简介这份资源是一篇题为《基于机器学习技术的旅游方式偏好研究——以南京市为例》的学术论文PDF面向旅游管理、机器学习等交叉领域的学者和学生可作为研究方法与论文写作的参考范例。资源仅含1个PDF文件压缩包大小474KB全文内容完整。论文首先梳理了旅游方式偏好的定义与分类将旅游方式划分为团队游与自助游两类随后介绍了机器学习技术在该问题中的应用思路重点阐述了C4.5规则归纳算法的两阶段学习机制。研究基于305名南京居民的问卷调查数据通过人口统计特征和个人价值观等变量构建预测模型最终提取出可解释的决策规则分析了南京市居民旅游方式偏好的主要特点。读者可从中学习问卷设计、数据预处理、算法选型、模型解释等完整流程也可借鉴其将机器学习应用于社会科学实证研究的思路。目前已有125人学习浏览适合作为旅游大数据、用户偏好分析等方向的入门参考或参考文献。1. 基于机器学习技术的旅游方式偏好研究以南京市为例到底要解决什么问题《基于机器学习技术的旅游方式偏好研究——以南京市为例》这类题目拿到手第一反应往往是这到底是一篇论文还是一个推荐系统项目答案是两者都是。业务上是回答“来南京的游客到底更认跟团、自由行、半自由行还是定制游”技术上是把这个问题做成一个可解释的机器学习分类与预测任务。传统统计只能告诉你“收入与是否选择自由行显著相关”机器学习却能回答更刁钻的问题一个42岁、带两个老人、第一次来南京、预算充足的游客最可能选哪种出行方式以及排第二、第三的是什么。这篇笔记把这类项目的完整落地路径拆开从问题定义、标签构造、特征工程、模型选型到避坑排查最后落到可解释输出。2. 先定义问题旅游方式偏好是分类、回归还是排序做机器学习项目的第一步不是调包是把业务问题翻译成能用损失函数描述的问题。旅游方式偏好这四个字决定技术路径的是后面两个字偏好。偏好不等于行为一个人在问卷里勾“我喜欢自由行”实际可能因为假期短、带老人最后选了跟团。所以建模前要回答预测的是态度还是行为。我一般按用途分两种情况。目标是学术研究、讲清楚哪些因素与偏好相关就做分类建模把“最常采用的旅游方式”作为标签做多分类目标是给游客做产品推荐就得考虑排序对每个游客输出一个偏好得分列表而不是只给一个类别。两个目标对应完全不同的评估方式前者看F1与混淆矩阵后者看Top-3命中率与NDCG。动手前先问清楚需求能省大量返工。2.1 旅游偏好研究的核心问题分类、回归还是排序最常见的落地路径是把旅游方式偏好定义成单标签多分类。标签就是问卷里那道经典题“您最常采用的旅游方式是”选项通常是跟团游、自由行、半自由行机票酒店自理、目的地跟团、定制游、自驾游。这个做法优点是标签来自问卷回收不需要额外标注复现门槛低缺点是丢信息一个游客可能周末自驾、长假自由行“最常采用”逼他只能选一个。另一种是多标签分类把“过去一年实际采用过哪些旅游方式”作为标签。它能还原多重偏好但标签之间强相关评估时多标签指标在业务汇报里很难讲清楚。我的建议是按项目周期来课程设计、毕业论文或快速验证优先单标签多分类真要做个性化推荐再上多标签或排序模型。还有一种少见但值得提的方案不做分类做回归对每种旅游方式的偏好程度分别打分。好处是能输出“自由行3.2分、跟团2.1分”这种细粒度结果坏处是问卷打分题容易整体偏高模型要额外处理个体打分膨胀而且要维护多个模型成本和复杂度都上去了。三种方案在同一个南京问卷上的取舍用下面这张表表达建模方案标签形式典型用途代价单标签多分类最常采用的方式论文、画像、预案丢掉多重偏好信息多标签分类过去一年用过的方式个性化推荐评估复杂、汇报难懂回归打分对每种方式的偏好分精细化推荐打分膨胀、模型多2.2 标签怎么定义从问卷选项到监督信号定好方案后第一件事不是跑模型而是看标签分布。以南京市为主的游客问卷为例“过去一年最主要的旅游方式”这道题自由行通常占一半以上跟团和定制游各占两成左右自驾看样本来源。如果自由行占60%全猜自由行的模型准确率就已经是60%看着不差实际对跟团和定制游完全没有区分力。先把分布打印出来看是建模前的基本功。标签合并是第二步。有些选项样本量太小比如“邮轮游”一年就几十条直接删掉浪费硬学又学不动。我一般把占比低于5%的类别向语义最近的类别合并半自由行与小包团合并邮轮游向跟团游合并合并后仍然撑不起一个类别的就作为“其他”剔除或交给第4章的不平衡处理兜底。标签是整个监督信号的质量上限这一步值得反复试几次再定稿。还有一个容易被忽略的选项“说不清/未决定”。很多问卷会设这个选项我的处理习惯是保留它作为一个独立类别不是直接删掉。因为它在真实业务里恰恰是推荐最该发力的对象——明确要自由行的人不需要推荐“说不清”的人才是潜在转化人群。如果这个选项占比超过30%问题通常不在建模而在问卷的旅游方式选项和游客心智不匹配优先回头改问卷。2.3 评估方式为什么准确率不是第一指标分类任务的默认指标是准确率但在这个题里准确率是陷阱原因上一节已经讲过类别不平衡。我固定看三件套。第一是宏平均F1它给稀有类别相同权重能反映少数类的真实表现第二是混淆矩阵直接看跟团游客被分去了哪个错误类别比如“跟团被错分为半自由行”可能意味着两条产品线在模型视野里分不开第三是Cohens Kappa它修正了随机猜对的成分论文里写“Kappa0.42中等一致”比写“准确率85%”更稳。如果项目要落到旅游产品推荐我会加算Top-3命中率模型输出的前三个候选里是否包含用户真实采用的旅游方式。这个指标业务方一听就懂而且比F1更贴近实际使用方式——用户本来就不只会选一种出行方式。指标要在建模前定好不要等模型训练完再挑一个最好看的这是机器学习应用流程里最容易造成返工的一步。3. 特征体系与工程化数据源、编码和衍生特征标签定义好之后决定模型上限的是特征。旅游偏好这个题目特征来源通常有三个问卷的字段化答案年龄、收入、同行人数、游客在平台上的行为日志浏览过的景点、收藏过的线路、目的地本身的属性数据。以南京市为例的区域研究第三个来源尤其重要同样是“想来南京”想看博物馆的人和想看夜游的人偏好的旅游方式大概率不同。3.1 数据源与字段设计问卷为主、行为数据为辅论文和课程设计项目绝大多数情况只有问卷数据这不算硬伤但要把问卷字段当特征工程来做而不是当统计表来做。我一般在拿到问卷后按四组整理。第一组是人口属性性别、年龄、学历、常住城市等级、年收入。常住城市等级是比省份更强的特征一线城市游客对自由行的接受度通常显著更高但它不能直接做整数编码要换成城市分级。第二组是出行特征同行结构独自、情侣、家庭带娃、陪伴老人、朋友结伴、出行天数、人均预算、出游季节偏好。这组和标签的关系最直接家庭带娃和陪伴老人的偏好曲线几乎是镜像的。第三组是信息渠道从哪知道南京的OTA、短视频、朋友推荐或旅行社门店。这组能部分反映决策习惯短视频渠道人群通常更吃网红化半自由行产品。第四组是目的地兴趣对博物馆、历史街区、自然风光、演艺演出是否感兴趣。做以南京市为例的项目这组字段是体现区域特色的核心。行为日志数据如果有优先级反而要高过人口属性。浏览过定制游详情页、搜索过“南京三日游攻略”这接近真实意图问卷里的“我喜欢自由行”只是态度。但行为数据有两个麻烦一是时间窗口游客可能浏览十次半自由行再下单自由行窗口截错了标签就学错二是冷启动用户没有行为记录2.2节说的“说不清”人群很容易同时是无行为人群。3.2 特征编码的实操清单下面是一张我从南京游客问卷里整理出的常见字段表类型和处理方式都标注清楚特征名含义类型取值示例处理方式age年龄连续36取对数后标准化city_tier常居城市等级有序一线/二线/其他顺序编码0/1/2companion同行结构类别家庭带娃/陪伴老人/朋友独热或目标编码budget_per_person人均预算连续2500元取对数后标准化info_source信息渠道类别OTA/短视频/门店独热编码poi_interest兴趣标签多值类别博物馆/夜游多值拆列travel_days出行天数连续4标准化具体编码有几个讲究。年龄和预算都有长尾分布先取对数再标准化比直接标准化稳得多。城市等级是有序变量用0/1/2顺序编码而不是独热因为一线到二线本身有递进关系。兴趣标签是多选题不要拆成多列后全部独热我一般只保留出现率超过10%的标签其余归为低频兴趣否则特征维度直接爆炸。拆列的代码很简单# 把分号分隔的多选兴趣字段拆成 0/1 矩阵 from sklearn.preprocessing import MultiLabelBinarizer df[poi_list] df[poi_interest].str.split(;) mlb MultiLabelBinarizer() poi_mat mlb.fit_transform(df[poi_list]) poi_df pd.DataFrame(poi_mat, columnsmlb.classes_) # 保留出现率超过 10% 的兴趣列低频合并成一列 freq_cols poi_df.columns[poi_df.mean() 0.1] low_freq_cols poi_df.columns[poi_df.mean() 0.1] poi_df[低频兴趣] poi_df[low_freq_cols].max(axis1) poi_df poi_df[list(freq_cols) [低频兴趣]]代码先把一个包含多个兴趣标签的字段拆成稀疏矩阵然后算每列的出现率。出现率阈值10%是为了防止极低频标签变成噪声列低频兴趣归并列用按行取最大值表示这个人是否至少勾了一个低频标签。这套处理的目的是把“有多少个兴趣、是哪些兴趣”变成稳定特征而不是让100个不相关标签都进模型。3.3 三个值得手动做的衍生特征特征工程的高性价比部分在衍生交叉。我在这类项目里一定会做下面三个。第一个是同行结构乘人均预算交叉。带娃家庭预算弹性最大情侣对人均预算的敏感度反而低于预期这两个变量单独建模看不出交互做成交叉特征后效果一目了然。具体做法是把同行结构做标签编码与对数化预算相乘得到一个连续特征。第二个是信息渠道乘年龄。短视频渠道的特征随年龄衰减极快OTA渠道则平缓。这个交互能识别出年龄大但爱看短视频的高知游客他们可能是定制游的高潜人群。这类信息在数据里存在但单特征学不到。第三个是目的地兴趣组合。同时勾了博物馆和历史街区的游客与同时勾了夜游和网红餐饮的游客预测的旅游方式可能完全相反。把兴趣标签做成两两组合的计数值能释放这部分信息论文项目用计数组合就够别把嵌入方案搞得太重。特征工程做完一定要做一次反向验证随机抽200条样本把特征摊开人工看一遍。这步虽然土但能发现大量编码错误比如把没收入的学生填的0当异常值删掉或者把“其他”选项做成一个特征维度结果模型学到的全是选了其他的人更爱跟团这种抽样噪声。4. 模型选型与训练从机器学习应用流程里的基线到类别不平衡处理特征就位进入建模。一个机器学习项目最忌讳一上来就上XGBoost和深度学习旅游方式偏好这个题目的样本量通常在几百到几千树模型和线性模型比深度网络靠谱得多而且项目要出可解释结论深度网络在论文里很难自圆其说。我的建模顺序很固定先跑逻辑回归对齐预期再上随机森林或梯度提升提效果最后根据类别分布决定要不要做重采样。4.1 基线模型用逻辑回归先对齐预期逻辑回归在这个业务里不是最终模型它是一把校准尺。跑完它能回答三个问题数据里是否真的有信号、特征量纲和编码是否有问题、业务直觉是否和数据吻合。比如逻辑回归跑完如果家庭带娃这个特征在自由行类别上的系数显著为负说明相比其他方式带娃家庭确实更少倾向自由行这和常识一致流程基本没跑偏如果这个系数方向反了先查特征编码再查数据集往往能找到脏数据。import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, f1_score, cohen_kappa_score # 连续特征已做过取对数离散特征走独热 num_cols [age_log, income_log, travel_days, group_size, budget_log, poi_interest_cnt] cat_cols [gender, city_tier, companion, info_source, season_pref, is_nanjing_repeat] X df[num_cols cat_cols] y df[travel_mode] # 0跟团 1自由行 2半自由行 3定制游 preprocessor ColumnTransformer( transformers[ (num, StandardScaler(), num_cols), (cat, OneHotEncoder(handle_unknownignore, max_categories20), cat_cols) ]) X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, stratifyy, random_state42) X_train_pre preprocessor.fit_transform(X_train) X_test_pre preprocessor.transform(X_test) lr LogisticRegression(max_iter1000, class_weightbalanced) lr.fit(X_train_pre, y_train) y_pred lr.predict(X_test_pre) print(classification_report(y_test, y_pred)) print(macro F1:, f1_score(y_test, y_pred, averagemacro)) print(Kappa:, cohen_kappa_score(y_test, y_pred))代码里三个参数值得单独说明。class_weightbalanced是在样本不平衡时让少数类获得更高的错分代价在旅游方式偏好里几乎必开。train_test_split里的stratifyy保证训练集和验证集里各类别比例一致不开它跟团游这个少数类可能被随机切走大半。OneHotEncoder里的max_categories20是防止常居城市这类高基数类别把特征矩阵撑得太宽。逻辑回归如果报未收敛警告把max_iter提到1000以上再跑。4.2 提升模型随机森林与梯度提升的取舍逻辑回归跑通后看宏平均F1我一般在0.35到0.55之间这是正常区间。旅游方式偏好本身有噪声同一个游客今天答和明天答都可能不同别指望0.9。接下来试树模型。随机森林的优点是不用做太多特征变换、对离散特征和缺失值宽容、训练快梯度提升的优势是对非线性交互拟合更细但调参维度更多、小样本下更容易过拟合。我的取舍原则样本量少于2000用随机森林多于5000用LightGBM中间两者都跑选验证集宏平均F1高且和逻辑回归差距不过大的那个。from imblearn.over_sampling import SMOTE from sklearn.ensemble import RandomForestClassifier # 承接上一段preprocessor 已在训练集上 fit测试集从未参与 # 直接复用上一段的 X_train_pre 与 X_test_pre避免二次 fit sm SMOTE(random_state42, k_neighbors5) X_res, y_res sm.fit_resample(X_train_pre, y_train) # 控制深度和叶子大小防止小样本过拟合 rf RandomForestClassifier( n_estimators300, max_depth8, min_samples_leaf20, class_weightbalanced_subsample, random_state42, n_jobs-1 ) rf.fit(X_res, y_res) y_pred_rf rf.predict(X_test_pre) print(classification_report(y_test, y_pred_rf)) print(macro F1:, f1_score(y_test, y_pred_rf, averagemacro))这版代码有两个关键边界。第一SMOTE只在训练集上做测试集保持真实分布如果把所有数据一起重采样再切分验证集里会出现合成样本评估结果虚高这是第5章会展开的数据泄漏的一种。第二随机森林的max_depth限制在8、min_samples_leaf设20配合class_weightbalanced_subsample是小样本防止过拟合的经典组合如果换LightGBM对应参数是max_depth和min_child_samples作用类似。提示树模型不需要特征标准化逻辑回归需要。前面用ColumnTransformer把两类特征分开处理就是为了一次预处理同时喂给两类模型。4.3 类别不平衡与SMOTE的边界类别不平衡是这个题目的常态。上一节的SMOTE是过采样手段但它有两个副作用合成样本可能不符合业务逻辑比如把带娃家庭的近邻插值生成一个独自带三娃的样本以及训练时间变长。如果不想做SMOTE另一个方案是直接调高少数类权重逻辑回归的class_weight、随机森林的balanced_subsample都在做这件事。我的习惯是都试比较验证集宏平均F1谁高用谁但决策时一定同时看混淆矩阵因为有些重采样方案把跟团游的F1从0.2拉到0.6代价是自由行从0.8掉到0.6。这种拆东墙补西墙要看业务上哪个类别更重要。还要注意一种情况如果某个少数类样本量少于50条SMOTE强造样本会让模型学到的规律更不稳此时宁可用降权加简单模型也别硬造数据。类别少到一定程度模型的泛化能力天花板不在算法在标签的真实样本量。如果项目不是发论文而是业务落地模型输出不要只有类别还要有概率。同样判成自由行概率0.53和0.91的置信度完全不同。把模型改成predict_proba输出Top-3是后续做推荐列表和人工复核的基础。这一步在代码里只是一行在产品里是两种体验。最后是验证方式。小数据集上单次切分的指标波动很大同一份数据换个随机种子宏平均F1能差0.05以上。我一般用5折交叉验证取五折宏平均F1的均值和标准差标准差超过0.03就说明模型不稳定优先回头修数据而不是继续调参。5. 旅游偏好建模常见问题排查五个高频翻车点这类项目翻车往往不在模型而在数据定义和验证过程。下面五条是我自己做下来见过最多的问题每条按现象、原因、解决展开可以直接当排查清单用。5.1 数据泄漏问卷里的送分题现象模型在验证集上宏平均F1高达0.85比逻辑回归的合理区间高出一大截特征重要性前几名全是某个偏好相关字段。原因问卷里有一道题例如“您倾向于选择哪种旅游方式”它在问卷里的物理位置距离标签题很近本质上已经包含了答案或者行为日志里用了游客最终下单的线路类型去构造特征等于用未来预测现在。还有一种隐蔽泄漏我常踩做数据清洗时用全样本均值填充缺失值验证集的信息在训练前就混进去了。解决把问卷里所有和方式选择直接同义的题目从特征里移除只保留前置因素人口、同行、预算、信息渠道、兴趣。行为日志按时间窗口切分只允许用访问发生在标签记录之前的特征。缺失值填充必须在train_test_split之后在训练集上fit、在测试集上transform。5.2 样本偏差南京样本不代表全量游客现象模型对45岁以上游客的预测准确率明显低于年轻人但总体准确率看起来没问题。原因问卷回收渠道偏线上样本里20到35岁占七成45岁以上样本少模型学不到这个群体的规律。以南京市为例的区域研究尤其要注意暑期到南京的亲子游客和春季商务客人构成完全不同单次采集的数据只代表采集时段和渠道。解决第一分层抽样按年龄组、出游时段保持和业务目标人群一致的比例样本不足的组宁可在建模时用小权重也不硬凑第二模型评估按人群分组报告每组单独算宏平均F1第三如果要做时段外推明确标注模型适用范围别把五一期间南京游客的结论写成南京游客。5.3 类别不平衡高准确率是假象现象分类报告里整体准确率0.78但看细分跟团游的召回率只有0.12几乎所有跟团游客都被分成了自由行。原因训练集里自由行占60%以上模型发现全猜自由行就能拿到高准确率少数类几乎没有梯度信号。这是旅游方式偏好数据里最普遍的问题不是bug是监督信号的天然分布。解决用宏平均F1替代准确率作为主指标必要时加SMOTE或class_weight重加权把类别分布写进报告准确率相同、分布不同结论完全不同。还有一条容易被忽略的预测时不要把概率阈值固定在0.5按验证集P-R曲线找各类别的平衡点对少数类可以主动下调判定阈值。注意调阈值只能看验证集不要用测试集来调否则又变成一种数据泄漏。5.4 特征相关性伪装成因果偏好现象特征重要性排名里年收入排第一报告写了一句高收入人群更偏好自由行业务方质疑他们的高净值客户明明更爱定制游。原因模型看到的是相关性不是因果。高收入群体同时也是高学历、一线城市、更早接触在线旅游的一批人年收入只是这批人行为的代理变量。还有一种更隐蔽的样本采集渠道本身就偏向某一收入层导致该特征和标签的关系是采样机制造成的不是真实世界的偏好。解决第一不要对单个特征的系数下因果结论用SHAP看交互可能发现高收入在一线城市里倾向自由行在二线城市里倾向定制游第二报告里写“与自由行偏好相关的特征中年收入贡献度最高”不写“高收入更偏好自由行”第三在结论部分把预测和归因分开陈述。5.5 分布漂移换了个季节模型就不灵了现象上半年训练的模型在暑期数据上整体指标掉了0.1主要错在带娃家庭这一类。原因游客构成随时间变化。4月南京的游客以商务和老年团为主暑假以亲子家庭为主同行结构、预算、偏好的联合分布整个变了。模型没有适应这种时间变化训练时也没见过暑期模式。解决没有一劳永逸的办法我一般做两件事。一是给模型加采集季节这一特征让树模型有机会学出季节条件分支二是建立监控每次新数据进来后和训练集的PSI对比PSI超过0.25就触发重训。如果项目周期短至少要在论文里标注数据采集月份别让模型背季节不对的锅。6. 让结论被采纳可解释输出与验证习惯模型准确率再高旅游偏好研究最终要面对的是“凭什么这样说”的问题。我会在交付时固定附上两张图。6.1 SHAP摘要图把谁偏好什么说清楚用SHAP对随机森林或梯度提升模型做解释能得到两类输出全局的特征贡献排序和单样本的预测分解。全局图回答哪些因素对旅游方式偏好影响最大单样本图回答这个35岁带娃的杭州妈妈为什么被预测为半自由行。在论文里SHAP摘要图比一张特征重要性柱状图更有说服力因为它画出了特征高值低值分别把预测推向哪个方向。以南京数据为例同行结构为家庭带娃的高贡献和人均预算高贡献常常同时出现在半自由行的预测里单看其中一个都会得出偏颇结论。6.2 把预测输出成Top-3偏好候选业务交付时我一般不输出单一预测类别而是用predict_proba排序后输出Top-3。比如输出“最可能半自由行0.52次选自由行0.28再选跟团小包0.12”。原因是旅游产品推荐天然允许给用户多个候选把硬分类变成柔性列表既保留置信度信息也给人工作业留了介入空间。这个习惯反过来也约束建模如果模型只有predict没有predict_proba或者输出概率在多个样本间几乎没有区分度说明模型欠拟合需要回去看特征。我现在做这类偏好项目交付固定三件套混淆矩阵、SHAP摘要图、按人群分层的指标表。少了任何一件评审会上的提问都能把这套方案问穿混淆矩阵看模型在哪类上错SHAP看结论能不能讲成业务故事分层表看结论经不经得起换个群体还成立吗的追问。做了几个旅游偏好模型之后我最大的教训是别花太多时间在准确率那零点几个百分点上真正值钱的是让每个结论都能找到数据里可追溯的痕迹。希望帮到你。本文还有配套的精品资源点击获取