CN114861975A - 基于吸引强度的城市旅游交通需求联合预测方法 - Google Patents
基于吸引强度的城市旅游交通需求联合预测方法 Download PDFInfo
- Publication number
- CN114861975A CN114861975A CN202210305491.5A CN202210305491A CN114861975A CN 114861975 A CN114861975 A CN 114861975A CN 202210305491 A CN202210305491 A CN 202210305491A CN 114861975 A CN114861975 A CN 114861975A
- Authority
- CN
- China
- Prior art keywords
- type
- traffic
- travel
- tourism
- target area
- 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 47
- 238000000556 factor analysis Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000846 Bartlett's test Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims 1
- 238000011160 research Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于吸引强度的城市旅游交通需求联合预测方法,包括:获取目标区域数据;(2)将目标区域划分为旅游型、交通型和综合型小区;(3)定义旅游交通出行,并细分为发生型旅游交通出行和吸引型旅游交通出行;(4)使用GM(1,1)灰色预测模型,预测目标区域的旅游需求总量;(5)使用因子分析方法,计算目标区域内景区吸引强度。(6)以景区为单位,预测旅游发生与吸引交通量。(7)以小区为单位,预测旅游分布交通量。本发明考虑了旅游交通与通勤交通的特性差异,考虑交通、商业、酒店等位置分布对于旅游交通需求的影响,引入因子分析量化景区的吸引强度,提出一种旅游交通联合预测方法,得到旅游交通分布量OD矩阵,为旅游交通规划提供了理论依据。
Description
技术领域
本发明涉及城市旅游交通需求预测方法,具体涉及一种基于吸引强度的城市旅游交通需求联合预测方法。
背景技术
旅游交通是指以旅游为目的,借助特定交通工具完成的整个出行过程。科学的旅游交通需求预测是合理的旅游交通规划的基础,能够解决因规划不合理导致的资源浪费、交通拥堵等问题。旅游交通与通勤交通的特性有较大差异,旅游交通与景区本身、交通阻抗等因素关联性强,与土地利用、人口社会因素相关性弱,因此不能沿用传统方法进行交通需求预测。
旅游交通需求预测的基础是旅游需求总量预测,目前国内外已有不少关于城市旅游需求总量预测的研究,旅游总量预测是旅游交通需求预测的基础,旅游需求的方法分为三类,时间序列模型、计量经济模型、和基于人工智能的模型,灰色预测模型是一种原理简单、预测精度较高、对数据要求较少的预测模型。对于城市旅游交通需求预测问题,较多研究基于传统四阶段预测法,提出了适应旅游交通特性的改进四阶段预测方法。其中,旅游吸引力是最重要的影响因素,旅游吸引力指旅游目的地对旅游者的诱惑力,是旅游资源的质量等级、知名度、交通条件、基础设施等因素的综合体现。对于旅游吸引力的测度国内外均有一定研究成果,多从区域宏观角度入手,结合经济学研究方法,建立吸引力测度模型,研究省级、城市级旅游目的地整体吸引程度,但针对旅游景区吸引力的研究相对较少。传统研究旅游吸引力的方法多依靠问卷调查法、层次分析法等,存在一定主观性,且耗时长、工作量大,数据获取不够全面,因此在吸引力量化上有待进一步研究。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于吸引强度的城市旅游交通需求联合预测方法,通过采集旅游网站的数据,引入因子分析方法对景区吸引强度量化,以吸引强度为依据进行旅游分布交通量预测。本发明能够考虑到旅游交通需求特性,有效预测城市旅游交通需求,为旅游交通规划奠定基础。
