基于计算机推理技术的主题公园游客时空分流决策支持系统研究——设计、仿真与比较-郑天翔.pdf

《基于计算机推理技术的主题公园游客时空分流决策支持系统研究——设计、仿真与比较-郑天翔.pdf》由会员分享，可在线阅读，更多相关《基于计算机推理技术的主题公园游客时空分流决策支持系统研究——设计、仿真与比较-郑天翔.pdf（18页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2016年2月第30卷第l期旅游科学口墨田豇墨噩咀圃 Fbb2016V0130No1中图分类号F 5901 文献标识码A文章编号1006575(2016)一010060一18基于计算机推理技术的主题公园游客时空分流决策支持系统研究设计、仿真与比较郑天翔1 吴蓉2(1暨南大学深圳旅游学院，广东深圳518053；2中山大学地理科学与规划学院，广东广州510275)摘要： 本文针对主题公园游客时空分流的决策支持系统问题进行了研究。首先分析了游客在景区中的一次完整游憩行为，归纳出涉及这一行为的若干要素和状态。其次，为模拟这些要素并实现状态切换，设计了一种基于现场环境的游憩方向决策算法，该算法借助计算机

2、推理技术并综合考虑游客自身的个性化需求、景点设施的运营情况和其他游客的排队位置等环境信息来确定下一个游憩方向。再者，为验证算法的有效性，基于离散事件建模开发了一个计算机仿真系统，并采用虚拟数据进行了实验模拟和比较分析。实验结果表明，与传统的基于最短距离的算法相比，本文算法在游客等待时间、游客游玩景点数量、景点容量利用率和景点平均等待时间4个评价指标上均有不错的表现，表明该决策支持系统具有时空一体化的特性。系统产生的推荐路线在理论上能让游客自动分流并导航到较少拥挤的景点上，既能均衡各景点的接待能力，同时降低游客的等待成本，有助于主题公园的客流时空分布调控。关键词： 旅游流调控；时空分流导航；决策

3、支持系统；计算机推理技术；时空一体化0 引言随着我国经济持续发展和居民收入稳步增加，旅游休闲日益成为我国居民生收稿日期：2014一0902；修订日期：20151123基金项目：国家自然科学基金项目“基于时空分流导航理论的景区智能化客流引导仿真系统的原型设计与实证研究”(41201145)；广东省高水平大学建设统筹项目专项资金项目“旅游电子商务交易网站的质量测度和评价模型研究”。作者简介：郑天翔(1979一)，男，博士，暨南大学深圳旅游学院副教授，研究方向为信息科学的旅游应用、智慧旅游，Email：zheng-txszjnueducn。吴蓉(1993一)，女，中山大学地理科学与规划学院博士生，研

4、究方向为城市规划与人文地理。万方数据活的重要内容。近年来，中国旅游业增长的势头尤其迅猛，不少著名景区不得不面对大量游客入园而导致景区满载的局面。景区一旦过度拥挤，就会对旅游业的可持续发展造成威胁。以主题公园为例，一方面，游客过多有可能对游乐设施造成破坏，甚至会引起安全事故；另一方面，游客在游玩过程中的长时间等待也严重影响游客的游憩质量。因此，关注景区内客流时空分布，并使景区内各景点负载均衡便成为了保证旅游景区经济效益、社会效益和生态效益协调发展的核心。时空分流，正是利用随时间推移形成的相对“闲置”的空间对游客进行分散疏导，使景区内各景点负载均衡的一种解决方案。对此，目前国内研究者主要从排队论和

5、导航管理技术两个分支开展探讨。排队论是以运筹学作为基础研究服务机构中排队问题的规律(Edang，1909)，在旅游学科领域的研究成果并不算多，主要包括：张凌云(1988)对旅游用餐行业的排队队长、逗留时间和等待时间的期望值进行了估计，并在服务员数量和顾客等待时间两方面做了比较和权衡；用于指导餐厅(酒吧)在座位数量、服务人员安排和经济成本效益上综合考虑；陈治佳等(2005)提出了一种基于概率的快速排队优化模型，以使大型游乐场的游乐设施达到最大使用程度，减少游客等待时间；王仁志和苗维亚(2012)对大型景区的平均队长和平均等待时间进行了估计，并提出把顺序单服务台旅游模式改变为无序全服务台旅游模式的

