没有合适的资源?快使用搜索试试~ 我知道了~
Costas Panagiotakis1, Evangelia Daskalaki2, Harris Papadakis2 andParaskevi Fragopoulou21Department of Management Science and Technology, Hellenic Mediterranean University, 72100, Agios Nikolaos, Greece2Department of Electrical and Computer Engineering, Hellenic Mediterranean University, 71004, Heraklion, Greece1. IntroductionRecSys Workshop on Recommenders in Tourism (RecTour 2022), September 22th, 2022, co-located with the 16th ACMConference on Recommender Systems, Seattle, WA, USA� cpanag@hmu.gr (C. Panagiotakis); eva@ics.forth.gr (E. Daskalaki); adanar@hmu.gr (H. Papadakis);fragopou@ics.forth.gr (P. Fragopoulou)GLOBE https://sites.google.com/site/costaspanagiotakis/ (C. Panagiotakis); http://users.ics.forth.gr/~eva/ (E. Daskalaki);https://www.ics.forth.gr/person/Fragopoulou/Paraskevi (P. Fragopoulou)Orcid 0000-0003-3680-7087 (C. Panagiotakis); 0000-0003-3056-1311 (E. Daskalaki); 0000-0002-5751-1923 (H. Papadakis);0000-0002-7134-9029 (P. Fragopoulou)© 2022 Copyright for this paper by its authors. Use permitted under Creative Commons License Attribution 4.0 International (CC BY 4.0).CEURWorkshopProceedingshttp://ceur-ws.orgISSN 1613-0073CEUR Workshop Proceedings (CEUR-WS.org)0基于期望最大化的POI类别旅游路线设计问题0摘要在这项工作中,我们提出了一种基于期望最大化(EM)的高效确定性方法,用于解决旅游者旅行设计或个性化行程推荐(PIR)的挑战性问题,其中包括POI类别。PIR旨在推荐一个个性化旅游路线,其中包括一系列的兴趣点(POIs),以最大化用户满意度并符合用户的时间预算约束。此外,POIs被分为不同的类别,以便旅游者能够对每个类别的POIs数量设置最小/最大限制。该框架主要侧重于利用推荐系统提供的个性化POI推荐来解决POIs序列选择问题。所提出的方法通过提供在每一步中预期最大化适当目标函数的POI来顺序解决PIR问题,考虑到用户满意度、用户时间预算、POIs开放时间、POIs类别约束和空间约束(例如起点和终点、POIs位置等)。所提出的系统还应用了具有多个协作实例的版本,以改进对搜索空间的探索并增加目标函数的得分。所提出的系统还与完整的旅游行程设计系统集成。在大量的合成和真实数据集上进行的实验结果和与现有方法的比较表明了所提出系统的高性能、鲁棒性和计算效率。0关键词 行程推荐,旅行规划,定向问题,推荐系统0users for items [3]. Content-based systems suggest items whose content is similar to itemsthat have been evaluated by a user [4]. Approaches that use a combination of these two maincategories have also been proposed [5]. Recommender systems have been successfully appliedon a variety of entities such as e-shop items, web pages, news feeds, social networks, articles,movies, music, hotels, television shows, books, restaurants, friends, etc.Recommender systems have been also successfully applied to an important