شبکه عصبی عمیق TensorFlow چین در هنگ کنگ از داده های ورود

استفاده از شبکه عصبی عمیق TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ از داده های ورود

در دهه گذشته، داده‌های بزرگ، از جمله داده‌های سیستم موقعیت‌یابی جهانی (GPS)، داده‌های ردیابی تلفن همراه و داده‌های ورود به شبکه‌های اجتماعی، به طور گسترده برای تجزیه و تحلیل حرکات و رفتارهای انسان مورد استفاده قرار گرفته‌اند. محققان مدیریت گردشگری به پتانسیل استفاده از این داده ها برای مطالعه رفتارهای گردشگران اشاره کرده اند و بسیاری از مطالعات نشان داده اند که داده های ورود به شبکه های اجتماعی می تواند فرصت های جدیدی را برای استخراج فعالیت های گردشگری و رفتارهای گردشگران فراهم کند. با این حال، روش‌های سنتی به دلیل پیچیدگی و تنوع رفتارهای انسانی ممکن است برای استخراج رفتارهای جامع گردشگری مناسب نباشند. مطالعات نشان داده است که شبکه‌های عصبی عمیق در بسیاری از زمینه‌ها از توانایی‌های انسان پیشی گرفته‌اند و شبکه‌های عصبی عمیق را می‌توان به شیوه‌ای روان‌شناختی توضیح داد. بدین ترتیب، روش های شبکه عصبی عمیق به طور بالقوه می تواند برای درک رفتارهای انسان استفاده شود. در این مقاله، یک شبکه عصبی یادگیری عمیق ساخته شده در TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ اعمال می شود و ویژگی های این بازدیدکنندگان برای تأیید نتایج طبقه بندی تجزیه و تحلیل می شود. برای مشکل طبقه‌بندی علوم اجتماعی که در این مطالعه بررسی شد، طبقه‌بندی‌کننده شبکه عصبی عمیق در TensorFlow دقت بهتر و تجسم شفاف‌تری را نسبت به روش‌های سنتی شبکه عصبی حتی برای قوانین طبقه‌بندی نامنظم ارائه می‌دهد. علاوه بر این، نتایج این مطالعه نشان می دهد که TensorFlow دارای پتانسیل قابل توجهی برای کاربرد در زمینه جغرافیای انسانی است. یک شبکه عصبی یادگیری عمیق ساخته شده در TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ اعمال می شود و ویژگی های این بازدیدکنندگان برای تأیید نتایج طبقه بندی تجزیه و تحلیل می شود.

برای مشکل طبقه‌بندی علوم اجتماعی که در این مطالعه بررسی شد، طبقه‌بندی‌کننده شبکه عصبی عمیق در TensorFlow دقت بهتر و تجسم شفاف‌تری را نسبت به روش‌های سنتی شبکه عصبی حتی برای قوانین طبقه‌بندی نامنظم ارائه می‌دهد. علاوه بر این، نتایج این مطالعه نشان می دهد که TensorFlow دارای پتانسیل قابل توجهی برای کاربرد در زمینه جغرافیای انسانی است. یک شبکه عصبی یادگیری عمیق ساخته شده در TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ اعمال می شود و ویژگی های این بازدیدکنندگان برای تأیید نتایج طبقه بندی تجزیه و تحلیل می شود. برای مشکل طبقه‌بندی علوم اجتماعی که در این مطالعه بررسی شد، طبقه‌بندی‌کننده شبکه عصبی عمیق در TensorFlow دقت بهتر و تجسم شفاف‌تری را نسبت به روش‌های سنتی شبکه عصبی حتی برای قوانین طبقه‌بندی نامنظم ارائه می‌دهد. علاوه بر این، نتایج این مطالعه نشان می دهد که TensorFlow دارای پتانسیل قابل توجهی برای کاربرد در زمینه جغرافیای انسانی است. طبقه‌بندی‌کننده شبکه عصبی عمیق در TensorFlow دقت بهتر و تجسم شفاف‌تری را نسبت به روش‌های سنتی شبکه عصبی حتی برای قوانین طبقه‌بندی نامنظم ارائه می‌کند. علاوه بر این، نتایج این مطالعه نشان می دهد که TensorFlow دارای پتانسیل قابل توجهی برای کاربرد در زمینه جغرافیای انسانی است. طبقه‌بندی‌کننده شبکه عصبی عمیق در TensorFlow دقت بهتر و تجسم شفاف‌تری را نسبت به روش‌های سنتی شبکه عصبی حتی برای قوانین طبقه‌بندی نامنظم ارائه می‌کند. علاوه بر این، نتایج این مطالعه نشان می دهد که TensorFlow دارای پتانسیل قابل توجهی برای کاربرد در زمینه جغرافیای انسانی است.

کلید واژه ها:

داده های ورود ؛ رفتارهای بازدید کننده ; شبکه عصبی عمیق ؛ تنسورفلو ؛ هنگ کنگ

1. مقدمه

در سال های اخیر، تحقیقات قابل توجهی بر روی تحرک انسان و رفتارهای سفر با استفاده از داده های بزرگ متمرکز شده است. این داده‌های بزرگ شامل داده‌های سیستم موقعیت‌یابی جهانی (GPS) [ 1 ، 2 ]، داده‌های ردیابی تلفن همراه [ 3 ، 4 ]، و داده‌های ورود به شبکه‌های اجتماعی [ 5 ، 6 ] است. این داده ها به طور گسترده برای تعیین الگوهای حمل و نقل [ 3 ، 4 ]، رفتارهای رفت و آمد روزانه شهری [ 7 ] و حتی مسیرهای حرکت پویا در تحلیل های ترکیبی فضایی-زمانی استفاده شده اند [ 8 ، 9 ] استفاده شده است.]. به طور خاص، مطالعات مدیریت گردشگری پتانسیل استفاده از داده های بزرگ را برای ارزیابی رفتارهای گردشگر مورد بررسی قرار داده است. در سال 2015، صنعت گردشگری جهان با 1.2 میلیارد ورودی بین المللی، درآمدی معادل 1.5 تریلیون دلار ایجاد کرد [ 10 ] . بنابراین، چنین مطالعاتی در زمینه مدیریت گردشگری برای صنعت گردشگری ضروری است که نقش مهمی در توسعه اقتصادی در بسیاری از کشورها و مناطق، به ویژه در مقاصد گردشگری محبوب دارد. در سال‌های اخیر، تحقیقات گردشگری بیشتر بر روی گردشگران متمرکز شده است تا منابع گردشگری، به‌ویژه حرکت‌ها و رفتارهای توریستی. با این حال، رفتارهای انسانی پیچیده است. آنها ممکن است توسط نیات یا عادات تحریک شوند. با مهارت، عاطفه و نگرش اصلاح شده است. و تحت تأثیر شرایط فیزیکی و زمینه ای [ 11]. بسیاری از روش ها یا بر اساس مفروضات خاصی برای شبیه سازی رفتارهای انسانی هستند یا قادر به در نظر گرفتن همه عواملی که بر رفتار انسان تأثیر می گذارند [ 12 ] نیستند.

در این زمینه، روش‌های یادگیری عمیق ممکن است راه‌حل‌های پیشرفته‌ای را برای درک جامع رفتارهای انسانی ارائه دهند. از زمانی که برنامه هوش مصنوعی Google AlphaGo به اولین برنامه کامپیوتری تبدیل شد که در مارس 2016 یک بازیکن انسانی حرفه ای 9 دان بدون نقص را شکست داد [ 13 ]، مردم توجه فزاینده ای به یادگیری عمیق و هوش مصنوعی معطوف کردند و به پتانسیل قدرتمند برنامه های کاربردی آنها اشاره کردند. علاوه بر این، شبکه های عصبی عمیق به سرعت از درک انسان ها از ماهیت راه حل هایشان پیشی گرفته اند [ 14 ]]. به طور خاص، Google DeepMind در سال 2015 AlphaGo را توسعه داد. در آوریل 2016، DeepMind شروع به استفاده از TensorFlow برای تحقیقات آینده کرد و در نهایت به طور کامل به TensorFlow منتقل شد. TensorFlow یک کتابخانه منبع باز یادگیری عمیق است که توسط Google Inc توسعه یافته است. از آنجایی که این کتابخانه در نوامبر 2015 منبع باز شد، TensorFlow توانسته است در پردازش تصویر [ 15 ]، از جمله تشخیص رقم دست نویس [ 16 ، 17 ]، تشخیص اشیاء بصری و تشخیص [ 18 ] از تصاویر، و حتی ردیابی شی پویا از ویدئو [ 19 ]. علاوه بر این، این ابزار می تواند در تشخیص صدا، پردازش زبان طبیعی [ 20یک مطالعه جدید روی DeepMind نشان داد که شبکه‌های عصبی عمیق را می‌توان با موفقیت به شیوه‌ای روان‌شناختی توضیح داد [ 14 ]، که نشان می‌دهد شبکه‌های عصبی عمیق به طور بالقوه می‌توانند رفتارهای انسانی را به روشی قابل تفسیرتر درک و استخراج کنند. بسیاری از مطالعات قبلاً از روش‌های یادگیری عمیق در زمینه‌های مختلف تحقیقات رفتار انسانی، مانند تشخیص کنش انسانی [ 21 ] و پیش‌بینی مسیر انسان استفاده کرده‌اند. 22 ] به کار برده‌اند.]. با این حال، تلاش های کمی برای درک رفتارهای گردشگران انجام شده است. در این مقاله، ما امکان استفاده از شبکه عصبی عمیق TensorFlow را در جغرافیای گردشگری برای طبقه‌بندی رفتارهای توریستی بررسی می‌کنیم و به طور ابتکاری یک روش یادگیری عمیق ساخته شده با استفاده از TensorFlow برای طبقه‌بندی رفتارهای کاربران ورود بر اساس تئوری شبکه‌های عصبی را پیاده‌سازی می‌کنیم.

