CN106355289A - 一种基于位置服务的景区客流量预测方法 - Google Patents

Abstract

一种基于位置服务的景区客流量预测方法，包括有：从移动网络运营服务器的用户位置信息表中提取景区基站范围内的所有用户的位置信息，分别统计每天不同时段内在景区基站范围内的移动终端用户数；以历史多天不同时段内在景区基站范围内的移动终端用户数和景区历史客流量为训练样本，训练BP神经网络，所述BP神经网络的输入是每天多个不同时段内在景区基站范围内的移动终端用户数，输出是对应天的景区历史客流量；将待预测天多个不同时段内在景区基站范围内的移动终端用户数输入训练后的BP神经网络，所述BP神经网络的输出即为待预测天的景区客流量。本发明属于网络通信技术领域，能利用移动终端用户的位置信息来对景区客流量进行准确预测。

Description

一种基于位置服务的景区客流量预测方法

技术领域

本发明涉及一种基于位置服务的景区客流量预测方法，属于网络通信技术领域。

背景技术

为了给游客创造更好、更安全的旅游环境，国家旅游局向各景点发布了一系列的措施以严控游客流量，例如：旅游景区人数超80％将限流，达到最大承载量停止售票，为了避免各景点谎报游客流量或发生汇总数据错误等情况，往往需要对各目标景区的客流量进行准确预测。

随着移动技术的不断发展，移动终端和网络在当前社会已得到了广泛应用，绝大多数用户已拥有一部或多部移动终端，所使用网络也由2、3G过渡到4G。专利申请CN201210509199.1(申请名称：一种基于信令消息的景区客流实时统计方法，申请日：2012-12-03，申请人：上海粱江通信系统股份有限公司)公开了一种基于信令消息的景区客流实时统计方法，包括：覆盖景区的所有移动网小区的小区标识的获取；移动用户的位置更新消息的获取；景区内所有移动用户数量的统计；景区常驻人口的排除；景区路过人口的排除；景区客流量的定义。该发明通过通信网中位置更新消息对覆盖景区的移动网小区内活动用户数量进行监控，其必须在运营商的基站上做改变(即设置切换区)，且通过一个预先设置的移动用户渗透率来最终估算出所有游客数量，由于现网中存在有多个运营商，该技术方案实施工作量较大、且统计结果的准确性较低。

因此，如何利用移动终端用户的位置信息来对景区客流量进行准确预测，仍是一个值得深入研究的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种基于位置服务的景区客流量预测方法，能利用移动终端用户的位置信息来对目标景区客流量进行准确预测。

为了达到上述目的，本发明提供了一种基于位置服务的景区客流量预测方法，包括有：

步骤一、从移动网络运营服务器的用户位置信息表中提取景区基站范围内的所有用户的位置信息，分别统计每天不同时段内在景区基站范围内的移动终端用户数；

步骤二、以历史多天不同时段内在景区基站范围内的移动终端用户数和景区历史客流量为训练样本，训练BP神经网络，所述BP神经网络的输入是每天多个不同时段内在景区基站范围内的移动终端用户数，输出是对应天的景区历史客流量；

步骤三、将待预测天多个不同时段内在景区基站范围内的移动终端用户数输入训练后的BP神经网络，所述BP神经网络的输出即为待预测天的景区客流量。

与现有技术相比，本发明的有益效果是：目前存在有多个移动网络运营商(如移动、联通、电信等)，目标景区的游客有可能分属于不同的运营商，且其中还有无移动终端用户，因此本发明采用BP神经网络，只需获取其中任一个运营商的用户位置数据，并根据该运营商在景区基站范围内的移动终端用户数和景区的历史客流量来建立景区客流量预测模型，即可实现对目标景区客流量的准确预测，对现网设备不需任何改变，技术方案简单易行，也无需获取所有运营商的用户位置数据，从而具有较高的实用性、智能性和稳定性；由于现网中4G用户的位置信息记录的较全面，而2、3G用户位置信息有很多缺失的情况发生，本发明还进一步基于4G用户位置信息表来计算景区基站范围内的移动终端用户数，从中滤掉景区常驻用户、工作人员、和路过人员，并根据2、3G用户与4G用户的比例来进行扩样，最终计算得到景区基站范围内的所有移动终端用户数，从而极大地提高了本发明预测数据的准确性。

