旅游路線規劃研究綜述

常亮，孫文平，張偉濤，賓辰忠，古天龍

（桂林電子科技大學 廣西可信軟件重點實驗室，廣西 桂林 541004）

在當前穩定的宏觀經濟和社會環境下，國民旅游需求不斷增加，旅游活動持續升溫，“全域旅游”的發展戰略突破了傳統景區與景點的資源觀念，延伸到農耕民俗、工業遺產等社會資源，對旅游業的服務質量也提出了更高的要求。然而，隨著可選地點的急劇增加，如何根據用戶需求幫助用戶快速進行旅行路線規劃，成為全域旅游中亟待解決的難點問題，使得相關旅游路線規劃方法的研究成為當前旅游領域的研究前沿。

目前，雖然旅行者在進行旅行規劃時可以在互聯網上方便地查看相關信息，但仍然需要花費大量時間和精力[1]。經常出現的現象是，許多旅行者在事先花費了很多時間制定旅行路線，但最終卻又不得不選擇跟團的形式進行旅行，因此旅行者對于旅行路線規劃相關服務的需求日益迫切。

1 旅游路線規劃理論

科學的旅游路線規劃不僅有助于旅行者根據自己的時間和經費預算制定適合自己的游覽路線，還能夠提升旅行者的旅行體驗，使得旅行者在旅行中有更多的時間和精力放在游覽過程中。

在旅游路線規劃問題的研究工作中，較早的工作大多集中在利用OP問題(orienteering problem)作為基本問題，通過不同的變型對旅游路線規劃問題進行建模求解。這類工作的重點是準確建模旅游路線規劃問題中的多方面因素，比如用戶約束、景點開放時間和出行交通方式等，最終能得到一個或多個滿足用戶約束的精確路線規劃結果[2]。但是，這類工作無法對現實生活中旅游路線規劃問題的各種因素進行完全建模。一方面，由于旅游活動是一個動態的過程，在這個過程中有很多不確定的因素；另一方面，當興趣點的地理范圍較大時，不能再將興趣點僅僅當作一個點進行建模，如一條觀光河道，興趣點的起點和終點可能相差很遠。

隨著互聯網的飛速發展，與日常信息相關的各類用戶生成內容迅速增多。在旅游領域中，形成了多種形式的旅游時空軌跡數據，例如：GPS軌跡、北斗導航信息、簽到記錄等。 這些數據與用戶分享的大量旅游經歷和旅行照片等數據，共同形成了旅游大數據。合理地利用這些數據進行旅游路線規劃，是近期研究工作的一個熱點。這類工作的優點是能夠快速地得到符合現實情況的可行解，幫助用戶進行旅行規劃，但難點在于合理利用多源數據準確地挖掘用戶的歷史行為軌跡[3]。

2 旅游路線規劃問題描述

游客到一個地方進行旅行時通常面臨以下兩個問題：首先是決定訪問哪些景點，從而使自己的旅行變得更加有趣；其次是確定每個旅行日的路線，即確定對每個景點的訪問順序。這個過程需要考慮到多個參數和約束，如門票價格、天氣條件等。

基于當前用戶在進行旅行規劃時所遇到的問題，旅游路線規劃問題便應運而生。其實旅游規劃問題并不是一個新的問題，最早可追溯到旅行商問題(traveling salesman problem，TSP)。由于TSP屬于NP-Complete問題，大量研究工作主要集中在如何進行啟發式求解。

個性化旅游路線規劃問題比TSP問題更加復雜。總體上是指游客在對多個興趣點(point of interest，POI)感興趣的情況下，如何按照游客的相關約束以及對POI的興趣度得到適合的旅行路線[4]。盡管現階段互聯網中存在大量與旅游相關的信息，但對于一個訪問陌生城市的游客來說，這仍然是一項具有挑戰性的任務，尤其是其涉及的因素很多，例如每個景點所需的游覽時間、景點的開放時間和景點之間的旅行距離等。旅游路線規劃問題的關鍵是：在滿足游客時間和花費的約束下選擇更多匹配游客偏好的POI進行游覽，最大化游客的滿意度。在進行旅行規劃時，要得到高質量的解決方案，除了需要考慮多方面的因素，還需要根據不同標準建立相應的評價模型[5-6]。

