Optimal Route Planning for Dynamic Experience Based on TOMM Theory Application Innovation: a Case Study of the Three-River-Source National Park
-
摘要: 游客的游憩体验是一个多阶段体验的过程，共包含预期、到现场旅行、现场参与、从现场离开、回忆几个阶段。目前整个旅游产业和相关基础设施都在经历数字化，旅游数字化被称为电子旅游。未来电子旅游将扩展到整个旅行周期，保护地的自然旅游也不例外。运用文献调查法、田野调查法、专家打分法、数学建模法等跨学科、探索性的研究方法，对传统保护地游客游憩管理工具−旅游优化管理模型（Tourism Optimization Management Model，简称TOMM理论）进行应用模式创新。具体以三江源国家公园为例，运用人工智能算法解决具有不同游憩需求游客的核心问题−“定制动态体验最优路线规划”，以此为核心可以搭建TOMM理论在电子旅游背景下应用的实践场景，即实现在国家公园应用程序场景下对TOMM理论的应用。TOMM理论在智慧国家公园背景下基于“定制动态体验最优路线规划”APP的应用模式，将解决传统TOMM理论中两大实践难点，即公众主动参与方式和参与度难以把控，实时数据流难以获取和监测。同时该研究将为中国特色智慧保护地系统的建设提供研究基础。
-
关键词:
- 旅游优化管理模型 /
- 公众参与 /
- 旅游监测 /
- 人工智能定制路线算法 /
- 国家公园APP
Abstract: The visitor's recreational experience is a multi-stage experience process, including anticipation, on-site travel, on-site participation, departure from the site, and recall. At present, the entire tourism industry and related infrastructure are undergoing digitization, and tourism digitization is called e-tourism. In the future, e-tourism will extend to the entire travel cycle, and nature tourism in protected areas is no exception. This article mainly adopt sinter disciplinary exploratory research methods such as literature review, field investigation, expert scoring, and mathematical modeling to innovate the application model of the visitor recreation management tool in the traditional protected area—Tourism Optimization Management Model (TOMM theory). Taking the Three-River-Source National Park as a case, we use artificial intelligence algorithms to solve the core problem of visitors with different recreational needs—"customized optimal route planning with dynamic experience". With this as the core, it is possible to build a practical scenario for the application of TOMM theory in the context of e-tourism, that is, to realize the application of TOMM theory in the national park application scenario. TOMM theory is based on the application mode of "customized optimal route planning with dynamic experience" APP in the context of smart national parks, which will solve the two major practical difficulties in traditional TOMM theory, that is, it is difficult to control the way and degree of public active participation, and it is difficult to obtain and monitor real-time data streams. At the same time, the research will provide a research foundation for the establishment of the smart protected area system with Chinese characteristics. -
在我国，建立以国家公园为主体的自然保护地体系已然成为共识。在《关于建立以国家公园为主体的自然保护地体系的指导意见》中，多次提到鼓励利用智能化、互联网、大数据等新技术工具建设智慧自然保护地[1]。为了实现保护地旅游业的可持续发展，在过去的42年中，以美国和加拿大的公园、森林服务机构为首的组织开发了一些以游憩承载力理论为核心的游客管理框架并进行了实践。美国的此类游客管理概念模型包括游憩机会谱（Recreation Opportunity Spectrum，简称ROS）、游客影响管理（Visitor Impact Management，简称VIM）、可接受变化限度（Limits of Acceptable Change，简称LAC）以及游客体验和资源保护（Visitor Experience and Resource Protection，简称VERP）[2-5]。加拿大公园管理局开发了游客活动管理流程 [6]。这些游客管理框架在北美的自然保护地体系中发挥了一定作用，但是随着保护地游客量的增加，这些理论在管理实践中面临的监测和管理局限越来越大。
要应对与日俱增的管理压力，实现对保护地游客的有效监测管理，游客数据的获取成为关键。探索新的游客数据获取和监测方式，以及建设新时代智慧游客管理模型，既可以解决上述传统游客管理框架中的问题，又可以实现以大数据为基础的具有中国特色的自然保护地智慧系统的构建。
一. 研究理论基础
一 旅游优化管理模型
1 模型介绍
1997年，旅游优化管理模型（Tourism Optimization Management Model，以下简称TOMM）的框架在澳大利亚诞生，其理论基础完全不同于上述北美管理框架[7-8]。TOMM旨在推动保护地旅游业的所有利益相关者共同参与，以达到大家都满意的结果[9]。它不像北美管理框架只关注承载力阈值的限制条件，而是致力于如何实现旅游目的地所有利益相关者的参与和身份认同。
TOMM框架分为四个阶段。首先，明确了五个维度的目标，分别是环境、区域经济、市场营销、目的地体验和社会−文化的期望条件，各维度的具体标准由公众参与进行商讨、识别后确定。五个维度标准的制定围绕三大原则，即目的地展望、可持续发展的附加值、利益相关者对资源的合理利用进行。其次，对五个维度战略目标的实现选择评价指标，该指标的确定需要针对具体试点，由相关专业（如经济、生态、规划等）的专家依照标准和专业知识确定。在此基础上，利益相关者对拟定指标进行评估和修改，确定指标的“可接受范围”，指标的编制需要满足长期需求，基于协议，可由所有利益相关者商定具体指标。再次，对各类指标相关数据进行收集监测，数据的收集需要基于现有的数据系统，并对数据进行定期更新，这就需要适当的人力和财力支持。最后，基于不断的信息流，管理者可以了解游客在旅游各阶段的情况及旅游活动对TOMM五个维度下各项指标的影响，评估各指标是否达到预期和在游憩承载力“可接受范围”内，从而制定并采取相应管理措施。通过对上述旅游优化管理流程的长期监测、评估和管理，激励人们为实现共同的旅游目的地愿景做出贡献，这一阶段需要建立战略性旅游管理结构，并根据监测结果制定应对性管理措施。TOMM试图通过创建共享的期望条件来最小化利益相关者潜在矛盾[10]。它的主要目的不仅是监测旅游活动，而且还促进决策过程，以便做出更好、更可持续的决策[11]。
2 优化模型的应用和评价
TOMM模型强调旅游业对游客体验质量和对旅游地自然、文化、社会资源状况的依赖，所以重视所有利益相关者的参与过程。Moore等[12]认为复杂性导致TOMM模型比ROS和LAC等其他模型更难应用。Brown等[13]指出，TOMM“需要大量的信息和许多资源来进行数据管理和操作”。TOMM框架适用于地理位置偏远、刚启动旅游计划或需要重建旅游且管理机构水平较低的旅游目的地。该理论实施的三大核心要点为：TOMM鼓励旅游目的地在不同层次和尺度的旅游管理中提高旅游战略发展意识，并支持利益相关者的学习和参与；TOMM适用于刚启动或需要重建旅游业的地区，且该理论具有方向性、透明度并向利益相关者提供公开合作机会；TOMM指标的制定需要各领域专业知识的整合筛选。TOMM模型是首个以保护地游憩空间结构化、系统性发展为目的而构建的游客管理模型，其重点和难点在于需要监测多维数据来调整旅游战略。在实际应用中，众多利益相关者的长期合作互动难以维系和数据流的长期实时监测难以获取是两大技术难点。
