基于計算機推理技術的主題公園游客時空分流決策支持系統(tǒng)研究——設計、仿真與比較

鄭天翔 吳 蓉

(1.暨南大學深圳旅游學院,廣東深圳 518053;2.中山大學地理科學與規(guī)劃學院,廣東廣州 510275)

?

基于計算機推理技術的主題公園游客時空分流決策支持系統(tǒng)研究
——設計、仿真與比較

鄭天翔1吳 蓉2

(1.暨南大學深圳旅游學院,廣東深圳 518053;2.中山大學地理科學與規(guī)劃學院,廣東廣州 510275)

本文針對主題公園游客時空分流的決策支持系統(tǒng)問題進行了研究。首先分析了游客在景區(qū)中的一次完整游憩行為,歸納出涉及這一行為的若干要素和狀態(tài)。其次,為模擬這些要素并實現狀態(tài)切換,設計了一種基于現場環(huán)境的游憩方向決策算法,該算法借助計算機推理技術并綜合考慮游客自身的個性化需求、景點設施的運營情況和其他游客的排隊位置等環(huán)境信息來確定下一個游憩方向。再者,為驗證算法的有效性,基于離散事件建模開發(fā)了一個計算機仿真系統(tǒng),并采用虛擬數據進行了實驗模擬和比較分析。實驗結果表明,與傳統(tǒng)的基于最短距離的算法相比,本文算法在游客等待時間、游客游玩景點數量、景點容量利用率和景點平均等待時間4個評價指標上均有不錯的表現,表明該決策支持系統(tǒng)具有時空一體化的特性。系統(tǒng)產生的推薦路線在理論上能讓游客自動分流并導航到較少擁擠的景點上,既能均衡各景點的接待能力,同時降低游客的等待成本,有助于主題公園的客流時空分布調控。

旅游流調控; 時空分流導航; 決策支持系統(tǒng); 計算機推理技術; 時空一體化

0 引言

隨著我國經濟持續(xù)發(fā)展和居民收入穩(wěn)步增加,旅游休閑日益成為我國居民生活的重要內容。近年來,中國旅游業(yè)增長的勢頭尤其迅猛,不少著名景區(qū)不得不面對大量游客入園而導致景區(qū)滿載的局面。景區(qū)一旦過度擁擠,就會對旅游業(yè)的可持續(xù)發(fā)展造成威脅。以主題公園為例,一方面,游客過多有可能對游樂設施造成破壞,甚至會引起安全事故;另一方面,游客在游玩過程中的長時間等待也嚴重影響游客的游憩質量。因此,關注景區(qū)內客流時空分布,并使景區(qū)內各景點負載均衡便成為了保證旅游景區(qū)經濟效益、社會效益和生態(tài)效益協(xié)調發(fā)展的核心。

時空分流,正是利用隨時間推移形成的相對“閑置”的空間對游客進行分散疏導,使景區(qū)內各景點負載均衡的一種解決方案。對此,目前國內研究者主要從排隊論和導航管理技術兩個分支開展探討。排隊論是以運籌學作為基礎研究服務機構中排隊問題的規(guī)律(Erlang,1909),在旅游學科領域的研究成果并不算多,主要包括:張凌云(1988)對旅游用餐行業(yè)的排隊隊長、逗留時間和等待時間的期望值進行了估計,并在服務員數量和顧客等待時間兩方面做了比較和權衡,用于指導餐廳(酒吧)在座位數量、服務人員安排和經濟成本效益上綜合考慮;陳治佳等(2005)提出了一種基于概率的快速排隊優(yōu)化模型,以使大型游樂場的游樂設施達到最大使用程度,減少游客等待時間;王仁志和苗維亞(2012)對大型景區(qū)的平均隊長和平均等待時間進行了估計,并提出把順序單服務臺旅游模式改變?yōu)闊o序全服務臺旅游模式的思想。這些研究都是為了解決游客太多而導致某個服務機構(餐廳、游樂設施或景點)需要長時間排隊而提出的,主要涉及排隊系統(tǒng)的性狀研究和最優(yōu)化配置兩大類,多采用M/M/n排隊理論建立數學模型并結合多目標線性規(guī)劃來求解。

國內的另外一個分支則是時空分流導航管理技術,是任佩瑜團隊于2009年提出的一項新技術(馮剛,等,2009),旨在根據空間的相對靜態(tài)性和時間的動態(tài)性,借助最新的信息監(jiān)控技術,設計出若干優(yōu)化的游覽路線,使游客在景區(qū)內均衡分布、有序交換。自2009年以來,該團隊針對風景名勝區(qū)(或自然保護區(qū))做出了不少貢獻,包括:邱厭慶等(2010a)提出了基于九寨溝景點負荷均衡的時空分流導航數學規(guī)劃模型,并從動態(tài)預測中得到車輛調度方案;馮剛等(2010)引入管理熵與RFID技術,對邱厭慶提到的上述模型進行效果模擬;邱厭慶等(2010b)從復雜系統(tǒng)控制的角度構建游客分流導航管理的耗散結構體系,并分別對初態(tài)分流(邱厭慶,等,2010b)和穩(wěn)態(tài)分流(邱厭慶,等,2011)兩個階段的動態(tài)離散系統(tǒng)進行探索性分析;姜向陽和任佩瑜(2012)把Hamilton 回路和多旅行商的思想引入時空分流導航管理中,并給出了一般數學模型和精確求解方法;戈鵬等(2013)通過比較、分析和仿真,提出了在初始分流中采用平均分流的靜態(tài)調度策略,在穩(wěn)態(tài)分流中采用基于區(qū)域時空負荷率的動態(tài)調度策略的改進方案;肖雄輝等(2013)構建了景區(qū)景點需求與調度資源的引力分流調度模型和算法,既能滿足需求景點的負荷均衡,同時也考慮了游客的滿意度;任競斐和鄭偉民(2013)通過建立綜合游客偏好、擁擠度、等待時間和行走時間等指標的旅游效用函數,并借助Logit模型,將游客分配到不同路線上,以減少旅游高峰期景區(qū)游客擁擠和等待的情況?？梢钥闯?除了肖雄輝(2013)和任競斐(2013)的研究外,任佩瑜團隊主要從景區(qū)管理的角度來開展時空分流導航分析,其重點在于考查景區(qū)內客流的分布情況和超負荷景點,以景區(qū)內各景點的負荷均衡為目標建立數學模型并進行求解。此外,還有從游客服務或體驗的角度來展開研究的,例如鄭天翔(2012)以游客等待時間最短為目標對主題公園游客導航分流問題構建了動態(tài)調度算法的雛形。

