CN113159377A - 一种基于多因子聚合模型的景区畅游度预测范式方法 - Google Patents

一种基于多因子聚合模型的景区畅游度预测范式方法 Download PDF

Info

Publication number
CN113159377A
CN113159377A CN202110271523.XA CN202110271523A CN113159377A CN 113159377 A CN113159377 A CN 113159377A CN 202110271523 A CN202110271523 A CN 202110271523A CN 113159377 A CN113159377 A CN 113159377A
Authority
CN
China
Prior art keywords
scenic spot
model
index
passenger flow
scenic
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
Application number
CN202110271523.XA
Other languages
English (en)
Other versions
CN113159377B (zh
Inventor
杨荣平
宋佳维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Songyou Data Technology Co ltd
Original Assignee
Jiangsu Songyou Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Songyou Data Technology Co ltd filed Critical Jiangsu Songyou Data Technology Co ltd
Priority to CN202110271523.XA priority Critical patent/CN113159377B/zh
Publication of CN113159377A publication Critical patent/CN113159377A/zh
Application granted granted Critical
Publication of CN113159377B publication Critical patent/CN113159377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06Q50/14—Travel agencies
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多因子聚合模型的景区畅游度预测范式方法，该方法包括客流量预测模型与畅游度模型构建，其中模型涉及了斯皮尔曼相关系数，ARIMA(p,d,q)模型，AHP方法评估，min‑max归一化处理等一系列的数学模型来预测景区的畅游度情况。本发明的目的是通过满足游客和管理两方面的需求，来改善游客旅游体验、转变景区服务观念，加快旅游智慧化建设。游客方面，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度；景区管理方面，通过畅游度信息的发布，及时向游客推荐最佳游览路线，避免游客集中部分景点，来提升景区服务水平和知名度，该方式通过旅游大数据建立多种模型来综合考虑景区畅游度，应用前景广阔。

