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,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*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
|
5天前
|
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
25 2
|
24天前
|
存储 分布式计算 数据可视化
大数据常用技术与工具
【10月更文挑战第16天】
84 4
|
7天前
|
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。
|
7天前
|
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。
|
10天前
|
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】
24 3
|
10天前
|
存储 大数据 OLAP
大数据数据分区技术
【10月更文挑战第26天】
39 2
|
13天前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
45 2
|
15天前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第27天】在大数据时代,数据湖技术凭借其灵活性和成本效益成为企业存储和分析大规模异构数据的首选。Hadoop和Spark作为数据湖技术的核心组件,通过HDFS存储数据和Spark进行高效计算,实现了数据处理的优化。本文探讨了Hadoop与Spark的最佳实践,包括数据存储、处理、安全和可视化等方面,展示了它们在实际应用中的协同效应。
59 2
|
16天前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第26天】本文详细探讨了Hadoop与Spark在大数据处理中的协同作用,通过具体案例展示了两者的最佳实践。Hadoop的HDFS和MapReduce负责数据存储和预处理,确保高可靠性和容错性;Spark则凭借其高性能和丰富的API,进行深度分析和机器学习,实现高效的批处理和实时处理。
56 1
|
1月前
|
存储 数据采集 分布式计算
大数据技术:开启智能时代的新引擎
【10月更文挑战第5天】大数据技术:开启智能时代的新引擎