CN111915076A - 一种利用人工智能神经网络实现景区观景人员预测的方法 - Google Patents

Abstract

本发明公开了一种利用人工智能神经网络实现景区观景人员预测的方法，包括景区历史数据的收集与统计、历史数据预处理、神经网络模型及训练方法、利用收敛的神经网络模型对新的一天的入园人数进行预测；本发明解决了传统中利用经验无法准确预测的问题；其中数据处理方法包括天气状况的预处理，将复杂的天气状况整理成0到1之间的小数，便于神经网络的输入与处理；新颖的节假日数据处理方案，能够将每天的节假日状况整理成0到1之间的小数，使每个节假日对应神经网络的一个输入变量，体现了不同节假日对入园人数的影响，对日期和星期对入园人数影响的建模方法，使得星期和日期都建模成0到1之间的小数，便于神经网络的处理。

Description

一种利用人工智能神经网络实现景区观景人员预测的方法

技术领域

本发明涉及人工智能技术领域，尤其涉及一种利用人工智能神经网络实现景区观景人员预测的方法。

背景技术

随着人类社会的发展以及国内收入的提高，越来越多的人旅游，社会的旅游业也越来越丰富，但随之而来的问题是旅游人数太多会导致景区爆满，人员太拥挤，甚至出现安全事故，特别是有些景区设有险峻的栈道，一旦人数太多可能导致栈道承重太重，发生危险的事情。为了闭免这些事情的发生，急需对景区的入园人数、景点尤其是关注度高的人数容易爆满的景点人数进行科学的预测，从而避免发生上述情况的发生。然而，据查相关的专利以及论文，却没有相关的工作进行开展，为了解决上述问题，本专利提出了一种利用景点历史数据对新的一天内入园人员数量进行预测的方法，从而帮助景区主管对可能出现的人员爆满现象进行限流和疏导的措施。

一个景区每天的游客数据量是有限制的，不能无限增长，如果景区人员超限则会带来安全隐患。如果不能提前预测景区人员，提前进行人员限流，则在景区人员已经满的时候则必须对新来的人员进行退票或者不允许买票的操作，这会严重降低观众的体验和对景区的印象。因此对景区未来某天的人员进行提前预测是迫在眉睫的。

值得注意的是进入景区人员的数量是受到较多因素影响的，除了常规的日流量外，还有比如季节，节假日、天气、温湿度、风力等因素的影响，如何对这些影响因素进行建模并使用合适的数学工具来对未来某天入园人数进行预测成为本专利的关键。

查阅相关文献和专利，没有发现相关的利用神经网络预测景区游客数量的公开内容。现有的景区往往是根据经验对游园人数进行预测，比如去年五一有多少人入园，今年由于每天比去年多了10％的游客，那么估计今年也会比去年的五一多10％，这种预测方法往往缺乏准确性。

现有的景区管理系统都缺乏对未来某天入园人数的精确预测方法，也没有相应的设施，其带来的后果是不能提早预测景区爆满的情况，不能提前对入园人数进行限制，或者不能提前安排景区工作人员的数量，在景区游园人数较多的时候可能安排的工作人员不足，而在景区人数较少的情况下有可能安排过多的工作人员，导致开支过大。景区人员爆满会出现安全隐患，如果强制驱离入园人员，则引起游客的反感，影响景区声誉。

发明内容

本发明的目的就在于为了解决上述问题而提供一种利用人工智能神经网络实现景区观景人员预测的方法。

本发明通过以下技术方案来实现上述目的：

本发明包括以下步骤：

(1)景区历史数据的收集与统计；(2)历史数据预处理；(3)神经网络模型及训练方法；(4)利用收敛的神经网络模型对新的一天的入园人数进行预测；

所述景区历史数据的收集与统计方法：收集景区历史数据的目的是为了用这些已有的数据对神经网络进行训练，再使用训练出来的网络权重预测未来某天的游客数量；景区通过设备或装置记录过去若干天内的数据和信息；

所述历史数据预处理：历史数据收集完毕之后，需要进行预处理，才能作为神经网络的训练样本，每一项历史数据经过预处理之后都作为神经网络的一个输入或者输出；

所述神经网络模型及训练方法：使用具有隐层的多层感知器模型来构建神经网络，并使用误差反方向传播算法来对神经网络的权重进行训练。

本发明的有益效果在于：

本发明是一种利用人工智能神经网络实现景区观景人员预测的方法，与现有技术相比，本发明解决了传统中利用经验无法准确预测的问题；其中数据处理方法包括天气状况的预处理，将复杂的天气状况整理成0到1之间的小数，便于神经网络的输入与处理；新颖的节假日数据处理方案，能够将每天的节假日状况整理成0到1之间的小数，使每个节假日对应神经网络的一个输入变量，体现了不同节假日对入园人数的影响，对日期和星期对入园人数影响的建模方法，使得星期和日期都建模成0到1之间的小数，便于神经网络的处理。

