(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111586619.1 (22)申请日 2021.12.21 (71)申请人 中南林业科技大 学 地址 410004 湖南省长 沙市韶山 南路498号 (72)发明人 廖秋林　沈守云　彭佳玉　晁梦园　 (74)专利代理 机构 长沙和雅知识产权代理事务 所(普通合伙) 43238 专利代理师 林传贵 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 111/08(2020.01) (54)发明名称 一种风景体验影响因子的贡献率的估算方 法 (57)摘要 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。 权利要求书1页 说明书4页 附图1页 CN 114492162 A 2022.05.13 CN 114492162 A 1.一种风景体验影响因子的贡献率的估算方法， 其特 征在于， 所述方法包括： (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。 2.根据权利要求1所述的方法， 其特征在于， 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。 3.根据权利要求2所述的方法， 其特征在于， 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。 4.根据权利要求1所述的方法， 其特征在于， 所述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)}。 5.根据权利要求1 ‑4任一所述的方法， 其特 征在于， 所述多数投票数法为： 其中， H(x)表示组合的分类模型， hi是单个的决策树模型， Y表示因变量， I( ·)为示性 函数， avmax表示结果的平均值。权　利　要　求　书 1/1 页 2 CN 114492162 A 2一种风景体验影响因 子的贡献率的估算方 法 技术领域 [0001]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 [0002]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  et  al.2012,周芷莙2 016)、 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20 06)。 [0003]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 [0004]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： [0005]一种风景体验影响因子的贡献率的估算方法， 方法包括： [0006](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； [0007](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。 [0008]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。 [0009]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。说　明　书 1/4 页 3 CN 114492162 A 3