Description

一种基于多因子聚合模型的景区畅游度预测范式方法
技术领域
本发明涉及互联网大数据旅游服务领域，具体来说，涉及一种基于多因子聚合模型的景区畅游度预测范式方法。
背景技术
随着社会生活水平的日益改善，人们的生活方式也不仅仅限于普通的衣、食、住、行。在物质方面得到提升的同时精神方面也追求一个质的飞跃，因此近些年旅游业也井喷式的发展，与此同时各景区的服务质量也需要同步的提升，提高有客户的旅游体验，特别是节假日的时间段，各个地区的景区游客常常出现较严重的拥堵跟滞留现象等问题。
因此为解决上述的问题现提出景区畅游度模型，该模型的目的是通过满足游客和管理两方面的需求，来改善游客旅游体验、转变景区服务观念，加快旅游智慧化建设。游客方面，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度；景区管理方面，通过畅游度信息的发布，及时的向游客推荐最佳路线，避免游客集中部分景点，来提升景区服务水平和知名度。
发明内容
本发明的目的是克服上述背景中的不足之处，提出一种基于多因子聚合模型的景区畅游度预测范式方法。
该方法包括如下步骤：
步骤S1：获取游客畅游景区影响因素；
步骤S2：建立游客畅游度数据集；
步骤S3：构建游客多因子聚合模型；
步骤S4：输出未来短期客流量预测数据；
步骤S5：构建景区畅游度模型；
步骤S6：畅游度指数结果输出。
优选地，所述步骤S1中游客畅游景区影响因素包括景区开放性、游客舒适度、道路通畅度和设施完善度。
优选地，所述步骤S2中游客畅游度数据集包括省内重点景区动态信息、天气预报信息、空气质量指数信息、PM2.5实时浓度信息、景区类型、景区游客量、道路拥挤度、高速卡口车流量、景区停车场停车余位、景区厕所密度和景区饭店密度信息。
所述步骤S3中构建游客多因子聚合模型主要包括如下步骤：
步骤S31：统计收集样本景区每小时客流量历史数据；
步骤S32：出游状态信息结果输出；
步骤S33：计算斯皮尔曼(Spearman)相关系数ρ；
步骤S34：采用ARIMA(p,d,q)模型预测未来一周每小时的客流量值。
优选地，所述多因子聚合模型步骤S31中样本景区每小时客流量历史数据的时间周期为T-T0，其中T代表当前时刻，T0代表1周前的此时刻。
优选地，所述多因子聚合模型步骤S32中出游状态信息结合了天气预报信息、空气质量指数信息、PM2.5实时浓度信息、气象预警和出游景点匹配性，具体结果包括适宜、较适宜、一般、较不宜、不适宜，并分别赋值为1、0.75、0.5、0.25、0。
优选地，所述多因子聚合模型步骤S33中斯皮尔曼(Spearman)相关系数ρ包括各景点的历史客流量和出游状态值，相关系数ρ的计算方式为：
Figure BDA0002974723870000021
其中n数值为84，i代表其中的一个景点，xi代表景点i客流量，
Figure BDA0002974723870000022
代表样本景点客流量均值，yi代表景区i出游状态，
Figure BDA0002974723870000023
代表样本景区出游状态均值；基于各景点的历史客流量和出游状态值，采用Spearman方法计算每个月周一至周日内两者相关性ρ值(调整系数)，得到12*7＝84个观察样本。
所述多因子聚合模型步骤S34中ARIMA(p,d,q)模型具体为：
Figure BDA0002974723870000024
其中，L是滞后算子，d为整数且大于0，i代表景点数，p代表自回归项数，Φ代表自回归系数多项式，q代表滑动平均项数，θ代表滑动平均系数多项式，εt代表零均值白噪声序列。
首先，对历史客流量的时间序列进行平稳性分析，若为非平稳数据则需进行d阶差分，化为平稳非白噪声序列。其次，计算自相关系数ACF(Autocorrelation Function)和偏自相关系数PACF(Partial Autocorrelation Function)，判断最佳阶层p和阶数q；最后，回归分析并验证结果；经过回归分析，计算客流量预测值；同时观察ARIMA(AutoregressiveIntegratedMoving Average mode)模型下的残差是否服从正态分布，并检验残差是否(自)相关。
优选地，所述多因子聚合模型步骤S34中预测的结果为：未来一周每小时客流量ξ1＝未来一周每小时的客流量预测值*(1+ρ)，其中，调整系数ρ是根据客流量与出游状态值两者相关系数进行确定。
预测景区未来一小时客流状态ξ2＝1-未来一周每小时的客流量/日承载最大客流量，
其中，ξ≦0.2对应报警状态，0.2<ξ≦0.4对应拥挤状态，0.4<ξ≦0.6对应适中状态，0.6<ξ≦1对应舒适状态。
所述步骤S5中景区畅游度模型评价指标包括游客舒适度、道路通畅度和设施完善度；其中景区闭园情况下的畅游度定义为0，景区开园情况下的畅游度模型构建包括如下步骤：
步骤S51：采用AHP方法构建游客舒适度、道路畅通度和设施完善度各维度指数分项指标；
步骤S52：对分项指标进行min-max归一化处理；
步骤S53：采用主成分分析法(PCA)确认各分项指标权重；
步骤S54：综合评估畅游度指数。
优选地，所述步骤S52中分项指标min-max归一化处理方法如下：
X*＝(Xi-Xmin)/(Xmax-Xmin)
其中，Xi表示实际值，Xmin和Xmax为对应的极小值和极大值，x*取值范围介于0至1之间。
优选地，所述步骤S53中主成分分析法(PCA)具体定义如下：
