潘 虹

(厦门软件职业技术学院 外语外贸系，福建 厦门 361024)

现代社会属于信息技术大爆炸的时代，Web2.0实现了飞速发展[1].游客可对外公布其所在的位置信息以及地理标签，而且能够分享自己已经体验过的旅游景点，实现与朋友的交流[2-3].相较于传统的旅游预报信息，计算机系统辅助下的旅游信息预报，是结合了关联信息、以及位置信息，在此基础上进行的一种个性化的预报[4].通过旅游信息预报系统优化旅游信息，人们能够从中得到更好的服务[5-6].而且在旅游信息预报系统优化信息中，还引入了协同过滤技术[7].

考虑到游客优化旅游预报信息时，将会受到地理位置以及流行度等的影响，本文结合游客已经访问过的CSN位置信息，来实现对游客活动范围的合理预报.可将区域进行划分，依据相关信息来对各区域受到游客访问的概率水平展开分析，利用区域中心与CSN之间的距离，与其具有的流行度，来对各区域能够生成CSN的概率水平.最后，通过对区域流行度影响的充分整合，结合已有的CATIS预报系统，即可实现对游客旅游信息优化问题的合理预报.

1 计算机系统辅助环境下预报系统

1.1 问题定义

对于游客在OTIFS上所具有的旅游数据，可从CSN中进行筛选提取.为了能够更好的对相关内容进行阐述，如表1所示，即为本文所使用的符号及其对应的数据含义.

表1 输入数据的符号

定义1 旅游信息预报系统优化.一个旅游信息预报系统优化OTIFS定义为一个具有唯一标识符的与地理位置相关的特定地点.

定义2 游客本地位置.结合相关文献，如果确定某一具体游客u,那么该游客的居住位置即为其对应的本地位置，将此以lu表示.

定义3 旅游特征.以(u,v,lv,Wv,t)表示计算机系统辅助环境下，具体含义为游客u在时间t,位置访问OTIFS,lv,Wv可对此进行详细的描述.

旅游信息预报系统优化信息，在相关条件给定的前提下，包括计算机系统辅助环境下数据集合D、以及目标游客uq、游客所对应的位置lq、时间tq等，可将其以查询q=(uq,tq,lq)表示.在这些条件下，想要实现的最终目的是能够结合其感兴趣进行OTIFS列表预报.假如距离阈值d是给定的，将其和游客当前与本地距离d进行对比，假如前者要相对较小，也就是满足lq-lu>d，那么此时这就属于异地预报问题，反之则应归入到本地预报问题中.

1.2 预报系统描述

为了能够对在进行决策时，游客所提供的旅游信息进行更加真实的优化，构建了旅游信息预报系统，而且还将时间、内容等多个因素考虑到了预报系统中.图1所示即为CATIS预报系统对应的框图，各元素分别以其中的N,L,K,R代表.

图1 CATIS预报系统的框图

本文进行研究时，将地理空间进行了划分，得到了R个区域.并且在区域上，针对游客u，借助一个多项分布ϑu构建了空间预报系统，此时在所有的区域上，u游客都是服从相同的多项分布的，即r～P(rηu),ηu代表的则是在潜在区域上，游客u对应的从属分布.而且通过从属多元正态分布lv～N(μr,Σr)，能够得出各OTIFS对应位置lv.可借助如下所示的一个高速密度函数来得到建模OTIFS空间密度.

(1)

μr、Σr分别表示平均值向量以及协方差矩阵.

本文构建的CATIS预报系统中，引入了多项分布θu狄利克雷先验，可将其表示为参数α的等式，以有效防范过度拟合问题的出现.

(2)

Γ(·)指代的是伽马函数.可通过下式表示多项分布θl′,φz,ζu,ϑu,φr对应的狄利克雷先验

(3)

(4)

1.3 预报系统推理

将完全数据似然性借助MCMC方法来进行最大化处理.借助贝叶斯链式法则，实现对社会相关性后验概率的采样：

(5)

s-u,v反映的是全部游客关系具有的社会相关性；nu,s反映的是在某游客u，存在的潜在社会相关性s的次数；-u,v反映的则是除了当前全部的旅游记录总量.

可通过吉布斯采样来确保主题是一致的.首先，依据如下所示的后验概率采样硬币a：

(6)

上式中，nu,a1反映的是当游客在配置文件Du中，如果满足a=1，那么此时采用次数为多少.nu,a0则代表了当a取值为零时，对应的采样次数；nu,z指的是在游客u兴趣分布中，潜在主题z对应的采样次数.

随后，结合如下所示的后验概率，以及采样主题z,如果a=1，那么存在：

(7)

z-u,v反映的是除了当前所有旅游记录的主题配置；nz,ω反映了由主题z得到ω对应次数.

最后，可借助如下所示后验概率采样区域r.

(8)

nu,r表示的是采样区域r的次数；nr,v指代的是基于区域r得到OTIFSv对应的次数.

2 利用CATIS预报系统的旅游信息

构建了如下所示的排名框架公式，以促进实现在线查询过程效率的提高.

(9)

如下所示为查询偏好：

(10)

下式反映的是OTIFSv属性：

(11)

3 实验

3.1 实验环境

Foursquare站点能够进行计算机的社交，在该网络站点上，游客可以在任意位置上来旅游.将这些旅游信息进行收集和整理，得到有关时间、文本等方面的信息，这些信息进行了有效整理之后，能够对人们的旅游信息预报进行有效的分析和评估，实现一种优化分析.本实验研究中选择的是Foursquare数据集，选择的时间跨度为2011年9月到2012年11月，分析的旅游记录是美国、欧洲等地区的游客，而且在该数据集中含有的数据信息十分丰富，包括了社交信息，以及旅游对应的地理位置信息，时间、相关内容等等.本文基于Foursquare数据集中含有的5 468个游客进行了研究，这些游客合理访问OTIFS 7 286个.

进行了对比实验，而且对于旅游信息预报系统优化信息则是通过如下两个指标来进行合理的评估，即Precision@k以及召回率Recall@k.

3.2 实验结果

本文将CATIS预报系统对应的5个基线方法展开了对比分析，即TSCP,GSCP,GTCP,GTSP,GTSC.从图2和图3对比结果分析可知：首先能够得出不管是在异地或是本地场景，本文所设计的CATIS都具有更优的性能.而且还能够得出，在不同的场景中，各因素对于预报系统精度的影响是不一样的.

图2 Foursquare数据集上的不同因素影响异地预报精度

图3 Foursquare数据集上的不同因素影响本地预报精度

从图2可以看出，如果是异地旅游信息预报，可以结合因素重要性来将其进行排序.影响最大的是旅游内容，其次为流行度，随后为社会相关性以及时间效应，影响最小的是地理位置.但是，从图3可以看出，如果是本地预报场景，那么此时的排序将会有所变化，旅游内容影响重要性将是最低的，而最高的为时间效应，其次则为地理、流行度等.对比分析后能够得出，如果是异地场景，通过内容信息能够实现对数据稀疏问题的有效克服；但是在本地场景，作用更加突出的则是时间效应.

4 总结

本文在计算机系统辅助环境下构建了CATIS预报系统，在该预报系统中将时间、地理以及内容等信息都有效的融合其中，通过对这些因素的考虑，使得数据稀疏以及兴趣漂移等问题都得到了很好的解决.结合真实的数据集，开展了实验分析.经过对比实验，验证了与其他方法相比，所提出的CATIS预报系统具有更高的准确度.

[1] HERR H D，KRZYSZTOFOWICZ R.Ensemble bayesian forecasting system part i：theory and algorithms[J].Journal of Hydrology,2015，524：789-802.

[2] CHEN C F，LAI M C，YEH C C.Forecasting touOTIFSm demand based on empirical mode decomposition and neural network[J].Knowledge-Based Systems，2012,26：281-287.

[3] FUKA D R，WALTER M T，MACALISTER C,et al.Using the climate forecast system reanalysis as weather input data for watershed models[J].Hydrological Processes，2015,28(22)：5613-5623.

[4] CLOPTON S W，STODDARD J E，EVANS M R.An empirical taxonomy of touOTIFSt，information search strategies[J].Acta Obstetricia Et Gynecologica Scandinavica，2012,24(2)：105-112.

[5] BOSTON D W，CASHAR E E，COPE D A,et al.A computer system for aircraft flyover acoustic data acquisition and analysis[J].Journal of Aircraft,2015,21(2)：155-158.

[6] BOYLES R.Aircraft design augmented by a man-computer graphic system[J].Journal of Aircraft，2015,5(5)：486-497.