【技術實現步驟摘要】
本專利技術涉及數據分析領域，特別是一種基于深度學習的旅游數據分析方法及系統。
技術介紹
1、隨著全球旅游業的蓬勃發展，旅游市場規模不斷擴大，旅游活動的多樣性和豐富性也日益增加。在此背景下，旅游相關的數據呈現出爆炸式增長的態勢。數據涵蓋了多個方面，從游客的基本信息，如年齡、性別、地域等，到游客詳細的旅游行程信息，包括出發地、目的地、在各個景點的停留時間等；從游客對景點的評價信息，如對景點的滿意度、改進建議等，到旅游過程中的消費信息，像交通、住宿、餐飲、購物等各方面的開銷。傳統的數據分析方法在面對這種大規模、高維度、多模態的旅游數據時，有明顯的局限性。從分析效率方面，傳統方法往往依賴于人工或者簡單的統計工具。在處理海量數據時，需要耗費大量的人力和時間，對大量游客行程數據進行分析，需要人工逐一核對和統計，導致整個分析過程緩慢，無法滿足快速決策的需求。
技術實現思路
1、本專利技術的目的是為了解決上述問題，設計了一種基于深度學習的旅游數據分析方法及系統。
2、實現上述目的本專利技術的技術方案為，進一步，在上述一種基于深度學習的旅游數據分析方法中，所述旅游數據分析方法包括以下步驟：
3、獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據；
4、利用卷積神經網絡與循環神經網絡相結合的模型架構對所述標準旅游數據進行特征提取，得到特征旅游數據；
5、通過融合多種深度學習算法構建旅游數據的分析模型對所述特征旅游數據進行分
6、將所述旅游行為特征群體通過ar虛擬增強現實展示，并根據用戶需求進行實時動態調整。
7、進一步，在上述旅游數據分析方法中，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
8、獲取物聯網設備中的初始旅游數據，所述初始旅游數據至少包括預訂的酒店、旅游套餐、景點門票信息；
9、從所述初始旅游數據提取游客基本信息、旅游行程信息和旅游消費信息；
10、所述初始旅游數據還包括從旅游攻略網站收集游客發布的游記和攻略，獲取游客對不同景點的評價信息以及游客在旅游過程中的詳細行程安排和個人體驗；
11、所述初始旅游數據還包括與景點的票務管理系統建立接口，實時獲取游客的購票時間、購票數量、門票類型信息；
12、所述初始旅游數據還包括從票務系統中提取游客的入園時間、出園時間等數據，計算游客在景點內的停留時長。
13、進一步，在上述旅游數據分析方法中，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
14、獲取初始旅游數據，基于預設的規則進行數據篩選和刪除，得到第一初始旅游數據；
15、去除所述第一初始旅游數據中的重復記錄，對于數值型數據采用均值填充法，對文本型數據利用基于gan生成對抗網絡的文本生成模型進行填充，得到第二初始旅游數據；
16、對所述第二初始旅游數據中的數值型數據利用歸一化處理，對于分類數據利用one-hot獨熱編碼進行處理，得到第三初始旅游數據；
17、將所述第三初始旅游數據中游客在社交媒體上發布的旅游體驗文本和圖片信息，根據文本中的時間戳、地點信息以及圖片的exi?f信息進行對齊；
18、利用深度學習中的多模態融合技術對某一景點的評價文本和相關圖片，注意力機制會自動學習文本和圖片中對景點特征描述的重要部分，將重要特征進行融合，得到標準旅游數據。
19、進一步，在上述旅游數據分析方法中，所述利用卷積神經網絡與循環神經網絡相結合的模型架構對所述標準旅游數據進行特征提取，得到特征旅游數據，包括：
20、建立一個多層cnn架構，所述多層cnn架構包含3-5個卷積層，在卷積層中使用不同大小的3x3卷積核提取不同尺度的圖像特征，如邊緣、紋理、形狀；
21、在卷積層之后添加平均池化層，包括采用2x2的最大池化窗口，將圖片的尺寸縮小一半，同時保留最重要的特征信息；
22、使用gru門控循環單元結構的rnn處理游游客的移動軌跡數據，gru學習游客在不同景點之間的移動模式；
23、將cnn提取的圖像特征和rnn處理的序列數據在輸入層進行融合，將圖像特征作為額外的輸入信息，使模型利用空間和時間信息進行特征提取；
24、根據數據特征對旅游分析的重要性，定義一個可學習的權重矩陣，通過將數據特征與注意力權重矩陣相乘，得到每個特征的注意力得分；
25、根據注意力得分對原始數據特征進行加權處理，使模型自動聚焦于對旅游分析影響度高的數據特征，得到特征旅游數據。
26、進一步，在上述旅游數據分析方法中，所述通過融合多種深度學習算法構建旅游數據的分析模型對所述特征旅游數據進行分析，所述分析至少包括游客的旅游偏好分析、旅游高峰時段、景點熱度隨時間的變化規律、不同地區游客的消費模式分析，結合聚類算法對游客進行細分，得到旅游行為特征群體，包括：