本文將典型的旅游路線規劃問題定義為5元組P=〈 POIs，TrafficCost，Profit，TConstraint，FConstraint〉，其中：

1)POIs表示所有候選的POI，每個POI又具有多個屬性，包括類型、位置、門票價格、開放時間等；

2)TrafficCost表示在各個POI之間采用各種不同的交通方式所需要的旅行時間和費用，主要的交通方式包括公共交通、騎行、步行等；

3)Profit表示游客游覽每個POI所能獲得的“收益”，通過對每個POI的客觀打分以及游客的主觀感受進行加權計算而得，其中游客的主觀感受又主要取決于游客的個人偏好；

4)TConstraint表示游客用于該次旅行的時間預算，包括游客該次旅行的總天數以及每天用于游覽的時間數等；

5)FConstraint表示游客用于該次旅行的費用預算。

對于天氣狀況這種影響旅行的因素，我們將其歸類到POI的開放時間這個屬性中。對于其他未考慮的因素，可以相應地對5元組進行擴展。

給定一個旅游路線規劃問題之后，對該問題的求解是指找到關于各個POI訪問日程和訪問順序的一套或多套方案，使得在滿足游客的時間預算和費用預算等約束的前提下，游客所能獲得的收益達到最大或者最佳。

3 旅游路線規劃問題求解方法

目前，相關文獻中存在許多對旅游路線規劃問題進行求解的方法。本文將這些方法分為兩大類：1)對旅游路線規劃問題進行精確的數學建模，通過規劃求解得到較為精確的規劃方案；2)利用用戶生成內容(user generated content，UGC)進行路線挖掘，并結合用戶的喜好和相關約束得到一條或多條可行路線[7]。

3.1 基于精確數學建模的求解

從建模角度進行求解時，關鍵是對旅游路線規劃問題進行精準建模，可以通過對TSP模型加入不同參數和約束進行擴展得到不同的求解模型。這類工作又可以按照路線數量分為2類：1)求解出單條路線，找到能夠滿足用戶旅行約束和用戶對POI的偏好并且利潤最大化的單程旅游線路；2)求解出多條路線。

3.1.1 單路線求解方法

旅游路線規劃問題的單路線求解，可以利用單一目標旅行商問題增加收益目標進行變型建模，將節點之間的連接與收益和旅行成本相關聯。其目標是：在所有節點的子集上找到一條回路，使得收益最大化，同時旅行成本最小化[8]。

OP問題是上述模型的一個變型，通常用于尋找在給定旅行花費的條件下使得總收益最大的路線。例如，Souffriau等[8]提出了OP問題在城市旅游中的應用，給出了一個綜合人工智能和元啟發式的方法。在已有的關于旅游路線規劃的研究中絕大多數使用OP及其擴展建模不同變型。

具有時間窗口的OP變型是目前的一個研究熱點。在該變型中考慮了對于圖中的每個節點可能在不同的時間窗口內訪問的情況，因此能夠在建模時加入興趣點的開放時間因素。例如，Gunawan等[9-10]提出了一種迭代本地搜索算法，使用貪心方法生成初始可行解，基于輪盤選擇的方法插入非計劃節點。在之后的工作，Gunawan等[11]進一步引入模擬退火算法，以較小的概率接受較差的解決方案，在一定程度上解決陷入局部最優的問題。時間窗對傳統OP問題的性質及其解決算法有很大的影響。然而，因為不同景點可能在開放時間上有所不同，例如，大型燈光演出時間為夜晚，公園開放時間在白天，所以傳統OP中通過重新對訪問點排序來減少旅行時間的方法在這里并不適用。

具有時間依賴的OP問題在進行路線規劃時將時間因素加入邊的代價中，從而可以對旅行中在景點之間采用不同交通方式的情況進行建模。在此基礎上，Verbeeck等[12]提出了一種基于蟻群算法的快速本地搜索元啟發式方法，將蟻群算法的原理與包含時間依賴的本地搜索方法相結合，快速給出有效解決方案。通過實驗表明，該算法能夠在花費很少計算時間的情況下獲得高質量的路線規劃結果，保證在出現新的可用交通信息時快速更新路線，幫助游客快速到達目的地。

