CN114202103A - 一种基于机器学习的节假日景区客流预测方法 - Google Patents
一种基于机器学习的节假日景区客流预测方法 Download PDFInfo
- Publication number
- CN114202103A CN114202103A CN202111358938.7A CN202111358938A CN114202103A CN 114202103 A CN114202103 A CN 114202103A CN 202111358938 A CN202111358938 A CN 202111358938A CN 114202103 A CN114202103 A CN 114202103A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- scenic spot
- holiday
- attribute
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 18
- 230000011664 signaling Effects 0.000 claims description 10
- 230000005180 public health Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (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
本申请公开了一种基于机器学习的节假日景区客流预测方法，包括：以节假日景区客流量作为目标变量，获取特征变量，进行数据预处理并保存到数据库中作为样本数据；将所述样本数据随机分为训练集和测试集；选择支持向量回归算法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区客流预测模型；使用测试集进行模型预测，评估模型的泛化能力，对模型性能进行评价。本申请将人工智能算法与旅游行业游客出行业务特点有效结合，综合以往数据统计出多种因素和实时网络数据对于特定时间段景区人数的影响，纳入突发因素对预测结果进行修正，从而获得更准确地预测节假日景区客流情况。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的 节假日景区客流预测方法。
背景技术
假日旅游的兴起，成为我国国民经济新的增长点，节假日旅游目 前已成为一种重要的社会现象和经济现象，节假日客流量预测逐渐成 为旅游需求管理的重要任务之一。
节假日期间大量游客在同一时间集中于同一地点，极易造成景区 超载、交通拥挤、住宿紧张、服务质量下降、安全隐患增多等问题， 准确的节假日客流量预测能为旅游景区管理部门提供有效决策辅助， 也为周边酒店、公路、航空等部门合理安排资源提供直接依据。尤其 是当前正处于疫情防控关键期，节假日景区客流量预测能够帮助景区 管理者提前进行客流管控，有效实行限流、错峰、预约旅游的措施。 同时也能够帮助游客合理安排出行计划，提前进行景区预约。
节假日客流产生的机理和模式与平时完全不同，由于游客在短 期内大量集中于同一地点会造成客流急剧变化，不同节假日休假时 间长短、所处季节等不同，都使得节假日客流量呈现复杂非线性特 征和明显季节性特点。研究节假日期间客流的波动特点，用客流波 动规律指导客流预测，才能提高预测的精度。由于节假日旅游客流 量的季节性、非线性特点，传统时间序列预测方法对具有线性特征 的旅游客流量有较好的预测效果，但对于复杂的非线性旅游客流量 预测往往难以实现；线性回归法、灰色预测法和指数平滑法等方法 通过分析数据可以在一定程度上预测客流量的数值,但由于未将算法 与旅游行业游客出行业务特点有效结合，面对节假日客流样本时预 测结果往往不够准确。
发明内容
本发明的目的在于提供一种基于机器学习的节假日景区客流预 测方法，将人工智能算法与旅游行业游客出行业务特点有效结合，综 合以往数据统计出多种因素和实时网络数据对于特定时间段景区人 数的影响，纳入突发因素对预测结果进行修正，从而获得更准确地预 测节假日景区客流情况。
本发明是通过以下技术方案达到上述目的：一种基于机器学习的 节假日景区客流预测方法，包括：以节假日景区客流量作为目标变量， 获取与当前预测时段的时间属性相同或相近条件下的特征变量，进行 数据预处理并保存到数据库中作为样本数据；
将所述样本数据随机分为训练集和测试集；选择支持向量回归算 法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区 客流预测模型，以预测节假日景区客流量和实际节假日景区客流量的 不一致程度作为损失函数；使用测试集进行模型预测，评估模型的泛 化能力，对模型性能进行评价，并根据评价结果对模型参数进行调整， 得到最终预测模型；
所述特征变量包括：客流属性、网络热度属性、景区预约属性、 天气属性以及时间属性。
作为优选，获取单一突发因素对于目标变量的影响因子；判断当 前预测时段内是否有突发因素，若有，则通过单一突发因素或综合多 个突发因素的影响因子对目标变量的预测结果进行第一次修正；否则 不予修正。
作为优选，将所述单一突发因素进行阶段划分，获取不同阶段下 对于目标变量的影响因子；判断当前预测时段所处的突发因素的阶段， 采用对应的影响因子对目标变量的预测结果进行修正。
作为优选，所述突发因素包括突发极端自然事件和突发公共卫生 事件。