附图说明

图1是本发明的景区入园人数预测流程图

图2是本发明神经网络的结构图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明包括以下步骤：

(1)景区历史数据的收集与统计；(2)历史数据预处理；(3)神经网络模型及训练方法；(4)利用收敛的神经网络模型对新的一天的入园人数进行预测；四个步骤的处理流程如下图1所示；

所述景区历史数据的收集与统计方法：收集景区历史数据的目的是为了用这些已有的数据对神经网络进行训练，再使用训练出来的网络权重预测未来某天的游客数量；景区通过设备或装置记录过去若干天内的数据和信息；

所述历史数据预处理：历史数据收集完毕之后，需要进行预处理，才能作为神经网络的训练样本，每一项历史数据经过预处理之后都作为神经网络的一个输入或者输出；

所述神经网络模型及训练方法：使用具有隐层的多层感知器模型来构建神经网络，并使用误差反方向传播算法来对神经网络的权重进行训练。

所述景区历史数据的收集与统计包括以下步骤：

设共记录了N_D天，这些天的编号分别是i＝1,2,...,N_D；

①每天的入园人数，第i天的入园人数用N_i表示，前一天的入园人数用N_i-1表示，神经网络训练时N_i-1作为输入，N_i用作神经网络期望输出的结果；

②当天属于当年中的第几天，用D_i表示，D_i＝1,2,...,366，当年的第一天，即元旦节，则令D_i＝1，元月2号，则令D_i＝2，等；

③记录数据中还需包括数据所处的年份，用E_i表示，比如E_i＝2015；

④记录该天是星期几，用Z_i表示，星期一则令Z_i＝1，星期二则Z_i＝2，…，星期日则令Z_i＝7；

⑤每天的天气状况，包括平均温度T_i、平均湿度H_i、降雨量R_i、降雪量S_i，以及前一天的天气状况，包括前一天的平均温度T_i-1、平均湿度H_i-1、降雨量R_i-1、降雪量S_i-1；

⑥记录该天节假日状况，各个不同的节假日用不同的符号表示，比如用

代表春节，用

代表元旦，等，

代表景区所在国的第k个节假日，K代表该国节假日总数。

上述每个变量中的i都是从1，2，…，到N_D，记录的天数N_D越长越好，建议N_D大于或等于365天，也即记录至少一整年的信息。

所述历史数据预处理为：

设神经网络的输入向量用X⁽ⁱ⁾表示，i＝1,2,…,N_D，X⁽ⁱ⁾代表第i天的历史数据构成的第i个训练样本，每个训练样本都是一个N_n维的列向量，用

表示，式中

代表神经网络的第n个输入变量，n∈{1,2,…,N_n}，N_n为输入层神经元个数，等于历史数据中所有输入型变量的总数，()^T表示对矩阵或者向量做转置操作。令

相对于X_i仅仅增加了分量-1，其目的是为了让神经网络引入闸值。

针对每天的入园人数N_i，设N_D天内入园人数的最大值为N_max，则令

作为输入层第1个神经元第i次的输入值，令

代表第i次训练的教师信号，或者称为期望输出信号，则有

d_i≤1，令神经网络输出的结果为O_i，则

为神经网络预测的游园人数，

表示取整操作，使用1.1的目的是为了留有余量。

当天属于当年中的天数D_i，除以366得到输入层第二个神经元的输入值，有

则可以得到

针对记录数据中所处的年份E_i，设E_i(i＝1,2,...,N_D)中的最小值为E_min，最大值为E_max，则令

代表神经网络的第三个输入变量；

针对第i天是星期几的变量Z_i，令

为神经网络的第4个输入变量；

针对第i天的天气状况，比如平均温度T_i的处理方法，设T_i的最低温度为T_min，最高温度为T_max，则令

为神经网络的第5个输入变量，同样地也可以求得第6到12个输入变量的表达式，有

其中H_min和H_max分别代表湿度的最低和最高值，等，上述各个参数的含义以此类推可以得到；

针对该天的节假日状况，如果该国有K个不包括周末的法定节假日，则每个节假日对应一个神经网络的输入变量，K个节假日则对应K个神经网络输入节点，第k个节假日对应于第k+12号神经网络的输入变量

的取值取决于如下三个因素，第一个因素是当天是否属于这个节日，如果第i天不属于此节假日，则

如果属于此节假日，则

的取值还与另两个因素有关，其一是这天属于此假期中的第几天，假设为第j天，其二是此假共有多少天，设为N_k天，具体计算公式是

如设我国的第7个法定节假日为国庆，共7天假期，如果第i天属于国庆假的第1天，则有j＝1，N_k＝7，k＝7，代入上式则有

如果是国庆假的最后一天，则有

其他假日对应的

值也可以用类似方法求得。

神经网络模型及训练方法：使用具有隐层的多层感知器模型来构建神经网络，并使用误差反方向传播算法来对神经网络的权重进行训练，神经网络的结构如下图2所示。

神经网络的第一层为输入层，其在第i次训练时输入的序列为前面步骤(1)、(2)中产生的向量

中间包含L个隐层，L≥2，每个隐层包含的神经元的数目分别是M₁、M₂、…、M_L，第l(1≤l≤L)个隐层的神经元数目为M_l，且M_l≥N_n；第1隐层的权重用矩阵

表示，W^(1,i)是一个N_n+1行，M₁列的矩阵，其中

代表第1隐层第i次训练时第p个神经元输入的权值向量，p＝1,2,…,M₁，并且

其中

代表第n个输入层神经元到第1隐层的第p个神经元在第i次训练时的权重；

第l(1＜l≤L)个隐层在第i次训练时的权重矩阵为

其中

代表第l隐层第i次训练时第p神经元输入的权值向量，p＝1,2,…,M_l，有

q＝0,1,2,…,M_l-1，其中

代表第l-1隐层的第q个神经元到第l隐层第p号神经元在第i次训练时的权重；

设第1隐层在第i次训练的输出结果用向量

表示，其中

代表第1隐层的第m₁个神经元的输出结果，训练时，利用公式Y^(1,i)＝f(X⁽ⁱ⁾×W^(1,i))算出第1隐层在第i次训练的输出结果，其中X⁽ⁱ⁾×W^(1,i)是一个1行、M₁列的向量，f()函数为单极性sigmoid函数，且表示对输入向量中的每一个元素都做单极性sigmoid操作；

令

表示将行向量Y^(1,i)的左边增加一个元素-1，构成一个M₁+1维的行向量，则第2隐层第i次训练的输出结果向量

同样的方法，将第l隐层输出的向量Y^(l,i)增加一个元素-1，构成一个M_l+1维的行向量

则可以算出第l+1隐层输出的结果

循此方法，我们可以算出各个隐层的输出结果，也可以算出神经网络最终输出的结果O_i；构造代价函数

同时给每个权重赋随机初值

利用误差反向传输(BP)算法，可以推算出每次训练时权重的增量，设第i+1次训练得到的第l-1隐层的第q个神经元到第l隐层第p号神经元相对于第i次权重的增量为

则由BP算法可以得到

由此可以得到第i+1次训练权值的更新公式为：

由此令神经网络的权重在每次训练时都实现更新，通过多次训练的方法能够让这些权重稳定下来，如果训练样本数N_D比较少，可以让这些训练样本采用改变顺序的方法多训练若干次；假设训练时第l层权重向量最终稳定下来的结果为W^(l)，l＝1,2,…,L，利用这些收敛的权重结合一些运算公式可以推算出景区将来某天内的游客数量。

所述利用收敛的神经网络模型对新的一天的入园人数进行预测的方法：

预测未来某天，如第N_D+1天的游客人数，需要如下5个流程：

流程1)：将第N_D+1天内景区的六类数据进行获取以及整理，这六类数据包括前一天的入园人数、星期状况、天的编号状况、节假日状况、天气状况；其中天气状况可以利用天气预报获得；

流程2)：利用流程1)整理的数据，根据步骤(1)和(2)的方法得到神经网络的输入向量

流程3)：利用公式

计算出第1隐层的输出结果，

即为第1隐层的输出结果；

流程4)：利用

构造向量

则可以得到第2隐层的输出结果：

以此类推，可以推算出第L隐层的输出结果

这个结果就等于神经网络的输出结果

流程5)：

是一个0到1之间的小数，计算

则得到神经网络最终预测出来的第N_D+1天的游园人数，其中

是取整操作。

在本发明中，提出了一种新颖的预测景区游园人数的方法，该预测方法综合考虑了影响景区入园人数的6大类信息，包括年份、历史入园人数、日期、星期、天气、节假日等因素，通过利用神经网络的方法，实现景区入园人数的精确预测，为景区工作人员调度管理、安全预防、节约开支等有巨大的帮助。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种利用人工智能神经网络实现景区观景人员预测的方法，其特征在于，包括以下步骤：

(1)景区历史数据的收集与统计；(2)历史数据预处理；(3)神经网络模型及训练方法；(4)利用收敛的神经网络模型对新的一天的入园人数进行预测；

所述景区历史数据的收集与统计方法：收集景区历史数据的目的是为了用这些已有的数据对神经网络进行训练，再使用训练出来的网络权重预测未来某天的游客数量；景区通过设备或装置记录过去若干天内的数据和信息；

所述历史数据预处理：历史数据收集完毕之后，需要进行预处理，才能作为神经网络的训练样本，每一项历史数据经过预处理之后都作为神经网络的一个输入或者输出；

所述神经网络模型及训练方法：使用具有隐层的多层感知器模型来构建神经网络，并使用误差反方向传播算法来对神经网络的权重进行训练。

2.根据权利要求1所述的利用人工智能神经网络实现景区观景人员预测的方法，其特征在于：所述景区历史数据的收集与统计包括以下步骤：

设共记录了N_D天，这些天的编号分别是i＝1,2,...,N_D；

①每天的入园人数，第i天的入园人数用N_i表示，前一天的入园人数用N_i-1表示，神经网络训练时N_i-1作为输入，N_i用作神经网络期望输出的结果；

②当天属于当年中的第几天，用D_i表示，D_i＝1,2,...,366，当年的第一天，即元旦节，则令D_i＝1，元月2号，则令D_i＝2；

③记录数据中还需包括数据所处的年份，用E_i表示，比如E_i＝2015；

④记录该天是星期几，用Z_i表示，星期一则令Z_i＝1，星期二则Z_i＝2，…，星期日则令Z_i＝7；

⑤每天的天气状况，包括平均温度T_i、平均湿度H_i、降雨量R_i、降雪量S_i，以及前一天的天气状况，包括前一天的平均温度T_i-1、平均湿度H_i-1、降雨量R_i-1、降雪量S_i-1；

⑥记录该天节假日状况，各个不同的节假日用不同的符号表示，比如用

代表春节，用

代表元旦，等，

代表景区所在国的第k个节假日，K代表该国节假日总数；

上述每个变量中的i都是从1，2，…，到N_D，记录的天数N_D越长越好，建议N_D大于或等于365天，也即记录至少一整年的信息。

3.根据权利要求1所述的利用人工智能神经网络实现景区观景人员预测的方法，其特征在于：所述历史数据预处理为：

设神经网络的输入向量用X⁽ⁱ⁾表示，i＝1,2,…,N_D，X⁽ⁱ⁾代表第i天的历史数据构成的第i个训练样本，每个训练样本都是一个N_n维的列向量，用

表示，式中

代表神经网络的第n个输入变量，n∈{1,2,…,N_n}，N_n为输入层神经元个数，等于历史数据中所有输入型变量的总数，()^T表示对矩阵或者向量做转置操作；令

相对于X_i仅仅增加了分量-1，其目的是为了让神经网络引入闸值。

4.根据权利要求2所述的利用人工智能神经网络实现景区观景人员预测的方法，其特征在于：针对每天的入园人数N_i，设N_D天内入园人数的最大值为N_max，则令

作为输入层第1个神经元第i次的输入值，令

代表第i次训练的教师信号，或者称为期望输出信号，则有

令神经网络输出的结果为O_i，则

为神经网络预测的游园人数，

表示取整操作，使用1.1的目的是为了留有余量；

当天属于当年中的天数D_i，除以366得到输入层第二个神经元的输入值，有

则可以得到

针对记录数据中所处的年份E_i，设E_i(i＝1,2,...,N_D)中的最小值为E_min，最大值为E_max，则令

代表神经网络的第三个输入变量；

针对第i天是星期几的变量Z_i，令

为神经网络的第4个输入变量；

针对第i天的天气状况，比如平均温度T_i的处理方法，设T_i的最低温度为T_min，最高温度为T_max，则令

为神经网络的第5个输入变量，同样地也可以求得第6到12个输入变量的表达式，有

其中H_min和H_max分别代表湿度的最低和最高值；

针对该天的节假日状况，如果该国有K个不包括周末的法定节假日，则每个节假日对应一个神经网络的输入变量，K个节假日则对应K个神经网络输入节点，第k个节假日对应于第k+12号神经网络的输入变量

