Detta kapitel i hans avhandling fokuserade på ramen SYSTEM-TH-001 Ett system som är utformat för att optimera förvaltningen av turisttjänster på en resebyrå genom att använda artificiell intelligens och en arkitektur med bioinspirerade agenter. SYSTEM-TH-001 Det innehåller moduler som uppdaterar dagliga kunskapsregister för turistleverantörer och tjänster. Även om det kräver manuell ingrepp, automatiserar systemet och förenklar en administratörs uppgifter.
Ramverket testades på byrån COMPANY-002 Med ett Multiagent System (MAS) baserat på en integrerad och bioinspirerad organisation, med hjälp av konfigurationer som är anpassade till företagets behov. Experiment har genomförts som utvärderade nyckelparametrar och tillfredsställelse av kunder eller resebyråer. De första resultaten visade att kunderna prioriterar attribut som pris och kvalitet på service.
Experimenten jämförde prestandan hos SYSTEM-TH-001 med traditionella metoder och andra algoritmer, utvärdera deras förmåga att förutsäga benägenhet för köp. Bi-stegsmodellen av SYSTEM-TH-001 har visat en bättre balans mellan träning och testning, undvika problem med överlagringar samtidigt som du optimerar rekommendationerna.
I faktiska tester visade systemet en signifikant förbättring av omvandlingshastigheten och minskad vårdtid. Det ökade exakta rekommendationer med fördelar för både kunder och SYSTEM-TH-001 och en effektiv lösning för digital transformation inom turismsektorn.
3.1 Introduktion
Idag är turismen en av de mest lönsamma industrierna i Camilleri. 2018 ). Varje år besöker turistarméer berömda städer och historiska spår eller de har helt enkelt nöjet att träffa nya kulturer med andra former. Det finns också andra turister som helt enkelt söker lugn och avkoppling under sin semester med en fantastisk möjlighet att njuta av landskapet i Tucreacs drömstränder (Turkiska) 2010 ).
Alla dessa mänskliga händelser resulterar i användning av flera transporttyper som flygplan, tåg och bussar. 2018 ). Förutom att generera miljontals bokningar på hotell, lägenheter och andra liknande fastigheter som tillåter dessa turister.
All denna aktivitet bör drivas av resebyrån, med information om destinationer och preferenser av olika turisttyper Moliner et al. 2007 ). Det är därför framväxten av fokuserade system för att ge ett slutanvändarstöd (det är en turist- eller resebyrå) som kommer att underlätta deras bokningsprocessen är helt nödvändig och för närvarande till sitt förfogande.
Även resebyråer bör göra en extra ansträngning för att ge sina potentiella kunder de mest intressanta alternativen för att stänga ner dem. På grund av denna situation är det naturligt att de börjar med blomningen av system som automatiskt kommer att göra rekommendationer om resor och destinationer genom att välja bästa transport som krävs från Zapata et al. 2019 ).
Alla dessa system har sina begränsningar. De viktigaste korthalsarna är svårigheten att upprätta budgetar av resebyråer. Det är en uppgift som kräver stora investeringar i tid och ansträngning, ökade när komplexiteten att dela destinationer ökar under din önskade resa. Ett annat viktigt problem är oförmågan att ge feedback om tjänster som erbjuds för kunderna. Detta problem var avgörande för resebyråer eftersom de behövde veta om de jobb som hade genererats var lämpliga och kunderna har blivit nöjda med dem efter att ha haft sina kontrakterade tjänster. För detta ändamål är rekommendationer som filtrerar inledande kundpreferenser viktiga. De markerar normalt utvecklingen av turismtjänster som erbjuds eftersom de tenderar att locka kundvård från ett tidigt skede.
COVID- 19 Det var ett annat stort problem för turistnäringen på grund av restriktioner för rörelser i syfte att begränsa virusutbyggnaden. Denna åtgärd hade uppenbarligen en allvarlig negativ inverkan på turismen, vilket minskade resor och därmed ledde till höga förluster i Bakar. 2020 ). Men framstegen med vaccinprogram och åtgärder har satts i slutändan på dessa utmaningar.
Kommissionens förslag till direktiv fastställer följande kriterier:
Av dessa skäl är en komplett ram som kan hantera växande efterfrågan avgörande. Det systemet bör kunna lösa de identifierade svagheterna genom att bäst hantera alla problem som har uppstått sedan deras kund intresserar sig för en turisttjänst, vilket ger stöd till hans resebyrå när de väljer olika möjligheter och med lämplig kundåterkoppling efter slutet.
Således presenterar denna avhandling ramewok SYSTEM-TH-001. Det är ett automatiskt system som innehåller flera grafiska assistenter för att ge komplett stöd för resebyråer och turister. Nyheterna är följande:
Det täcker alla nödvändiga processer med processen att sälja turisttjänster, som huvudsakligen fokuserar på kundintressen och potentiella erbjudanden som bäst passar resebyråns policy. Resebyrån och klienten styrs av systemets rekommendationer i varje skede av sin försäljningsprocess.
Det genererar budgetar snabbt i realtid, vilket leder till bättre beslutsfattande både på operativ nivå och som resebyråer med strategisk inriktning.
Han kan lära sig genom sin erfarenhet och hjälper till att prioritera kunder eller potentiella kunder med hög benägenhet att köpa. En modell av benägenhet att köpa ML har inkluderats i systemet för denna uppgift.
Inkluderingen av en MAS och dess intelligenta agenter hanterar bäst kunskapsutbyte med bättre kommunikation. Att MAS har utvecklats efter den bioinspirerade abstraktionen av en antiguer, som hanterar arbetsbelastningar i Moreno et al. 2022 En viktig funktion eftersom de flesta företag kräver interaktioner i realtid för att möta kundernas behov.
Ger stöd till resebyrån genom att hjälpa dem att filtrera bland bästa alternativ beroende på kundens intressen. Systemet kan klassificeras som en rekommendation, vilket förenklar processerna att bedriva på en myndighets resor.
