Метод и модели управления индивидуальными туристическими маршрутами на основе глубоких нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Михайлов Сергей Андреевич

  • Михайлов Сергей Андреевич
  • кандидат науккандидат наук
  • 2021, ФГАОУ ВО «Национальный исследовательский университет ИТМО»
  • Специальность ВАК РФ05.13.10
  • Количество страниц 305
Михайлов Сергей Андреевич. Метод и модели управления индивидуальными туристическими маршрутами на основе глубоких нейронных сетей: дис. кандидат наук: 05.13.10 - Управление в социальных и экономических системах. ФГАОУ ВО «Национальный исследовательский университет ИТМО». 2021. 305 с.

Оглавление диссертации кандидат наук Михайлов Сергей Андреевич

Оглавление

Реферат

Synopsis

Введение

Глава 1 Обзор проблемной области

1.1 Современное состояние туризма

1.2 Модель социально-экономической системы на примере туристической системы

1.3 Определение модели туриста при создании персонализированных маршрутов

1.4 Требования к управлению туристической активностью и

критерии оценки качества

1.5 Существующие коммерческие решения в области туристических маршрутов

1.6 Использование контекста и исторических данных в управлении туристической активностью

1.7 Использование Big Data и инструментов машинного обучения в управлении туристической активностью

1.8 Методы управления туристическими потоками

1.9 Методы построения туристических маршрутов в рамках управления туристической активностью

1.10 Выводы

Глава 2 Управление конфигурацией индивидуальных

туристических маршрутов

2.1 Постановка задачи управления конфигурацией маршрута

2.2 Метод управления конфигурацией индивидуальных туристических маршрутов с применением прогнозирующих моделей

2.3 Выбор подходов к управлению конфигурацией туристических маршрутов

2.3.1 Способы формирования наборов достопримечательностей

2.3.2 ^особы построения последовательности прохождения наборов достопримечательностей

2.4 Алгоритм формирования набора достопримечательностей

2.5 Алгоритм формирования последовательности посещения набора достопримечательностей

2.6 Выводы

Глава 3 Модели прогнозирования предпочтений туристов на основе

нейросетевых моделей

3.1 Использование нейросетевых моделей в управлении туристической активностью

3.2 Выбор архитектур нейронных сетей для прогнозирующих моделей

3.3 Формирование набора данных для проектирования моделей прогнозирования предпочтений туристов

3.4 Модель прогнозирования привлекательности туристических маршрутов

3.5 Модель прогнозирования привлекательности достопримечательностей

3.6 Модель прогнозирования посещаемости достопримечательностей

3.7 Модель прогнозирования потенциальных маршрутов

3.8 Выводы

Глава 4 Реализация и оценка качества метода управления

конфигурацией туристического маршрута на основе

глубоких нейронных сетей

4.1 Система анализа туристического поведения

4.1.1 Формирование потока данных системы анализа туристического поведения

4.1.2 Информационная модель цифрового шаблона жизни туриста

4.1.3 Архитектура экспериментального прототипа системы анализа поведения туристов

4.2 Оценка качества метода управления конфигурацией туристического маршрута на основе глубоких нейронных сетей

4.2.1 Вычислительные эксперименты

4.2.2 Натурный эксперимент

4.3 Реализация туристического мобильного приложения

4.3.1 Реализация прототипа приложения для Andгoid-смартфона

4.3.2 Реализация сервиса агрегирования информации о достопримечательностях

4.4 Выводы

Заключение

Список сокращений и условных обозначений

Публикации автора по теме диссертации

Список литературы

Публикации по теме диссертации

Рекомендованный список диссертаций по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Введение диссертации (часть автореферата) на тему «Метод и модели управления индивидуальными туристическими маршрутами на основе глубоких нейронных сетей»