附图说明

图1是本发明一种基于位置服务的景区客流量预测方法流程图。

图2是图1步骤一中统计每天不同时段内在景区基站范围内的移动终端用户数的具体操作流程图。

图3是图2步骤13中统计在每天的任一个时段内在景区基站范围内的4G移动终端用户数的具体操作流程图。

图4是根据2、3G用户与4G用户的比例来进行扩样，从而得到景区基站范围内的所有移动终端用户数的具体操作流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

如图1所示，本发明一种基于位置服务的景区客流量预测方法，包括有：

步骤一、从移动网络运营服务器的用户位置信息表中提取景区基站范围内的所有用户的位置信息，分别统计每天不同时段内在景区基站范围内的移动终端用户数；

步骤二、以历史多天不同时段内在景区基站范围内的移动终端用户数和景区历史客流量为训练样本，训练BP神经网络，所述BP神经网络的输入是每天多个不同时段内在景区基站范围内的移动终端用户数，输出是对应天的景区历史客流量；

步骤三、将待预测天多个不同时段内在景区基站范围内的移动终端用户数输入训练后的BP神经网络，所述BP神经网络的输出即为待预测天的景区客流量。

由于现网中4G用户的位置信息记录的较全面，而2、3G用户位置信息有很多缺失的情况发生，本发明可以基于4G用户的4G用户位置信息表来计算景区基站范围内的移动终端用户数。如图2所示，步骤一中，统计每天不同时段内在景区基站范围内的移动终端用户数，还可以进一步包括有：

步骤11、从移动网络运营服务器读取4G用户位置信息表，根据景区基站工参表中记录的所有景区基站ECI(即小区码)，从4G用户位置信息表中遴选出其手机终端属于景区基站ECI的所有4G移动终端用户的位置信息，并构成景区4G用户位置信息表；

4G用户位置信息表记录有每个4G移动终端用户在不同时刻的位置信息，所述位置信息包括有其手机终端在不同时刻所属的基站ECI等信息；景区4G用户位置信息表用于保存手机终端属于景区基站ECI的所有4G移动终端用户和其属于景区基站ECI的对应时刻；

步骤12、从景区4G用户位置信息表中逐一提取每个4G移动终端用户在连续多天(例如一周)内手机终端属于景区基站ECI的所有时刻，并根据所有时刻的对应日期来计算所述4G移动终端用户在连续多天内手机终端属于景区基站ECI的天数，然后判断所述天数是否超过一个天数阈值，如果是，则说明该4G移动终端用户是景区常驻用户或工作人员，从景区4G用户位置信息表中删除所述4G移动终端用户的所有位置信息，然后继续提取下一个4G移动终端用户在连续多天内手机终端属于景区基站ECI的所有时刻，直至提取完景区4G用户位置信息表中的所有4G移动终端用户；如果否，则继续提取下一个4G移动终端用户在连续多天内手机终端属于景区基站ECI的所有时刻，直至提取完景区4G用户位置信息表中的所有4G移动终端用户；

天数阈值的值可以根据实际情况而设定，例如提取用户在一周内手机终端属于景区基站ECI的所有时刻时，则可以设定天数阈值为3，这样，当用户在一周(9月12日至9月18日)内手机终端属于景区基站ECI的所有时刻的对应日期分别为：9月12日、9月14日、9月15日、9月16日时，则该用户在1周内手机终端属于景区基站ECI的天数为4，由于超过天数阈值3，因此该用户属于常驻用户或工作人员，而非景区游客；

步骤13、选取一天中的多个不同时段，并根据景区4G用户位置信息表中记录的4G移动终端用户及其手机终端属于景区基站ECI的对应时刻，统计在每天的不同时段内在景区基站范围内的4G移动终端用户数。

