CN106779247A - 基于熵值法组合优化的旅游需求的预测方法 - Google Patents

Abstract

一种基于熵值法组合优化的旅游需求的预测方法，由以下步骤组成：(1)从旅游局官网旅游景点收集景区接待人数情况，按照年、月、日分类收集；(2)采用动态优化子集灰色模型方法，按照不同的时间尺度年、月、日分别对景区接待人数进行预测；(3)采用模糊时间序列模型按年、月、日分别对旅游景区接待人数进行预测；(4)采用熵值法组合优化的旅游需求预测模型；(5)采用马尔科夫模型修正熵值法组合优化模型。本发明给出了旅游需求预测的一种熵值法组合优化预测模型，该模型在旅游需求预测领域，具有重要的现实意义。

Description

基于熵值法组合优化的旅游需求的预测方法

技术领域

本发明属于数据处理技术领域，具体涉及到采用熵值法预测旅游的方法。

背景技术

旅游行业中旅游预测是旅游研究的热点问题，也是旅游学界的难点课题。“互联网+”时代，旅游预测研究呈现出一些新的趋势。随着人们生活水平的提高和消费观念的变化，旅游成为越来越多中国人在小长假、黄金周的首选。然而火爆的旅游市场也使景区人满为患、一房难求等现象层出不穷。要大力发展旅游业，提高旅游业的管理水平，旅游预测工作必不可少，而旅游预测中旅游需求预测、旅游客流量预测一向是旅游行业的重大课题和旅游研究的热点问题，对旅游管理机构以及目的地企业而言，对未来做到“心中有数”，无论对旅游行业宏观把握和调控，还是对目的地营销活动的引导，以及对旅游客流流向和流量的调整，都具有很大的现实意义。

传统的灰色模型针对小样本数据，短期预测，客流量数据有较大的随机性和波动性，本方法考虑灰色预测模型的背景，将等维递增的动态模型和最优子集法应用到灰色模型中，在进行动态预测时，增加约束条件，确定预测长度，提高预测拟合度；模糊时间序列模型预测的缺点是受区间长度的影响，难以进行有效的区间划分，本方法利用模糊C均值聚类算法分割区间，根据样本数据分布情况进一步优化区间划分。

目前在还没有基于灰色理论与模糊时间序列模型，在旅游技术领域，当前需解决的一个技术问题是对旅游客流量提供一种预测客流量的方法。

发明内容

本发明所要解决的技术问题在于克服上述两种预测模型的缺点，提供一种合理、经济、实用的基于熵值法组合优化的旅游需求的预测方法。

解决上述技术问题所采用的技术方案由以下步骤组成：

(1)从旅游局官网旅游景点收集景区接待人数情况，按照年、月、日分类收集。

(2)采用动态优化子集灰色模型方法，按照不同的时间尺度年、月、日分别对景区接待人数进行预测，旅游景区历史接待人数原始序列为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))

式中x⁽⁰⁾(n)为第n时刻的景区接待人数的观测值，其中n是至少为4、不为0的有限正整数；采用灰色模型从多时间尺度年、月、日进行预测，得到景区接待人数的预测值、平均绝对误差百分比，采用最优子集法优化预测值，确定最优输入子集的个数，得到平均绝对误差百分比的最小值对应的输入子集的个数，截取连续的数据段序列作为输入子集序列来替换原有的历史接待人数序列。

构建动态的优化子集灰色模型：第一次，去除旅游景区历史接待人数原始序列中的x⁽⁰⁾(1)，递补x⁽⁰⁾(n+1)，构成一组新的动态序列(x⁽⁰⁾(2),x⁽⁰⁾(3),…x⁽⁰⁾(n+1))依次类推，保持序列长度不变，构建成动态的优化子集灰色模型。