and complextask related to tourists that concerns the planning and scheduling of tour itineraries, whichcomprise a sequence of Points-of-Interest (POIs) based on the unique preferences of each tourist[6]. The complex task of tour itinerary recommendation may also incorporate, apart from userpreferences, various real-life constraints such as limited time for touring, traffic conditions,spatial heterogeneity of POIs, POIs opening hours, weather conditions, group travel, POIpopularity, queuing times, pricing and crowdedness. The selection of the most valuable POIs isnot trivial due to the aforementioned constrains and parameters as well as the personalizedsatisfaction criteria and limitations of each tourist.The tourist trip design problem or personalized itinerary recommendation (PIR) problem isan extension of the orienteering problem applied to tourism. In the orienteering problem, aset of vertices is given, each with a score. The goal is to determine a path, limited in length,that visits some vertices and maximises the sum of the collected scores [7]. The tourist tripdesign problem consists in selecting a subset of locations to visit from among a larger set whilemaximizing the benefit (user satisfaction) for the tourist. The benefit is given by the sum ofthe rewards collected at each location visited with constraints such as budget, POIs openinghours (i.e. time windows at the locations), start and end points, starting time and maximumtrip duration [6, 8].Therefore, in this work, we study the PIR problem. In order to concentrate on the POIssequence selection problem, we assume that the gained user satisfaction per visited POI isprovided to the system (e.g. predicted by a Recommender System based on user preferences). So,the main goal of this work is to provide a sequence of POIs that maximize user satisfaction underseveral given constraints such as user time budget, user defined POI categories, POI openinghours and spatial constraints (e.g. start and end user points, POIs locations, etc). An advantageof the proposed method is that it can be easily adapted to the user preference of POIs which isprovided as an input to the proposed method, while other systems try to