多目標OP問題是OP的多目標變型，每個節點(即POI)可以被分配給不同的類別，例如文化、歷史、休閑、購物等，并且為每個類別提供不同的收益，在不違反最大旅行成本限制的情況下找到所有的高效解決方案。Schilde等[13]通過對多目標OP問題在城市旅游中的運用進行研究，開發和應用了2種用于多目標定向問題的啟發式解決方法，這2種方法考慮到了每個旅游者在選擇和訪問興趣點(例如博物館、教堂)時對不同的類別可能有不同偏好的情況，使用帕累托蟻群優化算法將可變鄰域搜索方法擴展到多目標情況。通過來自現實世界中幾個城市的實例對2種算法進行了測試，結果表明，2種方法對解決多目標定向問題都有很好的效果，能夠根據不同游客對不同景點的偏好程度設計出使游客滿意度最大的個性化旅游路線。

弧定向問題將傳統OP中的收益不再放在節點中，而是放在邊上，其中每條邊只能訪問一次，用邊上的取值來表示景點的得分或者道路的狀況。Lu等[14]將目標放在尋找風景最優美的路線上而不是距離最短的路線上，將道路網絡視為空間網絡，利用空間數據領域中的橢圓修剪和空間索引技術，提出了一系列元啟發式算法來解決大規模道路網絡中快速響應的問題；實驗表明，該方法在推薦結果的準確性和效率上都有很大的提升。而在之后的工作中，該作者進一步提出了具有時間依賴的弧定向問題模型，在道路網絡的邊中同時融合旅行花費和吸引力值，在滿足用戶時間約束的前提下得到用戶最喜歡的路線規劃結果[15]。

通過上述工作可以發現，在建模時考慮到多方面因素能夠提高路線規劃結果的準確性，如表1所示。此外，還有一些OP變型可用于建模旅游路線規劃問題中更加具體的內容[16-19]，如可能需要多次訪問或長時間訪問一個POI，這些變型對于提高具體問題推薦結果的準確性有很大幫助。

表 1 建模因素對比Table 1 Modeling factors’ comparison

3.1.2 多路線求解方法

用雙目標TSP求解多路線的擴展變型被稱為帶利潤的車輛路由問題。該問題中，不再是強制性地訪問整個節點集合，而是在訪問節點時收集利潤，且利潤的收集分布在具有有限容量的幾輛車上。團隊定向問題是該問題的一個變型，多用于旅游路線規劃問題的多路線求解，其目標是找到在最大長度限制條件下的k條路徑(其中每個節點最多訪問一次)，并且具有最大的總收益。

帶時間窗口的團隊定向問題中加入了對POI在特定的時間窗口進行訪問的限制，從而可以適應更多場景。Lin等[20]提出了一個基于模擬退火算法的啟發式算法，在每次迭代中，通過對當前解以相等的概率應用移動交換，插入或倒置其中的一個節點來獲得相鄰解，如果它比當前最佳找到的解決方案更具有收益，則新的解決方案被采用并成為當前的解決方案，這個概率會隨著損失的增加而減少，應用上述方法進行一定數量的迭代之后，就會進一步優化用局部搜索方法找到目前最佳解。

帶時間依賴和時間窗口的團隊定向問題是指：給出一組節點和每對節點之間的旅行時間，其中每個節點與利潤、訪問時間和時間窗口相關聯，目的是找到從起始節點到目的節點間的固定數量且不相交的路徑，每條路徑不超過給定的時間限制，在不違反其時間窗口的情況下通過訪問所有路徑中的節點來最大化收集總利潤。Garcia等[21]提出了2種不同的方法來解決上述問題：1)利用預先計算，得到所有POI對之間的平均旅行時間，約減掉時間依賴限制；2)在旅行時間上加入時間依賴，但是該方法是基于周期性服務時間的簡化假設，不符合現實中城市的交通網絡。

此外還有一些用于模擬旅游路線規劃問題的TOP變型，考慮到問題的更多屬性或對不同屬性的多個約束，Luo等[22]引入了一種用于TOP變型的啟發式算法，該方法在旅行中插入節點時應用2種不同的優先級規則，算法在解決方案的質量和執行時間方面優于其他啟發式算法，能夠在較短時間內得到由精確算法求解實例中的最優解；Li等[23]制定了帶容量約束和時間窗口的團隊定向問題，增加了服務節點在有限時間可用性的約束，并使用整數線性規劃求解方法獲得了精確的解，然而這種方法不適合進行實時應用。