作为优选，所述客流属性是指：与当前预测时段的时间属性相同 或相近条件下，前一天景区客流量、前5天平均客流量以及前10天 平均客流量；所述天气属性包括温度、湿度、风力、降水以及空气质 量；所述时间属性是指，与当前预测时段的时间属性相同或相近条件 下的所属节假日类型和节假日时间长度；所述网络热度属性包括与当 前预测时段的时间属性相同或相近条件下，前一天网络搜索指数、前 5天网络搜索指数以及前10天网络搜索指数；所述景区预约属性是 指与当前预测时段的时间属性相同或相近条件下，1天前节假日景区 预约量、3天前节假日景区预约量以及5天前节假日景区预约量。
作为优选，所述数据预处理包括缺失值补充、数据去重以及数据 变换；对所述特征变量中的类别变量进行类别转换，其中类别变量是 指节假日时间属性；对所述特征变量中的连续性变量进行归一化处理， 其中连续性变量是指客流属性、网络热度属性、景区预约属性以及天 气属性。
作为优选，根据景区客流量的特点,选取高斯径向基核函数作为 所述支持向量回归算法的核函数。
作为优选，根据不同景区在预测时段内的平均客流量，对所述训 练模型进行适应性MAPE阈值调整。
作为优选，在所述获取特征变量的过程中，基于景区客流量基础 数据获取节假日景区客流属性，所述景区客流量基础数据来自与当前 预测时段的时间属性相同或相近条件下，待预测景区内的手机信令数 据；统计所述景区关键词在一定范围内的搜索热度，从而获得所述网 络搜索指数。
作为优选，对获得的所述待预测景区内的手机信令数据进行去重， 根据工作时间和非工作时间内的手机信令特征，通过统计一定时间内 累计出现天数和每天累计驻留时间来判断常驻人群和过路人群，剔除 常驻人群和过路人群对所述景区客流量基础数据得影响。
有益效果：本申请采用多源数据对特定时间内景点的客流量进行 预测，借助于同时期历史数据训练人工网络模型生成客流预测模型， 用于对节假日景点客流量进行预测，同时在进行客流预测时加入网络 热度属性，综合考虑网络环境对于景点客流的影响，更有助于预测结 果的准确性；考虑到突发因素具有预见性差的特点，无法作为常规因 素纳入模型训练中，但其对于客流的影响又不容忽视，本申请将突发 因素作为修正因子，对预测模型的预测结果进行修正。较传统非机器 学习方法，本申请整合多维特征变量，能够更准确的预测节假日景区 客流情况，做到节假日客流异常提前预警和部署疏导。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说 明，这些示例性说明并不构成对实施例的限定，附图中若有具有相 同参考数字标号的元件表示为类似的元件，除非有特别申明，附图 中的图不构成比例限制。
图1是本发明方法的流程示意图；
图2是本发明的特征变量的构成示意图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通 技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解 本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于 以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的 技术方案。
一种基于机器学习的节假日景区客流预测方法，如图1所示，包 括：
S10，以节假日景区客流量作为目标变量，获取与当前预测时段 的时间属性相同或相近条件下的特征变量，进行数据预处理并保存到 数据库中作为样本数据。
其中，与当前预测时段的时间属性相同或相近条件是指以往相同 时间段，例如都是十一黄金周，或是相近条件例如端午节和劳动节这 种假期长、气候都比较接近的节假日。
其中，如图2所示，特征变量包括：客流属性、网络热度属性、 景区预约属性、天气属性以及时间属性。
客流属性是指：与当前预测时段的时间属性相同或相近条件下， 前一天景区客流量、前5天平均客流量以及前10天平均客流量。
其中，基于景区客流量基础数据获取节假日景区客流属性，景区 客流量基础数据来自与当前预测时段的时间属性相同或相近条件下， 待预测景区内的手机信令数据。根据手机信令获取客流量数据会将常 驻人群和过路人群计算在内，因此为了保证采集数据的准确性，需要 对获得的待预测景区内的手机信令数据进行去重。一种示例性方式是 根据工作时间和非工作时间内的手机信令特征，通过统计一定时间内 累计出现天数和每天累计驻留时间，来判断常驻人群和过路人群，从 而剔除常驻人群和过路人群对景区客流量基础数据得影响。
天气属性包括温度、湿度、风力、降水以及空气质量。天气属性 的获取可从以往的气象数据库得到。天气属性并不局限于所列举的几 种，也可以跟样本数据的大小，选择性增加或减少。
时间属性是指，与当前预测时段的时间属性相同或相近条件下的 所属节假日类型和节假日时间长度。包括当前预测时段所属季度、所 属月份、所属星期、节假日类型(元旦、春节、清明节、端午节、劳 动节、中秋节和国庆节)、节假日时间长度(3天节假日、7天节假日)、 节假日时间顺序。节假日时间长度对于出行安排有很大的影响，有些 景点面积大，路程远，对于很多需要上班的人和学生而言在假期充足 的情况下选择的可能性更大。像是寒暑假这种出行人群属性比较集中 的假日，一些适于学生游玩的景点就会因此迎来大的客流波动。