假设存在P个景区观察点R＝(x1，x2,…,xp)T，每个样本景点涵盖i个特征xp＝(x1,x2,…,xi)，xi对应是特定观察点的分项指标；
对样本矩阵R进行变换，求出相关系数矩阵，变换方法为标准化：
标准化
Figure BDA0002974723870000031
其中，均值
Figure BDA0002974723870000032
方差
Figure BDA0002974723870000033
求解相关系数矩阵为R＝[rij]P*P，其中，
Figure BDA0002974723870000034
其中，xij代表景区对应的观察特征指标，∑代表求和运算，zij代表标准化后的z值；
根据矩阵特征方程|R-λIP|＝0，解出特征值λ和特征向量IP，得到主成分：
Figure BDA0002974723870000035
j取1，2，...，n，并分析各指标的方差贡献率，若利用率达85％以上，确定权重Wi值。
倘若方差贡献率不满足条件，指标间相关性较弱，那么需通过熵值法重新计算各维度权重大小。
根据标准化后的指标数据计算出信息熵：
Figure BDA0002974723870000036
然后确定指标的权重大小：
Figure BDA0002974723870000041
最终，综合评价结果如下：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3
优选地，所述步骤S6中畅游度指数结果输出主要包括如下结果：
a、客流量预测：
未来一周每小时客流量＝未来一周每小时的客流量预测值*(1+ρ)
b、畅游度指数：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3。
本发明的有益效果在于：
(1)从游客方面来说，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度。
(2)从景区管理方面来说，通过畅游度信息的发布，及时的向游客推荐最佳路线，避免游客集中部分景点，来提升景区服务水平和知名度。
(3)该发明通过建立多种模型来综合考虑景区畅游度，此方法灵活简洁具有十分广泛的实用性。
附图说明
图1是本发明景区畅游度预测范式方法构建流程图；
图2是本发明游客多因子聚合模型构建流程图；
图3是本发明景区开园情况下的畅游度模型构建流程图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
结合图1可知，该发明所述方法具体分为6个步骤，其中步骤S1获取游客畅游景区影响因素，其中影响因素包括了景区开放性、游客舒适度、道路通畅度和设施完善度。步骤S2建立游客畅游度数据集，其中数据包括省内重点景区动态信息、天气预报信息、空气质量指数信息、PM2.5实时浓度信息、景区类型、景区游客量、道路拥挤度、高速卡口车流量、景区停车场停车余位、景区厕所密度和景区饭店密度等信息。步骤S3中通过收集的数据构建游客多因子聚合模型，该聚合模型最终可以预测出未来一周每小时的客流量值，在步骤S4中输出未来短期客流量预测数据。步骤S5中景区畅游度模型评价指标包括游客舒适度、道路通畅度和设施完善度；其中景区闭园情况下的畅游度定义为0，景区开园情况下的畅游度模型构建。最后步骤S6中畅游度指数结果输出主要包括如下结果：
a、客流量预测：
未来一周每小时客流量＝未来一周每小时的客流量预测值*(1+ρ)
b、畅游度指数：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3。
结合图2，步骤S3构建游客多因子聚合模型时，具体的又分为4个步骤，其中S31中样本景区每小时客流量历史数据的时间周期为T-T0，其中T代表当前时刻，T0代表1周前的此时刻。步骤S32中出游状态信息结合了天气预报信息、空气质量指数信息、PM2.5实时浓度信息、气象预警和出游景点匹配性，具体结果包括适宜、较适宜、一般、较不宜、不适宜，并分别赋值为1、0.75、0.5、0.25、0。步骤S33中斯皮尔曼(Spearman)相关系数ρ包括各景点的历史客流量和出游状态值，相关系数ρ的计算方式为：
Figure BDA0002974723870000051
其中n数值为84，i代表其中的一个景点，xi代表景点i客流量，
Figure BDA0002974723870000052
代表样本景点客流量均值，yi代表景区i出游状态，
Figure BDA0002974723870000053
代表样本景区出游状态均值；基于各景点的历史客流量和出游状态值，采用Spearman方法计算每个月周一至周日内两者相关性ρ值(调整系数)，得到12*7＝84个观察样本。步骤S34中ARIMA(p,d,q)模型具体为：
Figure BDA0002974723870000054
其中，L是滞后算子，d为整数且大于0，i代表景点数，p代表自回归项数，Φ代表自回归系数多项式，q代表滑动平均项数，θ代表滑动平均系数多项式，εt代表零均值白噪声序列
首先，对历史客流量的时间序列进行平稳性分析，若为非平稳数据则需进行d阶差分，化为平稳非白噪声序列。其次，计算自相关系数ACF和偏自相关系数PACF，判断最佳阶层p和阶数q；最后，回归分析并验证结果；经过回归分析，计算客流量预测值；同时观察ARIMA模型下的残差是否服从正态分布，并检验残差是否(自)相关。步骤S34中预测的结果为：未来一周每小时客流量ξ1＝未来一周每小时的客流量预测值*(1+ρ)，其中，调整系数ρ是根据客流量与出游状态值两者相关系数进行确定。
