چکیده: در سال‌های اخیر، از سیستمهای پیشنهاددهنده برای تعیین مقاصد گردشگری استفاده شده است. با توجه به رشد گسترده اینترنت، سیستم‌های پیشنهاددهنده می‌توانند فرصت بزرگی برای مشاغل مرتبط با گردشگری ایجاد کنند. سیستم‌های پیشنهاددهنده سفر دارای چالش‌هایی هستند که با رفع این مشکلات می‌توان به دقت بهتری در سیستم‌های پیشنهاددهنده دست یافت. با توجه به پژوهش‌های پیشین، سیستم‎‌های پیشنهاددهنده می‌توانند از رویکرد خوشه‌بندی برای سیستم توصیه‌گر استفاده کنند. روش‌های معمول خوشه‌بندی دارای اشکالاتی است که در دقت سیستم‌های پیشنهاددهنده می‌تواند تاثیرگذار باشد. علاوه بر آن ارائه برنامه سفر جزء نیازهای کاربران است. همچنین در سیستم‌های پیشنهاددهنده سفر، دانش بیرونی که منجر به پیشنهاد مناسب شود، ضروری است. در این پژوهش یک سیستم پیشنهاددهنده سفر طراحی می‌شود که ورودی آن، اطلاعات مجموعه داده و دانش بیرونی است و خروجی آن، پیشنهادهای سفر به کاربر همراه با زمان‌بندی بین شهری است. برای این کار از رویکرد خوشه‌بندی برای دسته‌بندی مجموعه‌ای از ویژگی‌ها‌ و پیشنهاد به کاربر استفاده می‌شود. از طرفی روشی برای خوشه‌بندی ارائه می‌دهیم که نیاز به پارامترهای خروجی نداشته باشد و به صورت خودکار با توجه به مجموعه داده پارامتر‌های ورودی مدل ایجاد شود. علاوه بر آن تراکم داده‌ها را بررسی کرده و سعی شده است چالش‌های خوشه‌بندی پیشین را بهبود ببخشد. سپس بعد از خوشه‌بندی و انتخاب مجموعه داده مناسب برای پیشنهاد، با استفاده از الگوریتم‌ ژنتیک، برنامه سفر کاربران را مدیریت کرده تا کاربران بتوانند اولویت بازدیدهای خود را بهبود ببخشند. با انتخاب ژن‌های مناسب از ویژگی‌های تاثیرگذار بر زمان و مسافت سفر کاربر، گزینه‌های انتخابی برای پیشنهاد را بهبود می‌دهیم. علاوه بر آن با ایجاد پایگاه‌دانش، سیستم پیشنهاددهنده را غنی می‌کنیم و در فرایند الگوریتم ژنتیک تاثیر داده تا بتوانیم فرایند پیشنهاد را دقیق‌تر نماییم. همچنین به مدیران سیستم اجازه می‌دهیم که در روند پیشنهاددهی سیستم، سیاست‌‌ اعمال کنند تا بتوانند روند پیشنهاد به کاربران را مدیریت کنند. برای ارزیابی سیستم پیشنهادی از داده‌های‌ سفرهای تجاری استفاده شده است. در نهایت با ارائه روش پیشنهادی، دقت پیشنهاد‌ها نسبت به پژوهش‌های پیشین حداقل دو برابر افزایش یافته و امکان برنامه‌ریزی سفر برای کاربران ایجاد شده است. علاوه بر آن، ارزیابی خوشه‌بندی را انجام داده و این روش توانست به صورت خودکار خوشه‌بندی را بدون توجه به پارامتر‌های بیرونی انجام دهد و دقت متعادلی بین روش‌های معمول به دست آورد و چالش‌های خوشه‌بندی پیشین تا حد امکان را برطرف کند.