技术派的梦想旅行 用大数据推动旅游2.0

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介: 本文讲的是技术派的梦想旅行 用大数据推动旅游2.0【IT168 资讯】旅游与每个人的生活息息相关,旅游产业也亟需一种脱胎换骨的方式提升效益。在近日第15届中国互联网大会“互联网+民航”专场上,梦想旅行CEO郭宁表示,大数据将改变传统旅游行业的DNA,加速推动智慧旅游时代的到来。

本文讲的是技术派的梦想旅行 用大数据推动旅游2.0【IT168 资讯】旅游与每个人的生活息息相关,旅游产业也亟需一种脱胎换骨的方式提升效益。在近日第15届中国互联网大会“互联网+民航”专场上,梦想旅行CEO郭宁表示,大数据将改变传统旅游行业的DNA,加速推动智慧旅游时代的到来。

  大数据打破旅游信息不对称

  让“剁手”成为大势的淘宝,打破了消费者与商户间的信息不对称;将共享经济发挥得淋漓尽致的滴滴,打破了出行用户与司机间的信息不对称;盘活民间资金的互联网金融,打破了大众与金融机构间信息不对称……而接下来,新一轮变革轮到信息不对称行业中最后一片——旅游行业。

  在郭宁看来,大数据将打破传统旅游信息不对称的难题,重塑旅游产业新模式。从用户角度出发,他认为目前大数据主要应用在两个领域,一是旅行出发前信息整合,二是旅行中的信息获取。

  旅行前查攻略、看游记,基本成为人们自助旅游出行前的固定动作。来自旅游论坛、网站、社交网络的信息铺天盖地。“对于每一个旅行者而言,旅行信息不是过少而是太多,信息碎片化、分散化,太多的非结构化数据不能得到整合,所以出行用户在出发前要一一查看大量攻略才能准备充分。”目前业界大部分的行前服务提供商去哪儿、穷游等都逐步加深对大数据的应用,以帮助用户整合信息。

  另一方面在旅行过程中,由于用户动态地理位置的变化,离不开基于LBS的产品服务,如大众点评对美食信息的整合。同时出行时间的不同意味着不同的旅行路线,如冬日与夏季的北海道,白天与夜晚的香港;个人偏好的不同,如独自背包客与亲子游选择的是不同的玩法。所以用户在出行中随地理位置、时间维度、适合人群动态变化的诉求,也只有借助大数据才能很好化解。

  旅游科技最前端:知识图谱

  用户旅游行中服务诉求是大数据迫切需要解决的难点,然而由于行中服务对精准度、个性化实现要求甚高,专注于提供旅游科技服务的企业甚少,市场仍存在大量空白。

  “POI(兴趣点)是决定精准度的一个关键指标。”郭宁表示,当POI数据较少时,旅行信息只能覆盖最基本的大众景点,即用户在相对冷门的景区查询不到最新的旅行信息。例如出国后百度地图的使用体验与Google地图就相比相差甚远。所以目前一些专业的技术公司如梦想旅行等开始涌现出来,对全网POI进行实时整合并校验,从而得到对信息的更多洞察。“我们从不同纬度去衡量POI信息,精准到每一条街道,用户在每一个景点周围1公里内都能轻松找到美食、购物、交通信息。”

  与此同时,旅游是典型的体验式经济,大数据对旅游行业的改革包括个性化的满足。传统旅游服务商通过标签化技术来实现,但实际上时间、人均消费等并不是简单的标记,用户的消费习惯与爱好很难通过标签呈现。

  “如果说大数据实现了信息的整合与挖掘,那么知识图谱则真正实现了信息的‘洞见’。”在郭宁看来,只有建立在知识图谱上的旅游行业,才能充分满足用户个性化推荐等需求。

  知识图谱是一张蕴含丰富POI信息并可实现自动化管理的系统。建立在NLP自然语言处理、主题模型分析上的知识图谱,在充分理解数十亿篇游记、餐厅美食评价、交通路线、景点简介的信息之后,打造了如同旅游界的维基百科,能轻易分析出“奥巴马去过的美食餐厅”,也能回答出动漫迷的二次元景点推荐。

  人工智能语音助手,将智慧旅游推向现实

  “如果将过去照本宣科、参照攻略进行出行视为旅游1.0版本,那么2.0版本的智慧旅游将基于LBS,提供具有时效性、个性化的服务。”郭宁表示,在知识图谱+贝叶斯网络算法等技术的相互配合下,一站式的自动行程规划将带来全新的旅行模式与体验。

  用户不需要在出现前阅读大量的游记,可以根据自己的目的地、旅行时间、游玩偏好,一键点击“生成行程”便轻松制作出包含景点介绍、游玩时间、热门推荐、来往交通路线以及特色美食的行程规划。让用户真正实现一边旅行,一边决策。

  自动行程规划才仅仅是开始。郭宁透露,梦想旅行正在联合国内高校,打造人工智能语音助手,“如同苹果Siri一样,它可以理解用户问题并进行有效回答。但梦想旅行语音助手比Siri更聪明,不是简单的一问一答,它能理解上下文语境,真正去完成连续性对话。”例如用户对语音助手询问最近的寿司餐厅是什么时,人户只要问“怎么去”而不是“如何去最近寿司餐厅X”。

  “大数据与人工智能的出现,将推动传统旅游向智慧旅游演进。未来,诸如梦想旅行等旅游科技公司将帮助用户化解信息困扰,真正实现便捷、简单、个性化的自由行。”郭宁说。

原文发布时间为:2016-06-29 

本文作者:刘策

本文来自云栖社区合作伙伴IT168,了解相关信息可以关注IT168

原文标题:技术派的梦想旅行 用大数据推动旅游2.0

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
1月前
|
存储 机器学习/深度学习 SQL
大数据处理与分析技术
大数据处理与分析技术
104 2
|
1月前
|
存储 分布式计算 NoSQL
【赵渝强老师】大数据技术的理论基础
本文介绍了大数据平台的核心思想,包括Google的三篇重要论文:Google文件系统(GFS)、MapReduce分布式计算模型和BigTable大表。这些论文奠定了大数据生态圈的技术基础,进而发展出了Hadoop、Spark和Flink等生态系统。文章详细解释了GFS的架构、MapReduce的计算过程以及BigTable的思想和HBase的实现。
|
4天前
|
分布式计算 大数据 数据处理
技术评测:MaxCompute MaxFrame——阿里云自研分布式计算框架的Python编程接口
随着大数据和人工智能技术的发展,数据处理的需求日益增长。阿里云推出的MaxCompute MaxFrame(简称“MaxFrame”)是一个专为Python开发者设计的分布式计算框架,它不仅支持Python编程接口,还能直接利用MaxCompute的云原生大数据计算资源和服务。本文将通过一系列最佳实践测评,探讨MaxFrame在分布式Pandas处理以及大语言模型数据处理场景中的表现,并分析其在实际工作中的应用潜力。
24 2
|
18天前
|
SQL 运维 大数据
轻量级的大数据处理技术
现代大数据应用架构中,数据中心作为核心,连接数据源与应用,承担着数据处理与服务的重要角色。然而,随着数据量的激增,数据中心面临运维复杂、体系封闭及应用间耦合性高等挑战。为缓解这些问题,一种轻量级的解决方案——esProc SPL应运而生。esProc SPL通过集成性、开放性、高性能、数据路由和敏捷性等特性,有效解决了现有架构的不足,实现了灵活高效的数据处理,特别适用于应用端的前置计算,降低了整体成本和复杂度。
|
26天前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
63 4
|
1月前
|
机器学习/深度学习 存储 大数据
云计算与大数据技术的融合应用
云计算与大数据技术的融合应用
|
1月前
|
SQL 存储 大数据
单机顶集群的大数据技术来了
大数据时代,分布式数仓如MPP成为热门技术,但其高昂的成本让人望而却步。对于多数任务,数据量并未达到PB级,单体数据库即可胜任。然而,由于SQL语法的局限性和计算任务的复杂性,分布式解决方案显得更为必要。esProc SPL作为一种开源轻量级计算引擎,通过高效的算法和存储机制,实现了单机性能超越集群的效果,为低成本、高效能的数据处理提供了新选择。
|
1月前
|
SQL 存储 算法
比 SQL 快出数量级的大数据计算技术
SQL 是大数据计算中最常用的工具,但在实际应用中,SQL 经常跑得很慢,浪费大量硬件资源。例如,某银行的反洗钱计算在 11 节点的 Vertica 集群上跑了 1.5 小时,而用 SPL 重写后,单机只需 26 秒。类似地,电商漏斗运算和时空碰撞任务在使用 SPL 后,性能也大幅提升。这是因为 SQL 无法写出低复杂度的算法,而 SPL 提供了更强大的数据类型和基础运算,能够实现高效计算。
|
1月前
|
存储 大数据 定位技术
大数据 数据索引技术
【10月更文挑战第26天】
58 3
|
1月前
|
存储 大数据 OLAP
大数据数据分区技术
【10月更文挑战第26天】
68 2