二 游客参与数据收集和监测方法的发展
TOMM模型的本质是对游憩空间的管理，管理核心则是对游憩空间各对象的数据收集、监测、分析、决策到行动的循环过程，其中数据收集和监测过程就是公众参与的过程。
最早的游客数据收集和监测方法有游客旅行日记、问卷调查和访谈[14-15]，但由于保护地空间太大，工作人员有限，纸质调查成本高昂且数据样本代表性差、精确度低而导致这种方法并不适用。后来有研究者提出使用空间定位的方法进行游客监测，具体方法是让游客在纸质地图上标注其已访问地点[16]，该方法改善了特定地点游客信息的获取方式。以上两种方法都属于公众被动参与，且高度依赖游客的记忆和参与意愿，所以增加了数据获取的不准确度，且只实现了游客在游憩体验最后阶段的参与。
随着技术发展，有关研究开始通过全球定位系统（Global Positioning System，简称GPS）追踪游客，通过记录游客的精确位置和时间（到达和离开时间）、旅游体验点和步行速度提高游客数据质量[17-18]，这种方法实时且精确。虽然GPS收集的游憩管理数据精度很高，但这种方法只能应用于部分封闭区域，同时需要参与者携带并返还GPS设备[19]。
2010年左右，国际上开始提出利用众包数据，在更广泛的范围内收集并评估更多用户信息[20]。众包指大量人员合作解决问题，特别是通过互联网、社交媒体或智能手机应用程序来解决问题[21]。2012年，利用在线平台收集游客在地图上标记地理信息的众包数据研究开始流行，该众包数据被称为公众参与地理信息系统（Public Participation Geographic Information System，简称PPGIS）。PPGIS已用于反映游憩偏好、游客体验和满意度，并且可以与其他维度数据相结合以收集分析有关游客样本情况、旅行动机、价值取向和环境态度等更多元的数据。2010年开始，利用社交媒体，如Flickr、Twitter、Instagram、微博、马蜂窝等平台的众包数据对游客数据进行收集监测的研究得到国内外学者的广泛关注[22]，并成为游客管理的新兴研究热点。
上述方法一改以往游客被动参与的调查模式，使得游客在主动参与方面取得进步，但依然面临参与积极性弱、随机性大，无法有效满足公众“个性化需求”的问题，而且由于缺少实时动态反馈，难以形成“参与—反馈—再参与”的连续互动机制[23]。
二. 移动互联网时代下TOMM理论应用路径探究
一 问题的提出
现代智能手机可以弥补上述追踪方法的缺陷，促进旅游研究[24]。移动智能手机拥有一套传感器并可将PPGIS、社交媒体等功能进行整合，实现对游客多维数据的收集和监测。
社交媒体平台具有流动性和实时互动的便利，可以同时实现对样本统计信息、地理信息、时间信息和用户生成内容（如文本、图片、视频、音频）等多维信息数据的收集。在移动互联网时代，对游客数据收集监测的最好方式就是建立一个国家公园应用程序（即APP）来实时收集以游客的游憩地理信息为核心的各类用户生成内容，该APP内容和功能的设计目标是为了收集国家公园管理者进行管理决策所需的各类众包数据，所以该APP内容和功能设计的准则和依据就是TOMM理论，同时借助该APP，TOMM理论也找到了合适的应用载体，解决了目前理论存在的应用难点。有个别学者提出使用APP进行保护地游客数据收集监测的构想，但并未做出具体探索。美国国家公园管理局近年来已推出国家公园官方APP，但更偏重于国家公园信息的传播和营销。与其他游客信息收集监测方法相比，APP的独特之处在于它能够整合全体游客的社会人口统计资料和访问者在保护地的动态时空信息，将这些游客的大数据与保护地地理信息耦合，便可实时映射访问者的游憩行为，更好地服务于保护地的管理决策。而如何实现游客对APP多阶段体验过程信息收集的主动参与，是该程序能否用于数据收集的关键。
在面积庞大、管理复杂的保护地系统中，以TOMM理论为基础的APP必须切实满足游客的核心游憩需求，才有望实现游客对游憩管理的主动参与。所以笔者提出利用人工智能算法解决具有不同游憩需求游客的核心问题−定制动态体验最优路线规划来实现游客的主动参与。只要能够捕捉游客的游憩线路地理信息，就可以将保护地的游憩资源和游客行为结合，进行地理信息分析，再结合APP中与TOMM理论相关的用户生成内容，便可实现对保护地游憩活动的可持续监测和管理。本文只是探索性地研究一种实现智慧国家公园游憩管理的可行方案，最终该理论构想和游客主动参与的实现还需要相关国家公园管理机构和政策的大力支持和引导。为了验证上述构想的可行性，笔者选用中国首个且全球面积最大的国家公园试点−三江源国家公园进行研究。
二 案例地简介和现有体验路线的问题
三江源国家公园现包括长江源、黄河源、澜沧江源3个园区，总面积12.31万km2，辖区共12个乡镇、53个行政村，是我国乃至全球面积最大的国家公园，这也增加了其实现可持续旅游发展的管理难度。
《三江源国家公园生态体验与环境教育专项规划（征求意见稿）》（以下简称《专规》）中特别强调，将在三江源国家公园管理局内设置游客管理工作部门，负责采集、管理生态体验项目监测数据，并形成游客体验反馈和追踪制度。这与笔者提出的构建国家公园游客管理APP，实现对多阶段体验数据收集和监测的想法一致。《专规》现拟建设24个生态体验项目，暂将游客分为12类，并明确各类游客的可访问时间。《专规》中应用ROS理论，通过对体验对象、体验活动和环境容量3个维度下的指标进行3级评分，级别评分越高，代表对相应特征指标要求越高或者限制越大，根据评分将潜在游客分为3大类（如表1所示）。
表 1 三江源国家公园生态体验现有游客分类机会因子
特征体验对象特征 体验活动特征 环境容量
特征可感
性可达
性氛围
要求时间
投入体力
投入舒适
度容纳游客
规模限制一类游客 1 1 1 1 1 1 1 二类游客 2 2 2 2 2 2 2 三类游客 3 3 3 3 3 3 3 表1直观显示，一类游客访问限制条件最少、参与游憩体验活动难度最小，依此类推。基于此，确定了24项体验项目，分别满足上述3类游客需求，并进一步规划出分别适合3类游客的不同体验线路。
虽然现有规划已对游客类型和体验线路作出规定，但无法满足全部游客类型，更无法在保护生态的前提下满足游客的个性化游憩需求。虽然前期试点模式下采取了统一的访问路线，但并不适合三江源国家公园生态旅游的长期监测管理和国际级生态旅游目的地的打造。其次，三江源国家公园面积广且体验点多，对有时间限制的游客，在目前管理条件下，高效合理选择最优体验线路可以提升游客体验质量，更利于游客对三江源国家公园管理工作的主动参与和公园本身优质旅游目的地形象的打造。
三 建设基于TOMM理论的国家公园游客管理APP
通过定制动态体验最优路线规划，可以让游客主动参与到多阶段体验过程的数据收集中，但是管理者需要如何设计该APP的功能架构，来收集管理过程所需的游客全体验过程的多维信息，简言之，国家公园APP功能框架应该包括哪些内容？笔者提出将TOMM理论全流程作为国家公园APP的功能板块，即将传统TOMM理论应用于电子旅游场景中，利用APP平台可以整合游客多维信息的优势，克服TOMM理论在传统应用场景下，面临的利益相关者长期合作互动难以维系和数据流长期实时监测难以获取两大困难。
三. 研究过程及可行性验证
一 定制动态体验最优路线规划AI模型构建
近年来大量学者进行了旅游路线智能推荐算法的相关研究，当中的多数案例使用了Dijkstra算法[25]、A*算法、遗传算法[26-27]、蚁群算法[28-30]等。例如，在面对有限的访问时间等系列约束条件时，周啸等人运用动态规划的思路研发了一种多约束指标改进的算法，特别强调了用户的预先自主性对智能路线规划的影响[31]。然而，这些研究在路径规划算法设计上存在一些问题：由于算法较为复杂，不能满足实时性需求；或者算法实现的功能较为单一，实践中缺乏实用性。针对以上路径规划存在的问题，本文提出了一种最佳路径分区规划算法，以实现游客个性化游憩需求和固定访问时长下最佳动态路线推荐功能。首先使用邻接矩阵存储体验点之间的距离时长，然后采用Dijkstra算法，寻找无冗余的最大可能路径集合，最后将这些路径中价值最高的路径选为最佳路径。同时本文提出了一种对体验点进行合理分区的算法，既实现了算法高效性，又满足了游客个性访问需求。
1 体验点游憩价值评估
1）体验点初始游憩价值评定。在体验点初始游憩价值（以下简称初值）评估中，选择意见领袖−社区代表和生态旅游专家代表打分，对各生态体验点初值评分，权重各占50%。本研究共访问当地社区代表20人，学者团队20人，用里克特五分量表法对《专规》中一类游客体验地图上的30个生态体验点进行初值评估。
评估结果如下（括号内为分值）：昂塞大峡谷观景（5）、玛多县城天河观景（4）、扎陵湖探源（5）、鄂陵湖探源（5）、勒纳村听鸟（4）、牛头碑听鸟（5）、玛多高原动物探秘（4）、玉树高原动物探秘（5）、昂塞大峡谷地貌观景（5）、玉树到冶多沿线（4）、杂多到冶多公路沿线（3）、勒那村植物探秘区（3）、扎陵湖植物探秘区（4）、玛多县城“格萨尔王传”（5）、玉树州“格萨尔史诗”（5）、玛多县城民歌舞表演（5）、卡纳寺（3）、结古寺（2）、禅古寺（3）、文成公主庙（4）、六字真言（2）、玉树观景台（3）、嘉纳石经城（3）、扎陵湖香酥油下午茶（5）、玉树牧家乐一（4）、玉树牧家乐二（3）、玉树牧家乐三（4）、玉树牧家乐四（3）、玉树牧家乐五（5）、玛多黄河桥观云（4）。
2）游客用户游憩价值自评估。在上述生态体验点初值评估结果下，游客进行自评分。这一步由于只能在国家公园游客管理APP中实现，所以本文沿用评定的初始游憩价值。
2 “三江源动态体验最优路线规划”算法模型
1）通过百度地图API体验点地理标记及BPT算法构建模型。笔者将经过游憩价值初评的30个体验点数据统称集合U，用邻接矩阵存储集合U并进行距离计算，将该邻接矩阵作为本文算法的输入，在百度地图上手动获取并通过地图API提取定位信息。接着提出BPT算法的5个约束条件,分别命名为M1 ~ M5，其中， M1为体验点距离矩阵，M2为价值列表（包括价值和体验时长），M3为出口距离矩阵，M4为人性化（增加体验点游憩时长），M5为是否选择过夜（出口选择）。
2）采用DBSCAN算法对体验点进行集群分类。先通过欧式距离求出体验点之间的距离，因为DBSCAN在进行聚类时对集群的形状没有限制，且不用预先设置集群的个数，所以使用其为体验点进行分区。参考U中各体验点距离远近，通过多次实验观察聚类的划分结果并调整参数，最终将邻域半径设定为0.3 km，将集群最小点数L设置为5，从而划分出3个体验点集群P。紧接着对不同体验点进行最长体验时间的配置。针对各集群Pi，将按照权重为集群点定制可分配时间。设集群内各点价值集合为V，集群中的体验点数量为N，如公式1。我们将按照该式进行体验点集群间的时间分配。
$${T_i} = \frac{{{\rm{MAX}}({V_i})\times{\rm{AVG}}({V_i})\times\ln ({N_i})}}{{\displaystyle\sum\nolimits_{n = 3}^i {{\rm{MAX}}({V_i})\times{\rm{AVG}}({V_i})\times\ln ({N_i})} }}$$ (1) 其中，
${T_i}$ 为被分配到的时间，${V_i}$ 为集群的价值集合，函数MAX用来计算集合的最大值，函数AVG用来计算集合的平均值。3）递归记忆的组合Dijkstra算法和噪声点处理。在不同集群上，对集群Pi中的体验点重新进行2到Ni个体验点的不等量组合C（源点除外），运用Dijkstra算法分别对这些路径进行筛选，选出符合用户时间限制条件R的不等长的局部最短路径集合G，以满足用户对不同时长路径规划的需求。将个别不在集群中的体验点称为噪声点O，用欧氏距离算出与O最近的Pi来参与路径规划。
4）集群间路径连接点的选择。在集群Pi中找到与Pi+1几何中心的欧氏距离最小的联合点Ri，使得Ri∈Pi+1，对每个集群分别进行Dijkstra算法计算以得到各集群的局部最优路径LOT，Pi与Ri的连线则是集群Pi与Pi+1的联通方式，且Ri是Pi+1的源点，如式2。结合每个集群对不同集群的连接方式进行了定义，并求出最大价值路线MVT，如式3。
$${\rm{LO}}{{\rm{T}}_i} = {\rm{Dijkstra}}({{{M}}_1}[{\rm{Combine}}({{{P}}_i} + {{{R}}_i})])$$ (2) $$ \begin{split} {\rm{MVT}} = & \sum\limits_i^N {\rm{Dijkstra}}({{{M}}_1}[{\rm{Combine}}({{{P}}_i} + {{{R}}_i})]\times{{{M}}_2} + \\ & {\rm{Optimal}}({{{M}}_5} + {{{M}}_{4i}})) + {{{M}}_3} \end{split}$$ (3) 其中，Combine函数为输入集合的并集，LOT是局部最优路径（Local Optimal Trail）的缩写，MVT是最大价值路线（Max Value Trail）的缩写。
5）模型构建结果及分析。当用户输入不同时间限定条件时，BPT算法会返回在不同限定条件下的确定性最优价值路径，如限定时长为80 min，得到最优价值路径为卡纳寺—昂塞大峡谷观景—鄂陵湖探源—勒纳村听鸟—牛头碑听鸟—玛多高原动物探秘—扎陵湖植物探秘区—玛多县城“格萨尔王传”—玉树州“格萨尔史诗”—玛多县城天河观景—扎陵湖探源—昂塞大峡谷地貌观景—玉树到冶多沿线—扎陵湖植物探秘区—勒那村植物探秘区—玛多县城民歌舞表演—玉树高原动物探秘—扎陵湖香酥油下午茶—玉树观景台—玉树牧家乐四—嘉纳石经城，算法反应时间为0.052 4 s。
二 TOMM理论应用于国家公园APP的设计构想
经过对三江源30个体验点动态规划线路AI模型的建立，已经证实该技术的可行性，所以本文提出的动态规划线路可以作为国家公园APP的核心功能，以提升游客的参与积极性。该功能的应用实现了游客访问路线数据的收集和监测，解决了TOMM理论中管理者需要对游客旅游活动进行连贯性监测分析的问题，可以获取游客旅游活动对TOMM理论五大维度目标下影响各指标的量化数据。
其次，通过在国家公园APP中以TOMM理论作为设计准则，设计出对各国家公园期望条件和相应指标的评价功能，便可以实现利益相关者的长期参与，从而帮助各公园管理者长期跟踪并改良公园实现可持续发展的期望条件和相应指标的可接受范围。其设计模式还需要更多学者的关注和探索，从而解决众多利益相关者的长期合作互动难以维系的问题，真正实现保护地游憩管理各利益相关方参与途径和参与流程的简化及优化。
该应用模式尚处于构想试验阶段，属于智慧国家公园研究的先锋探索，还需更多学者的加入，将此应用模式继续验证和优化。在未来的研究中，研究者可以利用大数据和人工智能等新技术对现有国内外旅游APP游客众包数据进行分析，了解游客在多阶段体验过程中的时空分布、价值观、动机、需求、偏好、满意度和影响等，验证各类旅游APP对保护地游憩管理的应用价值和操作流程。未来中国特色的国家公园APP的构建将成为必然，更多跨学科的研究和合作是实现中国特色智慧国家公园保护地系统的必由之路。
-
表 1 三江源国家公园生态体验现有游客分类
机会因子
特征体验对象特征 体验活动特征 环境容量
特征可感
性可达
性氛围
要求时间
投入体力
投入舒适
度容纳游客
规模限制一类游客 1 1 1 1 1 1 1 二类游客 2 2 2 2 2 2 2 三类游客 3 3 3 3 3 3 3 
下载: 导出CSV
-
[1] 本刊编辑部. 《关于建立以国家公园为主体的自然保护地体系指导意见》发布[J]. 绿色中国,2020(1):31. [2] CLARK R, STANKEY G. The recreation opportunity spectrum: a framework for planning, management, and research[R]. Washington DC: USDA Forest Service General Technical Report, 1979.
[3] GRAEFE A R, KUSS F R, VASKE J J. Visitor impact management: the planning framework[M]. Washington DC: National Parks and Conservation Association, 1990.
[4] STANKEY G H, COLE D N, LUCAS R C, et al. The limits of acceptable change （LAC） system for wilderness planning[M]. Ogden: USDA, Forest Service, Intermountain Forest and Range Experiment Station, 1985.
[5] National Park Service. VERP: visitor experience and resource protection framework[M]. Denver: US Department of Interior, National Park Service Denver, Service Center, 1997.
[6] GRAHAM R,NILSEN P,PAYNE R J. Visitor management in Canadian national parks[J]. Tourism Management,1988,9(1):44-61. doi: 10.1016/0261-5177(88)90057-X
[7] Manidis Roberts Consultants. Developing a tourism optimisation management model （TOMM）[R]. New South Wales: Manidis Roberts Consultants, 1997.
[8] NEWSOME D, MOORE S, DOWLING R. Natural area tourism: ecology, impacts and management[M]. New York: Channel View Publications, 2013.
[9] JIRICKA A,SALAK B,ARNBERGER A,et al. VV-TOMM:capacity building in remote tourism territories through the first European transnational application of the tourism optimization management model[J]. WIT Transactions on Ecology and the Environment,2014,187:93-103.
[10] MAC K K. Developing community tourism in Uganda, the tourism optimization management mode[R]. Kampala: Makerere University & University of Manitoba CIDA Project, Workshop Report on Community Tourism Development Framework in Uganda , 2007.
[11] BROWN G,WEBER D. Using public participation GIS (PPGIS) on the geo-web to monitor tourism development preferences[J]. Journal of Sustainable Tourism,2013,21(2):192-211.
[12] MOORE S,SMITHA J,NEWSOME D N. Environmental performance reporting for natural area tourism:contributions by visitor impact management frameworks and their indicators[J]. Journal of Sustainable Tourism,2003,11(4):348-375. doi: 10.1080/09669580308667211
[13] BROWN G, KOTH B, KREAG G, et al. Managing Australia's protected areas, a review of visitor management models, frameworks and processes[R]. Gold Coast: Sustainable Tourism Cooperative Research Centre（CRC), 2006.
[14] WOLF J. Using GPS data loggers to replace travel diaries in the collection of travel data[D]. Atlanta : Georgia Institute of Technology, 2000.
[15] SHOVAL N,ISAACSON M,CHHETRI P. GPS,smartphones,and the future of tourism research[J]. The Wiley Blackwell Companion to Tourism,2014,31:251-261.
[16] STOPHER P R,GREAVES S P. Household travel surveys:where are we going?[J]. Transportation Research Part A:Policy and Practice,2007,41(5):367-381. doi: 10.1016/j.tra.2006.09.005
[17] ORELLANA D,BREGT A K. Exploring visitor movement patterns in natural recreational areas[J]. Tourism Management,2012,33(3):672-682. doi: 10.1016/j.tourman.2011.07.010
[18] GRINBERGER A Y,SHOVAL N. Typologies of tourists' time-space consumption:a new approach using GPS data and GIS tools[J]. Tourism Geographies,2014,16(1):105-123. doi: 10.1080/14616688.2013.869249
[19] SHOVAL N,AHAS R. The use of tracking technologies in tourism research:the first decade[J]. Tourism Geographies,2016,18(5):587-606. doi: 10.1080/14616688.2016.1214977
[20] DOAN A,RAMAKRISHNAN R,HALEVY A Y. Crowd sourcing systems on the world-wide web[J]. Communications of the ACM,2011,54(4):86. doi: 10.1145/1924421.1924442
[21] LEVIN N,LECHNER A M,BROWN G. An evaluation of crowdsourced information for assessing the visitation and perceived importance of protected areas[J]. Applied Geography,2017,79:115-126. doi: 10.1016/j.apgeog.2016.12.009
[22] WOOD S,GUERRY A,SILVER J,et al. Using social media to quantify nature-based tourism and recreation[J]. Scientific Reports,2013,3(1):1-7.
[23] 游兮. 多元创新的规划公众参与政策及模式探索[J]. 低碳世界,2016(21):163-164. [24] BIRENBOIM A,SHOVAL N. Mobility research in the age of the smartphone[J]. Annals of the American Association of Geographers,2016,106(2):283-291.
[25] 樊守伟,严艳,张少杰,等. Dijkstra算法与旅游路径优化[J]. 西安邮电大学学报,2014(1):121-124. [26] 袁光辉,谢科,邓林胜,等. 旅游路线动态规划问题研究−以西安市出发为例[J]. 数学的实践与认识,2016,46(15):125-133. [27] 余明朗. 面向景区智能导游的室内外一体化定位及位置服务方法研究[D]. 南京: 南京师范大学, 2013. [28] 胡军国,祁亨年,董峰,等. 一种改进蚁群算法研究和旅游景区路径规划问题求解[J]. 计算机应用研究,2011,28(5):1647-1650. doi: 10.3969/j.issn.1001-3695.2011.05.014 [29] 刘倩,卫文学,张鲁. 改进蚁群算法在景区路径规划中的应用研究[J]. 信息技术与信息化,2012(6):56-59. doi: 10.3969/j.issn.1672-9528.2012.06.14 [30] 徐锋,杜军平. 改进蚁群算法在旅游路线规划中的应用研究[J]. 计算机工程与应用,2009,45(23):193,195,226. [31] 周啸,李胜辉,高奎亮,等. 一种多约束指标改进的动态旅游路线规划算法[J]. 中北大学学报(自然科学版),2019,40(1):63-68,75. -
期刊类型引用(2)
1. 马炜，刘增力，王志臣，蒋亚芳，唐小平. 中国国家公园体制试点追踪研究. 林业资源管理. 2023(03): 1-8 . 
百度学术
2. 肖练练，朱冬芳，虞虎. 三江源国家公园游憩承载力模拟仿真研究. 生态学报. 2022(14): 5642-5652 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 825
- HTML全文浏览量: 263
- PDF下载量: 53
- 被引次数: 4
