1.一种基于气象数据舒适度感知的旅游推荐度计算方法，其特征在于，包括步骤如下：A1，通过Python设计一个数据采集脚本，结合大数据网站提供的应用程序接口，自动收集包含时序信息的城市气象数据及城市特色数据；

A2，对采集到的城市气象数据和城市特色数据，完成数据预处理；

A3，对于存在缺失、异常的城市气候数据，根据邻近城市气象数据与地理位置的关联性，基于机器学习的方法，进行对应数据的检测和纠正；

A4，通过综合舒适度、风湿指数和温湿指数，对不同城市的气候舒适度进行量化；

A5，根据计算得到的气候舒适度指标，基于各个时间段的城市的真实旅游用户调研评价数据，计算城市旅游的推荐度；

A6，基于城市旅游的推荐度指标和对应城市特色景点，计算得到城市特色景点的推荐度，并由可视化交互系统进行显示；

步骤A4中，综合舒适度、风湿指数和温湿指数的计算如下：考虑到气温、风速和相对湿度对人体舒适度的影响，计算综合舒适度，表达式如下：S＝0.6×|t‑24|+0.07×|f‑70|+0.5×|v‑2|式中，S为综合舒适度；t为气温，单位为℃；f为相对湿度，单位为％；v为风速，单位为m/s；

根据相对湿度和气温来计算出温湿指数，表达式如下：THI＝(1.8t+32)‑0.55(1‑f)×(1.8t‑26)式中，THI为温湿指数；

风效指数的表达式如下：

式中：K为风效指数；s′为日照时数，单位为h/d；

步骤A5中，城市旅游推荐度的计算步骤如下：

S51，根据当前的气象指标数据结合真实旅游的用户评价数据，采用皮尔逊相关系数来衡量每个气象指标与整体旅游体验满意度之间的线性相关程度，其计算公式为：其中，xi代表一个气象指标的真实感受评分，yi代表对应的旅游体验满意度评分，和分别是xi、yi评分的平均值；

S52，以城市旅游的推荐度Y’作为因变量，综合舒适度、风湿指数和温湿指数的评分作为自变量，构建一个线性回归模型，得到旅游推荐度的计算公式：Y′＝b1×S+b2×THI+b3×K+ε

其中，b1、b2和b3分别代表综合舒适度、温湿指数和风效指数的权重，ε是误差项；假设三项气候指标都与旅游的满意度有正向的关联，则有：其中， 表示当前时间对于该城市调研得到的旅游体验满意度评分的均值，和 分别表示综合舒适度、温湿指数、风效指数和真实旅游满意度的线性相关程度；

将最终得到的权值进行标准化处理，使得权重的总和等于1：进一步得到最终城市旅游的推荐度Y：

Y＝wS×S+wTHI×THI+b3×K+ε

其中，wS、wTHI、wK分别表示标准化计算后的综合舒适度、温湿指数和风效指数的权重；

步骤A6中，将对应城市采集到的n个热门景点的关键词ki分别进行统计得到Keyi，计算每个关键词ki对应其他关键词的占比 作为热门指数：根据对应城市的旅游推荐度，计算对应的特色景点推荐度T：其中， 表示景点所在城市的旅游推荐度；

最后，计算出当前城市的所有特色景点的推荐度，按照降序选择m个热门景点作为当前城市推荐的特色旅游景点。

2.根据权利要求1所述基于气象数据舒适度感知的旅游推荐度计算方法，其特征在于，气象数据包括摄氏气温、相对湿度、风速、日照时数，城市特色数据则包括对应城市节庆活动地点、历史文化景点和热门旅游地点。

3.根据权利要求1所述基于气象数据舒适度感知的旅游推荐度计算方法，其特征在于，数据预处理包括：将所有得到的气象数据的存储格式进行统一的约束；筛选出存在异常和缺失的数据；基于时序的数据信息，将每日的城市气象数据和城市特色数据进行融合。

4.根据权利要求1所述基于气象数据舒适度感知的旅游推荐度计算方法，其特征在于，步骤A3中，对于存在缺失、异常的城市气候数据值，根据邻近城市气象数据与地理位置的关联性，使用城市距离的倒数作为权重，使用聚类的方法来进行加权的近似估计；计算表达式如下：其中，d(c,j)表示缺失气象数据的城市c到n个邻近城市j的距离；(xc，yc)表示城市c的地理位置坐标，(xj，yj)表示城市j的地理位置坐标；wj表示n个邻近城市的气象数据；wc表示城市c缺失的气象数据。