的取值取决于如下三个因素，第一个因素是当天是否属于这个节日，如果第i天不属于此节假日，则

如果属于此节假日，则

的取值还与另两个因素有关，其一是这天属于此假期中的第几天，假设为第j天，其二是此假共有多少天，设为N_k天，具体计算公式是

如设我国的第7个法定节假日为国庆，共7天假期，如果第i天属于国庆假的第1天，则有j＝1，N_k＝7，k＝7，代入上式则有

如果是国庆假的最后一天，则有

其他假日对应的

值。

5.根据权利要求1所述的利用人工智能神经网络实现景区观景人员预测的方法，其特征在于：神经网络模型及训练方法：

神经网络的第一层为输入层，其在第i次训练时输入的序列为前面步骤(1)、(2)中产生的向量

中间包含L个隐层，L≥2，每个隐层包含的神经元的数目分别是M₁、M₂、…、M_L，第l(1≤l≤L)个隐层的神经元数目为M_l，且M_l≥N_n；第1隐层的权重用矩阵

表示，W^(1,i)是一个N_n+1行，M₁列的矩阵，其中

代表第1隐层第i次训练时第p个神经元输入的权值向量，p＝1,2,…,M₁，并且

其中

代表第n个输入层神经元到第1隐层的第p个神经元在第i次训练时的权重；

第l(1＜l≤L)个隐层在第i次训练时的权重矩阵为

其中

代表第l隐层第i次训练时第p神经元输入的权值向量，p＝1,2,…,M_l，有

q＝0,1,2,…,M_l-1，其中

代表第l-1隐层的第q个神经元到第l隐层第p号神经元在第i次训练时的权重；

设第1隐层在第i次训练的输出结果用向量

表示，其中

代表第1隐层的第m₁个神经元的输出结果，训练时，利用公式Y^(1,i)＝f(X⁽ⁱ⁾×W^(1,i))算出第1隐层在第i次训练的输出结果，其中X⁽ⁱ⁾×W^(1,i)是一个1行、M₁列的向量，f()函数为单极性sigmoid函数，且表示对输入向量中的每一个元素都做单极性sigmoid操作；

令

表示将行向量Y^(1,i)的左边增加一个元素-1，构成一个M₁+1维的行向量，则第2隐层第i次训练的输出结果向量

同样的方法，将第l隐层输出的向量Y^(l,i)增加一个元素-1，构成一个M_l+1维的行向量

则可以算出第l+1隐层输出的结果

循此方法，我们可以算出各个隐层的输出结果，也可以算出神经网络最终输出的结果O_i；构造代价函数

同时给每个权重赋随机初值

利用误差反向传输(BP)算法，可以推算出每次训练时权重的增量，设第i+1次训练得到的第l-1隐层的第q个神经元到第l隐层第p号神经元相对于第i次权重的增量为

则由BP算法可以得到

由此可以得到第i+1次训练权值的更新公式为：

由此令神经网络的权重在每次训练时都实现更新，通过多次训练的方法能够让这些权重稳定下来，如果训练样本数N_D比较少，可以让这些训练样本采用改变顺序的方法多训练若干次；假设训练时第l层权重向量最终稳定下来的结果为W^(l)，l＝1,2,…,L，利用这些收敛的权重结合一些运算公式可以推算出景区将来某天内的游客数量。

6.根据权利要求1所述的利用人工智能神经网络实现景区观景人员预测的方法，其特征在于：所述利用收敛的神经网络模型对新的一天的入园人数进行预测的方法：

预测未来某天，如第N_D+1天的游客人数，需要如下5个流程：

流程1)：将第N_D+1天内景区的六类数据进行获取以及整理，这六类数据包括前一天的入园人数、星期状况、天的编号状况、节假日状况、天气状况；其中天气状况可以利用天气预报获得；

流程2)：利用流程1)整理的数据，根据步骤(1)和(2)的方法得到神经网络的输入向量

流程3)：利用公式

计算出第1隐层的输出结果，

即为第1隐层的输出结果；

流程4)：利用

构造向量

则可以得到第2隐层的输出结果：

以此类推，可以推算出第L隐层的输出结果

这个结果就等于神经网络的输出结果

流程5)：

是一个0到1之间的小数，计算

则得到神经网络最终预测出来的第N_D+1天的游园人数，其中

是取整操作。

Images