Ett antal experiment har utformats för att visa värde och bästa praxis. Modulen tillägnad kundprioritering har utvärderats därefter.
oberoende så att vi kan kontrollera hans mervärde. Systemet som helhet har lagts på prov och mycket lovande resultat har kommit till denna bedömning.
3.2 Förslag
3.2.1 Automatisk förvaltning av turismen
Automatisk turismhantering är en av de grundläggande uppgifterna inom detta område, på grund av ett stort antal och olika processer för att överväga tillgängliga erbjudanden samt med reseinställningar som har lagts fram av Klers kunder. 2009 ).
Ledningsprocessen bygger på två metoder: klienten och säljaren (till exempel slutlig resurs eller resebyrå). Den första är bäst utvecklad av olika studier och tillgängliga system. Problemet avser implementering av ny teknik och elektronisk turimso (t.ex. erbjudanden eller marknadsföringsinformation om turismtjänster online). Det innebär att en turisttjänstleverantör har direkt kontakt med Hamid et al-klienten 2021 ).
När det gäller tillvägagångssätt som automatiserar olika turismrelaterade processer är de flesta systemrekommendationer från båda.
När det gäller en resebyrå tillvägagångssätt, arbetar de vanligtvis med kunder som inte vet var de ska åka eller vad deras preferenser är. Det är därför system som kan samla in och bearbeta information från kunder kan ge beslutsstöd eller välja den bästa leverantören med en byrå för en viss Hsu et al-klient. 2013 ). Informationen kan innehållas från text Loh et al. 2003 eller genereras genom att skapa Adriana-profiler ( 2018 ).
På kundens tillvägagångssätt finns det många utmaningar att arbeta med. Exempelvis är system som kan utveckla specifika reseinställningar för kunder med särskilda behov verkligen användbara Novikova et al. 2015 ). Det finns också andra mer generalistiska tillvägagångssätt och några exempel på detta har varit de som fokuserar på att välja den bästa vägen som avses i vädertid med trafikförhållanden Suframaniyaswamy et al. 2018 eller de som rekommenderar bästa resor för individer och Herzog et al. 2018 ). De är alla som virtuella designers av Al Fararni och al reseplaner. 2021 ) som vanligtvis baseras på kundernas smak och deras resor har gjorts Garcia et al. 2009 ). För val av destinationer har liknande system ansetts som
Två. De bearbetar utsikten över turister för att hitta sina mest populära destinationer för dem Zheng et al. 2018 ) och de producerar också rankningar av intresse Alrasheed et al. 2020 ). Slutligen har problemet med att erbjuda optimalt boende enligt kundens preferenser beaktats. Dessa preferenser är faktiskt behoven hos kunderna Forouzandeh et al. 2021 och dess ekonomiska kapacitet Ray et al. 2021 ).
ramverket SYSTEM-TH-001 Det är huvudsakligen fokuserat på resebyråns perspektiv, vilket ger specifika element för att interagera med kunder. I det första fallet får en säljare realtidsrekommendationer som överensstämmer med information från kunder om hans eller hennes intressen. Systemet har en riktigt ny komponent för att meddela säljaren om vad kunderna har en ökad tendens att köpa sin turisttjänst. Det underlättar arbetet och ökar byråns fördelar. I det andra fallet kan kunderna introducera sina egenskaper och intressen. Systemet använder dem för att ge läckt information med säljaren.
3.2.2 ramverket SYSTEM-TH-001
Huvudmålet för ramverket SYSTEM-TH-001 Det är att stödja kunder och resebyråer. Systemet omfattar därför båda perspektiven relaterade till ledningen av turismtjänster.
från ett turistperspektiv, SYSTEM-TH-001 ger olika turisttjänster som överensstämmer med preferenser och egenskaper. För användare av resebyråns modellprofil erbjuder detta system bästa service i syfte att kundtillhandahållna preferenser och tidigare prestationsbetyg. också, SYSTEM-TH-001 innehåller en extremt ny funktionalitet för en pyme, detta är förmågan att välja de kunder med mer benägenhet om köp någon gång och som gör det möjligt för resebyråer har sina arbetsplan prioriteringar etablerade samt samtidigt ställa in nödvändiga åtgärder i varje enskilt fall.
Systemet drivs av ett antal informationskällor som ger nödvändig kunskap, till exempel tillgänglighet och pris för flyg eller hotell.
Följande avsnitt förklarar arkitekturen i denna ram SYSTEM-TH-001 överväga olika moduler och fokusera på de processer som täcker deras funktionalitet.
Figur 3.1 arkitektur av ramverket SYSTEM-TH-001.
3.2.3 Allmän arkitektur och moduler
Arkitekturen för ramverket SYSTEM-TH-001 Den består av fem olika moduler: Information gatheer, Tourist service manager och Customer Management. Dessa moduler kompletteras med två kunskapsdatabaser som gör det möjligt för dem att lagra denna information: Leverantörerna vet hur och turisttjänster färdigheter (se Fig. 3.1 ). Dessa moduler kan utföra dessa tre grundläggande processer: sälja turisttjänster, kundfeedback och informationsuppdatering.
Maintenance Manager-modulen fungerar som en central punkt för informationsunderhåll och gemensamma parametrar som används av den andra. SYSTEM-TH-001. Vanligtvis är vissa exempel på informationsunderhåll relaterade till förändringar i turismresurser (t.ex. hotellnamn och nya tjänsteleverantörer eller stängning av evenemang). En kartläggningskapacitet för samma turisttjänst hos olika leverantörer är nödvändig för att underlätta systemproduktionen med en räckvidd och priser. För dem använder du modulen Information Gatherer för att utföra dessa åtgärder (se Fig. 3.2 ).
Informationsgatheer modulen samlar in information från den virtuella marknaden för turism. Marknaden bygger på informationsutbyte mellan leverantörer och konsumenter genom användning av XML- eller JSON-teknik. Den modulen hämtar information om två typer, statisk och dynamisk. Den första är inte ofta modifierad, eftersom namnet och beskrivningen av dessa produkter är relevanta för dem. Den andra ändras flera gånger dagligen. Vanligtvis viss information om denna typ av data är hotelluthyrning eller priser. All denna information lagras i Information Repository Suppliers kunskap. Det är viktigt att ange att en del av denna information inte kan lagras, eftersom de är avtalsenliga med leverantörerna och endast har konsumerats av dem.
Figur 3.2 En vision av underhållshanteraren och informationsgatheer-modulen.
Denna modul på ett passivt sätt.
Kunskapen om förvaringsleverantörer har det huvudsakliga målet att hantera information som förvärvats från leverantörer. Observera att denna information manuellt laddas in i förvaret av en människa. Systemet använder all denna information för att göra rekommendationer på ett automatiserat sätt. Det visuella gränssnittet av SYSTEM-TH-001 ger flera grafiska assistenter som säkert också hjälper användaren att slutföra sina uppgifter,
Tourist service manager modulen är dedikerad till att riskera potentiella kunder möjligheter och generera anpassade erbjudanden för bästa rekommendationer (se Fig. 3.3 ). Dessa rekommendationer baseras på beräkningar som görs för att få bästa turistresurser för en operation, beställd av intresse. Varje typ av turistresurs är grupperad av en kategori. Kategorin transport, flyg och kollektiv (t.ex. tåg eller bussar) samt biluthyrning ingår. I kategorin boende, hotell och liknande platser anses de. Slutligen i kategorin extra, excision och försäkring som de klassificeras eller ingår.
Uttrycket som ger bästa turistresurser för att inrätta en komplett turismtjänst (TS) beskrivs enligt följande:
TS = max k) 1 A) 124 E (E) 12 och 3 ] TS k = X
C ∞ {T, A} θs (=) 3.1 )
där T är transport, till bostäder och E är extra. Kommissionens förslag har lagts fram för att övervaka och utvärdera produktionen av ny teknik. 0 en 1 för att ange relevans. Observera att summan av pesos bör vara 1. S choreC är då det genomsnittliga värdet av R och N-värden.
för att välja en tjänsts turistresurser. S choreC j definieras enligt följande:
S choreC j = wEC u, g · f och e) 3.2 )
där j 1,.). 124 C p845 har kallats sektion 3 i denna förordning men är för närvarande i kraft efter 1 januari januari 2012 med följande information: De värden som betecknas av w är vikterna av delvisa bidrag till enligt definitionen global poäng.
Elementet f C u, j är de föredragna variablerna och uttrycks enligt följande:
N X
f C u, j = 1
gigantiska g
I primerredC j, I (jag) 3.3 )
När du föredrar C j, är jag ett värde ∞ 0, 1 Indikera feedback från kunder på grundval av tidigare erfarenheter. Dessutom är f C eller j det genomsnittliga värdet av kundernas åsikter.
För objekt f T och j beror detta på de berörda kategorierna (N):
f T e, j = wt kvalitet · kvalitetTJ + lt's stopopovers.topotesight JN och WL tid 3.4 )
f A e, j = wa kvalitet · kvalitetA. J.+ WA.location N. 3.5 )
f E e, j = WE kvalitet · kvalitet J + HE tillgänglighet N flexibilitiand JM) tjänster EN servicesA 3.6 )
I varje kategori anses en uppsättning åtgärder med värden vara [[4]. 0, 1 ]. För kategorin Transport: kvalitetsåtgärder transportprestanda, stopp är antal potentiella stopp och tid kommer att mäta hur snart vi kommer till vår destination. I kategorin Boende: kvalitet mäter hur högt boende är, med sin plats uttryckt som i förhållande till ett turistområde och information om deras servicenivå som erbjuds av dem. Slutligen, för kategori Extras: kvalitet mäter en extra och flexibilitet innebär att de har möjlighet att reservera ibland med sina metoder. Tjänster uttryckte hur mycket service som hade tillhandahållits medan priserna som undertecknats av dess kostnader) Det bör noteras att åtgärderna viktas av w pesos med en mängd av tjänster. 1 för varje kategori.
Genom åtgärder för varje kategori försöker systemet ta itu med utmaningar som är nyckeln till en resa:
Hur: genom att definiera kvaliteten eller nivån på en resurs.
QUANDO: genom att betygsätta den tid som krävs för att nå din destination.
Var: genom att betygsätta platsen och dess omgivningar.
VAD: genom att klassificera acceptans av en extra utväg som vad den erbjuder.
Varför: definierar den uppsättning extrafunktioner och säkerhet som erbjuds av en överklagande.
Modulen är ansvarig för att filtrera kunder eftersom de föreslår att slutföra sitt köp. En algoritm som uppskattar benägenheten att köpa debiteras för att fastställa denna klassificering. Den algoritmen använder klassiska poängbehandlingstekniker och två olika ML-metoder i en två-lagers arkitektur för att kategorisera kunder i fem grupper enligt deras boknings sannolikhet. Mer information om denna process kommer att lämnas in senare.
Modulen innehåller tre komponenter: turistservicearrangören, vårt resetjänstfilter och din anpassade återkopplingssamlare. Den första inkluderar en MAS för att distribuera arbetsbelastningen och få beslutsfattande uppgifter som delas. Den andra ansvarar för filtreringsresurser enligt de peticioiner som gjorts av kunder och hans tredje hanterar efterföljande återkoppling.
I förhållande till MAS kan det utföra uppgifter relaterade till ML-metoder med hjälp av en bio- och antiguer-inspirerad struktur som innehåller en gammal drottning också. Agenten härskar över de olika uppgifterna bland sina soldater och bygger upp sitt slutgiltiga resultat. Soldaterna organiserar sina petitioner och använder dem för att lösa problemet. Denna arkitektur av intelligenta agenter är intresserad, eftersom det tillåter att genomföra lastbalanseringsåtgärder. Dessa åtgärder består av att skapa ny och fullständig personal eller myror för att förbättra systemets kapacitet. Ytterligare detaljer om MAS kommer att tillhandahållas i följande avsnitt.