6、思想。这些研究都是为了解决游客太多而导致某个服务机构(餐厅、游乐设施或景点)需要长时间排队而提出的，主要涉及排队系统的性状研究和最优化配置两大类，多采用M沙Mn排队理论建立数学模型并结合多目标线性规划来求解。国内的另外一个分支则是时空分流导航管理技术，是任佩瑜团队于2009年提出的一项新技术(冯刚，等，2009)，旨在根据空间的相对静态性和时间的动态性，借助最新的信息监控技术，设计出若干优化的游览路线，使游客在景区内均衡分布、有序交换。自2009年以来，该团队针对风景名胜区(或自然保护区)做出了不少贡献，包括：邱厌庆等(2010a)提出了基于九寨沟景点负荷均衡的时空分流导航数学规划模型，并从动

7、态预测中得到车辆调度方案；冯刚等(2010)引入管理熵与RnD技术，对邱厌庆提到的上述模型进行效果模拟；邱厌庆等(2010b)从复杂系统控制的角度构建游客分流导航管理的耗散结构体系，并分别对初态分流(邱厌庆，等，2010b)和稳态分流(邱厌庆，等，2011)两个阶段的动态离散系统进行探索性分析；姜向阳和任佩瑜(2012)把H釉ilton回路和多旅行商的思想引入时空分流导航管理中，并给出了一般数学模型和精确求解方法；戈鹏等(2013)通过比较、分析和仿真，提出了在初始分流中采用平均分流的静态调度策略，在稳态分流中采用基于区域时空负荷率的动态调度策略的改进方案；肖雄辉等(2013)构建了景区景点需

8、求与调度资源的引力分流调度模型和算法，既能满足需求景点的负荷均衡，同时也考虑了游客的满意度；任竞斐和郑伟民(2013)通过建立综合游客偏好、拥挤度、等待时间和行走时间等指标的旅游效用函数，并借助LD西t模型，将游客分配到不同路线上，以减少旅游高峰期景区游客拥挤和等待的情况。可以看出，除了肖雄辉(2013)和任竞斐(2013)的研究外，任佩瑜团队主要从景区管理的角度来开展时空分流导航分析，其重点在于考查景区内客流的分布情况和超负荷景点，以景区内各景点的负荷均衡为目标建立数学模型并进行求解。万方数据圈基于计算机推理技术的主题公园游客时空分流决策支持系统研究此外，还有从游客服务或体验的角度来展开研究

9、的，例如郑天翔(2012)以游客等待时间最短为目标对主题公园游客导航分流问题构建了动态调度算法的雏形。在国外研究中，没有专门用以表达时空分流的术语，与此相关的研究包括虚拟排队服务和游线设计问题。虚拟排队服务，包括虚拟排队系统(Lovejoy，eta1，2004；LutZ，2008)、排队管理方法(Button，2006)和排队区设计(Heger，et a1，2009)等，并在管理实践中被广泛应用于主题公园的开发和运营中，其中，以Multi Motion主题公园管理系统(universal City studios INC，2002)和迪士尼的FASTPASS。M(Cope Iii，et a1，

10、2008)排队管理系统最具代表性，这类系统设计的方案是增加一条虚拟排队队列，能使游客花费相同的时间但多体验一个项目。另一个研究领域是游线设计问题(Tourist Trip Design Pmblems)(Garcia，et a1，2010；Garcia，et a1，2013；S叫册iau，et a1，2008；Sylejmani，et a1，2012；Vansteenwegen，et a1，2009 b；Vansteenwegen，et a1，2009 a；Vansteenwegen，Van0udheusden，2007)，这类研究延伸出一系列的分支，包括游客移动引导(MobileToudst

11、 Guides)(Souffhau，et a1，2008；Vansteenwegen，Van 0udheusden，2007)、电子游客引导(Electronic Tourist Guides)(Garcia，et a1，2009；Garcia，et a1，2013；Vansteenwegen，et a1，2009b；Vansteenwegen，et a1，2009a)、个人导航系统(Pellsonal Navigation Systems for Tourism)(Akasaka，Onisawa，2008；M删yama，eta1，2004；shiraishi，et a1，2005)、个性化路

12、线规划(Person“zed R叫te P1anning)(Nadi，Delavar，20l 1；Yiakoumettis，et a1，2013；Yu，Chang，2009；Zhang，et a1，2011)、个性化路线引导(Personalized Route Guidance)(Panou，2012)和个性化路线推荐(Personalized Route Recommendation)(Tsai，chung，2012)，等。这些分支当中，涉及旅途中路线选择、导航或引导的文献主要包括：Mamyama等(2004)提出一个有效导航多重目的地的个人导航系统，系统根据游客到达时刻、停留时间以及目的

