CN111144652B

CN111144652B - 基于游览舒适度算法和趋势预测方法、系统和装置

Info

Publication number: CN111144652B
Application number: CN201911371480.1A
Authority: CN
Inventors: 陈海江; 倪剑平; 郑旭列; 吴硕涛; 邓雅予
Original assignee: Zhejiang Lishi Technology Co Ltd
Current assignee: Zhejiang Lishi Technology Co Ltd
Priority date: 2019-12-26
Filing date: 2019-12-26
Publication date: 2023-08-08
Anticipated expiration: 2039-12-26
Also published as: CN111144652A

Abstract

本申请公开了一种基于游览舒适度算法和趋势预测方法、系统和装置，预测方法包括：获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标；基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合；基于数据集合的内容进行预处理；建立LR逻辑回归模型，将多个分类划分为多个二分类任务来实现训练多个二分类，构造训练模型作为预测景区未来的舒适度等级；基于所述模型训练结果对当前所收集的特征进行预测。在本申请实施例中，据多个不同维度的特征数据来提前预测景区的舒适度让游客旅游的时候有更好的选择，实现智能化旅游。

Description

基于游览舒适度算法和趋势预测方法、系统和装置

技术领域

本申请涉及游览区评估技术领域，尤其涉及一种基于游览舒适度算法和趋势预测方法、系统和装置。

背景技术

现在我国对于景区舒适度的概念没有一个很好的统一，各种因素都有可能是舒适度的影响要素，目前国家气象局规定了ssd人体舒适度，它的计算方式受天气气象的因素影响。不同风格的景区的游览舒适度不能仅用人体舒适度判断。

由于我国是一个人口大国，景区的客流承载量，不同节气的气候变化，不同时间的天气变化等都是影响景区舒适度的必要因素，，考虑到不同的景区影响人体舒适度的因素不同，景区舒适度也没有统一的计算方法和规划。

发明内容

为了解决上述技术问题，本申请实施例提供一种基于游览舒适度算法和趋势预测方法、系统和装置。

本申请实施例第一方面提供了一种基于游览舒适度算法和趋势预测方法，可包括：

获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标；

基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合；

基于数据集合的内容进行预处理；

建立LR逻辑回归模型，将多个分类划分为多个二分类任务来实现训练多个二分类，构造训练模型作为预测景区未来的舒适度等级；

基于所述模型训练结果对当前所收集的特征进行预测。

进一步地，所述获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标包括：

基于当前研究区域，设定数据获取周期；

基于所述周期，获取气候影响因素所对应的数据，形成各类影响因素数据。

进一步地，所述基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合包括：

基于风湿指数和风效指数构建分级准则；

基于所述分级准则构建基于各类影响因素的数据内容；

所述各类影响因素包括但不限于景区客流离散度、温湿指数、风效指数、客源市场集中指数和人体舒适度。

进一步地，所述基于数据集合的内容进行预处理；

基于onehot编码将带有中文的特征字段标称属性转换成数值型；

基于数值型数据进行woe变换。本申请实施例第二方面提供了一种基于游览舒适度算法和趋势预测系统，可包括：

数据采集单元，用于获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标；

特征维度构建单元，用于基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合；

预处理单元，用于基于数据集合的内容进行预处理；

模型训练单元，用于建立LR逻辑回归模型，将多个分类划分为多个二分类任务来实现训练多个二分类，构造训练模型作为预测景区未来的舒适度等级；

预测单元，用于基于所述模型训练结果对当前所收集的特征进行预测。

进一步地，所述数据采集单元包括：

周期设定单元，用于基于当前研究区域，设定数据获取周期；

数据计算单元，用于基于所述周期，获取气候影响因素所对应的数据，形成各类影响因素数据。

进一步地，所述特征维度构建单元包括：

标准建立单元，用于基于风湿指数和风效指数构建分级准则；

数据建立单元，用于基于所述分级准则构建基于各类影响因素的数据内容；

其中，所述数据建立单元中的各类影响因素包括但不限于景区客流离散度、温湿指数、风效指数、客源市场集中指数和人体舒适度。

进一步地，所述预处理单元包括：

编码转换单元，用于基于onehot编码将带有中文的特征字段标称属性转换成数值型；

数值变换单元，用于基于所述编码转换单元的数据进行woe变换。

进一步地，

所述模型训练单元包括：

模型构建单元，采用LR逻辑回归模型，将多分类划分为多个二分类任务来完成训练多个二分类的方式构造训练模型，用于预测景区未来的舒适度等级；

分类器单元，对构建模型的控制树大小进行参数修改，使用决策树分类器实现多标签多分类。

第三方面，本申请实施例提供了一种预估装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现第一方面的方法。

