی شروع کنید کو با همین نکته خاتمه دهید کدر جهت عقربه های ساعت و خلاف جهت عقربه های ساعت. مسیرهای تور غیر بهینه کج11ج24ج32ج21کو کج21ج32ج24ج11کاز دایره عبور نمی کنند، بلکه با خطوط اتصال در دایره تشکیل می شوند. ساختارهای حلقه بسته مختلف به نقشه های راهنمای مسیرهای مختلف تور مربوط می شوند. شکل 9 نقشه های راهنمای مربوط به مسیرهای بهینه و غیربهینه تور را نشان می دهد. ماشین هوشمند مسیرهای تور مشخصی از مجموع 24 مسیر تور را در اختیار گردشگران قرار می دهد و سپس دو مسیر بهینه را تنظیم می کند. کج24ج11ج32ج21کو کج21ج32ج11ج24کبه جلو. ضمناً دو مسیر تور به ویژه به گردشگران توصیه می شود و سپس مسیرهای غیربهینه کج11ج24ج32ج21کو کج21ج32ج24ج11کمسیرهای پیشنهادی نهایی تور همگی با نیازها و علایق گردشگران مطابقت دارند. با استفاده از این مسیرهای تور، گردشگران می توانند بهترین مزایای انگیزشی را در طبقه بندی سایت های گردشگری، کمیت، توزیع جغرافیایی، هزینه ها و تجربه سفر به دست آورند.
(5) مقایسه با سایر الگوریتم ها و جعبه ابزار برنامه ریزی مسیر
از داده‌های جدول 7 ، مقایسه بین الگوریتم پیشنهادی و سایر الگوریتم‌های جستجو نتیجه‌گیری می‌شود. در فرآیند جستجوی نتایج یکسان، چهار الگوریتم عملکرد و اثربخشی متفاوتی دارند. برای همه آنها، پیچیدگی زمانی با افزایش ارزش افزایش می یابد n، که در آن الگوریتم فلوید دارای سریع ترین نرخ افزایش است و سپس الگوریتم دایکسترا، الگوریتم پیشنهادی و آ*الگوریتم زمانی که واحد زمان 1ns (نان ثانیه) باشد، زمان عملیات هر الگوریتم در اندازه‌گیری زمان نانوثانیه است. در آزمایش، تعداد کل سایت های گردشگری 25 است، بنابراین زمان بهره برداری در محدوده امکان پذیر خواهد بود. تنظیم n=6، پیچیدگی زمانی الگوریتم فلوید بسیار بزرگتر از الگوریتم های دیگر است. در مقایسه با سایر الگوریتم‌ها، الگوریتم پیشنهادی پیچیدگی زمانی متوسطی دارد. مقایسه با آ*مزیت الگوریتم پیشنهادی این است که نیازی به از پیش تنظیم تابع اکتشافی و محاسبه فواصل نقاط از طریق تابع فاصله نیست که می تواند از آ*داده های اضافی الگوریتم و وضعیت عدم دستیابی به جواب بهینه. در مقایسه با الگوریتم Dijkstra و الگوریتم فلوید، الگوریتم پیشنهادی دارای اثربخشی اجرای نسبتاً بالاتر و پیچیدگی فضای کمتری است.