27、建立自編碼器，利用所述自編碼器對融合后的特征數據進行降維處理，所述自編碼器由編碼器和解碼器組成，編碼器將高維的特征數據壓縮為低維的潛在表示，解碼器再將潛在表示還原為近似原始數據；通過調整自編碼器的參數，使還原后的誤差最小，得到數據本質特征表示；
28、基于gan生成對抗網絡建立分析模型，將所述自編碼器提取的低維特征與所述特征旅游數據再次融合，輸入所述分析模型中；利用所述分析模型進行數據擴充和模擬：
29、所述gan生成對抗網絡至少包括由生成器和判別器，生成器負責生成假數據，判別器負責區分真假數據；
30、所述分析至少包括游客的旅游偏好分析、旅游高峰時段、景點熱度隨時間的變化規律、不同地區游客的消費模式分析，結合聚類算法對游客進行細分，得到旅游行為特征群體。
31、進一步，在上述旅游數據分析方法中，所述通過融合多種深度學習算法構建旅游數據的分析模型對所述特征旅游數據進行分析，所述分析至少包括游客的旅游偏好分析、旅游高峰時段、景點熱度隨時間的變化規律、不同地區游客的消費模式分析，結合聚類算法對游客進行細分，得到旅游行為特征群體，還包括：
32、通過gwo灰狼算法優化dbscan聚類算法，得到gwo-dbscan算法；根據游客的旅游行為特征、旅游消費特征和從社交媒體上提取的旅游偏好信息等多方面特征作為聚類依據；
33、通過肘部法則定最佳的聚類數量，將旅游行為特征群體輸入gwo-dbscan算法中，得到不同的游客群體，所述游客群體至少包括消費文化探索型游客、經濟型休閑度假型游客、家庭親子游游客、年輕背包客。
34、進一步，在上述旅游數據分析方法中，所述通過gwo本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的旅游數據分析方法，其特征在于，所述旅游數據分析方法包括以下步驟：
2.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
3.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
4.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述利用卷積神經網絡與循環神經網絡相結合的模型架構對所述標準旅游數據進行特征提取，得到特征旅游數據，包括：
5.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述通過融合多種深度學習算法構建旅游數據的分析模型對所述特征旅游數據進行分析，所述分析至少包括游客的旅游偏好分析、旅游高峰時段、景點熱度隨時間的變化規律、不同地區游客的消費模式分析，結合聚類算法對游客進行細分，得到旅游行為特征群體，包括：
6.如權利要求1所述的一種
7.如權利要求6所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述通過GWO灰狼算法優化DBSCAN聚類算法，得到GWO-DBSCAN算法，還包括：
8.一種基于深度學習的旅游數據分析系統，其特征在于，所述旅游數據分析系統包括以下模塊：
9.如權利要求8所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述數據獲取模塊，包括以下子模塊：
10.如權利要求8所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述特征提取模塊，包括以下子模塊：
...【技術特征摘要】
1.一種基于深度學習的旅游數據分析方法，其特征在于，所述旅游數據分析方法包括以下步驟：
2.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
3.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述獲取物聯網設備中的初始旅游數據，對所述初始旅游數據進行數據預處理，得到標準旅游數據，包括：
4.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述利用卷積神經網絡與循環神經網絡相結合的模型架構對所述標準旅游數據進行特征提取，得到特征旅游數據，包括：
5.如權利要求1所述的一種基于深度學習的旅游數據分析方法，其特征在于，所述通過融合多種深度學習算法構建旅游數據的分析模型對所述特征旅游數據進行分析，所述分析至少包括游客的旅游偏好分析、旅游高峰時段、景點熱度隨時間的變化規律、不同地區游客的消費模式分...
【專利技術屬性】
技術研發人員：喬楓，王雅慧，趙晨，姬于凡，李正圓，胡超，蔡震超，
申請(專利權)人：新疆理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。