网络热度属性包括与当前预测时段的时间属性相同或相近条件 下，前一天网络搜索指数、前5天网络搜索指数以及前10天网络搜 索指数。统计景区关键词在一定范围内的搜索热度，从而获得网络搜 索指数。随着以往网络的流行和推广，手机导航、网上酒店预定的普 遍使用，网红景点、网络小吃等的迅速崛起，都使得一个个景点的网 络效应越来越不容小觑，往往是几个热门的短视频就会给一个景点带 来巨大的客流，因此，在进行客流预测时加入网络热度属性更有助于 预测结果的准确性。
景区预约属性是指与当前预测时段的时间属性相同或相近条件 下，1天前节假日景区预约量、3天前节假日景区预约量以及5天前 节假日景区预约量。
数据预处理包括缺失值补充、数据去重以及数据变换。对于部分 缺失数据可采用填充前一天数据的方法补充。
示例型的，数据变换首先是针对节假日时间属性中的节假日类型 和节假日时间长度进行类别转换，本发明对类别变量采用独热编码进 行转换。其次对特征变量中的连续性变量进行归一化处理，其中连续 性变量是指客流属性、网络热度属性、景区预约属性以及天气属性。 其中，本实施例所有连续型变量采用min-max归一化方法，以便后续 适用预测模型输入。公式如下：
其中x′为归一化后数据，x为原始数据，xmax和xmin分别为原始数据 集的最大值和最小值。
S20，将样本数据随机分为训练集和测试集，选择支持向量回归 算法作为训练模型，使用训练集对训练模型进行训练，获得节假日景 区客流预测模型，以预测节假日景区客流量和实际节假日景区客流量 的不一致程度作为损失函数。
样本随机分为训练集和测试集。本发明采用十折交叉验证的方法， 训练集和测试集的比例为9：1，不同分组训练的结果进行平均来减少 方差，同时还可以从有限的数据中获取尽可能多的有效信息。
选择支持向量回归(SVR)算法作为训练模型，获得节假日景区 客流预测模型。损失函数表示预测节假日景区客流量和实际节假日景 区客流量的不一致程度。假设容忍模型输出f(x)和真实输出y之间最 多有∈的偏差，则损失函数表示为：
s.t.f(xi)-yi≤∈+ξi,
其中ω和b是模型f(x)＝ωTx+b的待确定模型参数，ξi和
为松弛变 量。
在非线性支持向量回归中，核函数可以在低维空间进行高维度映 射过后的计算，解决了维度过高导致的计算能力不足的缺陷。目前常 用的核函数有以下几种：
多项式核函数：
K(xi,x)＝((x,xi)+1)d(d为正整数)
高斯径向基核函数：
Sigmoind核函数：
K(xi,x)＝tanh((x,xi)+c)
核函数的选择需要考虑实际问题的特点，高斯径向基核函数适合 处理非线性问题，而且易于执行。在本实施例中，根据景区客流量的 特点，选取高斯径向基核函数作为支持向量回归的核函数。
S30，使用测试集进行模型预测，评估模型的泛化能力，对模型 性能进行评价，并根据评价结果对模型参数进行调整，得到最终预测 模型。
在本实施例中，使用相关系数和平均绝对百分误差指标对预测模 型效果进行评估。相关系数(R2)表征回归方程在多大程度上解释了 因变量的变化，或者说方程对观测值的拟合程度如何。
MAPE(平均绝对百分误差)：
范围[0，+∞)，误差越大，该值越大。相比均方根误差相比，平 均绝对百分误差相当于把每个点的误差进行了归一化，降低了个别离 群点带来的绝对误差的影响。根据不同景区在预测时段内的平均客流 量，对训练模型进行适应性MAPE阈值调整。示例性地，在景区日均 客流为1万人及以上，MAPE阈值可设置为15％；日均客流介于2千至 1万人，MAPE阈值可设置为20％；日均客流低于2千人，MAPE阈值可 设置为30％。通过本实施例所介绍的训练方法进行模型训练，得到的 预测模型在测试集上预测效果良好，R2均达到0.9以上，说明预测 模型具有较好的拟合程度，模型平均绝对百分误差率基本控制在20％ 左右。
S40，获取单一突发因素对于目标变量的影响因子。
突发因素包括突发极端自然事件和突发公共卫生事件。由于突发 因素具有预见性差的特点，无法作为常规因素纳入模型训练中，但其 对于客流的影响又不容忽视，因此本实施例将突发因素作为修正因子， 对预测模型的预测结果进行修正。节假日景区客流量不仅局限于天气、 季节、节假日等因素，各种旅游突发事件也会对景区客流量产生重大 影响，主要考虑极端自然事件如台风、地震等极端天气，还有公共卫 生事件例如新冠肺炎疫情等。旅游突发事件可能对景区客流量带来断 崖式下跌，突发因素极大地影响了客流量预测准确性。
具体地，将单一突发因素进行阶段划分，获取不同阶段下对于目 标变量的影响因子。根据极端自然事件的严重程度、景区所在市区与 台风、地震等极端发生地的距离、是否存在突发公共卫生事件例如新 冠肺炎疫情、疫情风险等级确定突发因素的影响因子的大小。
S50，将获取当前预测时段内的特征变量输入最终预测模型进行 客流量预测。
S60，判断当前预测时段内是否有突发因素，若有，则通过单一 突发因素或综合多个突发因素的影响因子对最终预测模型的预测结 果进行第一次修正；否则，不予修正。
分析相同时间属性下有无突发因素对景区客流量的影响，即无突 发因素时景区客流量值与存在极端自然事件或公共卫生事件的突发 因素时景区客流量值的比值，获得景区客流量影响因子。则景区客流 量的预测结果修正值为：
其中
为支持向量回归模型得到的预测结果，
