摘要：国内外在智慧城市、智慧旅游、智慧景区等方面的研究已有较多进展, 在大数据、人工智能、机器学习等相关领域的研究较为丰富, 其研究成果、基础理论、方法技术等均打下一定的基础。智慧景区规划管理尝试在人工智能领域发挥学科优势, 在学术研究中借助机器学习, 探索规划决策的新规则与新模型, 构建完备的智慧景区管理体系, 对于完善我国的景区智能化, 提高个性化服务水平, 提升风景园林专业的发展水准具有重要的战略意义, 也是响应国家政策、顺应时代潮流的必然趋势。
关键词：人工智能; 智慧景区; 景区规划; 智慧旅游; 智慧景区规划管理;
2008年IBM在纽约外交关系会上首次提出了“智慧地球”的概念，指出智慧地球的核心是以一种更智慧的方式通过利用新一代信息技术来改变政府、公司和人们交互的方式，以提高交互的明确性、效率、灵活性和响应速度。2009年11月，国务院下发的《关于加快发展旅游业的意见》中决定将旅游业培育成国家经济的战略性支柱产业和人民群众更加满意的现代服务业，为我国旅游业的迅猛发展提供了政策支持。在建设“智慧城市”“智慧旅游”的背景下，随着国家对人工智能产业的号召与推动，顺应时代与技术的发展，作为旅游业核心要素之一的景区规划、设计、建设产业首先产生了“数字景区”的概念[1]，为了打破“数字景区”建设的瓶颈，更好地利用大数据、移动互联网、人工智能等技术条件，“智慧景区”应运而生。
2017年7月，国务院印发了《新一代人工智能发展规划》，要求构建开放协同的人工智能科技创新体系，开展跨学科原创性、非共识探索性研究，推动人工智能算法、模型发展的机器学习等与其他学科的交叉融合，并在城市建设领域提出“智慧城市”的概念，通过城市大数据实现对城市基础设施和城市绿地、湿地等重要生态要素的全面感知以及对城市复杂系统运行的深度认识。
从中国长远发展而论，广袤国土上的自然与人文景观是国家资源的重要组成部分，是大自然和先辈留下的珍贵遗产，景区规划与建设对国家的文化传承、生态保护、科普教育、经济发展等均有重大意义。因此，智慧景区规划尝试在人工智能领域发挥学科优势，在学术研究中借助机器学习，探索规划决策的新规则与新模型，是响应国家政策、顺应时代潮流的必然趋势。
在此基础上，分析、梳理、评述人工智能在智慧景区规划管理中的应用现状与前景，对景观规划管理的变革具有一定的指导作用，对推动旅游产业发展、提升景区规划管理科学性、促进技术应用具有重要意义。
一、相关研究发展概述
（一）大数据研究进展
1．研究进展
国外研究在大数据处理工具与平台技术上起步较早，在大数据获取与处理技术方面优势在于较开放的政府数据支持、Google商业地理信息数据平台及社交网络平台[2]。更多的学者利用GPS设备进行数据收集研究，并开发了如活动数据输入、移动路径计算及数据分析与显示的数据平台系统[3]，具有LBS日志集成的移动居民时空数据的调查系统[4]，可在Google地图中可视化数据处理的引擎软件，尤其是网络数据挖掘方面较多的采用网络爬虫及Twitter等社交平台采集数据。
国内在智慧城市与智慧景区的发展政策支持下，在城市规划与景区规划管理中已经展开了对大数据的收集与应用，较常见的是通过二维码、传感器及RFID实现对景区时空数据的分析，为景区管理与服务提供相应数据支持；或通过建立旅游大数据中心来联合采集数据，预测景区客流量及相关道路情况，研究拥堵预警机制。国内较为新型的数据收集与处理方式为采用商业化的出租车或网约车平台数据进行出行模拟与方向认定[5]。在大数据应用方面更多的仍是强调传统数理统计学分析下的大数据政府应用与规划设计，并已有基于大数据基础的城市总体规划编制实践。大数据分析辅助规划设计的方法上有分布式大数据规划方法、适应性大数据空间分析模型、大数据动态监测城市规划评估等方法创新。
2．评述
大数据采集、统计、运算方法已相对成熟，结合智慧景区规划决策仍需增加针对景点、游客的数据收集框架研究、数据库指标体系研究、数据库指标关联性与增长性研究等。现有的二维码采集需要游客配合，传感器采集需要高精度的识别设备，尽管能为景区管理与服务提供支持，但仍需改进为智能手环等更便捷准确的方式才可为景区规划提供更有力的数据支撑；在城市范围内通过大数据对车辆路径模拟预测等城市规划的大数据辅助分析可为景区景点、道路分析提供借鉴，但由于景区生态与游客行为等特殊要素，考虑景区时空变化的长期性，仍需风景园林专业的全面参与。
（二）人工智能与机器学习研究进展
1．研究进展
机器学习是大数据与人工智能研究发展到一定阶段的必然产物。近十年来，深度学习在机器学习的基础上加深了抽象化过程的迭代，卷积神经网络是深度学习的核心算法，它实现了尤其对图像类数据的深入洞悉和特征刻画，相关技术发明大幅提升了卷积模型训练效率，突破了长期困扰该模型投入应用的瓶颈[6]，辅以日趋经济化的高性能计算成本等利好因素，深度学习的应用级产品不断推陈出新，逐渐在音频视频处理、信息提炼、物体识别和自然语言分析学习等领域拓展推广。
国外人工智能与机器学习在规划管理中起步较早，但20世纪80年代提出的元胞自动机和多智体等经典算法的内核、决策仿真的变量个数和边界条件复杂度都有很大局限性[7]。为进一步获得模拟仿真能力的提升，以PARAMICS系统VISSIM系统为代表的并行化计算是目前常用的技术路线。基于元胞自动机的城市用地模拟的并行化效率提升与其在区域规划中的应用，也成为学术研讨热点。建筑设计方面主要研究人工智能丰富建筑设计内容，包括基于案例的建筑设计，建筑风格学习的模式识别和建筑风格多样性和复杂性的机器学习。结合人工智能的虚拟现实应用[8]，在规划设计管理应用[9]、灾害空间识别、规划设计文本挖掘与卷积神经网络对城市要素判读方面均有相关研究。目前Google公司的机器学习底层技术已经通过TensorFlow开源项目免费公开使用，将成为未来景区规划便捷与经济的研究工具。其他着名的机器学习框架还有Scikit-Learn、Weka、Theano、Torch、Caffe等。
国内的人工智能与机器学习在目前国内规划行业正紧随人工智能与机器学习的快速迭代而演进。规划编制过程中积累了海量的文本、图件和公共政策文件等非结构性数据，因而规划设计的技术创新亟待从“大数据时代”走向“人工智能时代”[7]。国内人工智能近年发展较快，2017年，XKOOL平台的建立可帮助规划设计师完成包含概念方案在内的前期规划设计工作[7]，利用遗传算法优化建筑设计方案可提高建筑设计效率，实现基于事件推理（Case-Based Reasoning）的数字城市规划[10]等。而风景园林领域目前的相关研究多针对大数据分析，人工智能的相关研究较少[11]。
2．评述
人工智能和机器学习与建筑、城市规划、风景园林的结合是信息发展与学科进步的必然趋势，就目前看来，各个领域的专业性与独立性仍较强。人工智能和机器学习多为计算机领域的专长，仅通过对城市、景区等环境的简单场景套用，并不能适用于复杂而生动的人类空间决策。然而，机器学习在开展空间信息的认知，时空过程的表达、分析、模拟与决策和智能化GIS图像解析等一些基本空间问题研究中，又具有人脑和传统计算机模拟所不具备的效率性、准确性与前瞻性；基于智慧景区已取得的大数据而言，其量级已远远超越了传统计算技术和信息系统的处理能力，机器学习结合大数据的全面统计与计算应能挖掘传统中小量数据库中无法具备的深度知识和价值；若能选择合适的运算方法、应用模型，加以辅助训练，或可在景区规划范式、规划效率、规划成果准确性与科学性等方面取得更大的进展。
（三）机器学习与智慧景区交叉研究进展
1．研究进展
在景区空间分析上国内已有较为丰富的大数据基础，如百强景区、A级景区与各省各级别景区数据库，但分析手段上较多仍为传统统计学评价分析、Logistic需求预测分析、SPSS结合GIS的社会地理分析、浅层大数据景区问题分析[12]与指标计算分值评价[13]等方法。
在机器学习与景区规划管理中，一般能够在地理集中指数、客源吸引半径、距离衰减曲线和引力模型上进行空间分析；利用节日重点监测数据进行回归模型的建立与曲线拟合分析，从而建立智慧景区分类管理与运营系统。机器学习在智慧景区的其他研究集中在对游客行为与游客画像的分析，如旅游方式偏好研究[14]，旅游推介系统研究[15]，但基于约束目标的游客需求研究，较少地开展了数学模型化的机器学习分析。
有关人工智能的智慧景区管理中，能根据景区访问与资源量应用智能导览系统进行大数据建模与性能优化[16]，利用支持向量回归（SVR）、BP神经网络实现短期游客量与旅游需求预测模型搭建。在网络爬虫的基础上，进行网络数据爬取、基于隐马尔可夫（HMM）模型的中文分词、向量空间（VSM）模型对反馈文字进行相关基础分析。总体上，在智慧景区的大数据基础上目前利用机器学习进行空间与游览分析研究较有限，卷积神经网络学习仍以图片模式识别为主，与智慧景区相关的包括有基于PSO算法的支持向量回归机模型的森林地上生物量遥感估算算法，可借鉴至景区空间识别与规划分析。其他主要应用层面的研究包括旅游解说系统的智能化、旅游线路规划的智能化、酒店呼叫服务方式的改变等，还包括游客数量预测并提高景区管理质量与提高旅游行政管理效能。
2．评述
由以上分析可见，目前智慧景区与机器学习领域仍多为定性研究，人工智能研究内容主要围绕地理空间识别与景区运营管理上的分支领域，多为相关领域研究技术的移植。成果较为分散，缺乏横向纵向的比较分析，尤其是针对规划设计技术与规划设计决策的系统研究。城市规划、建筑领域目前已经针对人工智能与机器学习在交通系统、土地用地、建筑设计、使用分析与空间识别等领域建立了多种类型的分析模型与学习模型，为景区规划管理的人工智能方向研究建立了模型与应用基础。在目前以TensorFlow为代表的开放机器学习框架平台中，结合BP神经网络、卷积神经网络等先进的人工神经网络模型工具，以智慧景区大数据基础的相关人工智能研究具有较大的发展空间。
（四）智慧景区规划管理的研究
1．研究进展
制定智慧景区的发展规划方面，智慧景区的规划管理离不开总体的规划，以九寨沟风景名胜区的建设为例，提出《基于物联网的九寨沟智慧景区管理》模式着重构建三个体系：一是景区信息更迅捷的感知，借助物联网实现对景区地理事物、自然灾害、游客行为、社区居民、工作人员行迹、基础设施和服务设施全面、透彻、及时的感知；二是景区成员更全面的互联互通，通过各种形式的通信网络，将景区、社会和政府信息连接起来；三是景区管理更深入的智能化，通过深入分析收集到的数据，获取更加新颖、系统且全面的洞察，来解决特定问题。
完善景区信息基础设施方面。智慧景区信息基础设施涵盖三个方面的内容：一是网络基础设施建设，主要是强化既有有线网络和建设无线网络及网络硬件设备；二是数据基础设施建设，形成基础地图与影像数据库；三是共享服务平台建设，目的在于实现各种业务应用系统的元数据管理、底层数据的访问、组织与处理，以及对底层硬件设备的操作，使不同业务系统依托共享服务平台进行研建，从而实现应用系统之间的信息共享。
构建景区智慧应用体系方面。智慧景区的应用体系建设通常涉及资源保护、业务管理、旅游服务、应急安全、决策支持等几个方面。景区智慧应用体系提供5项重要服务———为资源保护服务、为业务管理服务、为旅游活动服务、为防灾减灾服务、为综合决策服务，其中资源保护系统包括地质公园信息系统、森林火灾监测系统等。
2．评述
尽管我国智慧景区建设取得了显着的成绩，但目前的发展也面临两个方面的挑战，一是游客数量增加给景区造成管理与服务压力，二是新型信息技术快速发展与应用带来的机遇和挑战。如何结合景区自身发展需要，采用多种技术方法处理与分析时空大数据，深化与发展智慧景区的管理与服务，是近年来受到广泛关注的学术问题与应用领域。
二、人工智能在智慧景区规划管理中的应用现状与前景综合评述
从研究领域看，各学科的研究相对独立，各自发挥学科优势，虽然在计算机、城乡规划、风景园林、旅游学、地理学、管理学、经济学等领域存在交叉，但缺乏系统性的研究，若要在景区规划管理中实现机器学习引导的方案辅助决策，必然需要风景园林的全面介入，也需要传统人脑规划与计算机模拟的共同协作，在实现机器学习的有监督学习后，逐渐过渡到无监督学习。
从研究内容看，在风景园林与机器学习结合的领域，智慧景区的“景点—路径”规划虽在数据挖掘、空间分析、管理运营等方面做了许多有益的尝试，但直接针对景区规划管理的研究较少，且缺乏系统考虑景点选择与路径规划的研究，更缺乏景区、游客、景点、路径等多位一体的综合研究，机器学习的优势并未完全展现，风景园林的学科知识和已有研究成果也未充分应用。同时，景点与路径规划决策的相关研究多基于旅游规划和风景名胜区规划的分项研究，定性居多，而定量研究也加入较多主观因素，需要更客观量化的总结决策规则，以保证研究在更多智慧景区规划层面的可应用性。
从研究尺度看，目前研究多为定点、定时研究，时空尺度较窄，但景区的规划往往涉及较长历史时期的自然、人文资源的增长与演替，游客的行为也不局限于进入景区的游赏时间，常有多次游赏的游客，在不同时期的游赏行为均会对“景点—路径”的规划产生影响，不同的景区面积也会导致游客行为（筛选景点、挑选路径、停留时间等）的多样化。因此，需要对50年、10年、1年以及淡旺季、日、小时等不同时间尺度与大、中、小面积尺度景区的综合研究，也需对景区所依托的资源类型进行分析。
从研究工具看，人工智能领域有多种算法、模型，风景园林领域也有如GIS、CAD等多种辅助软件，但针对智慧景区“景点—路径”的决策规则与模型研究，仍需选用能将景区信息与游客信息恰当地进行动态整合的算法、模型，如K-Means、DBSCAN、决策树、卷积神经网络等，并要在智慧景区的场景中评价、选用这些训练工具。
从研究方法看，大数据与人工智能的热潮应成为推动风景园林规划范式更新的新机遇，选择数据密集型科学研究方法，以突破传统景区数据模型的研究，基于全样本微观数据挖掘要素间的相关性以把握景区发展的总体规律，总结“景点—路径”的生成规律。在现有研究中，多起源于问题发现，基于问题再收集相关数据，但由于时间、经费等限制，数据规模有限，只能多通过预先假设、分析回应的方式。在景区大数据资源相对丰富、国家政策支持的背景下，应尽可能收集更多数据，主动寻找相关性与客观规律，借助多样的运算、分类、决策模型，以期待回答未知的“景点—路径”决策规则，或可为实现风景园林研究方法的创新。
结语
文章通过对大数据研究进展、人工智能与机器学习研究进展、机器学习与智慧景区交叉研究进展以及智慧景区规划管理研究这四方面研究进展的分析和评述，对人工智能在智慧景区管理中的应用现状和前景进行了综合评述分析。
自2008年IBM在纽约外交关系会上首次提出了“智慧地球”的概念以来，国内外在智慧城市、智慧旅游、智慧景区等方面的研究已有较多进展，在大数据、人工智能、机器学习等相关领域的研究较为丰富，其研究成果、基础理论、方法技术等均打下一定的基础，为人工智能在智慧景区管理中的应用作出良好的铺垫。智慧景区规划管理尝试在人工智能领域发挥学科优势，在学术研究中借助机器学习，探索规划决策的新规则与新模型，构建完备的智慧景区管理体系，统筹在研究的领域、内容、尺度、工具以及方法方面对人工智能在智慧景区规划管理中的应用现状和未来发展方向上作出初步分析。将人工智能和机器学习与建筑、城市规划、风景园林相结合是信息发展与学科进步的趋势，是响应国家政策、适应新时期中国发展要求的多学科交叉科学智慧景区规划管理的方式，是顺应时代潮流的必然趋势，对完善我国的景区智能化，提高个性化服务水平，提升风景园林专业的发展水准具有重要的战略意义。
参考文献
[1]李宏, 吴东亮.数字景区研究现状与问题探讨[J].首都师范大学学报:自然科学版, 2011 (10) :39-45.
[2]Kreitz M.Urban gravity:a model for inter-city telecommunication flows[C].Methods for collecting spatial data in household travel surveys.5th International Conference on Transport Survey Quality and Innovation, Kruger Park, South Africa.Krings G, Calabrese F, Ratti C, et al.2009.Journal of Statistical Mechanics:Theory and Experiment, 2001 (7) :1-8.
[3]Papinski D, Scott D M, Doherty S T.Exploring the route choice decision-making process:A comparison of planned and observed routes obtained using person-based GPS[J].Transportation Research Part F:Traffic Psychology and Behaviour, 2009, 12 (4) :347-358.
[4]Hudson-Smith A, Crooks A, Gibin M, et al.NeoGeography and web 2.0:Concepts, tools and applications.[J].Journal of Location Based Services, 2009, 3 (2) :118-145.
[5]Liu Y, Wang F, Xiao Y, et al.Urban Land Uses and Traffic“Source-sink Areas”:Evidence from GPS-enabled Taxi Data in Shanghai[J].Landscape and Urban Planning, 2012, 106 (1) :73-87.
[6] Hintoge, Salakhutdinovr R.Reducing the Dimensionality of Data with Neural Networks[J].Science, 2006, 313 (5786) :504-507.
[7]黄鼎曦.基于机器学习的人工智能辅助规划前景展望[J].城市发展研究, 2017, 24 (5) :50-55.
[8]A.H.Behzadan, Z.Aziz, C.J.Anumba, V.R.Kamat Ubiquitous location tracking for context-specific information delivery on construction sites[J].Automation in Construction, 2008 (17) :737-748.
[9]Yousef Baalousha, Tahir?elik.An integrated web-based data warehouse and artificial neural networks system for unit price analysis with inflation adjustment[J].Journal of Civil Engineering&Management, 2011, 17 (2) :157-167.
[10]党向盈, 姜代红.神经网络结合遗传算法在建筑优化设计中的应用[J].徐州工程学院学报:自然科学版, 2017, 32 (2) :66-71.
[11]徐冠华.遥感与资源环境信息系统应用与展望[J].环境遥感, 1994 (4) :24l-246.
[12] 李慧, 黄锐东.基于大数据分析的智慧景区管理应用问题研究[J].科教导刊, 2016 (22) :132-133.
[13]沈体雁, 黄宁, 彭长江, 徐海涛.中国景区网络形象指数研究---基于互联网内容分析方法[J].旅游学刊, 2015 (6) :80-90.
[14] 张郴.基于机器学习技术的旅游方式偏好研究---以南京市民为例[D].南京:南京师范大学, 2009 (1) :155-160.
[15]周杰.基于机器学习的旅游推介系统的设计[J].科教文汇, 2013 (12) :92-93.
[16]李瑶, 罗福强, 马磊, 范展源.景区智能导游系统大数据建模与性能优化研究[J].软件导刊, 2016 (4) :115-118.