CN106960250A - 一种动态预测旅游景点客流的方法 - Google Patents
一种动态预测旅游景点客流的方法 Download PDFInfo
- Publication number
- CN106960250A CN106960250A CN201710124034.5A CN201710124034A CN106960250A CN 106960250 A CN106960250 A CN 106960250A CN 201710124034 A CN201710124034 A CN 201710124034A CN 106960250 A CN106960250 A CN 106960250A
- Authority
- CN
- China
- Prior art keywords
- day
- passenger flow
- prediction
- tourism
- season
- 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 23
- 238000013213 extrapolation Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims 9
- 206010019345 Heat stroke Diseases 0.000 claims 3
- 238000009413 insulation Methods 0.000 claims 2
- 230000002265 prevention Effects 0.000 claims 2
- 208000001034 Frostbite Diseases 0.000 claims 1
- 239000003507 refrigerant Substances 0.000 claims 1
- 238000010792 warming Methods 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种动态预测旅游景点客流的方法,将统计学方法同神经网络结合,考虑多因素对旅游的影响,将统计学中的趋势外推法、月指数法、波动系数法和BPNN结合,提出了一种针对旅游景点客流进行预测的方法,考虑了影响旅游的多种因素,利用月指数将历史客划分为小尺度数据,再利用BP来进行充分的学习,最后利用波动系数根据节假日的实际情况来动态预测景点客流,不仅对景区管理者提供了很大的便利,而且对游客出行也起到了指导性的作用,而且还可以根据未来节假日实际情况动态预测节假日客流。
Description
【技术领域】
本发明属于旅游景点客流量预测领域,涉及统计学与神经网络等技术,具体涉及一种动态预测旅游景点客流的方法。
【背景技术】
当前旅游业迅速发展,每逢周末节假,旅游景点客流暴增。超景点负荷的客流不但会破坏景点的平衡而且也是给旅游管理部门的管理带来巨大威胁。为了有效的控制旅游景点客流,维护旅游景点的生态平衡,准确有效的预测旅游客流已经成为当今旅游研究的热点与难点问题。
目前关于旅游客流预测的方法林林总总,总的可以分为定性预测和定量预测;定量预测里面目前比较流行的有时间序列预测模型、经济学预测模型、回归分析、机器学习;机器学习里面有支持向量机模型(SVM)和人工神经网络模型(ANN)。时间序列预测方法是利用历史数据挖掘历史趋势、图像的规律来预测未来,应用广泛的有ARIMA和对它的改进模型。它的缺点是不能解决非线性预测的问题,且对处理有剧烈变化的数据泛化能力还不够。经济学预测模型主要分析影响因子与预测之间的因果关系,这种模型存在耗时大,影响因子难以确定等因素。回归分析对复杂的对象问题易造成虚假的相关关系。机器学习中的SVM方法更适合小规模的训练样本,而且过程复杂。ANN中比较流行的是反向传播网络(BPNN),它的结点可以对复杂的问题进行学习,具有较强的自学习、自组织、和并行处理的功能,能够对非线性数据进行处理,是当前最流行的技术之一。但它的缺点是容易陷入局部最优值。
景区客流量由于受多方面因素的影响,如季节、气候舒适度、星期类型、休假制度、突发事件等多方面因素的影响导致景点客流出现负载不均衡现象,客流量也呈现复杂的非线性特征。
【发明内容】
本发明的目的在于提供一种动态预测旅游景点客流的方法,将统计学与神经网络结合来处理影响旅游客流的多种因素,用来更加准确的动态预测景点客流。
为达到上述目的,本发明采用如下技术方案:
一种动态预测旅游景点客流的方法,包括以下步骤:
步骤1、获取多种因素数据
获取旅游景点历史日客流数据,预测日的天气情况、温度、风速、湿度数据,天气情况包括晴天、阴天、雨天、雪天和霾天,其中阴天标记为0.5,雨天、雪天和霾天视为恶劣天气标为1,晴天标为0;
步骤2、获取预测日的人体舒适度
根据人体舒适度计算公式 式中,ssd是人体舒适度指数,t为平均气温,f为相对湿度,v为风速;用步骤1中获取的预测日温度、风速、湿度通过上式计算得到人体舒适度指数;
步骤3、获取预测日的舒适度等级
根据舒适度等级对照表表1,将步骤2中计算所得的人体舒适度对照表1得到预测日的舒适度等级;
表1:舒适度等级对照表
步骤4、平滑历史客流数据
将步骤1历史日客流数据中的节假日利用趋势外推法平滑掉,将平滑掉的节假日的历史客流数据统成为普通工作日客流数据;
步骤5、划分旅游季
利用月平均法处理步骤4得到的普通工作日客流数据,将1年12个月划分为四个旅游季,依次为旅游旺季,旅游次旺季,旅游平季和旅游淡季;
步骤6、预测普通工作日客流
