随着信息时代的高速发展,人们需要更个性化的设备和服务来处理信息时代带来的海量数据。时空数据作为其中的一个重要组成部分,在旅游领域有着广泛的分布。由于旅游平台本身不能全面了解用户所属的群体及其旅行需求,用户需要对上面信息进行筛选判断,挑选出符合自己出行安排或预算的旅行方案。再加上互联网旅游平台繁多,旅行产品数量巨大,导致用户陷入庞大的数据海洋中,从而遭遇信息过载的情况。在此背景下,本文提出了以下的研究目标:充分挖掘用户信息的时空特性,并提出多种算法来解决用户在旅行过程中的景点与路线推荐问题。本文主要分景点推荐与路线推荐两个部分:景点推荐部分利用均值漂移聚类和轨迹分析算法,对用户之间时间和空间维度的相似性进行了评估,为用户进行个性化景点推荐。路线推荐部分构建了基于遗传算法的路线推荐模型,并结合景点的时空特性,提出改进的推荐模型。最后利用现有的用户数据与旅游数据,对算法的性能进行了分析判断,论证了本课题算法的有效性。本文的创新点有以下几点:基于时空数据为用户进行推荐,弥补了传统推荐算法的误差并充分考虑了时间和空间维度的信息;使用均值漂移聚类算法构建了用户核心访问矩阵;提出了基于豪斯多夫距离的用户轨迹相似度计算公式,并结合滑动窗口计算用户轨迹在时间和空间维度的相似性;使用遗传算法作为生成路线的基本算法,设计了结合时间和空间约束的适应度函数,并通过实现自适应的参数调节提高了遗传算法的性能。