DOI: https://doi.org/10.1038/s41598-024-84581-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39747325
تاريخ النشر: 2025-01-02
المؤلف: XueFei Xiao وآخرون
الموضوع الرئيسي: جوانب متنوعة من أبحاث السياحة
نظرة عامة
تقدم ورقة البحث نموذجًا جديدًا لتوصيات مسارات السياحة الشخصية، يسمى الشبكة العصبية المتسلسلة متعددة الطبقات الزمنية (TMS-Net). يعالج هذا النموذج تعقيدات السفر الشخصي من خلال النظر في بيانات السياحة التاريخية، والتفضيلات الفردية، والعوامل البيئية في الوقت الحقيقي. الابتكار الرئيسي في TMS-Net هو طريقة تقسيم المسارات الثابتة الطول، التي تعدل بشكل تكيفي طول تقسيم مسارات السياح لإدارة الفترات الزمنية والمكانية الكبيرة بشكل فعال. يستخدم النموذج آلية الانتباه الذاتي التي تتضمن معلومات موضعية نسبية، مما يعزز قدرته على تمييز العلاقات بين المسارات المختلفة. بالإضافة إلى ذلك، تلتقط الشبكة العصبية متعددة الطبقات من نوع الذاكرة قصيرة وطويلة الأمد (LSTM) الاعتماديات الزمنية المعقدة، مما يؤدي إلى دقة توصية تبلغ 88.6% وخطأ في مسافة هافرسين قدره 1.23، استنادًا إلى أكثر من ستة ملايين نقطة بيانات مسار من مدينة تشنغدو.
تؤكد الخاتمة على أهمية توصيات المسارات الشخصية في أبحاث السياحة وتحدد الاتجاهات المستقبلية لـ TMS-Net. ستتضمن التحسينات القادمة تحليلًا متعدد الوسائط، يدمج أنواع بيانات متنوعة مثل الفيديوهات والصور والنصوص لإثراء عملية التوصية. يهدف هذا الدمج إلى توفير فهم أكثر دقة لتفضيلات وسلوكيات السياح، مما يمنع التوصيات المتكررة ويعزز تجربة السفر المخصصة. تسلط الدراسة الضوء على إمكانية TMS-Net في تعزيز تجارب السياحة الشخصية بشكل كبير والمساهمة في تقدم منهجيات السياحة الذكية.
طرق
في هذا القسم، يوضح المؤلفون الطرق التجريبية المستخدمة لتقييم نظام التوصية ومهمة توقع المواقع. استخدموا مجموعة متنوعة من مقاييس التقييم، بما في ذلك الاسترجاع، والدقة، ومسافة هافرسين، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط مربع الخطأ (MSE)، ومعامل التحديد ($R^2$). تم استخدام الاسترجاع والدقة بشكل خاص لقياس تغطية النظام ودقته فيما يتعلق بتفضيلات المستخدم الفعلية، بينما قيّمت مقاييس هافرسين وRMSE وMSE أداء توقعات المواقع من خلال قياس الفجوات بين الإحداثيات المتوقعة والفعلية.
تم التأكيد بشكل خاص على صيغة هافرسين، التي تحسب المسافة الكروية بين نقطتين جغرافيتين بناءً على خطوط العرض والطول الخاصة بهما، لدورها في التحقق من دقة إحداثيات الجذب المتوقعة. تشير مسافة هافرسين الأصغر إلى أداء أفضل للنموذج، بينما تشير المسافات الأكبر إلى الحاجة لمزيد من التحسين. تم إجراء التجارب عدة مرات لضمان الموثوقية، مع متوسط النتائج عبر خمس تجارب. كانت البيئة الحاسوبية تشمل بايثون 3.10 وTensorFlow 1.8، تعمل على نظام مزود بمعالج Intel Core i7-13700 وبطاقة رسومات NVIDIA GeForce RTX 4060.
نقاش
في قسم النقاش من ورقة البحث، يبرز المؤلفون فعالية TMS-Net، وهو نموذج شبكة عصبية متعددة الطبقات مصمم لتوصيات مسارات السياحة الشخصية. يتضمن النموذج آلية انتباه زمنية تستخدم معلومات موضعية نسبية، مما يمكنه من التقاط العلاقات الزمنية بدقة بين مواقع السياح المختلفة. تعزز هذه الميزة، جنبًا إلى جنب مع شبكة الذاكرة قصيرة وطويلة الأمد (LSTM) متعددة الطبقات، قدرة النموذج على التعلم من مسارات السفر التاريخية، مما يضمن أن تكون التوصيات ذات صلة وفي الوقت المناسب. على سبيل المثال، يتجنب TMS-Net اقتراح المعالم التي زارها المستخدم مؤخرًا، مما يحسن من تخصيص تجربة المستخدم.