技术方案:一种基于吸引强度的城市旅游交通需求联合预测方法,所述方法用于联合预测城市旅游发生与吸引交通量和分布交通量。
本发明所述方法包括以下步骤:
(1)获取目标区域数据,包括:景区特性数据、地点位置数据、游记行程数据、历年旅游需求总量数据;
(2)依据目标区域的景区特性数据和地点位置数据,结合行政区和自然资源边界,将目标区域划分为若干不同类型的小区,其中所述小区类型分为旅游型、交通型和综合型三类;
(3)定义旅游交通出行及类型划分;
(4)使用GM(1,1)灰色预测模型,预测目标区域的旅游需求总量;
(5)使用因子分析方法,计算目标区域内景区吸引强度;
(6)以景区为单位,预测旅游发生与吸引交通量;
(7)以小区为单位,预测旅游分布交通量。
进一步地,所述步骤(1)中:
景区特性数据包括景点名称、经纬度、门票费用、景点评分、景点评论数;
地点位置数据是指与旅游资源相关的兴趣点POI数据(包括轨道站点、商业中心、酒店、民宿等),POI数据是反映空间分布形态的基础数据,每个POI数据所包含的属性包括POI名称、经纬度、地址信息、所属分类;
游记行程数据包括出发地和目的地;
历年旅游需求总量数据包括年份和旅游需求总量。
进一步地,所述步骤(3)中:
旅游交通出行定义为:出发地或目的地至少有一个分布在旅游型小区中的单次交通出行;
旅游交通出行分为发生型旅游交通出行和吸引型旅游交通出行两类,其中,发生型旅游交通出行包括旅游型→旅游型、旅游型→交通型和旅游型→综合型三类,“旅游型→旅游型”表示出发地和目的地均为旅游型小区的旅游交通出行,“旅游型→交通型”表示出发地为旅游型小区、目的地为交通型小区的旅游交通出行,“旅游型→综合型”表示出发地为旅游型小区、目的地为综合型小区的旅游交通出行;吸引型旅游交通出行包括交通型→旅游型和综合型→旅游型两类,“交通型→旅游型”表示出发地为交通型小区、目的地为旅游型小区的旅游交通出行,“综合型→旅游型”表示出发地为综合型小区、目的地为旅游型小区的旅游交通出行。
进一步地,所述步骤(4)的具体步骤如下:
(4.1)目标区域的旅游需求总量表示为数列X(0)={x(0)(1),x(0)(2),...,x(0)(n)},计算累加数列X(1)={x(1)(1),...,x(1)(n)},其中x(1)(t)的计算公式为:
式中,x(0)(t)表示目标区域在第t年的旅游需求总量,x(0)(i)表示目标区域在第i年的旅游需求总量,n表示总年份;
(4.2)对X(1)建立线性微分方程:
式中,a和u为待计算的参数;
(4.3)由最小二乘法计算a和u:
式中,Y=(x(0)(2),x(0)(3),…,x(0)(n))T,
(4.4)根据a和u得到线性微分方程的解:
进一步地,所述步骤(5)的具体步骤如下:
(5.1)从景区特性数据中选取用于因子分析的指标:将门票价格作为费用指标,将景点评分作为评分指标,将景点评论数作为评论指标,将景区到最近一个轨道站点的经纬度球面距离作为交通指标;
(5.2)对步骤(5.1)选取的指标做因子分析,采取主成分分析法提取公因子,采用最大方差法做正交旋转变换,选取累计方差贡献率达到80%的前M个公因子,得到第m个公因子关于第i个指标xi的得分系数βmi,进而计算景区的综合因子得分F,公式如下:
(5.3)计算景区吸引强度w:
式中,Fmin为所有景区的综合因子得分中的最小值;Fmax为所有景区的综合因子得分中的最大值。
进一步地,所述步骤(5.1)还包括对所述指标进行标准化,并通过KMO检验和Bartlett's检验。
进一步地,所述步骤(6)中景区的吸引交通量等于发生交通量,则:
式中,an为目标区域内第n个景区的吸引交通量;gn为目标区域内第n个景区的发生交通量;wn为目标区域内第n个景区吸引强度;T为目标区域在第t年的旅游需求总量的预测值;N为目标区域内景区数量。
进一步地,所述步骤(7)具体包括以下步骤:
(7.1)将各个旅游型小区内的景区发生/吸引交通量加和,得到各个旅游型小区的旅游发生/吸引交通量;将各个旅游型小区内景区的吸引强度加和,得到各个旅游型小区的吸引强度,计算公式如下:
式中,At为目标区域内第t个旅游型小区的吸引交通量;Gt为目标区域内第t个旅游型小区的发生交通量;Wt为目标区域内第t个旅游型小区的吸引强度;wts为第t个旅游型小区内第s个景区吸引强度;S为目标区域内第t个旅游型小区的景区数量。