Den Repository Tourist tjänster kunskap lagrar information relaterad till turism service kontrakt för efterföljande samråd och modifiering av resebyråer. Den informationen är föremål för hanteringsbeslut och konfigurationer som gjorts i Tourist service manager modul. Det fungerar som en guide till kompositprocesser eller autogenererande turisttjänster. Den feedback som erhållits från kunder när tjänsten har slutförts beaktas också.
Figur 3.3 Modul vision: Turist service manager, Travel agent chefer och Customer Management.
Kundchefsmodulen har som sin huvudsakliga funktionalitet för att stödja kunderna i att utföra nödvändiga uppgifter för att skapa realtidsturisttjänster. Den modulen kommunicerar med turisttjänster kunskap och leverantörer know-how repositories genom Tourism service manager att genomföra kompositioner av olika element som utgör en turistvård. Den tjänst som skapas lagras för efterföljande kontroll och godkännande av en resebyrå.
Travel agent manager modulen syftar till att fungera som en central intern förvaltningspunkt för verksamheten för att skapa turismtjänster. Det driver också en översyn av kundskapade tjänster genom kundchefsmodulen. Det är direkt kopplat till ett grafiskt gränssnitt, så att du kan få information om dina kunders förfrågningar. Dessa förfrågningar används för att samråda med turisttjänster kunskap och Leverantörer Kunskap genom Tourism service manager modul, vilket får intressant turistvård för användarna. Modulen kan generera turisttjänster från början genom att välja olika alternativ. Observera att huvudskillnaden i denna modul med tidigare ligger i användarens privilegikonfiguration (resenärer har fler privilegier än kunder).
Det visuella gränssnittet ger olika alternativ enligt två perspektiv: resebyråns och hans eller hennes klientens. I det första fallet stöder visualiseringen att skapa resor (t.ex. en komplett uppsättning turisttjänster). Ett antal grafiska assistenter försöker lindra komplexiteten och designen, vilket minskar klientbeslutsfattandet genom en begränsad uppsättning. När kunden godkänner hur mycket resetjänster de skickas till hans eller hennes resebyrå för förvaltning: godkännande och ändring. Ett antal utbyten har hållits mellan kunden och hans eller hennes resebyrå tills en fast bekräftelse av vår kund
Det bekräftas av resebyrån. När tjänsterna har bekräftats och full betalning verifierats, kommer en sändning process av all nödvändig dokumentation för att njuta av dem att köras. Denna dokumentation och dess tillhörande lag görs också tillgängliga för kunden på hans eller hennes privata användarområde för samråd med dem. För det andra perspektivet tillhandahålls en resebyrå och liknande funktioner. Men resebyråer har ett initiativ här och kan generera flera turisttjänster för kunder. Mer information om försäljningsprocesser beskrivs i nästa avsnitt.
3.2.4 algoritm för upptäckt av potentiella kunder
Tourist service manager modulen innehåller en uppskattningsalgoritm för benägenhet att köpa. Det kategoriserar potentiella kunder beroende på deras sannolikhet att stänga en turisttjänstens reserv. Den algoritmen ger högvärdig information till resebyrån och gör det möjligt för Travel Agents att skilja mellan bra eller dåliga kunder (klienter som äntligen har bokat dem). Algoritmen består av tre grundläggande element: variabel omvandling, klustring och klassificering. Det första elementet förbereder ingångar för sannolikhetsuppskattning, utförd av kluster och klassificeringsmetoder. Det andra objektet ger en initial sannolikhet för inköp och den sista förfinar det på något kluster. Algoritmen utgång kategoriserar potentiella kunder enligt fem grupper, i kombination med deras omvandlingsfrekvens (t.ex. andelen kunder som slutligen reserverar en turisttjänst).
Det variabla transformationselementet utförs av en Wight Of Evidence (WoE) Weed-kodare 2005 ). Denna typ av omvandling och dess fördelar har studerats i kreditriskmiljön djupt Anderson. 2007 ); Zdravevski et al. 2011 ). Det hjälper till att arbeta med kategoriska och numeriska data samtidigt, men kan också köras från saknad information med hjälp av en extra teknik. Traditionellt används WoE-kodning för att separera dåligt från bra kunder och det passar perfekt med en uppskattningsalgoritm för köpets benägenhet. Ekvationen av WoE-transformationen är:
WoE = ln% non events
% händelser ( 3.7 )
Där värdet av händelser hänvisar till bra kunder och hur bästa icke-evenemang representerar dåliga.
En av de mest intressanta fördelarna med WIE: s nuvarande tillvägagångssätt är att variabler med alltför många diskreta värden omvandlas till numeriska och kommer att beställas enligt ett monotoniskt förhållande beroende variabel.
Figur 3.4 En bifasisk modell för att uppskatta sannolikheten för en benägenhet och reservera en flygplatstjänst.
tit. WoE ger en numerisk variabel som omgrupperar detta stora antal diskreta värden till en samling och välbefolkade kategorier som uttrycker information för den nya kategorin. En annan stor fördel som kan uppnås med den föreslagna lösningen är att WoE är ett standardiserat värde. Den första tillåter användning av beslutsträd (DT) algoritmer. Observera att i en trädbaserad algoritm kan dess förutsägelsepotential med kategoriska variabler minskas med hjälp av för många Friedman-kategorier. 2017 ). Den andra gör det möjligt att använda distansbaserad algoritm som k-means grupperingsalgoritmen, som kräver variabler med jämförbara värden eftersom den använder Mohamad och Usman eukliid ( 2013 ).
Algoritmen är en bifasisk modell och hur visas i figuren 3.4 först tillämpa gruppering med k-means för att få tre kluster med olika omvandlingsfrekvenser (låg, regelbunden och hög). För att få mer exakta resultat agerar en DT-klassificerare på låga och höga kluster, för att dela dem till lägre men mycket dåliga. Den föreslagna algoritmen ger alltså fem produktionskategorier: mycket låg och hög. Den typen av produktion beräknas med hjälp av den priori sannolikheten från benägenhet att köpa pons et al. 1997 ) och erbjuder ett tolkningsresultat för en resebyrå.
Modellens nyckel ligger i hur variablerna grupperas i två faser. I den första fasen tillämpas WIE-omvandling på en uppsättning variabler som innehåller information om vem som är hans klient och var han kommer ifrån. Några exempel på dessa variabler är: kontaktkanal (webb, e-post eller fysisk närvaro) och kortsiktigt köp om resan relaterar till en viss händelse. Med dessa variabler utvecklas gruppering för att först få tre grupper (lågt och regelbundet) som senare kommer att delas in i de fem kategorierna.
avsedda ändelser. Sedan i den andra fasen tillämpas WIE transponder på en inneboende variabel av sin resa som nummer och plats som kommer att besökas av dem. Observera att WoE-kodning bör tillämpas oberoende på låga och höga sannolikhetsgrupper, även med samma relaterade variabel som dem eftersom målet är att fånga mönster enligt varje oberoende grupp. Slutligen delar två DT: s tillämpade på låga och höga sannolikhetskluster dessa grupper i ytterligare två uppsättningar var och en med fem olika kategorier av buy-offs.
3.2.5 Multiagent Organization (MAS) bio-inspirerad
Smarta agenter är oberoende enheter som har använts av SYSTEM-TH-001 För att hantera ML-metoder. De inrättade samarbetsaktiviteter organiserade genom en MAS-arkitektur.
MAS föreslår består av en myra som involverar agenter som spelar tre olika roller som myror: drottningen, soldaterna och arbetarna (se Fig. 3.5 ). Således är det organiserat efter en social struktur av bioinspirerade myror. Drottningen (det är hanteringsagenten) ansvarar för en antiguer, mottar ansökningar för att analysera. Observera att flera applikationer kan skickas till denna agent. Den realistiska agenten utser sedan aktiviteten att utvärdera element från sin ansökan till en soldatofficer (det vill säga en utvärderare). Den agenten ansvarar för att tilldela information till arbetstagarna. Den senare processinformationen och tillämpa ML-metoder som tillhandahålls av systemet. Observera att det finns en kopia av ML-modellen tillgänglig för varje arbetstagare. När arbetskraftsagenterna har avslutat sitt arbete, går de med dem om det behövs (skydda och övervaka en anställds eller en grupp arbetare) samtidigt som han återvänder sitt resultat till honom.
Denna process bygger på modellen Belief-Desiri-Attempted (BDI) De Silva et al. 2020 ) där varje agent har ett mål eller en uppsättning av dem som måste uppfyllas för att slutföra sin livscykel. För detta ändamål har drottningen ett assignedtakmål och en soldat mål att utvärdera hans information. Alla mål inkluderar vanligtvis associerade uppgifter som är åtgärder som ska uppnås. Smarta agenter har införts med minst en uppgift, vilket gör det möjligt för dem att uppnå sina mål. Dessa uppgifter införs i en miljö som delas av agenter, och detta inkluderar möjligheter för potentiella kunder. Varje intelligent agent har en mental status och dess processor eller chef, samt med en rad trosuppfattningar (motivationer). Drottningen har också ett antal regler och en möjlighetshanteringsplan, samtidigt som soldater har liknande standarder för att sprida kunskap om arbetstagarnas möjligheter. Ingen em-
Figur 3.5 Utdrag från de viktigaste enheterna som är involverade i Mas myror.
brego, arbetare inkluderar ML-modellen i sina mentala tillstånd för att uppnå informationsbedömning och en plan samt med några enkla regler för att organisera dem. Slutligen följer interaktionerna mellan individer den hierarkiska struktur som huvudsakligen består av direkta samtal. Observera att arbetstagare i detta fall inte behöver engagera sig med andra anställda när de tar upp sitt engagemang individuellt under order från soldaten.
Utformningen av betongmodellen har tagits upp genom en agentmetodik. SOFTWARE-TH-001. Resultatsammansättningen har omvandlats för att möta MESA-ramverket. Agentens samtal och interaktioner har implementerats efter standarder ORG-TH-006 ( ORG-TH-006 Melo et al. 2019 ).
3.2.6 Interna systemprocesser
Arbetsramen för SYSTEM-TH-001 presenterar tre huvudprocesser i enlighet med sin arkitektur. Den första processen inkluderar de olika åtgärder som uppnås av både resebyrå och klient tills en faktisk försäljning av en turisttjänst. Den andra processen hänvisar till uppgiften för feedback. Slutligen innehåller den tredje processen åtgärder för att uppdatera information om priser och tjänster.
Figur 3.6 Erbjudande och försäljningsprocesser för en tjänst för tillhandahållande av turismtjänster.
annan information i förekommande fall.
Processen med att sälja en turisttjänst inkluderar en array och de flesta har varit vanliga för både slutanvändare (det är, resebyrå eller klient). Det händer eftersom båda rollerna interagerade flera gånger under processen (se Fig. 3.6 ). Slutanvändarna loggar in i systemet. Om användarna redan är kunder kan de ansöka om en viss turisttjänst och skicka dem till resebyrån. Men om användarna är resebyråer kan de ta initiativet (kunder har varit fysiskt med dem) eller svara på eventuella förfrågningar från kunder tidigare. Sedan analyserar systemet
Figur 3.7 Informationsuppdateringsprocessen baserad på kundfeedback.
kunder att avgöra om de är lämpliga för försäljning eller inte. Om de är lämpliga prioriterar resebyråerna sin efterfrågan. Om kunderna svarade på svaret från resebyråer och en av deras turisttjänster intresserade dem, kommer detta system att slutföra sin procedur för att skicka dokument med transaktionsinformation om turismtjänsten. Men om kunderna inte kunde svara med de turisttjänster som krävs av resebyråer. I detta fall är förfarandena stängda. Dessutom kan kunderna vara missnöjda med erbjudanden från resebyrån och måste generera nya tjänster som uppfyller deras önskemål.
Återkopplingsprocessen följer ett antal steg med kunder som går in i kommentarer om en tidigare köpt och slutförd turisttjänst (se Fig. 3.7 ). Det är en enkel och valfri process som utförs endast av kunder där deras åsikter lagras i systemet. Informationen som de tillhandahåller används för att optimera rekommendationerna i SYSTEM-TH-001.
Informationsuppdateringsprocessen är typiskt underhållsarbete i systemet. Det ändrar huvudsakligen den kunskap som lagras i båda repositorier: Leverantörernas färdigheter och turisttjänster vet hur. Denna uppgift bör utföras dagligen för att hålla ramen uppdaterad SYSTEM-TH-001. Men medan en manuell process ger systemet automatiserade steg för att hantera åtgärder och förenkla arbetet med en administratör. Observera att administratören inte anses vara en slutanvändare av ditt system (se Fig. 3.6 ),
3.3 Experiment
Majoriteten av experimenten, åtminstone de som är mest relevanta för validering som en lösning för prestanda visas i detta avsnitt. SYSTEM-TH-001 3 experiment ingår i faktiska miljöer. COMPANY-002 1 var resebyrån vald att utföra sina experiment. Observera att detta är det första företaget som har satts i produktion när utvecklingsfasen har kommit komplett.
MAS som ingår i systemet erbjuder en grundläggande konfiguration anpassad till hans eller hennes behov. Dessa behov har tidigare testats genom att justera parametrarna innan dessa experiment. MAS består av två myror med fem soldater och tio arbetare.
Det första experimentet täcker konfigurationen av parametrar och systeminställning. Dessutom lämnas ett grundläggande test för att utvärdera nivån av systemtillfredsställelse mellan resebyråer och kunder enligt rekommendationer. Det andra experimentet beskriver prestandan hos potentiell klientdetekteringsalgoritm. En jämförelse med andra metoder för konststatus ingår. Det tredje experimentet utvärderar systemprestanda en gång på plats hos resebyrån. Jämförelser mellan resebyråns förmåner behandlas med och utan ramverket SYSTEM-TH-001. Detta faktum illustrerade relevansen av ett system samtidigt som man hanterar en byrå för resor.
3.3.1 Parameterinställning och inledande system validering
Det första experimentet innehåller en uppsättning steg för att visa hur det föreslagna systemet fungerar. Först ramparametrarna SYSTEM-TH-001 har inrättats för att producera rekommendationer om turisttjänster för kunder och resebyråer. Dessa värden gavs av 3 experter på området för en utvald resebyrå (det vill säga personer med ansvar för sitt företag). Sedan, 10 kunder (medan de behåller sin anonymitet) och 3 Företagets resebyråer (som är några av dess anställda) utvärderade de rekommendationer som erhållits för deras specifika turistönskemål. Slutligen gav dessa aktörer feedback om systemprestanda och deras tillfredsställelse med de resultat som erhållits. Denna tillfredsställelse har mätts av en analytisk visuell skala av tillfredsställelse (MSA) Lynsky et al. 2021 ). AVS inkluderades i ett anonymt dokument. Resultatet av AVS blev en serie från 0 en 1 för att få den resulterande åsikten.
1 [LINK-REDACTED]
Rol Satis VAS Agent A 0,85 Agent B 0,93 Agent C 0,73 Mean ± SD. 0.84 ± 0.10
Bord 3.1 Värde av tillfredsställelse som tillhandahålls av resebyråer.
Rol Satis VAS Kund 1 0,71 Kund Kund 2 0,62 Kund Kund 3 0,89 Kund Kund 4 0,76 Kund Kund 5 0,95 Kund Kund 6 0,58 Kund Kund 7 0,78 Kund Kund 8 0,69 Kund Kund 9 0,92 Kund Kund 10 0,76 betyder ± D.E. 0.77 ± 0.12
Bord 3.2 Värde av tillfredsställelse som tillhandahålls av kunder.
De parametrar som inrättats (se avsnitt) 3.2.3 resebyråns experter beslutade enligt följande värderingar för dem. Genom θT. ÇA och ΔE har värdena satts till 0,3, 0,45 och 0,25 respektive. Det beslutet motiverades av antagandet att kunderna ger större betydelse för boende och plats än andra turisttjänster. Och sedan, wc u och j y.g. 0,4 och 0,6 ge måttlig relevans för kommentarer från tidigare kunder. Vikterna av elementen i varje kategori (transport, boende och extramaterial) fastställs. För transportkategori, wT-kvalitet och Wt-stopp finns på 0,3, 0,1, 0,2 och 0,4 respektive. Beslutet motiverades av antagandet att användarna ofta anser att transportpriserna är mycket viktiga över deras andra egenskap. För boendekategorin har WA-kvalitet och plats satts upp på 0,35, 0,25, 0,15 och 0,25 respektive. Dessa värden återspeglar ett antagande att användarna ofta anser att priset och kvaliteten på deras gisslan, såvida inte platsen eller tjänsterna är mycket viktiga. För kategorin extras, WE kvalitet och WE flexibilitet. 0,45, 0,15, 0,15 och 0,25 respektive. Det beslutet börjar med förutsättningen att användarna lägger större vikt vid priser och kvalitet på extrafunktioner.
När systemparametrar är helt inställda, gör de tre resebyråerna förfrågningar att SYSTEM-TH-001 För att få rekommendationer enligt dina preferenser. Dessa preferenser valdes som heterogena för att validera systemet genom ett brett spektrum av möjligheter.
Kunderna lämnade sedan indikationer på att systemet för närvarande biträddes av resebyråer för att lösa potentiella problem med hur de fungerade. Resebyråer gav också användare med bästa systemfastställda inställningar. Om en kund gick med på en av de turisttjänster som erbjuds, avslutade hans eller hennes system sin motsvarande bokningsprocessen.
Slutligen lämnades ett anonymt dokument med AVS till deltagare. Resultaten visas i tabellen 3.1 och i tabellen 3.2. Den genomsnittliga tillfredsställelsen av resebyråer var 0,84 medan det genomsnittliga antalet kunder var 0,77. I båda fallen erhölls liknande standardavvikelser. Således var systemets totala genomsnittliga tillfredsställelse 0, 80 ± 0, 11.
Sammanfattningsvis kan vi säga att resultatet är ganska acceptabelt ur båda perspektiven (kunder och resebyråer). Dessutom är kunderna mer pressande och krävande än resebyråer för att utvärdera tillfredsställelsen av rekommendationer som görs av deras arbetsram. SYSTEM-TH-001.
3.3.2 Validering av estimationsalgoritmen från benägenhet att köpa.
Det experimentet behandlar prestandan hos en uppskattningsmodell för att föreslå köp (bi-steg). Förslaget jämförs med den mest typiska Sen et al. 2020 ); González et al. 2020 Random Forest (RF och Gradient Boosting, K-Nearest Neighbbour.
COMPANY-002 har tillhandahållit dataset för utveckling av detta experiment. Innehåller 104 med en initial omvandlingshastighet 14 % Det vill säga att andelen kunder som äntligen har köpt sin turisttjänst (det vill säga att data är obalanserade). Varje instans inkluderar en mängd och mångfald med information om kontaktdata. I det här fallet finns mer exakt information om uppgifterna som ett resultat av sekretess. Alla utvalda algoritmer är utbildade med 80 % och testas med 20 % Förblir. Denna division utförs med stratifierad provtagning. Hyperparametrarna av ML-alternativen väljs av 10 -fold.cross.- validering. Utgången för varje algoritm presenteras i fem kategorier som bryr sig om sannolikhetsfördelning
RF GB KNN LR Bi-scen
modell freq. c.rate frq.tit
Tåg
lågt lågt 75.0 0.0 74.2 5.8 0.0 100.0 72.5 11.5 16.6 1.7 lågt lågt 9.9 0.0 10.3 25.2 54.2 0.0 9.0 17.8 17.1 5.1 regelbunden regelbunden 9.9 89.1 10.3 34.5 29.8 20.6 13.2 19.6 44.7 10.9 Hög högt 3.9 100.0 4.1 63.4 11.9 42.2 4.2 26.7 15.8 32.8 Mycket hög 1.2 100.0 1.0 87.3 4.1 100.0 1.1 28.2 5.9 48.0
Testa testtest
lågt lågt 57.5 4.9 73.6 7.0 0.0 - 72.3 6.7 17.0 2.5 lågt lågt 17.1 16.5 10.0 25.0 75.2 7.5 2.0 25.0 17.0 6.7 regelbunden regelbunden 25.2 30.9 9.8 28.8 17.4 26.7 5.8 22.9 46.1 10.2 Hög högt 0.0 - 4.8 41.4 5.3 40.6 7.3 34.1 14.6 34.2 Mycket hög 0.2 100.0 1.8 63.6 2.0 58.3 12.6 35.5 5.4 51.5
Bord 3.3 Utförande av ML-klassificeringsalgoritmer med relativ frekvens (frq.) uttryckt som en procentandel om den totala och konverteringsgraden för varje kategori
från utbildningsuppsättningen. Prestanda mäts när det gäller omvandlingsfrekvens och relativ frekvens för varje klassificeringsgrupp som uttrycks som en procentandel från den totala summan. Den prediktiva kraften utvärderas genom att kontrollera konverteringsgraden i olika grupper och frekvens ger en grupp betydelse. Slutligen utvärderas utbildningens potentiella överlägg och överensstämmer med en testkonsol som utförs.
Resultaten visas i tabellen 3.3. RF har en dålig match mellan träning och testning både vid frekvenser som med omvandlingsfrekvenser. Faktum är att en grupp inte har representation i datamängden för test. KNN har ett liknande beteende vid utbildning och testning med skillnader från 21 %. I denna situation finns det ingen mening med att utvärdera andra prestationsåtgärder. GB har en allmänt bra matchning mellan tränings- och provningsinstanser, med undantag för omvandlingshastigheter för höga eller mycket låga kategorier som har skillnader mer än 20 %. Dessa skillnader innebär, som med RF och KNN) att det inte är meningsfullt att utvärdera de andra bedömningsobjekten. LR har det bästa samtidigt mellan träning och testning, både i frekvens som med omvandlingshastigheter. Fördelningen av data är hög och obalanserad i alla kategorier, där den låga sannolikhetsgruppen innehåller mer än 70 % information. Dessutom har de fem kategorierna inte tillräckligt med avstånd mellan dem i slutet av sin omvandlingsfrekvens. 2 % I vissa fall gör detta skillnad mellan nära grupper svårt. Så småningom har den föreslagna bi-stegsmodellen en utmärkt matchning mellan träning och testning med maximal avvikelse från 3 %. Datadistributionen är den mest balanserade av beprövade modeller, där regelbunden kategori med 45 % data och den mycket höga minst tät med 6 % information för utbildning och 46 % och 5 % för testet respektive. Sannolikhetskategorier som erhållits är definitivt olika med fem sannolikhetsvärden.
Traditionella innovatörer Services n Time c.rate Re.g.
Webbwebbplats
N kuster 20 3.2 15.0 2 20 2.9 25.0 3 Nöarna 20 5.2 10.0 2 20 4.8 15.0 3 Dubai Dubai Dubai 16 10.1 6.3 1 16 9.6 12.5 2 Safaries 12 11.2 16.7 1 12 10.7 16.7 2
Andra
N kuster 8 4.2 37.5 1 8 2.7 50.0 2 Nöarna 8 5.7 25.0 0 8 3.0 37.5 1 Dubai Dubai Dubai 4 12.0 25.0 1 4 8.0 50.0 1 Safaries 4 12.5 25.0 0 4 9.0 25.0 1
Bord 3.4 Abstrakt av de resultat som erhållits för traditionella och innovativa grupper med avseende på varje turisttjänst. N är hur många potentiella kunder har hittats i varje vård eller grupp Tiden är den genomsnittliga (i timmar) som varje resebyrå passerar genom att bearbeta sin turisttjänst tills det accepteras och utesluts. Konverteringsfrekvensen och antalet rekommendationer (Rec.) presenteras
och är giltigt i testdatasetet med minsta avvikelser.
Experimentet som genomförs visar att detta speciella problem behöver en ad hoc-strategi, till exempel bi-stegsmodellen. Lösningen var lämplig för att lösa problemet med benägenhet för köp som tillhandahålls av COMPANY-002. Bi-stegsmodellen klassificeras bäst i olika sannolikhetskategorier med balanserade frekvenser. Det ger också den bästa matchen mellan träning och testning, vilket garanterar en frånvaro av överlagringar. Enligt prestationskrav fungerar den föreslagna metoden bättre som en sista generationens klassificerare för dagens mål.
3.3.3 Utvärdering av fullständig systemeffektivitet
I detta experiment kan vi kontrollera effektiviteten av SYSTEM-TH-001 i en verklig situation. Inställningen av systemet med parameterkonfiguration har bibehållits och de har förblivit i första skedet.
Experimentet börjar med att organisera slumpmässigt och proportionellt till potentiella kunder. 184 i två grupper: Traditionella och innovatörer, för att göra jämförelser mellan dem. De söker alla samma typ av turisttjänster: National Coast, nationella länder och Dubai-Maldives. Även webb och andra kanaler kallas telefonsamtal med familjerekommendationer eller ansiktsvårdsbesök på resebyrån. Det bör noteras att dessa tjänster täcker en rad dedikerade turistvård.
Den traditionella gruppen består av 92 kunder som har vårdats samtidigt som vi upprätthåller det traditionella sättet på vilket vårt företag användes (dvs. utan ramstöd)
SYSTEM-TH-001 ). Å andra sidan har innovatörer bildats av 92 kunder som vårdades för att använda ramen SYSTEM-TH-001 att utföra användarnas förfrågningar och de inställningar som tillhandahålls av en resebyrå. Båda grupperna arbetade med samma resebyrå för att minimera eventuella förändringar i resultaten.
Experimentet anser tre huvudvariabler: den genomsnittliga tiden (i timmar) att varje agent dedikerad till att bearbeta sin turisttjänst som erbjuds med kunder, omvandlingsfrekvens och antal rekommendationer. Dessa resultat presenteras i tabellen 3.4 för båda grupperna.
För den traditionella gruppen visar resultaten att en genomsnittlig tid för att hantera tjänster är lägre på nationella destinationer. Det betyder att kunderna är mer krävande när resmålet inte finns i samma land. Omvandlingsfrekvensen varierar på webbkanalen med lågt värde för Dubai-Maldives service (det vill säga bara några kunder slutför sitt köp) medan Safaris och National Coasts har hög andel. Totalt har rekommendationer gjorts 8 för denna grupp.
För innovatörerna har Dubai-Maldives sin lägsta omvandlingsgrad och National Coasts har sin högsta på webbkanaler. Betydande skillnader har hittats i antalet timmar, och med hänsyn till rekommendationer samt vid en omvandlingsfrekvens mellan traditionella eller innovatörer. Systemet hade varit en godtagbar ökning av konverteringsgraden, en betydande minskning av timmar och fler rekommendationer. Totalt 15 Rekommendationer för innovatörsgruppen. Förändringarna i omvandlingsfrekvensen och antalet timmar dedikerade motiveras av benägenheten att köpa uppskattningsalgoritm. Han tillät att välja bästa kunder för resebyrån, och hans kunder med mindre intresse av att köpa dem har uteslutits. Dessutom kan visuell information som tillhandahålls av systemet och exakta rekommendationer ha varit lättare för kunderna att acceptera sin turisttjänst.
SYSTEM-TH-001 har visat att det fungerar perfekt med de dagliga problemen hos ett reseföretag. Det kan också öka omvandlingsgraden som översätter till förmåner för vårt företag och minska antalet timmar tills kunderna accepterar eller kasserar olika möjligheter till en viss turisttjänst. Detta faktum översätts till mindre stressiga situationer för anställda och mer smidighet i bokningsprocessen.
3.4 Slutsatser
Kapitlet om att hantera turismtjänster genom klientscouting med hjälp av en bioinspirerad agentarkitektur drar slutsatsen att ramverket SYSTEM-TH-001 Den representerar en innovativ och effektiv lösning för digital transformation inom turistsektorn. Systemet kombinerar avancerade artificiella intelligensverktyg och ett bioinspirerat tillvägagångssätt för att optimera samspelet mellan resebyråer med kunder. genom sin modulära arkitektur, SYSTEM-TH-001 underlättar insamling, bearbetning och uppdatering av relevant information genom att förbättra både effektivitet och hur exakta rekommendationer är.
Analysen av experiment som utförs vid COMPANY-002 visat att SYSTEM-TH-001 uppväger traditionella metoder och standardalgoritmer när det gäller omvandlingsfrekvens, kundnöjdhet eller kortare vårdtider. Bi-stegsmodellen, integrerad i ramverket och betonade dess förmåga att förutsäga benägenhet för köp med hög precision som gör det möjligt för agenter att prioritera kundernas bästa potential.
Genomförandet av ett bioinspirerat multiagentsystem ökade flexibiliteten och skalbarheten, vilket säkerställer en effektiv lastbalans med realtidsresponskapacitet. Dessutom, den dubbla inställningen till SYSTEM-TH-001 Det gynnar både agenter och kunder, stärker deras potential som ett viktigt verktyg för att ta itu med dagens utmaningar inom turistsektorn med sin status som innovationsstandard.