只有在景区开放时间内的移动终端用户数才有可能是景区游客，因此可以将景区开放时间(例如8：00-18：00)按小时划分成多个时段，即：[8：00，9：00)、[9：00，10：00)、…、[17：00，18：00)，然后分别统计上述每个时段内在景区基站范围内的4G移动终端用户数。

如图3所示，步骤13中，统计在每天的任一个时段(为方便描述，可记为第D个时段)内在景区基站范围内的4G移动终端用户数，还可以进一步包括有：

步骤131、将第D个时段内在景区基站范围内的4G移动终端用户数U(D)初始化设为0；

步骤132、从景区4G用户位置信息表中提取一个在第D个时段内手机终端属于景区基站ECI的4G移动终端用户；

步骤133、根据景区4G用户位置信息表中记录的所述用户在第D个时段内手机终端属于景区基站ECI的所有时刻，统计所述用户在第D个时段内手机终端属于景区基站ECI的连续时长，并判断所述连续时长是否小于一个时长阈值？如果是，则说明该用户在景区范围内的驻留时间很短，该用户属于路过景区，转向下一步；如果否，则更新U(d)：U(d)＝U(d)+1，转向下一步；

时长阈值的值可以根据实际需要而设定，例如30分钟，这样，如果用户在[9：00，10：00)时段内手机终端属于景区基站ECI的所有时刻包含有：9：15、9：16、…、9：27，则用户在[9：00，10：00)内手机终端属于景区基站ECI的连续时长为12分钟，该连续时长小于时长阈值30分钟，因此该用户属于路过用户，而非景区游客；

步骤134、判断景区4G用户位置信息表中是否还有未提取的、且在第D个时段内手机终端属于景区基站ECI的4G移动终端用户？如果是，则继续从景区4G用户位置信息表中提取所述未提取的4G移动终端用户，转向步骤133；如果否，则本流程结束。

由于2、3G用户的位置信息存在缺失，因此难以每天对景区基站范围内的2、3G用户数进行精准统计，本发明还可以根据2、3G用户与4G用户的比例来进行扩样，从而能精准的得到景区基站范围内的所有移动终端用户数，如图4所示，本发明还可以包括有：

步骤A1、从移动网络运营服务器读取4G用户位置信息表和非4G(包括2、3G)用户位置信息表，分别统计出历史多天内在景区基站范围内的4G移动终端用户数和非4G移动终端用户数；

步骤A2、计算4G用户扩样系数B：其中，b_i是历史第i天的用户扩样系数，M是统计的历史总天数，是历史第i天在景区基站范围内的非4G移动终端用户数，count(people_4G_i)是历史第i天在景区基站范围内的4G移动终端用户数；

步骤A3、根据在景区基站范围内的4G移动终端用户数和4G用户扩样系数B，计算在景区基站范围内的移动终端用户数：count(people)＝count(people_4G)×(1+B)，其中，count(people)是在景区基站范围内的移动终端用户数，count(people_4G)是在景区基站范围内的4G移动终端用户数。

本发明基于BP神经网络的优点，利用景区每天多个时段内在景区基站范围内的移动终端用户数作为输入，当天真实的景区客流量作为输出，采用BP神经网络算法构建景区客流量预测模型。例如，设置N(例如N＝30)个学习实例(X_k,Y^* _k)，k＝1、2、…N，其中第k个学习实例的输入向量为：X_k＝(x_1k,x_2k,...,x_nk)，n是输入向量的元素数，也即是每天所选取的时段数(例如n＝10)，从输入层的n个节点输入，经隐层逐层处理，在输出层的m个节点的输出端得到学习实例k的网络计算输出向量Y_k，这里m＝1。比较Y_k和实例k的期望输出向量Y^* _k，若N个学习实例的计算输出与期望输出的误差均小于设定的阈值、或某个学习实例的迭代次数达到最大迭代次数时，则学习过程结束，否则，进入误差反向传播过程，把Y^* _k与Y_k的误差由网络输出层向输入层反向传播，在反向传播过程中，修改各神经元的连接权值。步骤二还可以进一步包括有：