在本申请实施例中，据多个不同维度的特征数据来提前预测景区的舒适度让游客旅游的时候有更好的选择，实现智能化旅游。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的预测方法流程图；

图2是二分类模型结构图；

图3是分级准则的示意图；

图4是本申请实施例提供的一种预测系统的示意框图；

图5是本申请实施例提供的一种预测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

如图1所示，是本申请所涉及的一种基于游览舒适度算法和趋势预测方法的流程图，可包括：

S101:获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标。

可以理解的是，为了便于获取数据，作为后续处理的基础，获取至少三类气候影响因素的数据，形成气候数据指标。在本实施例中，要确定所要研究的区域，并设定数据获取周期为一个月。

S102：基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合。

可以理解的是，为了将所获取的基础数据转化成本方案索亚的数据，需要对上述气候数据指标的相关数据进行处理，将所需要的数据类型形成多维数据，抽取特征维度信息，构建数据集合。

具体地，所抽取的维度选择五种，分别是1：景区客流离散度R，2：温湿指数THI，3：风效指数K，4：客源市场集中指数，5：人体舒适度ssd。

月度百分比离散计算，离散程度越高，游客接待数就越高。

THI＝(1.8t+32)-0.55(1-f)(1.8t-26)，气候舒适度评价指标：温湿指数(THI)和风效指数(K)，其中t为温度，f为相对湿度，v为风速，s为日照时数，计算多年的各月均值。

G为客源市场集中指数，X_i是第i个客源地的游客数量，T为旅游地的游客总量，n为客源地的总数，随着景区的管理与营销的成熟，客源市场集中指数是在不断下降的。

ssd＝(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2，ssd人体舒适度，t为平均气温,f为相对湿度,v为风速。

确定特征维度后，根据文献资料将THI和K进行标准分级和赋值人为分级如图2，不同的景区适宜的温度气候不同，因不同的情况筛选分布赋值。最后目标集舒适度分为A-E五个级别，A为最优，E为最差结合以上五个维度特征分类，数据收集越多越准确。

S103:基于数据集合的内容进行预处理。

可以理解的是，数据集的预处理，由于电脑程序只识别英文和数字，收集到可用的数据以后还需要进一步的对数据集处理，这里我们用onehot编码把带有中文的特征字段标称属性转换为数值型(主要是将离散的数据类型变成连续的)，后做woe变换，用每个类别的woe值来代替原来的数值，这样既能够避免生成相关性强的变量，又能避开类别间大小无法比较的问题，在将网络上所收集的关于景区的实时热度归一化，缩放成0～100％之间，已便于模型的训练。本实施例中，这里我们只针对THI和K进行分级，1～5,5为最优。

S104：建立LR逻辑回归模型，将多个分类划分为多个二分类任务来实现训练多个二分类，构造训练模型作为预测景区未来的舒适度等级。

可以理解的是，LR逻辑回归模型是典型的二分类模型，我们把多分类划分为多个二分类任务来完成训练多个二分类的思想来构造我们的训练模型用来预测景区未来的舒适度等级。

模型原理：如图3所示，二分类正负类概率模型如下：分类任务有K个类别时，那么对于每一个类别的概率有：/>其余类的模型就是：w为模型参数，x是输入的(特征空间)，Y是输出标签，w_k是在k类别下的模型参数。

使用决策树分类器(DecisionTreeClassifier)实现多标签多分类，其中控制树(例如max_depth树的最大深度，min_samples_leaf拆分内部节点所需要的最少样本数等)大小的参数的默认值会导致树完全生长和未修剪，这在某些数据集上可能非常大。为了减少内存消耗，应通过设置这些参数值来控制树的复杂性和大小。每次分割时，特征总是随机排列的。因此，即使对于相同的训练数据，最佳发现的分割也可能会有所不同，并且max_features＝n_features，如果在最佳分割的搜索过程中枚举的几个分割的标准改进相同，则最佳分割也可能有所不同。

为了在拟合过程中获得确定性的行为，random_state必须进行修复。

S105:基于所述模型训练结果对当前所收集的特征进行预测。

训练好模型之后保存模型，处理好要预测的特征集之后将特征放入模型最后训练出要预测的值。

本申请实施例还提供一种基于游览舒适度算法和趋势预测系统，该系统用于执行前述任一项上述预测方法。具体地，参见图4，图4是本申请实施例提供的一种预测装置的示意框图。本实施例的装置包括：数据采集单元310、特征维度构建单元320、预处理单元330、模型训练单元340和预测单元350。

上述的数据采集单元310，用于获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标。

数据采集单元包括：

周期设定单元311，用于基于当前研究区域，设定数据获取周期；

数据计算单元312，用于基于所述周期，获取气候影响因素所对应的数据，形成各类影响因素数据。

上述的特征维度构建单元320，用于基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合。

特征维度构建单元包括：

标准建立单元321，用于基于风湿指数和风效指数构建分级准则；

数据建立单元322，用于基于所述分级准则构建基于各类影响因素的数据内容。数据建立单元中的各类影响因素包括但不限于景区客流离散度、温湿指数、风效指数、客源市场集中指数和人体舒适度。

上述的预处理单元330，用于基于数据集合的内容进行预处理。

预处理单元包括：

编码转换单元331，用于基于onehot编码将带有中文的特征字段标称属性转换成数值型；

数值变换单元332，用于基于所述编码转换单元的数据进行woe变换。

上述的模型训练单元340，用于建立LR逻辑回归模型，将多个分类划分为多个二分类任务来实现训练多个二分类，构造训练模型作为预测景区未来的舒适度等级。

模型训练单元包括：

上述的预测单元350，用于基于所述模型训练结果对当前所收集的特征进行预测。

图5是本申请实施例提供的一种识别设备的结构示意图。该对象检测设备4000包括处理器41，还可以包括输入装置42、输出装置43和存储器44。该输入装置42、输出装置43、存储器44和处理器41之间通过总线相互连接。

存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。

输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。

处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。

存储器用于存储网络设备的程序代码和数据。

处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。

可以理解的是，图5仅仅示出了对象检测设备的简化设计。在实际应用中，动作识别装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的动作识别装置都在本申请的保护范围之内。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。

以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等)，这些等同变换均属于本发明的保护。

Claims

1.一种基于游览舒适度算法和趋势预测方法，其特征在于，包括：

基于数据集合的内容进行预处理；

基于所述模型训练结果对当前所收集的特征进行预测；

所述获取预设周期内的至少三类气候影响因素的数据，形成气候数据指标包括：

基于当前研究区域，设定数据获取周期；

基于所述周期，获取气候影响因素所对应的数据，形成各类影响因素数据；

所述基于上述气候数据指标的相关数据，抽取特征维度信息，构建数据集合包括：

基于温湿指数和风效指数构建分级准则；

基于所述分级准则构建基于各类影响因素的数据内容；

所述各类影响因素包括景区客流离散度、温湿指数、风效指数、客源市场集中指数和人体舒适度；

景区客流离散度其中，Xi表示第i月的游客接待数；

温湿指数THI＝(1.8t+32)-0.55(1-f)(1.8t-26)；

风效指数其中，t为温度，f为相对湿度，v为风速，s为日照时数；

客源市场集中指数其中，XI是第I个客源地的游客数量,T为旅游地的游客总量，n为客源地的总数；

人体舒适度ssd＝(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2；其中，t为平均气温,f为相对湿度,v为风速。

2.根据权利要求1所述的基于游览舒适度算法和趋势预测方法，其特征在于，

所述基于数据集合的内容进行预处理；

基于数值型数据进行woe变换。

3.一种基于游览舒适度算法和趋势预测系统，其特征在于，包括：

预处理单元，用于基于数据集合的内容进行预处理；

预测单元，用于基于所述模型训练结果对当前所收集的特征进行预测；所述数据采集单元包括：

数据计算单元，用于基于所述周期，获取气候影响因素所对应的数据，形成各类影响因素数据；

所述特征维度构建单元包括：

数据建立单元，用于基于所述分级准则构建基于各类影响因素的数据内容；其中，所述数据建立单元中的各类影响因素包括景区客流离散度、温湿指数、风效指数、客源市场集中指数和人体舒适度；

景区客流离散度其中，Xi表示第i月的游客接待数；

温湿指数THI＝(1.8t+32)-0.55(1-f)(1.8t-26)；

4.根据权利要求3所述的基于游览舒适度算法和趋势预测系统，其特征在于，

所述预处理单元包括：

5.根据权利要求4所述的基于游览舒适度算法和趋势预测系统，其特征在于，

所述模型训练单元包括：

6.一种预估装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1-2任意一项所述的方法。