در مقایسه با نقشه گوگل و جعبه ابزار کمکی ArcGIS، ویژگی های مختلف و نوآوری روش روش پیشنهادی به شرح زیر است. اول، محتوای ورودی و از پیش تعیین شده متفاوت است. در روش پیشنهادی، گردشگران به سادگی سن، برنامه زمانی، بودجه سفر و غیره را وارد می‌کنند، دستگاه هوشمند مکان‌ها و مسیرهای گردشگری بهینه را خروجی می‌دهد. گردشگران برای کسب دانش تخصصی در مورد اطلاعات جغرافیایی زحمتی نمی کشند، بنابراین روش پیشنهادی کاربر پسند است. در مورد نقشه گوگل و جعبه ابزار کمکی ArcGIS، محتوای ورودی و از پیش تعیین شده نسبتا حرفه ای تر است، گردشگران باید کم و بیش دانش تخصصی کسب کنند. دوم، حالتی برای اطمینان از متفاوت بودن سایت های توریستی. روش پیشنهادی، مکان‌های بهینه گردشگری را از طریق ورودی اطلاعات اولیه و مکان مرکز خوشه‌بندی استخراج و تأیید می‌کند. در حالی که نقشه گوگل و جعبه ابزار کمکی ArcGIS گردشگران را ملزم می کند که خودشان گردشگران را انتخاب کنند. بنابراین روش پیشنهادی برای گردشگرانی که با شهر و مکان‌های گردشگری آشنا نیستند و برای دریافت مسیر تور کاملاً به سیستم هوشمند متکی هستند، مناسب‌تر است. سوم، روش پیشنهادی مسیر تور را با چندین سایت توریستی فراهم می‌کند، نقشه گوگل عمدتاً مسیر بین دو نقطه را فراهم می‌کند. ماژول Network Analyst ArcGIS می تواند تجزیه و تحلیل زمان مسیر، تجزیه و تحلیل مسیر نقطه به نقطه، تعریف منطقه خدمات، جستجوی تسهیلات تابع، تجزیه و تحلیل ماتریس نقاط شروع و پایانه و غیره را انجام دهد. که الگوریتم داخلی آن می تواند الگوریتم Dijkstra و غیره باشد. از جنبه اثربخشی الگوریتم،

5. نتیجه گیری و کار آینده

یک الگوریتم برنامه‌ریزی مسیر تور هوشمند مبتنی بر داده‌کاوی علاقه یادگیری ماشین ساده بیز، در رابطه با مشکلات فعلی برنامه‌ریزی مسیر تور پیشنهاد شده است. هدف از این مطالعه ارائه یک روش هوشمند عملی و عملی برای بازدید از مکان‌های گردشگری مورد علاقه گردشگران است. یک ماژول یادگیری ماشینی ساده بیز با یادگیری داده های بزرگ گردشگری راه اندازی می شود. می تواند طبقه بندی سایت های گردشگری را مطابق با اطلاعات و نیازهای اولیه به گردشگران توصیه کند. ویژگی ماژول یادگیری ماشین این است که بردارهای طبقه بندی سایت توریستی را با تمایل از زیاد به پایین خروجی می دهد و سپس یک ماتریس توزیع طبقه بندی مکان گردشگری مورد علاقه را خروجی می دهد. از این ماتریس، ماشین هوشمند انواع طبقه بندی و کمیت گردشگران را به گردشگران توصیه می کند. و گردشگران می توانند یک نوع را با توجه به نیاز و برنامه خود انتخاب کنند. با راه‌اندازی یک الگوریتم بهینه استخراج سایت گردشگری که بر اساس الگوریتم درخت نسل جستجوی درجه عضویت است، ماشین هوشمند مکان‌های گردشگری بهینه را با توجه به نوع طبقه‌بندی و کمیت انتخاب شده جستجو و استخراج می‌کند. ویژگی الگوریتم استخراج بهینه سایت گردشگری، جستجوی بهترین مکان‌های گردشگری با توزیع جغرافیایی در حائل محله است که نیازهای گردشگران را برآورده می‌کند و کمترین هزینه را هزینه می‌کند. هنگامی که با عوامل سرویس GIS، اطلاعات ترافیک و اطلاعات سایت توریستی که بر مزایای انگیزه در طول کل سفر تأثیر می‌گذارند، ترکیب شوند، الگوریتم برنامه‌ریزی مسیر تور بهینه که بر اساس ساختار حلقه بسته است، تنظیم می‌شود. آرو درخت دودویی کامل نسبی، و مسیر بهینه تور و مسیر تور زیر بهینه و همچنین نقشه های راهنمای گردشگران را تایید می کند. در تحقیق، الگوریتم و روش توسعه‌یافته دارای عملکردهای کامل و یکپارچه است، مسیرهای تور خروجی تمامی مکان‌های گردشگری مورد علاقه گردشگران را پوشش می‌دهد و با فرآیند عملی و واقعی سفر مطابقت دارد. تمامی مکان‌های گردشگری بهینه، مسیرهای تور و نقشه‌های راهنما به صورت متقابل برای گردشگران ارائه می‌شوند. گردشگران می توانند با توجه به نیاز و علایق خود مناسب ترین مورد را انتخاب کنند.
