[发明专利]一种风景体验影响因子的贡献率的估算方法

说明书

本发明涉及景区的影响因子评价的技术领域，具体涉及一种风景体验影响因子的贡献率的估算方法。一种风景体验影响因子的贡献率的估算方法，方法包括：(1)定义风景体验的评价结果为因变量Y和影响风景体验评价的因子为分类变量X，人工标注每个样本的分类变量值X和因变量值Y，得到原始训练集；(2)在原始训练集中有放回的重复随机抽取样本，经过训练得到决策树模型，将生成的多棵决策树模型组成分类器集合，最后采用少数服从多数投票数法得出最终的分类结果。采用本发明的方法能准确对景区的影响因子的影响力进行排序。

技术领域

本发明涉及景区的影响因子评价的技术领域，具体涉及一种风景体验影响因子的贡献率的估算方法。

背景技术

对于风景体验影响因子贡献率的量化和排序方法，一般运用因子分析模型法(Kaltenborn and Bjerke 2002,Qi et al.2013,康传德2007)、结构方程模型(Song etal.2012,周芷莙2016)、模糊综合评价法(曲畅2016)、重要性-绩效表现分析法(IPA分析法)(Luo et al.2021)、生态位模型(Yu et al.2020,周彬et al.2014)、解释结构模型(ISM)(Han et al.2019,Zhang et al.2020,廖秋林et al.2012)等方法进行研究，其中结构方程模型结合了因素分析和路径分析，在分析时同时考虑因子结构和因子关系，是目前相对完善的模型，最优模型可以得到估计参数和拟合指数，且结构方程基于协方差分析法、偏最小二乘法(Rajaratnam et al.2014)和贝叶斯法，与机器学习方法有交叉(吴兵福2006)。

但由于游客自身因素和景区的独特性，各种模型在实际运用中存在不适用性，如这些方法事先确定影响因素，主观性太强；因子分析模型在计算时运用最小二乘法会失效；结构方程无法判断模型的正确性，只能通过寻找模型的错误找到最佳模型，因而需要对模型进行反复训练等。目前在影响因素排序方面的研究较少，一般运用回归分析法和结构方程模型的路径分析进行排序(史春云et al.2008)。近两年，随着人工智能的发展，影响因素研究中逐渐引入机器学习和深度学习的方法。如部分研究尝试运用最大熵模型、朴素贝叶斯等机器学习方法(Plunz et al.2019,Zhang et al.2019)，百度API(双向LSTM结构)、长短期记忆模型循环神经网络(LSTM)等深度学习方法模型算法(Wang et al.2020)。这些研究发掘了景点美感度、游客满意度等因素，但并未对因素影响程度进行排序。

发明内容

本发明为了克服上述的技术问题，本发明提供以下技术方案：

一种风景体验影响因子的贡献率的估算方法，方法包括：

(1)定义风景体验的评价结果为因变量Y和影响风景体验评价的因子为分类变量X，人工标注每个样本的分类变量值X和因变量值Y，得到原始训练集；

(2)在原始训练集中有放回的重复随机抽取样本，经过训练得到决策树模型，将生成的多棵决策树模型组成分类器集合，最后采用少数服从多数投票数法得出最终的分类结果。

优选地，在步骤(1)中所述景体验的评价结果为因变量Y分别代表积极、中性、消极三种类别；所述影响风景体验评价的因子为分类变量X为：植物、空气、地形地貌、水体、动物、天气、民俗文化、人流量、管理、服务、游览设施、卫生、内部交通、标识服务、价格。

优选地，在步骤(1)中人工标注每个样本的分类变量值X和因变量值Y的具体方法为：评论中出现变量分类变量值X标注为1、未出现标注为0；因变量Y分别标注为0、1、2。

优选地，生成的多棵决策树模型组成分类器集合为：将用Bootstrap对原始训练集中有放回的重复随机抽取k个样本，经过k轮训练，得到k个决策树模型，将生成的多棵决策树模型组成分类器集合{h(x)、h1(x)....hk(x)}。

优选地，多数投票数法为：