13、地偏好度计算出使游客满意的旅游路线并实现导航；shiraishi等(2005)根据游客的费用预算和满意程度定制出不同的旅游时间表让游客自主选择，并为其按时到达下一站提供导航；Vansteenwegen等(2009a)把旅游线路设计归结为TO唧(TeamOrienteering Problem with Time windows)问题，并提出迭代局部求解算法，以实时求出个性化旅游路线；Garcia等(2009)在Vansteenwegen研究的基础上，把旅游线路设计进一步归结为McTOPTw(Multi cons舰ined TeamOrienteering Problem with Time w

14、indows)问题，并提出一个包含旅行往返时间、旅行节奏和旅游兴趣点的智能个性化电子导游系统；Yu和Chang(2009)根据游客的个人喜好，结合游客的当前位置对其附近的游览景点、餐饮和住宿等做出简单的行程安排；zhang等(2011)试图利用卫星地图和移动设备来解决交通换乘问题，能结合实时交通情况、停车信息搜索列车到达时刻表，并提供自驾、铁路、公交或步行等多种路线信息；Nadi和Delavar(2011)提出了多种不同方案的路径选择系统，以满足用户的灵活需求；Tsai和Chung(2012)根据以往相似游客的历史路径，结合当前排队信息作判断，以便让游客游览更多的景点。纵观国内外文献，国外在旅

15、游路线选择的问题上似乎更多是从游客出发前的万方数据计划安排上开展研究，而针对游客在游览过程中的干预、引导和管理则较少涉及，而国内针对景区内部小尺度的时空分流研究还刚刚起步，多采用数学和运筹学的方法建模求解，能同时考虑游客的个性化需求和现场环境信息、形成时空一体的旅游个性化推介服务(李仁杰，路紫，2011)的时空分流模式还鲜见(郑天翔，等，2015)。因此，现实中对于景区在个别景点人流过于集中、游客因等待时间过长而游憩质量下降的难题，目前还缺乏行之有效的方案，而这却是智慧景区的建设核心之一(梁倩，张宏梅，2013)。由于时空分流问题涉及游客游憩行为，有研究指出，这种旅游系统难以采用传统数学分析方

16、法建模，而计算机仿真正是研究这种复杂社会系统的较好方法(黎崾，2013；黎崾，杜栓柱，2011)。因此，本文针对景区游客时空分流的决策支持系统(陈建斌，等，2014)，借助计算机推理技术提出一种具有时空一体化特征的游憩方向决策算法，并通过计算机仿真系统与传统的最短距离算法进行实验模拟和比较分析，以验证本文算法的优越性。l研究设计11研究对象由于旅游管理决策实际上是一种复杂事件的推理过程，对问题观察而导致的建模也只能是一种近似描述(杜军平，周亦鹏，2009)，因此，本文选择较为简单的主题公园作为研究对象。与其他风景区相比，主题公园的“简单性”主要有以下表现。(1)景点的承载力可以预先确定风景区的

17、景点以名胜古迹、山水生物为主，具有共享性，同一时刻可供游览的人数不定；主题公园的景点主要以游乐设施为主，游乐设施具有独占性，同一时刻可供游玩的人数相对固定。(2)景点的游览时间可以预先确定游客在风景区的景点停留时长不定，拍照留念、欣赏、休憩、饮食、消费等因人而异；而游客在主题公园的游乐设施上的停留时长相对固定。(3)单步求解而非全路线求解(详见13节)风景为主的景区，坚决避免走回头路，应当使所有的景点串联成环形游线，通常采用全路线求解方案，在游客游览前确定所有路线；而游乐设施为主的主题公园，相邻景点之间距离不会太远，很多时候为了减少等候时间，同一路径游客会重复往返，因此适合单步求解，能在游客游

18、览过程中逐次获得下一步路线。12基本假设在主题公园(下简称景区)的特定案例下，我们假设：不同游客在同一游乐设施(下简称景点)的游览时间相同，且在景点设计时已经确定，称为景点游览时间。每个景点的承载力(景点容量)在景点设计时已经确定。相邻两个景点之间的路径长度在景点设计时已经确定。在不考虑乘车的前提下，每个游客的游憩速度(下简称步速)一样。每个游客在一次完整的旅游经历过程中(从进入景区门口开始直到离开景区)，不会重复游览已经游玩过的景点，但允许多次来回经过相邻两景点之间的路径。万方数据圜基于计算机推理技术的主题公园游客时空分流决策支持系统研究13模型分析无论是“给定景点求路径不重复的全路线最短成

19、本”的旅行商问题(Traveling Salesman Problem，TSP)(吴凯，2004)，还是“尽可能多的游览景点，路径不重复且全路线成本最小”的定向越野问题(Orienteering Problem，OP)(Tsiligirides，1984)，都属于图论中的NP完全问题，不存在多项式时间的算法(王晓东，2004)。因此，本文针对游客在同一个景区中的单日游行程安排问题，试图在“给定景点求单步最少成本”上寻找解决方案，借此让不同游客从时间和空间(景点)上分离开来，达到时空分流的效果。借鉴前人研究成果(黎崾，2013)并进行简化后，本文假定景区涉及的对象仅包含两个：景点和游客。对于景点

20、来说，具有景点位置、景点容量、景点游览时间、景点开放时刻和景点关闭时刻等静态属性，也具有景点下次提供服务时刻、景点外排队等候人数等动态属性。对于游客来说，具有游客编号、到达时刻、预计离开时刻和游览偏好(感兴趣景点)等静态属性，也具有步速、游憩方向(黎崾，2013)图1游客在景区游玩的流程图和等待时间等动态属性。其中，游客动态属性随游憩行为而取不同值(黎蠼，2013)，图1和图2展示了其自身在景区中的一次完整游憩行为，可以归纳为8个要素和3个状态。图2游客的状态切换图首先，我们来看看这3个状态：(1)栈道行走一等待游玩：状态的切换由当前游客“到达景点”触发，这时候可以确定游客需要等候的时间(详见

21、14节)；(2)等待游玩一正在游玩：状态的切换由前个(批)游客“离开景点”触发，当前游客进入游览，这时候可以确定景点下次提供服务时刻=当前时刻+景点游览时间；(3)正在游玩一栈道行走：状态的切换由当前游客“离开最点”触发，此时需要对下个游玩景点(游憩方向)进行决策，这就要求设计一种择优选择的机制来逐次确定(详见14节)。其次，我们来看看这8个要素。对它们进行归类，可以得知：(1)属于动作：到达景区、到达景点、离开景点、离开景区；(2)属于活动：前往景点、游玩景点；(3)属于判定：寻找下一个景点、能否游玩。其中，“动作”使用计算机科学技术领域中的“离万方数据散事件驱动”(刘卫东，等，1998)来

22、模拟，“活动”使用虚拟时钟来实现，“判定”使用计算机推理算法来判断(详见14节)。对这8个要素的进一步分析，可以得知这些要素的模拟关键：(1)到达景区：记录游客的到达时刻、预计离开时刻、步速和感兴趣的景点等信息；(2)前往景点：使用虚拟时钟来模拟，每隔一定时间游客移动一步，这时候游客处于栈道行走状态；(3)到达景点：由于“前往景点”存在不确定因素(游憩方向有可能是景点或景点外排队队列，或者步行过程中其他游客可能更早一步到达同一景点)，使得该事件没有固定的发生时刻，因此无法通过“事件驱动”来模拟，只能作为“前往景点”这个活动的结束标志。而此时，游客的等待时间可以确定下来，同时由于离开景点的时刻能

23、确定(景点游览时间+等待时间)，凶此可以产生“离开景点”事件；(4)能否游玩：如果等待时间+景点下次提供服务时刻景点关闭时刻，则游客无法游玩，只能离开景点；(5)游玩景点：这部分主要由等待游玩和正在游玩两个状态构成；(6)离开景点：根据景点容量把排队靠前的游客设为正在游玩状态，其他游客在队列的位置相应前移；(7)离开景区：为了简化模型，仅输出与整个游览过程相关的信息，而不作为事件来模拟；(8)寻找下一个景点：需要构造游憩方向的决策算法，根据算法的返回结果判断是否找到。14算法和仿真设计141算法设计根据上一节的分析，我们需要确定游客的等待时间和游憩方向的决策算法。表l展示了游客等待时间的计算方

24、法。表1游客等待时间的计算计算方法景点处于开放期问如果景点空闲(当前时刻等于景点下次提供服务时刻，下同)，则等待时间=O否则，等待时间=景点下次提供服务时刻一当前时刻+景点游览时间排队等候人数景点容量景点处于关闭期间如果景点还没有开放(当前时刻早于景点开始时刻，下同)，则等待时间=景点开始时刻一当前时刻+景点游览时间排队等候人数景点容量否则，等待时间=0注：所有景点的下次提供服务时刻，其初始值均为景点开始时刻，下同。当景点处于关闭期间，游客的等待时问设为O，意味着游客必须离开当前景点，重新选择其他景点。上述算法中，“景点下次提供服务时刻”是“等待游玩一正在游玩”状态切换的时候确定的；“排队等候