الگوریتمی که در این مطالعه طراحی و توسعه داده شده است بر اساس داده‌های بزرگ گردشگری استخراج و یادگیری است. در کارهای تحقیقاتی آینده، کارهای بیشتری وجود دارد که می توان انجام داد. اول، ویژگی‌های ویژگی‌های گردشگران را می‌توان به دقیق‌تر نیازها و علایق گردشگران تقسیم کرد. ثانیاً، یک روش تصحیح انحراف تمایل به علاقه طراحی و توسعه خواهد یافت تا به طور دقیق علایق گردشگران را پیش بینی و خروجی دهد، که هدف آن اطمینان از این است که هر گردشگر می تواند بهترین مزایای انگیزه و تجربه سفر را به دست آورد. ثالثاً، در جنبه معدنکاری سایت توریستی و برنامه ریزی مسیر تور، دسترسی به سایت های گردشگری مورد مطالعه قرار می گیرد و راه های حمل و نقل و کشتی بیشتر برای غنی سازی عملکرد دستگاه هوشمند در نظر گرفته می شود.

منابع

  1. ژان، Q. دنگ، س. ژنگ، ز. الگوریتم خوشه‌بندی فضایی چرخشی تطبیقی ​​مبتنی بر گشتالت. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 272. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. وو، ایکس. هوانگ، ز. پنگ، ایکس. چن، ی. لیو، ی. ایجاد یک شبکه جاسازی شده فضایی از نقاط مهم گردشگری از داده های رسانه های اجتماعی دارای برچسب جغرافیایی. دسترسی IEEE 2018 ، 6 ، 21945–21954. [ Google Scholar ] [ CrossRef ]
  3. کروگر، ام. ویلجون، ا. Saayman, M. چه کسی از پارک ملی کروگر بازدید می کند و چرا؟ شناسایی بازارهای هدف تور مسافرتی جی. علامت گذاری. 2017 ، 34 ، 312-340. [ Google Scholar ] [ CrossRef ]
  4. ژنگ، دبلیو. هوانگ، ایکس. لی، ای. درک تحرک گردشگران با استفاده از GPS: مکان بعدی کجاست؟ تور. مدیریت 2017 ، 59 ، 267-280. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. وانگ، ایکس. چوی، TM; لیو، اچ. یو، ایکس. روش‌های جدید بهینه‌سازی کلونی مورچه‌ها برای ساده‌سازی ساخت راه‌حل در مسائل مسیریابی خودرو. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 17 ، 3132-3141. [ Google Scholar ] [ CrossRef ]
  6. یانگ، دبلیو. آی، تی. Lu, W. روشی برای استخراج اطلاعات مرز جاده از مسیرهای GPS وسایل نقلیه جمع سپاری. Sensors 2018 , 18 , 1261. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. چهرقان، ع. عباسپور، RA یک رویکرد مبتنی بر هندسی برای تطبیق جاده در مجموعه داده‌های چند مقیاسی با استفاده از الگوریتم ژنتیک. کارتوگر. Geogr. Inf. علمی 2018 ، 45 ، 255-269. [ Google Scholar ] [ CrossRef ]
  8. ژانگ، ی. هوانگ، جی. دنگ، م. نیش، ایکس. Hu, J. تطبیق برچسب‌گذاری آرامش برای مجموعه داده‌های مسکونی چند مقیاسی بر اساس الگوهای همسایه. Geomat. Inf. علمی دانشگاه ووهان 2018 ، 43 ، 1098-1105. [ Google Scholar ]
  9. جبارپور، محمدرضا; نور، RM; سیستم مسیریابی تردد خودروهای خوخر، RH گرین با استفاده از الگوریتم مبتنی بر مورچه. J. Netw. محاسبه کنید. Appl. 2015 ، 58 ، 294-308. [ Google Scholar ] [ CrossRef ]
  10. کانگ، اس. لی، جی. کیم، جی. پارک، دی. شناسایی ساختار فضایی سیستم جذب گردشگری در کره جنوبی با استفاده از GIS و تحلیل شبکه: کاربرد نظریه نقطه لنگر. جی. مقصد. علامت گذاری. مدیریت 2018 ، 9 ، 358-370. [ Google Scholar ]
  11. رهایونینگسیه، ت. منتسب، EKSH; Prasetyo، LB ارزیابی منابع گردشگری مبتنی بر طبیعت با استفاده از سیستم اطلاعات جغرافیایی (GIS): مطالعه موردی در بوگور. Procedia Environ. علمی 2016 ، 33 ، 365-375. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. تراچوسکی، ال. باستین، ال. Fonte، CC استفاده مجدد از یک شبکه یادگیری عمیق برای فیلتر کردن و طبقه بندی عکس های داوطلبانه برای توصیف پوشش زمین و کاربری زمین. ژئو اسپات. Inf. علمی 2017 ، 20 ، 252-268. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. کوردتس، ام. عمران، م. راموس، اس. رهفلد، تی. انزوایلر، م. بننسون، آر. فرانکه، یو. راث، اس. شیله، بی. مجموعه داده مناظر شهری برای درک معنایی صحنه شهری. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 27-30 ژوئن 2016. صص 3213–3223. [ Google Scholar ]
  14. Tufekci, Z. سوالات بزرگ برای داده های بزرگ رسانه های اجتماعی: نمایندگی، اعتبار و سایر مشکلات روش شناختی. ICWSM 2014 ، 14 ، 505-514. [ Google Scholar ]
  15. Gwon، G.-P. هور، W.-S.; کیم، S.-W. سئو، S.-W. تولید یک نقشه راه دقیق و کارآمد در سطح خط برای سیستم های خودرو هوشمند. IEEE Trans. وه تکنولوژی 2017 ، 66 ، 4517-4533. [ Google Scholar ] [ CrossRef ]
  16. هال، سی ام. Le-Klahn، DT; Ram, Y. گردشگری، حمل و نقل عمومی و تحرک پایدار ; انتشارات نمای کانال: بریستول، بریتانیا، 2017. [ Google Scholar ]
  17. کیم، جی. تاپا، بی. جانگ، اس. برنامه تمرینی موبایل مبتنی بر GPS: یک ابزار جایگزین برای ارزیابی الگوهای مکانی-زمانی فعالیت‌های بازدیدکنندگان در پارک ملی. جی پارک ریکریت. مدیر. 2019 ، 37 ، 124-134. [ Google Scholar ] [ CrossRef ]
  18. یانگ، بی. لوان، ایکس. Zhang، Y. یک رویکرد مبتنی بر الگو برای تطبیق گره‌ها در شبکه‌های جاده‌ای شهری ناهمگن. ترانس. GIS. 2014 ، 18 ، 718-739. [ Google Scholar ] [ CrossRef ]
  19. هوانگ، RH; Hsueh، YL; Chen, YT یک سیستم توصیه‌کننده تاکسی مؤثر بر اساس مدل تحلیل عاملی مکانی-زمانی. Inf. علمی 2015 ، 314 ، 28-40. [ Google Scholar ] [ CrossRef ]
  20. کنگ، ایکس. شیا، اف. وانگ، جی. رحیم، ع. Das، SK زمان-مکان-رابطه توصیه خدمات ترکیبی بر اساس داده های مسیر تاکسی. IEEE Trans. Ind. Inf. 2017 ، 13 ، 1202-1212. [ Google Scholar ] [ CrossRef ]
  21. سان، دی. ژانگ، سی. ژانگ، ال. چن، اف. پنگ، Z.-R. تحلیل رفتار سفر شهری و پیش‌بینی مسیر بر اساس داده‌های شناور خودرو. حمل و نقل. Lett. 2014 ، 6 ، 118-125. [ Google Scholar ] [ CrossRef ]
  22. چن، توسط; یوان، اچ. لی، QQ; لام، WHK; شاو، اس ال. Yan, K. الگوریتم تطبیق نقشه برای داده‌های ماشین شناور با فرکانس پایین در مقیاس بزرگ. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 22-38. [ Google Scholar ] [ CrossRef ]
  23. یانگ، پی. تانگ، ک. لوزانو، جی. Cao, X. برنامه‌ریزی مسیر برای هواپیمای بدون سرنشین تکی با ایجاد ایستگاه‌های بین راهی جداگانه. IEEE Trans. ربات. 2015 ، 31 ، 1130-1146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. آلبیناتی، ج. اولیویرا، SE; اوترو، FE؛ Pappa، GL یک رویکرد نیمه نظارتی مبتنی بر کلنی مورچه ها برای یادگیری قوانین طبقه بندی. Swarm Intell. 2015 ، 9 ، 315-341. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. فرحناکیان، ف. اشرف، ع. Pahikkala، T. لیلیبرگ، پی. پلوسیلا، جی. پوررس، آی. Tenhunen، H. استفاده از سیستم کلونی مورچه ها برای ادغام ماشین های مجازی برای محاسبات ابری سبز. IEEE Trans. خدمت محاسبه کنید. 2015 ، 8 ، 187-198. [ Google Scholar ] [ CrossRef ]
  26. وانگ، ز. زینگ، اچ. لی، تی. یانگ، ی. کو، ر. Pan, Y. یک الگوریتم بهینه‌سازی کلنی مورچه‌ها برای کمینه‌سازی منابع کدگذاری شبکه. IEEE Trans. تکامل. محاسبه کنید. 2015 ، 1 ، 1-18. [ Google Scholar ]
  27. گیوتسالیتیس، ک. Stathopoulos، A. یک برنامه کاربردی موبایل برای مسیریابی چندوجهی زمان واقعی تحت مجموعه ای از ترجیحات کاربران. جی. اینتل. ترانسپ سیستم 2014 ، 19 ، 149-166. [ Google Scholar ] [ CrossRef ]
  28. دولینایوا، آ. ماسک، جی. کندرا، م. کاماج، ج. گراندسرت، دی. مارلیر، ای. کلزانی، پ. آرنا، م. پاراگرین، جی. ناواراتنام، پ. و همکاران تحقیق در مورد ترجیحات و الزامات مسافر برای برنامه همراه سفر. J. Adv. ترانسپ 2018 ، 4 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. Ciesielski، KC; فالکائو، تبر Miranda، توابع مقدار مسیر PAV که الگوریتم Dijkstra نقشه بهینه را برای آنها برمی گرداند. جی. ریاضی. تصویربرداری Vis. 2018 ، 60 ، 1025–1036. [ Google Scholar ] [ CrossRef ]
  30. لی، جی کیو; ژو، ک. ژانگ، ال. Zhang, WB یک سیستم برنامه ریزی سفر چندوجهی که شامل حالت پارک و سوار شدن و اطلاعات ترافیک و حمل و نقل در زمان واقعی است. Proc. کنگره جهانی آن 2010 ، 25 ، 65-76. [ Google Scholar ]
  31. بوریس، جی. مورنو، آ. والس، الف. سیستم های توصیه گر گردشگری هوشمند: یک نظرسنجی. سیستم خبره Appl. 2014 ، 41 ، 7370-7389. [ Google Scholar ] [ CrossRef ]
  32. Srinivasan، KK; پراکاش، AA; Seshadri, R. یافتن مطمئن‌ترین مسیرها در شبکه‌ها با زمان‌های سفر معمولی ورود به سیستم همبسته و تغییر یافته. ترانسپ Res. روش قسمت B. 2014 ، 66 ، 110-128. [ Google Scholar ] [ CrossRef ]
  33. اپسهل، تی. اگنیسنز، اف. Skvoretzc، J. مرکزیت گره در شبکه های وزن دار: تعمیم درجه و کوتاه ترین مسیرها. Soc. شبکه 2010 ، 32 ، 245-251. [ Google Scholar ] [ CrossRef ]
  34. پرین، ک. خانی، ع. Ruiz-Juri، N. الگوریتم تطبیق نقشه برای کاربردها در مدلسازی شبکه حمل و نقل چندوجهی. ترانسپ Res. ضبط 2015 ، 2537 ، 62-70. [ Google Scholar ] [ CrossRef ]
  35. یوان، ال. یو، ز. لو، دبلیو. ژانگ، جی. روش جبر Hu، Y. Clifford برای بیان شبکه، محاسبات و ساخت الگوریتم. ریاضی. Methods Appl. علمی 2014 ، 37 ، 1428-1435. [ Google Scholar ] [ CrossRef ]
  36. داینا، ن. سیواکومار، ا. انتخاب‌های شارژ خودروی پولاک، JW Electric: مدل‌سازی و پیامدهای خدمات شارژ هوشمند. ترانسپ Res. سی ظهور. تکنولوژی 2017 ، 81 ، 36-56. [ Google Scholar ] [ CrossRef ]
  37. ژو، ایکس. خو، سی. کیمونز، ب. تشخیص مقاصد گردشگری با استفاده از تجزیه و تحلیل جغرافیایی مقیاس پذیر بر اساس پلت فرم رایانش ابری. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 144-153. [ Google Scholar ] [ CrossRef ]
  38. جیا، Q. Wang, R. استخراج خودکار شبکه های جاده ای از ردیابی GPS. فتوگرام مهندس از راه دور. Sens. 2016 , 82 , 593-604. [ Google Scholar ]
  39. ژنگ، ی. لیو، ی. یوان، جی. Xie, X. محاسبات شهری با تاکسی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی محاسبات همه جا حاضر، پکن، چین، 17-21 سپتامبر 2011. صص 89-98. [ Google Scholar ]
  40. آساواسوتیراکول، دی. هارفیفیلد، ای. Kesorn, K. چارچوبی از خدمات اطلاعات سفر شخصی برای تایلند. Adv. ماتر Res. 2014 ، 931–932 ، 1382–1386. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00112 g001 550
شکل 1. فرآیند بردارهای ویژگی ویژگی و بردارهای طبقه بندی سایت توریستی که داده های نمونه آموزشی را تشکیل می دهند و قالب ذخیره آنها. ویژگی‌های ویژگی در پایگاه‌داده A ذخیره می‌شوند و طبقه‌بندی‌های سایت توریستی در پایگاه‌داده B ذخیره می‌شوند. داده‌های نمونه آموزشی تشکیل‌شده در پایگاه‌داده C ذخیره می‌شوند. داده‌های فرم خروجی برای راه‌اندازی مدل یادگیری ماشین علاقه‌مندی Naïve Bayes استفاده می‌شوند.
Ijgi 09 00112 g002 550
شکل 2. فرآیند جستجو و استخراج سایت های گردشگری بذر تابعه با مرکز خوشه بندی کیا سایت توریستی بذر جیهبه عنوان نقاط مرکزی ( الف ) فرآیند استخراج بذر سایت توریستی جی1با نقطه مرکزی کتحت کنترل الگوریتم ب ) فرآیند استخراج بذر سایت توریستی جی2با نقطه مرکزی جی1تحت کنترل الگوریتم ج ) فرآیند استخراج بذر سایت توریستی جی3با نقطه مرکزی جی2تحت کنترل الگوریتم ( د ) فرآیند استخراج از معادن سایت گردشگری بذر با نقطه مرکزی جی3. مراحل بعدی نیز به همین ترتیب است.
Ijgi 09 00112 g003 550
شکل 3. یک حلقه ساختار پایه درخت نسل و خطوط اتصال مسیر تور. ( الف ) حلقه ساختار پایه درخت تولید که توسط مرکز خوشه بندی تشکیل شده است کو τسایت های گردشگری بذر جیه، که بر اساس شماره سریال مرتب شده است کو جیه. در فرآیند الگوریتم، قوس و خط اتصال را می توان قطع و وصل کرد. ( ب ) مسیر حلقه بسته که توسط چند قوس و خطوط حلقه ساختار اصلی تحت کنترل الگوریتم تشکیل شده است.
Ijgi 09 00112 g004 550
شکل 4. شهر ژنگژو همه مکان های توریستی یا جاذبه های گردشگری توزیع جغرافیایی و مکان های توریستی معمولی انتخاب شده برای آزمایش. الف ) کلیه مکان‌های گردشگری یا جاذبه‌های گردشگری که به صورت نقطه‌های سیاه مشخص می‌شوند. ستاره قرمز نشان دهنده محل اقامت موقت است که توسط گردشگران تایید شده است، که مرکز خوشه بندی است ک. منطقه آبی منطقه اصلی مرکز شهر ژنگژو است، دایره سیاه نشان دهنده حائل محله مرکز خوشه‌بندی برای جستجو و استخراج مکان‌های گردشگری بهینه است. خطوط خاکستری جاده ها و خیابان های اصلی شهر ژنگژو هستند. ( ب ) چهار طبقه بندی سایت توریستی با 25 مکان گردشگری معمولی. سبز نشان دهنده طبقه بندی پارک و گرینلند، آبی نشان دهنده طبقه بندی مکان، قرمز نشان دهنده طبقه بندی تفریحی، و زرد نشان دهنده طبقه بندی مرکز خرید است.
Ijgi 09 00112 g005 550
شکل 5. منحنی های نوسان تابع هدف هنگام جستجوی مکان های گردشگری بذر با نقاط شروع مختلف. ( الف ) منحنی نوسان تابع هدف که جستجو از آن شروع می شود ک; ( ب ) منحنی نوسان تابع هدف که جستجو از آن شروع می شود ج24; ( ج ) منحنی نوسان تابع هدف که جستجو از آن شروع می شود ج11; و ( د ) منحنی نوسان تابع هدف که جستجو را از آن شروع می کند ج32.
Ijgi 09 00112 g006 550
شکل 6. فرآیند تولید درخت ساختار سایت گردشگری بهینه. ( الف ) شروع از نقطه مرکزی کو جستجوی نتیجه سایت گردشگری بذر ج24. ( ب ) شروع از نقطه مرکزی ج24و جستجو در سایت گردشگری بذر ج11. ( ج ) شروع از نقطه مرکزی ج11و جستجو در سایت گردشگری بذر ج32. ( د ) شروع از نقطه مرکزی ج32و جستجو در سایت گردشگری بذر ج21.
Ijgi 09 00112 g007a 550 Ijgi 09 00112 g007b 550
شکل 7. تابع محرکه زیر واحد من(⋅)منحنی های نوسان ( رنگ سبز )، ارزش وزن انگیزه زیر واحد ساعت(⋅)منحنی های نوسان ( رنگ آبی ) و تابع وزن درخت نسل L(⋅)منحنی های نوسان ( رنگ قهوه ای ).
Ijgi 09 00112 g008 550
شکل 8. فرآیند ساخت کمینه توده تابع وزن درخت آرو خروجی مرتبه صعودی درخت باینری کامل. ( الف ) پایه هیپ اولیه و کمینه هیپ با ترتیب صعودی مقادیر تابع وزن. ( ب ) درخت دودویی کامل با مقادیر تابع وزن. درخت تجسم شده می تواند نشانگر را برای خروجی مسیرهای تور بهینه و غیربهینه در اختیار ماشین هوشمند قرار دهد.
Ijgi 09 00112 g009 550
شکل 9. ساختارهای حلقه بسته درخت تولید و نقشه های راهنمای خروجی توسط یک ماشین هوشمند. ( الف ) مربوط به مسیر تور شماره (1)، ( ب ) مربوط به مسیر تور شماره (24)، ( ج ) مربوط به مسیر تور شماره (7)، ( د ) مربوط به شماره شماره. (23) مسیر تور.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید