本發(fā)明涉及導(dǎo)游系統(tǒng)技術(shù)領(lǐng)域，更為具體的是涉及一種基于旅游者數(shù)據(jù)體的智能導(dǎo)游人系統(tǒng)。

背景技術(shù)：

隨著旅游業(yè)的深度發(fā)展和游客數(shù)量的不斷增加，如何滿足游客的旅游需求，為游客提供優(yōu)質(zhì)的旅游服務(wù)，對(duì)旅游業(yè)的發(fā)展起到了至關(guān)重要的作用。

傳統(tǒng)的旅游信息獲取方式主要有旅行社、廣播、電視、書籍、報(bào)刊、親朋好友的推薦等，這些方式在大眾旅游時(shí)代基本能夠滿足旅游者的需求，而隨著信息技術(shù)在旅游業(yè)中的普遍引用和旅游市場(chǎng)內(nèi)外環(huán)境的變化，傳統(tǒng)旅游信息獲取方式并不能滿足旅游者需求，一些新的信息獲取方式，如網(wǎng)絡(luò)和電子系統(tǒng)以其高效、便捷、信息量大等優(yōu)勢(shì)越來(lái)越受到人們的青睞。目前網(wǎng)上旅游信息大多是景點(diǎn)的介紹、旅游線路和產(chǎn)品推廣、票務(wù)預(yù)定以及一些自助游記，有關(guān)旅游目的地的信息也不夠全面甚至有時(shí)還不夠準(zhǔn)確，極易誤導(dǎo)自助旅游者，而且缺乏綜合的交通網(wǎng)絡(luò)、路況和氣象等信息，因此，改善自助旅游者的信息提供方式，開發(fā)、合理利用相關(guān)的旅游信息系統(tǒng)成為解決自助旅游者信息獲取困難的有效途徑之一。

能夠提供旅游目的地全方位信息、自主操作、功能齊全的多語(yǔ)種自助電子導(dǎo)游系統(tǒng)的應(yīng)用在一定程度上可解決上述問(wèn)題，但目前市場(chǎng)上的自助導(dǎo)游信息系統(tǒng)數(shù)據(jù)來(lái)源單一、安全性差、功能通用性弱，不能滿足人們的需求。

技術(shù)實(shí)現(xiàn)要素：

為了給用戶帶來(lái)一個(gè)便攜、高質(zhì)量和輕松的旅游享受過(guò)程，本發(fā)明提供了一種基于旅游者數(shù)據(jù)體的智能導(dǎo)游人系統(tǒng)。

本發(fā)明采用的技術(shù)方案是：一種基于旅游者數(shù)據(jù)體的智能導(dǎo)游人系統(tǒng)，包括：

(1)個(gè)人網(wǎng)絡(luò)PAN的形成

通過(guò)手機(jī)傳感器、票據(jù)傳感器、地理位置附近傳感器以及個(gè)人其他傳感器對(duì)旅游者物理空間信息進(jìn)行獲取，以旅游者定位信息為核心形成個(gè)人網(wǎng)絡(luò)PAN；

通過(guò)個(gè)人網(wǎng)絡(luò)PAN采集位置、時(shí)間、震動(dòng)、光敏、圖像、電磁、溫度、濕度、風(fēng)力、CO2、CO、電子票據(jù)、醫(yī)療環(huán)境參數(shù)，并對(duì)采集的數(shù)據(jù)進(jìn)行誤差驗(yàn)證，通過(guò)對(duì)數(shù)據(jù)進(jìn)行有效性驗(yàn)證，對(duì)于不是有效的數(shù)據(jù)，進(jìn)行丟棄處理，對(duì)剩余的數(shù)據(jù)進(jìn)行擬合計(jì)算，形成旅游者環(huán)境探測(cè)網(wǎng)絡(luò)；

(2)旅游數(shù)據(jù)體的建設(shè)

旅游者身份數(shù)據(jù)包括ID+位置數(shù)據(jù)、電子票據(jù)數(shù)據(jù)、景點(diǎn)電子票據(jù)數(shù)據(jù)三個(gè)等級(jí)，用于旅游者目標(biāo)地最早角色定義；

通過(guò)數(shù)據(jù)處理中心對(duì)旅游者身份數(shù)據(jù)進(jìn)行分析，分別以時(shí)間t、空間z和值域s為根節(jié)點(diǎn)、與時(shí)間t、空間z和值域s相關(guān)的參數(shù)為內(nèi)節(jié)點(diǎn)建立關(guān)系樹，形成多維非線性數(shù)據(jù)的數(shù)據(jù)體關(guān)系模型，并完成出歸屬度和關(guān)系度的計(jì)算，形成有關(guān)系數(shù)據(jù)集的聚合；

對(duì)不同數(shù)據(jù)集的特征基于Lebesgue測(cè)度進(jìn)行相似曲線判定，并對(duì)相似的曲線簇進(jìn)行功能擬合生成具有共同特征的功能曲線，完成數(shù)據(jù)體關(guān)系計(jì)算，形成旅游數(shù)據(jù)體；

(3)角色確定

通過(guò)不同旅游者的行為特征，進(jìn)行不同旅游行為的數(shù)據(jù)體建設(shè)，完成模式挖掘與聚類分類，形成多種旅游角色定義，生成角色數(shù)據(jù)集；

(4)導(dǎo)游機(jī)器人的領(lǐng)養(yǎng)

旅游者角色確定后，形成一個(gè)對(duì)應(yīng)的導(dǎo)游機(jī)器人領(lǐng)養(yǎng)過(guò)程，領(lǐng)養(yǎng)時(shí)通過(guò)與角色數(shù)據(jù)集自動(dòng)匹配，完成導(dǎo)游機(jī)器人的分配；

所述導(dǎo)游機(jī)器人狀態(tài)分為領(lǐng)養(yǎng)狀態(tài)、成長(zhǎng)狀態(tài)、成熟狀態(tài)、死亡狀態(tài)和棄養(yǎng)狀態(tài)，分別表征了不同階段的特征模式，所述特征模式包括個(gè)人信息、背景數(shù)據(jù)、角色系統(tǒng)和成熟度；

(5)導(dǎo)游機(jī)器人旅游導(dǎo)游功能的訓(xùn)練

所述導(dǎo)游機(jī)器人設(shè)置有后臺(tái)旅游導(dǎo)游功能生成體系，所述后臺(tái)旅游導(dǎo)游功能生成體系對(duì)不同角色提供不同的服務(wù)。

作為上述方案的進(jìn)一步設(shè)置，個(gè)人網(wǎng)絡(luò)PAN所采集數(shù)據(jù)的誤差驗(yàn)證算法如下：

輸入：測(cè)量數(shù)據(jù)集

輸出：數(shù)據(jù)的有效性以及精度位置

①Choose all the rightmost value ofthe set{em_i},and denote{e_t}

②Do

③If{e_t}is a normal distribution{

④{e_t}is the precision and remember its position；

⑤Exit Loop}

⑥Else

⑦{e_t}＝the second rightmost values of{em_i}

⑧Loop Until{e_t}＝Null

⑨If{e_t}<>Null

⑩{em_i}is a normal distribution and return its precision position

Else

{em_i}isn’t effective measurement data。

作為上述方案的進(jìn)一步設(shè)置，所述關(guān)系樹上的內(nèi)節(jié)點(diǎn)與根節(jié)點(diǎn)的關(guān)系為內(nèi)節(jié)點(diǎn)遠(yuǎn)離根節(jié)點(diǎn)的距離，所述內(nèi)節(jié)點(diǎn)與根節(jié)點(diǎn)距離的倒數(shù)為內(nèi)節(jié)點(diǎn)的歸屬度，所述時(shí)間t、空間z和值域s的關(guān)系度計(jì)算公式如下：

$R_i=\frac{{\mathrm{\&xi;}}_{ti}}{\underset{i=1}{\overset{n_1}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{ti}}+\frac{{\mathrm{\&xi;}}_{zi}}{\underset{i=1}{\overset{n_2}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{zi}}+\frac{{\mathrm{\&xi;}}_{si}}{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{si}}$

其中：R_i為i維度的關(guān)系度，ξ_ti,ξ_zi和ξ_si分別代表i維度在時(shí)間、空間和值域上的歸屬度，n₁,n₂和n₃分別代表各自維度樹上的節(jié)點(diǎn)數(shù)；

所述基于時(shí)間t、空間z和值域s關(guān)系樹的數(shù)據(jù)體關(guān)系計(jì)算算法如下：

輸入：給定的數(shù)據(jù)集{x₁，x₂...x_n}，用戶約束

輸出：關(guān)系度R_i

①Transformconstraints into acondition,asgatevalueΔx0

②l＝1；x＝Time；n₁＝0；T_tree＝null；

③add_subnode(l,n,x){

④For each dimension i＝1:n{

⑤If(directrelation(i,x)＝1){

⑥T_tree(n100)＝newnode(i)；

⑦n1＝n1+1；}

⑧}

⑨}

⑩Iteratively call add_subnode(l,n,x)Until T_tree is no-changed

Use the same method to construct Z_tree and S_tree

Calculateξ_ti,ξ_zi,ξ_si in3dimensiontreesbyformula(1)

Calculate relation degree R_iofeach dimensionby formula(2)

Sort R_i in descending order and form R_i'

Choosingthepreviousk-sortedqueue{R₁',R₂',…,R_k'}。

作為上述方案的進(jìn)一步設(shè)置，不同數(shù)據(jù)集的特征基于Lebesgue測(cè)度的相似曲線判定算法如下：

輸入：兩個(gè)數(shù)據(jù)序列{e_n}＝{(a_i,b_j)}，en＝|a_i-b_j|

輸出：兩個(gè)曲線的相似度

(1)如果(i,j)是意義對(duì)應(yīng)的數(shù)據(jù)對(duì)，并且分別存在2個(gè)單調(diào)的數(shù)據(jù)序列中，則

如果min{i,j}∈n,即(i,j)的最小值對(duì)齊且min{i,j}≤n，則

如果en分布的平均值記為那么對(duì)于每個(gè)e_n,使得然后{Δe_n}的平均值可以被求解且記為最后相似度λ可以被定義

$\mathrm{\&lambda;}=\stackrel{\&OverBar;}{{\mathrm{\&Delta;e}}_n}/\stackrel{\&OverBar;}{e_n}$

當(dāng)兩個(gè)曲線的差是均勻的，則它們相等或絕對(duì)相似；

當(dāng)兩個(gè)曲線部分相似，這個(gè)值越小，兩個(gè)曲線越相似；

如果且存在，這些曲線高度相似，可以擬合成一個(gè)曲線，作為共同的特征曲線；

推論1：如果存在一個(gè)曲線簇，且任意曲線是高度相似的，則這些曲線可以擬合成一個(gè)功能特征曲線；

推論2：Lebesgue測(cè)度作為擬合值形成特征曲線，曲線簇的擬合過(guò)程是迭代地不斷擬合任意2個(gè)最相似的曲線；

(2)如果(i,j)是多對(duì)多對(duì)應(yīng)的點(diǎn)集對(duì)，且分別位于2個(gè)單調(diào)的曲線序列中，那么測(cè)度e_ij可以使用Lebesgue測(cè)度完成i點(diǎn)對(duì)所有的j點(diǎn)形成的Lebesgue測(cè)度值計(jì)算，形成Lebesgue測(cè)度矩陣e_i*j，對(duì)該矩陣進(jìn)行標(biāo)準(zhǔn)化分解，得到若干個(gè)標(biāo)準(zhǔn)矩陣之和，其公式如下：

|e_i*j|＝λ₁A₁+λ₂A₂+……+λ_nA_n

其中：min{i,j}＝n,系數(shù)集{λ}為曲線的相似系數(shù)集合；

如果{λ_i}＝0或者常量k，則這些曲線是絕對(duì)相似的或相等的；

如果存在λ₀，使得|λ₀-λ_n|≈0，則這些曲線是相似的，否則是不相關(guān)的；

推論3：如果存在曲線簇，且這些曲線的Lebesgue測(cè)度矩陣存在最小值且為0時(shí)，這些曲線中任一個(gè)曲線可以被選擇作為曲線簇的特征曲線；

推論4：如果存在一個(gè)多維矩陣，且這個(gè)矩陣可以分解成若干個(gè)標(biāo)準(zhǔn)矩陣的和，則這些矩陣可以形成一個(gè)相似的曲線簇。

作為上述方案的進(jìn)一步設(shè)置，所述相似曲線簇的功能擬合算法如下：

輸入：一些相似曲線

輸出：相似曲線的功能曲線

①Select characteristic curveA

②Ifthe same series{e_n}have{max,min},then

③Select max or min

④Else

⑤Retain the value ofcharacteristic curveA

⑥Iterative the above process until max iteration is equal to n

⑦End if。

作為上述方案的進(jìn)一步設(shè)置，智能導(dǎo)游人系統(tǒng)包括用戶終端、數(shù)據(jù)處理中心。

作為上述方案的進(jìn)一步設(shè)置，所述數(shù)據(jù)處理中心包括服務(wù)器、存儲(chǔ)服務(wù)器與計(jì)算服務(wù)器。

本發(fā)明解決了目前旅游信息系統(tǒng)數(shù)據(jù)來(lái)源單一、安全性差、功能通用性弱的缺點(diǎn)，其有益效果如下：

1、系統(tǒng)的數(shù)據(jù)采集是利用無(wú)線傳感器網(wǎng)絡(luò)(WSN)、“網(wǎng)絡(luò)蜘蛛”數(shù)據(jù)采集和手機(jī)對(duì)個(gè)人信息的獲取形成海量數(shù)據(jù)，通過(guò)數(shù)據(jù)計(jì)算系統(tǒng)進(jìn)行數(shù)據(jù)挖掘；

2、在信息采集、存儲(chǔ)和分析的整個(gè)過(guò)程中，對(duì)用戶個(gè)人信息安全做出了極大的保護(hù)措施；

3、在通用性和高可靠服務(wù)方面，通過(guò)全程自主推薦服務(wù)，給用戶帶來(lái)一個(gè)便攜、高質(zhì)量和輕松的旅游享受過(guò)程；

4、在實(shí)時(shí)無(wú)所不在的旅游個(gè)人網(wǎng)基礎(chǔ)上，形成景人何以、旅游主動(dòng)幫助與智能推薦于一體的導(dǎo)游推薦平臺(tái)。

附圖說(shuō)明

圖1為本發(fā)明的整體結(jié)構(gòu)示意圖；

圖2為本發(fā)明的工作原理圖；

圖3為本發(fā)明旅游者個(gè)人網(wǎng)絡(luò)PAN形成示意圖；

圖4為本發(fā)明個(gè)人網(wǎng)絡(luò)PAN采集多參數(shù)環(huán)境數(shù)據(jù)示意圖；

圖5為本發(fā)明智能導(dǎo)游人狀態(tài)圖；

圖6為本發(fā)明智能導(dǎo)游人訓(xùn)練與匹配過(guò)程示意圖；

圖7為本發(fā)明時(shí)間關(guān)系維樹圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步描述。

如圖1、圖2所示，一種基于旅游者數(shù)據(jù)體的智能導(dǎo)游人系統(tǒng)，包括：

(1)個(gè)人網(wǎng)絡(luò)PAN的形成

如圖3所示，通過(guò)手機(jī)傳感器、票據(jù)傳感器、地理位置附近傳感器以及個(gè)人其他傳感器對(duì)旅游者物理空間信息進(jìn)行獲取，以旅游者定位信息為核心形成個(gè)人網(wǎng)絡(luò)PAN；

如圖4所示，通過(guò)個(gè)人網(wǎng)絡(luò)PAN采集位置、時(shí)間、震動(dòng)、光敏、圖像、電磁、溫度、濕度、風(fēng)力、CO2、CO、電子票據(jù)、醫(yī)療等環(huán)境參數(shù)，并對(duì)采集的數(shù)據(jù)進(jìn)行誤差驗(yàn)證，通過(guò)對(duì)數(shù)據(jù)進(jìn)行有效性驗(yàn)證，對(duì)于不是有效的數(shù)據(jù)，進(jìn)行丟棄處理。

其中，個(gè)人網(wǎng)絡(luò)PAN所采集數(shù)據(jù)的誤差驗(yàn)證算法如下：

輸入：測(cè)量數(shù)據(jù)集

輸出：數(shù)據(jù)的有效性以及精度位置

①Choose all the rightmost value ofthe set{em_i},and denote{e_t}

②Do

③If{e_t}is a normal distribution{

④{e_t}is the precision and remember its position；

⑤Exit Loop}

⑥Else

⑦{e_t}＝the second rightmost values of{em_i}

⑧Loop Until{e_t}＝Null

⑨If{e_t}<>Null

⑩{em_i}is a normal distribution and return its precision position

Else

{emi}isn’t effective measurement data。

(2)旅游數(shù)據(jù)體的建設(shè)

旅游者身份數(shù)據(jù)包括ID+位置數(shù)據(jù)、電子票據(jù)數(shù)據(jù)、景點(diǎn)電子票據(jù)數(shù)據(jù)三個(gè)等級(jí)，用于旅游者目標(biāo)地最早角色定義，所有數(shù)據(jù)由數(shù)據(jù)處理中心完成數(shù)據(jù)的分析與服務(wù)的提供，所述數(shù)據(jù)處理中心包括服務(wù)器、存儲(chǔ)服務(wù)器與計(jì)算服務(wù)器。

通過(guò)數(shù)據(jù)處理中心對(duì)旅游者身份數(shù)據(jù)進(jìn)行分析，分別以時(shí)間t、空間z和值域s為根節(jié)點(diǎn)、與時(shí)間t、空間z和值域s相關(guān)的參數(shù)為內(nèi)節(jié)點(diǎn)建立關(guān)系樹，形成多維非線性數(shù)據(jù)的數(shù)據(jù)體關(guān)系模型，并完成出歸屬度和關(guān)系度的計(jì)算，形成有關(guān)系數(shù)據(jù)集的聚合。

N-維數(shù)據(jù)與時(shí)間t、空間z和值域s環(huán)境綁定生成3類不同的描述維數(shù)組。關(guān)于時(shí)間、空間和值域的歸屬度可以被計(jì)算，形成的排序?yàn)殛P(guān)系度計(jì)算的基礎(chǔ)。

對(duì)于n維數(shù)據(jù)的每一維，關(guān)于時(shí)間t、空間z和值域s的關(guān)系樹被建立。

以時(shí)間t作為例子來(lái)說(shuō)明這個(gè)時(shí)間樹構(gòu)建的過(guò)程，如圖7所示：

1)時(shí)間Time作為根節(jié)點(diǎn)；與時(shí)間直接相關(guān)的維度作為第一層節(jié)點(diǎn)，如周期、時(shí)刻等維；

2)與時(shí)間不直接相關(guān)、但與第一層節(jié)點(diǎn)直接相關(guān)的維度作為第二層節(jié)點(diǎn)；

3)剩下的節(jié)點(diǎn)繼續(xù)向下處理；所有維度都被遍歷后，時(shí)間關(guān)系樹即構(gòu)建好。

所述關(guān)系樹上的內(nèi)節(jié)點(diǎn)與根節(jié)點(diǎn)的關(guān)系為內(nèi)節(jié)點(diǎn)遠(yuǎn)離根節(jié)點(diǎn)的距離，所述內(nèi)節(jié)點(diǎn)與根節(jié)點(diǎn)距離的倒數(shù)為內(nèi)節(jié)點(diǎn)的歸屬度，如公式：

${\mathrm{\&xi;}}_t=\frac{1}{\mathrm{hop}}$

隨著節(jié)點(diǎn)在維度樹上的層次越高，這個(gè)節(jié)點(diǎn)的歸屬度就越小。

關(guān)于空間z和值域s的關(guān)系樹可以按照同樣的方法構(gòu)建。空間維度樹的第一層節(jié)點(diǎn)都是與空間位置具有直接相關(guān)的維度，如經(jīng)度、維度、地址、位置等維，第二層節(jié)點(diǎn)都是與第一層節(jié)點(diǎn)有直接相關(guān)而與根節(jié)點(diǎn)不直接相關(guān)的維度，如距離、方向等維。值域維度樹由實(shí)值為等構(gòu)成，如周期、溫度、濕度、風(fēng)力等維度按照同樣的算法構(gòu)建。

這三種維度樹是基于有效門限值Δx0構(gòu)建的；這三種關(guān)時(shí)間t、空間z和值域s的維度樹由有效約束門限值Δx0的基礎(chǔ)上構(gòu)建，聯(lián)合關(guān)系度計(jì)算公式為：

$R_i=\frac{{\mathrm{\&xi;}}_{ti}}{\underset{i=1}{\overset{n_1}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{ti}}+\frac{{\mathrm{\&xi;}}_{zi}}{\underset{i=1}{\overset{n_2}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{zi}}+\frac{{\mathrm{\&xi;}}_{si}}{\underset{i=1}{\overset{n_3}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_{si}}$

其中：R_i為i維度的關(guān)系度，ξ_ti,ξ_zi和ξ_si分別代表i維度在時(shí)間、空間和值域上的歸屬度，n₁,n₂和n₃分別代表各自維度樹上的節(jié)點(diǎn)數(shù)；

所述基于時(shí)間t、空間z和值域s關(guān)系樹的數(shù)據(jù)體關(guān)系計(jì)算算法如下：

輸入：給定的數(shù)據(jù)集{x₁，x₂...x_n}，用戶約束

輸出：關(guān)系度R_i

①Transform constraints into a condition,as gate valueΔx0

②l＝1；x＝Time；n₁＝0；T_tree＝null；

③add_subnode(l,n,x){

④For each dimension i＝1:n{

⑤If(directrelation(i,x)＝1){

⑥T_tree(n100)＝newnode(i)；

⑦n1＝n1+1；}

⑧}

⑨}

⑩Iteratively call add_subnode(l,n,x)Until T_tree is no-changed

Use the same method to construct Z_tree and S_tree

Calculateξ_ti,ξ_zi,ξ_si in 3dimension trees by formula(1)

Calculate relation degree R_i of each dimension by formula(2)

Sort R_i in descending order and form R_i'

Choosing the previous k-sorted queue{R₁',R₂',…,R_k'}。

使用關(guān)系樹，完成不同種類的數(shù)據(jù)集的關(guān)系度量，可以有效的區(qū)分出相關(guān)的數(shù)據(jù)集，對(duì)于不相關(guān)的數(shù)據(jù)，進(jìn)行分離與丟棄；對(duì)于相關(guān)數(shù)據(jù)，在分類算法的基礎(chǔ)上，形成旅游數(shù)據(jù)體。

對(duì)不同數(shù)據(jù)集的特征基于Lebesgue測(cè)度進(jìn)行相似曲線判定，并對(duì)相似的曲線簇進(jìn)行功能擬合生成具有共同特征的功能曲線，完成數(shù)據(jù)體關(guān)系計(jì)算，形成旅游數(shù)據(jù)體；

不同數(shù)據(jù)集的特征基于Lebesgue測(cè)度的相似曲線判定算法如下：

輸入：兩個(gè)數(shù)據(jù)序列{e_n}＝{(a_i,b_j)}，en＝|a_i-b_j|

輸出：兩個(gè)曲線的相似度

1)如果(i,j)是意義對(duì)應(yīng)的數(shù)據(jù)對(duì)，并且分別存在2個(gè)單調(diào)的數(shù)據(jù)序列中，則

如果min{i,j}∈n,即(i,j)的最小值對(duì)齊且min{i,j}≤n，則

如果en分布的平均值記為那么對(duì)于每個(gè)e_n,使得然后{Δe_n}的平均值可以被求解且記為最后相似度λ可以被定義

$\mathrm{\&lambda;}=\stackrel{\&OverBar;}{\mathrm{\&Delta;}{e}_n}/\stackrel{\&OverBar;}{e_n}$

當(dāng)兩個(gè)曲線的差是均勻的，則它們相等或絕對(duì)相似；

當(dāng)兩個(gè)曲線部分相似，這個(gè)值越小，兩個(gè)曲線越相似；.

如果且存在，這些曲線高度相似，可以擬合成一個(gè)曲線，作為共同的特征曲線；

推論1：如果存在一個(gè)曲線簇，且任意曲線是高度相似的，則這些曲線可以擬合成一個(gè)功能特征曲線；

推論2：Lebesgue測(cè)度作為擬合值形成特征曲線，曲線簇的擬合過(guò)程是迭代地不斷擬合任意2個(gè)最相似的曲線；

2)如果(i,j)是多對(duì)多對(duì)應(yīng)的點(diǎn)集對(duì)，且分別位于2個(gè)單調(diào)的曲線序列中，那么測(cè)度e_ij可以使用Lebesgue測(cè)度完成i點(diǎn)對(duì)所有的j點(diǎn)形成的Lebesgue測(cè)度值計(jì)算，形成Lebesgue測(cè)度矩陣e_i*j，對(duì)該矩陣進(jìn)行標(biāo)準(zhǔn)化分解，得到若干個(gè)標(biāo)準(zhǔn)矩陣之和，其公式如下：

|e_i*j|＝λ₁A₁+λ₂A₂+……+λ_nA_n

其中：min{i,j}＝n,系數(shù)集{λ}為曲線的相似系數(shù)集合；

如果{λ_i}＝0或者常量k，則這些曲線是絕對(duì)相似的或相等的；

如果存在λ₀，使得|λ₀-λ_n|≈0，則這些曲線是相似的，否則是不相關(guān)的；

推論3：如果存在曲線簇，且這些曲線的Lebesgue測(cè)度矩陣存在最小值且為0時(shí)，這些曲線中任一個(gè)曲線可以被選擇作為曲線簇的特征曲線；

推論4：如果存在一個(gè)多維矩陣，且這個(gè)矩陣可以分解成若干個(gè)標(biāo)準(zhǔn)矩陣的和，則這些矩陣可以形成一個(gè)相似的曲線簇。

所述相似曲線簇的功能擬合算法如下：

輸入：一些相似曲線

輸出：相似曲線的功能曲線

①Select characteristic curve A

②Ifthe same series{e_n}have{max,min},then

③Select max or min

④Else

⑤Retain the value ofcharacteristic curveA

⑥Iterative the above process until max iteration is equal to n

⑦End if。

(3)角色確定

通過(guò)不同旅游者的行為特征，進(jìn)行不同旅游行為的數(shù)據(jù)體建設(shè)，完成模式挖掘與聚類分類，形成多種旅游角色定義，生成角色數(shù)據(jù)集；

(4)導(dǎo)游機(jī)器人的領(lǐng)養(yǎng)

旅游者角色確定后，形成一個(gè)對(duì)應(yīng)的導(dǎo)游機(jī)器人領(lǐng)養(yǎng)過(guò)程，領(lǐng)養(yǎng)時(shí)通過(guò)與角色數(shù)據(jù)集自動(dòng)匹配，完成導(dǎo)游機(jī)器人的分配；

所述導(dǎo)游機(jī)器人狀態(tài)分為領(lǐng)養(yǎng)狀態(tài)、成長(zhǎng)狀態(tài)、成熟狀態(tài)、死亡狀態(tài)和棄養(yǎng)狀態(tài)，分別表征了不同階段的特征模式，所述特征模式包括個(gè)人信息、背景數(shù)據(jù)、角色系統(tǒng)和成熟度；所述導(dǎo)游機(jī)器人的狀態(tài)圖如圖5所示。

(5)導(dǎo)游機(jī)器人旅游導(dǎo)游功能的訓(xùn)練

所述導(dǎo)游機(jī)器人設(shè)置有后臺(tái)旅游導(dǎo)游功能生成體系，所述后臺(tái)旅游導(dǎo)游功能生成體系對(duì)不同角色提供不同的服務(wù)，其訓(xùn)練過(guò)程如圖6所示：

1)利用用戶個(gè)人網(wǎng)絡(luò)PAN，形成環(huán)境比對(duì)系統(tǒng)生成角色數(shù)據(jù)集；

2)導(dǎo)游引擎完成定向格式數(shù)據(jù)集市的生成；

3)海量數(shù)據(jù)庫(kù)存儲(chǔ)所有采集數(shù)據(jù)、處理數(shù)據(jù)和分析集市數(shù)據(jù)等；

4)訓(xùn)練算法與用戶動(dòng)態(tài)數(shù)據(jù)校準(zhǔn)，并根據(jù)導(dǎo)游群管理器進(jìn)行智能選擇；

5)導(dǎo)游管理器：按導(dǎo)游成熟度排列；

6)導(dǎo)游機(jī)器人：通過(guò)旅游者的角色定位數(shù)據(jù)集；按照旅游者特征，形成多個(gè)虛擬導(dǎo)游機(jī)器人，并根據(jù)數(shù)據(jù)樹的關(guān)系，完成虛擬機(jī)器人的不同階段的訓(xùn)練與生成。

上面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作了詳細(xì)說(shuō)明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下作出各種變化。