綜上所述，利用OP的多種變型對旅游路線規劃問題進行建模求解的方法，可以準確建模旅游路線規劃問題中多方面的因素，如用戶約束、景點開放時間和出行交通方式等，能得到一個或多個滿足用戶約束的精確路線規劃結果，但是這種方法與現實生活中的旅游路線規劃問題還有很多不同。首先，由于旅游活動是一個動態的過程，有很多不確定的因素，無法進行準確建模，而恰是這些不確定因素可能對路線預測的準確性起著決定性的作用[24]。此外，在對旅游路線規劃問題的建模求解時，基于興趣點的考慮，只是將興趣點作為一個點，并沒有考慮到興趣點的實際大小，因此這種方法只適用于博物館、公園、小廣場等有固定出口且范圍較小的景點，對于相對較大的景點，這種方法就會與實際情況有較大出入，如在游覽一條觀光河道時，興趣點的起點和終點可能相差很遠，這時再從起點進行路線規劃就變得不切實際。

3.2 基于用戶生成內容的求解

近些年，由于信息的傳播和共享越來越便捷，互聯網上積累了大量的集體智慧相關數據，影響著人類生活的許多領域，尤其是旅游業和旅游行為。研究表明，超過87%的客戶依靠集體智慧為旅行做出決定，例如旅行者在預訂住宿之前通常會查看相關的評分和評論[25]。雖然許多旅游網站提供關于目的地和旅行路線的信息，但是整合和比較來自海量用戶的不同類型信息需要大量時間和精力[26]。

在旅游領域中，用戶在進行一次旅行后，通常會分享自己的經驗和評論，形成了包括用戶評論、照片、簽到數據、旅游游記和GPS軌跡等信息的大量用戶生成內容，這些數據為便利行程計劃提供了極大的機會[27]。雖然一個單獨的評論或者旅游游記中可能存在噪聲或者偏見，但是將來自大量用戶的貢獻的內容作為一個整體可以有效地抓住一個景點的本質。因此，越來越多的研究利用空間分析和數據挖掘等技術對這些內容進行分析[28]，得到用戶的相關偏好和歷史軌跡信息，發現游客間的相似性，實現旅游路線的推薦[29]。

3.2.1 利用用戶GPS軌跡進行求解

隨著配備GPS功能的設備數量不斷增加，越來越多的軌跡被連續地產生和分享，也正在改變著人們與網絡的交互方式。基于這些軌跡信息，一些應用問題變得可行，例如旅游路線規劃問題，GPS軌跡中包含豐富的信息，可以挖掘用戶在一個位置花費的時間和對不同位置的訪問順序等，這些信息可以被用來挖掘指定區域中的熱門景點和一般的旅行路線，從而進一步改進路線推薦。

3.2.2 利用帶地理標簽的照片進行求解

目前，社交網站中存在大量帶地理標簽的照片數據，從這些照片數據中分析歷史用戶位置在地理空間中的分布特征和用戶位置隨時間的變化特征可以挖掘出用戶的行進路線，這些路線可以加入到用于路線推薦的知識庫中，通過這些挖掘出的路線幫助新用戶進行旅游路線規劃，可以提高路線規劃的準確度和個性化程度。

利用帶地理標簽的用戶照片進行旅游路線規劃的工作是當前旅游路線規劃問題研究領域中的一大熱點。其中一類工作的重點是從地理標簽照片中挖掘出隱含信息，進而得到用戶的旅行習慣、移動模式或興趣偏好等信息為用戶進行路線規劃。而另一類將重點放在從照片中挖掘序列特性，之后利用挖掘到的序列特性結合概率模型，得到從一個景點最有可能去往的下一個景點信息，最終生成路線規劃結果，這類工作的推薦結果更傾向于路線的流行程度。

Sun等[31]將重點放在挖掘旅游路線中的道路片段信息上，而不是挖掘用戶相關信息，通過計算得到道路片段的流行度進行兩個景點間的道路推薦。首先利用空間聚類對照片進行分類，而在噪音數據的處理上，提出一種熵過濾方法從照片數據中去除掉與旅行無關的照片，具體實現如式(1)、式(2)：

式中：Di(u)是在目標區域用戶u在第i個月的拍照天數；Mon(u)是用戶u在目標區域拍照的月數，作者使用一個閾值E(u)，當超過這個值時，就將該照片的拍攝者認定為本地居民，否則認為是游客拍攝的照片。最后利用DBSCAN算法從照片數據中識別出地標建筑，并按照流行度進行排序。實驗數據表明，該方法能夠給用戶推薦一個包括合適景點且路線長度適中的旅游路線，但這種方法存在一定的缺點，主要體現在計算興趣點流行度時并沒有考慮游客的經驗和知識。

Wei等[32]提出了基于集體知識的路線推理框架。首先給定一個位置序列和時間跨度，通過以相互加強的方式聚合用戶照片數據，得到流行的路線信息，之后路線算法根據用戶指定的查詢來構造top-k路線。算法可以在0.5 s內找到前3個路線，與其相應的地理實況相比，距離誤差小于300 m。

Tai等[33]使用關聯規則挖掘和序列模式挖掘從用戶帶地理標簽的照片中提取用戶對熱門景點的訪問序列，從而進一步得到流行路線信息，之后基于用戶的歷史訪問信息，從這些路線中挑選出最適合該用戶的路線推薦給用戶；Lu等[34]使用從Panoramio中收集的大量帶地理標簽的照片，提出一個旅行路線生成算法，該方法考慮到在每個位置花費的時間、總旅行時間和用戶偏好。

上述工作并沒有將用戶行為習慣、興趣偏好和路線的流行度進行結合，路線規劃結果的個性化程度不高。此外，在對用戶進行路線規劃時并沒有過多地考慮上下文信息，如天氣、訪問時間、季節等，而這些因素往往影響了旅行者的訪問習慣，進而使得推薦結果的準確性大大降低。文獻[35-36]基于以上不足出發，在利用用戶照片數據的同時加入更多的上下文信息來提高路線推薦結果的準確性。例如，Arain等[37]利用帶地理標簽的照片提取旅游景點語義信息的同時挖掘用戶喜好信息，在進行推薦時考慮到用戶的當前上下文信息，包括時空上下文信息、社交上下文信息和天氣上下文信息。Huang[38]基于游客對景點進行訪問時在上下文存在相似性的原理出發，提出一種基于啟發式的上下文相似度的計算方法，能夠準確刻畫用戶間的上下文相似性，從而在對用戶進行路線推薦的過程中加入上下文信息，給用戶提供更加準確的推薦；這種方法不但能夠用于照片數據，同樣可以在用戶GPS軌跡、簽到信息等數據中使用，提供具有上下文感知的推薦結果。

小禿子是一個神經兮兮的小女孩兒，她的頭發稀而少，瞅人的眼神兒總是甜甜的，一副意味深長的樣子。我只知道她的養母是一個有名的風流娘們兒，其他情況就不得而知了。小禿子可能是因為行為輕浮被校方留了下來。她負責搞教研室的衛生。

3.2.3 利用用戶簽到數據進行求解

隨著基于位置的服務的興起，Facebook等社交網絡提供了用戶“簽到”的服務，用戶通過該服務可以將自己當前的訪問地點與時間信息展現在自己的主頁上。基于簽到數據進行路線規劃是近年來基于位置服務中一個比較流行的研究領域。通過分析用戶連續的簽到數據，分析用戶位置隨時間的變化和簽到位置在地理空間中的分布特征，挖掘簽到位置在時間周期內的分布規律，從而可以得到用戶的歷史軌跡和訪問時間等信息。此外，通過對某個特定地點的簽到數據進行分析，還能夠進一步挖掘出熱門景點信息。

這類工作通常基于用戶的出發點和目的地，并結合一些用戶限制為用戶進行推薦行程；在具體推薦算法上主要使用了基于人口統計學的推薦和基于模型的推薦。宋曉宇等[39]基于用戶簽到數據提出了一種短時間體驗式路線搜索算法，利用簽到數據中連續兩個景點簽到的時間間隔來代表兩個景點間的總時間代價，能夠在短時間內讓用戶體驗到多種類別特點的景點，得到一個滿足用戶要求且具有最大收益的路線作為推薦結果；然而，該方法會隨著景點個數增加而增大空間的消耗程度，且沒有考慮景點在不同時間段的流行程度問題。文獻[40]利用簽到數據針對旅游中常見的結伴出行現象，提出一種群體旅游路線推薦問題，通過分析聚合用戶偏好時通常采用的平均數策略與無痛苦策略在推薦結果方面存在的不足，針對搜索路線所具有的動態性特點，提出了一種動態聚合用戶偏好的策略；基于該策略建立路線評價模型，對路線進行滿意度評分，返回分值最高的路線，并驗證了算法在不同參數設置下的有效性。

