基于模糊APACA 的个性旅游线路设计研究

王萌

（西安财经大学行知学院管理科学分院，陕西西安 710061）

在社会经济不断发展的过程中，人们的生活水平提高了，旅游从少数人的奢侈消费朝着大众化消费转变，逐渐成为人民群众日常生活的主要内容。在我国改革开放程度越来越深的过程中，旅游行业逐渐成为我国的主要产业，未来旅游业会促进我国GDP 的增长[1]。所以，最优路线的科学规划、降低游客的花费、提高游客旅游体验具有重要意义。

1 个性旅游线路的研究

1.1 新建道路

在陡峭的山坡和高山最常见的就是公路，地形多为山岭重丘地貌。为了避免大填大挖对原本地形地貌造成破坏，在设计路线过程中要全面考虑地形特征，慎重选择纵横平方式，保护沿线生态环境，降低地质灾害，保持原本自然景观。使用高标准进行要求，需要考虑地形条件。如果环境比较恶劣，在设计过程中需降低技术指标[2]。

1.2 路基和路面

为了使养护工作在良好的生活与工作环境中进行，要使用沥青混凝土处理路面，降低公路两旁的泥土扬尘；在路线中，要对重点地质病害路段进行处理，保护地貌地质特性。为了控制道路危害，要开展分析比对，针对改建、绕避、治理和新建，降低坡面开挖，从而降低路基土石方的工程量。

1.3 防护工程

因部分影响因素所以需考虑挖方路基边坡坡度，比如土生成的年代、挖方边坡高度、土的成因类型、岩石特点、岩石构成等。为了避免由于挖填力比较大导致土体不平衡，就要充分考虑防护过程中岩土的构造、山体的稳定性、山体堆积物的松散度，从而做好排水工作[3]。在防护方式方面，选择不同地质与边坡高度，比如路堤挡墙、挂网锚喷和护面墙，从而降低水土流失。

1.4 旅游旺季车辆控制

人们物质方面逐渐满足，开始重视精神享受。尤其是在各放假黄金阶段，不管在哪里都有大量的人流和车流，导致环境压力过大，很多景点和文物被破坏。因此，要求配合部门与旅游景点人员，控制旅游景区过往车辆，使用相关人员限制和疏导，促进旅游景区可持续发展，保护生态环境[4]。

2 个性化推荐模型

2.1 基于用户协同过滤模型

针对游客协同过滤推荐原理，以游客对于信息、物品的不同偏好寻找相似的邻居用户群，可利用KNN 算法来实现。然后，针对k个邻居的历史偏好信息推荐用户。那么，在设计个性化旅游线路时，要求利用高相似性的用户集合推荐选择旅游点[5]。协同过滤模型的设计步骤为：

1）创建用户-景点评分矩阵。在创建前要计算用户评价的景点信息，假设指的是用户Ui对于景点Lj的评分，用户对景点评分矩阵表示为：

2）创建邻接矩阵。利用邻接矩阵计算两个用户的相似度，通过余弦相似度判断用户之间是否为同种类型，用户μ,v的相似度如式（2）所示。

式（2）中，Ui指的是景点集合评分，利用以上计算得到两个用户相似度，因为不同用户对于景点评论也不同，假如部分用户没有对景点评论，该景点评分设置为中性值3。结合实际情况，寻找比预定设置值更高的阈值，使该用户归为相同类[6]。

3）评分预测。基于用户协同过滤思想，通过计算用户相似近邻得出用户对景点的评分，之后计算用户未知景点评分时，要参考相似近邻对于该景点的评分，然后，通过用户相似近邻计算景点评分，通过其他用户和推荐用户评价景点，并且计算余弦相似度，之后计算偏差值，利用偏差值对用户和推荐景点预测分数进行预测，如式（3）所示。

式（3）中，λ指的是景点修正参数，指的是景点评分，指的是用户对于景点的平均评分，cos（U,Ui）指的是用户和其他用户的相似度。计算P(U,L)，假如该值比预定阈值大，表示该景点满足用户需求。利用该计算能够得到推荐给用户的景点集合。通过上述计算，发现数据稀疏性与冷启动问题，对推荐有效性造成影响，所以还要考虑位置信息[7]。

2.2 基于地理位置推荐模型

列举用户访问景点，计算景点和中心点的位置，利用其画出最小直径圆，该圆包括全部景点，且直径最小，之后将各圆心与景点的平均数作为用户活动的半径。对偏离景点或者圆心进行假设，删除景点之后计算圆心位置。分析数据集的所有活动半径，发现用户对景点的喜爱程度具有区域性，若新景点和用户目前位置比活动半径要小，则用户可选择此景点。所以，推荐模型能够对原本活动中心到新景点的距离进行计算，以此估计用户对景点的喜好程度[8]，具体过程如下：

景点的位置越远，用户的选择意愿就会降低，拟合函数公式为：

其中，a和b是指两个常数，x指的是用户活动中心与推荐景点的距离，用户选择意愿为y。为了结合用户协同过滤算法，设置y值处于封闭区间[1,5]。假设全部距离阈值为[d5,d4,d3,d2]，使用户选择意愿划分为：

根据式（5），能够对用户推荐点评分进行预测[9]。

3 基于APACA的旅游线路设计

3.1 多态蚁群算法

在个性旅游线路设计过程中使用APACA 算法，侦查蚁在全局侦查之后，锁定局部景点并且分泌侦查素。在n1个景点中放置n1只侦查蚁，将所有点作为中心，侦查其他n1-1 个点。每只侦查蚁根据评价指标对MAXPC个景点进行选择，通过侦查素进行标记。侦查素Sij通过景点之间行车时间与活动收益进行决定，对i到j的路径进行标记[10]。

搜索蚁每到一个活动点，以侦查素与各信息素对下一个点进行全局搜索，直到完成行程。对蚁群运动进行搜索，将伪随机比例规则应用到活动i到j的转移规则中[11]。多态蚁群主要代码如下：

3.2 局部信息素更新原则

在全部搜索蚁进行一次巡游后，对各路径信息量进行调整。不同于基本更新原则，侦查素Sij会对更新原则造成影响，具体公式为：

式（7）中，Δτij指的是该循环全部搜索蚁在路径(i，j)中所释放的全部信息量[12]。

在全部搜索蚁一次巡游后，对全局信息素进行更新，使最优路径的信息素增强，并且该更新原则会受到侦查素Sij影响。使用动态候选表的策略，避免了在搜索过程中考虑全部的未访问景点，提高了搜索效率[13]。

3.3 多态蚁群算法步骤

文中算法步骤为：

1）对参数和最大迭代次数初始化；

2）根据式（6）对侦查素进行计算，使结果Sij构成预侦查素矩阵S，之后设置MAXPC列后的值为0，也就是景点并不在侦查范围中，构成矩阵ZS；

3）使所对应MAXPC范围中的景点根据式（1）创建初始信息素，MAXPC范围外也以上述公式进行创建；

4）使迭代次数Nc 数值设置为1[14]；

5）创建蚂蚁初始最佳景点候选表，假设该景点i满足公式需求，即可以入表；

6）在候选表中随机选择k只搜索蚁的初始位置，使其放置到每只搜索蚁所对应的表中；

7）k只搜索蚁对景点总数的选择不同，依次循环每代搜索蚁，设置搜索蚁序号为r=1；

8）判断候选表是否存在可选景点，在有可选景点后转到以下步骤；

9）计算每只搜索蚁r，使其到达需要转移的位置，并且记录信息，根据步骤8）对景点候选表进行更新；

10）对d日旅馆i进行选择，i是指收益和行车时间比最大的旅馆编号。此时记录接下一天开始的旅行时间；

11）当搜索蚁r到行程总天数d=dmax时，将该搜索蚁结果存储到表中；

12）选择下一个搜索蚁；

13）在搜索完每只搜索蚁后，更新搜索蚁走过的路径；

14）如果达到最大迭代次数，转到下一步。如果没有达到，则不改进得到的最近若干个路径，对挥发系数进行调整；

15）根据式（7）更新全局最优路径信息量；

16）输出最优解路径图和行程甘特图[15]。

4 算法仿真分析

选择上海25 个景点与3 个旅馆地带，设计3 位组团游客3 日游旅游线路，并且安排日程。利用网络对景点游玩时间与行车时间进行分析，从而能够产生旅游收益，根据景点规定的开关门时间与最佳旅游时间决定起止时间。该算法根据目标函数产生Pareto 非支配解，包括收益最大解、收益方差最小解、行车时间最小解与中心解。游客以自己喜好对旅游线路进行选择，图1 为中心解收敛分析。通过图1 可知，文中算法所得解最优。

图1 中心解收敛分析

图2 为旅行时间影响分析，α为游客态度参数，λ为旅游时间。以此表示在α不断增加的过程中，λ也在不断增加，降低了旅行总时间。主要是因为在α增加时，旅游爱好者对旅游花费也越来越重视，减少了旅行总时间。但是λ也在不断降低，也就是增加了景点之间的距离和旅行总时间。简单来说，λ和α对于旅行总时间的影响相互制约，但是α对于旅行总时间具有更大的影响[16-19]。

图2 旅行时间影响分析

5 结束语

文中基于自由行备受人们喜欢，并且普通用户由于信息过多无法选择合适旅游线路等问题，提出了将模糊APACA 作为基础的个性旅游线路算法。此算法能够对用户各景点预测评分进行预测，之后选择合适的旅游景点，规划个性路线，对最终用户进行推荐。实验证明，基于模糊APACA 的个性旅游线路设计研究相较于传统方式更容易满足个性化需求，对于个性旅游市场有一定的促进作用。