XÂY DỰNG NỀN TẢNG KHÁM PHÁ DI SẢN VĂN HÓA VIỆT NAM TÍCH HỢP AI - PHÂN HỆ LẬP LỊCH TRÌNH VÀ CÁ NHÂN HÓA HÀNH TRÌNH

Abstract

Bối cảnh: Việt Nam có hệ thống di sản văn hóa phong phú, phân bố tại nhiều địa phương với đặc điểm tham quan khác nhau. Việc tự tìm kiếm thông tin, lựa chọn điểm đến và sắp xếp lịch trình thường mất nhiều thời gian, nhất là khi phải cân nhắc sở thích, ngân sách, lịch hoạt động, thời tiết và quãng đường di chuyển. Vì vậy, đề tài hướng đến hỗ trợ người dùng khám phá di sản theo hướng thuận tiện và cá nhân hóa hơn. Mục tiêu: Đề tài “Xây dựng nền tảng khám phá di sản văn hóa Việt Nam tích hợp AI – Phân hệ lập lịch trình và cá nhân hóa hành trình” xây dựng phân hệ web hỗ trợ khám phá di sản, tạo và quản lý lịch trình, đồng thời đề xuất hành trình phù hợp với nhu cầu cá nhân. Phương pháp: Cơ chế cá nhân hóa biểu diễn đặc trưng di sản, sở thích chuyến đi và hành vi người dùng trên cùng không gian đặc trưng, kết hợp mức phù hợp ngân sách để xác định điểm phù hợp của từng di sản. Dữ liệu Open-Meteo được dùng để điều chỉnh mức ưu tiên theo ngày và áp dụng ràng buộc cho địa điểm. Google ORTools CP-SAT lựa chọn và phân bổ địa điểm vào từng ngày dưới các ràng buộc của chuyến đi. Sau đó, Greedy kết hợp thời gian di chuyển từ VietMap Matrix để xác định thứ tự tham quan, VietMap Route và VietMap GL hỗ trợ tuyến đường và bản đồ. Gemini API hỗ trợ giải thích kết quả và tiếp nhận yêu cầu điều chỉnh lịch trình bằng ngôn ngữ tự nhiên, không trực tiếp quyết định việc lựa chọn hay sắp xếp địa điểm. Hệ thống sử dụng Next.js, NestJS, PostgreSQL, Python và FastAPI. Kết quả: Phân hệ hỗ trợ tìm kiếm di sản trên bản đồ, quản lý di sản yêu thích và đã tham quan, tạo lịch trình thủ công và đề xuất nhiều ngày, lưu và quản lý lịch trình, hiển thị tuyến đường và thời tiết, chia sẻ lịch trình và trải nghiệm trong cộng đồng, đồng thời tương tác qua chatbot. Các chức năng chính và cơ chế cá nhân hóa được kiểm thử theo các kịch bản của hệ thống. Kết luận: Phân hệ giúp giảm thao tác chuẩn bị chuyến đi và hỗ trợ xây dựng hành trình phù hợp hơn với sở thích và điều kiện thực tế. Hạn chế hiện tại là cơ chế cá nhân hóa chủ yếu dựa trên quy tắc và dữ liệu hiện có, hệ thống chưa tự động tái tối ưu lịch trình đã lưu khi điều kiện bên ngoài thay đổi. Hướng phát triển gồm khai thác thêm dữ liệu hành vi, cải tiến trọng số cá nhân hóa và nâng cao khả năng điều chỉnh lịch trình thích ứng. Background: Vietnam has a rich system of cultural heritage sites distributed across many regions, each with different visiting characteristics. Manually searching for information, selecting destinations, and arranging an itinerary can be timeconsuming, especially when users need to consider preferences, budget, operating schedules, weather conditions, and travel distances. Therefore, this project aims to support users in exploring cultural heritage in a more convenient and personalized manner. Objective: The project “Building an AI-Integrated Platform for Exploring Vietnamese Cultural Heritage – Heritage Itinerary Scheduling and Journey Personalization Subsystem” develops a web-based subsystem that supports heritage exploration, itinerary creation and management, and personalized itinerary recommendations based on individual needs. Methodology: The personalization mechanism represents heritage features, trip preferences, and user behavior within the same feature space, combined with budget suitability to determine the relevance score of each heritage site. Open-Meteo data is used to adjust day-specific priorities and apply constraints to destinations. Google OR-Tools CP-SAT selects and allocates destinations to individual days under trip constraints. Greedy is then combined with travel-time data from VietMap Matrix to determine the visiting order, while VietMap Route and VietMap GL support route retrieval and map visualization. Gemini API supports recommendation explanations and receives itinerary adjustment requests in natural language without directly deciding destination selection or ordering. The system is developed using Next.js, NestJS, PostgreSQL, Python, and FastAPI. Results: The developed subsystem supports heritage search on the map, management of favorite and visited heritage sites, manual and multi-day recommended itinerary creation, itinerary saving and management, route and weather display, itinerary and experience sharing within the community, and chatbot interaction. The main functions and personalization mechanism were evaluated through system test scenarios. Conclusion: The subsystem helps reduce the effort required for trip preparation and supports the creation of itineraries that better match users’ preferences and practical conditions. The current personalization mechanism mainly relies on predefined rules and available data, and the system does not yet automatically re-optimize saved itineraries when external conditions change. Future work includes utilizing additional behavioral data, improving personalization weights, and enhancing adaptive itinerary adjustment.