为考虑突发因素后预 测结果的修正值。ω1为只存在极端自然事件突发因素时客流影响因子， ω2为只存在公共卫生事件突发因素时客流影响因子，ω3为同时存在 极端自然事件和公共卫生事件突发因素时客流影响因子。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依 本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附 图所涵盖的精神时，仍应属本发明的保护范围。本领域的普通技术人 员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际 应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的 精神和范围。
Claims (10)
1.一种基于机器学习的节假日景区客流预测方法，其特征在于，包括：
以节假日景区客流量作为目标变量，获取与当前预测时段的时间属性相同或相近条件下的特征变量，进行数据预处理并保存到数据库中作为样本数据；
将所述样本数据随机分为训练集和测试集；选择支持向量回归算法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区客流预测模型，以预测节假日景区客流量和实际节假日景区客流量的不一致程度作为损失函数；使用测试集进行模型预测，评估模型的泛化能力，对模型性能进行评价，并根据评价结果对模型参数进行调整，得到最终预测模型；所述特征变量包括：客流属性、网络热度属性、景区预约属性、天气属性以及时间属性。
2.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，获取单一突发因素对于目标变量的影响因子；
判断当前预测时段内是否有突发因素，若有，则通过单一突发因素或综合多个突发因素的影响因子对目标变量的预测结果进行第一次修正；否则不予修正。
3.根据权利要求2所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，将所述单一突发因素进行阶段划分，获取不同阶段下对于目标变量的影响因子；判断当前预测时段所处的突发因素的阶段，采用对应的影响因子对目标变量的预测结果进行修正。
4.根据权利要求2或3所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，所述突发因素包括突发极端自然事件和突发公共卫生事件。
5.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，所述客流属性是指：与当前预测时段的时间属性相同或相近条件下，前一天景区客流量、前5天平均客流量以及前10天平均客流量；所述天气属性包括温度、湿度、风力、降水以及空气质量；所述时间属性是指，与当前预测时段的时间属性相同或相近条件下的所属节假日类型和节假日时间长度；所述网络热度属性包括与当前预测时段的时间属性相同或相近条件下，前一天网络搜索指数、前5天网络搜索指数以及前10天网络搜索指数；所述景区预约属性是指与当前预测时段的时间属性相同或相近条件下，1天前节假日景区预约量、3天前节假日景区预约量以及5天前节假日景区预约量。
6.根据权利要求5所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，所述数据预处理包括缺失值补充、数据去重以及数据变换；
对所述特征变量中的类别变量进行类别转换，其中类别变量是指节假日时间属性；
对所述特征变量中的连续性变量进行归一化处理，其中连续性变量是指客流属性、网络热度属性、景区预约属性以及天气属性。
7.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，据景区客流量的特点,选取高斯径向基核函数作为所述支持向量回归算法的核函数。
8.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，根据不同景区在预测时段内的平均客流量，对所述训练模型进行适应性MAPE阈值调整。
9.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，在所述获取特征变量的过程中，基于景区客流量基础数据获取节假日景区客流属性，所述景区客流量基础数据来自与当前预测时段的时间属性相同或相近条件下，待预测景区内的手机信令数据；统计所述景区关键词在一定范围内的搜索热度，从而获得所述网络搜索指数。
10.根据权利要求9所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，对获得的所述待预测景区内的手机信令数据进行去重，根据工作时间和非工作时间内的手机信令特征，通过统计一定时间内累计出现天数和每天累计驻留时间来判断常驻人群和过路人群，剔除常驻人群和过路人群对所述景区客流量基础数据得影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111358938.7A CN114202103A (zh) | 2021-11-17 | 2021-11-17 | 一种基于机器学习的节假日景区客流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111358938.7A CN114202103A (zh) | 2021-11-17 | 2021-11-17 | 一种基于机器学习的节假日景区客流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202103A true CN114202103A (zh) | 2022-03-18 |