مقاله زیر از پنج بخش تشکیل شده است. پس از مقدمه، بخش 2 به طور خلاصه مطالعات موجود در مورد تحقیقات توریستی شامل داده های رسانه های اجتماعی و تحقیقات رفتار انسانی شامل روش های یادگیری عمیق را مرور می کند. بخش 3 روش تحقیق را نشان می دهد. در این بخش، مقدمه‌ای کوتاه بر تئوری زیربنای TensorFlow و شبکه‌های عصبی ارائه می‌کنیم و جریان پردازش داده‌ها را نشان می‌دهیم. به طور خاص، جریان پردازش داده شامل مراحل پیش پردازش و طبقه بندی است. بخش 4 منطقه مورد مطالعه را معرفی می کند، منابع داده را توضیح می دهد و مراحل پیش پردازش داده ها را مورد بحث قرار می دهد. بخش 5نتایج طبقه بندی و تجزیه و تحلیل های حاصل را ارائه می دهد. قابل ذکر است، ما نتایج طبقه‌بندی را ارائه می‌کنیم و دقت و سایر معیارهای روش پیشنهادی را با سایر شبکه‌های عصبی سنتی مقایسه می‌کنیم. علاوه بر این، نسبت هر نتیجه طبقه بندی را تعیین می کنیم و ویژگی های بازدیدکنندگان را تجزیه و تحلیل می کنیم. در نهایت، بخش 6 مقاله را به پایان می‌رساند، نقاط قوت و محدودیت‌های مطالعه را مورد بحث قرار می‌دهد و جهت‌گیری‌های تحقیقاتی آینده را ارائه می‌دهد.

2. بررسی ادبیات

2.1. داده های بزرگ تولید شده توسط کاربر برای تحقیقات گردشگری

داده های سنتی جمعیت شناختی، نظرسنجی و نظرسنجی [ 23 ، 24 ، 25 ] برای ارزیابی الگوهای رفتار گردشگران استفاده شده است. علاوه بر این، این داده‌ها با روش‌های آماری چند متغیره سنتی، مانند [ 23 ] یا تحلیل مؤلفه‌های اصلی [ 24 ] ترکیب شده‌اند. با این حال، این داده ها نیاز به نمونه گیری دارند، از نظر گستردگی محدود هستند و جمع آوری و به روز رسانی آن دشوار است. بنابراین، ثبت رفتارهای گردشگر به روز به طور جامع دشوار است [ 26]. این محدودیت ها تا حد زیادی با ظهور داده های بزرگ برطرف شده است. منابع کلان داده، داده‌های پویا و به‌روز را برای مطالعات رفتار گردشگران فراهم می‌کنند و بینش بهتری نسبت به ترجیحات گردشگری و مدیریت منابع گردشگری نسبت به سایر منابع ارائه می‌دهند. قبل از سال 2010، لاو و مک کرچر تلاش کردند تا از سیستم های اطلاعات جغرافیایی (GIS) برای کشف الگوهای حرکت گردشگران استفاده کنند [ 27 ]. بعدها، آنها از ضبط کننده های GPS برای تولید داده های مسیر بسیار دقیق و ریز و تجزیه و تحلیل GIS برای شناسایی 78 الگوی حرکت گسسته استفاده کردند [ 28 ]. لئونگ و همکاران خاطرات سفر را از شش وب سایت مختلف جمع آوری کرد و از محتوا و تجزیه و تحلیل شبکه های اجتماعی برای تجزیه و تحلیل و ترسیم الگوهای گردشگری خارج از کشور در پکن در طول بازی های المپیک استفاده کرد [ 29 ]]. بسیاری از مطالعات از عکس‌های دارای برچسب جغرافیایی، مانند عکس‌های فلیکر، برای استخراج ویژگی‌های رفتار گردشگران استفاده کرده‌اند [ 26 ، 30 ]. کشف رفتارهای توریستی می تواند به پیش بینی جاذبه گردشگری کمک کند [ 2 ، 31 ، 32 ]. علاوه بر این، رفتارهای توریستی را می توان با ساختارهای مورفولوژیکی جاذبه های گردشگری با استفاده از تحلیل نحوی فضا برای مدیریت و حفاظت از منابع گردشگری ترکیب کرد [ 33]. به طور خاص، شناسایی و طبقه‌بندی رفتارهای توریستی می‌تواند به مدیران گردشگری کمک کند ترجیحات مختلف گردشگران را درک کنند و به توصیه‌های شخصی‌سازی شده برای جذب توریست کمک کنند. در اوایل دهه 1980، Plog و همکاران. هشت ویژگی گردشگری را با توجه به همه گونه‌شناسی‌های موجود خلاصه کرد [ 34 ]. مک کرچر و همکارانش الگوهای رفتاری بازدیدکنندگانی که برای اولین بار و مکرر از هنگ کنگ بازدید می کردند مقایسه کردند و دریافتند که بازدیدکنندگان از الگوهای سفر متفاوتی استفاده می کنند [ 1 ]. پادی و همکاران نشان داد که سه نوع اصلی از گردشگران وجود دارد: کسانی که برای اهداف تجاری سفر می کنند، کسانی که برای اوقات فراغت سفر می کنند و کسانی که به کنفرانس های دانشگاهی سفر می کنند [ 31 ].]. بیانچی و همکاران مسافران در شیلی را به مسافران مسافت کوتاه و مسافران مسافت طولانی طبقه بندی کرد تا اهداف مربوطه آنها را بررسی کند [ 35 ].

نتایج مطالعات فوق الذکر نشان می دهد که در دهه گذشته، کلان داده ها به طور گسترده ای نسبت به داده های سنتی در تحقیقات رفتار گردشگران مورد استفاده قرار گرفته اند و تعداد فزاینده ای از روش های پردازش کلان داده به وجود آمده است. با این حال، رفتارهای انسانی پیچیده و متنوع است و مدل‌های سنتی ممکن است در یادگیری و بیان الگوهای رفتار انسانی دچار مشکل شوند. بنابراین، روش‌های یادگیری عمیق که در سال‌های اخیر به سرعت توسعه یافته و در بسیاری از زمینه‌ها موفق شده‌اند، ممکن است راه جدیدی برای یادگیری رفتارهای انسانی ارائه دهند.

2.2. روش های یادگیری عمیق برای رفتارهای انسانی

روش‌های یادگیری عمیق اخیراً در حل مشکلات یادگیری تحت نظارت در بسیاری از زمینه‌ها، مانند پردازش تصویر [ 36 ، 37 ]، تشخیص گفتار [ 38 ، 39 ] و پردازش زبان طبیعی [ 40 ] رایج شده‌اند. به طور خاص، تعداد فزاینده‌ای از محققین تلاش کرده‌اند تا روش‌های یادگیری عمیق را برای مطالعه رفتار انسان به کار ببرند. دلیل آن این است که رفتار انسان پیچیده است. در واقع، رفتار انسان ممکن است ناشی از نیات یا عادات باشد. با مهارت، عاطفه و نگرش اصلاح شده است. و تحت تأثیر شرایط فیزیکی و زمینه ای [ 11]. هارتفورد و همکاران یک مدل شبکه‌های عصبی عمیق برای پیش‌بینی رفتار شرکت‌کنندگان انسانی در تنظیمات استراتژیک ایجاد کرد، زیرا اکثر رویکردهای موجود یا شرکت‌کنندگان را کاملاً منطقی فرض می‌کردند یا سعی می‌کردند مستقیماً فرآیندهای شناختی هر شرکت‌کننده را بر اساس بینش‌های روان‌شناسی شناختی و اقتصاد تجربی مدل‌سازی کنند [ 12 ]. در زمینه تشخیص کنش انسانی، باکوش و همکاران. یک مدل کاملاً خودکار ارائه کرد که شامل شبکه‌های عصبی کانولوشنال و شبکه‌های عصبی مکرر برای طبقه‌بندی خوب اعمال انسان است [ 21 ]]. Fei-Fei Li و تیمش یک مدل پیش‌بینی برای مسیر انسان در یک فضای شلوغ به نام «Social LSTM» ارائه کردند که در تضاد با روش‌های سنتی با استفاده از عملکردهای دست‌ساز قرار می‌گیرد. دشواری پیش‌بینی مسیر در یک فضای شلوغ این است که نه تنها باید هر مسیر فردی را در نظر گرفت، بلکه از تعاملات بین انسان‌ها نیز نمی‌توان غفلت کرد، که در روش‌های سنتی ممکن است به طور کامل مورد توجه قرار نگیرد [ 22 ]. یائو و همکاران مکان های بعدی را در مسیرها در مقیاس زمانی و مکانی بزرگتر با داده های توییتر پیش بینی کرد و دقت رضایت بخشی را به دست آورد [ 41 ]]. در مقایسه با سایر روش‌های سنتی، مانند استفاده از مدل‌های پنهان مارکوف، عملکرد بالاتر روش پیشنهادی ممکن است به دلیل توانایی LSTM برای استفاده کامل از مکان‌های متنی به جای تکیه بر چندین مکان آخر باشد. به طور کلی، روش‌های یادگیری عمیق موفقیت‌های اخیر را در زمینه‌های مختلف تحقیقات رفتار انسانی نشان داده‌اند. با این وجود، مطالعات کمی بر رفتار گردشگران متمرکز شده است که برای مدیریت توریست و توسعه اقتصادی اهمیت زیادی دارد. مطالعات فوق به ما انگیزه می دهد تا از روش های یادگیری عمیق در تحقیقات گردشگری استفاده کنیم.

3. روش شناسی

3.1. TensorFlow و شبکه های عصبی

در این مقاله، TensorFlow عمدتاً برای طبقه بندی رفتارهای توریستی استفاده می شود. TensorFlow یک کتابخانه یادگیری ماشین منبع باز است که توسط محققان و مهندسان تیم Google Brain ایجاد شده است. این کتابخانه در اصل برای یادگیری ماشین و تحقیقات شبکه عصبی عمیق توسعه داده شد و در نوامبر 2015 توسط گوگل [ 42 ] منبع باز شد. TensorFlow از نمودارهای جریان داده برای نشان دادن تمام عملیات محاسباتی و داده ها در الگوریتم یادگیری ماشین استفاده می کند. در TensorFlow، گره‌ها در نمودار، عملیات ریاضی و شروع تغذیه یا پایان خروجی اطلاعات را نشان می‌دهند. لبه ها آرایه های داده چند بعدی (تانسورها) را نشان می دهند که بین گره ها ارتباط برقرار می کنند [ 43]. این تانسورها به تمام گره ها جریان می یابند و در نهایت فرآیند یادگیری ماشین را تکمیل می کنند. TensorFlow همچنین یک ابزار تجسم راحت به نام TensorBoard را برای نمایش آسان تصاویر نمودارهای محاسباتی ارائه می دهد.