(3)采用模糊时间序列模型按年、月、日分别对旅游景区接待人数进行预测

在模糊时间序列模型的基础上，采用模糊C均值聚类算法分割区间获得聚类中心，对聚类中心按照升序进行排序，计算序列中相邻两个值的中值，分别插入旅游景区接待人数的最小值和最大值组成区间范围；根据落在区间范围内接待人数值的分布情况，采用统计学方法得到每个区间范围内落入的旅游景区接待人数，构建模糊逻辑关系，建立模糊预测。

(4)采用熵值法组合优化的旅游需求预测模型

采用熵值法按下式：

确定动态优化子集灰色模型与模糊时间序列模型两种单一模型相对误差的熵值；式中k>0为有限的正整数，h_(i)∈[0,1]，n为景区接待人数原始序列的长度值，n是至少为4的有限正整数，h_(i)为第i个相对误差的熵值，f_(i)为第i个误差占误差总和的权重，e_(i)为动态优化子集灰色模型与模糊时间序列模型两种单一模型相对误差；获取两种单一的预测模型的权重系数值w₁和w₂，得到动态优化子集灰色模型和模糊时间序列模型组合模型的预测值式中w₁为动态优化子集灰色模型的权重系数值，w₂为模糊时间序列模型的权重系数值，F为动态优化子集灰色模型的预测值，为模糊时间序列模型的预测值，为动态优化子集灰色模型和模糊时间序列模型组合模型预测值。

(5)采用马尔科夫模型修正熵值法组合优化模型

将步骤(4)的组合模型预测值与旅游景区接待人数实际值的相对误差按下式确定马尔科夫状态个数：

式中n为景区接待人数原始序列的长度值，n是至少为4的有限正整数，S为马尔科夫状态个数。

采用初始状态概率公式

得到初始状态概率矩阵

式中P_ij为经过k步转移的概率，r是选取的最优输入预测个数，距离要预测状态最近的r个值，k是转移的步数，采用初始状态概率，经过k步转移之后状态转移概率列向量之和的最大值所属状态，作为预测下一步将要转移状态的概率以及未来状态的趋势，获得马尔科夫模型修正预测值。

选取状态转移概率列向量之和的最大值所属的状态为预测值的状态，预测值为：

式中L_i是划分状态区间后的左端点值，U_j是划分状态区间后的右端点值，是两种单一模型组合以后的预测值，是马尔科夫模型修正以后的预测值。

在本发明的步骤(2)中最优子集法优化预测值的方法为：

1)设定原有的历史接待人数序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，式中i＝1,2…n，其中，n是序列的长度，为有限的正整数，x⁽⁰⁾(i)是序列中第i个指标年、月、日的接待人数值。

2)对序列x⁽⁰⁾做一次累加得x⁽¹⁾序列为(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3)…x⁽¹⁾(n))。

3)确定x⁽¹⁾序列的近邻均值序列z⁽¹⁾(k)为0.5x⁽¹⁾(k)+0.5⁽¹⁾(k-1)，式中k是不为1的有限正整数。

4)建立微分方程d(k)+az⁽¹⁾(k)＝b即x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

式中x⁽⁰⁾(k)为灰导数，z⁽¹⁾(k)为白化背景值，a为发展系数，b为灰作用量。

5)获取客流量的预测值

采用下式获取客流量的预测值：

式中a为发展系数，b为灰作用量，意义同4)，x⁽⁰⁾原有的历史接待人数序列的初值。

6)预测客流量的精度

用平均绝对误差百分比度量预测客流量的精度为：

式中l为最优输入子集的个数，MAPE(l)为平均绝对误差百分比，n是旅游景区接待人数原始序列的长度值，为有限正整数。

7)确定最优输入子集的个数

截取连续的数据段(x⁽⁰⁾(n-l),…x⁽⁰⁾(n-1),x⁽⁰⁾(n))，l∈(4,5…n-1)作为输入子集序列来替换原有的历史接待人数序列(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，根据式(2)获得平均绝对误差百分比MAPE(l)的最小值，确定最优输入子集的个数l。

在本发明的步骤(3)中，基于模糊C均值聚类算法分割区间的方法为：

1)将收集的景区客流量数据序列定义为d序列，进行升序排序为：d₁、d₂,、d₃、…、d_n，d₁为客流量最小接待值，d_n为客流量最大接待值，得到客流量所属的范围区间u为[d₁,d_n]，用公式

d₁＝ab×10^z

对范围区间u进行缩放处理，式中a、b、z为0到9之间的任意正整数，缩放处理方法如下：

Spec＝a×10^z-1+(b-1)×10^(z-2)

式中Spec为调整总趋势，范围区间U根据Spec合理调整得到新的范围区间如下：

U＝[d₁-Spec/10,d_n-Spec/10]

2)使用Matlab工具调用模糊C均值聚类算法，输出K个聚类中心值，对聚类中心进行排序，分别计算K个聚类中心的两两相邻的中值，总计K-1个中心值，将K-1个中心值，分别插到范围区间U中，得到K个小区间，记为u₁,u₂,u₃,…,u_n。

在本发明的步骤(4)中，获取两种单一的预测模型的权重系数值w₁和w₂的方法为：

1)采用公式(3)得到其相对误差，若相对误差e(i)大于1，相对误差e(i)值等于1,

式中x_真实值为景区接待人数的观测值，x_预测值为景区接待人数的预测值。

2)用式(4)对相对误差进行单位化变换，第i个相对误差占相对误差总和的权重，即相对误差的单位化变换；

3)用式(5)获取信息熵的冗余度即第i个相对误差的熵值和信息熵的冗余度：

d_(i)＝1-h_(i) (5)

式中k>0为常数，h_(i)∈[0,1]，h_(i)为第i个相对误差的熵值，d_(i)记为信息熵的冗余度，i∈n，n为旅游景区接待人数原始序列的长度值，属于有限正整数，i是年、月、日中的一个数。

4)获取两种单一的预测模型的权重系数值w₁和w₂权重系数，按式(6)

得到两种单一的预测模型的权重系数值w₁和w₂，式中n为2，加权系数总和为1。

本发明采用在两种现有的灰色模型和模糊时间序列模型的基础上，采用熵值法结合两种模型的预测结果，并采用马尔科夫模型修正预测值，对旅游业提出了一种预测方法。本发明与现有的灰色模型与模糊时间序列模型相比，本发明具有以下优点：

1、分析旅游景区的日常客流量变化规律，根据国内旅游的周期性特点，对多时间段、多时间尺度的客流量进行预测。从宏观上调控景区发展，微观上揭示景区客流量的内在规律，提升旅游行业的管理水平。

2、在两种现有灰色模型与模糊时间序列模型的基础上，增加最优子集法确定灰色模型输入子集的个数；模糊C均值聚类和统计法确定划分区间的长度。

3、采用熵值法来加权优化灰色模型与模糊时间序列模型，与单一的两种模型相比，本发明的信息更广泛、更多，并能够考虑到单一模型在不同时间段内预测精度的变化。

4、根据熵值法组合优化模型预测的结果，采用马尔科夫模型划分状态，求概率转移矩阵，预测未来的趋势，提高了预测性能。

附图说明

图1是本发明实施例1的流程图。

图2是实施例1中改进的灰色模型预测方法的流程图。

图3是实施例1中改进的模糊时间序列模型预测方法的流程图。

具体实施方法

下面结合附图和实施例对本发明进一步详细说明，但本发明不限于这些实施例。

实施例1

以西安博物院2011～2015年旅游客流量为例，基于熵值法组合优化的旅游需求预测方法步骤如下：

如图1所示，结合实施例国内旅游需求预测的实际应用——以西安博物院为例的基于熵值法组合优化的旅游需求预测方法具体由以下步骤实现：

(1)从旅游局官网旅游景点收集景区接待人数情况，按照年、月、日分类收集

收集西安博物院统计的2011—2015年来西安博物院旅游的持票入园人数，如表1所示：

表1西安博物院旅游客流量

(2)采用动态优化子集灰色模型方法，按照不同的时间尺度年、月、日分别对景区接待人数进行预测

1)设定原有的历史接待人数序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，i＝1,2…n，其中，n是序列的长度为48，x⁽⁰⁾(1)是序列中第1个数，为2011年1月份接待人数，……，x⁽⁰⁾(48)是序列中的第48个数，为2014年12月份接待人数。

2)对序列x⁽⁰⁾做一次累加得x⁽¹⁾序列为(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3)…x⁽¹⁾(n))。

3)确定x⁽¹⁾序列的近邻均值序列z⁽¹⁾(k)为0.5x⁽¹⁾(k)+0.5⁽¹⁾(k-1)，式中k为2,3,…49。

4)建立微分方程d(k)+az⁽¹⁾(k)＝b即x⁽⁰⁾(k)+az⁽¹⁾(k)＝b式中x⁽⁰⁾(k)为灰导数，z⁽¹⁾(k)为白化背景值，a为发展系数，b为灰作用量；

5)获取客流量的预测值，采用下式获取客流量的预测值：

式中a为发展系数，b为灰作用量，意义同4)，x⁽⁰⁾原有的历史接待人数序列的初值，客流量预测结果见表2。

表2灰色模型预测西安博物院旅游客流量

6)预测客流量的精度

用平均绝对误差百分比度量预测客流量的精度为

式中l为最优输入子集的个数，取l为5-43连续的正整数，MAPE(l)为平均绝对误差百分比，见表3，n为旅游景区接待人数原始序列的长度值，n为48。

表3最佳输入子集长度和MAPE值

7)确定最优输入子集的个数

截取连续的数据段(x⁽⁰⁾(n-l),…x⁽⁰⁾(n-1),x⁽⁰⁾(n))，l∈(4,5…n-1)作为输入子集序列来替换原有的历史接待人数序列(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，根据式(2)获得平均绝对误差百分比MAPE(l)的最小值为MAPE＝0.1794，l＝10时，性能最好，因此，确定最优输入子集的个数为10来预测。

(3)采用模糊时间序列模型按年、月、日分别对旅游景区接待人数进行预测

在模糊时间序列模型的基础上，采用模糊C均值聚类算法分割区间获得聚类中心，对聚类中心按照升序进行排序，计算序列中相邻两个值的中值，分别插入旅游景区接待人数的最小值和最大值组成区间范围；根据落在区间范围内接待人数值的分布情况，采用统计学方法得到每个区间范围内落入的旅游景区接待人数，构建模糊逻辑关系，建立模糊预测。

上述的基于模糊C均值聚类算法分割区间的方法为：

1)将收集的旅游景区客流量数据序列定义为d序列，进行升序排序为：d₁、d₂,、d₃、…、d_n，d₁为客流量最小接待值，d_n为客流量最大接待值，得到客流量所属的范围区间u为[d₁,d_n]，用公式

d₁＝ab×10^z

式中a为1，b为2，z为4,d₁为12×10⁴，对范围区间u进行缩放处理，u为12401～136561，缩放处理如下：

Spec＝a×10^z-1+(b-1)×10^(z-2)

式中Spec为调整总趋势为1100，范围区间U根据Spec合理调整得到新的范围区间为12291～136671

U＝[d₁-Spec/10,d_n-Spec/10]

2)使用Matlab工具调用模糊C均值聚类算法，输出K个聚类中心值，本实施例的K为6，对聚类中心进行排序，分别计算K个聚类中心的两两相邻的中值，总计K-1个中心值，将K-1个中心值分别插到U中，本实施例的U为12291～136671，得到K个小区间，记为u₁,u₂,u₃,…,u₂₇，本实施例的u1为12.291～14.881，u2为14.881～17.471，u3为17.471～20.061，…，u27为135.09335～136.671。

(4)采用熵值法组合优化的旅游需求预测模型

采用熵值法按下式

确定动态优化子集灰色模型与模糊时间序列模型两种单一模型相对误差的熵值；式中k>0为常数，本实施例的k为0.2543，h_(i)∈[0,1]，n为景区接待人数原始序列的长度值，本实施例的n为48，h_(i)为第i个相对误差的熵值，本实施例的h₍₁₎为0.0912，h₍₂₎为0.0819，获取两种单一的预测模型的权重系数值w₁和w₂，本实施例的w1为0.5025，w₂为0.4975，得到动态优化子集灰色模型和模糊时间序列模型组合模型的预测值式中w1为动态优化子集灰色模型的权重系数值，w2为模糊时间序列模型的权重系数值，F为动态优化子集灰色模型的预测值，为模糊时间序列模型的预测值，为动态优化子集灰色模型和模糊时间序列模型组合模型预测值，预测结果见表4。

表4基于熵值法的组合方法预测结果

(5)采用马尔科夫模型修正熵值法组合优化模型

将步骤(4)得到的组合模型预测值与旅景区接待人数实际值的相对误差按下式确定马尔科夫状态个数

式中n为景区接待人数原始序列的长度值，n为有限正整数。S为马尔科夫状态个数，本实施例的n为48，S为6；

采用初始状态概率公式

得到初始状态概率矩阵

式中P_ij为经过k步转移的概率，r是选取的最优输入预测个数，r距离要预测状态最近的r个值，k是转移的步数，本实施例的k为3，r为10，采用初始状态概率，经过k步转移之后状态转移概率列向量之和的最大值所属状态，作为预测下一步将要转移状态的概率以及未来状态的趋势，获得马尔科夫模型修正预测值；

选取状态转移概率列向量之和的最大值所属的状态为预测值的状态，预测值为：

这里L_i是划分状态区间后的左端点值，U_j是划分状态区间后的右端点值，是两种单一模型组合以后的预测值，是马尔科夫模型修正以后的预测值见表5。

表5基于熵值法的组合马尔科夫优化的方法预测结果

由表5可见，预测结果结合平均相对误差MRE、平均绝对相对误差MARE、均方根相对误差RMSE、平均绝对百分比误差MAPE来进行评价如表6所示，通过对比4种模型，基于熵值法的组合优化的方法有更好的预测性能。

表6 4种模型下不同评价指标的比较

Claims (4)

1.一种基于熵值法组合优化的旅游需求的预测方法，其特征在于由以下步骤组成：

(1)从旅游局官网旅游景点收集景区接待人数情况，按照年、月、日分类收集；

(2)采用动态优化子集灰色模型方法，按照不同的时间尺度年、月、日分别对景区接待人数进行预测，旅游景区历史接待人数原始序列为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，

式中x⁽⁰⁾(n)为第n时刻的景区接待人数的观测值，其中，n是至少为4、不为0的有限正整数；采用灰色模型从多时间尺度年、月、日进行预测，得到景区接待人数的预测值、平均绝对误差百分比，采用最优子集法优化预测值，确定最优输入子集的个数，得到平均绝对误差百分比的最小值对应的输入子集的个数，截取连续的数据段序列作为输入子集序列来替换原有的历史接待人数序列；

构建动态的优化子集灰色模型：第一次，去除旅游景区历史接待人数原始序列中的x⁽⁰⁾(1)，递补x⁽⁰⁾(n+1)，构成一组新的动太序列为：

(x⁽⁰⁾(2),x⁽⁰⁾(3),…x⁽⁰⁾(n+1))，依次类推，保持序列长度不变，构建成动态的优化子集灰色模型；

(3)采用模糊时间序列模型按年、月、日分别对旅游景区接待人数进行预测

在模糊时间序列模型的基础上，采用模糊C均值聚类算法分割区间获得聚类中心，对聚类中心按照升序进行排序，计算序列中相邻两个值的中值，分别插入旅游景区接待人数的最小值和最大值组成区间范围；根据落在区间范围内接待人数值的分布情况，采用统计学方法得到每个区间范围内落入的旅游景区接待人数，构建模糊逻辑关系，建立模糊预测；