25、人数”在仿真中可以采用“队列”结构(刘卫东，等，1998)来模拟，所以根据队列元素个数便可获知等候人数。接下来我们需要确定游憩方向(下一个景点)的算法，该算法必须是一个自适应的推理决策过程，能根据现场环境信息和游客需求，共同确定游客当前时刻的目标选择，最后推送给游客。构造的关键在于既要考虑游客自身的个性化信息，也要考虑现场环境信息，例如景点本身的运营情况(包括景点游览时间、景点下次提供服务时刻和景点开放时间)、其他游客的位置(主要指他们在各景点的排队等候情万方数据圈基于计算机推理技术的主题公园游客时空分流决策支持系统研究况)和游客本身的位置，最后从若干个候选景点中选择单步成本最少的一个。表2展

26、示了构建的算法。表2基于现场环境的游憩方向决策算法fB=f(A)输入：A是当前游览完毕的景点或到达的景区门口输出：B是经决策后的下一个待游览景点(下一步的游憩方向)1 在感兴趣的所有未游玩景点中，对每个景点c进行下面的判断：景点C处于开放期间如果景点c空闲，则所需成本=0否则，计算所需成本=景点c下次提供服务时刻一当前时刻+景点c游览时间景点c排队等候人数景点c容量景点C处于关闭期间如果景点c还没有开放，则计算所需成本=景点c开始时刻一当前时刻+景点C游览时间景点c排队等候人数景点c容量否则，所需成本=无限大如果所需成本景点关闭时刻，则此景点无法游玩，游客继续寻找下一个景点。否则，游客根据排队

27、情况等待游玩或进入游玩如果景点空闲，则该游客进入景点游玩，此时游客处于正在游玩状态。设置景点下次提供服务时刻=当前时刻+景点游览时间否则，游客必须排队等候，此时游客处于等待游玩状态 生成“离开景点”事件，事件发生时刻=景点游览时间+游客等待时问22算法比较为了方便比较，本文引入前人研究(任竞斐，郑伟民，2013；肖雄辉，等，2013；郑天翔，2012)中使用的基于距离的决策方案做分析。在本文的特定因素下，基于最短距离的决策算法(下简称距离算法)如表4所示。表4基于最短距离的游憩方向决策算法gB=g(A)输入：A是当前游览完毕的景点或到达的景区门口输出：B是经决策后的下一个待游览景点(下一步的游

28、憩方向)1 在感兴趣的所有未游玩景点中，对每个景点c进行下面的判断：计算所需成本=A与C之间的路径长度步速，并把景点c加人候选景点集合如果所需成本+当前时刻景点C关闭时刻)，则从候选景点集合中剔除景点c否则，如果所需成本+当前时刻景点c关闭时刻，则从候选景点集合中剔除景点c否则，从候选景点集合中剔除景点c2 如果候选景点集合为空，则返回“空值”；否则，从候选景点集合中选择成本最少的一个，作为B返回万方数据圈基于计算机推理技术的主题公园游客时空分流决策支持系统研究23 实验数据假定景区的空间布局图如图3所示。图3景区的空间布局图G3其中，复选钮代表景点和门口，其中以V开头标记的是景点(如V1，V

29、5)，以G开头标记的是门口(如G1，G2，G3)。景点与景点、景点与门口之间的数字代表路径长度。仿真系统的输入包括：系统参数：为方便起见，假设虚拟时钟的时间粒度(Tick)为1秒。景点的基本情况：所有景点的游览时问统一设置为20秒，所有景点容量统一设置为1。至于景点的开始时刻和关闭时刻，景点V1、V2和V3跟随景区开放而开放，景点v4的开始时刻随机设为景区开放后1分54秒，持续时间为2分17秒，景点V5的开始时刻为景区开放后1分44秒，持续时间为2分30秒。游客信息：为了使游客数据在两种算法的仿真实验中保持一致，我们首先随机生成所有游客的信息，然后把这些信息录入系统，并对每个游客生成“到达事件

30、”，最后全部加人到最小堆中。其中，各游客的预计离开时刻参见241节，感兴趣的景点参见242节，至于各游客的到达时刻，由于前后两次仿真时刻不可能相同，因此只需保证相对时间(相邻两个游客的到达时间间隔)一致即可。限于篇幅，仅保留其编号信息，编号规则是按照其到达景区的时间先后进行依次编号的。此外，为简单起见，假设所有游客都从G2到达。仿真系统的输出：与整个游览过程相关的信息，包括游客的游玩次序、等待时间和实际离开时刻。24结果分析241游客等待时间两组算法在游客等待时间上的结果如表5和图4所示。从表5和图4可以清楚看到，本文算法的等待时间在各游客上差别不大(趋势线的斜率为089)，表明游客的等待基本

31、不受其到达景区的时刻先后所影响，而对于距离算法，到达时刻较早的游客等待时间较短，到达时刻较晚的游客等待时间较长，因此趋势线的斜率较大(489)。此外，有研究者指出，游客满意度是与等待时间占逗留时问的比例(张影莎，等，2012)(下简称等逗比)密切相关的，从表5和图万方数据5的结果来看，本文算法的等逗比在各个游客上趋于平均，而距离算法则波动较大，到达时刻较早的游客其等逗比普通较低，到达较晚的游客等逗比普遍较高，对编号为12、13和14的游客来说，花费在景点上的等待时间甚至占据了在景区逗留时间的60或更多。表5两种算法在“游客等待时间”上的结果比较叁一厘苔姑神图4两种算法在游客等待时间上的表现万方

32、数据圃基于计算机推理技术的主题公园游客时空分流决策支持系统研究O807O6O5划O4淞030201083 0331 8游客编号图5两种算法在游客等逗比上的表现242游客游玩的景点数量收集游客实际游览(成功游玩)的景点数据，整理后结果如表6所示。表6两种算法在“游客游玩景点数量”上的结果注：“提前”是指在“寻找下一个景点”的决策中，选择任一候选景点都将超过游客预计离开时刻，算法返回值为空，游客提前离开景区。“错过”是指在“寻找下一个景点”的决策中，选择任一候选景点都将超过了景点关闭时刻，算法返回值为空，游客未能前往游玩。“遗憾”是指当游客到达景点后，发现景点来不及游玩(已关闭，或者等候人数太多超

33、过景点关闭时刻，或者超过游客预计离开时刻)，无奈地重新选择下一个景点。从表6可以看到，本文算法与距离算法相比，能够让游客成功游玩更多的景点万方数据(见表6阴影部分)。此外，从游客所付出的代价来看，“提前”和“错过”要比“遗憾”要小。本文算法能提前告知游客候选景点能否游玩，因此没有出现当游客到达景点后才发现景点不能游玩的情况；而距离算法则由于无法提前预知，因此在模拟过程中出现3次游客到达景点后才发现该景点不能游玩的情况：游客11和14(见表5)分别到达景点v5后、游客16(见表5)到达景点V4后，详见下文表8。243景点容量利用率为了计算景点容量利用率(张影莎，等，2012)，把各景点人数变动的

34、时刻一一记录下来，也就是说，记录游客到达该景点的时刻(游玩或等候)或在该景点上游玩结束离开景点的时刻，然后记下接待人次和统计等候人数。结果分别如表7和表8所示。表7本文算法在“景点容量利用率”上的结果V1 V2 V3 V4 V5接 等 接 等 接 等 接 等 接 等雯 时刻 雯 芟时刻癸 笑 时刻 受 芟时刻雯 譬 时刻 譬人 人次 数 次 数 次 数 次 数 次 数1 18：18：51 O l 18：18：22 0 l 18：18：34 0 1 18：19：51 l l 18：19：25 12 18：18：58 1 2 18：18：27 l 2 18：18：39 l 18：20：06 O 2

35、 18：19：46 23 18：19：0l 2 3 18：18：42 0 3 18：18：49 2 2 18：20：08 l 3 18：19：49 318：19：ll l 18：18：52 1 4 18：18：52 3 3 18：20：12 2 18：19：56 24 18：19：24 2 4 18：18：58 2 18：18：54 2 18：20：26 l 4 18：20：08 318：19：3l 1 18：19：02 1 18：19：13 1 4 18：20：3l 2 18：20：16 25 18：19：4l 2 5 18：19：07 2 5 18：19：20 2 5 18：20：34 3

36、 18：20：36 l6 18：19：45 3 6 18：19：18 3 6 18：19：25 3 18：20：46 2 18：20：56 O7 18：19：47 4 18：19：22 2 18：19：33 2 18：2l：05 1 5 18：2l：05 l18：19：5l 3 18：19：42 1 18：19：54 l 18：2l：26 O 6 18：2l：07 28 18：19：56 4 18：20：02 O 18：20：13 0 6 18：21：30 l 18：21：15 l18：20：1l 3 7 18：20：49 1 7 18：20：19 l 7 18：2l：40 2 18：21：3

37、5 018：20：30 2 8 18：20：50 2 18：20：33 O 18：21：46 l 7 18：22：02 O18：20：50 l 18：21：06 l 8 18：20：53 O 18：22：07 018：21：lO O 18：21：26 0 9 18：21：06 l9 18：21：23 l 9 18：2l：47 0 lO 18：21：09 218：21：31 0 18：2l：13 l18：2l：33 O11 18：22：20 0首先，由表7和表8可知，对于景点V1-V5，本文算法分别接待了9、9、11、7、7人次，而距离算法分别接待了6、11、11、6、7人次，由此可见各景点的接