在國外研究中,沒有專門用以表達時空分流的術語,與此相關的研究包括虛擬排隊服務和游線設計問題。虛擬排隊服務,包括虛擬排隊系統(tǒng)(Lovejoy,et al.,2004;Lutz,2008)、排隊管理方法(Button,2006)和排隊區(qū)設計(Heger,et al.,2009)等,并在管理實踐中被廣泛應用于主題公園的開發(fā)和運營中,其中,以Multi Motion主題公園管理系統(tǒng)(Universal City Studios INC,2002)和迪士尼的FASTPASSTM(Cope Iii,et al.,2008)排隊管理系統(tǒng)最具代表性,這類系統(tǒng)設計的方案是增加一條虛擬排隊隊列,能使游客花費相同的時間但多體驗一個項目。另一個研究領域是游線設計問題(Tourist Trip Design Problems)(Garcia,et al.,2010;Garcia,et al.,2013;Souffriau,et al.,2008;Sylejmani,et al.,2012;Vansteenwegen,et al.,2009b;Vansteenwegen,et al.,2009a;Vansteenwegen,Van Oudheusden,2007),這類研究延伸出一系列的分支,包括游客移動引導(Mobile Tourist Guides)(Souffriau,et al.,2008;Vansteenwegen,Van Oudheusden,2007)、電子游客引導(Electronic Tourist Guides)(Garcia,et al.,2009;Garcia,et al.,2013;Vansteenwegen,et al.,2009b;Vansteenwegen,et al.,2009a)、個人導航系統(tǒng)(Personal Navigation Systems for Tourism)(Akasaka,Onisawa,2008;Maruyama,et al.,2004;Shiraishi,et al.,2005)、個性化路線規(guī)劃(Personalized Route Planning)(Nadi,Delavar,2011;Yiakoumettis,et al.,2013;Yu,Chang,2009;Zhang,et al.,2011)、個性化路線引導(Personalized Route Guidance)(Panou,2012)和個性化路線推薦(Personalized Route Recommendation)(Tsai,Chung,2012),等。這些分支當中,涉及旅途中路線選擇、導航或引導的文獻主要包括:Maruyama等(2004)提出一個有效導航多重目的地的個人導航系統(tǒng),系統(tǒng)根據游客到達時刻、停留時間以及目的地偏好度計算出使游客滿意的旅游路線并實現導航;Shiraishi等(2005)根據游客的費用預算和滿意程度定制出不同的旅游時間表讓游客自主選擇,并為其按時到達下一站提供導航;Vansteenwegen等(2009a)把旅游線路設計歸結為TOPTW(Team Orienteering Problem with Time Windows)問題,并提出迭代局部求解算法,以實時求出個性化旅游路線;Garcia等(2009)在Vansteenwegen研究的基礎上,把旅游線路設計進一步歸結為MCTOPTW(Multi Constrained Team Orienteering Problem with Time Windows)問題,并提出一個包含旅行往返時間、旅行節(jié)奏和旅游興趣點的智能個性化電子導游系統(tǒng);Yu和Chang(2009)根據游客的個人喜好,結合游客的當前位置對其附近的游覽景點、餐飲和住宿等做出簡單的行程安排;Zhang等(2011)試圖利用衛(wèi)星地圖和移動設備來解決交通換乘問題,能結合實時交通情況、停車信息搜索列車到達時刻表,并提供自駕、鐵路、公交或步行等多種路線信息;Nadi和Delavar(2011)提出了多種不同方案的路徑選擇系統(tǒng),以滿足用戶的靈活需求;Tsai和Chung(2012)根據以往相似游客的歷史路徑,結合當前排隊信息作判斷,以便讓游客游覽更多的景點。

縱觀國內外文獻,國外在旅游路線選擇的問題上似乎更多是從游客出發(fā)前的計劃安排上開展研究,而針對游客在游覽過程中的干預、引導和管理則較少涉及,而國內針對景區(qū)內部小尺度的時空分流研究還剛剛起步,多采用數學和運籌學的方法建模求解,能同時考慮游客的個性化需求和現場環(huán)境信息、形成時空一體的旅游個性化推介服務(李仁杰,路紫,2011)的時空分流模式還鮮見(鄭天翔,等,2015)。因此,現實中對于景區(qū)在個別景點人流過于集中、游客因等待時間過長而游憩質量下降的難題,目前還缺乏行之有效的方案,而這卻是智慧景區(qū)的建設核心之一(梁倩,張宏梅,2013)。由于時空分流問題涉及游客游憩行為,有研究指出,這種旅游系統(tǒng)難以采用傳統(tǒng)數學分析方法建模,而計算機仿真正是研究這種復雜社會系統(tǒng)的較好方法(黎巎,2013;黎巎,杜栓柱,2011)。因此,本文針對景區(qū)游客時空分流的決策支持系統(tǒng)(陳建斌,等,2014),借助計算機推理技術提出一種具有時空一體化特征的游憩方向決策算法,并通過計算機仿真系統(tǒng)與傳統(tǒng)的最短距離算法進行實驗模擬和比較分析,以驗證本文算法的優(yōu)越性。

1 研究設計

1.1 研究對象

由于旅游管理決策實際上是一種復雜事件的推理過程,對問題觀察而導致的建模也只能是一種近似描述(杜軍平,周亦鵬,2009),因此,本文選擇較為簡單的主題公園作為研究對象。與其他風景區(qū)相比,主題公園的“簡單性”主要有以下表現。

(1) 景點的承載力可以預先確定——風景區(qū)的景點以名勝古跡、山水生物為主,具有共享性,同一時刻可供游覽的人數不定;主題公園的景點主要以游樂設施為主,游樂設施具有獨占性,同一時刻可供游玩的人數相對固定。

(2) 景點的游覽時間可以預先確定——游客在風景區(qū)的景點停留時長不定,拍照留念、欣賞、休憩、飲食、消費等因人而異;而游客在主題公園的游樂設施上的停留時長相對固定。

(3) 單步求解而非全路線求解(詳見1.3節(jié))——風景為主的景區(qū),堅決避免走回頭路,應當使所有的景點串聯(lián)成環(huán)形游線,通常采用全路線求解方案,在游客游覽前確定所有路線;而游樂設施為主的主題公園,相鄰景點之間距離不會太遠,很多時候為了減少等候時間,同一路徑游客會重復往返,因此適合單步求解,能在游客游覽過程中逐次獲得下一步路線。

1.2 基本假設

在主題公園(下簡稱景區(qū))的特定案例下,我們假設:

·不同游客在同一游樂設施(下簡稱景點)的游覽時間相同,且在景點設計時已經確定,稱為景點游覽時間。

·每個景點的承載力(景點容量)在景點設計時已經確定。

·相鄰兩個景點之間的路徑長度在景點設計時已經確定。

·在不考慮乘車的前提下,每個游客的游憩速度(下簡稱步速)一樣。

·每個游客在一次完整的旅游經歷過程中(從進入景區(qū)門口開始直到離開景區(qū)),不會重復游覽已經游玩過的景點,但允許多次來回經過相鄰兩景點之間的路徑。

1.3 模型分析

無論是“給定景點求路徑不重復的全路線最短成本”的旅行商問題(Traveling Salesman Problem,TSP)(吳凱,2004),還是“盡可能多的游覽景點,路徑不重復且全路線成本最小”的定向越野問題(Orienteering Problem,OP)(Tsiligirides,1984),都屬于圖論中的NP完全問題,不存在多項式時間的算法(王曉東,2004)。因此,本文針對游客在同一個景區(qū)中的單日游行程安排問題,試圖在“給定景點求單步最少成本”上尋找解決方案,借此讓不同游客從時間和空間(景點)上分離開來,達到時空分流的效果。

圖1 游客在景區(qū)游玩的流程圖

借鑒前人研究成果(黎巎,2013)并進行簡化后,本文假定景區(qū)涉及的對象僅包含兩個:景點和游客。對于景點來說,具有景點位置、景點容量、景點游覽時間、景點開放時刻和景點關閉時刻等靜態(tài)屬性,也具有景點下次提供服務時刻、景點外排隊等候人數等動態(tài)屬性。對于游客來說,具有游客編號、到達時刻、預計離開時刻和游覽偏好(感興趣景點)等靜態(tài)屬性,也具有步速、游憩方向(黎巎,2013)和等待時間等動態(tài)屬性。其中,游客動態(tài)屬性隨游憩行為而取不同值(黎巎,2013),圖1和圖2展示了其自身在景區(qū)中的一次完整游憩行為,可以歸納為8個要素和3個狀態(tài)。

圖2 游客的狀態(tài)切換圖

首先,我們來看看這3個狀態(tài):(1) 棧道行走→等待游玩:狀態(tài)的切換由當前游客“到達景點”觸發(fā),這時候可以確定游客需要等候的時間(詳見1.4節(jié));(2) 等待游玩→正在游玩:狀態(tài)的切換由前一個(批)游客“離開景點”觸發(fā),當前游客進入游覽,這時候可以確定景點下次提供服務時刻=當前時刻+景點游覽時間;(3) 正在游玩→棧道行走:狀態(tài)的切換由當前游客“離開景點”觸發(fā),此時需要對下一個游玩景點(游憩方向)進行決策,這就要求設計一種擇優(yōu)選擇的機制來逐次確定(詳見1.4節(jié))。

其次,我們來看看這8個要素。對它們進行歸類,可以得知:(1) 屬于動作:到達景區(qū)、到達景點、離開景點、離開景區(qū);(2) 屬于活動:前往景點、游玩景點;(3) 屬于判定:尋找下一個景點、能否游玩。其中,“動作”使用計算機科學技術領域中的“離散事件驅動”(劉衛(wèi)東,等,1998)來模擬,“活動”使用虛擬時鐘來實現,“判定”使用計算機推理算法來判斷(詳見1.4節(jié))。

對這8個要素的進一步分析,可以得知這些要素的模擬關鍵:(1) 到達景區(qū):記錄游客的到達時刻、預計離開時刻、步速和感興趣的景點等信息;(2) 前往景點:使用虛擬時鐘來模擬,每隔一定時間游客移動一步,這時候游客處于棧道行走狀態(tài);(3) 到達景點:由于 “前往景點”存在不確定因素(游憩方向有可能是景點或景點外排隊隊列,或者步行過程中其他游客可能更早一步到達同一景點),使得該事件沒有固定的發(fā)生時刻,因此無法通過“事件驅動”來模擬,只能作為“前往景點”這個活動的結束標志。而此時,游客的等待時間可以確定下來,同時由于離開景點的時刻能確定(景點游覽時間+等待時間),因此可以產生“離開景點”事件;(4) 能否游玩:如果等待時間+景點下次提供服務時刻 > 景點關閉時刻,則游客無法游玩,只能離開景點;(5) 游玩景點:這部分主要由等待游玩和正在游玩兩個狀態(tài)構成;(6) 離開景點:根據景點容量把排隊靠前的游客設為正在游玩狀態(tài),其他游客在隊列的位置相應前移;(7) 離開景區(qū):為了簡化模型,僅輸出與整個游覽過程相關的信息,而不作為事件來模擬;(8) 尋找下一個景點:需要構造游憩方向的決策算法,根據算法的返回結果判斷是否找到。

1.4 算法和仿真設計

1.4.1 算法設計

根據上一節(jié)的分析,我們需要確定游客的等待時間和游憩方向的決策算法。表1展示了游客等待時間的計算方法。

表1 游客等待時間的計算

注:所有景點的下次提供服務時刻,其初始值均為景點開始時刻,下同。當景點處于關閉期間,游客的等待時間設為0,意味著游客必須離開當前景點,重新選擇其他景點。

上述算法中,“景點下次提供服務時刻”是“等待游玩→正在游玩”狀態(tài)切換的時候確定的;“排隊等候人數”在仿真中可以采用“隊列”結構(劉衛(wèi)東,等,1998)來模擬,所以根據隊列元素個數便可獲知等候人數。

接下來我們需要確定游憩方向(下一個景點)的算法,該算法必須是一個自適應的推理決策過程,能根據現場環(huán)境信息和游客需求,共同確定游客當前時刻的目標選擇,最后推送給游客。構造的關鍵在于既要考慮游客自身的個性化信息,也要考慮現場環(huán)境信息,例如景點本身的運營情況(包括景點游覽時間、景點下次提供服務時刻和景點開放時間)、其他游客的位置(主要指他們在各景點的排隊等候情況)和游客本身的位置,最后從若干個候選景點中選擇單步成本最少的一個。表2展示了構建的算法。

表2 基于現場環(huán)境的游憩方向決策算法f

1.4.2 仿真設計

為了檢驗上述算法的有效性,我們必須模擬多名游客在景區(qū)的整個游玩過程,并借助仿真實驗進行比較分析。如1.3節(jié)所述,我們使用“離散事件驅動”來模擬“到達景區(qū)”和“離開景點”這兩個事件,并使用虛擬時鐘來模擬“前往景點”和“游玩景點”這兩個活動。虛擬時鐘本質上是游客在景區(qū)停留和游玩過程中的時間粒度(Tick)(黎巎,2013)。由于兩個事件的發(fā)生時刻均可由系統(tǒng)自動確定,故可放在虛擬時鐘一并處理。借助“最小堆”結構(劉衛(wèi)東,等,1998),不但可以以時間遞增即時光流逝的順序逐一模擬所有事件的發(fā)生,而且每次僅需檢查堆頂元素的事件發(fā)生時刻即可。

利用虛擬時鐘周期性觸發(fā)的特性(時鐘每增加一個步長,系統(tǒng)自動執(zhí)行事件一次,重新決策下一個Tick的行為),我們構造的仿真方案如表3所示。

2 實驗模擬與結果分析

2.1 系統(tǒng)運行參數

仿真系統(tǒng)采用 Borland C++ Builder 6.0 開發(fā),運行于 Windows 7平臺。系統(tǒng)將根據仿真輸入數據自動生成游客在景區(qū)中的游憩行為,并對游憩過程進行跟蹤、記錄。當一個仿真結束后,系統(tǒng)將對所記錄的數據進行分析并輸出分析結果。在本文的例子中,系統(tǒng)的輸入包括:景區(qū)的空間布局圖(含各景點之間的路徑長度);各景點的基本情況(開始時刻、關閉時刻、景點游覽時間和景點容量);游客的信息(到達時刻、預計離開時刻和感興趣的景點)。系統(tǒng)的輸出包括游客的游玩次序、等待時間和實際離開時刻。

表3 虛擬時鐘仿真方案

2.2 算法比較

為了方便比較,本文引入前人研究(任競斐,鄭偉民,2013;肖雄輝,等,2013;鄭天翔,2012)中使用的基于距離的決策方案做分析。在本文的特定因素下,基于最短距離的決策算法(下簡稱距離算法)如表4所示。

表4 基于最短距離的游憩方向決策算法g

2.3 實驗數據

假定景區(qū)的空間布局圖如圖3所示。

圖3 景區(qū)的空間布局圖

其中,復選鈕代表景點和門口,其中以V開頭標記的是景點(如V1,…,V5),以G開頭標記的是門口(如G1,G2,G3)。景點與景點、景點與門口之間的數字代表路徑長度。仿真系統(tǒng)的輸入包括:

·系統(tǒng)參數:為方便起見,假設虛擬時鐘的時間粒度(Tick)為1秒。

·景點的基本情況:所有景點的游覽時間統(tǒng)一設置為20秒,所有景點容量統(tǒng)一設置為1。至于景點的開始時刻和關閉時刻,景點V1、V2和V3跟隨景區(qū)開放而開放,景點V4的開始時刻隨機設為景區(qū)開放后1分54秒,持續(xù)時間為2分17秒,景點V5的開始時刻為景區(qū)開放后1分44秒,持續(xù)時間為2分30秒。

·游客信息:為了使游客數據在兩種算法的仿真實驗中保持一致,我們首先隨機生成所有游客的信息,然后把這些信息錄入系統(tǒng),并對每個游客生成“到達事件”,最后全部加入到最小堆中。其中,各游客的預計離開時刻參見2.4.1節(jié),感興趣的景點參見2.4.2節(jié),至于各游客的到達時刻,由于前后兩次仿真時刻不可能相同,因此只需保證相對時間(相鄰兩個游客的到達時間間隔)一致即可。限于篇幅,僅保留其編號信息,編號規(guī)則是按照其到達景區(qū)的時間先后進行依次編號的。此外,為簡單起見,假設所有游客都從G2到達。

·仿真系統(tǒng)的輸出:與整個游覽過程相關的信息,包括游客的游玩次序、等待時間和實際離開時刻。

2.4 結果分析

2.4.1 游客等待時間

兩組算法在游客等待時間上的結果如表5和圖4所示。

從表5和圖4可以清楚看到,本文算法的等待時間在各游客上差別不大(趨勢線的斜率為0.89),表明游客的等待基本不受其到達景區(qū)的時刻先后所影響,而對于距離算法,到達時刻較早的游客等待時間較短,到達時刻較晚的游客等待時間較長,因此趨勢線的斜率較大(4.89)。此外,有研究者指出,游客滿意度是與等待時間占逗留時間的比例(張影莎,等,2012)(下簡稱等逗比)密切相關的,從表5和圖 5的結果來看,本文算法的等逗比在各個游客上趨于平均,而距離算法則波動較大,到達時刻較早的游客其等逗比普通較低,到達較晚的游客等逗比普遍較高,對編號為12、13和14的游客來說,花費在景點上的等待時間甚至占據了在景區(qū)逗留時間的60%或更多。

表5 兩種算法在“游客等待時間”上的結果比較

圖4 兩種算法在游客等待時間上的表現

圖5 兩種算法在游客等逗比上的表現

2.4.2 游客游玩的景點數量

收集游客實際游覽(成功游玩)的景點數據,整理后結果如表6所示。

表6 兩種算法在“游客游玩景點數量”上的結果

注:“提前”是指在“尋找下一個景點”的決策中,選擇任一候選景點都將超過游客預計離開時刻,算法返回值為空,游客提前離開景區(qū)?！板e過”是指在“尋找下一個景點”的決策中,選擇任一候選景點都將超過了景點關閉時刻,算法返回值為空,游客未能前往游玩?！斑z憾”是指當游客到達景點后,發(fā)現景點來不及游玩(已關閉,或者等候人數太多超過景點關閉時刻,或者超過游客預計離開時刻),無奈地重新選擇下一個景點。

從表6可以看到,本文算法與距離算法相比,能夠讓游客成功游玩更多的景點(見表6陰影部分)。此外,從游客所付出的代價來看,“提前”和“錯過”要比“遺憾”要小。本文算法能提前告知游客候選景點能否游玩,因此沒有出現當游客到達景點后才發(fā)現景點不能游玩的情況;而距離算法則由于無法提前預知,因此在模擬過程中出現3次游客到達景點后才發(fā)現該景點不能游玩的情況:游客11和14(見表5)分別到達景點V5后、游客16(見表5)到達景點V4后,詳見下文表8。

2.4.3 景點容量利用率

為了計算景點容量利用率(張影莎,等,2012),把各景點人數變動的時刻一一記錄下來,也就是說,記錄游客到達該景點的時刻(游玩或等候)或在該景點上游玩結束離開景點的時刻,然后記下接待人次和統(tǒng)計等候人數。結果分別如表7和表8所示。

表7 本文算法在“景點容量利用率”上的結果

首先,由表7和表8可知,對于景點V1-V5,本文算法分別接待了9、9、11、7、7人次,而距離算法分別接待了6、11、11、6、7人次,由此可見各景點的接待能力大致相同。然而,表7和表8反映了兩個截然不同的事實:在本文算法下,各景點的負荷比較接近,排隊等候人數峰值大概為3～4人,而在距離算法下,每個景點的負荷非常不均衡,景點V1、V3、V4的排隊等候人數峰值在1～2人之間,而景點V5的峰值在4人左右,景點V2的峰值甚至達到了7人。

表8 距離算法在“景點容量利用率”上的結果

注:根據2.3節(jié)假設,景點V4的開放時刻為23:25:58,關閉時刻為23:28:15;景點V5的開放時刻為23:25:48,關閉時刻為23:28:18。在23:28:03上,游客16到達V4后發(fā)現景點快要接近關閉,不能游玩導致景點V4的接待人次/等候人數并沒有增加。在23:26:48上,游客11到達V5后發(fā)現景點外排隊等候有3人,屆時輪到自己的時候景點已經關閉,不能游玩導致景點V5的接待次數/等候人數并沒有增加。在23:27:49上,游客14到達V5后發(fā)現若選擇游玩則將會超過預計離開景區(qū)時刻,而其他未游覽景點(V1和V4)根據決策算法也將超時,因此只能離開景區(qū)。

其次,各景點容量利用率可以借助容量剩余來間接反映:當游客到達景點后,如果能進入游玩而無需等候,則說明該景點處于閑置中,有大量的容量剩余;反之,說明該景點處于忙碌中,沒有容量剩余。在表7和表8中,這對應于接待人次(有具體數值)所在行的等候人數:如果等候人數為0,則說明景點處于閑置中,反之則處于忙碌中。可見,本文算法下各景點的剩余容量大致相同,景點容量利用率基本一致。而距離算法下,景點V1、V3、V4有大量的容量剩余,說明這些景點很多時候處于閑置狀態(tài),景點容量利用率較低,而景點V2和V5則沒有足夠的容量剩余,說明這兩個景點長期處于繁忙狀態(tài),景點容量利用率很高。

2.4.4 景點平均等待時間

從表5可以計算出在本文算法和距離算法下游客的平均等待時間(總等待時間和總人數的比值)(Lovejoy,et al.,2004)分別為66.63秒和72.44秒,顯然,本文算法更占優(yōu)。本節(jié)中,我們將進一步比較每個景點的游客平均等待時間。

首先定義每個景點的游客平均等待時間,其計算方法為在該景點上的等待時間之和與在該景點需要等待的游客人數之比值。該指標可以計算出游客在某個景點上的等待成本,能客觀反映景區(qū)中各景點的實際運營情況。

從表9的結果來看,在本文算法下,各景點的平均等待時間基本一致,表明沒有出現游客在個別景點高度集中的情況,人群分布較均勻,擁擠程度較低。而在距離算法下,各景點的平均等待時間存在明顯差異,游客在景點V2和V5所需等待時間較長,而在其他景點所需等待時間則較短,表明游客在景點V2和V5高度集中,擁擠程度嚴重,而其他景點則隨到隨玩。

表9 兩種算法在“景點平均等待時間”上的結果

3 結論與討論

本文針對主題公園游客時空分流的決策支持系統(tǒng)問題,借助計算機推理技術提出一種基于現場環(huán)境的游憩方向決策算法,并設計了一個計算機仿真系統(tǒng)進行實驗模擬。與傳統(tǒng)的最短距離算法相比,本文算法在游客等待時間、游客游玩景點數量、景點容量利用率和景點平均等待時間4個指標上均顯示出良好的性能,具有時空一體化的特性。從實驗結果來看,本文所創(chuàng)建的時空分流模型,讓游客自動分流并導航到較少擁擠的景點上,既能均衡各景點的接待能力,同時能降低游客的等待成本,有助于主題公園的客流時空分布調控。與以往時空分流模型或算法的不同之處在于,它既充分考慮了各景點的開放和運營情況,也考慮了游客本身的多種需求,同時還考慮其他游客的位置,從而獲得單步最少成本的路徑。

本文提出的游憩方向決策支持算法,其研究雖然目前停留在模擬階段,但從實驗效果來看,有助于景區(qū)客流運轉的可控性和有序化,對景區(qū)管理者、景點設施和游客來說都是大有裨益的。首先,對景區(qū)管理者來說,景區(qū)旅游擁擠加劇和生態(tài)環(huán)境破壞等問題需要對旅游客流和景區(qū)內資源的使用情況進行監(jiān)控,以便必要時進行現場疏導,其最大的障礙莫過于無法掌握游客在景區(qū)內的游憩行為。本文算法可以讓景區(qū)管理者了解游客的行蹤(實踐中需借助物聯(lián)網技術),算法產生的推薦路線能讓游客自動分流并導航到較少擁擠的景點上,不用擔心熱門景點由于游客過多而出現局部擁堵或混亂的局面,有望節(jié)省用于現場疏導的人力資源。其次,對景點設施來說,本文算法能夠均衡各景點的接待能力和承受能力,既不會造成資源閑置浪費,也不會造成景區(qū)局部擁擠。再者,對游客來說,在景區(qū)的游憩過程中,擁擠的人群和錯綜復雜的地圖讓他們很難通過目測或者經驗獲得最佳旅游線路,本文算法可輔助游客個性化定制感興趣的景點,并在確定游憩方向(景點的游歷次序)上把繁瑣的自行搜索篩選變?yōu)榱酥鲃油扑?減少游客在景區(qū)的等待時間,并有可能增加游客體驗項目數(張影莎,等,2012),從而提高游客的游玩效率。

致謝 感謝暨南大學深圳旅游學院吳圳杰對本文仿真系統(tǒng)的測試所做的諸多工作。

[1] 陳建斌,鄭麗,張凌云.智慧景區(qū)IT能力模型及其核心構成研究[J].旅游科學,2014(1):14-21.

[2] 陳治佳,王曦,何苗.大型游樂場快速通道優(yōu)化模型與仿真模擬[J].哈爾濱工業(yè)大學學報,2005(9):1261-1263.

[3] 杜軍平,周亦鵬.基于數據的旅游管理決策支持系統(tǒng)研究[J].自動化學報,2009(6):834-840.

[4] 馮剛,任佩瑜,戈鵬,朱忠福,冉建華.基于管理熵與RFID的九寨溝游客高峰期“時空分流”導航管理模式研究[J].旅游科學,2010(2):7-17.

[5] 馮剛,任佩瑜,肖維陽,鄧貴平,蹇代君.基于RFID模式對景區(qū)生態(tài)保護的研究——以九寨溝諾日朗餐廳就餐分流為例[J].西南民族大學學報 (人文社科版),2009(11):151-154.

[6] 戈鵬,鄭偉民,肖雄輝,邱厭慶,任佩瑜.基于九寨溝區(qū)域時空負荷均衡的仿真研究[J].管理工程學報,2013(2):99-106.

[7] 姜向陽,任佩瑜.自然保護區(qū)旅游高峰期時空分流導航管理的模型構建與分析[J].旅游科學,2012(4):17-25.

[8] 黎巎.景區(qū)游客游憩行為計算機仿真模型[J].旅游科學,2013(5):42-51.

[9] 黎巎,杜栓柱.景區(qū)游憩行為計算機仿真系統(tǒng)研究綜述[J].旅游學刊,2011(7):85-94.

[10] 李仁杰,路紫.旅游個性化推介服務的未來發(fā)展:時空一體化[J].旅游學刊,2011(10):82-88.

[11] 梁倩,張宏梅.智慧景區(qū)發(fā)展狀況研究綜述[J].西安石油大學學報( 社會科學版),2013(5):52-56.

[12] 劉衛(wèi)東,沈官林,嚴蔚敏.數據結構C++語言描述[M].北京:清華大學出版社,1998.

[13] 邱厭慶,戈鵬,賴力,吳艷,任佩瑜.九寨溝景區(qū)初態(tài)聚類分流實證研究[J].資源科學,2010(10):1987-1992.

[14] 邱厭慶,戈鵬,劉柱勝,任佩瑜.基于復雜系統(tǒng)控制的景區(qū)游客時空分流導航管理研究[J].軟科學,2011(9):54-57.

[15] 邱厭慶,戈鵬,任佩瑜.基于九寨溝景點負荷均衡的時空分流導航研究[J].資源科學,2010(1):118-123.

[16] 任競斐,鄭偉民.景區(qū)旅游高峰期游客旅游路線動態(tài)實時調度仿真研究[J].統(tǒng)計與決策,2013(8):42-45.

[17] 王仁志,苗維亞.基于M/M/n排隊論的大型旅游景區(qū)內部排隊現象研究[J].經濟體制改革,2012(3):177-180.

[18] 王曉東.計算機算法設計與分析[M].第二版.北京:電子工業(yè)出版社,2004.

[19] 吳凱.旅游線路設計與優(yōu)化中的運籌學問題[J].旅游科學,2004(1):41-44.

[20] 肖雄輝,戈鵬,朱虹明,任佩瑜,鄭偉民,章小平.旅游高峰期景區(qū)游客引力分流調度模型研究——以九寨溝風景區(qū)為例[J].旅游科學,2013(6):39-51.

[21] 張凌云.試論排隊論在旅游業(yè)中的應用——兼析餐廳服務員的最優(yōu)配置[J].社會科學家,1988(1):47-54.

[22] 張影莎,蘇勤,胡興報,盧松.基于排隊論的方特歡樂世界主題公園容量研究[J].旅游學刊,2012(1):66-72.

[23] 鄭天翔.基于動態(tài)實時調度的主題公園游客時空分流導航管理研究[J].旅游科學,2012(4):8-16.

[24] 鄭天翔,吳蓉,羅海媛.國內景區(qū)旅游流調控研究綜述[J].地理與地理信息科學,2015(5):90-96.

[25] Akasaka Y,Onisawa T(2008).Personalized pedestrian navigation system with subjective preference based route selection[M]//Intelligent Decision and Policy Making Support Systems.Berlin Heidelberg:Springer-Verlag,73-91.

[26] Button K(2006).The Disney Queue Line Survival Guidebook[M].Scottsdale:Infinity Publishing.

[27] Cope Iii R F,Cope R F,Davis H E(2008).Disney’s Virtual Queues:A Strategic Opportunity To Co-Brand Services?[J].Journal of Business & Economics Research,6(10),13-20.

[28] Erlang A K(1909).The theory of probabilities and telephone conversations[J].Nyt Tidsskrift for Matematik B,20(16),33-39.

[29] Garcia A,Arbelaitz O,Linaza M T,Vansteenwegen P,Souffriau W(2010).Personalized tourist route generation[M]//Current Trends in Web Engineering.Springer,486-497.

[30] Garcia A,Linaza M T,Arbelaitz O,Vansteenwegen P(2009).Intelligent Routing System for a Personalised Electronic Tourist Guide:Proceedings of the International Conference on Information and Communication Technologies in Tourism,Amsterdam,The Netherlands[C].

[31] Garcia A,Vansteenwegen P,Arbelaitz O,Souffriau W,Linaza M T(2013).Integrating public transportation in personalised electronic tourist guides[J].Computers & Operations Research,40(3),758-774.

[32] Heger C,Offermans S,Frens J(2009).Waiting as part of the fun:Interactive gaming in theme park queues:Proceedings of the fifth Student Interaction Design Research Conference,Eindhoven University of Technology,the Netherlands[C].

[33] Lovejoy T C,Aravkin A Y,Schneider-Mizell C(2004).Kalman Queue:An Adaptive Approach to Virtual Queueing[J].The UMAP Journal,25(3),337-352.

[34] Lutz H(2008).The impact of virtual queues for amusement parks:Proceedings of the 39th Annual Meeting of the Decision Sciences Institute,Atlanta,Georgia State University[C].