Реферат

Актуальность темы исследования. Туристическая индустрия стремительно растет в последние годы и интенсивно интегрируется с современными информационными и коммуникационными технологиями. Согласно отчетам Всемирной Туристической Организации, в 2019 году во всем мире было зарегистрировано около полутора миллиарда прибытий международных туристов. По прогнозам, сделанным до примененных ограничений, связанных с вспышкой коронавирусного заболевания (СОУГО-19), количество международных поездок должно было увеличиваться на 3,3% в год в период с 2010 по 2030 год. При этом стоит отметить, что применяемые странами методы борьбы с СОУГО-19, такие как вакцинация населения, минимизация контактов, использование умных сервисов туризма при автомобильных путешествиях, должны помочь в восстановлении туристической области по всему миру. На фоне пандемии, все больше и больше набирает популярность феномен самостоятельного туризма, при котором турист подбирает как достопримечательности, так и способ их прохождения без использования туристических агенств и экскурсионных бюро. Данный вид турист во время своих поисков для принятия решений использует открытые источники и социальные сети, основываясь на мнениях и отзывов других туристов.

Слияние информационных технологий и туризма породило феномен умного туризма. Для умного туризма типичен сбор и анализ данных, извлеченных из различных источников. Их использование вместе с передовыми информационными технологиями для преобразования опыта путешествий, делает туристический опыт более обогащенным, эффективным и устойчивым. Исследования показывают, что использование различных электронных услуг (рекомендующие сервисы, сервисы построения маршрута посещения достопримечательностей) может улучшить общий туристический опыт от путешествий.

Все больше и больше путешественников используют смартфоны в своих поездках, что оказывает огромное влияние на способы построения маршрутов посещения достопримечательностей. Количество пользовательского контента, создаваемого во время туристических путешествий, увеличивается из года в год. Ученые используют различные методы и техники больших данных для обработки огромного количества открытой информации, которая может использоваться в качестве основы для моделей прогнозирования туристического поведения. Эти

модели можно использовать для улучшения общей работоспособности различных услуг электронного туризма.

В рамках данной работы туристическая система рассматривается как социально-экономическая система (СЭС). В рамках СЭС субъектом управления выступает турист, целью которого является посещение туристического региона, который является объектом системы, для удовлетворения своих потребностей. Своими действиями турист создает туристическую активность, посещая избранные туристические места в регионе, и оказывает экономическое влияние на посещаемый регион. В результате своей активности туристы формируют туристические потоки, которые характеризируются посещаемостью достопримечательностей туристического региона. Вследствие больших туристических потоков в регионе может быть нарушен баланс посещаемости достопримечательностей, что приводит к уменьшению прибыльности туристического региона и формированию негативного опыта посещения туристических мест. Для решения данной проблемы необходимо использовать управление туристической активностью с использованием контекста и исторических данных, которое позволит создавать туристические маршруты с учетом вышеперечисленных факторов.

Степень разработанности темы исследования Наибольший вклад в развитие методов управления туристической активностью для создания туристических маршрутов внесли D. Gavalas, C. Konstantopoulos, S. Hasant, S. Phithakkitnukoon, Z. Wu, P. Repoussis, W. Zheng, Д. Корзун и другие.

Цель исследования. Повышение качества управления туристической активностью самостоятельных туристов в регионе за счет автоматизации получения и обработки информации из открытых источников и использования прогнозирующих моделей предпочтений туристов.

Задачи исследования

- Формирование требований к управлению туристической активностью;

- Формирование критериев управления туристической активностью;

- Разработка метода управления конфигурацией индивидуальных туристических маршрутов с использованием контекста туриста, туристического региона, оценок привлекательности достопримечательностей и задачно-ориентированных нейронных сетей;

- Разработка прогнозирующих моделей предпочтений туристов на основе задачно-ориентированных нейронных сетей для анализа контекста и исторических данных о туристах и туристическом регионе;

- Экспериментальная проверка метода управления конфигурацией индивидуальных туристических маршрутов;

- Реализация метода управления конфигурацией индивидуальных маршрутов и прогнозирующих моделей прогнозирующих моделей предпочтений туристов для повышения удовлетворённости туристов.

Объект исследования: процесс управления туристической активностью.

