CN104850653A - 一种基于流式数据挖掘的游客流量短时及趋势预测系统 - Google Patents

Abstract

本发明公开了一种基于流式数据挖掘的游客流量短时及趋势预测系统，包括用户终端和景区数据终端采集的数据，通过建立数据仓库进行多维度的统计，通过转化计算公式获得输入变量参数，通过径向基函数神经网络建立预测模型。本发明基于流式数据挖掘的游客流量短时及趋势预测系统，应用的数据源包括智能终端采集的数据、景区运营、商务平台后台数据等，根据径向基函数网络建立的模型，可以用于实时的人流量预测，实现辅助决策的作用。

Description

一种基于流式数据挖掘的游客流量短时及趋势预测系统

技术领域

本发明涉及数据挖掘技术领域，更具体的讲是一种基于流式数据挖掘的游客流量短时及趋势预测系统。

背景技术

自IBM公司于2008年提出“智慧地球”概念以来，作为其中的一个重要部分——“智慧旅游”引起了国内广泛的关注。之后国家政策的扶持以及互联网的发展，使得新兴的在线旅游市场发展势头迅猛。根据劲旅咨询最新发布《2013年中国在线旅游市场研究报告》，2013年中国旅游市场总交易额约为29475亿元，其中在线旅行市场交易额约为2522亿元，中国旅游市场在线渗透率为8.6％。

人们面对着大量的数据，却往往无法找到需要的信息，信息爆炸使得如何有效地利用和处理大量的数据成为当今世界共同关心的问题。随着数据库技术、人工智能、数理统计和云计算等技术的发展，数据挖掘技术在各行各业得到了迅速应用。

从技术角度来讲，数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取隐含在其中人们事先不知道但又是潜在有用的信息和知识的过程；从商业角度来讲，数据挖掘是一种新的商业信息处理技术，其主要特点是对数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取有利于商业决策的关键信息和知识。

随着智能终端的普及、在线旅游市场的发展和旅游监管部门及景区的信息化，监管部门、景区和其它机构积攒了大量的数据，为数据挖掘技术的引入提供了充分的条件。

目前的旅游信息管理系统在基础数据统计、监测方面发挥了重要作用，却并未实现对隐藏知识的充分挖掘；从海量的数据中进行游客流量短时及趋势预测，挖掘其中蕴含的巨大价值，成为目前亟待解决的问题之一。数据挖掘技术在旅游市场的应用，将使得现代旅游成为充满便捷、人性化、以及蕴含巨大经济市场的智慧旅游。

发明内容

本发明的目的是为了提升对具体旅游数据进行有效挖掘的能力，提供一种基于流式数据挖掘的游客流量短时及趋势预测系统。

本发明所采用的技术方案是：

用户终端和景区数据终端采集的数据，通过建立数据仓库进行多维度的统计，然后依据历史游客数据，根据景区接待量、游客流量走势、天气预报、国家法定节假日、民俗节日、宗教节日、景区节日等诸多因素，并参考门票、酒店、餐饮、导游、停车位的预定量，通过转化计算公式获得输入变量参数，通过径向基函数神经网络(Neural Network，NN)算法建立预测模型，从而根据当前实测数据预测出未来短时段内(分钟、小时)、某月、某周、某日的游客高峰流量、低谷流量及总流量。

径向基函数网络由三个层组成，输入层、隐含层和线性输出层。输入层用于与外界的数据交换，其中包含很多节点；第二层是所有网络中仅有的一个隐含层，它负责输入数据的输入空间到隐含空间的非线性变换。一般来说隐含层包含高维数据，且维度越高，逼近越准确。输出层负责对隐藏节点活动作出反应。隐含层利用权重参数ω与输出层连接。整个RBF网络的输出表示为：

这里，R_i(x)代表激活函数，即径向基函数(RBF)。

其中，c_i为数据中心，X(x₁，...x_n)^T，Y(y₁，...y_n)^T分别为输入和输出向量。

在非线性变换中，有多种基函数可以选择，比如：

1)Gaussian函数

$R_i\left(x\right)=\exp (-{\left|\right|x-c_i\left|\right|}^2/2s_i^2),(i=\mathrm{1,2},L,m)---\left(2\right)$

2)Reflected sigmoid函数

$R_i\left(x\right)=\frac{1}{1+e^{\frac{{\left(\right||x-c_i||/2)}^2}{d_i^2}}},(i,=\mathrm{1,2},L,m)---\left(3\right)$

3)逆Multiquadric函数

$R_i\left(x\right)=\frac{1}{{[{\left(\right||x-c_i||/2)}^2+d_i^2]}^a},a>0,(i=\mathrm{1,2},L,m)---\left(4\right)$

其中||x-c_i||是欧几里得范数，c_i，s_i和R_i分别是中心、宽度和第i个隐藏输出单元。其中，高斯函数是最常用的基函数之一。

我们可以看出，径向基函数神经网络的输出其实是所有神经元响应的加权的总和，x越远离中心c_i，函数的取值越小，即相互作用越小。

径向基函数网络可以利用在隐含层设定足够的神经元节点来逼近任何非线性函数，同时它是一种典型的局部逼近网络。在学习训练过程中，径向基函数网络只有少数几个权值在调整时会影响输出，因此径向基函数网络与其它全局逼近神经网络(如BP神经网络)的一个很大优点就是收敛快。