(4)采用熵值法组合优化的旅游需求预测模型

采用熵值法按下式

$\begin{array}{cc}{h}_{\left(i\right)}=-k\underset{i=1}{\overset{n}{\Σ}}{f}_{\left(i\right)}\ln f_{\left(i\right)}& f_{\left(i\right)}\end{array}=\frac{e_{\left(i\right)}}{\underset{i=1}{\overset{n}{\Σ}}\left(e_{\left(i\right)}\right)}$

确定动态优化子集灰色模型与模糊时间序列模型两种单一模型相对误差的熵值；式中k>0为有限的正整数，h_(i)∈[0,1]，n为景区接待人数原始序列的长度值，n是至少为4的有限正整数，h_(i)为第i个相对误差的熵值，f_(i)为第i个误差占误差总和的权重，e_(i)为动态优化子集灰色模型与模糊时间序列模型两种单一模型相对误差；获取两种单一的预测模型的权重系数值w₁和w₂，得到动态优化子集灰色模型和模糊时间序列模型组合模型的预测值式中w₁为动态优化子集灰色模型的权重系数值，w₂为模糊时间序列模型的权重系数值，F为动态优化子集灰色模型的预测值，为模糊时间序列模型的预测值，为动态优化子集灰色模型和模糊时间序列模型组合模型预测值；

(5)采用马尔科夫模型修正熵值法组合优化模型

将步骤(4)的组合模型预测值与旅游景区接待人数实际值的相对误差按下式确定马尔科夫状态个数：

式中n为景区接待人数原始序列的长度值，n是至少为4的有限正整数，S为马尔科夫状态个数；

采用初始状态概率公式

得到初始状态概率矩阵

式中P_ij为经过k步转移的概率，r是选取的最优输入预测个数，距离要预测状态最近的r个值，k是转移的步数，采用初始状态概率，经过k步转移之后状态转移概率列向量之和的最大值所属状态，作为预测下一步将要转移状态的概率以及未来状态的趋势，获得马尔科夫模型修正预测值；

选取状态转移概率列向量之和的最大值所属的状态为预测值的状态，预测值为：

$\tilde{\hat{F}}=\[1+0.005(L_i+U_j)\]\hat{F}$

式中L_i是划分状态区间后的左端点值，U_j是划分状态区间后的右端点值，是两种单一模型组合以后的预测值，是马尔科夫模型修正以后的预测值。

2.根据权利要求1所述的基于熵值法组合优化的旅游需求的预测方法，其特征在于所述的步骤(2)中，最优子集法优化预测值的方法为：

1)设定原有的历史接待人数序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，式中i＝1,2…n，其中，n是序列的长度，为有限的正整数，x⁽⁰⁾(i)是序列中第i个指标年、月、日的接待人数值；

2)对序列x⁽⁰⁾做一次累加得x⁽¹⁾序列为(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3)…x⁽¹⁾(n))；

3)确定x⁽¹⁾序列的近邻均值序列z⁽¹⁾(k)为0.5x⁽¹⁾(k)+0.5⁽¹⁾(k-1)，式中k是不为1的有限正整数；

4)建立微分方程d(k)+az⁽¹⁾(k)＝b即x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

式中x⁽⁰⁾(k)为灰导数，z⁽¹⁾(k)为白化背景值，a为发展系数，b为灰作用量；

5)获取客流量的预测值

采用下式获取客流量的预测值：

${\hat{x}}^{\left(1\right)}(k+1)=\left(x^{\left(0\right)}\right(1)-\frac{b}{a})e^{-ak}+\frac{b}{a},{\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=1,2...n-1---\left(1\right)$

式中a为发展系数，b为灰作用量，意义同4)，x⁽⁰⁾原有的历史接待人数序列的初值；

6)预测客流量的精度

用平均绝对误差百分比度量预测客流量的精度为：

$MAPE\left(l\right)=\frac{1}{n-l}\underset{k=l+1}{\overset{n}{\Σ}}\left|\frac{x^{\left(0\right)}\left(k\right)-{\hat{x}}^{\left(0\right)}\left(k\right))}{x^{\left(0\right)}\left(k\right)}\right|---\left(2\right)$

式中l为最优输入子集的个数，MAPE(l)为平均绝对误差百分比，n是旅游景区接待人数原始序列的长度值，为有限正整数：

7)确定最优输入子集的个数

截取连续的数据段(x⁽⁰⁾(n-l),…x⁽⁰⁾(n-1),x⁽⁰⁾(n))，l∈(4,5…n-1)作为输入子集序列来替换原有的历史接待人数序列(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，根据式(2)获得平均绝对误差百分比MAPE(l)的最小值，确定最优输入子集的个数l。

3.按照权利要求1所述的基于熵值法组合优化的旅游需求的预测方法，其特征在于所述的步骤(3)中，基于模糊C均值聚类算法分割区间的方法为：

1)将收集的景区客流量数据序列定义为d序列，进行升序排序为：d₁、d₂,、d₃、…、d_n，d₁为客流量最小接待值，d_n为客流量最大接待值，得到客流量所属的范围区间u为[d₁,d_n]，用公式

d₁＝ab×10^z

对范围区间u进行缩放处理，式中a、b、z为0到9之间的任意正整数，缩放处理方法如下：

Spec＝a×10^z-1+(b-1)×10^(z-2)

式中Spec为调整总趋势，范围区间U根据Spec合理调整得到新的范围区间如下：

U＝[d₁-Spec/10,d_n-Spec/10]

2)使用Matlab工具调用模糊C均值聚类算法，输出K个聚类中心值，对聚类中心进行排序，分别计算K个聚类中心的两两相邻的中值，总计K-1个中心值，将K-1个中心值分别插到范围区间U中，得到K个小区间，记为u₁,u₂,u₃,…,u_n。

4.按照权利要求1所述的基于熵值法组合优化的旅游需求的预测方法，其特征在于所述的步骤(4)中，获取两种单一的预测模型的权重系数值w₁和w₂的方法为：

1)采用公式(3)得到其相对误差，若相对误差e(i)大于1，相对误差e(i)值等于1，

式中x_真实值为景区接待人数的观测值，x_预测值为景区接待人数的预测值；

2)用式(4)对相对误差进行单位化变换，第i个相对误差占相对误差总和的权重，即相对误差的单位化变换；

$f_{\left(i\right)}=\frac{e_{\left(i\right)}}{\underset{i=1}{\overset{n}{\Σ}}\left(e_{\left(i\right)}\right)}---\left(4\right)$

3)用式(5)获取信息熵的冗余度即第i个相对误差的熵值和信息熵的冗余度：

$h_{\left(i\right)}=-k\underset{i=1}{\overset{n}{\Σ}}{F}_{\left(i\right)}\ln f_{\left(i\right)}$

d_(i)＝1-h_(i) (5)

式中k>0为常数，h_(i)∈[0,1]，h_(i)为第i个相对误差的熵值，d_(i)记为信息熵的冗余度，i∈n，n为旅游景区接待人数原始序列的长度值，属于有限正整数，i是年、月、日中的一个数；

4)获取两种单一的预测模型的权重系数值w₁和w₂权重系数，按式(6)

$w_i=\frac{1}{n-1}(1-\frac{d_i}{\underset{i=1}{\overset{n}{\Σ}}{d}_i})---\left(6\right)$

得到两种单一的预测模型的权重系数值w₁和w₂，式中n为2，加权系数总和为1。