Family
ID=80647782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111358938.7A Pending CN114202103A (zh) | 2021-11-17 | 2021-11-17 | 一种基于机器学习的节假日景区客流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202103A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
| CN114723480A (zh) * | 2022-03-28 | 2022-07-08 | 西南石油大学 | 一种针对乡村旅游的客流量预测方法及货物调度系统 |
| CN115130786A (zh) * | 2022-08-11 | 2022-09-30 | 华侨大学 | 一种景区游客饱和量的判断方法和装置 |
| CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
| CN117151312A (zh) * | 2023-10-31 | 2023-12-01 | 北京融信数联科技有限公司 | 基于bp神经网络模型的公园日游客流量预测方法与系统 |
| CN117455079A (zh) * | 2023-12-22 | 2024-01-26 | 烟台云朵软件有限公司 | 一种宏观客流量预测方法与系统 |
-
2021
- 2021-11-17 CN CN202111358938.7A patent/CN114202103A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
| CN114723480A (zh) * | 2022-03-28 | 2022-07-08 | 西南石油大学 | 一种针对乡村旅游的客流量预测方法及货物调度系统 |
| CN114723480B (zh) * | 2022-03-28 | 2024-04-30 | 西南石油大学 | 一种针对乡村旅游的客流量预测方法及货物调度系统 |
| CN115130786A (zh) * | 2022-08-11 | 2022-09-30 | 华侨大学 | 一种景区游客饱和量的判断方法和装置 |
| CN116029395A (zh) * | 2023-03-24 | 2023-04-28 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
| CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
| CN117151312A (zh) * | 2023-10-31 | 2023-12-01 | 北京融信数联科技有限公司 | 基于bp神经网络模型的公园日游客流量预测方法与系统 |
| CN117455079A (zh) * | 2023-12-22 | 2024-01-26 | 烟台云朵软件有限公司 | 一种宏观客流量预测方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114202103A (zh) | 一种基于机器学习的节假日景区客流预测方法 | |
| CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
| CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
| CN115796404A (zh) | 一种面向代理购电用户的用电预测方法及系统 | |
| CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN108876487A (zh) | 一种基于大数据及智能决策机制的工业地块估计方法 | |
| CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
| CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN113537569B (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
| CN114155044A (zh) | 一种电力现货市场节点电价预测方法及系统 | |
| CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
| CN104143117B (zh) | 一种电网特殊负荷与日负荷之间的相关系数提取方法 | |
| CN113537336A (zh) | 基于XGBoost的短临雷雨大风的预测方法 | |
| CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
| CN105224801A (zh) | 一种多因子水库入库流量短期预报评价方法 | |
| CN111339155B (zh) | 一种关联分析系统 |
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 |