[35] Maruyama A,Shibata N,Murata Y,Yasumoto K,Ito M(2004).A personal tourism navigation system to support traveling multiple destinations with time restrictions:Proceedings of the 18th International Conference on Advanced Information Networking and Applications,Fukuoka,Japan[C].IEEE.

[36] Nadi S,Delavar M R(2011).Multi-criteria,personalized route planning using quantifier-guided ordered weighted averaging operators[J].International Journal of Applied Earth Observation and Geoinformation,13(3),322-335.

[37] Panou M(2012).Personalized application for multimodal route guidance for travellers[J].European Transport Research Review,4(1),19-26.

[38] Shiraishi T,Shibata M N N,Nagata M,Shibata N,Murata Y,Yasumoto K,Ito M(2005).A personal navigation system with a schedule planning facility based on multi-objective criteria:Proc.of 2nd International Conference on Mobile Computing and Ubiquitous Networking[C].Citeseer.

[39] Souffriau W,Vansteenwegen P,Vertommen J,Berghe G V,Oudheusden D V(2008).A personalized tourist trip design algorithm for mobile tourist guides[J].Applied Artificial Intelligence,22(10),964-985.

[40] Sylejmani K,Dorn J,Musliu N(2012).A Tabu Search approach for Multi Constrained Team Orienteering Problem and its application in touristic trip planning:12th International Conference on Hybrid Intelligent Systems[C].IEEE.

[41] Tsai C Y,Chung S H(2012).A personalized route recommendation service for theme parks using RFID information and tourist behavior[J].Decision Support Systems,52(2),514-527.

[42] Tsiligirides T(1984).Heuristic methods applied to orienteering[J].Journal of the Operational Research Society,35,797-809.

[43] Universal City Studios INC(2002).Reservation system and methods for theme parks:USA,US2002116235 A1[P].2002-08-22.

[44] Vansteenwegen P,Souffriau W,Berghe G V,Van Oudheusden D(2009b).Metaheuristics for tourist trip planning[M]//Metaheuristics in the service industry.Berlin Heidelberg:Springer-Verlag,15-31.

[45] Vansteenwegen P,Souffriau W,Vanden Berghe G,Van Oudheusden D(2009a).Iterated local search for the team orienteering problem with time windows[J].Computers & Operations Research,36(12),3281-3290.

[46] Vansteenwegen P,Van Oudheusden D(2007).The mobile tourist guide:an OR opportunity[J].OR Insight,20(3),21-27.

[47] Yiakoumettis C,Doulamis N,Miaoulis G,Ghazanfarpour D(2013).Active learning of user’s preferences estimation towards a personalized 3D navigation of geo-referenced scenes[J].GeoInformatica,1-36.

[48] Yu C,Chang H(2009).Personalized location-based recommendation services for tour planning in mobile tourism applications[M]//E-Commerce and Web Technologies.Berlin Heidelberg:Springer-Verlag,38-49.

[49] Zhang L,Li J,Zhou K,Gupta S D,Li M,Zhang W,Miller M A,Misener J A(2011).Traveler information tool with integrated real-time transit information and multimodal trip planning[J].Transportation Research Record,(2215),1-10.

(責任編輯:鄧 屏)

Decision Support System to Personalized RouteGuidance Service for Tourists in Theme Parks Based onComputer Reasoning Technology:Design,Simulation and Comparison

ZHENG Tianxiang1, WU Rong2

(1.Shenzhen Tourism College, Jinan University, Shenzhen 518053, China;2.GeographyandPlanningSchool,SunYat-SenUniversity,Guangzhou510275,China)

The paper is a study of the decision support system concerning personalized route guidance service for tourists in theme parks. It first outlined a single complete recreational behavior of a tourist while visiting at the park, thus summarizing the components and states related to this behavior. To simulate these components and accomplish the switching states, it presented, using computer reasoning technology, a state-of-art model (recreation direction) finding algorithm via contextual environment, which integrated the tourist’s p

, the availability of the targeted recreation facility (amusement ride) and the queuing situation of other facilities, so as to get the single-step optimal direction. A computerized simulation system based on discrete event modeling was then implemented and experiment was conducted on an analog dataset as compared with the traditional shortest-path algorithm. The findings show that the proposed model outperforms its competitor in four evaluating indicators including tourist waiting time, amount of non-visited rides, utilization of each ride and average waiting cost on each ride. The validity of this study depends on its temporal-spatial integration by generating an appropriate visiting route for each tourist to follow, which in turn, theoretically, guides him/her to those vacant rides or less congested areas. All these indicate that this work caters to modulating the spatial and temporal distribution of tourist flow in theme parks, where queuing problem generally occurs, by balancing the capacity of each park ride as well as reducing the waiting cost of the tourists.

tourist flow modulation; route guidance and navigation; decision support system; computer reasoning technology; temporal-spatial integration

F 590.1

A

1006-575(2016)-01-0060-18

2014-09-02;

2015-11-23

國家自然科學基金項目“基于時空分流導航理論的景區(qū)智能化客流引導仿真系統(tǒng)的原型設計與實證研究”(41201145);廣東省高水平大學建設統(tǒng)籌項目專項資金項目“旅游電子商務交易網站的質量測度和評價模型研究”。

鄭天翔(1979-),男,博士,暨南大學深圳旅游學院副教授,研究方向為信息科學的旅游應用、智慧旅游,E-mail:zheng_tx@sz.jnu.edu.cn。吳蓉(1993-),女,中山大學地理科學與規(guī)劃學院博士生,研究方向為城市規(guī)劃與人文地理。