38、待能力大致相同。然而，表7和表8反映了两个截然不同的事实：在本文算法下，各景点的负荷比较接近，排队等候人数峰值大概为34人，而在距离算法下，每个景点的负荷非常不均衡，景点Vl、V3、v4的排队等候人数峰值在l2人之间，而景点V5的峰值在4人左右，景点V2的峰值甚至达到了7人。万方数据圄基于计算机推理技术的主题公园游客时空分流决策支持系统研究表8距离算法在“景点容量利用率”上的结果V1 V2 V3 v4 v5接 等 接 等 接 等 接 等 接 等芟 时刻 煲 交时刻煲 芟时刻雯 交时刻雯 笑 时刻 煲次 数 次 数 次 数 次 数 次 数l 23：24：43 O 1 23：24：14 0 l 2

39、3：24：21 O 1 23：25：56 1 l 23：25：16 12 23：24：5l 1 2 23：24：19 1 2 23：24：31 l 23：25：58 O 2 23：25：38 223：25：03 O 23：24：34 O 3 23：24：42 2 2 23：26：20 O 23：25：48 13 23：25：13 1 3 23：24：35 1 23：24：46 1 3 23：26：42 0 3 23：25：49 223：25：23 O 4 23：24：38 2 23：25：05 0 4 23：27：01 l 23：26：08 l4 23：25：30 l 5 23：24：46 3

40、 4 23：25：11 l 23：27：02 O 4 23：26：09 25 23：25：35 2 6 23：24：52 4 23：25：25 0 5 23：27：11 1 5 23：26：20 323：25：43 l 23：24：54 3 5 23：25：31 1 23：27：22 0 6 23：26：21 423：26：03 O 7 23：25：0l 4 23：25：45 O 6 23：27：23 l 23：26：28 36 23：27：35 O 8 23：25：12 5 6 23：25：48 l 23：27：42 O 7 23：26：40 423：25：13 4 23：26：05 O 2

41、3：28：03 0 23：26：47 39 23：25：15 5 7 23：26：28 0 23：26：48 310 23：25：23 6 8 23：27：00 O 23：27：07 21l 23：25：33 7 9 23：27：27 O 23：27：28 123：25：34 6 lO 23：28：18 O 23：27：47 023：25：54 5 lI 23：28：39 O 23：27：49 O23：26：14 423：26：34 323：26：54 223：27：13 123：27：33 0注：根据23节假设，景点V4的开放时刻为23：25：58，关闭时刻为23：28：15；景点V5的开放

42、时刻为23：25：48，关闭时刻为23：28：18。在23：28：03上，游客16到达V4后发现景点快要接近关闭，不能游玩导致景点v4的接待人次等候人数并没有增加。在23：26：48上，游客11到这V5后发现景点外排队等候有3人，届时轮到自己的时候景点已经关闭，不能游玩导致景点V5的接待次彩等候人数并没有增加。在23：27：49上，游客14到达V5后发现若选择游玩则将会超过预计离开景区时刻，而其他未游览景点(Vl和V4)根据决策算法也将超时，因此只能离开景区。其次，各景点容量利用率可以借助容量剩余来间接反映：当游客到达景点后，如果能进入游玩而无需等候，则说明该景点处于闲置中，有大量的容量剩余；

43、反之，说明该景点处于忙碌中，没有容量剩余。在表7和表8中，这对应于接待人次(有具体数值)所在行的等候人数：如果等候人数为0，则说明景点处于闲置中，反之则处于虻碌中。可见，本文算法下各景点的剩余容量大致相同，景点容量利用率基本一致。而距离算法下，景点V1、V3、V4有大量的容量剩余，说明这些景点很多时候处于闲置状态，景点容量利用率较低，而景点V2和V5则没有足够的容量剩余，说明这两个景点长期处于繁忙状态，景点容量利用率很高。244景点平均等待时间从表5可以计算出在本文算法和距离算法下游客的平均等待时间(总等待时间和总人数的比值)(Lovejoy，et a1，2004)分别为6663秒和7244秒