(7.2)计算发生和吸引型旅游交通出行概率,其中第l类发生型旅游交通出行概率pg l等于第l类发生型旅游分布交通量占目标区域内发生型旅游分布交通量总和的比例,第h类吸引型旅游交通出行概率等于第h类吸引型旅游分布交通量占目标区域内吸引型旅游分布交通量总和的比例;l=1表示“旅游型→旅游型”,l=2表示“旅游型→交通型”,l=3表示“旅游型→综合型”;h=1表示“交通型→旅游型”,h=2表示“综合型→旅游型”;
(7.3)计算发生型旅游分布交通量:
式中,为目标区域内小区t1到小区t2的第l类发生型旅游分布交通量,为目标区域内小区t1的发生交通量;为目标区域内小区t2的吸引强度;为幂函数形式的交通阻抗函数,γ为参数(其值一般在0.6~3.5之间),为目标区域内小区t1和小区t2质心之间的经纬度球面距离;为目标区域内小区t2内轨道站点所连接的轨道边数之和;为目标区域内小区t2内的POI数量;M1、M2、M3分别为目标区域内旅游型小区、交通型小区和综合型小区的数量,为目标区域内旅游型小区m1的吸引强度; 为目标区域内小区t1和旅游型小区m1质心之间的经纬度球面距离; 为目标区域内小区t1和交通型小区m2质心之间的经纬度球面距离; 为目标区域内小区t1和综合型小区m3质心之间的经纬度球面距离;为目标区域内交通型小区m2内轨道站点所连接的轨道边数之和,为目标区域内综合型小区m3内的POI数量;
(7.4)计算吸引型旅游分布交通量:
(7.5)至此,得到旅游交通分布OD矩阵。
进一步地,所述步骤(7.2)中各类型发生型旅游交通出行概率和吸引型旅游交通出行概率满足如下约束:
式中,pg 1表示“旅游型→旅游型”类发生型旅游交通出行概率,pg 2表示“旅游型→交通型”类发生型旅游交通出行概率,pg 3表示“旅游型→综合型”类发生型旅游交通出行概率);pa 1表示“交通型→旅游型”类吸引型旅游交通出行概率,pa 2表示“综合型→旅游型”吸引型旅游交通出行概率。
进一步地,所述步骤(7.2)中对游记行程数据中的出发地与目的地分别标记为旅游型、交通型或综合型,分类汇总得到各类旅游交通出行的旅游交通量,进而计算发生型旅游交通出行概率和吸引型旅游交通出行概率。
有益效果:本发明相比于现有技术其显著效果在于,本发明通过采集互联网旅游数据,高效便捷,覆盖范围广泛,避免了传统方法耗时长、工作量大、数据获取不够全等不足;引入因子分析方法,定量化计算景区吸引强度,避免了传统方法存在一定主观性的问题;利用景区吸引强度计算景区发生与吸引交通量,再分布计算发生型和吸引型旅游分布交通量,得到旅游交通分布OD矩阵,为旅游交通规划奠定基础。
附图说明
图1为本发明的步骤流程图;
图2为本发明的旅游交通出行分类图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图和具体实施案例做进一步的阐述。
在一个实施例中,如图1所示,提供了一种基于吸引强度的城市旅游交通需求联合预测方法,所述方法用于联合预测城市旅游发生与吸引交通量以及分布交通量,包括以下步骤:
(1)获取目标区域数据,包括:景区特性数据、地点位置数据、游记行程数据、历年旅游需求总量数据;
(2)依据目标区域的景区特性数据和地点位置数据,结合行政区和自然资源边界,将目标区域划分为若干不同类型的小区,其中所述小区类型分为旅游型、交通型和综合型三类;
(3)定义旅游交通出行及类型划分;
(4)使用GM(1,1)灰色预测模型,预测目标区域的旅游需求总量;
(5)使用因子分析方法,计算目标区域内景区吸引强度;
(6)以景区为单位,预测旅游发生与吸引交通量;
(7)以小区为单位,预测旅游分布交通量。
在一个实施例中,所述步骤(1)中的数据具有以下特征:
(1.1)景区特性数据,每条数据包括景点名称、经纬度、门票费用、景点评分、景点评论数5类指标;
(1.2)地点位置数据是指与旅游资源相关的兴趣点POI数据(包括轨道站点、商业中心、酒店、民宿等),POI数据是反映空间分布形态的基础数据,每个POI数据所包含的属性包括POI名称、经纬度、地址信息、所属分类4个指标;
(1.3)游记行程数据,每条数据包括出发地和目的地2个指标;
(1.4)历年旅游需求总量数据,包括年份和旅游需求总量2个指标。
在一个实施例中,所述步骤(3)的具体步骤如下:
(3.1)旅游交通出行定义