اکثر الگوریتم‌ها در TensorFlow مبتنی بر شبکه‌های عصبی هستند. شبکه‌های عصبی که شبکه‌های عصبی مصنوعی یا سیستم‌های پیوندگرا نیز نامیده می‌شوند، در اصل از شبکه‌های عصبی بیولوژیکی که مغز حیوانات را تشکیل می‌دهند الهام گرفته‌اند. شبکه عصبی یک پردازشگر توزیع موازی انبوه متشکل از واحدهای پردازش ساده است که تمایل طبیعی برای ذخیره دانش تجربی و در دسترس قرار دادن آن برای استفاده دارد [ 44 ].]. عناصر اساسی یک شبکه عصبی شامل یک نورون، مجموعه ای از سیناپس ها، یک جمع کننده و یک تابع فعال سازی است. نورون یک واحد پردازش اطلاعات است که برای عملکرد یک شبکه عصبی اساسی است. هر اتصال (سیناپسی) بین نورون ها با وزن یا قدرت خاص خود مشخص می شود و می تواند سیگنالی را به نورون دیگر منتقل کند. یک جمع کننده برای جمع کردن سیگنال های ورودی استفاده می شود که با قدرت سیناپسی مربوطه نورون ها وزن می شوند. یک تابع فعال سازی برای محدود کردن دامنه خروجی یک نورون استفاده می شود ( شکل 1 ). ما می توانیم نورون را توصیف کنیم $k$ در شکل 1 به صورت ریاضی.

تو k = \sum متر j = 1 دبلیو k j ایکس j

(1)

y ک = φ (تو ک + ب ک)

(2)

نورون ها معمولاً در لایه ها سازماندهی می شوند. به طور معمول، یک لایه ورودی، یک لایه خروجی و یک لایه پنهان وجود دارد. لایه ورودی نشان دهنده اولین لایه ای است که سیگنال های ورودی قبل از ورود به شبکه از آن عبور می کنند. لایه خروجی لایه نهایی است و نتیجه کل شبکه را خروجی می دهد. لایه پنهان لایه بین لایه های ورودی و خروجی است. هرچه لایه‌های پنهان بیشتری وجود داشته باشد، معماری شبکه عصبی عمیق‌تر است.

به طور خاص، tf.contrib.learn، یکی از رابط های برنامه کاربردی چندگانه (API) در TensorFlow، کاربران را قادر می سازد تا به راحتی تعداد لایه های پنهان و سایر پارامترها را افزایش دهند و به سرعت یک مدل بدون کدهای تکراری عظیم بسازند و پیکربندی آن را آسان می کند. آموزش، و ارزیابی انواع مدل های یادگیری ماشین [ 45 ]. در این مقاله، DNNClassifier (طبقه‌بندی‌کننده شبکه عصبی عمیق)، یک مدل طبقه‌بندی‌کننده به خوبی کپسوله‌شده و با استفاده آسان از tf.contrib.learn API مبتنی بر یک شبکه عصبی عمیق، عمدتاً برای طبقه‌بندی رفتارهای کاربر استفاده می‌شود.

3.2. پردازش داده ها

در این مطالعه از داده های ورود به شبکه های اجتماعی استفاده شده است. قبل از وارد کردن داده‌های آموزشی به TensorFlow و طبقه‌بندی رفتارهای توریستی، برای پردازش داده‌های ورود نیاز به کارهای اولیه است. فرض کنید وجود دارند $k$ انواع نقاط مورد علاقه (POI) که با توجه به الزامات طبقه بندی بازدیدکنندگان مجدداً طبقه بندی می شوند. مجموعه داده کاربران است $U = {u_{1}, u_{2}, \dots, u_{i}, \dots, u_{n}}$ ، و مجموعه داده های POI است $P = {p_{1}, p_{2}, \dots, p_{k}}$ . تعداد کل سوابق ثبت نام برای یک کاربر $u_{i}$ است $s u m_{i}$ ، و تعداد سوابق ورود که برای هر نوع POI ایجاد می شود با نشان داده می شود $P_{i} = {p_{i 1}, p_{i 2}, \dots, p_{i k}}$ . بنابراین فراوانی هر نوع POI به صورت زیر بیان می شود.

fمن ج=پمن جتو _مترj, j ∈ { 1 , 2 , … , k } و _   ∑کj = 1fمن ج= 1 .

(3)

بنابراین، مجموعه داده هر کاربری که هر نوع POI را بررسی می کند، است

F_{i} = {f_{i 1}, f_{i 2}, \dots, f_{i k}}

. بر اساس تحقیقات قبلی، رفتارهای ورود کاربران به طور کلی بر اساس انواع POI که در آن ورود کاربر انجام می شود ارزیابی می شود [ 5 ]. در نتیجه، می‌توانیم رفتار یک کاربر را بر اساس بیشترین فراوانی ورود و ترکیبی از فرکانس‌های همه انواع POI طبقه‌بندی کنیم. سپس دسته بندی می کنیم

m

انواع بازدیدکنندگان و ایجاد قوانین طبقه بندی مربوطه با توجه به وضعیت موجود. با این حال، رفتارهای بازدیدکنندگان عمدتاً بر اساس دسته‌های غالب و ترکیبی از POIهای ورود طبقه‌بندی می‌شوند. در این رویکرد طبقه‌بندی، بازدیدکنندگان ممکن است به‌دلیل تنوع و پیچیدگی فعالیت‌های انسانی، کاملاً متقابلاً منحصر به فرد نباشند (یعنی برخی از بازدیدکنندگان ممکن است با ویژگی‌های بیش از یک طبقه‌بندی مرتبط باشند و تشخیص آنها دشوار باشد). چنین عوارضی دشواری طبقه بندی شبکه های عصبی عمیق را با استفاده از TensorFlow افزایش می دهد.

از آنجایی که TensorFlow DNNClassifier یک شبکه عصبی تحت نظارت است، قبل از آموزش به یک مجموعه داده آموزشی طبقه بندی شده مصنوعی نیاز است. علاوه بر این، یک مجموعه داده آزمایشی برای تأیید صحت شبکه عصبی مورد نیاز است. بنابراین، پس از ایجاد قوانین طبقه بندی، باید بخشی از کاربران را طبق قوانین تعیین شده طبقه بندی کنیم. به طور کلی، نسبت مجموعه داده آموزشی به مجموعه داده آزمایشی 80٪: 20٪ است. بنابراین، ما می توانیم یک طبقه بندی شبکه عصبی با tf.contrib.learn.DNNClassifier بسازیم. در مرحله بعد، پارامترهای طبقه‌بندی‌کننده شامل تعداد لایه‌های پنهان، تعداد واحدها در هر لایه پنهان و تعداد مراحل تکرار سراسری بهینه می‌شوند. مدل با استفاده از داده های آموزشی مناسب است و مجموعه داده آزمون برای ارزیابی دقت مدل استفاده می شود. پارامترها برای بهبود دقت در صورت لزوم تنظیم می شوند. پس از رسیدن به دقت بهینه، رکوردهای طبقه بندی نشده باقیمانده طبقه بندی می شوند. کل گردش کار طبقه بندی رفتار کاربر در نشان داده شده استشکل 2 .

4. مواد

4.1. مورد تحقیق

هنگ کنگ در سواحل جنوب شرقی چین واقع شده است و در مجاورت شهر شنژن، استان گوانگدونگ قرار دارد ( شکل 3).). این شهر یک کلان شهر بین المللی بسیار پررونق با مساحت کل بیش از هزار کیلومتر مربع و جمعیتی بالغ بر هفت میلیون نفر از سال 2014 است. هنگ کنگ یکی از مشهورترین شهرهای توریستی در جهان است. این شهر به عنوان “بهشت خرید”، “بهشت لذیذ” و “مروارید شرقی” ستایش می شود. با این حال، تعداد کمی از محققان در سرزمین اصلی چین بر روی گردشگری در هنگ کنگ در مقایسه با مطالعات سایر شهرهای سرزمین اصلی چین تمرکز کرده اند. بر اساس آمار ورود بازدیدکنندگان ماهانه هیئت گردشگری هنگ کنگ، تعداد کل بازدیدکنندگان وارد شده به هنگ کنگ در دسامبر 2015 به 5 میلیون نفر رسید که در دسامبر 2016 5.4 درصد افزایش یافت. علاوه بر این، تخمین زده می شود که تعداد بازدیدکنندگان وارد شده به رشد خود ادامه خواهد داد [ 46]. علاوه بر این، 73 درصد از بازدیدکنندگان در دسامبر 2015 از سرزمین اصلی چین بودند و نرخ رشد بازدیدکنندگان از سرزمین اصلی چین 1.1 برابر بیشتر از تعداد کل بازدیدکنندگان است. بنابراین، صنعت گردشگری هنگ کنگ توسط گردشگرانی از سرزمین اصلی چین هدایت می شود و این تعداد همچنان در حال رشد است.

از زمان بازگشت حاکمیت هنگ کنگ به چین در سال 1997، هنگ کنگ به عنوان منطقه اداری ویژه هنگ کنگ جمهوری خلق چین تعریف شده است و سیاست “یک کشور، دو سیستم” اجرا شده است. در نتیجه، هنگ کنگ سیستم اجتماعی، ارز، اولویت تعرفه و غیره خود را دارد. برخی از ساکنان سرزمین اصلی چین کالاهای ارزان قیمت، منابع آموزشی خوب و غیره را که هنگ کنگ ارائه می دهد ترجیح می دهند. در نتیجه، بسیاری از بازدیدکنندگان سرزمین اصلی چین از هنگ کنگ نه تنها برای گردشگری یا تعطیلات، بلکه به دلایل دیگری مانند خرید و تحصیل نیز بازدید می کنند. ساکنان سرزمین اصلی چین برای ورود به قلمرو هنگ کنگ و محدودیت زمانی برای اقامت در هنگ کنگ باید برای “مجوز خروج برای سفر به و از هنگ کنگ” درخواست دهند.

بر اساس وضعیت موجود، مطالعه ترجیحات و رفتارهای بازدیدکنندگان از هنگ کنگ از سرزمین اصلی چین برای مدیریت و بهبود کیفیت گردشگری و برآورد تأثیر این بازدیدکنندگان بر هنگ کنگ ضروری است.

4.2. مشخصات داده ها

داده‌های ورود از Sina Weibo برای استخراج و تجزیه و تحلیل رفتار بازدیدکنندگان از سرزمین اصلی چین استفاده می‌شود. Weibo یک پلت فرم شبکه اجتماعی معروف در چین شبیه به توییتر است. کاربران می توانند با اطلاعات مکان و سایر اشکال اطلاعات، مانند کلمات، تصاویر و ویدئو، سوابق ورود ایجاد کنند. بسیاری از کاربران از Weibo برای ضبط زندگی روزمره خود استفاده می کنند. بنابراین، این داده‌های ورود می‌توانند تا حدودی فعالیت‌های کاربر را منعکس کنند. ما روی داده‌های اعلام حضور از Weibo در هنگ کنگ تمرکز می‌کنیم که بین ژانویه 2014 و دسامبر 2014 ایجاد شده است. علاوه بر این، برای جلوگیری از ابهامات در قضاوت، کاربرانی را که در این مدت بیش از دو بار در هنگ‌کنگ اعلام حضور نکرده‌اند حذف می‌کنیم. پس از حذف این سوابق کاربر، ما 259062 سوابق ورود به بیش از 42000 کاربر با حساب های ثبت شده در سرزمین اصلی چین را تجزیه و تحلیل می کنیم.

از آنجایی که POI ها در Weibo از سیستم مختصات Gaode Map [ 47 ] استفاده می کنند، POI ها بر اساس کد طبقه بندی POI Gaode [ 48 ] به دست آمده و دسته بندی می شوند. بنابراین، بر اساس کد طبقه بندی POI Gaode و اهداف تحقیقاتی ما، ابتدا POI های فوق الذکر را به 9 نوع طبقه بندی می کنیم ( جدول 1).): جاذبه های رایج، جاذبه های رویدادهای ویژه، حمل و نقل، هتل ها، پذیرایی، خرده فروشی، آموزش، اقامتگاه و غیره. در این زمینه، جاذبه های رایج، جاذبه های گردشگری یا نقاط دیدنی هستند که گردشگران می توانند هر زمان که بخواهند از آنها دیدن کنند و تحت تأثیر رویدادهای خاص قرار نگیرند. به عنوان مثال، پارک های موضوعی، مناطق طبیعی و غیره به عنوان جاذبه های رایج واجد شرایط هستند. در مقایسه با جاذبه‌های رایج، جاذبه‌های رویدادهای ویژه، POI‌هایی هستند که سوابق ثبت‌نام به‌طور قابل‌توجهی تحت تأثیر رویدادهای ویژه، مانند کنفرانس‌های بین‌المللی، نمایشگاه‌ها و کنسرت‌ها هستند. به همین ترتیب، این نوع از POI ها شامل مراکز کنفرانس و نمایشگاه، کلسیوم ها و غیره می شوند. برای تمایز بین مسافران ترانزیت و سایر بازدیدکنندگان، POI های حمل و نقل فقط شامل فرودگاه ها و اسکله ها و همچنین مناطق اطراف آنها و سایر مکان های مرتبط می شود. طبقه بندی هتل ها شامل هتل ها، مسافرخانه‌های خانوادگی، خوابگاه‌های جوانان و غیره. کترینگ شامل رستوران‌ها، کافه‌ها، نوشابه‌ها، نانوایی‌ها، میخانه‌ها و غیره می‌شود. دسته خرده‌فروشی شامل فروشگاه‌های خرده‌فروشی، مراکز خرید، خیابان‌های تجاری، بازارهای شبانه و غیره است. آموزش شامل کالج‌ها و دانشگاه‌ها، مؤسسات آموزش بزرگسالان، مدارس راهنمایی، مدارس ابتدایی، مهدکودک ها، کتابخانه های عمومی و سایر مکان های مربوطه. طبقه بندی سکونت شامل خانه های اجاره ای، ویلا و غیره می شود. در نهایت، سایر مکان ها از دسته بندی های فوق خارج می شوند. این POI عمدتاً شامل فضاهای عمومی مانند بیمارستان ها، دادگاه ها و دفاتر پست می شود. موسسات آموزش بزرگسالان، مدارس متوسطه، مدارس ابتدایی، مهدکودک ها، کتابخانه های عمومی و سایر مکان های مربوطه. طبقه بندی سکونت شامل خانه های اجاره ای، ویلا و غیره می شود. در نهایت، سایر مکان ها از دسته بندی های فوق خارج می شوند. این POI عمدتاً شامل فضاهای عمومی مانند بیمارستان ها، دادگاه ها و دفاتر پست می شود. موسسات آموزش بزرگسالان، مدارس متوسطه، مدارس ابتدایی، مهدکودک ها، کتابخانه های عمومی و سایر مکان های مربوطه. طبقه بندی سکونت شامل خانه های اجاره ای، ویلا و غیره می شود. در نهایت، سایر مکان ها از دسته بندی های فوق خارج می شوند. این POI عمدتاً شامل فضاهای عمومی مانند بیمارستان ها، دادگاه ها و دفاتر پست می شود.

با توجه به وضعیت موجود، رفتارهای بازدیدکنندگان سرزمین اصلی هنگ کنگ به انواع زیر طبقه بندی می شود ( جدول 2 ):

(1): بازدیدکنندگان خرید محور به دلیل ترجیحات تعرفه ای و نرخ ارز پولی، ساکنان سرزمین اصلی، به ویژه ساکنان نزدیک هنگ کنگ (مانند ساکنان استان گوانگدونگ یا سایر استان های همسایه)، علاقه مند به خرید در هنگ کنگ هستند. برخی از مردم حتی “دایگو” حرفه ای هستند، به این معنی که آنها محصولاتی را در هنگ کنگ به نمایندگی از ساکنان سرزمین اصلی خریداری می کنند [ 49 ]. بنابراین هدف اصلی بازدیدکنندگان از این نوع خرید است. بیشتر POI های ورود آنها مراکز خرید، فروشگاه های خرده فروشی و غیره است.
(2): بازدیدکنندگان گردشگری محور. بازدیدکنندگان از این نوع گردشگران معمولی هستند. مکان های چک این آنها عمدتاً در مکان های توریستی و دیدنی و همچنین هتل ها متمرکز است. علاوه بر این، از آنجایی که هنگ کنگ یک «بهشت خرید» و «بهشت لذیذ» معروف است، برخی از مکان‌های چک‌این بازدیدکنندگان، مراکز خرید و رستوران‌های دهان به دهان هستند.
(3): بازدیدکنندگان ویژه رویداد محور. این نوع بازدیدکننده برای رویدادهای خاص مانند کنسرت ها، کنفرانس های بین المللی بزرگ و نمایشگاه ها به هنگ کنگ می آیند. اکثر مکان‌های ورود این بازدیدکنندگان، مراکز کنفرانس و نمایشگاه و کلسیوم‌ها هستند. علاوه بر این، افرادی که در یک رویداد شرکت می‌کنند، سوابق ورود مشابهی در یک زمان خاص در یک مکان خاص دارند.
(4): بازدیدکنندگان آموزش محور. این بازدیدکنندگان را می توان به دو دسته تقسیم کرد. نوع اول کسانی هستند که در هنگ کنگ تحصیل و زندگی می کنند و می توانند به عنوان ساکنان موقت در نظر گرفته شوند. اکثر این بازدیدکنندگان در مقطع لیسانس یا فوق لیسانس و برخی نیز دانش آموزان مقطع راهنمایی هستند. نوع دیگر کسانی هستند که در هنگ کنگ متولد شده و تحصیل می کنند اما در سرزمین اصلی چین زندگی می کنند [ 50 ]. این دانش آموزان “دانشجویان فرامرزی شنژن-هنگ کنگ” نامیده می شوند. این دانش آموزان رایج هستند زیرا بسیاری از زنان باردار سرزمین اصلی در هنگ کنگ بچه به دنیا می آورند و فرزندان آنها که هوکو در سرزمین اصلی ندارند، نمی توانند در مدارس دولتی سرزمین اصلی تحصیل کنند.
(5): بازدیدکنندگان در مسیر بازدیدکنندگان از این نوع فقط در حین سفر به مقاصد دیگر از هنگ کنگ عبور می کنند. قابل ذکر است که بسیاری از پروازهای بین المللی در فرودگاه بین المللی هنگ کنگ متوقف می شوند. علاوه بر این، بنادری در هنگ کنگ وجود دارد که کشتی ها می توانند مسافران را به مناطق دیگر یا کشتی هایی از مناطق دیگر منتقل کنند.
(6): دیگران. سایر بازدیدکنندگان کسانی هستند که نمی توان آنها را در دسته های فوق طبقه بندی کرد.

https://gisland.org/

5. طبقه بندی و نتایج تجزیه و تحلیل

5.1. نتایج طبقه بندی TensorFlow

در این تجزیه و تحلیل، ما یک مجموعه داده آموزشی از 4000 رکورد و یک مجموعه آزمایشی از 1000 رکورد را به طور مصنوعی طبق قوانین طبقه بندی طبقه بندی می کنیم. سپس یک شبکه عصبی با چهار لایه پنهان کاملاً متصل، با 10، 20، 20 و 10 واحد در هر لایه ایجاد می کنیم. ما از چهار معیار برای ارزیابی DNNClassifier استفاده می کنیم، از جمله دقت طبقه بندی، دقت، یادآوری و امتیاز f. دقت، درصدی از نتایج طبقه‌بندی‌شده درست در میان همه نتایج طبقه‌بندی‌شده است، که معیاری است که معمولاً استفاده می‌شود و در اندازه‌گیری کیفیت طبقه‌بندی‌کننده قابل درک است. دقت نسبتی است که توضیح می دهد چند نمونه طبقه بندی شده صحیح هستند و یادآوری نسبتی است که توصیف می کند چند برچسب واقعی به درستی طبقه بندی شده اند [ 51]. یادآوری و دقت اغلب به گونه‌ای مبادله می‌شوند که دقت بسیار بالا اغلب با فراخوان پایین همراه است. بنابراین، امتیاز f نیز برای ارزیابی طبقه‌بندی‌کننده معرفی می‌شود. f-score یک متریک ترکیبی است که می تواند یادآوری و دقت را برای اندازه گیری کیفیت یک طبقه بندی متعادل کند. تنها در صورتی که هم دقت و هم یادآوری نسبتاً بالا باشد، امتیاز f به مقدار بالایی می رسد. امتیاز f به صورت زیر محاسبه می شود:

f s c o r e = 2 * p r e c i s i o n * r e c a l l / (p r e c i s i o n + r e c a l l)