预测景区未来一小时客流状态ξ2＝1-未来一周每小时的客流量/日承载最大客流量，
其中，ξ≦0.2对应报警状态，0.2<ξ≦0.4对应拥挤状态，0.4<ξ≦0.6对应适中状态，0.6<ξ≦1对应舒适状态。
结合图3，景区开园情况下的畅游度模型构建包括如下5个步骤，其中步骤S51采用AHP方法构建游客舒适度、道路畅通度和设施完善度各维度指数分项指标。步骤S52中分项指标min-max归一化处理方法如下：
X*＝(Xi-Xmin)/(Xmax-Xmin)
其中，Xi表示实际值，Xmin和Xmax为对应的极小值和极大值，x*取值范围介于0至1之间。
步骤S53中：假设存在P个景区观察点R＝(x1，x2,…,xp)T，每个样本景点涵盖i个特征xp＝(x1,x2,…,xi)，xi对应是特定观察点的分项指标；
对样本矩阵R进行变换，求出相关系数矩阵，变换方法为标准化：
标准化
Figure BDA0002974723870000061
其中，均值
Figure BDA0002974723870000062
方差
Figure BDA0002974723870000063
求解相关系数矩阵为R＝[rij]P*P，其中，
Figure BDA0002974723870000064
其中，xij代表景区对应的观察特征指标，∑代表求和运算，zij代表标准化后的z值；
根据矩阵特征方程|R-λIP|＝0，解出特征值λ和特征向量IP，得到主成分：
Figure BDA0002974723870000065
j取1，2，...，n，并分析各指标的方差贡献率，若利用率达85％以上，确定权重Wi值。倘若方差贡献率不满足条件，指标间相关性较弱，那么需通过熵值法重新计算各维度权重大小。
根据标准化后的指标数据计算出信息熵：
Figure BDA0002974723870000066
然后确定指标的权重大小：
Figure BDA0002974723870000067
最终，综合评价结果如下：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述方法包括如下步骤：
步骤S1：获取游客畅游景区影响因素；
步骤S2：建立游客畅游度数据集；
步骤S3：构建游客多因子聚合模型；
步骤S4：输出未来短期客流量预测数据；
步骤S5：构建景区畅游度模型；
步骤S6：畅游度指数结果输出。
2.根据权利要求1所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S1中游客畅游景区影响因素包括景区开放性、游客舒适度、道路通畅度和设施完善度。
3.根据权利要求1所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S2中游客畅游度数据集包括省内重点景区动态信息、天气预报信息、空气质量指数信息、PM2.5实时浓度信息、景区类型、景区游客量、道路拥挤度、高速卡口车流量、景区停车场停车余位、景区厕所密度和景区饭店密度信息。
4.根据权利要求1所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S3中构建游客多因子聚合模型主要包括如下步骤：
步骤S31：统计收集样本景区每小时客流量历史数据；
步骤S32：出游状态信息结果输出；
步骤S33：计算斯皮尔曼(Spearman)相关系数ρ；
步骤S34：采用ARIMA(p,d,q)模型预测未来一周每小时的客流量值。
5.根据权利要求4所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于：所述多因子聚合模型步骤S31中样本景区每小时客流量历史数据的时间周期为T-T0，其中T代表当前时刻，T0代表1周前的此时刻。
6.根据权利要求4所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于：所述多因子聚合模型步骤S32中出游状态信息结合了天气预报信息、空气质量指数信息、PM2.5实时浓度信息、气象预警和出游景点匹配性，具体出游状态结果包括适宜、较适宜、一般、较不宜、不适宜，并分别赋值为1、0.75、0.5、0.25、0。
7.根据权利要求4所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于：所述多因子聚合模型步骤S33中斯皮尔曼(Spearman)相关系数ρ包括各景点的历史客流量和出游状态值，相关系数ρ的计算方式如下：
Figure FDA0002974723860000021
其中n数值为84，i代表其中的一个景点，xi代表景点i客流量，
Figure FDA0002974723860000022
代表样本景点客流量均值，yi代表景区i出游状态，
Figure FDA0002974723860000023
代表样本景区出游状态均值，Σ代表求和运算；基于各景点的历史客流量和出游状态值，采用Spearman方法计算每个月周一至周日内两者相关性ρ值(调整系数)，得到84个观察样本，数值84由每年的12个月乘以每周的七天相乘计算所得。
8.根据权利要求4所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于：所述多因子聚合模型步骤S34中ARIMA(p,d,q)模型具体为：
Figure FDA0002974723860000024
其中，L代表滞后算子，d为整数且大于0，i代表景点数，p代表自回归项数，Xt代表景区客流量，Φ代表自回归系数多项式，q代表滑动平均项数，θ代表滑动平均系数多项式，εt代表零均值白噪声序列；
首先，对历史客流量的时间序列进行平稳性分析，若为非平稳数据则需进行d阶差分，化为平稳非白噪声序列；其次，计算自相关系数ACF和偏自相关系数PACF，判断最佳阶层p和阶数q；最后，回归分析并验证结果；经过回归分析，计算客流量预测值；同时观察ARIMA模型下的残差是否服从正态分布，并检验残差是否自相关。
9.根据权利要求4所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于：所述多因子聚合模型步骤S34中预测的结果为：未来一周每小时客流量ξ1＝未来一周每小时的客流量预测值*(1+ρ)，其中，调整系数ρ是根据客流量与出游状态值两者相关系数进行确定；
预测景区未来一小时客流状态ξ2＝1-未来一周每小时的客流量/日承载最大客流量，
其中，ξ≦0.2对应报警状态，0.2<ξ≦0.4对应拥挤状态，0.4<ξ≦0.6对应适中状态，0.6<ξ≦1对应舒适状态。
10.根据权利要求1所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S5中景区畅游度模型评价指标包括游客舒适度、道路通畅度和设施完善度；其中景区闭园情况下的畅游度定义为0，景区开园情况下的畅游度模型构建包括如下步骤：
步骤S51：采用AHP方法构建游客舒适度、道路畅通度和设施完善度各维度指数分项指标；
步骤S52：对分项指标进行min-max归一化处理；
步骤S53：采用主成分分析法(PCA)确认各分项指标权重；
步骤S54：综合评估畅游度指数。
11.根据权利要求10所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S52中分项指标min-max归一化处理方法如下：
X*＝(Xi-Xmin)/(Xmax-Xmin)
其中，Xi表示实际值，Xmin和Xmax为对应的极小值和极大值，x*取值范围介于0至1之间。
12.根据权利要求10所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S53中主成分分析法(PCA)具体定义如下：
假设存在P个景区观察点R＝(x1，x2,…,xp)T，每个样本景点涵盖i个特征xp＝(x1,x2,…,xi)，xi对应是特定观察点的分项指标；
对样本矩阵R进行变换，求出相关系数矩阵，变换方法为标准化：
标准化
Figure FDA0002974723860000031
其中，均值
Figure FDA0002974723860000032
方差
Figure FDA0002974723860000033
求解相关系数矩阵为R＝[rij]P*P，其中，
Figure FDA0002974723860000034
其中，xij代表景区对应的观察特征指标，∑代表求和运算，zij代表标准化后的z值；
根据矩阵特征方程|R-λIP|＝0，解出特征值λ和特征向量IP，得到主成分：
Figure FDA0002974723860000035
j取1，2，...，n，并分析各指标的方差贡献率，若利用率达85％以上，确定权重Wj值。
13.根据权利要求10所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S53中：
倘若方差贡献率不满足条件，指标间相关性较弱，那么需通过熵值法重新计算各维度权重大小；
根据标准化后的指标数据计算出信息熵：
Figure FDA0002974723860000036
然后确定指标的权重大小：
Figure FDA0002974723860000037
其中，Ej代报信息熵，ln代表以e为底的自然对数，n代表所有样本景点数目，p代表对应信源的概率，pij代表第i个景区第j项子指标，m代表对应观察指标的个数；
最终，综合评价结果如下：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3。
14.根据权利要求1所述的一种基于多因子聚合模型的景区畅游度预测范式方法，其特征在于，所述步骤S6中畅游度指数结果输出主要包括如下结果：
客流量预测：
未来一周每小时客流量＝未来一周每小时的客流量预测值*(1+ρ)；
畅游度指数：
景区畅游度指数＝游客舒适度*W1+道路通畅度*W2+设施完善度*W3。
CN202110271523.XA 2021-03-12 2021-03-12 一种基于多因子聚合模型的景区畅游度预测范式方法 Active CN113159377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271523.XA CN113159377B (zh) 2021-03-12 2021-03-12 一种基于多因子聚合模型的景区畅游度预测范式方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271523.XA CN113159377B (zh) 2021-03-12 2021-03-12 一种基于多因子聚合模型的景区畅游度预测范式方法

Publications (2)

Publication Number Publication Date
CN113159377A true CN113159377A (zh) 2021-07-23
CN113159377B CN113159377B (zh) 2024-03-12

Family

ID=76887326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271523.XA Active CN113159377B (zh) 2021-03-12 2021-03-12 一种基于多因子聚合模型的景区畅游度预测范式方法

Country Status (1)

Country Link
CN (1) CN113159377B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN104951845A (zh) * 2015-05-29 2015-09-30 华南理工大学 基于网络关注度拟合客流量的旅游景区饱和度预警方法
US20150348068A1 (en) * 2014-05-28 2015-12-03 International Business Machines Corporation Predicting waiting passenger count and evaluation
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN107133825A (zh) * 2017-05-19 2017-09-05 上海斐讯数据通信技术有限公司 一种商家客流量的预测方法及装置
CN107798409A (zh) * 2016-08-30 2018-03-13 中兴智能交通股份有限公司 一种基于时间序列模型的人群聚集预测方法
CN107832982A (zh) * 2017-12-18 2018-03-23 广东广业开元科技有限公司 一种基于大数据旅游出行评估模型区域适旅指数计算方法
CN110458088A (zh) * 2019-08-07 2019-11-15 南京林业大学 一种基于影像与主成分的森林风景资源视觉质量评价方法
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
CN111488522A (zh) * 2020-04-07 2020-08-04 湘潭大学 一种个性化多维度景点推荐方法
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法
CN112199611A (zh) * 2020-09-21 2021-01-08 河南颂达信息技术有限公司 基于AIoT和计算机视觉的智慧景区景点推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
US20150348068A1 (en) * 2014-05-28 2015-12-03 International Business Machines Corporation Predicting waiting passenger count and evaluation
CN104951845A (zh) * 2015-05-29 2015-09-30 华南理工大学 基于网络关注度拟合客流量的旅游景区饱和度预警方法
CN107798409A (zh) * 2016-08-30 2018-03-13 中兴智能交通股份有限公司 一种基于时间序列模型的人群聚集预测方法
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN107133825A (zh) * 2017-05-19 2017-09-05 上海斐讯数据通信技术有限公司 一种商家客流量的预测方法及装置
CN107832982A (zh) * 2017-12-18 2018-03-23 广东广业开元科技有限公司 一种基于大数据旅游出行评估模型区域适旅指数计算方法
CN110458088A (zh) * 2019-08-07 2019-11-15 南京林业大学 一种基于影像与主成分的森林风景资源视觉质量评价方法
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
CN111488522A (zh) * 2020-04-07 2020-08-04 湘潭大学 一种个性化多维度景点推荐方法
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法
CN112199611A (zh) * 2020-09-21 2021-01-08 河南颂达信息技术有限公司 基于AIoT和计算机视觉的智慧景区景点推荐方法

Non-Patent Citations (14)

* Cited by examiner, † Cited by third party
Title
LIYANG TANG等: "Forecasting Short-Term Passenger Flow: An Empirical Study on Shenzhen Metro", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 20, no. 10, pages 3613 - 3622, XP011748593, DOI: 10.1109/TITS.2018.2879497 *
付彦超: "基于游客体验的花卉旅游园区满意度研究——以菏泽曹州牡丹园为例", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 01, pages 153 - 283 *
任婕;: "基于向量自回归模型的旅游热门景点预测方法研究", 现代电子技术, no. 03, pages 158 - 161 *
刘建国;张妍;黄杏灵;: "基于感知情境的北京不同类型旅游景区游客满意度研究", 地理科学, no. 04, pages 564 - 574 *
宋诗瑶等: "基于ARIMA模型的上海3A级及以上景区客流量差异分析及其预测研究", 《统计学与应用》, vol. 08, no. 03, pages 537 - 552 *
崔浩萌: "基于网络搜索数据的区域旅游指数及其微观动态——以西安为例", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 06, pages 153 - 29 *
施玉欣等: "基于小波分解和ARIMA模型的城际铁路客流预测", 《江苏科技信息》, vol. 36, no. 29, pages 30 - 34 *
段莉琼;宫辉力;刘少俊;刘泽华;李勇永;葛军莲;: "基于客源地的聚类-ARIMA模型的短期旅游需求预测--以天津欢乐谷主题公园为例", 地域研究与开发, vol. 1, no. 03, pages 108 - 112 *
王新民等: "基于ARIMA模型的甘肃省国内旅游客流量预测", 《天水师范学院学报》, vol. 37, no. 04, pages 82 - 85 *
王硕;曾克峰;童洁;刘超;: "黄金周风景名胜区旅游客流量与网络关注度相关性分析――以庐山、华山、八达岭长城风景名胜区为例", 经济地理, no. 11, pages 182 - 186 *
王磊;王晓峰;宋光飞;包玮;: "精品旅游景区环境评价指标体系研究", 地域研究与开发, no. 06, pages 92 - 96 *
马之珺等: "基于AHP-综合指数法的高校校园景观舒适度评价——以中国农业大学(烟台)为例", 《广西林业科学》, vol. 48, no. 02, pages 257 - 262 *
马少思;梁永国;: "基于游客感知的全域旅游评价――以秦皇岛为例", 国土与自然资源研究, no. 03, pages 82 - 89 *
马银超;梁昌勇;路彩红;: "基于分类模型的日客流量预测", 国土资源科技管理, no. 05, pages 109 - 114 *

Also Published As

Publication number Publication date
CN113159377B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN106951976B (zh) 一种基于模式分类的公交客流预测方法
CN109448361B (zh) 居民交通出行流量预测系统及其预测方法
CN110555561B (zh) 一种中长期径流集合预报方法
Bao et al. Bias correction and Bayesian model averaging for ensemble forecasts of surface wind direction
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN113496314B (zh) 一种神经网络模型预测道路交通流量的方法
CN111723929A (zh) 一种基于神经网络的数值预报产品订正方法、装置和系统
Caceres et al. Estimating traffic flow profiles according to a relative attractiveness factor
Arjona et al. Improving parking availability information using deep learning techniques
CN109637196A (zh) 航路扇区交通概率密度预测方法
CN108596664B (zh) 一种电子车票的单边交易费用确定方法、系统及装置
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
Jivraj et al. Modelling spatial variation in the determinants of neighbourhood family migration in England with geographically weighted regression
Radam et al. Influence of Service Factors in the Model of Public Transport Mode: A Banjarmasin–Banjarbaru Route Case Study
CN116796904A (zh) 一种轨道交通新线客流预测方法、系统、电子设备及介质
CN115345373A (zh) 一种公共服务设施老年人可达性预测方法
Arjona et al. A deep learning approach to real-time parking availability prediction for smart cities
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN113393177A (zh) 一种城市清洁智能监测系统及方法
CN113159377A (zh) 一种基于多因子聚合模型的景区畅游度预测范式方法
CN110309953B (zh) 采用目标流动性分布预测的城市安防监控布局系统及方法
Verellen et al. Using data-driven models to estimate the energy use of buildings based on a building stock model
Kim et al. Congestion and scheduling preferences of car commuters in California: estimates using big data
CN114325879A (zh) 一种基于分级概率的定量降水订正方法
CN114139773A (zh) 一种基于时空图卷积网络的公共交通流量预测方法

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