يقارن المؤلفون TMS-Net مع نماذج السلاسل الزمنية الأخرى الشهيرة، موضحين أدائه المتفوق في توقع الجذب وتخطيط المسارات. يقدمون أمثلة على مسارات سياحية موصى بها في تشنغدو، مما يبرز قدرة النموذج على التوافق مع تطوير السياحة الذكية. مع زيادة حجم مجموعة البيانات، تزداد إمكانية TMS-Net في تقديم توصيات أغنى وأكثر تخصيصًا، تلبي اهتمامات السياح المتنوعة، مثل التراث الثقافي أو الأنشطة الخارجية. يختتم المؤلفون بتحديد اتجاهات البحث المستقبلية، والتي تشمل دمج مصادر بيانات متعددة الوسائط—مثل الفيديوهات والصور والنصوص—لزيادة تعزيز قدرات التوصية للنموذج وتوفير رؤى أعمق حول سلوكيات وتفضيلات السياح.
DOI: https://doi.org/10.1038/s41598-024-84581-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39747325
Publication Date: 2025-01-02
Author(s): XueFei Xiao et al.
Primary Topic: Diverse Aspects of Tourism Research
Overview
The research paper presents a novel model for personalized tourism route recommendations, termed the Temporal Multilayer Sequential Neural Network (TMS-Net). This model addresses the complexities of personalized travel by considering historical tourism data, individual preferences, and real-time environmental factors. A key innovation of TMS-Net is its fixed-length trajectory segmentation method, which adaptively adjusts the segmentation length of tourist trajectories to effectively manage large spatiotemporal spans. The model employs a self-attention mechanism that incorporates relative positional information, enhancing its ability to discern relationships between different paths. Additionally, the multilayer Long Short-Term Memory (LSTM) neural network captures intricate temporal dependencies, resulting in a recommendation accuracy of 88.6% and a Haversine distance error of 1.23, based on over six million trajectory data points from Chengdu City.
The conclusion emphasizes the significance of personalized route recommendations in tourism research and outlines future directions for TMS-Net. Upcoming enhancements will include multimodal analysis, integrating diverse data types such as videos, images, and text to enrich the recommendation process. This integration aims to provide a more nuanced understanding of tourist preferences and behaviors, thereby preventing repetitive recommendations and fostering a more tailored travel experience. The study highlights TMS-Net’s potential to significantly enhance personalized tourism experiences and contribute to the advancement of smart tourism methodologies.
Methods
In this section, the authors detail the experimental methods employed to evaluate their recommendation system and location prediction task. They utilized a variety of evaluation metrics, including Recall, Precision, Haversine distance, root mean squared error (RMSE), mean squared error (MSE), and the coefficient of determination ($R^2$). Recall and Precision were specifically used to measure the system’s coverage and accuracy in relation to actual user preferences, while Haversine, RMSE, and MSE assessed the performance of location predictions by quantifying the discrepancies between predicted and actual coordinates.
The Haversine formula, which calculates the spherical distance between two geographical points based on their latitudes and longitudes, was particularly emphasized for its role in validating the accuracy of predicted attraction coordinates. A smaller Haversine distance indicates better model performance, while larger distances suggest the need for further optimization. The experiments were conducted multiple times to ensure reliability, with results averaged across five trials. The computational environment included Python 3.10 and TensorFlow 1.8, running on a system equipped with an Intel Core i7-13700 processor and an NVIDIA GeForce RTX 4060 graphics card.
Discussion
In the discussion section of the research paper, the authors highlight the effectiveness of TMS-Net, a multilayer neural network model designed for personalized tourism route recommendations. The model incorporates a time-attention mechanism that utilizes relative positional information, enabling it to accurately capture the temporal relationships between various tourist locations. This feature, combined with a multilayer Long Short-Term Memory (LSTM) network, enhances the model’s ability to learn from historical travel paths, ensuring that recommendations are relevant and timely. For instance, TMS-Net avoids suggesting attractions that a user has recently visited, thereby improving the personalization of the user experience.
The authors compare TMS-Net with other popular time-series models, demonstrating its superior performance in attraction prediction and route planning. They provide examples of recommended tourist routes in Chengdu, emphasizing the model’s capability to align with smart tourism development. As the dataset grows, TMS-Net’s potential to offer richer and more tailored recommendations increases, catering to diverse tourist interests, such as cultural heritage or outdoor activities. The authors conclude by outlining future research directions, which include integrating multimodal data sources—such as videos, images, and text—to further enhance the model’s recommendation capabilities and provide deeper insights into tourist behaviors and preferences.