predict them based onhistorical data of user itineraries. Additionally, although the tourist is interested in visiting asmany POIs as possible according to her/his preferences, she/he may wish to avoid visiting toomany POIs that have similar characteristics (e.g., restaurants, art galleries). Similarly to [9, 8],this is implemented in the proposed system by enforced limits on the minimum and maximumnumber of POIs that the tourist can visit from each category. Furthermore, the proposed systemoffers the possibility to the tourist to select a set of mandatory POIs that should be included inher/his itinerary, by selecting appropriate values on the user defined category constraints. Theschema of the proposed system architecture is outlined in Fig. 1(a).Figure 1 depicts an instance of a personalized tour itinerary, where the user starts at point 2and ends at point 8. In this example, a solution of the proposed framework is plotted with redcolor, that consists of five POIs (2, 15, 5, 14, 6) which provide high user satisfaction. The categoryof each POI is shown in parenthesis, while the minimum and maximum limits per category aredepicted on the bottom left of Fig. 1(b). It holds that six out of eight user defined POI category0POI满意度0POI0上0推荐系统0行程0行程推荐0方法0POI开放时间0用户时间预算0POI旅行时间0用户起点和终点0POI类别约束0(a)0(b)0(c)0图1:(a)所提出的框架的结构。(b),(c)在2D地图上的个性化行程的示例,有16个POI。所提出的个性化行程包括三个访问的POI(2,15,5,14,6)。旅行从点2开始,时间为10:00,应在14:00之前结束(用户时间预算:10:00-14:00)。(b)16个POI的地图,每个POI用圆圈表示。POI的大小和颜色分别对应于访问的持续时间和获得的用户满意度。每个POI的类别显示在括号中。行程用红线表示。(c)个性化行程的时间表。0约束(c2、c3、c4、c5、c6和c7)也得到满足。每个POI的大小和颜色分别对应于访问的持续时间和获得的用户满意度。此外,所有的图边都被分配了旅行时间。根据所提出的时间表(见图1(c)),旅行从10:00开始,到13:46结束。因此,所选的旅行行程经过提供高用户满意度的POI,同时尊重用户的时间预算(10:00至14:00)。本工作的主要贡献涉及基于POI类别的PIR问题的问题形式化,以及一个提出的高性能和计算效率的确定性方法。所提出的系统的另一个重要贡献是其能够通过改变协作系统实例的数量来控制搜索空间的探索和计算成本之间的权衡。对于每个访问的POI,所提出的目标函数考虑了用户满意度、POI的访问持续时间及其类别约束,以及已访问的POI的数量,以便在POI数量增加时获得更高的值。在我们的工作中,获得的用户满意度也与POI的访问持续时间相关,使得所提出的目标函数更加真实。此外,我们展示了所提出的基于EM模式的框架的高性能和计算效率。所提出的方法的另一个贡献涉及其适用性,因为它可以很容易地与任何推荐系统结合(参见图1(a)和第4.3节中的所提出系统的集成到旅游行程设计系统)。本工作的另一个贡献涉及创建一个大型的合成公共数据集,用于测试不同问题参数值下的个性化行程推荐系统。本文的其余部分组织如下:第2节回顾了行程推荐问题的相关工作。在第3节,我们提出了主要的问题形式化。0我们在本文中研究的行程推荐。第4节描述了提出的行程推荐方法。第5节描述了实验设置以及获得的结果。最后,在第6节提供了结论和未来的研究方向。02.