分别为步骤5得到的四个旅游季建立BP神经网络,以步骤1中预测日对应的天气情况,步骤3中的舒适度等级以及步骤4中以往三年对应相同旅游季相同星期类型的普通工作日客流量作为BP神经网络的输入结点,用来预测下一年普通工作日的客流量;
步骤7、动态预测突发事件客流量
将引起客流剧烈波动的节假日视为积极突发事件,在步骤5所划分的旅游季基础之上,计算在不同旅游季中所属节假日的波动系数,最后计算出突发事件客流量,具体操作如下:
(1)分别计算同一突发事件相邻年每天的波动系数
表示在第j年的某个突发事件第i天的波动系数,表示普通工作日客流量,表示突发事件当天的实际客流量;
(2)分别计算相邻年份波动系数的差值
(3)计算所有年限差值的求和平均值
n是历史年限;
(4)预测年的波动系数就为所有年限差值的求和平均值和预测上一年波动系数的和;
(5)预测年的波动系数值与当天预测所得普通节假日客流的乘积即为突发事件客流量;
本发明将统计学方法同神经网络结合,考虑多因素对旅游的影响,将统计学中的趋势外推法、月指数法、波动系数法和BPNN结合,提出了一种针对旅游景点客流进行动态预测的方法。方法,景点客流动态预测方法可以精确到日客流预测,考虑了影响旅游的多种因素,利用月指数将历史客划分为小尺度数据,再利用BP来进行充分的学习,最后利用波动系数根据突发事件的实际情况来动态预测景点客流,不仅对景区管理者提供了很大的便利,而且对游客出行也起到了指导性的作用。本发明具有如下优点:
1、这个体系不仅仅只是建立在历史客流单一的数据之上,它还考虑到影响旅游客流的其他因素,如预测日当天的人体舒适度(湿度、温度、风速)、天气状况、星期类型、节假日因素,能够提高旅游景点客流预测的准确度。
2、可以根据预测日当天的具体天气状况和是否节假日实际情况动态预测景点客流情况。
3、可以根据任何景点所呈现出的特征进行特合实际的应用,具有强的普适性。
【附图说明】
图1是本发明的流程图;
图2是实施例中2011年到2014年被平滑后的普通工作日客流趋势图;
图3是实施例中所利用的神经网络结构图;
图4是实施例中2015年预测所得的普通工作日客流趋势图;
图5是实施例中2015年的趋势预测图。
【具体实施方式】
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明动态预测旅游景点客流的步骤:
步骤1、获取多种因素数据
获取旅游景点历史日客流数据,要预测日的天气、温度、风速、湿度数据(天气:晴天0,阴天0.5,雨或雪1)。
步骤2、获取预测日的人体舒适度
根据人体舒适度计算公式:
ssd是人体舒适度指数,t为平均气温,f为相对湿度,v为风速,用步骤1中获取的预测日温度、风速、湿度得到人体舒适度。
步骤3、获取预测日的舒适度等级
根据舒适度等级对照表表1,用步骤2中预测日每天舒适度获得舒适度等级。
表1:舒适度等级对照表
步骤4、平滑历史客流数据
将步骤1历史客流数据中的节假日利用趋势外推法平滑掉,将平滑掉的节假日的历史客流数据统成为普通工作日客流数据。
步骤5、划分旅游季
利用月指数处理步骤1得到的历史客流数据,将1年12个月划分为四个旅游季,依次为旅游旺季,旅游次旺季,旅游平季和旅游淡季。
步骤6、预测普通工作日客流
分别为步骤5得到的四个旅游季建立BP神经网络用来预测普通工作日的客流量。
步骤7、动态预测突发事件客流量
将引起客流剧烈波动的节假日视为积极突发事件。在步骤5所划分的旅游季基础之上,计算在不同旅游季中所属节假日的波动系数,最后计算出突发事件客流量,具体操作如下:
(1)分别计算同一突发事件相邻年每天的波动系数
表示在第j年的某个突发事件第i天的波动系数,表示普通工作日客流量,表示突发事件当天的实际客流量;
(2)分别计算相邻年份波动系数的差值
(3)计算所有年限差值的求和平均值
n为历史年限;
(4)预测年的波动系数就视为步骤(3)和预测上一年波动系数的和
(5)步骤(4)的值与当天预测所得普通节假日客流的乘积便是突发事件客流量
以下通过具体实施例说明本发明方案:
实施例:
1、获取多因素天气
本发明以预测西安博物院为例验证本发明的有效性。实例收集了2011年1月1日到2015年12月31日每天的客流数据,2014年1月1日到2015年12月31日每天的温度、湿度、风速、天气情况(晴天标识为0,雨雪标识为1,阴天为0.5)。
2、获取预测日的人体舒适度
根据人体舒适度计算公式: 得到了未来预测日的气候舒适度
3、获取预测日的舒适度等级
根据舒适度等级对照表,将获取的气候舒适度与表一进行对照,得到预测日每天的气候舒适度等级如表2所示。
表2
4、平滑历史客流数据
利用趋势外推法将2011年1月1日到2014年12月31日的历史客流数据中的节假日平滑掉。平滑后节假日的历史客流数据统称为普通工作日客流数据,如图2是2011年到2014年被平滑后的普通工作日客流趋势图。
5、划分旅游季
利用月指数处理2011年到2014年的普通工作日客流数据如表2所示,根据表3中的月指数数值,将1年12个月划分为四个旅游季,旅游旺季为4、8、7、10月标记为C,旅游次旺季为5、9月标记为D,旅游平季为3、6、11月标记为B,旅游淡季为1、2、12标记为A。
表3
6、预测普通工作日客流
分别为四个旅游季建立BP神经网络用来预测普通工作日的客流量。以淡季客流预测为例,利用2011到2014淡季的星期去预测未来一年对应淡季的相同星期客流量。所利用的神经网络结构为5-8-1,以具体输入方式如图3所示,图4为2015年预测所得的普通工作日客流趋势图。
7、动态预测突发事件客流量
本发明中将引起客流剧烈波动的假节日视为突发事件。由于不同突发事件可归属于不同的旅游季,因此本发明计算在不同旅游季中不同突发事件每一天的波动系数,最后计算出突发事件客流量。表4为计算所得不同旅游季不同天数突发事件的波动系数。
