【摘要】：為了滿足復(fù)雜景區(qū)環(huán)境中游客的個性化導(dǎo)航需求,建立了一種綜合考慮景區(qū)地形、氣象與游客密度等多維動態(tài)環(huán)境要素的導(dǎo)航網(wǎng)格模型,在此基礎(chǔ)上設(shè)計實現(xiàn)了智慧旅游動態(tài)尋徑的A*算法.融合多維動態(tài)環(huán)境信息的景區(qū)綜合導(dǎo)航網(wǎng)格模型突破了傳統(tǒng)旅游地圖主要依賴靜態(tài)路網(wǎng)模型的局限,支持實時環(huán)境感知并適應(yīng)游客偏好的動態(tài)路徑規(guī)劃.以都江堰景區(qū)為例進行了實驗驗證,實驗結(jié)果表明,本文算法的最優(yōu)路徑規(guī)劃結(jié)果比景區(qū)推薦路徑的綜合距離縮短了17.6%,同時有助于為游客提供動態(tài)、智能化、精準(zhǔn)化和一體化的智慧旅游位置信息服務(wù).
【圖文】：

求出包含POI的所有網(wǎng)格，在圖中尋找到對應(yīng)的頂點集合，以這些頂點為端點的邊，更新每一條邊的權(quán)值，適當(dāng)?shù)販p少權(quán)值，使得這些邊的權(quán)值小于相鄰邊的權(quán)值，在尋徑過程中能夠優(yōu)先考慮包含POI的頂點集合．(2)分別求出包含游客位置和目的地網(wǎng)格，在圖中找到對應(yīng)的頂點，作為尋徑的起始頂點和終止頂點，邊的權(quán)值作為代價函數(shù)，頂點間的曼哈頓距離作為啟發(fā)式函數(shù)，利用A*算法在整個圖中尋找最短路徑．(3)將最短路徑的頂點集合映射為對應(yīng)的導(dǎo)航網(wǎng)格中的網(wǎng)格集合，連接集合中所有網(wǎng)格的重心點，即為求得的最優(yōu)路徑．圖1A*算法流程圖Fig．1FlowchartofA*algorithm2．2動態(tài)優(yōu)化策略在初始化時，首先加載相對靜止的地形起伏度數(shù)據(jù)，此后不需要更新，氣象環(huán)境、游客密度以及事件數(shù)據(jù)按照各自更新頻率實時接入．要保證動態(tài)環(huán)境因素的實時更新，只需在環(huán)境信息發(fā)生變化時，計算更新目標(biāo)所在網(wǎng)格與相鄰網(wǎng)格間相關(guān)環(huán)境因素的通行代價，無需再次生成導(dǎo)航網(wǎng)格．由于多源數(shù)據(jù)采樣的時間頻率和空間頻率不同，因此，首先要對這些多維動態(tài)環(huán)境數(shù)據(jù)進行時空配準(zhǔn)［16］．包括時間上建立統(tǒng)一的時間基準(zhǔn)，空間上確定統(tǒng)一的導(dǎo)航網(wǎng)格分辨率．多維動態(tài)環(huán)境數(shù)據(jù)weather、density和event的開始采樣時間分別為tw、td和te，建立綜合導(dǎo)航網(wǎng)格的時間基準(zhǔn)t=min(tw，td，te)，時間區(qū)間T=Tw∪Td∪Te．3實驗與分析為了驗證該方法的有效性，本文選用都江堰景區(qū)(面積為2．2km2)進行實驗．實驗機器為Intel(Ｒ)Core(TM)i7-3720QM2．60GHz，操作系統(tǒng)為64位Windows7，開發(fā)環(huán)境為VisualStudio2013，實驗區(qū)198

第1期朱慶，，等:綜合導(dǎo)航網(wǎng)格模型及其在智慧旅游尋徑中的應(yīng)用域如圖2所示．普通導(dǎo)航網(wǎng)格采用網(wǎng)格間實際距離作為路段權(quán)重，顧及景區(qū)多維動態(tài)環(huán)境信息以及游客偏好的綜合導(dǎo)航網(wǎng)格，除了考慮網(wǎng)格間實際距離外，還對影響游客體驗的地形起伏度(圖3(a))和游客密度(圖3(b))等動態(tài)環(huán)境信息進行權(quán)重分配，生成綜合導(dǎo)航網(wǎng)格模型．景區(qū)導(dǎo)航網(wǎng)格的單元網(wǎng)格尺寸過大或過小均導(dǎo)致通行代價過于平滑，以游客密度為例，若單元格過小，單元格容納的游客人數(shù)較少，網(wǎng)格單元間的游客密度變化不明顯，大大降低了游客密度對尋徑的影響程度;若單元格的尺寸較大，單個單元格內(nèi)部不同部分游客密度分布差異可能較大，不能定性地判斷該單元格是否擁堵，對尋徑?jīng)Q策造成影響．針對這一問題，本文選取通行代價的標(biāo)準(zhǔn)差δ定量判斷導(dǎo)航網(wǎng)格內(nèi)通行代價的分布狀態(tài)，即δ=1N∑Ni=1(xi－u)i

本文編號：2532118