Предмет исследования: прогнозирующие модели предпочтений туристов для повышения привлекательности туристического региона.

Научная новизна определяется:

1. Методом управления конфигурацией индивидуальных маршрутов для повышения качества туристической активности самостоятельных туристов в регионе, отличающимся совместным использованием прогнозирующих моделей;

2. Моделями прогнозирования предпочтений туристов, отличающиеся использованием нейронных сетей и открытых источников информации о туристическом регионе для повышения достоверности генерируемых маршрутов.

Теоретическая значимость работы состоит в развитии методов управления социально-экономических систем.

Практическая значимость работы определяется созданием системы, реализующей метод управления конфигурацией туристических маршрутов и включающей в себя следующие компоненты:

1. Программный модуль, реализующий метод управления конфигурацией индивидуальных туристических маршрутов с использованием контекстной информации и знаний, извлеченных из прогнозирования предпочтений туристов;

2. Приложение для мобильных устройств под управлением операционной системы Android, позволяющее взаимодействовать пользователю с туристической системой;

3. Программный комплекс для извлечения информации о достопримечательностях региона на основе различных открытых источников;

4. Программный комплекс прогнозирования поведения самостоятельного туриста.

Методология и методы исследования. Для решения поставленных задач в работе были использованы методология системного анализа, методы теории

графов, теории множеств, управления знаниями, управления контекстом и машинного обучения.

На защиту выносятся:

1. Метод управления конфигурацией индивидуальных маршрутов для повышения качества туристической активности самостоятельных туристов в туристической системе;

2. Модели прогнозирования предпочтений туристов на основе нейросете-вых технологий;

Соответствие паспорту специальности 05.13.10 (2.3.4 — Управление в организационных системах (технические науки)):

- п. 1 и 2 — "Пункт 6: Разработка и совершенствование методов получения и обработки информации для задач управления социальными и экономическими системами.";

Внедрение результатов работы. Результаты диссертационной работы были использованы при выполнении грантов РФФИ № 18-37-00337 "Метод построения плана посещения достопримечательностей на основе профиля туриста и текущей ситуации в регионе" и № 19-37-90091 "Метод анализа деятельности туристов для прогнозирования их поведения на основе концепции цифровой модели жизни", внутренних проектов Университета ИТМО № 617038 "Модели и методы онтолого-ориентированной поддержки мобильности населения в цифровом информационно-техническом пространстве умного города" и № 618268 "Разработка методов обеспечения информационной поддержки мобильности населения в цифровом пространстве умного города с использованием семантических приложений", исследовательском проекте компании Ford "Intelligent Content Management for On-Demand Personalized Tours in Smart Destinations", совместном проекте с компанией "Скаут Корпоративные Решения" с использованием моделей прогнозирования маршрутов транспортных средств и учебном процессе факультета ИТиП Университета ИТМО.

Степень достоверности и апробации результатов. Степень достоверности научных достижений подтверждается корректным использованием математических методов, обоснованием постановки задач, совместными проектами с компаниями Ford и "Скаут Корпоративные Решения", а также экспериментальной апробацией разработанных моделей и метода. Основные результаты исследования были представлены на следующих международных конференциях:

- 29th Conference of Open Innovations Association FRUCT, 2021,

- 7th International Conference on Control, Decision and Information Technologies, CoDIT 2020,

- 9th International Symposium "Information Fusion and Intelligent Geographic Information Systems 2019",

- 25th Conference of Open Innovations Association FRUCT, 2019,

- 24th Conference of Open Innovations Association FRUCT, 2019,

- Завалишинские чтения 2018,

- 23rd Conference of Open Innovations Association FRUCT, 2018.

По результатам, представленным в диссертации, было получено опубликовано 10 статей в рецензируемых научных журналах, входящих в международные нормативные базы данных и системы цитирования Scopus и Web of Science, 3 статьи в российских журналах, входящих в список цитирования ВАК.