各个景区流量预判分析，在依据真实可靠的历史数据基础上，辅以合理的参考因素，经过科学的计算，才能够得到可供政府部门或职能机构进行宏观调控的数据资料。

本发明的有益效果是，

本发明基于流式数据挖掘的游客流量短时及趋势预测系统，应用的数据源包括智能终端采集的数据、景区运营、商务平台后台数据等，根据径向基函数网络建立的模型，可以用于实时的人流量预测，实现辅助决策的作用。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明的径向基函数网络的结构示意图。

具体实施方式

为了加深对本发明的理解，下面结合附图和实施例对本发明作进一步详细的说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的具体实施例是，

用户终端和景区数据终端采集的数据，通过建立数据仓库进行多维度的统计，然后依据历史游客数据，根据景区接待量、游客流量走势、天气预报、国家法定节假日、民俗节日、宗教节日、景区节日等诸多因素，并参考门票、酒店、餐饮、导游、停车位的预定量，通过转化计算公式获得输入变量参数，通过径向基函数神经网络(Neural Network，NN)算法建立预测模型，从而根据当前实测数据预测出未来短时段内(分钟、小时)、某月、某周、某日的游客高峰流量、低谷流量及总流量。

如图1所示，径向基函数网络由三个层组成，输入层、隐含层和线性输出层。输入层用于与外界的数据交换，其中包含很多节点；第二层是所有网络中仅有的一个隐含层，它负责输入数据的输入空间到隐含空间的非线性变换。一般来说隐含层包含高维数据，且维度越高，逼近越准确。输出层负责对隐藏节点活动作出反应。隐含层利用权重参数ω与输出层连接。整个RBF网络的输出表示为：

这里，R_i(x)代表激活函数，即径向基函数(RBF)。

其中，c_i为数据中心，X(x₁，...x_n)^T，Y(y₁，...y_n)^T分别为输入和输出向量。

在非线性变换中，有多种基函数可以选择，比如：

4)Gaussian函数

$R_i\left(x\right)=\exp (-{\left|\right|x-c_i\left|\right|}^2/2s_i^2),(i=\mathrm{1,2},L,m)---\left(2\right)$

5)Reflected sigmoid函数

$R_i\left(x\right)=\frac{1}{1+e^{\frac{{\left(\right||x-c_i||/2)}^2}{d_i^2}}},(i,=\mathrm{1,2},L,m)---\left(3\right)$

6)逆Multiquadric函数

$R_i\left(x\right)=\frac{1}{{[{\left(\right||x-c_i||/2)}^2+d_i^2]}^a},a>0,(i=\mathrm{1,2},L,m)---\left(4\right)$

其中||x-c_i||是欧几里得范数，c_i，s_i和R_i分别是中心、宽度和第i个隐藏输出单元。其中，高斯函数是最常用的基函数之一。

我们可以看出，径向基函数神经网络的输出其实是所有神经元响应的加权的总和，x越远离中心c_i，函数的取值越小，即相互作用越小。

径向基函数网络可以利用在隐含层设定足够的神经元节点来逼近任何非线性函数，同时它是一种典型的局部逼近网络。在学习训练过程中，径向基函数网络只有少数几个权值在调整时会影响输出，因此径向基函数网络与其它全局逼近神经网络(如BP神经网络)的一个很大优点就是收敛快。

各个景区流量预判分析，在依据真实可靠的历史数据基础上，辅以合理的参考因素，经过科学的计算，才能够得到可供政府部门或职能机构进行宏观调控的数据资料。

要说明的是，以上所述实施例是对本发明技术方案的说明而非限制，所属技术领域普通技术人员的等同替换或者根据现有技术而做的其他修改，只要没超出本发明技术方案的思路和范围，均应包含在本发明所要求的权利范围之内。

Claims (2)

1.一种基于流式数据挖掘的游客流量短时及趋势预测系统，其特征在于：包括

用户终端和景区数据终端采集的数据，通过建立数据仓库进行多维度的统计，

通过转化计算公式获得输入变量参数，

通过径向基函数神经网络建立预测模型。

2.根据权利要求1所述的基于流式数据挖掘的游客流量短时及趋势预测系统，其特征在于：

径向基函数网络由三个层组成，输入层、隐含层和线性输出层，

输入层用于与外界的数据交换，其中包含很多节点；

第二层是所有网络中仅有的一个隐含层，它负责输入数据的输入空间到隐含空间的非线性变换；

隐含层利用权重参数ω与输出层连接；

整个RBF网络的输出表示为：

这里，R_i(x)代表激活函数，即径向基函数(RBF)。

其中，c_i为数据中心，X(x_l，...x_n)^T，Y(y_l，...y_n)^T分别为输入和输出向量。