相关工作0近年来,随着基于位置的社交网络和智能手机的普及和爆炸性增长,游客访问的POI的人口统计学、用户偏好和时空信息以及评分等数据很容易被收集,提供了丰富的数据集,可以用来推断用户兴趣。这些大量的信息被个性化推荐系统利用,从而提高了个性化推荐的质量。因此,文献中出现了大量不同的行程推荐技术[6,10]。许多先前的研究将行程推荐作为旅行推荐问题(OP)[7]或旅行推销员问题(TSP)[11,12]的变体,带有多个约束条件,并随后使用优化技术来解决它们,以获得推荐的行程[13,14]。这些方法通常未能将个性化纳入个人用户的行程中。在基于个性化的方法中,主要的挑战是:01. 隐式推断游客的兴趣偏好,2. 将这些兴趣作为推荐游览路线的一部分 [ 6 ]。0TripBuilder [ 15]是一个无监督的框架,用于基于维基百科上的分类POI和来自Flickr的地理参考照片相册,规划个性化的城市观光游。它旨在规划包含最大化游客个人兴趣的POI的游览路线,同时遵守特定的参观时间预算。PersTour算法 [ 16]考虑了POI的受欢迎程度和用户偏好,推荐适合参观的POI以及在每个POI停留的时间。PersTour根据个体用户的相对兴趣个性化POI的访问持续时间,而不是依赖于所有用户的POI的平均访问持续时间。PersTour引入了两种自适应加权方法,自动确定对POI受欢迎程度和用户兴趣偏好的强调。在[ 17]中提出的方法推荐城市中令人愉悦的游览路线。为了量化城市位置的愉悦程度,使用了来自众包平台的数据。从源到目的地构建最佳行程分为四个步骤:01. 使用Eppstein算法在源和目的地之间隐式推断兴趣偏好的游客,2. 计算前 � (� <�)条路径中所有位置的平均排名。在每次探索时,存储具有最低(最佳)平均排名的路径。03. 当平均排名低于阈值时终止。4. 选择找到的最佳排名路径。0在[ 18]中,提出了一种遗传算法(GA)来提供包含一组高排名旅游景点和餐馆的旅行计划,以满足几个约束条件。GA使用自然选择和遗传原理来解决行程推荐的优化问题。它使用多阶段处理,如初始化、选择、交叉和变异来生成和完善候选解。0AGAM [ 19]是另一个遗传算法,用于解决这个问题的交叉和变异概率。在这个算法中,为了生成更好的结果,为每个因素分配不同的权重,以满足许多种类游客的偏好。在性能评估部分,提出的方法的实验结果与[ 17 ]和[ 18 ]进行了比较。UTP [ 20]根据协同过滤算法和时间偏好,推荐行程中有趣的地点,这些地点是类似游客以前去过的。DCC-PersIRE方法 [ 10]通过整合用户-POI访问、POI文本信息和POI类别来解决PIR问题,以预测用户兴趣和访问持续时间。最后,提出了一种基于迭代局部搜索的算法来解决PIR问题。在更近期的工作中,PWP算法 [ 21]根据游客的兴趣、行程的受欢迎程度和成本,推荐多条行程。PWP在选择每个行程时使用NSGA-II方法通过遗传算子有效地优化兴趣、受欢迎程度和成本。通过比较本地和全球游客生成行程列表。最近,旅游行程设计问题中还包括了额外的实际旅游约束,如强制性参观、每个类别位置数量的限制,以及选择的位置访问顺序 [ 8 ]。在[ 8]中,提出了基于分支和检查方法的四种方法来解决具有额外实际旅游约束和POI类别的经典行程问题。主问题选择位置的子集,验证除时间相关约束外的所有约束。这些位置定义了主问题的候选解。对于每个候选解,子问题检查是否可以使用给定的位置构建可行的行程。团体行程推荐方法提供了在团体偏好和给定的时间和空间约束之间平衡的行程。AMT-IRE [ 22]旨在根据以时间约束形式提供的整体团体偏好安排对感兴趣的POI进行参观。提出的AMT模型通过注意机制联合计算团体成员偏好和整体团体偏好。预测的整体团体偏好在一个变体的定向问题中使用,并且基于迭代局部搜索的算法推荐团体行程。在[ 23]中提出了另一种团体行程推荐方法,该方法从每个游客那里接收一组必访和首选兴趣点,并形成覆盖所有必访兴趣点的多天行程。该框架试图在团体成员之间最大化公平性。下一个POI推荐问题考虑用户签到的顺序信息以及用户的偏好。在[ 24 ]中,提出了Spatio-Temporal GatedNetwork来为用户的长期和短期偏好建模个性化的顺序模式,用于下一个POI推荐。在[ 25]中,提出的系统也基于神经网络架构,已被应用于向航空公司的客户推荐下一个个性化的旅行目的地。03. 问题定义0在本节中,我们描述了本文所涉及问题的各个方面的情景,并同时呈现了我们的发展基础。我们以下从定义个性化行程推荐问题开始。首先,我们定义了关于我们方法输入的初步条件。我们假设一个图0� = {� 1 , ...., � � } 给定地图中的 � 个POI的集合0� 1 / � � 起始/结束位置0�� 旅游的开始时间0� 时间预算0� 所有POI对之间的旅行时间矩阵( � × � )0� POI类别集合0� ��� � / � ��� � 属于类别 � 的POI的最小/最大偏好数量0� � POI � � 的访问持续时间0� � POI � � 的开放时间窗口0� � 通过访问POI � � 获得的用户满意度0�� � / �� � POI � � 的到达/离开时间0� 由三元组 (� � , �� � , �� � ) 组成的行程0�(�) � � 行程 � 的访问POI集合0�(�) 目标函数0�(�) 目标函数 F(c) 的期望值0表1 本文中使用的符号总结。