(4)

علاوه بر این، ما این معیارهای DNNClassifier را با سایر مدل‌های طبقه‌بندی یادگیری ماشین سنتی، از جمله شبکه‌های عصبی پس انتشار (BPNN)، شبکه‌های عصبی تابع پایه شعاعی (RBFNN)، روش‌های جنگل تصادفی و ماشین‌های بردار پشتیبان (SVM) مقایسه می‌کنیم. BPNN ها شبکه های عصبی پیشخور چند لایه ای هستند که طبق الگوریتم انتشار برگشت خطا [ 52 ، 53 ] آموزش دیده اند و یکی از پرکاربردترین معماری های شبکه عصبی [ 54 ] را نشان می دهند. RBFNN ها همچنین شبکه های عصبی پیشخور هستند، اما دارای سه لایه ثابت هستند: یک لایه ورودی، یک لایه پنهان منفرد و یک لایه خروجی [ 55 ].]. مدل‌های جنگل تصادفی شبکه‌های عصبی نیستند، بلکه ترکیبی از پیش‌بینی‌کننده‌های درخت هستند، به طوری که هر درخت به مقادیر یک بردار تصادفی که به طور مستقل و با توزیع یکسان برای همه درختان جنگل نمونه‌برداری شده است، بستگی دارد [ 56 ]. SVMها طبقه‌بندی‌کننده‌های تمایزآمیز پیشرفته‌ای هستند که یادگیری آماری، ماکزیمم حاشیه بهینه فوق‌العاده و مفاهیم دیگر را در خود جای می‌دهند [ 57 ].

در این مقایسه، پارامترهای اصلی روش های مقایسه شده به صورت زیر تنظیم می شوند: یک BPNN با سه لایه پنهان 10، 20 و 10 واحدی در هر لایه با استفاده از الگوریتم Levenberg-Marquardt به عنوان تابع آموزشی [ 58 ] ساخته شده است. RBF دارای یک لایه مخفی منفرد با 10 واحد است. علاوه بر این، پارامترهای مدل جنگل تصادفی شامل حداکثر عمق درخت 10، حداقل اندازه برگ 5 و 100 درخت است. پارامتر جریمه C و تابع هسته SVM به ترتیب 1.0 و یک هسته RBF هستند. علاوه بر این، پردازش آموزشی تمام روش های ذکر شده را پنج بار تکرار می کنیم و میانگین عملکرد را برای جلوگیری از خطاهای تصادفی به دست می آوریم. جدول 3عملکرد تمام روش ها را نشان می دهد و فونت های پررنگ در هر ستون بهترین عملکرد هر متریک را نشان می دهد. TensorFlow DNNClassifier از روش‌های دیگر در دقت، فراخوانی و f-score بهتر عمل می‌کند. دقت DNNClassifier می تواند به 92.43٪ برسد که 2.18٪ تا 5.83٪ بیشتر از سایر مدل ها است و به دنبال آن دقت BPNN و SVM قرار دارد. برای دقت، اگرچه مدل درخت تصادفی بالاترین دقت را ارائه می‌دهد، اما یادآوری پایینی دارد و بنابراین امتیاز f پایینی دارد، که نشان می‌دهد برخی از کلاس‌های فرعی ممکن است به راحتی طبقه‌بندی اشتباه شوند. هر دو فراخوان و f-score DNNClassifier در مقایسه با روش‌های دیگر بسیار بالا هستند، که نشان می‌دهد DNNClassifier یک طبقه‌بندی نسبتاً خوب در هنگام پرداختن به مشکلات طبقه‌بندی رفتار انسانی است.

علاوه بر بهبود عملکرد، یکی دیگر از مزایای TensorFlow ابزار نظارت و تجسم قدرتمند آن است. بدون هیچ گونه اطلاعات نظارت یا ثبت گزارش، آموزش طبقه بندی می تواند یک رویکرد جعبه سیاه در نظر گرفته شود. ما هر 100 مرحله جهانی را در مدل DNNClassifier نظارت می کنیم و آنها را در TensorBoard تجسم می کنیم. از طریق تجسم نمودار، می‌توانیم کل نمودار محاسباتی مدل ( شکل 4 ) و گسترش لایه DNN ( شکل 5 ) را مشاهده کنیم. علاوه بر این، خلاصه اسکالر پیشرفت دقت ( شکل 6 الف) و مقادیر تلفات ( شکل 6) را نشان می دهد.ب). با افزایش تعداد گام های جهانی، ارزش ضرر به شدت کاهش می یابد، به ویژه در 1000 گام جهانی، و سپس به آرامی در تکرارهای بعدی کاهش می یابد. مقدار دقت به طور مداوم افزایش می یابد و پس از تقریبا 1500 مرحله جهانی ثابت می ماند. دقت نهایی و مقادیر تلفات به ترتیب 92.3% و 0.19 پس از 3000 گام جهانی است.

5.2. تناسبات و ویژگی های رفتار بازدیدکنندگان

نسبت انواع مختلف طبقه بندی در نتایج طبقه بندی نهایی در جدول 4 نشان داده شده است. در این بخش، ویژگی‌های خاصی از رفتارهای بازدیدکنندگان را خلاصه و به تصویر می‌کشیم. علاوه بر این، ما ویژگی‌های مکانی، زمانی و سایر ویژگی‌های طبقه‌بندی اصلی را برای تأیید نتایج تحلیل می‌کنیم.

5.2.1. بازدیدکنندگان توریسم گرا

همانطور که در جدول 4 نشان داده شده است ، بازدیدکنندگان توریسم محور با 64.9٪، بیشترین نسبت را از هر طبقه به خود اختصاص می دهند که مشابه ارزش رسمی 63٪ است که توسط بازدیدکنندگان از سرزمین اصلی چین که تعطیلات خود را در هنگ کنگ گزارش می کنند [ 59 ]. این نتیجه نشان می دهد که اکثر بازدیدکنندگان سرزمین اصلی چین به هنگ کنگ برای گردشگری یا تعطیلات سفر می کنند.

(1) نمودار اجباری 20 نقطه برتر گردشگری و دیدنی

همانطور که در شکل 7 نشان داده شده است، با استفاده از الگوریتم Yifan Hu [ 60 ]، یک نمودار نیروی جهت دار ایجاد می شود. این نمودار محبوبیت 20 جاذبه گردشگری محبوب و همچنین روابط بین جاذبه ها را نشان می دهد. این نتایج 70 درصد از ده مکان منظره مورد علاقه فهرست شده در گزارش نمایه بازدیدکنندگان 2014 هیئت گردشگری هنگ کنگ را پوشش می دهد [ 59 ]. هر گره نشان دهنده یک نقطه منظره است و اندازه گره نشان دهنده وزن فرکانس ورود است. یک لبه دو گره را به هم متصل می کند و نشان می دهد که یک گردشگر در طول بازدید خود به هر دو POI مراجعه کرده است. اندازه یک لبه با تعداد گردشگرانی که از دو POI بازدید کرده اند مرتبط است.

بر اساس نمودار، می توان نتیجه گرفت که الگوی اصلی گردشگری در هنگ کنگ “پارک موضوعی” + “مرکز خرید” است. دیزنی لند هنگ کنگ و پارک اقیانوس هنگ کنگ نقش اصلی را به عنوان نقاط اصلی توریستی در هنگ کنگ ایفا می کنند. اگرچه نمی توان دسته مراکز خرید را به طور دقیق به عنوان یک مقوله توریستی یا دیدنی در نظر گرفت، تعداد زیاد سوابق ورود به مراکز خرید نشان می دهد که هنگ کنگ شایسته شهرت خود به عنوان “بهشت خرید” است و خرید برای گردشگران جذاب است. دیگر POI های محبوب عبارتند از مکان های دیدنی شاخص، مانند بندر ویکتوریا، خیابان ستاره ها، و لان کوای فونگ. علاوه بر این، به دلیل فرهنگ غنی و عمیق فیلم و تلویزیون در هنگ کنگ، مکان های زیادی به دلیل فیلمبرداری یک فیلم یا برنامه تلویزیونی خاص محبوب شده اند. برای مثال،

(2) تجزیه و تحلیل بازدید ماهانه

ما تعداد سوابق ورود بازدیدکنندگان توریسم محور در ماه را با آمار رسمی در مورد تعداد گردشگران سرزمین اصلی چین در ماه مقایسه می کنیم ( شکل 8 ). اگرچه برخی روندهای کوچک در نوسان هستند، روند کلی تقریباً ثابت است. به طور خاص، نمودار خطی سوابق ورود نشان می دهد که ماه های جولای، آگوست و دسامبر ماه های اصلی گردشگری هستند.

5.2.2. بازدیدکنندگان خرید گرا

(1) نسبت بازدیدکنندگان از منابع مختلف

در این بخش، مکان‌های ثبت نام کاربران در کلاس 1 را تجزیه و تحلیل می‌کنیم و نسبت منابع بازدیدکننده کلاس 1 را با همه بازدیدکنندگان مقایسه می‌کنیم. ما متوجه شدیم که در بین تمام بازدیدکنندگان، بازدیدکنندگان از استان گوانگدونگ، نزدیک‌ترین استان به هنگ کنگ، با 30.8 درصد بیشترین نسبت کل بازدیدکنندگان را به خود اختصاص داده‌اند. استان های زیر نیز استان های همسایه هستند: شانگهای (11.4%)، پکن (10.4%)، فوجیان (6.8%)، ژجیانگ (5.5%)، جیانگ سو (5.4%)، سیچوان (4.3%) و هوبی (3.8%). . علاوه بر این، بازدیدکنندگان از شنژن 37.1٪ از بازدیدکنندگان از استان گوانگدونگ را تشکیل می دهند و پس از آن بازدیدکنندگان از گوانگژو (30.2٪)، فوشان (4.9٪)، Dongguan (4.2٪) و سایر شهرهای گوانگدونگ ( شکل 9 ) قرار دارند.). برای بازدیدکنندگان کلاس 1، استان های اصلی مبدا تقریباً یکسان بودند، اما نسبت بازدیدکنندگان استان گوانگدونگ به 55.0٪ افزایش یافت. علاوه بر این، درصد بازدیدکنندگان از شنژن به 55.2٪ افزایش یافت ( شکل 10 )، و درصد بازدیدکنندگان از گوانگژو (19.4٪)، Dongguan (4.5٪)، فوشان (3.3٪) و سایر شهرها نیز متفاوت بود. نتایج آماری با وضعیت واقعی مطابقت دارد، زیرا اکثر ساکنان استان گوانگدونگ، به ویژه در شهرهای مجاور هنگ کنگ، مانند شنژن، گوانگژو و دونگوان، به دلیل هزینه های حمل و نقل کم و روش مناسب، اغلب از هنگ کنگ بازدید می کنند تا اقلام خریداری کنند. درخواست برای «مجوز خروج برای سفر به و از هنگ کنگ».