步骤21、构建BP神经网络，设定网络层数L(例如3)、输入层节点数n(例如10)、输出层节点数m＝1，第l层节点数是n^(l)，第l+1层节点数是n^(l+1)，设置各层之间的连接权矩阵，其中第l层连接到第l+1层的连接权矩阵为：l＝1、2、…L-1；

步骤22、设定允许误差ε、学习率η、最大迭代次数T，选取历史N天、每天n个时段内在景区基站范围内的移动终端用户数和景区历史客流量来构成BP神经网络的学习实例(X₁,Y^* ₁)、(X₂,Y^* ₂)、…、(X_N,Y^* _N)，其中，X_k＝(x_1k,x_2k,...,x_nk)，k＝1、2、…N，X_k是由第k天n个时段内在景区基站范围内的移动终端用户数所构成的输入向量，Y^* _k是第k天的景区历史客流量，x_1k、x_2k、…x_nk分别是第k天第1、2、…、n个时段内在景区基站范围内的移动终端用户数，将学习实例序号k、迭代次数t均初始化设为1；

步骤23、选取第k个学习实例(X_k,Y^* _k)；

步骤24、由X_k进行正向传播计算，逐层计算各层的输入和输出： l＝1、2、…、L-1，j＝1、2、…、n^(l)，i＝1、2、…、n^(l-1)，其中代表第k个学习实例对应的第l层第j个节点的输入，第一层各节点的输入直接为x_1k、x_2k、…、x_nk，为第l-1层第i个节点与第l层第j个节点的连接权重，代表第k个学习实例对应的第l-1层第i个节点的输出，代表第k个学习实例对应的第l层第i个节点的输出，代表对输入做f变换，最后计算输出层(即第L层)的输出节点误差为：其中，y_jk是第k个学习实例在输出层第j个节点的输出值，E_jk即为第k个学习实例在输出层第j个节点的误差，由于本发明BP神经网络的输出只有一个节点(即m＝1),则j＝1；

步骤25、判断E_jk是否小于或等于ε？如果是，则继续下一步；如果否，则转向步骤27；

步骤26、判断是否已选取完所有学习实例？如果是，则本流程结束；如果否，则更新k：k＝(k+1)mod N，即将k修改为k+1除以N的余数，并将迭代次数t初始化为1，然后转向步骤23；

步骤27、修改第L-1层至输出层的连接权矩阵： j＝1，i＝1、2、…、n^(l-1)，其中，是第k个学习实例对应的第l层第j个输出节点的局部梯度，是第k个学习实例对应的第l层第j个输出节点的输入值，是激励函数f的导数，是第t次迭代中第l-1层第i个节点与第l层第j个输出节点的连接权重的修正量，是第k个学习实例对应的第l层第i个节点的输出值，是调整后的第t+1次迭代时第l-1层的第i个节点与第l层第j个输出节点的连接权重，是第t次迭代时第l-1层的第i个节点与第l层第j个输出节点的连接权重，当t＝1时，最后更新

步骤28、反向逐层修改联接各层的连接权矩阵： ＝L-1、…、2、1，j＝1、2、…、n^(l)，i＝1、2、…、n^(l-1)，其中，是第k个学习实例对应的第l层第j个节点的局部梯度，是第k个学习实例对应的第l层j个节点的输入，是激励函数f的导数，是第k个学习实例对应的第l+1层第q个节点的局部梯度，是第t次迭代时第l层第j个节点和第l+1层第q个节点的连接权重，是第t次迭代时第l-1层第i个节点和第l+1层第j个输出节点的连接权重的修正量，是第k个学习实例对应的第l-1层第i个节点的输出值，是调整后的第t+1次迭代时第l-1层第i个节点和第l层第j个节点的连接权重，是第t次迭代时第l-1层第i个节点和第l层第j个节点的连接权重，当t＝1时，最后更新

步骤29、更新t：t＝t+1，并判断t是否小于T？如果是，则转向步骤24；如果否，则本流程结束。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种基于位置服务的景区客流量预测方法，其特征在于，包括有：

步骤一、从移动网络运营服务器的用户位置信息表中提取景区基站范围内的所有用户的位置信息，分别统计每天不同时段内在景区基站范围内的移动终端用户数；

步骤二、以历史多天不同时段内在景区基站范围内的移动终端用户数和景区历史客流量为训练样本，训练BP神经网络，所述BP神经网络的输入是每天多个不同时段内在景区基站范围内的移动终端用户数，输出是对应天的景区历史客流量；

步骤三、将待预测天多个不同时段内在景区基站范围内的移动终端用户数输入训练后的BP神经网络，所述BP神经网络的输出即为待预测天的景区客流量。

2.根据权利要求1所述的方法，其特征在于，步骤一中，统计每天不同时段内在景区基站范围内的移动终端用户数，进一步包括有：

步骤11、从移动网络运营服务器读取4G用户位置信息表，根据景区基站工参表中记录的所有景区基站小区码ECI，从4G用户位置信息表中遴选出其手机终端属于景区基站ECI的所有4G移动终端用户的位置信息，并构成景区4G用户位置信息表；

步骤12、选取一天中的多个不同时段，并根据景区4G用户位置信息表中记录的4G移动终端用户及其手机终端属于景区基站ECI的对应时刻，统计在每天的不同时段内在景区基站范围内的4G移动终端用户数。

3.根据权利要求2所述的方法，其特征在于，步骤11和12之间，还包括有：

步骤A、从景区4G用户位置信息表中逐一提取每个4G移动终端用户在连续多天内手机终端属于景区基站ECI的所有时刻，并根据所有时刻的对应日期来计算所述4G移动终端用户在连续多天内手机终端属于景区基站ECI的天数，然后判断所述天数是否超过一个天数阈值，如果是，则从景区4G用户位置信息表中删除所述4G移动终端用户的所有位置信息，然后继续提取下一个4G移动终端用户在连续多天内手机终端属于景区基站ECI的所有时刻，直至提取完景区4G用户位置信息表中的所有4G移动终端用户；如果否，则继续提取下一个4G移动终端用户在连续多天内手机终端属于景区基站ECI的所有时刻，直至提取完景区4G用户位置信息表中的所有4G移动终端用户。

4.根据权利要求2所述的方法，其特征在于，步骤12中，统计在每天的任一个时段内在景区基站范围内的4G移动终端用户数，为方便描述，记为第D个时段，进一步包括有：

步骤121、将第D个时段内在景区基站范围内的4G移动终端用户数U(D)初始化设为0；

步骤122、从景区4G用户位置信息表中提取一个在第D个时段内手机终端属于景区基站ECI的4G移动终端用户；

步骤123、根据景区4G用户位置信息表中记录的所述用户在第D个时段内手机终端属于景区基站ECI的所有时刻，统计所述用户在第D个时段内手机终端属于景区基站ECI的连续时长，并判断所述连续时长是否小于一个时长阈值，如果是，则转向下一步；如果否，则更新U(d)：U(d)＝U(d)+1，转向下一步；

步骤124、判断景区4G用户位置信息表中是否还有未提取的、且在第D个时段内手机终端属于景区基站ECI的4G移动终端用户，如果是，则继续从景区4G用户位置信息表中提取所述未提取的4G移动终端用户，然后转向步骤123；如果否，则本流程结束。

5.根据权利要求2所述的方法，其特征在于，还包括有：

步骤B1、从移动网络运营服务器读取4G用户位置信息表和非4G用户位置信息表，分别统计出历史多天内在景区基站范围内的4G移动终端用户数和非4G移动终端用户数；

步骤B2、计算4G用户扩样系数B：其中，b_i是历史第i天的用户扩样系数，M是统计的历史总天数， 是历史第i天在景区基站范围内的非4G移动终端用户数，count(people_4G_i)是历史第i天在景区基站范围内的4G移动终端用户数；