Научные издания, входящие в международные реферативные базы данных и системы цитирования

1. Mikhailov, S.; Kashevnik, A. Car Tourist Trajectory Prediction Based on Bidirectional LSTM Neural Network. Electronics, 2021, 10(12)

2. Mikhailov, S.; Kashevnik, A. Tourist Behaviour Analysis Based on Digital Pattern of Life—An Approach and Case Study. Future Internet 2020,12, 165

3. Shilov N., Kashevnik A., Mikhailov S. Context-Aware Generation of Personalized Audio Tours: Approach and Evaluation // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2018, Vol. 11096, pp. 615-624

4. Mikhailov S., Kashevnik A., Smirnov A., Shilov N., Orlova D., Gusihin O., Martinez H. Context-Driven Tourist Trip Planning Support System: An Approach and OpenStreetMap-Based Attraction Database Formation // Information Fusion and Intelligent Geographical Information System, pp. 139154

5. Kashevnik A., Mikhailov S., Smirnov A. Tourist Behaviour Analysis Based on Digital Pattern of Life // 7th International Conference on Control, Decision and Information Technologies, pp. 622-627 , CoDIT 2020

6. Mikhailov S.A., Kashevnik A.M. An Ontology for Service Semantic Interoperability in the Smartphone-Based Tourist Trip Planning System // Proceedings of the 23rd Conference of Open Innovations Association FRUCT - 2018, pp. 239-245

7. Mikhailov S., Smartphone Application for Tourist Assistance Based on OpenStreetMaps Data // Proceedings of the 23rd Conference of Open Innovations Association FRUCT - 2018, pp. 566-567

8. Mikhailov S.A., Kashevnik A.M., Papadakis H., Fragopoulou P. Context-Driven Tour Planning Service: An Approach Based on Synthetic Coordinates Recommendation // Proceedings of the 24th Conference of Open Innovations Association FRUCT - 2019, pp. 140-147

9. Kashevnik A., Teslya N., Mikhailov S., Petrov M., Shabaev A., Krasov A. Ridesharing for Carsharing Service Provider: Driver and Pedestrian Route Matching // Proceedings of the 25th Conference of Open Innovations Association FRUCT - 2019, pp. 146-152

10. Mikhailov S., Kashevnik A. Smartphone-Based Tourist Trip Planning System: A Context-Based Approach to Offline Attraction Recommendation. MATEC Web of Conferences. 2018. Vol. 161. pp. 3026

Научные издания, входящие в перечень российских рецензируемых журналов

1. Михайлов С.А. Интеллектуальная система помощи туристу: сервис-ориентированная архитектура и реализация // Научно-технический вестник информационных технологий, механики и оптики — 2019. — Т. 19. - № 3(121). — С. 499-507

2. Михайлов С.А., Кашевник А.М. Метод построения туристического маршрута среди достопримечательностей на основе контекстной информации // Информационно-измерительные и управляющие системы, Радиотехника — 2019. — Т. 17. - № 5. — С. 107-113

3. Михайлов С.А. Система анализа туристического поведения, основанная на модели цифрового шаблона жизни // Информатизация и связь — 2020. - № 5. — С. 78-83.

Личный вклад автора заключается в проведении проблемно-ориентированного исследования в области управления туристической активностью, формализации задачи управления туристической активностью и потоками, разработке метода и моделей управления индивидуальными туристическими маршрутами на основе глубоких нейронных сетей и обработке и анализе экспериментальных данных. Автор самостоятельно реализовал и апробировал представленный метод и модели. Из работ, выполненных в соавторстве, в диссертацию включены результаты, соответствующие личному вкладу автора.

Смирнов А.В. во всех работах, выполненных в соавторстве, осуществлял постановку научных задач. Кашевник А.М. во всех работах, выполненных в соавторстве, консультировал во время написание статей. Шилов Н.Г. в статье [12] предложил метод информационного сопровождения туриста при прохождении туристических маршрутов на основе аудио-видео информации, в статье [5] совместно с Гусихиным О.Ю и Martinez H. описывал сценарий использования системы управления туристическими поездками на основе контекстных данных и помогал в формировании концептуальной модели системы управления туристическими поездками. Орлова Д.К. в статье [5] предоставляла помощь при реализации компонентов системы управления туристическими поездками, Papadakis H. и Fragopoulou P. в статье [4] описывали разработку рекомендательной системы, основанной на синтетических координатах. Тесля Н.Н, Шабаев А.И и Красов А.В. в статье [11] описывали применение эвристик для поиска совпадений пути водителя и пассажира в случае построения плана посещения достопримечательностей в ситуации использования туристом сервиса совместного использования автотранспорта.

Структура и объем диссертации. Полный объём диссертации составляет 124 страниц, включая 30 рисунков и 9 таблиц. Список литературы включает в себя 144 источника. Первая глава включает в себя аналитический обзор предметной области, формализацию требований к управлению туристической активностью в рамках туристической системы и выявления критериев качества управления. Вторая глава описывает обоснование использования прогнозирующих моделей на основе анализа существующих решений в рамках управления конфигурацией индивидуальных маршрутов и метод управления конфигурацией индивидуальных туристических маршрутов с применением прогнозирующих моделей, а также обоснование использования выбранных подходов. Третья глава описывает прогнозирующие модели на основе использования задачно-ориентированных глубоких нейронных сетей, контекста и исторических данных о туристе и туристическом регионе. Четвертая глава содержит детали реализации прототипа системы анализа поведения туриста, метода управления конфигурацией индивидуального туристического маршрута, а также предоставляет экспериментальные исследования влияния предлагаемого метода на туриста и туристический регион.

Похожие диссертационные работы по специальности «Управление в социальных и экономических системах», 05.13.10 шифр ВАК

Заключение диссертации по теме «Управление в социальных и экономических системах», Михайлов Сергей Андреевич

Заключение

В статье была представлена интеллектуальная система помощи туристу, которая позволяет на основе данных и предпочтений пользователя, а также контекстной информации построить персонифицированный маршрут среди достопримечательностей. Данная система является сервисно-ориентированной, что позволяет облегчить разработку и последующую поддержку системы. Использование контекста позволяет более точно создавать маршруты в зависимости от информации о туристе и его окружающей ситуации. Представленная система может предоставлять мультимодальную информацию о достопримечательностях в зависимости от состояния туриста (для тех, кто перемещается пешком, система предоставляет аудиоинформацию, для тех, кто едет в машине как пассажир - видеоинформацию и фотографии). В рамках работы представлены детали реализации системы и внедрения рекомендующей системы SCoR. Выполнены эксперименты, показавшие, что разработанную систему интеллектуальной помощи туристу целесообразно использовать в реальных условиях, так как время отклика приложения даже при большом количестве участников системы является вполне приемлемым для туристической столицы России — города Санкт-Петербурга.

Список литературы диссертационного исследования кандидат наук Михайлов Сергей Андреевич, 2021 год

Литература

1. Huang C.D., Goo J., Nam K., Woo Y.C. Smart tourism technologies in travel planning: The role of exploration and exploitation // Smart Tourism: Traveler, Business, and Organizational Perspectives. 2017. V. 54. N 6. P. 757-770. doi: 10.1016/j.im.2016.11.010

2. Ulrike G., Marianna S., Zheng X., Chulmo K. Smart tourism: foundations and developments // Electronic Markets. 2015. V. 25. N 3. P. 179-188. doi: 10.1007/s12525-015-0196-8

3. Borras J., Moreno A., Valls A. Intelligent tourism recommender systems: a survey // Expert Systems with Applications. 2014. V. 41. N 16. P. 7370-7389. doi: 10.1016/j.eswa.2014.06.007

4. Mikhailov S., Kashevnik A. An ontology for service semantic interoperability in the smartphone-based tourist trip planning system // Proc. 23rd Conference of Open Innovations Association FRUCT. Bologna, Italy, 2018. P. 239-245. doi: 10.23919/fruct.2018.8588027

5. Smirnov A., Kashevnik A., Ponomarev A. Context-based infomobility system for cultural heritage recommendation: tourist assistant - TAIS // Personal Ubiquitous Computing. 2017. V. 21. N 2. P. 297-311. doi: 10.1007/s00779-016-0990-0

6. Long L., Jin X., Stephen S.L., Huaping C. A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication // Expert Systems with Applications. 2014. V. 41. N 7. P. 3409-3414. doi: 10.1016/j.eswa.2013.11.035

7. Santos F., Almeida A., Martins C., Gonjalves R., Martins J. Using POI functionality and accessibility levels for delivering personalized tourism recommendations // Computers, Environment and Urban Systems. 2017. (in press) doi: 10.1016/j.compenvurbsys.2017.08.007

8. Colomo-Palacios R., Garcia-Penalvo F.J., Stantchev V., Misra S. Towards a social and context-aware mobile recommendation system for tourism // Pervasive and Mobile Computing. 2017. V. 38. P. 505-515. doi: 10.1016/j.pmcj.2016.03.001

9. Zheng W., Liao Z. Using a heuristic approach to design personalized tour routes for heterogeneous tourist groups // Tourism Management. 2019. V. 72. P. 313-325. doi: 10.1016/j.tourman.2018.12.013

10. Moreno A., Valls A., Isern D., Marin L., Borras J. SigTur/E-destination: ontology-based personalized recommendation of tourism and leisure activities // Engineering Applications of Artificial Intelligence. 2013. V. 26. N 1. P. 633-651. doi: 10.1016/j.engappai.2012.02.014

11. Cenamor I., Rosa T., Nez S. Borrajo D. Planning for tourism routes using social networks // Expert Systems with Applications. 2017. V. 69. P. 1-9. doi: 10.1016/j.eswa.2016.10.030

12. Xiaoting W., Christopher L., Jeffrey C., Hui L.K., Tharshan V. Improving personalized trip recommendation by avoiding crowds // Proc. 25th ACM Int. Conf. on Information and

References

1. Huang C.D., Goo J., Nam K., Woo Y.C. Smart tourism technologies in travel planning: The role of exploration and exploitation. Smart Tourism: Traveler, Business, and Organizational Perspectives, 2017, vol. 54, no. 6, pp. 757-770. doi: 10.1016/j.im.2016.11.010

2. Ulrike G., Marianna S., Zheng X., Chulmo K. Smart tourism: foundations and developments. Electronic Markets, 2015, vol. 25, no. 3, pp. 179-188. doi: 10.1007/s12525-015-0196-8

3. Borras J., Moreno A., Valls A. Intelligent tourism recommender systems: a survey. Expert Systems with Applications, 2014, vol. 41, no. 16, pp. 7370-7389. doi: 10.1016/j.eswa.2014.06.007

4. Mikhailov S., Kashevnik A. An ontology for service semantic interoperability in the smartphone-based tourist trip planning system. Proc. 23rd Conference of Open Innovations Association FRUCT. Bologna, Italy, 2018, pp. 239-245. doi: 10.23919/fruct.2018.8588027

5. Smirnov A., Kashevnik A., Ponomarev A. Context-based infomobility system for cultural heritage recommendation: tourist assistant — TAIS. Personal Ubiquitous Computing, 2017, vol. 21, no. 2, pp. 297-311. doi: 10.1007/s00779-016-0990-0

6. Long L., Jin X., Stephen S.L., Huaping C. A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication. Expert Systems with Applications, 2014, vol. 41, no. 7, pp. 3409-3414. doi: 10.1016/j. eswa.2013.11.035

7. Santos F., Almeida A., Martins C., Gonçalves R., Martins J. Using POI functionality and accessibility levels for delivering personalized tourism recommendations. Computers, Environment and Urban Systems, 2017. (in press) doi: 10.1016/j. compenvurbsys.2017.08.007

8. Colomo-Palacios R., Garcia-Penalvo F.J., Stantchev V., Misra S. Towards a social and context-aware mobile recommendation system for tourism. Pervasive and Mobile Computing, 2017, vol. 38, pp. 505-515. doi: 10.1016/j.pmcj.2016.03.001

9. Zheng W., Liao Z. Using a heuristic approach to design personalized tour routes for heterogeneous tourist groups. Tourism Management, 2019, vol. 72, pp. 313-325. doi: 10.1016/j.tourman.2018.12.013

10. Moreno A., Valls A., Isern D., Marin L., Borras J. SigTur/ E-destination: ontology-based personalized recommendation of tourism and leisure activities. Engineering Applications of Artificial Intelligence, 2013, vol. 26, no. 1, pp. 633-651. doi: 10.1016/j.engappai.2012.02.014

11. Cenamor I., Rosa T., Nez S. Borrajo D. Planning for tourism routes using social networks. Expert Systems with Applications, 2017, vol. 69, pp. 1-9. doi: 10.1016/j.eswa.2016.10.030

12. Xiaoting W., Christopher L., Jeffrey C., Hui L.K., Tharshan V. Improving personalized trip recommendation by avoiding crowds. Proc. 25th ACM Int. Conf. on Information and

Knowledge Management. Indianapolis,USA, 2016. P. 25-34. doi: 10.1145/2983323.2983749

13. Papadakis H., Panagiotakis C., Fragopoulou P. SCoR: a synthetic coordinate based recommender system // Expert Systems with Applications. 2017. V. 79. P. 8-19. doi: 10.1016/j. eswa.2017.02.025

14. Kashevnik A., Mikhailov S., Papadakis H., Fragopoulou P. Context-driven tour planning service: an approach based on synthetic coordinates recommendation // Proc. 24th Conference of Open Innovations Association FRUCT. Moscow, Russia, 2019.

15. Korzun D., Kashevnik A., Balandin S. Novel Design and the Applications of Smart-M3 Platform in the Internet of Things: Emerging Research and Opportunities. IGI Global, 2017. 150 p. doi: 10.4018/978-1-5225-2653-7

16. Smirnov A., Kashevnik A., Ponomarev A., Teslya N., Schekotov M., Balandin S. Smart space-based tourist recommendation system // Lecture Notes in Computer Science. 2014. V. 8638. P. 40-51. doi: 10.1007/978-3-319-10353-2_4

17. Mikhailov S., Kashevnik A. Smartphone-based tourist trip planning system: a context-based approach to offline attraction recommendation // MATEC Web Conf. 2018. V. 161. Art. 03026. doi: 10.1051/matecconf/201816103026

Knowledge Management. Indianapolis,USA, 2016, pp. 25-34. doi: 10.1145/2983323.2983749

13. Papadakis H., Panagiotakis C., Fragopoulou P. SCoR: a synthetic coordinate based recommender system. Expert Systems with Applications, 2017, vol. 79, pp. 8-19. doi: 10.1016/j.eswa.2017.02.025

14. Kashevnik A., Mikhailov S., Papadakis H., Fragopoulou P. Context-driven tour planning service: an approach based on synthetic coordinates recommendation. Proc. 24th Conference of Open Innovations Association FRUCT. Moscow, Russia, 2019.

15. Korzun D., Kashevnik A., Balandin S. Novel Design and the Applications of Smart-M3 Platform in the Internet of Things: Emerging Research and Opportunities. IGI Global, 2017, 150 p. doi: 10.4018/978-1-5225-2653-7

16. Smirnov A., Kashevnik A., Ponomarev A., Teslya N., Schekotov M., Balandin S. Smart space-based tourist recommendation system. Lecture Notes in Computer Science, 2014, vol. 8638, pp. 40-51. doi: 10.1007/978-3-319-10353-2_4

17. Mikhailov S., Kashevnik A. Smartphone-based tourist trip planning system: a context-based approach to offline attraction recommendation. MATEC Web Conf., 2018, vol. 161, art. 03026. doi: 10.1051/matecconf/201816103026

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.