表4
A | 7天 | 3天 | B | 3天 | C | 6天 | 3天 | D | 3天 |
1 | 2.35 | 1.345 | 1 | 1.54 | 1 | 2.9 | 2.59 | 1 | 1.07 |
2 | 4.08 | 1.36 | 2 | 2.52 | 2 | 2.52 | 2.63 | 2 | 1.12 |
3 | 4.75 | 1.38 | 3 | 1.30 | 3 | 5.99 | 1.56 | 3 | 1.25 |
4 | 5.54 | 4 | 4.33 | ||||||
5 | 4.75 | 5 | 5.00 | ||||||
6 | 2.53 | 6 | 4.97 | ||||||
7 | 1.56 | 7 |
在神经网络预测的基础上,利用波动系数还原突发事件得到2015年整体的旅游客流预测值。2015年的趋势预测如图5所示,其中实线为预测值,虚线为真实值。
以上所述是本发明的优选实施方式,通过上述说明内容,本技术领域的相关工作人员可以在不偏离本发明技术原理的前提下,进行多样的改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (1)
1.一种动态预测旅游景点客流的方法,其特征在于包括以下步骤:
步骤1、获取多种因素数据
获取旅游景点历史日客流数据,预测日的天气情况、温度、风速、湿度数据,天气情况包括晴天、阴天、雨天、雪天和霾天,其中阴天标记为0.5,雨天、雪天和霾天视为恶劣天气标为1,晴天标为0;
步骤2、获取预测日的人体舒适度
根据人体舒适度计算公式 式中,ssd是人体舒适度指数,t为平均气温,f为相对湿度,v为风速;用步骤1中获取的预测日温度、风速、湿度通过上式计算得到人体舒适度指数;
步骤3、获取预测日的舒适度等级
根据舒适度等级对照表表1,将步骤2中计算所得的人体舒适度对照表1得到预测日的舒适度等级;
表1:舒适度等级对照表
步骤4、平滑历史客流数据
将步骤1历史日客流数据中的节假日利用趋势外推法平滑掉,将平滑掉的节假日的历史客流数据统成为普通工作日客流数据;
步骤5、划分旅游季
利用月平均法处理步骤4得到的普通工作日客流数据,将1年12个月划分为四个旅游季,依次为旅游旺季,旅游次旺季,旅游平季和旅游淡季;
步骤6、预测普通工作日客流
分别为步骤5得到的四个旅游季建立BP神经网络,以步骤1中预测日对应的天气情况,步骤3中的舒适度等级以及步骤4中以往三年对应相同旅游季相同星期类型的普通工作日客流量作为BP神经网络的输入结点,用来预测下一年普通工作日的客流量;
步骤7、动态预测突发事件客流量
将引起客流剧烈波动的节假日视为积极突发事件,在步骤5所划分的旅游季基础之上,计算在不同旅游季中所属节假日的波动系数,最后计算出突发事件客流量,具体操作如下:
(1)分别计算同一突发事件相邻年每天的波动系数
表示在第j年的某个突发事件第i天的波动系数,表示普通工作日客流量,表示突发事件当天的实际客流量;
(2)分别计算相邻年份波动系数的差值
(3)计算所有年限差值的求和平均值
n是历史年限;
(4)预测年的波动系数就为所有年限差值的求和平均值和预测上一年波动系数的和;
(5)预测年的波动系数值与当天预测所得普通节假日客流的乘积即为突发事件客流量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124034.5A CN106960250B (zh) | 2017-03-03 | 2017-03-03 | 一种动态预测旅游景点客流的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710124034.5A CN106960250B (zh) | 2017-03-03 | 2017-03-03 | 一种动态预测旅游景点客流的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106960250A true CN106960250A (zh) | 2017-07-18 |
CN106960250B CN106960250B (zh) | 2020-09-04 |
Family
ID=59470165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710124034.5A Active CN106960250B (zh) | 2017-03-03 | 2017-03-03 | 一种动态预测旅游景点客流的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960250B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563563A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交系统的基于大数据客流预测方法 |
CN108364098A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108376260A (zh) * | 2018-01-30 | 2018-08-07 | 陕西师范大学 | 一种基于最优子集优化的svr旅游需求预测方法 |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
CN108549865A (zh) * | 2018-04-12 | 2018-09-18 | 江南大学 | 一种基于深度学习的公共场所人流量调节辅助方法及系统 |
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 |
CN109993341A (zh) * | 2018-09-29 | 2019-07-09 | 上海电科智能系统股份有限公司 | 一种基于径向基函数神经网络的客流量预测方法 |
CN110019367A (zh) * | 2017-12-28 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种统计数据特征的方法和装置 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN110245788A (zh) * | 2019-05-30 | 2019-09-17 | 河海大学 | 一种基于刷卡数据的地铁客流短期预测方法 |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
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 |
CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
CN112966947A (zh) * | 2021-03-13 | 2021-06-15 | 深圳大智汇信息科技有限公司 | 一种基于物联网的智慧旅游景区管理方法及系统 |
CN113159377A (zh) * | 2021-03-12 | 2021-07-23 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835085A (zh) * | 2015-05-12 | 2015-08-12 | 成都中科大旗软件有限公司 | 旅游运行监管及安全应急管理联动指挥平台系统 |
CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
US9323599B1 (en) * | 2015-07-31 | 2016-04-26 | AppDynamics, Inc. | Time series metric data modeling and prediction |
-
2017
- 2017-03-03 CN CN201710124034.5A patent/CN106960250B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835085A (zh) * | 2015-05-12 | 2015-08-12 | 成都中科大旗软件有限公司 | 旅游运行监管及安全应急管理联动指挥平台系统 |
CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
US9323599B1 (en) * | 2015-07-31 | 2016-04-26 | AppDynamics, Inc. | Time series metric data modeling and prediction |
CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
郑强 等: ""风景名胜区旅游客流量影响因素研究"", 《蚌埠学院学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563563A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交系统的基于大数据客流预测方法 |
CN110019367A (zh) * | 2017-12-28 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 一种统计数据特征的方法和装置 |
CN110019367B (zh) * | 2017-12-28 | 2022-04-12 | 北京京东尚科信息技术有限公司 | 一种统计数据特征的方法和装置 |
CN108376260A (zh) * | 2018-01-30 | 2018-08-07 | 陕西师范大学 | 一种基于最优子集优化的svr旅游需求预测方法 |
CN108364098A (zh) * | 2018-02-08 | 2018-08-03 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108364098B (zh) * | 2018-02-08 | 2020-11-20 | 重庆邮电大学 | 一种天气特征对用户签到影响的度量方法 |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
CN108549865A (zh) * | 2018-04-12 | 2018-09-18 | 江南大学 | 一种基于深度学习的公共场所人流量调节辅助方法及系统 |
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 |
CN109993341A (zh) * | 2018-09-29 | 2019-07-09 | 上海电科智能系统股份有限公司 | 一种基于径向基函数神经网络的客流量预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN110245788A (zh) * | 2019-05-30 | 2019-09-17 | 河海大学 | 一种基于刷卡数据的地铁客流短期预测方法 |
CN110245788B (zh) * | 2019-05-30 | 2022-08-12 | 河海大学 | 一种基于刷卡数据的地铁客流短期预测方法 |
CN110443314A (zh) * | 2019-08-08 | 2019-11-12 | 中国工商银行股份有限公司 | 基于机器学习的景区客流量预测方法及装置 |
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 |
CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
CN113159377A (zh) * | 2021-03-12 | 2021-07-23 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN113159377B (zh) * | 2021-03-12 | 2024-03-12 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN112966947A (zh) * | 2021-03-13 | 2021-06-15 | 深圳大智汇信息科技有限公司 | 一种基于物联网的智慧旅游景区管理方法及系统 |
CN112966947B (zh) * | 2021-03-13 | 2021-09-14 | 深圳大智汇信息科技有限公司 | 一种基于物联网的智慧旅游景区管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106960250B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960250A (zh) | 一种动态预测旅游景点客流的方法 | |
Sennaroglu et al. | A military airport location selection by AHP integrated PROMETHEE and VIKOR methods | |
CN104766476B (zh) | 一种路段以及路网区域交通状态指数的计算方法 | |
CN105528660A (zh) | 一种基于日负荷曲线的变电站负荷模型参数预测方法 | |
CN106940829A (zh) | 一种车联网环境下的个性化路径推荐方法 | |
Kalkstein et al. | An analysis of air mass effects on rail ridership in three US cities | |
CN107527137A (zh) | 城市轨道交通网络成熟度确定方法 | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN103226801A (zh) | 基于多用户配流模型的空港集疏运交通量确定方法 | |
CN111444558A (zh) | 一种提升城市气候宜居度的城市通风廊道划定方法 | |
CN104464280B (zh) | 车辆行进开销的预测方法及系统 | |
CN105893774A (zh) | 生物多样性保护优先区域绿色发展生态安全评价指数的计算机建模方法 | |
CN106295875A (zh) | 一种开放式服务区选址分布方法 | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
CN102622651A (zh) | 一种建立及其改进绿色生态型道路的方法 | |
CN103995980A (zh) | 轨道交通沿线公交效能发挥的ahp评价方法 | |
Zhang et al. | Performance evaluation and obstacle factors analysis of urban public transport priority | |
Baghel | GIS-based Industrial Land Suitability Analysis for locating Industrial Parks in Raipur and Nava Raipur | |
Gao et al. | Method of Predicting Passenger Flow in Scenic Areas Considering Multisource Traffic Data. | |
Jia et al. | The overview of the high-speed railway transport organization in emergency | |
CN107274109A (zh) | 公路客运场站能效等级的评定方法 | |
CN108182170A (zh) | 基于空间自回归选择模型的电动自行车通勤出行预测方法 | |
CN108446784A (zh) | 一种高速公路与城市化发展协调水平预测方法 | |
CN104200661B (zh) | 一种交通道路系统状态变化预测方法 | |
Jing et al. | Application of Multi-path Assignment Model of Bicycle Traffic Flow from GIS for Street Space Quality in Ecological Planning Management Information System. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |