CN104899650A - 基于多源数据分析对旅游景区客流量进行预测的方法 - Google Patents
基于多源数据分析对旅游景区客流量进行预测的方法 Download PDFInfo
- Publication number
- CN104899650A CN104899650A CN201510274779.0A CN201510274779A CN104899650A CN 104899650 A CN104899650 A CN 104899650A CN 201510274779 A CN201510274779 A CN 201510274779A CN 104899650 A CN104899650 A CN 104899650A
- Authority
- CN
- China
- Prior art keywords
- flow
- scenic spot
- passengers
- value
- volume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000005764 inhibitory process Effects 0.000 claims description 31
- 230000003321 amplification Effects 0.000 claims description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000001953 sensory effect Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 241000931705 Cicada Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多源数据分析对旅游景区客流量进行预测的方法，所述方法包括：步骤1：确定起点和时段，步骤2：进行客流量预测，步骤3：进行客流一修正，步骤4：进行客流二修正，步骤5：当日客流量修正，步骤6：客流量预测调整，步骤7：客流量预测生成，步骤8：对系统参数修正，实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
Description
技术领域
本发明涉及智慧旅游研究领域，尤其涉及一种基于多源数据分析对旅游景区客流量进行预测的方法。
背景技术
2013年10月1日正式颁布实施的《旅游法》中明确提出：景区应当公布景区主管部门核定的最大承载量，制定和实施旅游者流量控制方案，并可以采取门票预约等方式，对景区接待旅游者的数量进行控制，《国务院关于促进旅游业改革发展的若干意见》(国发[2014]31号)文件明确指出：建立健全旅游景区突发事件、高峰期大客流应对处置机制和旅游安全预警信息发布制度，国家旅游局2015年1月10日印发的《关于促进智慧旅游发展的指导意见》指出：建立门票预约制度、景区拥挤程度预测机制和旅游舒适度的评价机制，2015跨新年上海外滩的踩踏事件，已给我们敲响了警钟，国家旅游局2015年1月1日发出紧急通知，要求各地举一反三，完善安全制度与应急预案，建立健全景区游客流量控制机制。但从全国各省情况看，目前各省旅游行业、旅游景区尚未建立客流量预测预警工作流程及相关运行机制，由于旅游企业运行数据的统计滞后，相关实时信息(如交通、地理)未接入，依托行业大数据对旅游企业进行运行监管、展开预测预警尚停留在启动阶段，旅游应急事件处置大部分属事后处理，而不能有效实现事前预测预警。
旅游客流预测一直是旅游研究中的热点，但又是旅游学界面对的难点课题，研究方法上主要有非因果性时间序列和因果性计量分析方法两大类，并且呈现出日益多样化的趋势，在以时间序列模型和经济计量模型为主体的同时，出现了人工智能方法、人工神经网络、粗糙集方法、遗传算法、模糊时间序列等方法，但无论哪种方法，都不同程度存在着以下三个方面的问题：一是基本上都是根据以往的数据对未来的数据进行预测，预测方法中没有结合实时性数据及预售类数据(如OTA预订信息)；二是预测数据基本上都是以年度或月度为时间节点，以天为时间节点进行客流量预测的几乎没有；三是预测数据时加入的影响因子较少，对于客流量有重要影响的天气、交通，以及更深入的网络舆情因素等鲜有涉及。
综上所述，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
在现有技术中，由于现有的旅游客流预测方法根据以往的数据对未来的数据进行预测，预测方法中没有结合实时性数据及预售类数据；二是预测数据基本上都是以年度或月度为时间节点，以天为时间节点进行客流量预测的几乎没有；三是预测数据时加入的影响因子较少，对于客流量有重要影响的天气、交通，以及更深入的网络舆情因素等鲜有涉及，所以，现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题。
发明内容
本发明提供了一种基于多源数据分析对旅游景区客流量进行预测的方法，解决了现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题，实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
为解决上述技术问题，本申请实施例提供了基于多源数据分析对旅游景区客流量进行预测的方法，所述方法包括：
步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；
步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；
步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；
步骤4：利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正；
步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；
步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；
步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；
步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正。
进一步的，所述利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值，具体为：
确定预测的起始日期后，查阅历史同期的客流量信息；
待起始日期及历史同期对应日期确定后，从确定的该日起往前推30天，抽取对应历史同期及本年度起始日期前30天的客流量数据，进行对比计算出每日的增幅比例，进行平均，得到平均增幅比M，计算公式如式(1)：
式1中，X代表本年度单日客流量值，Y代表历史同期对应单日客流量值，n取值30，M代表30天的增幅平均值，则预测未来客流量按式(2)进行计算：
Zk＝Yk(1+M) (2)
式2中，Z代表本年度未来单日客流量预测值，Y代表历史同期对应单日客流量值，k的取值范围为1至q，参数q由用户预测天数确定。
进一步的，所述利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正，具体为：
设定营销活动因子为α，舆情因子为β；
建立对照统计对α及β值进行确定，将过去一或三年开展的营销活动起始点或网上出现对景区不利的舆情时间点，前后30天的客流量进行比对，按式(1)计算此时X代表活动开始后的客流量，Y代表开始前的客流量，得到平均增幅α或减幅比β，则按式(3)得到第一次修正后的客流量：
Z′k＝Zk(1+α-kα/100)(1+β-kβ/100) (3)
式3中，Z′k代表修正后的预测值，参数k含义同式(2)。
进一步的，所述利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正，具体为：
设定OTA比例因子为γ，天气比例因子为δ；
建立对照统计对OTA比例因子γ进行确定，按式(4)进行计算，得到预测当天前30天的OTA占全部客流量的比例平均值：
式4中，X代表当天OTA预订人数，Y代表当天客流总数，n取值30，γ代表OTA预订人数占全部客流量的比例的平均值，则预测未来客流量按式(5)进行计算：
Tk＝Xk/γ (5)
式5中，T代表客流量预测值，X代表预测对应天OTA的预订人数，k的取值范围为1至q；
将Z′k与Tk的值进行比对：若Z′k>Tk，则Z″k＝Z′k，保留Z′k的值；若Z′k＜Tk，则说明前期预测的Z′k值相对小了，则Z″k＝Tk，Z″k代表修正后的预测值；
采用人体舒适度指数来天气比例因子δ进行确定，人体舒适度指数计算公式如式(6)：
其中t为平均气温，f为相对湿度，v为风速；利用天气比例因子δ与ssd对照表，获得天气比例因子δ；则根据天气因素，用式(7)对预测值进行修正如下：
Z″k＝Z′kδ (7)。
进一步的，所述利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正，具体为：
设定景区门禁数据比例因子为ζ，等待检票或购票入景区排队人数比例因子为η；
建立对照统计对景区门禁数据比例因子ζ进行确定，按式(4)分别进行时间节点计算，得到预测当天前30天的景区门禁数据按时间节点占全部客流量的比例平均值；此时式(4)中，X代表当天某时间点通过门禁进入景区的人数，Y代表当天客流总数，n取值30，得到景区时间点入园人数与总客流量对比表；
按景区时间点入园人数与总客流量对比表统计测算起始日前30天的数据，得到近30天按时间节点占全部客流量的比例平均值，即景区门禁数据比例因子ζ，则当天进行测算时，即可按式(8)进行计算：
T＝X/ζ (8)
式8中，T代表当天客流量预测值，X代表当前进行预测时间点已入园的人数，ζ代表当前进行预测时间点所占全天客流量的比值；若Z″k>T，则保留Z″k的值；若Z″k＜T，则Z″k＝T；
同理，建立对照统计对等待检票或购票入景区排队人数比例因子η进行确定；
基于每次出现排队入园并持续30分钟以上的情况，获得景区排队人数、持续时间与总客流量对比表，然后进行统计平均，则可得到因子η与当天客流量的对照关系；
当出现排队情况时，对照上述景区排队人数、持续时间与总客流量对比表，即可对应出当天客流量的预测值T；若Z″k>T，则保留Z″k的值；若Z″k＜T，则Z″k＝T。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了将基于多源数据分析对旅游景区客流量进行预测的方法设计为包括：步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；步骤4：利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正；步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正的技术方案，即，能够结合景区过去信息(往年度对应客流量、近期景区营销活动信息及针对景区的舆情信息等)、现时信息(景区门禁数据、等待检票或购票入景区排队人数等)及未来信息(OTA预订信息、未来天气信息等)三者相结合的景区客流量预测方法，以及根据预测数据与后期实际数据偏差进行自动预测修正及人工干预修正的功能，且以旅游多源数据信息为基础，建立数学模型，根据过去、现时及未来旅游数据信息，结合大数据的分析与应用，实现为旅游景区提供当天及未来几天客流量的预测分析，有效辅助景区建立健全游客流量控制机制和旅游安全预警信息发布制度，形成景区效益和游客满意度提升的双赢局面，所以，有效解决了现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题，进而实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
进一步的，由于本方法将影响景区客流量的各类因素引入至计算方法中，并将定性分析提升至定量分析计算，因此是一种基于大数据分析应用的较为实用的测算方法。
进一步的，由于本方法提出了一种旅游景区按日期进行客流量预测的方法，不仅可以满足各级对景区客流量预测预警的要求，还可有效辅助景区提前做好应对客流高峰的各项措施。
附图说明
图1是本申请实施例一中基于多源数据分析对旅游景区客流量进行预测的方法的流程示意图。
具体实施方式
本发明提供了一种基于多源数据分析对旅游景区客流量进行预测的方法，解决了现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题，实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
本申请实施中的技术方案为解决上述技术问题。总体思路如下：
采用了将基于多源数据分析对旅游景区客流量进行预测的方法设计为包括：步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；步骤4：利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正；步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正的技术方案，即，能够结合景区过去信息(往年度对应客流量、近期景区营销活动信息及针对景区的舆情信息等)、现时信息(景区门禁数据、等待检票或购票入景区排队人数等)及未来信息(OTA预订信息、未来天气信息等)三者相结合的景区客流量预测方法，以及根据预测数据与后期实际数据偏差进行自动预测修正及人工干预修正的功能，且以旅游多源数据信息为基础，建立数学模型，根据过去、现时及未来旅游数据信息，结合大数据的分析与应用，实现为旅游景区提供当天及未来几天客流量的预测分析，有效辅助景区建立健全游客流量控制机制和旅游安全预警信息发布制度，形成景区效益和游客满意度提升的双赢局面，所以，有效解决了现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题，进而实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一：
在实施例一中，提供了基于多源数据分析对旅游景区客流量进行预测的方法，请参考图1，所述方法包括：
步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；
步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；
步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；
步骤4：利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正；
步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；
步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；若进行了当日修正，该分析结果则是步骤5所产生的结果；若未进行当日修正，该分析结果则是步骤4所产生的结果；
步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；
步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正。
其中，在本申请实施例中，利用对照分析模块进行对照分析具体为：
确定预测的起始日期后，查阅历史同期(一年或几年)的客流量信息，由于旅游对周末、节假日等特殊日期较为敏感，因此，不能简单的进行日期对应，如：要预测的起始时间是周五，则需要对应过去年份的本日所在周的周五数据。
待起始日期及历史同期(一年或几年)对应日期确定后，从此日起往前推30天，抽取对应历史同期(一年或几年)及本年度起始日期前30天的客流量数据，进行对比计算出每日的增幅比例，进行平均，得到平均增幅比M，计算公式如式(1)：
式1中，X代表本年度单日客流量值，Y代表历史同期(一年或几年)对应单日客流量值，n取值30，M代表近30天的增幅平均值，则预测未来客流量按式(2)进行计算：
Zk＝Yk(1+M) (2)
式2中，Z代表本年度未来单日客流量预测值，Y代表历史同期(一年或几年)对应单日客流量值，k的取值范围为1至q，参数q由用户预测天数确定，预测未来7天，则q＝7，以此类推。
其中，在本申请实施例中，利用客流修正模块进行客流修正具体为：
客流量预测值生成后，需对应今年对景区客流产生影响的过去信息进行初步修正，本发明对过去信息确定了两个方面：一是近期景区营销活动信息；二是针对景区的舆情信息，二者对客流量产生的影响一正一反，在此处，设定营销活动因子为α，舆情因子为β。
对于α及β值的确定，需要建立一个对照统计，将过去一或三年开展类似营销活动起始点(或网上出现类似对景区不利的舆情时间点)前后30天的客流量进行比对，按式(1)计算(其中X代表活动开始后的客流量，Y代表开始前的客流量)得到平均增幅(减幅)比α(β)，则按式(3)得到第一次修正后的客流量：
Z′k＝Zk(1+α-kα/100)(1+β-kβ/100) (3)
式3中，Z′k代表修正后的预测值，参数k含义同式(2)，考虑到随着促销活动的开展，其影响面越大；随着网上舆情的消退，其影响面越小，故式(3)中引入时间修正值，其具体取值一般为对应α(β)乘以预测天数后所得值的百分之一(即表示营销活动开展的时间越长，对客流量影响越大；网上舆情过去的时间越长，对客流量的影响越小)。
若近期景区无营销活动(或舆情信息)，则α、β取值均为0，即对前期预测值不进行修正。
其中，在本申请实施例中，利用客流分析模块对客流进行分析具体为：
客流量预测值生成并经过第一次修正后，需对近期对景区客流产生影响的未来信息进行二次修正，本发明对未来信息确定了两个方面：一是OTA预订信息；二是预测期的天气信息，在此处，设定OTA比例因子为γ，天气比例因子为δ。
对于OTA比例因子γ的确定，同样需要建立对照统计，按式(4)进行计算，得到预测当天前30天的OTA占全部客流量的比例平均值：
式4中，X代表当天OTA预订人数，Y代表当天客流总数，n取值30，γ代表OTA预订人数占全部客流量的比例的平均值，则预测未来客流量按式(5)进行计算：
Tk＝Xk/γ (5)
式5中，T代表客流量预测值，X代表预测对应天OTA的预订人数，k的取值范围为1至q，参数q由用户预测天数确定，预测未来7天，则q＝7，以此类推。
而从实际情况看，OTA的订单量越接近今日，则越接近最后的订单数，如：今日是5月15日，则5月16日的OTA订单量相对于该日最后的值是比较接近的，而现在得到的5月20日的OTA订单量相对于该日最后的值则差距比较大，这也是可以理解的，因为游客不会提前很早就确定自己的行程，因此，我们会将Z′k与Tk的值进行比对，如下：
如果Z′k>Tk，则Z″k＝Z′k，保留Z′k的值；如果Z′k＜Tk，则说明前期预测的Z′k值相对小了，则Z″k＝Tk，Z″k代表修正后的预测值。
对天气比例因子δ的确定，由于气候因素与客流量也有着较为密切的关联，因此，本发明也采用目前国际上较为流行的人体舒适度指数来进行预测，有关人体舒适度指数的说明如下：
研究表明，影响人体舒适程度的气象因素，首先是气温，其次是湿度，再其次就是风向风速等，能反映气温、湿度、风速等综合作用的生物气象指标，人体感受各不相同，人体舒适度指数就是建立在气象要素预报的基础上，较好地反映多数人群的身体感受综合气象指标或参数，人体舒适度指数预报，一般分为10个等级对外发布。
人体舒适度指数计算公式如式(6)：
其中t为平均气温，f为相对湿度，v为风速。
应用式(6)对过去一年每一天的天气进行ssd指数测算，并结合当天的客流量形成ssd指数(等级)与客流量对应表，将相同等级的天数的客流量相加并除以天数总和，以得到该等级对应的平均客流量值，考虑到－1级、1级较为舒适，将此两级确定为100％(即不对客流量产生影响)，其他等级与此两级进行比对(2至5级对比1级，－2至－4级对比－1级，0级与1级、－1级的相加平均值进行对比)，得到如表1所示的对照表(表1为示例表，参数δ为示例说明)。
由于各景区受所处地理位置、交通条件及是否是室内景区(如博物馆等)等因素的影响，因此，天气比例因子δ与ssd对照比值会有不同，因此，需要根据具体景区进行统计测算。
天气比例因子δ与ssd对照示例表1如下：
表1：天气比例因子δ与ssd对照示例表
| ssd | 等级 | 人体感觉 | δ |
| ≥89 | 5级 | 人体感觉酷热，极度不适应 | 0.40 |
| 86－88 | 4级 | 人体感觉很热，极不适应 | 0.60 |
| 80—85 | 3级 | 人体感觉炎热，很不舒适 | 0.85 |
| 76—79 | 2级 | 人体感觉偏热，不舒适 | 0.95 |
| 71—75 | 1级 | 人体感觉偏暖，较为舒适 | 1.00 |
| 59—70 | 0级 | 人体感觉最为舒适，最可接受 | 1.15 |
| 51—58 | －1级 | 人体感觉略偏凉，较为舒适 | 1.00 |
| 39—50 | －2级 | 人体感觉较冷(清凉)，不舒适 | 0.95 |
| 26—38 | －3级 | 人体感觉很冷，很不舒适 | 0.85 |
| ≤25 | －4级 | 人体感觉寒冷，极不适应 | 0.60 |
则根据天气因素，用式(7)对预测值进行修正如下：
Z″k＝Z′kδ (7)
其中，在本申请实施例中，利用当日修正模块进行修正具体为：
本模块仅用于对当日客流量进行预测对比修正，在以上完成客流预测、运用过去信息进行第一次修正、再运用未来信息进行第二次修正后，本发明还可根据现时信息(如：景区门禁数据、等待检票或购票入景区排队人数等)对前述预测并二次修正的客流量进行再修正，以求尽量接近实际值。
本发明对现实影响确定了两个方面：一是景区门禁数据；二是等待检票或购票入景区排队人数，在此处，设定景区门禁数据比例因子为ζ，等待检票或购票入景区排队人数比例因子为η。
对于景区门禁数据比例因子ζ的确定，同样需要建立对照统计，按式(4)分别进行时间节点计算，得到预测当天前30天的景区门禁数据按时间节点占全部客流量的比例平均值。
式(4)中，X代表当天某时间点通过门禁进入景区的人数，Y代表当天客流总数，n取值30，则可对应得到一张统计表，现举例说明如下：
假设某景区8：30开放，17：00关闭，16：00停止入园，收集某一天按时间节点入园人数与总客流量对比表如表2所示：
表2：某景区时间点入园人数与总客流量对比表
| 时间点 | 已入园人数 | 当天客流量 | 占比 |
| 9：00 | 100 | 1000 | 10％ |
| 10：00 | 300 | 1000 | 30％ |
| 11：00 | 600 | 1000 | 60％ |
| 12：00 | 700 | 1000 | 70％ |
| 13：00 | 800 | 1000 | 80％ |
| 14：00 | 900 | 1000 | 90％ |
| 15：00 | 950 | 1000 | 95％ |
| 16：00 | 1000 | 1000 | 100％ |
按上表统计测算起始日前30天的数据，得到近30天按时间节点占全部客流量的比例平均值，即景区门禁数据比例因子ζ(该因子是随时间节点而变化的)。则当天进行测算时，即可按式(8)进行计算。
T＝X/ζ (8)
式8中，T代表当天客流量预测值，X代表当前进行预测时间点已入园的人数，ζ代表当前进行预测时间点所占全天客流量的比值。
如果Z″k>T，则保留Z″k的值；如果Z″k＜T，则说明前期预测的Z″k值相对小了，则Z″k＝T。
同样，等待检票或购票入景区排队人数比例因子η的确定，也需要建立对照统计，按表3所列式样得到一个统计表，现举例说明如下：
假设某景区过去一年多次出现过游客等待检票或购票入景区排队的现象，则针对出现此情况的当日，填写统计表3如下：
表3：某景区排队人数、持续时间与总客流量对比表
| 因子η | 排队人数 | 持续时间 | 当天客流量 |
| 1级 | 500左右 | 30分钟 | 22000 |
| 2级 | 1000人左右 | 60分钟(1小时) | 24000 |
| 3级 | 1500人左右 | 90分钟 | 26000 |
| 4级 | 2000人左右 | 120分钟(2小时) | 28000 |
| 5级 | 2500人左右 | 150分钟 | 30000 |
| 6级 | 3000人左右 | 180分钟(3小时) | 32000 |
| 7级 | 3500人左右 | 210分钟 | 36000 |
| 8级 | 4000人及以上 | 240分钟(4小时) | 40000 |
将每次出现排队入园并持续30分钟以上的情况，均填写成表3，然后进行统计平均，则可得到因子η与当天客流量的对照关系。
当出现排队情况时，对照上述关系表，即可对应出当天客流量的预测值T。
如果Z″k>T，则保留Z″k的值；如果Z″k＜T，则说明前期预测的Z″k值相对小了，则Z″k＝T。
其中，在本申请实施例中，利用预测调整模块进行预调整具体为：
该模块的主要功能是将前述功能模块中每一模块的数学表达式(从式1到式8)、式中所含变量及变量所对应的值以表格的形式展现出来，用户可以通过调整各变量的值对预测值进行人工调整。
其中，在本申请实施例中，利用预测生成模块进行预测生成具体为：
该模块的主要功能是生成景区未来7天(最长30天)客流量预测值，并打印生成报表，供用户调阅查询。
其中，在本申请实施例中，利用参数修正模块进行参数修正具体为：
由于景区客流量是一个动态变化的过程，因此，需要不断对相关权值及因子进行参数修正，结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正，以不断提升预测的准确率，如表1，是适应于户外景区的参数对照表，相对于室内景区(如博物馆)，则其对应参数需根据本景区的实际情况进行相应的参数修正；再如表3，景区通过另外新开检票入口及增加检票人员的方法，加快了游客入园的速度，则表3所对应的相关数值就应该进行调整，以适应新的变化。
以上是一种基于多源数据分析对旅游景区客流量进行预测方法各模块及功能的说明。
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
实施例1：工作流程参照图1所示，具体步骤分解如下：
步骤1：确定起点和时段
确定预测起始日期，预测景区未来7天的客流量。
步骤2：进行客流量预测
由于旅游对周末、节假日等特殊日期较为敏感，因此，需将预测起始日与历史同期(一年或几年)做一次简单的调整校对，如：要预测的起始时间是周五，则需要对应过去年份的本日所在周的周五数据；但如果是对黄金周的预测，则直接对应过去年份的黄金周对应日期。
对应完成后，得出今年预测起始日前30天相对于历史同期的平均增幅，再依据平均增幅和所对比同期数据相乘相加得出景区今年未来7天的客流量预测值。
步骤3：进行客流一修正
结合景区过去相关信息(如近期景区营销活动信息；针对景区的舆情信息等)，根据历史发生同类事件按事件前后30天客流量对比增幅(减幅)的平均值，再结合微调修正值，对客流量预测值进行第一次修正。
步骤4：进行客流二修正
结合景区未来相关信息(如OTA预订信息；预测期的天气信息等)，根据预测前30天OTA预订信息占全部客流量比值及未来7天OTA的预订量，得到未来7天客流量按OTA预订量计算的预测值，但考虑到OTA预订量并未全部完成，因此，只修正前期预测修正值比按OTA进行预测相对小的对应日；而对于天气信息，结合目前国际上较为流行的人体舒适度指数来进行预测，结合人体舒适度指数与天气因子对照表对前期预测值进行修正。
步骤5：当日客流量修正
结合景区当日现时信息(如景区门禁数据、等待检票或购票入景区排队人数等)，根据预测当天前30天的景区门禁数据按时间节点占全部客流量的比例平均值对照表，及当日对应时间节点已进入景区的客流量得出当日预测值，若该值比前期预测修正值小，则不调整，若超过前期预测修正值，则修改当日预测值；而对于景区出现排队检票或购票的情况时，则对应前期景区出现类似情况及持续的时间与总客流量的对照表，得出当天客流预测值，同前，若该值比前期预测修正值小，则不调整，若超过前期预测修正值，则修改当日预测值。
步骤6：客流量预测调整
将按本方法所对应年度的日期，相关比例值、各影响因子及各类对照表全部展现给用户，由用户结合实际情况进行人工调整。
步骤7：客流量预测生成
将上述信息、数值记录下来，生成预测报告，供用户调阅查询。
步骤8：对系统参数修正
预测当日真实客流量统计完成后，结合预测值与实际客流量的偏差，对各预测参数进行修正，为后期客流量的准确预测奠定基础。
以下举一个具体实施例，具体实施例运用上述方法实现旅游景区客流量预测。
具体实施例1：
①预测起始时间：2015年4月13日(周一)，选取2014年进行对比，对应起始时间为2014年4月14日(周一)；
②2015年4月13日前30天相对应于2014年4月14日前30天对应的增幅平均值，经计算M＝0.08；
③该景区2014年6月曾开展过一次促销活动，2015年度提前至4月开展该促销活动，经测算，营销活动因子α＝0.02；
④该景区近期网上舆情信息相对平淡，此处舆情因子β＝0；
⑤以测算，该景区2015年4月13日前30天的OTA占全部客流量的比例平均值为28％；
⑥结合国家气象局未来7天的天气预报，经测算，未来7天景区人体舒适度均在－1级至1级之间，其中周六为0级，对照表1进行数据修正；
⑦2015年4月18日上午11时，景区客流量较大，经测算，前30天的景区门禁数据11时占全部客流量的比例平均值为60％，此时已入园人数为18200，对照表2进行数据修正；
⑧2015年4月18日中午12时，景区排队人数已达到3000左右，对照表3进行数据修正。
具体对照表如表4所示，表4：运用本申请中的方法对某景区进行客流量预测的具体实施例：
从表4可以看出，由于景区开展了促销活动，故对全部预测数值进行了修正(第4栏加粗数据)；由OTA预订数据对周一的预测进行了修正(第7栏加粗数据)；由天气信息对周六的预测进行了修正(第8栏加粗数据)；结合当天11时入园人数及12时排队人数，对周六当天的预测值进行了修正(第9、10栏加粗数据)。
以上所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变(如根据运营商基站数据、进入景区沿途公路车辆数据等，建立数据对应对照表，对预测数据进行相应修正)，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
由于采用了将基于多源数据分析对旅游景区客流量进行预测的方法设计为包括：步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；步骤4：利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正；步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正的技术方案，即，能够结合景区过去信息(往年度对应客流量、近期景区营销活动信息及针对景区的舆情信息等)、现时信息(景区门禁数据、等待检票或购票入景区排队人数等)及未来信息(OTA预订信息、未来天气信息等)三者相结合的景区客流量预测方法，以及根据预测数据与后期实际数据偏差进行自动预测修正及人工干预修正的功能，且以旅游多源数据信息为基础，建立数学模型，根据过去、现时及未来旅游数据信息，结合大数据的分析与应用，实现为旅游景区提供当天及未来几天客流量的预测分析，有效辅助景区建立健全游客流量控制机制和旅游安全预警信息发布制度，形成景区效益和游客满意度提升的双赢局面，所以，有效解决了现有的旅游客流预测方法存在不能满足对景区进行客流量控制的准确率性、实时性、快捷性、有效性的技术问题，进而实现了有效提升了景区客流量预测的实时性、快捷性、有效性、准确性的技术效果。
进一步的，由于本方法将影响景区客流量的各类因素引入至计算方法中，并将定性分析提升至定量分析计算，因此是一种基于大数据分析应用的较为实用的测算方法。
进一步的，由于本方法提出了一种旅游景区按日期进行客流量预测的方法，不仅可以满足各级对景区客流量预测预警的要求，还可有效辅助景区提前做好应对客流高峰的各项措施。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.基于多源数据分析对旅游景区客流量进行预测的方法，其特征在于，所述方法包括：
步骤1：确定预测起始日期，预测景区预设天数内的客流量，所述预设天数小于等于30天；
步骤2：利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值；
步骤3：利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正；
步骤4：利用客流分析模块结合0TA预订信息、未来天气信息因素对客流预测值进行第二次修正；
步骤5：利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正；
步骤6：利用预测调整模块将分析结果生成客流预测分析表达式，注明各权重因子数值，通过人工干预各权重因子对预测值进行调整；
步骤7：利用预测生成模块生成景区未来预设天数内的客流量预测值供查询；
步骤8：利用参数修正模块结合预测值与最终当日的实际客流量的偏差，对本方法所涉及的各个参数进行修正。
2.根据权利要求1所述的方法，其特征在于，所述利用对照分析模块对景区原客流量数据进行聚类对照性分析，生成客流量预测值，具体为：
确定预测的起始日期后，查阅历史同期的客流量信息；
待起始日期及历史同期对应日期确定后，从确定的该日起往前推30天，抽取对应历史同期及本年度起始日期前30天的客流量数据，进行对比计算出每日的增幅比例，进行平均，得到平均增幅比M，计算公式如式(1)：
式1中，X代表本年度单日客流量值，Y代表历史同期对应单日客流量值，n取值30，M代表30天的增幅平均值，则预测未来客流量按式(2)进行计算：
Zk＝Yk(1+M) (2)
式2中，Z代表本年度未来单日客流量预测值，Y代表历史同期对应单日客流量值，k的取值范围为1至q，参数q由用户预测天数确定。
3.根据权利要求2所述的方法，其特征在于，所述利用客流修正模块结合景区营销活动信息及针对景区的舆情信息因素对客流预测值进行第一次修正，具体为：
设定营销活动因子为α，舆情因子为β；
建立对照统计对α及β值进行确定，将过去一或三年开展营销活动起始点或网上出现对景区不利的舆情时间点，前后30天的客流量进行比对，按式(1)计算此时X代表活动开始后的客流量，Y代表开始前的客流量，得到平均增幅α或减幅比β，则按式(3)得到第一次修正后的客流量：
Z′k＝Zk(1+α-kα/100)(1+β-kβ/100) (3)
式3中，Z′k代表修正后的预测值，参数k含义同式(2)。
4.根据权利要求3所述的方法，其特征在于，所述利用客流分析模块结合OTA预订信息、未来天气信息因素对客流预测值进行第二次修正，具体为：
设定OTA比例因子为γ，天气比例因子为δ；
建立对照统计对OTA比例因子γ进行确定，按式(4)进行计算，得到预测当天前30天的OTA占全部客流量的比例平均值：
式4中，X代表当天OTA预订人数，Y代表当天客流总数，n取值30，γ代表OTA预订人数占全部客流量的比例的平均值，则预测未来客流量按式(5)进行计算：
Tk＝Xk/γ (5)
式5中，T代表客流量预测值，X代表预测对应天OTA的预订人数，k的取值范围为1至q；
将Z′k与Tk的值进行比对：若Z′k＞Tk，则Z″k＝Z′k，保留Z′k的值；若Z′k＜Tk，则说明前期预测的Z′k值相对小了，则Z″k＝Tk，Z″k代表修正后的预测值；
采用人体舒适度指数来天气比例因子δ进行确定，人体舒适度指数计算公式如式(6)：
其中t为平均气温，f为相对湿度，v为风速；利用天气比例因子δ与ssd对照表，获得天气比例因子δ；则根据天气因素，用式(7)对预测值进行修正如下：
Z″k＝Z′kδ (7)。
5.根据权利要求4所述的方法，其特征在于，所述利用当日修正模块结合景区当日门禁数据、等待检票或购票入景区排队人数，对当日客流预测值进行当日数据修正，具体为：
设定景区门禁数据比例因子为ζ，等待检票或购票入景区排队人数比例因子为η；
建立对照统计对景区门禁数据比例因子ζ进行确定，按式(4)分别进行时间节点计算，得到预测当天前30天的景区门禁数据按时问节点占全部客流量的比例平均值；此时式(4)中，X代表当天某时间点通过门禁进入景区的人数，Y代表当天客流总数，n取值30，得到景区时间点入园人数与总客流量对比表；
按景区时间点入园人数与总客流量对比表统计测算起始日前30天的数据，得到近30天按时间节点占全部客流量的比例平均值，即景区门禁数据比例因子ζ，则当天进行测算时，即可按式(8)进行计算：
T＝X/ζ (8)
式8中，T代表当天客流量预测值，X代表当前进行预测时间点已入园的人数，ζ代表当前进行预测时间点所占全天客流量的比值；若Z″k＞T，则保留Z″k的值；若Z″k＜T，则Z″k＝T；
同理，建立对照统计对等待检票或购票入景区排队人数比例因子η进行确定；
基于每次出现排队入园并持续30分钟以上的情况，获得景区排队人数、持续时间与总客流量对比表，然后进行统计平均，则可得到因子η与当天客流量的对照关系；
当出现排队情况时，对照上述景区排队人数、持续时间与总客流量对比表，即可对应出当天客流量的预测值T；若Z″k＞T，则保留Z″k的值；若Z″k＜T，则Z″k＝T。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510274779.0A CN104899650B (zh) | 2015-05-26 | 2015-05-26 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510274779.0A CN104899650B (zh) | 2015-05-26 | 2015-05-26 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899650A true CN104899650A (zh) | 2015-09-09 |
| CN104899650B CN104899650B (zh) | 2017-02-15 |
Family
ID=54032303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510274779.0A Active CN104899650B (zh) | 2015-05-26 | 2015-05-26 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899650B (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516370A (zh) * | 2016-02-05 | 2016-04-20 | 携程计算机技术（上海）有限公司 | 实时推送系统及方法 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106779196A (zh) * | 2016-12-05 | 2017-05-31 | 中国航天系统工程有限公司 | 一种基于旅游大数据的游客流量预测及峰值调控方法 |
| CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
| CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
| CN107154969A (zh) * | 2017-04-27 | 2017-09-12 | 腾讯科技（深圳）有限公司 | 目的地点推荐方法及装置 |
| CN107169555A (zh) * | 2017-06-30 | 2017-09-15 | 广东欧珀移动通信有限公司 | 一种闸机提示方法、装置、存储介质和终端 |
| CN107423837A (zh) * | 2017-04-12 | 2017-12-01 | 宁夏丝路风情旅游网络股份有限公司 | 旅游路线的智能规划方法及系统 |
| CN108053153A (zh) * | 2018-02-22 | 2018-05-18 | 海南师范大学 | 一种生态旅游环境承载力预警系统 |
| CN108053242A (zh) * | 2017-12-12 | 2018-05-18 | 携程旅游信息技术（上海）有限公司 | 景点门票票量预测方法、系统、设备及存储介质 |
| CN108417040A (zh) * | 2018-05-14 | 2018-08-17 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
| CN108616919A (zh) * | 2016-12-08 | 2018-10-02 | 腾讯科技（深圳）有限公司 | 一种公共区域人流监控方法及装置 |
| CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
| CN109034469A (zh) * | 2018-07-20 | 2018-12-18 | 成都中科大旗软件有限公司 | 一种基于机器学习的游客流量预测方法 |
| CN109325805A (zh) * | 2018-09-20 | 2019-02-12 | 北京工业大学 | 基于K-means聚类算法及离散小波变换的无人超市客流量预测方法 |
| CN110533480A (zh) * | 2019-09-04 | 2019-12-03 | 上海丙晟科技有限公司 | 一种基于大数据的商场客流预测方法 |
| CN110738854A (zh) * | 2019-10-28 | 2020-01-31 | 广州南翼信息科技有限公司 | 一种基于信息发布与语音播报的公交信息展示播报系统 |
| CN111008747A (zh) * | 2019-12-18 | 2020-04-14 | 贵州智诚科技有限公司 | 一种基于交旅数据融合的景区客流量预测方法 |
| CN111126715A (zh) * | 2020-01-03 | 2020-05-08 | 成都中科大旗软件股份有限公司 | 景区客流量管控系统 |
| TWI709144B (zh) * | 2018-12-24 | 2020-11-01 | 國家災害防救科技中心 | 依機器學習偵測使用行動通訊服務之人流異常之系統及其方法 |
| CN112381974A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 文博场馆客流预警系统 |
| CN112382048A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 一种基于视频图像分析的区域客流监测系统及方法 |
| CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
| CN113255567A (zh) * | 2021-06-15 | 2021-08-13 | 湖南中惠旅智能科技有限责任公司 | 基于智慧景区的资源协同方法及系统 |
| CN113449060A (zh) * | 2021-06-29 | 2021-09-28 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
| WO2022217684A1 (zh) * | 2021-04-13 | 2022-10-20 | 海南云端信息技术有限公司 | 一种景区饱和度预测方法和服务器 |
| CN116502765A (zh) * | 2023-05-16 | 2023-07-28 | 江苏慧眼数据科技股份有限公司 | 一种基于lstm模型的滞留人数预测方法 |
| CN117592638A (zh) * | 2023-10-20 | 2024-02-23 | 南京新中安物联技术股份有限公司 | 一种景区客流分析与管控的方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416464A (zh) * | 2018-01-31 | 2018-08-17 | 山东汇贸电子口岸有限公司 | 一种基于手机移动终端的客流预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136703A (zh) * | 2012-12-27 | 2013-06-05 | 中州大学 | 一种统计处理游客密度分布的方法及系统 |
-
2015
- 2015-05-26 CN CN201510274779.0A patent/CN104899650B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136703A (zh) * | 2012-12-27 | 2013-06-05 | 中州大学 | 一种统计处理游客密度分布的方法及系统 |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516370A (zh) * | 2016-02-05 | 2016-04-20 | 携程计算机技术（上海）有限公司 | 实时推送系统及方法 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106095973B (zh) * | 2016-06-20 | 2019-05-21 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106779196A (zh) * | 2016-12-05 | 2017-05-31 | 中国航天系统工程有限公司 | 一种基于旅游大数据的游客流量预测及峰值调控方法 |
| CN108616919A (zh) * | 2016-12-08 | 2018-10-02 | 腾讯科技（深圳）有限公司 | 一种公共区域人流监控方法及装置 |
| CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
| CN106960250B (zh) * | 2017-03-03 | 2020-09-04 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
| CN106878952A (zh) * | 2017-03-20 | 2017-06-20 | 上海迪爱斯通信设备有限公司 | 区域人员数量的预测方法及装置 |
| CN107423837A (zh) * | 2017-04-12 | 2017-12-01 | 宁夏丝路风情旅游网络股份有限公司 | 旅游路线的智能规划方法及系统 |
| CN107154969A (zh) * | 2017-04-27 | 2017-09-12 | 腾讯科技（深圳）有限公司 | 目的地点推荐方法及装置 |
| CN107154969B (zh) * | 2017-04-27 | 2022-04-19 | 腾讯科技（深圳）有限公司 | 目的地点推荐方法及装置 |
| CN107169555A (zh) * | 2017-06-30 | 2017-09-15 | 广东欧珀移动通信有限公司 | 一种闸机提示方法、装置、存储介质和终端 |
| CN107169555B (zh) * | 2017-06-30 | 2020-11-13 | Oppo广东移动通信有限公司 | 一种闸机提示方法、装置、存储介质和终端 |
| CN108053242A (zh) * | 2017-12-12 | 2018-05-18 | 携程旅游信息技术（上海）有限公司 | 景点门票票量预测方法、系统、设备及存储介质 |
| CN108053242B (zh) * | 2017-12-12 | 2021-02-09 | 携程旅游信息技术（上海）有限公司 | 景点门票票量预测方法、系统、设备及存储介质 |
| CN108053153A (zh) * | 2018-02-22 | 2018-05-18 | 海南师范大学 | 一种生态旅游环境承载力预警系统 |
| CN108417040A (zh) * | 2018-05-14 | 2018-08-17 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
| CN108417040B (zh) * | 2018-05-14 | 2020-09-08 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
| CN108846503A (zh) * | 2018-05-17 | 2018-11-20 | 电子科技大学 | 一种基于神经网络的呼吸系统疾病患病人次动态预测方法 |
| CN109034469A (zh) * | 2018-07-20 | 2018-12-18 | 成都中科大旗软件有限公司 | 一种基于机器学习的游客流量预测方法 |
| CN109325805B (zh) * | 2018-09-20 | 2022-03-11 | 北京工业大学 | 基于K-means聚类算法及离散小波变换的无人超市客流量预测方法 |
| CN109325805A (zh) * | 2018-09-20 | 2019-02-12 | 北京工业大学 | 基于K-means聚类算法及离散小波变换的无人超市客流量预测方法 |
| TWI709144B (zh) * | 2018-12-24 | 2020-11-01 | 國家災害防救科技中心 | 依機器學習偵測使用行動通訊服務之人流異常之系統及其方法 |
| CN110533480A (zh) * | 2019-09-04 | 2019-12-03 | 上海丙晟科技有限公司 | 一种基于大数据的商场客流预测方法 |
| CN110738854A (zh) * | 2019-10-28 | 2020-01-31 | 广州南翼信息科技有限公司 | 一种基于信息发布与语音播报的公交信息展示播报系统 |
| CN111008747A (zh) * | 2019-12-18 | 2020-04-14 | 贵州智诚科技有限公司 | 一种基于交旅数据融合的景区客流量预测方法 |
| CN111126715B (zh) * | 2020-01-03 | 2023-05-12 | 成都中科大旗软件股份有限公司 | 景区客流量管控系统 |
| CN111126715A (zh) * | 2020-01-03 | 2020-05-08 | 成都中科大旗软件股份有限公司 | 景区客流量管控系统 |
| CN112381974A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 文博场馆客流预警系统 |
| CN112382048A (zh) * | 2020-11-16 | 2021-02-19 | 成都中科大旗软件股份有限公司 | 一种基于视频图像分析的区域客流监测系统及方法 |
| CN112382048B (zh) * | 2020-11-16 | 2022-03-15 | 成都中科大旗软件股份有限公司 | 一种基于视频图像分析的区域客流监测系统及方法 |
| WO2022217684A1 (zh) * | 2021-04-13 | 2022-10-20 | 海南云端信息技术有限公司 | 一种景区饱和度预测方法和服务器 |
| CN112988847B (zh) * | 2021-04-20 | 2021-08-03 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
| CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
| CN113255567A (zh) * | 2021-06-15 | 2021-08-13 | 湖南中惠旅智能科技有限责任公司 | 基于智慧景区的资源协同方法及系统 |
| CN113449060A (zh) * | 2021-06-29 | 2021-09-28 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
| CN113449060B (zh) * | 2021-06-29 | 2022-07-01 | 金陵科技学院 | 基于混合基因表达式编程的地理大数据安全风险评估方法 |
| CN116502765A (zh) * | 2023-05-16 | 2023-07-28 | 江苏慧眼数据科技股份有限公司 | 一种基于lstm模型的滞留人数预测方法 |
| CN117592638A (zh) * | 2023-10-20 | 2024-02-23 | 南京新中安物联技术股份有限公司 | 一种景区客流分析与管控的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104899650B (zh) | 2017-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899650B (zh) | 基于多源数据分析对旅游景区客流量进行预测的方法 | |
| Rahman et al. | Perceived service quality of paratransit in developing countries: A structural equation approach | |
| Anderson | Subways, strikes, and slowdowns: The impacts of public transit on traffic congestion | |
| Tang et al. | Ridership effects of real-time bus information system: A case study in the City of Chicago | |
| Carson et al. | Forecasting (aggregate) demand for US commercial air travel | |
| Bhat | Accommodating variations in responsiveness to level-of-service measures in travel mode choice modeling | |
| Fu | A simulation model for evaluating advanced dial-a-ride paratransit systems | |
| Kreindler | Peak-hour road congestion pricing: Experimental evidence and equilibrium implications | |
| Van Ommeren et al. | Workers' marginal costs of commuting | |
| Fournier et al. | A sinusoidal model for seasonal bicycle demand estimation | |
| De Palma et al. | Modelling and evaluation of road pricing in Paris | |
| Guo et al. | Are land use planning and congestion pricing mutually supportive? Evidence from a pilot mileage fee program in Portland, OR | |
| Xu et al. | Trip mode and travel pattern impacts of a tradable credits scheme: A case study of Beijing | |
| Ahlfeldt et al. | Quality of life in a dynamic spatial model | |
| Frey et al. | Modelling complex investment decisions in Germany for renewables with different machine learning algorithms | |
| Hasnine et al. | Development of an employer-based transportation demand management strategy evaluation tool with an advanced discrete choice model in its core | |
| Kolosz et al. | Extending cost–benefit analysis for the sustainability impact of inter-urban Intelligent Transport Systems | |
| Basaric et al. | Efficient methodology for assessment of targets and policy measures for sustainable mobility systems | |
| Tisato | Service unreliability and bus subsidy | |
| Neveu | Quick response procedures to forecast rural traffic | |
| Lindsey et al. | Cost recovery from congestion tolls with long-run uncertainty | |
| CN109670875B (zh) | 一种铁路客票浮动定价优化管理方法 | |
| Huang et al. | Differences in probability weighting for individual travelers: a managed lane choice application | |
| Hau | Using a Hicksian approach to cost-benefit analysis in discrete choice: An empirical analysis of a transportation corridor simulation model | |
| Wulansari et al. | Analysis of ability to pay and willingness to pay for Jakarta light rail transit in Jakarta, Indonesia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 219 5 unit 1 Building 6 layer 1, 2, 3, 4 Applicant after: Flag softcom limited of Chengdu Chinese University of Science and Technology Address before: 610000, No. four, 15 South Renmin Road, Chengdu, Sichuan, Wuhou District Applicant before: Flag softcom limited of Chengdu Chinese University of Science and Technology |
|
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Daohua Inventor before: Zhou Daohua Inventor before: Xiong Hai |
|
| COR | Change of bibliographic data | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 219 5 unit 1 Building 6 layer 1, 2, 3, 4 Patentee after: Chengdu Zhongke Daqi Software Co., Ltd. Address before: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 219 5 unit 1 Building 6 layer 1, 2, 3, 4 Patentee before: Flag softcom limited of Chengdu Chinese University of Science and Technology |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method for predicting tourist flow volume of tourist attraction on basis of multi-source data analysis Effective date of registration: 20200628 Granted publication date: 20170215 Pledgee: China Minsheng Banking Corp Chengdu branch Pledgor: Chengdu Zhongke Daqi Software Co.,Ltd. Registration number: Y2020980003505 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |