摘要：地方旅游大數(shù)據(jù)建設(shè)日趨完善和人工智能技術(shù)的不斷發(fā)展為構(gòu)建地方智慧旅游輔助決策平臺提供了必要條件。文章提出基于地方旅游大數(shù)據(jù)的智慧旅游輔助決策服務(wù)平臺的設(shè)計方案。一方面，對潛在游客的旅游出行規(guī)劃提供智能參考，可增強游客的個性化體驗。另一方面，為景區(qū)、涉旅企業(yè)及旅游管理部門提供輔助決策支持。該智慧旅游決策平臺的設(shè)計方案和技術(shù)實現(xiàn)方案可用于指導(dǎo)智慧旅游平臺建設(shè)，促進地方旅游智能化轉(zhuǎn)型升級，推動地方全域旅游高質(zhì)量發(fā)展。

關(guān)鍵詞：智慧旅游；地方旅游；大數(shù)據(jù)；輔助決策；人工智能

中圖分類號：F59;TP311" 文獻標(biāo)志碼：A

0 引言

大數(shù)據(jù)技術(shù)作為不斷發(fā)展的新興技術(shù)［1］，廣泛應(yīng)用于人們的生產(chǎn)生活。隨著云計算、大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展和廣泛應(yīng)用，旅游的關(guān)聯(lián)行業(yè)也已經(jīng)積累了海量數(shù)據(jù)，這為建設(shè)基于大數(shù)據(jù)的智慧旅游輔助決策平臺提供了數(shù)據(jù)條件和技術(shù)條件。智慧旅游時代更強調(diào)旅游的個性化和智能化，需要挖掘數(shù)據(jù)中的潛在價值，增強用戶體驗，為涉旅企業(yè)和部門提供決策支持，提升旅游服務(wù)品質(zhì)。因此，構(gòu)建符合地方特色的智能旅游決策平臺是必要且可行的。

近年來大數(shù)據(jù)在智慧旅游方面的應(yīng)用研究不斷增多。如梁昌勇等［2］提出通過數(shù)據(jù)挖掘能夠為旅游管理、營銷和服務(wù)提供決策支持。文君［3］對32家高端民宿的空間位置數(shù)據(jù)、消費者使用數(shù)據(jù)、評論數(shù)據(jù)等旅游大數(shù)據(jù)進行分析挖掘， 探究高端民宿消費者的行為特征及規(guī)律，為民宿經(jīng)營者和政府部門提供建設(shè)性發(fā)展建議。顏子涵等［4］設(shè)計了基于大數(shù)據(jù)存儲和智能推薦的貴州特色小鎮(zhèn)在線旅游平臺，實現(xiàn)了景區(qū)景點信息的智能推薦，提升了小鎮(zhèn)的潛在吸引力。目前，貴陽建設(shè)的智慧旅游大數(shù)據(jù)服務(wù)平臺、山東省旅發(fā)委建設(shè)的旅游大數(shù)據(jù)采集平臺均對旅游基礎(chǔ)數(shù)據(jù)的采集、整合和智能應(yīng)用起到積極作用。

目前，我國對大數(shù)據(jù)和人工智能技術(shù)在智慧旅游中的應(yīng)用研究逐漸增多，但多數(shù)都是集中在智能推薦、情感分析等某一種技術(shù)的應(yīng)用研究，智慧旅游決策服務(wù)平臺整體設(shè)計與應(yīng)用的研究較少。部分研究雖然提供了智能旅游平臺的宏觀設(shè)計思路，但并未配套詳細的設(shè)計方案和技術(shù)實現(xiàn)方案。另外，當(dāng)前構(gòu)建地方主題數(shù)據(jù)倉庫、針對地方特色的智慧旅游決策平臺研究較少。因此，本研究將基于地方旅游數(shù)據(jù)，全面匯聚地方旅游行業(yè)的從業(yè)者及消費者所產(chǎn)生的數(shù)據(jù)，形成符合地方旅游特色、面向不同應(yīng)用的旅游主題數(shù)據(jù)倉庫。然后，基于數(shù)據(jù)倉庫運用人工智能技術(shù)實現(xiàn)情感傾向分析、個性化推薦、輔助決策規(guī)則生成等智能模塊，最終形成可復(fù)制、可實施的地方智慧旅游決策平臺設(shè)計方案和關(guān)鍵功能的技術(shù)實現(xiàn)方案。本項目所形成的智慧旅游決策平臺的設(shè)計方案和技術(shù)實現(xiàn)方案可以指導(dǎo)智慧旅游平臺建設(shè)，促進地方旅游智能化轉(zhuǎn)型升級，推動地方全域旅游高質(zhì)量發(fā)展。

1 平臺總體設(shè)計

基于地方旅游大數(shù)據(jù)的智慧旅游輔助決策服務(wù)平臺功能需要考慮滿足游客、涉旅部門、涉旅企業(yè)三大核心群體的基本需求，重視地方涉旅部門、景區(qū)與企業(yè)的智能決策輔助及游客的個性化體驗，形成一套可復(fù)制、可實施的智慧旅游決策平臺設(shè)計方案。地方旅游大數(shù)據(jù)輔助決策系統(tǒng)總體架構(gòu)設(shè)計如圖1所示。

系統(tǒng)總體分為3層：數(shù)據(jù)采集層、數(shù)據(jù)倉庫層和數(shù)據(jù)應(yīng)用層。

1.1 數(shù)據(jù)采集模塊

對地方與旅游相關(guān)的信息化系統(tǒng)中的數(shù)據(jù)進行統(tǒng)一采集，包括：景區(qū)票務(wù)系統(tǒng)數(shù)據(jù)、景區(qū)和酒店數(shù)據(jù)、互聯(lián)網(wǎng)游客評論數(shù)據(jù)等，形成數(shù)據(jù)信息采集功能模塊的詳細設(shè)計方案和核心采集程序。本課題采集地方旅游相關(guān)數(shù)據(jù)，以煙臺市為例，數(shù)據(jù)來源一共有3種。（1）利用網(wǎng)絡(luò)爬蟲技術(shù)從互聯(lián)網(wǎng)旅游平臺爬取了煙臺市游旅游酒店基本數(shù)據(jù)，包括旅游酒店地理位置、星級、游客滿意度、類型等。（2）從互聯(lián)網(wǎng)旅游平臺采集游客評論數(shù)據(jù)，包括酒店名稱、游客評論、評價打分等，為游客評論情感分析提供數(shù)據(jù)支撐。（3）從智慧文旅大數(shù)據(jù)平臺獲取公開旅游數(shù)據(jù)，形成一個數(shù)據(jù)源，描述景區(qū)級別和游客流量下降值、最大承載量等特征。

該模塊采集的數(shù)據(jù)主要來源于地方城市的文旅大數(shù)據(jù)平臺、互聯(lián)網(wǎng)旅游平臺或App平臺，主要包括地方城市景區(qū)旅游統(tǒng)計數(shù)據(jù)、互聯(lián)網(wǎng)平臺旅游酒店數(shù)據(jù)、互聯(lián)網(wǎng)平臺游客評論數(shù)據(jù)、游客出行數(shù)據(jù)等。

本文以山東省地方城市為例，景區(qū)旅游數(shù)據(jù)可以直接采集自煙臺文旅大數(shù)據(jù)平臺，下載格式為CSV格式，后期需要做數(shù)據(jù)清洗和特征選取。旅游酒店數(shù)據(jù)和游客評論等數(shù)據(jù)均采用網(wǎng)絡(luò)爬蟲技術(shù)從互聯(lián)網(wǎng)平臺獲取，以下是關(guān)于數(shù)據(jù)采集模塊的詳細設(shè)計。

本文以游客評論和酒店基本數(shù)據(jù)采集為例，介紹數(shù)據(jù)采集的設(shè)計流程，如圖2所示。用戶評論數(shù)據(jù)和酒店基本數(shù)據(jù)、游客出行數(shù)據(jù)等均來自互聯(lián)網(wǎng)平臺，該部分采用爬蟲程序來實現(xiàn)。本文以旅游酒店用戶評論數(shù)據(jù)采集為例簡述設(shè)計過程，從攜程網(wǎng)采集旅游酒店基本數(shù)據(jù)和游客評論數(shù)據(jù)。

酒店用戶評論數(shù)據(jù)采集的數(shù)據(jù)格式為：游客評論主鍵（order_id），用于驗證評論的唯一性。酒店官網(wǎng)（url）、酒店名稱（hotel_name）、評論日期（post_time）、評論者姓名（user_name）、酒店評論的評論內(nèi)容（content）、游客評分（user_score），形成的數(shù)據(jù)可用于后面的情感分析訓(xùn)練集的制作。

首先，選擇一個城市，找到該城市對應(yīng)的攜程酒店的初始地址。其次，基于地址爬取地方旅游酒店基本信息，包括酒店名稱、酒店url地址、酒店ID等。最后，循環(huán)遍歷酒店ID列表，爬取關(guān)于每個酒店的評論信息，并將評論內(nèi)容保存到文件中。

1.2 數(shù)據(jù)倉庫管理模塊

基于采集的旅游數(shù)據(jù)，設(shè)計符合地方特色、面向不同應(yīng)用需求的數(shù)據(jù)模型，形成包含不同主題的數(shù)據(jù)倉庫，實現(xiàn)數(shù)據(jù)的集中采集、存儲和處理，為上層的大數(shù)據(jù)分析和決策模塊提供支撐，也可以為地方景區(qū)、涉旅企業(yè)、涉旅部門之間信息共享和互聯(lián)互通提供統(tǒng)一的信息平臺。本課題基于數(shù)據(jù)采集提供的3個數(shù)據(jù)源分別設(shè)計了3個主題的數(shù)據(jù)倉庫，即數(shù)據(jù)集市，分別是地方旅游酒店基本數(shù)據(jù)主題數(shù)據(jù)倉庫、游客評論主題數(shù)據(jù)倉庫、景區(qū)旅游統(tǒng)計主題數(shù)據(jù)倉庫。

采集的旅游大數(shù)據(jù)體量較大，數(shù)據(jù)清洗和預(yù)處理需要的計算資源較大，所以該模塊所有數(shù)據(jù)應(yīng)考慮方便上傳到大數(shù)據(jù)平臺進行存儲，并能夠高效率進行數(shù)據(jù)處理，從而形成最后的數(shù)據(jù)倉庫表。

本文以旅游酒店基本數(shù)據(jù)和評論數(shù)據(jù)主題數(shù)據(jù)倉庫表為例，其他主題數(shù)據(jù)倉庫表設(shè)計和實現(xiàn)流程基本相同。數(shù)據(jù)倉庫表構(gòu)建流程如圖3所示。

首先，基于爬蟲爬取的某個地級市的酒店基本信息數(shù)據(jù)和用戶評論數(shù)據(jù)，采用Hadoop等大數(shù)據(jù)平臺來存儲數(shù)據(jù)，通過Python 的hdfs模塊實現(xiàn)數(shù)據(jù)上傳。其次，運用Spark等數(shù)據(jù)分析框架對數(shù)據(jù)集進行數(shù)據(jù)清洗，主要針對異常數(shù)據(jù)和不一致數(shù)據(jù)。再次，為酒店基本信息和評論數(shù)據(jù)分別設(shè)計數(shù)據(jù)倉庫表，本文使用Hive技術(shù)來創(chuàng)建。最后，根據(jù)要分析和應(yīng)用的主題設(shè)計內(nèi)部表，這些內(nèi)部表可以為未來進行數(shù)據(jù)分析和可視化提供數(shù)據(jù)來源。

1.3 旅游數(shù)據(jù)分析和智能決策模塊

基于地方旅游大數(shù)據(jù)輔助決策平臺的關(guān)鍵是數(shù)據(jù)應(yīng)用層面?；跀?shù)據(jù)倉庫進行數(shù)據(jù)挖掘分析，能夠提升游客的個性化體驗，并為涉旅企業(yè)提供輔助決策，也為涉旅政府部門提供直觀的數(shù)據(jù)統(tǒng)計和決策支持。該模塊具體系統(tǒng)業(yè)務(wù)功能包括：情感分析模塊、大數(shù)據(jù)分析和挖掘輔助決策模塊。

1.3.1 情感分析模塊設(shè)計

情感分析技術(shù)能夠從海量文本中提取用戶的主觀情感和滿意程度，對意見挖掘、網(wǎng)絡(luò)輿情監(jiān)控等應(yīng)用提供重要參考［5-6］。

根據(jù)用戶互聯(lián)網(wǎng)平臺評論數(shù)據(jù)形成的數(shù)據(jù)倉庫表，運用深度學(xué)習(xí)算法進行情感分析，研究更關(guān)注用戶是否存在負面情感，更好地利用在線評論，研究顧客意見挖掘，為酒店業(yè)提供建議。

由于酒店評論是中文文本較多，中文文本語義靈活性較高，分詞難度較大，且存在一詞多義的問題，項目中采用了谷歌的BERT模型與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的情感分析模型。該模型采用BERT預(yù)訓(xùn)練產(chǎn)生詞向量作為模型輸入，利用深度神經(jīng)網(wǎng)絡(luò)提取情感特征，最后利用自注意力機制來區(qū)分句子中情感特征的重要度，從而提高情感分類的準(zhǔn)確度。

1.3.2 旅游大數(shù)據(jù)分析和挖掘模塊設(shè)計

旅游大數(shù)據(jù)分析和挖掘模塊主要包括3部分設(shè)計，具體設(shè)計如下。

（1）基于地方旅游景區(qū)相關(guān)統(tǒng)計數(shù)據(jù)，依據(jù)關(guān)聯(lián)規(guī)則挖掘模型生成關(guān)聯(lián)規(guī)則，為景區(qū)和旅游主管部門提供決策支持。

（2）專門針對平臺積累的旅游酒店基本數(shù)據(jù)和酒店評論數(shù)據(jù)，基于Hadoop大數(shù)據(jù)平臺構(gòu)建數(shù)據(jù)倉庫，并利用數(shù)據(jù)倉庫進行各種維度的數(shù)據(jù)統(tǒng)計和數(shù)據(jù)可視化呈現(xiàn)，為酒店和旅游管理部門提供直觀的數(shù)據(jù)參考。

（3）基于用戶旅游數(shù)據(jù)和酒店基本數(shù)據(jù)進行數(shù)據(jù)挖掘，生成關(guān)聯(lián)規(guī)則，為涉旅酒店運營和用戶出行提供決策支持。

該模塊主要基于地方旅游數(shù)據(jù)不同主題的數(shù)據(jù)倉庫，運用數(shù)據(jù)挖掘或機器學(xué)習(xí)算法為游客、景區(qū)或涉旅企業(yè)提供輔助決策。本文以基于旅游景區(qū)統(tǒng)計主題數(shù)據(jù)倉庫為例，介紹輔助決策挖掘模塊的詳細設(shè)計與實現(xiàn)思路，與其他主題數(shù)據(jù)倉庫的挖掘模塊思路基本一致。

基于景區(qū)旅游統(tǒng)計主題數(shù)據(jù)倉庫，挖掘景區(qū)級別和游客流量下降值、最大承載量等特征之間的關(guān)聯(lián)關(guān)系，尋找高置信度的決策參考建議。主要技術(shù)實現(xiàn)流程如圖4所示。

數(shù)據(jù)來自煙臺市智慧文旅大數(shù)據(jù)平臺各景區(qū)游客游覽信息，時間范圍：2018年至今；空間范圍：煙臺市；更新周期：每年10月；更新方式：庫表、增量。

部分經(jīng)過預(yù)處理和特征選擇后的表格數(shù)據(jù)如表1所示。

首先，本文基于以上數(shù)據(jù)的連續(xù)值的列進行離散化處理，這樣的處理可以產(chǎn)生通用性和歸納性較強的規(guī)則。上面涉及的數(shù)據(jù)列為：'max_load'， 'uid'， 'day_lowers'， 'flow_lowers'， 'scenes_level'。本文對'max_load'，'day_lowers'， 'flow_lowers'3列數(shù)據(jù)進行離散化，劃分為3個標(biāo)簽類別，分別是低、中、高，對應(yīng)類別名稱為：low、mid、high。

然后，對數(shù)據(jù)清洗后的數(shù)據(jù)運用關(guān)聯(lián)規(guī)則挖掘算法進行屬性之間的相關(guān)性分析。技術(shù)框架上采用Weka框架，該框架包含了較多經(jīng)典的數(shù)據(jù)挖掘算法，其中包括對數(shù)據(jù)進行預(yù)處理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則以及在新的交互式界面上的可視化。基本過程是：將預(yù)處理后的游客旅游樣本數(shù)據(jù)保存為arff格式，打開該軟件界面加載arff文件并設(shè)置基本的算法參數(shù)。

本文基于景區(qū)旅游統(tǒng)計數(shù)據(jù)樣本進行數(shù)據(jù)挖掘的具體應(yīng)用，從中發(fā)現(xiàn)特征之間的關(guān)聯(lián)關(guān)系，步驟如下：

（1）采集和預(yù)處理數(shù)據(jù)樣本。首先對采集到的數(shù)據(jù)樣本進行數(shù)據(jù)清洗，包括去除異常數(shù)據(jù)和部分特征的離散化處理，最終將樣本保存為arff格式。

（2）加載數(shù)據(jù)，打開軟件并選擇arff數(shù)據(jù)文件，選擇感興趣的屬性，未來生成的關(guān)聯(lián)規(guī)則中會包含這些屬性。

（3）選擇關(guān)聯(lián)規(guī)則挖掘算法，本文選擇經(jīng)典的Apriori算法。設(shè)置最小支持度和置信度，這里設(shè)置最小值支持度為0.5，最小置信度為0.9，參數(shù)可以在該界面調(diào)整。

（4）生成關(guān)聯(lián)規(guī)則。根據(jù)用戶設(shè)定的支持度和置信度參數(shù)值，產(chǎn)生強關(guān)聯(lián)規(guī)則，并將生成的規(guī)則按照置信度來排序。

以下是算法的運行結(jié)果：

Best rules found：

1. max_load=low flow_lowers=low 7679 ==gt; day_lowers=low 7678" lt;conf：（1）gt; lift：（1.02） lev：（0.01） ［131］ conv：（66.04）

2. max_load=low day_lowers=low 7679 ==gt; flow_lowers=low 7678" lt;conf：（1）gt; lift：（1.02） lev：（0.01） ［118］ conv：（59.51）

3. day_lowers=low scenes_level=4A 5265 ==gt; flow_lowers=low 5264" lt;conf：（1）gt; lift：（1.02） lev：（0.01） ［80］ conv：（40.8）

4. day_lowers=low 9828 ==gt; flow_lowers=low 9824" lt;conf：（1）gt; lift：（1.02） lev：（0.01） ［148］ conv：（30.47）

5. flow_lowers=low scenes_level=4A 5271 ==gt; day_lowers=low 5264" lt;conf：（1）gt; lift：（1.02） lev：（0.01） ［83］ conv：（11.33）

6. scenes_level=4A 5311 ==gt; flow_lowers=low 5271" lt;conf：（0.99）gt; lift：（1.01） lev：（0） ［42］ conv：（2.01）

從以上結(jié)果可以看出：很多可以用于輔助決策的規(guī)則，比如最大承載量較低且流量下降幅度較低的有很大的可能每日下降幅度程度低。再比如4A級景區(qū)有99%的概率流量下降程度低。流量下降程度低并且景區(qū)級別是4A級，則肯定每日下降量較低。最大承載量低的每日流量下降幅度低等。

2 結(jié)語

本文在各地旅游大數(shù)據(jù)日臻完善和智慧旅游時代背景下，通過研究設(shè)計基于地方旅游數(shù)據(jù)倉庫的智慧旅游輔助決策平臺，最終形成可指導(dǎo)開發(fā)的可實施的平臺設(shè)計方案和實現(xiàn)思路。整體平臺依據(jù)大數(shù)據(jù)分析的流程分為3個層次，分別是數(shù)據(jù)采集層、數(shù)據(jù)倉庫層和智能決策層，并針對每層結(jié)構(gòu)給出詳細的設(shè)計流程和關(guān)鍵模塊的實現(xiàn)思路。形成的設(shè)計方案可以為地方構(gòu)建旅游決策平臺提供思路和技術(shù)參考，有利于整合地方景區(qū)、酒店、游客等多維度旅游數(shù)據(jù)，并與人工智能技術(shù)相結(jié)合進行個性化推薦及決策建議推送，為游客出行和地方涉旅部門和企業(yè)提供決策支持。

參考文獻

［1］肖遠平，龔翔.“互聯(lián)網(wǎng)+”視域下貴州旅游產(chǎn)業(yè)智慧化發(fā)展研究［J］.貴州社會科學(xué)，2016（5）：127-132.

［2］梁昌勇，馬銀超，路彩紅.大數(shù)據(jù)挖掘：智慧旅游的核心［J］.開發(fā)研究，2015（5）：134-139.

［3］文君.基于大數(shù)據(jù)分析的高端民宿消費行為研究［D］.鄭州：鄭州大學(xué)，2021.

［4］顏子涵，禹振，曹盼，等.基于大數(shù)據(jù)存儲和智能推薦的貴州特色小鎮(zhèn)在線旅游平臺的設(shè)計與實現(xiàn)［J］.電腦知識與技術(shù)（學(xué)術(shù)版），2022（24）：20-22.

［5］何炎祥，孫松濤，牛菲菲，等.用于微博情感分析的一種情感語義增強的深度學(xué)習(xí)模型［J］.計算機學(xué)報，2017（4）：773-790.

［6］姜杰.社交媒體文本情感分析［D］.南京：南京理工大學(xué)，2017.

Design of intelligent tourism auxiliary decision-making service platform based on local tourism big data

Abstract： "The increasingly perfect construction of local tourism big data and the continuous development of artificial intelligence technology provide the necessary conditions for the construction of local intelligent tourism assisted decision-making platform. This paper proposes a design scheme for the intelligent tourism assisted decision-making service platform based on local tourism big data. On the one hand， it provides intelligent reference for potential tourists’ travel planning， which can enhance tourists’ personalized experience. On the other hand， it provides auxiliary decision support for scenic spots， travel-related enterprises and tourism management departments. The design scheme and technical realization scheme of the intelligent tourism decision-making platform formed by this project can be used to guide the construction of intelligent tourism platform， promote the intelligent transformation and upgrading of local tourism， and promote the high-quality development of local regional tourism.

Key words： smart tourism; local tourism; big data; assisted decision making; artificial intelligence