Cho等[41]基于用戶簽到行為的時間特征，利用人類運動的周期性原理，設計出了一個能夠基于當前時間進行位置推薦的路線推薦系統，認為短期出行在空間和時間上的周期性不受社會網絡結構的影響，而長途旅行則更多地受到來自社會網絡關系的影響。鑒于此，筆者借助時間概率分布函數和社會關系提出了一個人類流動模型，相比現有的人類流動模型具有更好的預測性能，從而可以預測用戶未來運動的位置和相關動態，提高了對用戶進行路線規劃結果的準確性。但該模型并沒有考慮突發狀況對于出行活動的影響，在路線預測的可靠性上也還有待提高。

Rahimi等[42]通過研究用戶簽到數據中空間和時間的周期性進一步擴展了現有工作，提出了2種新的推薦算法，即基于用戶空間旅行行為的概率分類推薦方法和基于用戶歷史行為的概率分類推薦方法，然后使用時間概率分布對用戶推薦感興趣類別的位置。實驗結果表明，該方法在召回率和準確率上可以實現超過15%的提升。

3.2.4 利用多類型用戶生成內容進行求解

利用單一類型的用戶生成內容進行旅游路線規劃時，往往存在很大的不確定性，需要加入多方面的限制進行預測和判斷，很難保證所挖掘到的用戶軌跡的準確性。因此，綜合利用多種類型的用戶生成內容，更加準確地挖掘用戶歷史軌跡對用戶進行旅行路線推薦的方法成為當下研究的熱點。

Guo等[43]利用一種多源社交媒體融合的方法從多方面整合零碎的旅游信息對用戶進行路線推薦。利用信息熵的方法計算一個詞在一條評論中所占的比重，從而進一步得到一條評論在所有評論所占的比重，去掉景點的無效評論信息，將游記中景點出現的順序作為用戶對于景點的訪問序列，之后利用序列模式挖掘算法從用戶游記中挖掘流行路線，最后基于用戶評論和景點圖片之間的相似性以及從游記中挖掘的流行路線，得到多源信息間的相關性，實現對用戶路線推薦。但是這種方法在進行路線推薦時，并沒有考慮到一條路線的時間和花費約束，也沒有考慮到用戶的個性化偏好和需求，因此推薦結果的準確性和個性化程度不高。

Chen等[44]利用基于地理位置的社交網絡中的地理標簽圖像和用戶簽到信息，提出了一個名為Scenic Planner的新型框架用于旅行路線推薦。該框架包括風景路網建模和景區路線規劃：首先，通過從地理標簽圖像和簽到數據中提取相關信息，豐富道路網絡，為每條路段分配適當的景觀評分，為景區道路網建模；之后，應用啟發式算法在滿足用戶指定約束(包括起點、目的地和總新行駛距離)的情況下迭代地添加路段使得總景點評分最大化；最后，通過現實世界中的3個數據集驗證了框架的效率和效能。雖然該框架在一定程度上加速了道路網絡中節點距離的計算，但并未考慮時間因素，如在一天中的不同時間或者在不同季節的建模問題，不能完全整合用戶的旅游偏好。

Chen等[45]抽取多源信息的特征后利用機器學習的方法進行訓練，從而獲得用戶歷史行為習慣，對用戶進行路線推薦。首先抽取出景點的分類、流行度、平均訪問時間和總訪問時間作為景點特征，使用K-means方法對景點進行聚類，通過景點信息獲得興趣點的排名信息，來解決路線規劃中的起點和終點問題；在旅游游記中利用馬爾科夫鏈模型挖掘興趣點之間的轉移特性，最終結合景點排名和景點間的轉移特性推薦出一條路線。該方法與其他路線推薦方法相比在時間和準確性上有很大提高，但是這種方法并沒有考慮到用戶的個性化需求和旅行路線規劃的動態性。例如：一個用戶在一個景點花費的時間過長時，去往下一個景點的概率可能會發生相應的改變。

現階段越來越多的工作基于這些用戶生成內容出發，從中挖掘用戶的歷史行為習慣和出行軌跡、旅行路線等信息，其中一些具有代表性的工作如表2所示，這些工作的優點是可以避免傳統基于建模方法的復雜度問題，在路線規劃結果上更貼近于現實生活，符合用戶行為習慣。然而，在處理用戶數據上也會花費一定的時間，并且當前存在的主要問題是，推薦的結果主要停留在熱門的景點和路線上，在推薦時并沒有過多地考慮到用戶的偏好和用戶所處地點和時間的上下文信息(如天氣、訪問季節等)，推薦結果的個性化程度和準確性方面有很大的提升空間。

表 2 基于UGC進行旅游路線規劃工作對比Table 2 Comparison of UGC based tourism route-planning

3.3 旅游路線規劃問題的重點和難點

在進行旅游路線規劃問題求解時，除了要對用戶建立詳細的用戶畫像以及挖掘用戶的行為習慣和相關偏好之外，還需要考慮用戶的上下文信息和相關旅游信息，以便進一步提高推薦結果的準確性。基于這種認識，在對3.1節、3.2節中相關工作進行考察的基礎上，設計了圖1所示的旅游路線規劃系統整體架構。

圖 1 旅游路線規劃系統整體架構Fig. 1 Tourism route-planning system framework

3.3.1 貼近現實進行精準建模

在對旅游路線規劃問題進行建模求解時，現有的多數工作只考慮到以固定的起點和終點進行規劃，用戶被限制在一組預定義的地點中，這與現實的場景相差較大，顯然使用固定集合中預定義的位置(例如POI和酒店)計算的旅行成本不能支持動態的使用場景，因此應該對研究的問題進一步泛化，其中旅程的開始、結束位置可以是目的地城市中的任意位置，在運行時才被確定。此外，在建模的過程中加入更多的用戶約束和用戶上下文信息，如天氣、位置和季節信息等，能夠在貼近用戶需求的同時極大地提高路線推薦的準確性；在進行精準建模時還可以參照一些其他領域的研究工作，利用其中的一些優化算法，捕獲旅游路線規劃問題中密切相關的約束，如建模參數等。

3.3.2 數據預處理

在利用用戶生成內容進行旅游路線規劃時，數據的來源主要集中在相關網站和用戶的個人分享，得到的初始數據存在很多噪音信息或者數據缺失的現象，而數據的數量和準確性直接關系到所生成推薦路線的質量，因此如何對獲取到的數據進行精確的預處理是此類工作的一個研究重點。噪音數據處理的結果會直接影響最終的推薦結果，例如，對常住居民拍攝的照片和游客拍攝的照片進行區分，能夠更加準確地挖掘出游客歷史旅行習慣[33]；在使用用戶歷史GPS軌跡挖掘軌跡信息進行路線規劃時，由于受GPS精度和信號干擾等因素影響，導致原始GPS數據中可能存在一些異常點，而這些異常點屬于噪音數據，會影響后續用戶軌跡挖掘時的精度和準確性，可以基于序列中相鄰點的移動距離小于最大行進距離的原理；利用軌跡點之間的歐式距離和游客最大移動速度剔除掉序列中的異常點。

3.3.3 位置軌跡挖掘與用戶偏好特征提取

在利用用戶生成內容對用戶進行旅游路線規劃時，用戶的位置移動軌跡能夠在一定程度上反應出用戶的旅行習慣和偏好行為，因此如何從這些數據中準確地獲取到用戶的相關信息(歷史軌跡、偏好信息等)是此類工作關鍵問題之一，無論在應用開發還是學術研究中，準確挖掘用戶信息都起到至關重要的作用，在未來的研究工作中，應該是重點關注的內容之一。目前利用用戶生成內容提取的用戶旅行活動特征主要包括用戶旅行活動的地理空間分布特性、用戶軌跡中訪問地點的挖掘和序列特征、用戶照片中地標建筑和訪問次序的挖掘。在推薦時考慮到不同用戶可能有不同需求，為了給用戶推薦更高質量旅游路線，挖掘到用戶的位置軌跡和偏好特征信息后結合更多的上下文信息，如用戶的當前位置、景區實時流量、突發事件報告和用戶行為習慣等，能夠進一步提高預測的準確性。此外，來源于社交網絡中的旅游數據在文本描述方面通常較為簡短，所以語義稀疏性較高，因此如何有效解決旅游數據的語義稀疏問題以準確獲取游客偏好也是此類工作的一個重點和難點問題，如近期Kou[48]、Cheng[49]等利用短文本中的空間和時間等特征提出了一些具有代表性的主題模型抽取方法。

3.3.4 路線快速生成與實時更新

在當前大數據的時代背景和全域旅游的發展戰略下，用戶生成數據激增，可選擇的旅行地點和內容也急劇增多，這些都為快速實現路線規劃帶來很大的困難。在旅游路線規劃的算法設計中最重要的目標之一便是對用戶查詢的實時響應，目前解決這一問題的有效途徑之一是通過并行計算技術，例如在啟發式和元啟發式算法中對好的相鄰解的局部搜索進行并行計算或者在空間中劃分多個子空間，并行地在每一個子空間中運行啟發算法，因此并行計算技術是未來快速旅游行程推薦的重要研究方向之一。此外，現有解決方案中沒有考慮到用戶偏離原始計劃路線情形，盡管這種偏離極有可能發生，例如用戶自身狀況改變、突發社會事件、景區流量控制等，因此需要加入動態重調度功能實時檢測當前路線是否偏離，若偏離則呈現新的路線調度。

3.3.5 融合多源信息實現精準推薦

利用多源的用戶生成內容進行路線規劃，可以更加準確地挖掘用戶歷史軌跡和偏好等信息，能夠有效提高對用戶進行路線推薦時的時效率和精確性，例如：通過用戶的歷史GPS信息和用戶簽到信息挖掘用戶的歷史軌跡要比從用戶照片中挖掘相關信息具有更高的可靠性，而通過用戶照片挖掘用戶歷史訪問景點信息要比前兩者具有更高的可靠性。除了利用照片數據挖掘用戶歷史軌跡，還可以利用景點的文本描述信息，從中提取出景點的分類信息、流行程度，平均訪問時間和總訪問時間，將其作為景點特征信息進行景點聚類來提高推薦結果的準確性。

3.3.6 用戶隱私保護

伴隨信息時代的快速發展，用戶的隱私問題得到了越來越多的關注，在基于位置的服務中，用戶的隱私保護問題一直是領域內的熱點問題，更是關系到用戶是否使用該服務的決定性因素。在對用戶進行路線推薦時，需要用戶主動共享位置信息來獲取用戶的移動特征或行為偏好，其中涉及用戶的隱私問題主要體現在2個方面：這些信息可能被非法使用，有些隱私信息是用戶不希望被獲取到的。此外，在位置信息的傳播過程中也可能會導致用戶隱私的泄露，這主要是因為網絡中位置信息的傳播是以明文的形式，容易被非法的第三方機構獲取。因此，如何權衡用戶隱私的保護與利用，為用戶提供良好的路線規劃服務的同時保護好用戶的隱私是當前基于用戶歷史軌跡進行路線規劃的一個重點問題，在未來用戶在位置共享的選擇上，可能會更加趨于自主化，而位置信息的傳播也會進行相應的加密。

4 結束語

旅游業的快速發展和日益嚴重的“信息過載”問題，使得旅游路線規劃問題得到了廣泛關注和應用。雖然在已有的路線規劃問題研究中存在很多求解方法，但傳統的旅游路線規劃在推薦結果的質量和速度上都存在很多不足，而全域旅游和智慧旅游等戰略的提出以及用戶分享內容的激增，給旅游路線規劃問題帶來更多機遇的同時也帶來了巨大挑戰，基于用戶生成內容進行旅行路線規劃的方法成為當前研究的熱點，但仍有一些問題有待解決。本文從旅游路線規劃問題建模出發，分析了當前研究工作中對問題進行建模求解的現狀和不足。在此基礎上，引出了基于用戶生成內容進行旅游路線規劃的研究，從求解方法的不同角度詳細綜述了目前旅游路線規劃問題的研究進展。在深入、細致地進行分類總結的基礎上，指出其中的問題或不足。圍繞旅游路線規劃系統整體架構，對面臨的重點和難點問題進行了分析和討論，為下一步旅游路線規劃問題的研究提供理論支持，同時指出了未來該領域研究的重點方向。