1.一种基于文化基因算法的旅游路线规划方法，其特征在于，具体步骤包括：步骤1，根据用户历史签到数据和POI类型特征数据获取用户对POI的潜在偏好；步骤2，从OSM上获取路网数据并进行数据预处理；步骤3，获取POI的用户交互信息数据，包括照片数、评论数、等级、评分信息，并添加到相应POI属性表中；步骤4，根据用户潜在偏好数据、预处理后的路网数据和POI的属性表，对路网进行建模，并根据用户查询条件提取能够从起点到达终点的有效边；所述步骤4包括：步骤4.1，路网建模：一个路网被建模为一个图G＝(N,E)，其中N是节点的集合，E∈N×N是有向边的集合；步骤4.2，路径定义：一条路径是由路网中多条边依次连接形成的，一条从源点n 0 到目的地n k 的路径记为R＝(e 0,1 ,e 1,2 ,…,e k-1,k )，其中n 0 、n k 属于集合N，e属于集合E，e 0,1 表示节点n 0 到n 1 的边；步骤4.3，用户查询定义：用户查询定义为三元组，表示为Q＝<n 0 ,n k ,d>，其中，n 0 、n k 分别表示用户定义的起点和终点，d是用户能允许的最大出行距离；步骤4.4，确定有效区域：以用户定义的起点和终点的中点作为圆心，以用户允许的最大出行距离为直径，画圆，圆内区域即为有效区域，有效区域内的边即为有效边；步骤4.5，获取近邻表：有效边上的风景值是根据与边近邻的POI的风景值进行计算的，因此需要设置近邻距离，获取边的近邻表；表的内容包括：边的ID及名称、与边近邻的POI的ID与名称、近邻距离；步骤5，根据用户潜在偏好数据、预处理后的路网数据和POI的属性表，计算有效边的风景值；所述步骤5包括：步骤5.1，建立风景值数学模型，所述风景值数学模型包括POI之间的共访概率函数、POI之间的相似性函数和POI之间的相关度函数，所述共访概率函数公式为：其中，Co_VP(i,j)表示POI i 和POI j 的共访概率，N i,j 表示同时访问过POI i 和POI j 的用户数，N i 表示只访问过POI i ，没有访问过POI j 的用户数；所述POI之间的相似性函数公式为：其中，Sim(i,j)表示POI i 和POI j 特征之间的相似度，T i,d 是POI i 特征向量T i 第d维的分量；所述POI之间的相关度函数公式为：r(i,j)＝Co_VP(i,j)×Sim(i,j) (6)其中，r(i,j)表示POI i 和POI j 之间的相关度，r(i,j)值越大，说明POI i 和POI j 之间的关系越密切，两者组合时风景值损失越少；步骤5.2，计算风景值：风景值的计算包括三部分：POI风景值计算、边的风景值计算、路径的风景值计算，具体如下：所述POI的风景值主要由POI对应的评分、等级、照片数、评论数决定，这些值越大，则POI的风景值就越大，计算方式为：scenic(i)＝(score(i)+level(i)+picture(i)+comCount(i))×(1+w i ) (7)其中，scenic(i)是POI i 的风景值，score(i)，level(i)，picture(i)，comCount(i)分别表示POI i 在携程网上的评分、等级、照片数和评论数；w i 是POI i 的特征向量T i 与用户的偏好向量P(u)之间的余弦相似度，用于刻画用户对POI的喜好情况；所述边上的风景值是由与边近邻的POI的风景值决定的，为了搜索方便，将风景值大于0的边记为风景边，公式为：其中，m是与边e i,i+1 近邻的POI的个数；所述路径的风景值由路径上包含的边的风景值，计算公式为：步骤6，使用文化基因算法对路网中的有效边和风景值进行搜索，为用户规划出一条风景值和用户满意度都较高的风景旅游路线；所述步骤6包括：步骤6.1，染色体编码：首先初始化一条空染色体；其次，从步骤5.2得到的风景边中选择一条距离起始点最近的风景边添加到染色体末尾；再次，更新用户查询条件中的d值，即d＝d-dis(e i,j )，其中dis(e i,j )是边e i,j 的距离；最后循坏执行以上操作，直到d≤0，得到的染色体是由一系列风景边编码的；步骤6.2，染色体解码：对于已编码的染色体，解码的目的是填补两个连续的风景边之间的空隙，即找到被编码染色体在路网上的真实路径，染色体的风景值由风景边的风景值贡献，定义公式(10)作为染色体的适应度函数，将染色体解码成相应的路径，得到真实出行距离；其中f(R)是染色体的适应度值；Sim(e i,i+1 ,e j,j+1 )是边e i,i+1 与边e j,j+1 (j＝0,1,…,k-1且j≠i)的特征相似度，边的特征是由与边近邻的POI的特征决定的；k是路径R上包含的边的个数；步骤6.3，局部搜索，具体如下：步骤6.3.1，变异：随机选择一条染色体的一条风景边，用另一条风景边代替；在选择新的风景边时要保证不违反用户允许的最大出行距离约束；最后，选择一条最优染色体进行解码；步骤6.3.2，交叉：在所有染色体中，采用博弈机制选择两条染色体，并选择一个交叉位，交换两条染色体交叉位后其他基因；步骤6.4，将最终的适应度值最高的路径作为为用户规划的风景旅游路线。
2.如权利要求1所述一种基于文化基因算法的旅游路线规划方法，其特征在于，所述步骤1包括：步骤1.1，从旅游网站上获取用户的历史签到数据，数据内容为txt文本，一行表示一个用户的签到信息，由一到多个POI组成；步骤1.2，从各个旅游网站获取用户签到过的POI的基本信息，数据内容包括旅游景点的名称、地理位置、类型特征、开放时间；步骤1.3，通过标签分类统计的方法对所述步骤1.1和步骤1.2获取的信息进行用户偏好提取，得到用户潜在偏好数据。
3.如权利要求2所述一种基于文化基因算法的旅游路线规划方法，其特征在于，所述步骤1.3包括：步骤1.3.1，根据用户历史签到数据获取用户-POI签到矩阵UC；矩阵中每个元素uc i,j 由公式(1)得到：其中uc i,j 表示用户i在POI j 上的签到次数，i、j为下标变量；步骤1.3.2，根据POI类型特征数据和签到数据获取POI-类型矩阵PT；矩阵中每个元素pt i,j 由公式(2)得到：其中pt i,j 表示POI i 是否具有类型特征T j ；步骤1.3.3，根据用户-POI签到矩阵和POI-类型矩阵获取用户-类型签到矩阵UT；矩阵中每个元素ut i,j 由公式(3)得到：其中ut i,j 表示用户i对类型特征T j 的签到次数，即用户去过具有类型特征T j 的POI的次数；步骤1.3.4，对用户-类型签到矩阵中POI类型特征按用户签到次数降序排序，取签到次数最多的TOP-N个类型为用户偏好，并用独热编码进行编码，得到用户偏好向量，即为用户潜在偏好数据。
4.如权利要求1所述一种基于文化基因算法的旅游路线规划方法，其特征在于，步骤2具体的为：从OSM上下载城市的路网数据，保留所述路网数据中的国道、省道、县道、乡镇村道、大学、公园、POI数据，其他的做清除处理得到预处理之后的城市路网数据。
5.如权利要求1所述一种基于文化基因算法的旅游路线规划方法，其特征在于，所述步骤3的具体步骤为：提取旅游网站中用户对POI的评分、评论数、等级、照片数信息，并标注到对应的POI上，形成POI属性表。