(2) تجزیه و تحلیل تراکم هسته مکان های ورود بازدیدکنندگان

در این بخش، تمام سوابق ورود بازدیدکنندگان خرید محور را تجزیه و تحلیل می کنیم و تجزیه و تحلیل تراکم هسته را انجام می دهیم. ما متوجه شدیم که نقاط داغ بازدید شده توسط این بازدیدکنندگان در نزدیکی مکان‌های زیر متمرکز شده‌اند: ① مراکز خرید نزدیک به بنادر شنژن-هنگ کنگ، مانند مراکز خرید در Tuen Mun (نزدیک به بندر شن خلیج) Sheung Shui و Fanling (نزدیک به Futian). بندر و بندر لوهو)؛ ② مراکز خرید در نزدیکی ایستگاه های مترو، به ویژه خط مترو که از بنادر شنژن-هنگ کنگ شروع می شود، مانند مراکز خرید در نزدیکی ایستگاه تای وو و ایستگاه بازار تای پو در امتداد خط راه آهن شرقی و ایستگاه لانگ پینگ و ایستگاه یوئن لانگ در امتداد غرب. خط ریلی؛ و ③ مناطق خرید محبوب و متمرکز، مانند مونگ کوک، شلوغ ترین منطقه خرید در هنگ کنگ ( شکل 11)). این نتیجه با وضعیت واقعی مطابقت دارد. قابل ذکر است، بیشتر بازدیدکنندگانی که فقط در هنگ کنگ خرید می کنند، از خطوط مترو و نزدیک به ایستگاه های مترو و بنادر شنژن-هنگ کنگ خرید می کنند تا هزینه های حمل و نقل را کاهش دهند. در برخی موارد، بازدیدکنندگان برای خرید بیشتر سفر می کنند تا از انتخاب های بیشتری از کالاها لذت ببرند.

(3) از الگوها بازدید کنید

در این بخش، الگوهای بازدید بازدیدکنندگان خریدمحور و بازدیدکنندگان گردشگری محور، از جمله میانگین زمان اقامت آنها، نسبت سفرهای یک روزه (یعنی سفرهای بدون اقامت شبانه) و میانگین تعداد سفرها به هنگ کنگ را با هم مقایسه می کنیم. سال جدول 5نشان می‌دهد که میانگین زمان اقامت بازدیدکنندگان خریدمحور کوتاه‌تر از بازدیدکنندگان گردشگری‌محور است، در حالی که میانگین تعداد سفرهای بازدیدکنندگان خریدمحور به هنگ کنگ بیشتر از بازدیدکنندگان گردشگری‌محور است. علاوه بر این، نسبت سفرهای یک روزه برای خرید بازدیدکنندگان بیش از 75 درصد است در حالی که بازدیدکنندگان گردشگری محور کمتر از 50 درصد است. این نتیجه نشان می‌دهد که بازدیدکنندگان توریسم‌محور به اندازه بازدیدکنندگان خرید محور از هنگ‌کنگ بازدید نمی‌کنند و تمایل دارند یک شب در هنگ کنگ بمانند تا در طول یک سفر از چندین مکان دیدنی بازدید کنند. برعکس، بازدیدکنندگان خرید گرا تمایل دارند در طول سال بارها از هنگ کنگ بازدید کنند و به طور کلی تنها یک روز بدون اقامت شبانه در هنگ کنگ می مانند.

5.2.3. بازدیدکنندگان ویژه رویداد گرا

مطالعات قبلی نشان داده‌اند که داده‌های ورود به شبکه‌های اجتماعی می‌تواند برای شناسایی رویدادهای شهری استفاده شود [ 61 ، 62]. اگرچه در این مطالعه از روش متن کاوی استفاده نمی‌کنیم، اما هنوز هم می‌توان برخی رویدادهای خاص را که تعداد زیادی از افراد بر اساس ورود به یک مکان خاص در یک دوره کوتاه حضور دارند، شناسایی کرد. ما بیش از یک ثبت ورود در تاریخ مشخص و در یک مکان خاص را به عنوان یک رویداد فرضی در نظر می گیریم (به عنوان مثال، 22 مه در سالن بزرگ هنگ کنگ و 22 می در نمایشگاه آسیا ورلد). سوابق ورود بازدیدکنندگان ویژه رویدادمحور نشان دهنده وقوع 366 رویداد فرضی بر اساس 3820 ثبت ورود است. با جستجوی تاریخچه رویدادهای ارسال شده در وب‌سایت‌های رسمی این مکان‌ها، متوجه می‌شویم که 251 مورد از این رویدادها رخ داده و 88.0 درصد از سوابق ورود را پوشش داده‌اند. در جدول 6، ما 20 تاریخ ورود مکرر و POI و رویدادهای مربوطه را بر اساس 36.8٪ از سوابق ورود بازدیدکنندگان ویژه رویدادگرا فهرست می کنیم. محبوبیت یک ستاره یا تأثیر یک کنفرانس یا نمایشگاه منجر به جمع شدن افراد در یک مکان خاص در مدت کوتاهی می شود. در ازای آن، دفعات ورود می تواند محبوبیت ستاره یا تأثیر کنفرانس یا نمایشگاه را تا حدی منعکس کند.

5.2.4. بازدیدکنندگان آموزش گرا

از نتایج طبقه‌بندی به‌دست‌آمده برای بازدیدکنندگان آموزش‌محور می‌توان برای تقسیم این بازدیدکنندگان به زیر کلاس‌های زیر با توجه به مکان‌های اصلی ورودشان استفاده کرد ( جدول 7 ). به طور مشخص 95.3 درصد از این بازدیدکنندگان را دانشجویان دانشگاه و 2.3 درصد آنها را دانش‌آموزان مقطع متوسطه تشکیل می‌دهند. این دو نوع بازدیدکننده را می توان در واقع به عنوان ساکنان موقت در نظر گرفت. تنها 0.3 درصد از بازدیدکنندگان آموزش محور دانش آموزان مقطع ابتدایی هستند و متأسفانه، همانطور که انتظار می رود نمی توانیم وجود «دانش آموزان فرامرزی شنژن-هنگ کنگ» را تشخیص دهیم. این مشکل تشخیص ممکن است با محدوده کاربری محدود شبکه اجتماعی مرتبط باشد، زیرا محدوده سنی کاربران اصلی بین 13 تا 35 سال است [ 63 ].

6. بحث

شناسایی و طبقه‌بندی رفتارهای توریستی می‌تواند به مدیران گردشگری کمک کند ترجیحات مختلف گردشگری را درک کنند، جاذبه‌های توریستی شخصی‌سازی شده را توصیه کنند، محصولات گردشگری را توسعه دهند و منابع گردشگری را مدیریت کنند. با این حال، رفتارهای انسانی متنوع و پیچیده است. بنابراین، ارزیابی و طبقه بندی این رفتارها دشوار است. روش های یادگیری عمیق ممکن است راه حل های پیشرفته ای را برای این مسائل ارائه دهند. شایان ذکر است، روش‌های یادگیری عمیق می‌توانند در بسیاری از زمینه‌ها از توانایی‌های انسان پیشی بگیرند و شبکه‌های عصبی عمیق را می‌توان به صورت روان‌شناختی توضیح داد. نتایج نشان می‌دهد که شبکه عصبی عمیق در TensorFlow می‌تواند برای پردازش قوانین طبقه‌بندی پیچیده و نامنظم مشکلات طبقه‌بندی رفتار کاربر و ارائه نتایج با دقت رضایت‌بخش استفاده شود. علاوه بر این، شبکه عصبی عمیق در TensorFlow به دلیل ابزارهای نظارت و تجسم قدرتمند آن یک “جعبه سیاه” نیست. در این مقاله، داده‌های شبکه اجتماعی مبتنی بر مکان را با استفاده از روش یادگیری عمیق پردازش می‌کنیم. با افزایش حجم داده ها، روش های سنتی پردازش داده به طور فزاینده ای برای پردازش کلان داده ها با مشکل مواجه می شوند. بنابراین، استفاده از روش‌های یادگیری عمیق برای پردازش داده‌های بزرگ روند رو به رشدی دارد. در این تحقیق از روش یادگیری عمیق در TensorFlow برای تحلیل جغرافیای گردشگری استفاده می کنیم. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. در این مقاله، داده‌های شبکه اجتماعی مبتنی بر مکان را با استفاده از روش یادگیری عمیق پردازش می‌کنیم. با افزایش حجم داده ها، روش های سنتی پردازش داده به طور فزاینده ای برای پردازش کلان داده ها با مشکل مواجه می شوند. بنابراین، استفاده از روش‌های یادگیری عمیق برای پردازش داده‌های بزرگ روند رو به رشدی دارد. در این تحقیق از روش یادگیری عمیق در TensorFlow برای تحلیل جغرافیای گردشگری استفاده می کنیم. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. در این مقاله، داده‌های شبکه اجتماعی مبتنی بر مکان را با استفاده از روش یادگیری عمیق پردازش می‌کنیم. با افزایش حجم داده ها، روش های سنتی پردازش داده به طور فزاینده ای برای پردازش کلان داده ها با مشکل مواجه می شوند. بنابراین، استفاده از روش‌های یادگیری عمیق برای پردازش داده‌های بزرگ روند رو به رشدی دارد. در این تحقیق از روش یادگیری عمیق در TensorFlow برای تحلیل جغرافیای گردشگری استفاده می کنیم. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. روش‌های سنتی پردازش داده‌ها به طور فزاینده‌ای برای پردازش کلان داده‌ها با مشکل مواجه خواهند شد. بنابراین، استفاده از روش‌های یادگیری عمیق برای پردازش داده‌های بزرگ روند رو به رشدی دارد. در این تحقیق از روش یادگیری عمیق در TensorFlow برای تحلیل جغرافیای گردشگری استفاده می کنیم. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. روش‌های سنتی پردازش داده‌ها به طور فزاینده‌ای برای پردازش کلان داده‌ها با مشکل مواجه خواهند شد. بنابراین، استفاده از روش‌های یادگیری عمیق برای پردازش داده‌های بزرگ روند رو به رشدی دارد. در این تحقیق از روش یادگیری عمیق در TensorFlow برای تحلیل جغرافیای گردشگری استفاده می کنیم. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند. اگرچه TensorFlow نزدیک به دو سال است که به عنوان یک محصول منبع باز در دسترس بوده است، اما در مطالعات کمی در مورد ارزیابی رفتار انسان استفاده شده است. همانطور که روش های یادگیری عمیق محبوب تر می شوند، آنها باید هم در علوم طبیعی و هم در علوم اجتماعی به کار گرفته شوند تا راه حل های پیشرفته ای برای مشکلات اجتماعی و انسانی ارائه دهند.

در کار آینده، ما سعی خواهیم کرد از شبکه‌های عصبی مکرر (RNN) و تکنیک Word2Vec برای استخراج متن توییت‌ها برای تولید اطلاعات دقیق و نتایج طبقه‌بندی و ادغام بیشتر روش‌های یادگیری عمیق و جغرافیای انسانی استفاده کنیم.

منابع

مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. اولین و تکرار رفتار بازدیدکننده: ردیابی GPS و تجزیه و تحلیل gis در هنگ کنگ. تور. Geogr. 2012 ، 14 ، 147-161. [ Google Scholar ] [ CrossRef ]
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 ]
Phithakkitnukoon، S. هورانونت، تی. ویتایانگ کورن، آ. سیری، آر. سکیموتو، ی. Shibasaki، R. درک رفتار گردشگران با استفاده از رویکرد سنجش موبایل در مقیاس بزرگ: مطالعه موردی کاربران تلفن همراه در ژاپن. اوباش فراگیر. محاسبه کنید. 2015 ، 18 ، 18-39. [ Google Scholar ] [ CrossRef ]
آساکورا، ی. Iryo, T. تجزیه و تحلیل رفتار گردشگران بر اساس داده های ردیابی جمع آوری شده با استفاده از ابزار ارتباطی سیار. ترانسپ Res. قسمت A 2007 ، 41 ، 684-690. [ Google Scholar ] [ CrossRef ]
کائو، جی. هو، کیو. Li, Q. مطالعه حرکات کاربران بر اساس داده های ورود در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات سمپوزیوم بین المللی وب و سیستم های اطلاعات جغرافیایی بی سیم، سئول، کره، 29 تا 30 مه 2014. Springer: برلین، آلمان، 2014; صص 54-66. [ Google Scholar ]
حداقل، LI; وانگ، XC; ژانگ، جی. Liu, ZJ مطالعه در مورد ورود و رفتارهای مرتبط کاربران شبکه های اجتماعی مبتنی بر مکان. محاسبه کنید. علمی 2013 ، 40 ، 72-76. [ Google Scholar ]
لی، ال. یانگ، ال. زو، اچ. دای، آر. تحلیل اکتشافی تحرک انسانی درون شهری ووهان با استفاده از داده های ورود به شبکه های اجتماعی. PLoS ONE 2015 , 10 , e0135286. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هوانگ، Q. کائو، جی. وانگ، سی. توییت ها از کجا سرچشمه می گیرند؟ یک رویکرد gis برای استنتاج موقعیت مکانی کاربر. در مجموعه مقالات هفتمین کارگاه بین المللی ACM SIGSPATIAL در مورد شبکه های اجتماعی مبتنی بر مکان، دالاس/فورث ورث، TX، ایالات متحده، 4-7 نوامبر 2014. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صص 1-8. [ Google Scholar ]
وو، ال. ژی، ی. سویی، ز. لیو، ی. تحرک انسانی درون شهری و انتقال فعالیت: شواهدی از داده های ورود به شبکه های اجتماعی. PLoS ONE 2014 ، 9 ، e97010. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سازمان جهانی گردشگری گزارش سالانه 2015. در دسترس آنلاین: https://cf.cdn.unwto.org/sites/all/files/pdf/annual_report_2015_lr.pdf (در 23 اوت 2017 قابل دسترسی است).
صلاح، AA; لپری، بی. پیانسی، اف. پنتلند، AS درک رفتار انسانی برای القای تغییر رفتاری: دیدگاه های کاربردی. در مجموعه مقالات کارگاه بین المللی درک رفتار انسانی، آمستردام، هلند، 16 نوامبر 2011; Springer: برلین، آلمان، 2011; صص 1-15. [ Google Scholar ]
هارتفورد، جی اس. رایت، جی آر. لیتون-براون، ک. یادگیری عمیق برای پیش بینی رفتار استراتژیک انسان. در پیشرفت در سیستم های پردازش اطلاعات عصبی ; MIT Press: کمبریج، MA، ایالات متحده آمریکا، 2016; ص 2424–2432. [ Google Scholar ]
یوتیوب. مسابقه 1 – مسابقه چالشی Google Deepmind: لی سدول در مقابل آلفاگو. در دسترس آنلاین: https://www.youtube.com/watch?v=vFr3K2DORc8&t=1h57m (در 4 ژوئیه 2017 قابل دسترسی است).
ریتر، اس. بارت، DGT؛ سانتورو، آ. بوتوینیک، MM روانشناسی شناختی برای شبکه های عصبی عمیق: مطالعه موردی سوگیری شکل. arXiv , 2017; arXiv:1706.08606. [ Google Scholar ]
TensorFlow. تشخیص تصویر در دسترس آنلاین: https://www.tensorflow.org/tutorials/image_recognition (در 25 ژوئن 2017 قابل دسترسی است).
TensorFlow. Mnist برای ml مبتدیان. در دسترس آنلاین: https://www.tensorflow.org/versions/r0.7/tutorials/mnist/beginners/index.html (در 25 ژوئن 2017 قابل دسترسی است).
کووالف، وی. کالینوفسکی، آ. Kovalev، S. یادگیری عمیق با theano، torch، caffe، tensorflow و deeplearning4j: کدام یک از نظر سرعت و دقت بهترین هستند؟ در مجموعه مقالات سیزدهم کنفرانس بین المللی شناسایی الگو و پردازش اطلاعات، مینسک، بلاروس، 3 تا 5 اکتبر 2016. [ Google Scholar ]
دوک، HH; یونگ، ک. استفاده از جریان تنسور با شبکه های عصبی کانولوشن برای آموزش داده ها و تشخیص پرچم های ملی. در مهندسی چند رسانه ای پیشرفته و همه جا حاضر: Mue/Futuretech 2017 ؛ Park, JJ, Chen, S.-C., Raymond Choo, K.-K., Eds. Springer: سنگاپور، 2017; صص 367-373. [ Google Scholar ]
Ferri، A. ردیابی اشیا در ویدئو با تنسورفلو . Universitat Politècnica de Catalunya: بارسلونا، اسپانیا، 2016. [ Google Scholar ]
دین، جی. یادگیری عمیق در مقیاس بزرگ برای سیستم های کامپیوتری هوشمند. در مجموعه مقالات نهمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 22 تا 25 فوریه 2016. [ Google Scholar ]
باکوش، م. مامالت، اف. ولف، سی. گارسیا، سی. باسکورت، الف. یادگیری عمیق متوالی برای تشخیص عمل انسان. در مجموعه مقالات کارگاه بین المللی درک رفتار انسانی، آمستردام، هلند، 16 نوامبر 2011; ص 29-39. [ Google Scholar ]
الهی، ع. گوئل، ک. راماناتان، وی. Robicquet، A. لی، FF; Savarese, S. Social lstm: پیش بینی مسیر انسان در فضاهای شلوغ. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 26 ژوئن تا 1 ژوئیه 2016. ص 961-971. [ Google Scholar ]
اوه، جی-جی. چنگ، سی.-ک. Lehto، XY; O’Leary، JT پیش‌بینی‌کننده‌های رفتار خرید گردشگران: بررسی ویژگی‌های اجتماعی و جمعیت‌شناختی و گونه‌شناسی سفر. J. Vacat. علامت. 2004 ، 10 ، 308-319. [ Google Scholar ] [ CrossRef ]
جانز، ن. Gyimóthy، S. تقسیم‌بندی بازار و پیش‌بینی رفتار توریستی: مورد بورهولم، دانمارک. J. Travel Res. 2002 ، 40 ، 316-327. [ Google Scholar ] [ CrossRef ]
موریسون، AM; Braunlich، CG; کای، لس آنجلس; O’Leary, JT نمایه ای از مسافر تفریحی در کازینو. J. Travel Res. 1996 ، 35 ، 55-61. [ Google Scholar ] [ CrossRef ]
Vu، HQ; لی، جی. قانون، ر. Ye, BH در حال بررسی رفتارهای سفر گردشگران ورودی به هنگ کنگ با استفاده از عکس های دارای برچسب جغرافیایی. تور. مدیریت 2015 ، 46 ، 222-232. [ Google Scholar ] [ CrossRef ]
لاو، جی. مکرچر، ب. درک الگوهای حرکت گردشگران در یک مقصد: رویکرد GIS. تور. بیمارستان Res. 2006 ، 7 ، 39-49. [ Google Scholar ] [ CrossRef ]
مکرچر، بی. Gigi, L. الگوهای حرکت گردشگران در یک مقصد. تور. Geogr. 2008 ، 10 ، 355-374. [ Google Scholar ] [ CrossRef ]
لئونگ، XY; وانگ، اف. وو، بی. بای، بی. ستاهورا، کالیفرنیا؛ Xie, Z. تحلیل شبکه اجتماعی الگوهای حرکت گردشگران خارج از کشور در پکن: تأثیر بازی های المپیک. بین المللی جی. تور. Res. 2012 ، 14 ، 469-484. [ Google Scholar ] [ CrossRef ]
یوان، ی. Medel, M. مشخص کردن رفتار سفر بین‌المللی از عکس‌های دارای برچسب جغرافیایی: مطالعه موردی فلیکر. PLoS ONE 2016 , 11 , e0154885. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Padhi, SS; Pati، RK کمی کردن رفتار توریستی بالقوه در انتخاب مقصد با استفاده از روندهای گوگل. تور. مدیریت چشم انداز 2017 ، 24 ، 34-47. [ Google Scholar ] [ CrossRef ]
کلمنتز، ام. سردیوکوف، پ. de Vries، AP; Reinders، MJT استفاده از برچسب‌های جغرافیایی فلیکر برای پیش‌بینی رفتار سفر کاربر. در مجموعه مقالات سی و سومین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، ژنو، سوئیس، 19 تا 23 ژوئیه 2010. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; صص 851-852. [ Google Scholar ]
یوان، ال. شیائو، ال. یو، ی. خو، دبلیو. قانون، الف. درک فضای توریستی در یک مکان تاریخی از طریق تجزیه و تحلیل نحو فضا: مورد Gulangyu، چین. تور. مدیریت 2016 ، 52 ، 30-43. [ Google Scholar ]
Plog، SC; ریچی، JRB; گولدنر، CR درک روانشناسی در تحقیقات گردشگری. در درک روانشناسی در تحقیقات گردشگری ; CABI: Wallingford، UK، 1987; ص 203-213. [ Google Scholar ]
بیانچی، سی. میلبرگ، اس. Cúneo، A. درک مقاصد مسافران برای بازدید از یک مقصد تعطیلات در حال ظهور کوتاه در مقایسه با مسافت طولانی: مورد شیلی. تور. مدیریت 2017 ، 59 ، 312-324. [ Google Scholar ] [ CrossRef ]
چن، ک. یان، ZJ; Huo، Q. یک رویکرد bptt تکه‌ای حساس به متن برای آموزش شبکه‌های عصبی تکرارشونده عمیق lstm/blstm برای تشخیص دست خط آفلاین. در مجموعه مقالات کنفرانس بین المللی تجزیه و تحلیل و شناسایی اسناد، ژوهانسبورگ، آفریقای جنوبی، 12 تا 13 ژانویه 2016. ص 411-415. [ Google Scholar ]
سیمونیان، ک. زیسرمن، الف. شبکه های پیچیده بسیار عمیق برای تشخیص تصویر در مقیاس بزرگ. در دسترس آنلاین: https://arxiv.org/abs/1409.1556 (دسترسی در 25 ژوئن 2017).
گریوز، ا. جیتلی، ن. محمد، تشخیص گفتار ترکیبی AR با LSTM عمیق دو طرفه. در مجموعه مقالات تشخیص و درک خودکار گفتار، اولوموک، چک، 8 تا 12 دسامبر 2013. صص 273-278. [ Google Scholar ]
گریوز، ا. Jaitly، N. به سمت تشخیص گفتار سرتاسر با شبکه‌های عصبی مکرر. در مجموعه مقالات کنفرانس بین المللی یادگیری ماشین، پکن، چین، 21 تا 26 ژوئن 2014. صفحات 1764-1772. [ Google Scholar ]
Graves، A. ایجاد توالی با شبکه های عصبی مکرر. در دسترس آنلاین: https://arxiv.org/abs/1308.0850 (دسترسی در 25 ژوئن 2017).
یائو، دی. ژانگ، سی. هوانگ، جی. Bi, J. SERM: یک مدل تکراری برای پیش‌بینی مکان بعدی در مسیرهای معنایی. در مجموعه مقالات ACM 2017 در کنفرانس مدیریت اطلاعات و دانش، سنگاپور، 6 تا 10 نوامبر 2017؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ ص 2411-2414. [ Google Scholar ]
آبادی، م. آگاروال، ا. برهم، پ. برودو، ای. چن، ز. سیترو، سی. کورادو، جی اس. دیویس، ا. دین، جی. Devin, M. Tensorflow: یادگیری ماشینی در مقیاس بزرگ بر روی سیستم های توزیع ناهمگن. arXiv , 2016; arXiv:1603.04467. [ Google Scholar ]
آبادی، م. برهم، پ. چن، جی. چن، ز. دیویس، ا. دین، جی. دوین، ام. قماوت، س. ایروینگ، جی. Isard, M. Tensorflow: سیستمی برای یادگیری ماشینی در مقیاس بزرگ. arXiv , 2016; arXiv:1605.08695. [ Google Scholar ]
هایکین، شبکه‌های عصبی SS و ماشین‌های یادگیری ؛ پیرسون: رودخانه فوقانی زین، نیوجرسی، ایالات متحده آمریکا، 2009; جلد 3. [ Google Scholar ]
TensorFlow. Tf.Contrib.Learn Quickstart. در دسترس آنلاین: https://www.tensorflow.org/get_started/tflearn (در 25 ژوئن 2017 قابل دسترسی است).
PartnerNet هیئت گردشگری هنگ کنگ. آمار ورود بازدیدکنندگان در دسترس آنلاین: https://securepartnernet.hktb.com/china/sc/research_statistics/research_publications/index.html?id=3631 (دسترسی در 5 ژوئیه 2017).
سینا تک. Gaode سینا را برای راه اندازی پلتفرم نقشه شبکه اجتماعی متحد می کند. در دسترس آنلاین: https://tech.sina.cn/?sa=t84v44d21223704&pos=108&vt=4 (در 12 مارس 2017 قابل دسترسی است).
پلتفرم باز Gaode، API خدمات وب و دانلودهای مرتبط. در دسترس آنلاین: https://lbs.amap.com/api/webservice/download/ (در 12 مارس 2017 قابل دسترسی است).
Kuah-Pearce، KE زنان چینی و فضای مجازی ؛ انتشارات دانشگاه آمستردام: آمستردام، هلند، 2008. [ Google Scholar ]
ویکیپدیا. دانش آموزان مرزی شنژن-هنگ کنگ. در دسترس آنلاین: https://en.wikipedia.org/wiki/Shenzhen%E2%80%93Hong_Kong_cross-boundary_students (دسترسی در 5 مه 2017).
منینگ، سی دی; رغوان، پ. Schütze, H. Introduction to Information Retrieval ; انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2008; جلد 1. [ Google Scholar ]
لی، جی. چنگ، J.-H. شی، J.-Y. Huang, F. معرفی مختصر الگوریتم شبکه عصبی پس انتشار (bp) و بهبود آن. در پیشرفت در علوم کامپیوتر و مهندسی اطلاعات ; Springer: برلین، آلمان، 2012; صص 553-558. [ Google Scholar ]
Buscema، M. شبکه های عصبی انتشار برگشتی. فرعی سوء استفاده 1998 ، 33 ، 233-270. [ Google Scholar ] [ CrossRef ]
Hecht-Nielsen، R. نظریه شبکه عصبی پس انتشار. شبکه عصبی 1988 ، 1 ، 445-448. [ Google Scholar ] [ CrossRef ]
پاول، توابع پایه شعاعی MJD برای درونیابی چند متغیره: مروری . Clarendon Press: Wotton-under-Edge، UK، 1987. [ Google Scholar ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
Ukil، A. ماشین بردار پشتیبانی. محاسبه کنید. علمی 2002 ، 1 ، 1-28. [ Google Scholar ]
Ranganathan، A. الگوریتم لونبرگ-مارکوارت. معلم خصوصی الگوریتم 2004 ، 11 ، 101-110. [ Google Scholar ]
PartnerNet هیئت گردشگری هنگ کنگ. گزارش نمایه بازدیدکنندگان-2014. در دسترس آنلاین: https://securepartnernet.hktb.com/filemanager/intranet/ir/ResearchStatistics/paper/Visitor-Pro/Profile2014/visitor_profile_2014_0.pdf (دسترسی در 15 ژوئیه 2017).
Hu, Y. رسم نمودار کارآمد و با کیفیت بالا. ریاضی. J. 2005 ، 10 ، 37-71. [ Google Scholar ]
ونگ، جی. لی، بی.-اس. تشخیص رویداد در توییتر ICWSM 2011 ، 11 ، 401-408. [ Google Scholar ]
خو، ز. ژانگ، اچ. هو، سی. می، ال. ژوان، جی. چو، KKR؛ سوگوماران، وی. Zhu, Y. ایجاد پایگاه دانش رویدادهای اضطراری شهری بر اساس جمع‌سپاری رسانه‌های اجتماعی. موافق محاسبه کنید. تمرین کنید. انقضا 2016 ، 28 ، 4038-4052. [ Google Scholar ] [ CrossRef ]
Weibo. گزارش توسعه کاربران Weibo-2014. در دسترس آنلاین: https://data.weibo.com/report/reportDetail?id=215 (در 27 ژوئیه 2017 قابل دسترسی است). (به زبان چینی).

شکل 1. یک مدل نورون عمومی.

شکل 2. گردش کار طبقه بندی رفتار کاربر.

شکل 3. شهر مورد مطالعه: هنگ کنگ.

شکل 4. نمودار اصلی کامل مدل.

شکل 5. گسترش لایه DNN.

شکل 6. تجسم اسکالر مدل DNNClassifier: ( a ) مقدار دقت ( b ) و مقدار ضرر.

شکل 7. نمودار اجباری جاذبه های گردشگری بازدیدکنندگان کلاس 2.

شکل 8. تعداد بازدیدکنندگان بر اساس ورود و تعداد گردشگران واقعی.

شکل 9. نسبت منابع بازدیدکننده برای همه بازدیدکنندگان.

شکل 10. نسبت منابع بازدیدکننده برای کلاس 1 (بازدیدکنندگان خرید محور).

شکل 11. تراکم هسته سوابق ورود بازدیدکنندگان خرید محور.

جدول 1. دسته بندی نقاط مورد علاقه (POI) و داده های ورود.

جدول 2. طبقه بندی رفتارهای بازدیدکنندگان.

جدول 3. مقایسه مدل های مختلف (%).

جدول 4. نسبت هر نوع طبقه بندی.

جدول 5. مقایسه الگوهای بازدید بازدیدکنندگان خریدمحور و بازدیدکنندگان گردشگری.

جدول 6. بیست تاریخ مکرر ورود و رویدادهای ویژه مربوطه.

جدول 7. طبقه بندی های فرعی و نسبت های مربوط به بازدیدکنندگان آموزش محور.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

استفاده از شبکه عصبی عمیق TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ از داده های ورود

استفاده از شبکه عصبی عمیق TensorFlow برای طبقه بندی رفتارهای بازدیدکنندگان سرزمین اصلی چین در هنگ کنگ از داده های ورود

1. مقدمه

2. بررسی ادبیات

2.1. داده های بزرگ تولید شده توسط کاربر برای تحقیقات گردشگری

2.2. روش های یادگیری عمیق برای رفتارهای انسانی