步骤B3、根据在景区基站范围内的4G移动终端用户数和4G用户扩样系数B，计算在景区基站范围内的移动终端用户数：count(people)＝count(people_4G)×(1+B)，其中，count(people)是在景区基站范围内的移动终端用户数，count(people_4G)是在景区基站范围内的4G移动终端用户数。

6.根据权利要求1所述的方法，其特征在于，步骤二进一步包括有：

步骤21、构建BP神经网络，设定网络层数L、输入层节点数n、输出层节点数m＝1、第l层节点数是n^(l)、第l+1层节点数是n^(l+1)，设置各层之间的连接权矩阵，其中第l层连接到第l+1层的连接权矩阵为：

步骤22、设定允许误差ε、学习率η、最大迭代次数T，选取历史N天、每天n个时段内在景区基站范围内的移动终端用户数和景区历史客流量来构成BP神经网络的学习实例(X₁,Y^* ₁)、(X₂,Y^* ₂)、…、(X_N,Y^* _N)，其中，X_k＝(x_1k,x_2k,...,x_nk)，k＝1、2、…N，X_k是由第k天n个时段内在景区基站范围内的移动终端用户数所构成的输入向量，Y^* _k是第k天的景区历史客流量，x_1k、x_2k、…x_nk分别是第k天第1、2、…、n个时段内在景区基站范围内的移动终端用户数，将学习实例序号k、迭代次数t均初始化设为1；

步骤23、选取第k个学习实例(X_k,Y^* _k)；

步骤24、由X_k进行正向传播计算，逐层计算各层的输入和输出： 其中代表第k个学习实例对应的第l层第j个节点的输入，第一层各节点的输入直接为x_1k、x_2k、…、x_nk，为第l-1层第i个节点与第l层第j个节点的连接权重，代表第k个学习实例对应的第l-1层第i个节点的输出，代表第k个学习实例对应的第l层第i个节点的输出，代表对输入做f变换，最后计算输出层的输出节点误差为： 其中，y_jk是第k个学习实例在输出层第j个节点的输出值，E_jk为第k个学习实例在输出层第j个节点的误差，且j＝1；

步骤25、判断E_jk是否小于或等于ε，如果是，则继续下一步；

步骤26、判断是否已选取完所有学习实例，如果是，则本流程结束；如果否，则更新k：k＝(k+1)mod N，即将k修改为k+1除以N的余数，并将迭代次数t初始化为1，然后转向步骤23。

7.根据权利要求6所述的方法，其特征在于，步骤25中，当E_jk不是小于或等于ε时，还包括有：

步骤27、修改第L-1层至输出层的连接权矩阵： 其中，是第k个学习实例对应的第l层第j个输出节点的局部梯度，是第k个学习实例对应的第l层第j个输出节点的输入值，是激励函数f的导数，是第t次迭代中第l-1层第i个节点与第l层第j个输出节点的连接权重的修正量，是第k个学习实例对应的第l层第i个节点的输出值，是调整后的第t+1次迭代时第l-1层的第i个节点与第l层第j个输出节点的连接权重，是第t次迭代时第l-1层的第i个节点与第l层第j个输出节点的连接权重，当t＝1时，最后更新

步骤28、反向逐层修改联接各层的连接权矩阵： 其中，是第k个学习实例对应的第l层第j个节点的局部梯度，是第k个学习实例对应的第l层j个节点的输入，是激励函数f的导数，是第k个学习实例对应的第l+1层第q个节点的局部梯度，是第t次迭代时第l层第j个节点和第l+1层第q个节点的连接权重，是第t次迭代时第l-1层第i个节点和第l+1层第j个输出节点的连接权重的修正量，是第k个学习实例对应的第l-1层第i个节点的输出值，是调整后的第t+1次迭代时第l-1层第i个节点和第l层第j个节点的连接权重，是第t次迭代时第l-1层第i个节点和第l层第j个节点的连接权重，当t＝1时，最后更新

步骤29、更新t：t＝t+1，并判断t是否小于T，如果是，则转向步骤24；如果否，则本流程结束。