ارائه سیستم راهنمای تور آگاه به زمینه برای گردشگران گروهی

نوع مقاله: علمی-پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی بیرجند

2 استادیار گروه مهندسی کامپیوتر، دانشگاه بیرجند

چکیده

در این مقاله یک سیستم آگاه به زمینه جهت پیشنهاد مکان به گروهی از گردشگران ارائه شده است. سیستم پیشنهادی فاکتورهای علاقه‌ی گردشگران و مسافت طی شده را لحاظ می‌کند و به دنبال حداکثرسازی میزان رضایت آنها است. به این منظور به خوشه‌‌بندی اشخاص متناسب با علایق آن­ها پرداخته می‌شود و با استفاده از الگوریتم هوش تکاملی PSO به پیشنهاد بهترین مکان­ها برای هر روزِ گردشگران در مدت اقامت آن­ها می‌پردازد. در نهایت با استفاده از فرمول‌های پیشنهاد شده در منابع قبل، رضایت کاربران برای سیستم پیشنهادی و همچنین روش‌های قبلی کمی‌سازی و مقایسه گردیده است. نتایج پیاده‌سازی و شبیه­ سازی نشان‌دهنده­ی افزایش قابل توجه رضایت گردشگران از سیستم پیشنهادی در مقایسه با روش­ های سنتی پیشنهاد مسیر، روش تصادفی و همچنین ارائه­ ی مسیر با الگوی مشخص برای حالت مطالعه شهر اصفهان می‌باشد.

کلیدواژه‌ها


  1. امیری، محمود؛ محمدی، مصطفی؛ غلامی فرد، نصرت ا... (1395). بررسی کیفیت منابع اطلاعاتی چاپی گردشگری از دیدگاه گردشگران خارجی- مطالعه موردی: استان تهران. مجله  برنامه ریزی و توسعه گردشگری, سال 5، شماره 19: 58-74.
  2. زارعی، عظیم؛ آذر، عادل؛ رضایی راد، مصطفی (1395). سنجش بازاریابی اجتماعی در گردشگری سلامت. مجله برنامه ریزی و توسعه گردشگری,  سال 5، شماره 18: 33-43.
  3. محمدی، مصطفی (1395). نگرش عرضه کنندگان خدمات گردشگری مقصد به نقش رسانه های اجتماعی در بازاریابی مقصد گردشگری در شهرستان رامسر. مجله برنامه ریزی و توسعه گردشگری, سال 5، شماره 19: 75-93.
  4. Abbaspour, R.A. and Samadzadegan, F. (2008). Building A-context-aware mobile tourist guide system base on a service oriented architecture, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing.
  5. Adomavicius, G. and Tuzhilin, A. (2016). Context-aware recommender systems, Recommender Systems Handbook, Springer US, Vol. 32: 191-226.
  6. Arnaboldi, V., Conti, M. and Delmastro, F. (2014). CAMEO: A novel context-aware middleware for opportunistic mobile social networks, Pervasive and Mobile Computing, Vol. 11: 148-167.
  7. Bäcklund, H., Hedblom, A. and Neijman, N. (2016). A density-based spatial clustering of application with noise algorithm for the classification of solar radiation time series, 8th International Conference on Modelling, Identification and Control, Algeria.
  8. Barranco, M.J., Noguera, J.M., Castro, J. and Based on Location and Trajectory, Management Intelligent Systems, Springer, Vol. 171: 153-162.
  9. Biancalana, C., Gasparetti, F., Micarelli, A. and Sansonetti, G. (2013). An approach to social recommendation for context-aware mobile services, ACM Transactions on Intelligent Systems and Technology, 4(1): 1-32.
  10. Buhalis, D. and Law, R. (2008). Progress in information technology and tourism management: 20 years on and 10 years after the Internet- The state of eTourism research, Tourism Management, Elsevier, 29(4): 609-623.
  11. Buriano, L. (2006). Exploiting social context information in context-aware mobile tourism guides, National event on virtual mobile guides, Italy.
  12. Chen, G. and Kotz, D. (2000). A survey of context-aware mobile computing research, Technical Report, Dartmouth College, USA.
  13. Cheverst, K., Mitchell, K., Davies, N. and Smith, G. (2000). Exploiting context to support social awareness and social navigation. ACM Siggroup Bulletin, 21(3):43-48.
  14. Chou , S.C., Hsieh, W.T., Gandon, F.L. and Sadeh, N.M. (2005). Semantic web technologies for context-aware museum tour guide applications, 19th International conference on Advanced Information Networking and Applications, Taiwan.
  15. Dey, A.K. (2001). Understanding and using context, Personal and Ubiquitous Computing, 5(1): 4 - 7 .
  16. García, O., Alonso, R., Guevara, F., Sancho, D., Sánchez, M. and Bajo, J. (2011). ARTIZT: Applying ambient intelligence to a museum guide scenario, 2nd International Symposium on Ambient Intelligence, Spain: 173-180.
  17. Groh, G., Birnkammerer. S. and Köllhofer, V. (2015). Social recommender systems, Recommender Systems Handbook, Springer, Boston, 511-543.
  18. Gretzel, U. (2011). Intelligent systems in tourism: A social science perspective, Annals of Tourism Research, Elsevier, 38(3): 757-779.
  19. Iso, K., Mishina, T., Shimazaki, Y. and & Ishibashi, T. (2008). Regional economic effect and ideal economic scale of tourism, IEEE International Conference on Industrial Engineering and Engineering Management, Japan.
  20. Noguera, J.M., Barranco,M,J., Segura, R.J. and Martínez , L. (2012). Mobile 3d-gis hybrid recommender system for tourism, Information Sciences, Elsevier, Vol. 215: 37-52.
  21. Lamsfus, C., Martin, D., Alzua-Sorzabal, A., López, D. and Torres-Manzanera, E. (2012). Context-based tourism information filtering with a semantic rule engine, Sensors, 12(5 ): 5273-5289.
  22. Leonard, J. and Coetzee, M. (2009). A model for a socially-aware mobile tourist recommendation system, Annual Conference on World Wide Web Applications, South Africa.
  23. Martinez, L., Rodriguez, R.M. and Espinilla, M. (2009). REJA: A georeferenced hybrid recommender system for restaurants, IEEE/WIC/ACM International Joint Conferences on Web Intelligence and Intelligent Agent Technology, Italy.
  24. Meehan, K., Lunney, T., Curran, K. and McCaughey, A. (2012). Virtual intelligent system for informing tourists, 13th Annual Post Graduate Symposium on the Convergence of Telecommunications, Networking and Broadcasting, UK.
  25. Meehan, K., Lunney, T., Curran, K. and McCaughey, A. (2013). Context-aware intelligent recommendation system for tourism, Pervasive Computing and Communications Workshops, San Diego.
  26. Pashtan, A., Blattler, R., Heusser, A. and Scheuermann, P. (2003). CATIS: A context-aware tourist information system, 4th International Workshop of Mobile Computing, Germany.
  27. Pessemier, T.D., Martens, L. and Dooms, S. (2014). Context-aware recommendations through context and activity recognition in a mobile environment, Multimedia Tools and Applications, Springer, 72(3): 2925-2948.
  28. Pitkänen, M., Kärkkäinen, T., Ott, J., Conti, M., Passarella, A., Giordano, S. and Hegde, N. (2012). Service platform for social aware mobile and pervasive computing, First MCC Workshop on Mobile Cloud Computing, New York.
  29. Popovici, D., Desertot, M., Lecomte, S. and Delot, T. (2012). A framework for mobile and context-aware applications applied to vehicular social networks, Social Network Analysis and Mining, Springer, 3(3): 329-340.
  30. Rodríguez, R.M.,  Sánchez, M. and Martínez‐López, L. (2010), Using linguistic incomplete preference relations to cold start recommendations, Internet Research, Vol. 20: 296-315.
  31. Samany, N. N., Delavar, M.R., Chrisman, N. and Malek, M.R. (2012). An ontology for spatial relevant objects in a location-aware system: Case study: A tourist guide system, World Academy of Science, Engineering and Technology, Vol. 63: 878-884.
  32. Sander, J., Ester, M., Kriegel, H.P. and Xu, X. (1998). Density-based clustering in spatial databases: The algorithm GDBSCAN and its applications, Data Mining and Knowledge Discovery, Springer, 2(2), 169–194.
  33. Santos, A.C., Cardoso, J.M.P., Ferreira, D.R., Diniz, P.C. and Chaínho, P. (2010). Providing user context for mobile and social networking applications, Pervasive and Mobile Computing, Elsevier, 6(3): 324-341.
  34. Setten, M.V., Pokraev, S. and Koolwaaij, J. (2004). Context-aware recommendations in the mobile tourist application COMPASS, International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems, The Netherlands, 235-244.
  35. Wang, L., Zhang, Y. and Meng, X. (2011). A heuristic approach to social network-based and context-aware mobile services recommendation, Convergence Information Technology, 6(10): 339-346.
  36. World Tourism Organization UNWTO. (2017). from www.unwto.org.