0(例如城市地图)有 � 个POI � = {� 1 , ...., � � } . 让 � 为所有POI对之间的旅行时间矩阵( � × �)。让 � 为POI类别的集合(例如餐厅、博物馆、海滩、商店等)。对于每个类别 � ∈ �,根据用户偏好,也给出了属于类别 � 的POI的最小( � ��� � )和最大( � ��� �)的偏好数量。此外,对于每个POI � � ,访问持续时间 � � 和开放时间窗口 � �已知。不失一般性,我们可以假设 � 1 和 � �是旅游的起始和结束位置(POI)。在此之后,出于简化的原因,我们将假设 � 1 ≠ � �,然而,我们的方法即使在起始和结束位置重合的情况下也能工作( � 1 = � �)。根据问题定义,用户给出了旅游行程的开始时间 �� 和旅游的时间预算(持续时间) �。这意味着旅游行程应该在 �� + � 或之前结束。 � � 定义了通过访问POI � �获得的用户满意度。在我们的框架中, � �是离线计算的,例如通过基于用户偏好或其他特征(旅行、历史等)的推荐系统计算,如图1(a) 所示。在行程 � 的定义中,我们包括了访问的POI以及相应的时间信息。因此,行程 �由一系列三元组定义,其中每个三元组 (� � , �� � , �� � ) 由访问的POI � � 和相应的到达 �� � 和离开时间 �� �组成。也支持用户可以在不访问的情况下经过POI,这意味着 �� � = �� � 。因此,我们用 �(�)表示行程 � 的访问三元组序列 (� � , �� � , �� � ) ,对于这些三元组,满足 �� � > �� �。因此,根据行程推荐问题的定义,行程 � 应满足以下约束:01. 对于所有的� � ∶ � � ∈ �(�),都满足 [�� � , �� � ] � � �。这意味着相应的POI在访问期间应该是开放的。02. 对于所有的� � ∶ � � ∈ �(�), � ≥ 2,都满足到达时间 �� � 由 �� � = �� �−1 + � � �−1 ,� � 给出。01 � 可以通过在 �(� 2 ) 的POI图上应用Johnson算法来计算,假设图边的数量是 �(�),这通常对于城市地图来说是正确的。𝑓𝑔(𝑐) = ⎨⎪⎩(3)03. 行程应该从POI � 1 开始,这意味着 � 的第一个三元组应该是 �(1) = (� 1 , �� 1 , �� 1 ) 。04. �� 1 = �� ,这意味着旅行行程的开始时间与到达 � 1 的时间相同。05. 行程应该以 � � POI 结束,这意味着 � 的最后一个三元组应该是 �(|�|) = (� � , �� � , �� � ) 。06. �� � ≤ �� + � ,这意味着旅行行程在时间 �� + � 或之前结束。0此外,满足以下条件的类别数量 � ∈ � 应该被最大化:� ��� � ≤ ∑ ���(�(�))=� 1 ≤ � ��� � , (1)0这里, ���(�(�)) 是 �(�) 的类别。表 1 总结了本文中使用的符号。0解决行程推荐问题等同于找到最大化适当定义的目标函数 �的合法行程(即满足前述问题约束条件) � � 。用符号表示,0这里, ��是根据问题约束条件的合法行程集合。为了评估这个行程,我们提出了一个具有以下属性的目标函数 � :0• 对于每个类别( � ∈ � ),我们考虑相应的约束(见方程 1),以便满足最大数量的约束,行程 � 就越可取。0• 对于每个POI ( � �),我们考虑相应的每小时获得的用户满意度,该满意度乘以访问持续时间 �� � − �� �。直观地,获得的满意度越大,行程 � 就越可取。0• 访问点的数量 |�(�)| 也增加了目标函数的值。• 合法行程的目标函数值是非负的。•非法行程的目标函数值设为 −∞ 。0上述属性都被目标函数 �(�) ≤ 1 很好地捕捉。该目标函数定义如下:0� ��� � ,如果 ∑ ���(�(�))=� 1 < � ��� � 1,如果 � ��� � ≤ ∑ ���(�(�))=� 1 ≤ � ��� � � ��� �0∑ ���(�(�))=� 1 , 如果 ∑ ���(�(�))=� 1 > � ��� �𝐹𝑐(𝑐) = ∑𝑔∈𝐶𝑓𝑔(𝑐)(4)𝐹𝑠(𝑐) =(1 + 𝑙𝑜𝑔(|𝑣0|�|+1,如果 � ∈ �� −∞,如果 � � �� (6)0当 � 是合法行程时, �(�) 由 � �(�) 和 � �(�) 的总和定义。0• ��(�) 求得用户满意度乘以相应的访问持续时间的总和(见方程 5 )。术语 (1+���(|�(�)|))01+���(�) ≤ 1 用于在访问点数量 |�(�)| 增加时略微增加目标函数的值。0• ��(�) 通过计算满足相应约束的类别数量( � � (�)的第二分支)来捕捉满足的类别约束。对于那些不满足类别约束的类别,有0– ∑ ���(�(�))=� 1 < � ��� � (POI数量少于 � ��� � 的类别数) 或0– ∑ ���(�(�))=� 1 > � ��� � (POI数量多于 � ��� � 的类别数),0两个术语被包括在内。随着 ∑ ���(�(�))=� 1 逼近相应的类别限制 � ��� � 或 � ��� � (见方程 3),两个术语都增加。0在我们的实现中,满足更多POI类别约束的行程( ��(�))更可取,即使它获得的用户满意度较少( ��(�) )。因此, �(�) 受 ��(�) 函数的影响,而不是 ��(�)。这也通过 ��(�) ≤ |�| 和 ��(�) ≤ 1 的事实得到验证。根据提出的方法,以下函数 �(�)用于表达目标函数 �(�) 的期望值,该函数被最大化。 �(�) 由 ��(�) 和 ��(�) 的期望值之和定义( ��(�) +��(�) ,见方程 12 )。 ��(�) 给出了 ��(�) 的期望值,假设 ��(�) 的值与行程 �的持续时间线性增加(见方程 10 )。0��(�)给出了��(�)的期望值。只有满足约束条件∑���(�(�))=�1<�����(等式7的�1(�))的类别�∈�的期望值才会被计算,因为这些类别中额外包含的POI只会增加��(.)的值。在�1(�)的期望值的计算中,假设它随着行程�的持续时间线性增加,遵守上限:�1(�)≤����1(�)(见等式10)。����1(�)等于满足约束条件∑���(�(�))=�1<�����的类别的数量(见等式9)。0�1(�)=∑�∈�∶∑���(�(�))=�<�������(�)(7)0����1(�)=∑�∈�∶∑���(�(�))=�<�����1(8)0��(�)=��(�)−0|�|+1+���{����1(�),���1(�)}0|�|+1(9)0��(�)=����(�)(10)0�=�0���−��1(11)0�(�)=��(�)+��(�)(12)0在这个公式中,行程的总持续时间�由差值���−��1给出。通过最大化等式6中定义的目标函数确定最佳行程的穷举方法的计算成本为�(��(�−2)!�2�−2)=�((�−1)!�2�),因为在�−2个POI的地图中存在2�−2个不同的行程(假设给定了第一个和最后一个POI)。因为考虑了POI的顺序,所以因排列数的数量而得到(�−2)!。在等式7中包括了成本为�(|�(�)|)=�(�)的目标函数的评估,这包含在(�−1)!中。这太昂贵了。因此,我们利用问题的属性和结构,提出了一个在多项式时间内提供几乎最优解的算法。04.个性化行程推荐04.1. PIREM算法0根据第3节中提出的问题表述和约束条件,我们现在提出PIREM算法,用于解决基于EM的PIR问题。PIREM算法:在这项工作中,我们提出了一种迭代优化方法,描述如算法1所示,该方法在�(���3)内次优地解决了问题,其中�表示给定POI的数量,假设行程长度与�线性增加,如我们的实验结果所示。根据所提出的方法,行程推荐问题通过依次添加当前行程中最合适的未访问POI来解决,即最大化目标函数的期望值,如等式12中所定义。由于所提出的基于EM的方法,时间短的行程更有前途,更有可能被选择为要扩展的最佳行程,而时间长且具有类似目标函数值的行程则不然。所提出的方法的输入是变量�, ��, �, �, �, ��, ��, ��, �∈{1, ..., �}, �����, �����,�∈�,如第3节所述。所提出方法的目标是计算算法1中标记为��的PIR问题的解。算法1的前四行是初始化阶段。每次主迭代中的变化次数的计数变量��被设置为零,以及目标函数的当前最优值��。访问POI的索引集�被初始化为空集,而��的第一个三元组被设置为{(�1, ��,��)},根据问题定义。在所提出的PIREM方法的主循环中(算法1的第5-26行),我们得到所有未访问POI的索引集�(算法1的第6行),这将用于找到下一个访问的POI。此外,我们设置��=0。在计算�时,我们忽略了结束POI��(�={1, ...,�−1}−�),因为这个POI肯定是在最后访问的POI��(��(|�|))之后插入的0输入: �, ��, �, �, �, ��, ��, ��, �∈{1,...,�}, �����, �����, �∈�。输出: ��。01 ��=002 �=�04 ��={(�1,��,��)}06 �={1,...,�−1}−�07 ��=008 对于�∈�,执行09 对于�=1到|��|+1,执行010 �=��.������(��,�)011 如果��������,则012 �=�(�)013 如果�>��,则014 ��=�016 ��=�017 ��=��+1018 结束019 结束023 ��=��024 �=�∪�*02026 直到��≠0∨�=�;027 (��,���,���)=��(|�|)029 ��=��∪{(��,���+�(�,�),���+�(�,�)+��)}031 ��=��∪032 {(��,���+�(�,�),���+�(�,�))}033 结束0算法1:基于EM解决PIR问题的提出的迭代优化方法(PIREM)。0方法结束(算法1的第27-32行)。当主循环中不再发生变化或集合�为空时,此循环终止。随后,在算法1的第二个循环(第8-21行),我们评估每个未访问的POI��(�∈�)在当前最优行程��的位置�处的插入是否合法,并且是否改进了��(目标函数的期望值)。如果以下两个语句都为真,则表示�的位置�处插入��是有效的:01. 所有�的访问过的POI都被打开。2.行程�在时间��+�或更早结束。0最后,我们检查插入��是否改进了当前最优值��,并更新��(见第13-18行)。在此循环中,更新当前最优行程��和集合�(见第22-25行),以便在��的最合适位置插入最合适的POI。Improving the lowest expected value (steps 2 and 3) increases the diversity of the possiblesolutions in, in order to better avoid local minima. The computational cost of this method is𝑂(𝑀 ⋅ 𝑛 ⋅ 𝐵3). It holds that the solutions provided by M-PIREM are better or equivalent to thecorresponding solutions of PIREM. In our experiments, we used 𝑀 = 32.4.3. Integration with a tourist trip design systemThe proposed system is integrated with the Visit Planner App (Fig. 2(a)) that is a completetourist trip design system (mobile app). According to Visit Planner App, the tourist gives her/hispreferences by providing ratings on several POIs (Fig. 2(b)), so that a recommender system([1]) is able to predict her/his preferences on the whole set of POIs. Then, the tourist providessome parameters for the trip e.g. starting time, budget etc. (see Fig. 2(c)) and the systemwill be able to create a trip according to the proposed objective function. For an even betteruser satisfaction, the visitor is able to change/select the POIs to be included in the itineraryamong a list of the top-20 highest personally recommended POIs (Fig. 2(d)), while the proposedsystem will provide the best route that passes from the selected POIs, taking also account PIRconstraints (e.g. opening hours, etc.) (Fig. 2(e)). The current beta version of
下载后可阅读完整内容,剩余1页未读,立即下载
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 谷歌文件系统下的实用网络编码技术在分布式存储中的应用
- 跨国媒体对南亚农村社会的影响:以斯里兰卡案例的社会学分析
- RFM2g接口驱动操作手册:API与命令行指南
- 基于裸手的大数据自然人机交互关键算法研究
- ABAQUS下无人机机翼有限元分析与局部设计研究
- TCL基础教程:语法、变量与操作详解
- FPGA与数字前端面试题集锦:流程、设计与Verilog应用
- 2022全球互联网技术人才前瞻:元宇宙驱动下的创新与挑战
- 碳排放权交易实战手册(第二版):设计与实施指南
- 2022新经济新职业洞察:科技驱动下的百景变革
- 红外与可见光人脸融合识别技术探究
- NXP88W8977:2.4/5 GHz 双频 Wi-Fi4 + Bluetooth 5.2 合体芯片
- NXP88W8987:集成2.4/5GHz Wi-Fi 5与蓝牙5.2的单芯片解决方案
- TPA3116D2DADR: 单声道数字放大器驱动高达50W功率
- TPA3255-Q1:315W车载A/D类音频放大器,高保真、宽频设计
- 42V 输入 5A 降压稳压器 TPS54540B-Q1 的特点和应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)