44、，显然，万方数据本文算法更占优。本节中，我们将进一步比较每个景点的游客平均等待时间。首先定义每个景点的游客平均等待时间，其计算方法为在该景点上的等待时间之和与在该景点需要等待的游客人数之比值。该指标可以计算出游客在某个景点上的等待成本，能客观反映景区中各景点的实际运营情况。从表9的结果来看，在本文算法下，各景点的平均等待时间基本一致，表明没有出现游客在个别景点高度集中的情况，人群分布较均匀，拥挤程度较低。而在距离算法下，各景点的平均等待时间存在明显差异，游客在景点V2和v5所需等待时间较长，而在其他景点所需等待时间则较短，表明游客在景点V2和V5高度集中，拥挤程度严重，而其他景点则随到随玩。表

45、9两种算法在“景点平均等待时间”上的结果3结论与讨论本文针对主题公园游客时空分流的决策支持系统问题，借助计算机推理技术提出一种基于现场环境的游憩方向决策算法，并设计了一个计算机仿真系统进行实验模拟。与传统的最短距离算法相比，本文算法在游客等待时间、游客游玩景点数量、景点容量利用率和景点平均等待时间4个指标上均显示出良好的性能，具有时空一体化的特性。从实验结果来看，本文所创建的时空分流模型，让游客自动分流并导航到较少拥挤的景点上，既能均衡各景点的接待能力，同时能降低游客的等待成本，有助于主题公园的客流时空分布调控。与以往时空分流模型或算法的不同之处在于，它既充分考虑了各景点的开放和运营隋况，也考

46、虑了游客本身的多种需求，同时还考虑其他游客的位置，从而获得单步最少成本的路径。本文提出的游憩方向决策支持算法，其研究虽然目前停留在模拟阶段，但从实验效果来看，有助于景区客流运转的可控性和有序化，对景区管理者、景点设施和游客来说都是大有裨益的。首先，对景区管理者来说，景区旅游拥挤加剧和生态环境破坏等问题需要对旅游客流和景区内资源的使用情况进行监控，以便必要时进行现场疏导，其最大的障碍莫过于无法掌握游客在景区内的游憩行为。本文算法可以让景区管理者了解游客的行踪(实践中需借助物联网技术)，算法产生的推荐路线能让游客自动分流并导航到较少拥挤的景点上，不用担心热门景点由于游客过多而出现局部拥堵或混乱的局

47、面，有望节省用于现场疏导的人力资源。其次，对景点设施来说，本文算法能够均衡各景点的接待能力和承受能力，既不会造成资源闲置浪费，也不会造成景区局部拥挤。再者，对游客来说，在景区的游憩过程中，拥万方数据基于计算机推理技术的主题公园游客时空分流决策支持系统研究挤的人群和错综复杂的地图让他们很难通过目测或者经验获得最佳旅游线路，本文算法可辅助游客个性化定制感兴趣的景点，并在确定游憩方向(景点的游历次序)上把繁琐的自行搜索筛选变为了主动推送，减少游客在景区的等待时间，并有可能增加游客体验项目数(张影莎，等，2012)，从而提高游客的游玩效率。致谢感谢暨南大学深圳旅游学院吴圳杰对本文仿真系统的测试所做的诸

48、多工作。参考文献：1 陈建斌，郑丽，张凌云智慧景区IT能力模型及其核心构成研究J旅游科学，2014(1)：14-212345陈治佳，王曦，何苗大型游乐场快速通道优化模型与仿真模拟J哈尔滨工业大学学报，2005(9)：12611263杜军平，周亦鹏基于数据的旅游管理决策支持系统研究J自动化学报，2009(6)：834840冯刚，任佩瑜，戈鹏，朱忠福，冉建华基于管理熵与RFID的九寨沟游客高峰期“时空分流”导航管理模式研究J旅游科学，20lo(2)：717冯刚，任佩瑜，肖维阳，邓贵平，蹇代君基于RFID模式对景区生态保护的研究以九寨沟诺日朗餐厅就餐分流为例J西南民族大学学报(人文社科版)，2009

49、(11)：151154戈鹏，郑伟民，肖雄辉，邱厌庆，任佩瑜基于九寨沟区域时空负荷均衡的仿真研究J管理工程学报，2013(2)：99106姜向阳，任佩瑜自然保护区旅游高峰期时空分流导航管理的模型构建与分析J旅游科学，2012(4)：17-25黎崾景区游客游憩行为计算机仿真模型J旅游科学，2013(5)：42-51黎崾，杜栓柱景区游憩行为计算机仿真系统研究综述J旅游学刊，2011(7)：85-94李仁杰，路紫旅游个性化推介服务的未来发展：时空一体化J旅游学刊，2011(10)：82-88梁倩，张宏梅智慧景区发展状况研究综述J西安石油大学学报(社会科学版)，2013(5)：52-56刘卫东，沈官林，严蔚敏数据结构c+语言描述M北京：清华大学出版社，1998邱厌庆，戈鹏，赖