旅游交通分为区域交通、城市交通和景区内部交通三个层面,本发明的研究对象为城市交通。城市旅游交通受出行个体偏好和景区特性影响较大,因此离散性较大,若以完整出行链为单位进行研究,计算难度大、数据量要求大,因此将旅游出行链分解为小区之间的单次出行,即本发明中旅游交通出行定义为:出发地或目的地至少一个分布在旅游型小区中的单次交通出行。
(3.2)旅游交通出行划分
旅游交通出行可分为发生型旅游交通出行和吸引型旅游交通出行。发生型旅游交通出行的特征是出发地为旅游型小区,吸引型旅游交通出行的特征是目的地为旅游型小区。为表示方便,将出发地和目的地均为旅游型小区的单次交通出行划入发生型旅游交通出行。因此,发生型旅游交通出行共有3类,分别是旅游型→旅游型(表示出发地和目的地均为旅游型小区的旅游交通出行),旅游型→交通型(表示出发地为旅游型小区、目的地为交通型小区的旅游交通出行),旅游型→综合型(表示出发地为旅游型小区、目的地为综合型小区的旅游交通出行);吸引型旅游交通出行共有2类,分别是交通型→旅游型(出发地为交通型小区、目的地为旅游型小区的旅游交通出行),综合型→旅游型(出发地为综合型小区、目的地为旅游型小区的旅游交通出行),如图2所示。
在一个实施例中,所述步骤(4)的具体步骤如下:
(4.1)目标区域的旅游需求总量可表示为数列X(0)={x(0)(1),x(0)(2),...,x(0)(n)},计算累加数列X(1)={x(1)(1),...,x(1)(n)},其中元素x(1)(t)的计算公式为:
式中,x(0)(t)表示目标区域在第t年的旅游需求总量,x(0)(i)表示目标区域在第i年的旅游需求总量,n表示总年份公式1中,x(0)(k)表示第k年的旅游需求总量数据。
(4.2)对X(1)建立线性微分方程,其中a,u为待计算的参数。
(4.3)由最小二乘法计算参数a,u:
式中,Y=(x(0)(2),x(0)(3),…,x(0)(n))T,
(4.4)根据参数a,u得到线性微分方程的解:
在一个实施例中,景区吸引强度是表征景区对于游客的吸引力的一种量化指标,采用因子分析方法对景区吸引强度进行量化。所述步骤(5)的具体步骤如下:
(5.1)利用景区特性数据选取k个用于因子分析的指标:将门票价格作为费用指标的数值;将景点评分作为评分指标的数值;将景点评论数作为评论指标的数值;计算景点到最近一个轨道站点的经纬度球面距离,作为交通指标的数值。以上指标标准化后,通过KMO检验(要求KMO值>0.5)和Bartlett's检验(要求Bartlett's检验P值<0.05)即可选取k个指标x1,x2,...,xk。
(5.2)计算景区的综合因子得分F:对步骤(5.1)选取的k个指标做因子分析,采取主成分分析法提取因子,采用最大方差法做正交旋转变换,选取累计方差贡献率达到80%的前M个公因子,得到第m个公因子关于第i个指标xi的得分系数βmi,进而计算景区的综合因子得分。
综合因子得分是各个因子在每一个景区上的具体数值,因此综合因子得分F为:
(5.3)计算景区吸引强度w,w分布在[0.1,0.9]区间内,计算公式为:
式中,Fmin为所有景区的综合因子得分中的最小值;Fmax为所有景区的综合因子得分中的最大值。
在一个实施例中,某景区吸引一次交通出行,游客游玩后离开景区就必将发生一次交通出行,所以每个景区的吸引交通量均等于发生交通量。以景区吸引强度在目标区域内所有景区吸引强度总和的占比,分配目标区域在第t年的旅游需求总量的预测值T(该值由步骤(4)得到)。所述步骤(6)具体为:
式中,an为目标区域内第n个景区的吸引交通量;gn为目标区域内第n个景区的发生交通量;wn为目标区域内第n个景区吸引强度;T为目标区域在第t年的旅游需求总量的预测值;N为目标区域内景区数量。
在一个实施例中,所述步骤(7)具体包括以下步骤:
(7.1)将各个旅游型小区内的景区发生(吸引)交通量加和,得到各个旅游型小区的旅游发生(吸引)交通量;将各个旅游型小区内景区的吸引强度加和,得到各个旅游型小区的吸引强度,计算公式如下:
式中,At为目标区域内第t个旅游型小区的吸引交通量;Gt为目标区域内第t个旅游型小区的发生交通量;Wt为目标区域内第t个旅游型小区的吸引强度;wts为第t个旅游型小区内第s个景区吸引强度;S为目标区域内第t个旅游型小区的景区数量。
(7.2)计算发生和吸引型旅游交通出行概率。第l类发生型旅游交通出行概率等于该类型旅游交通量占发生型旅游交通量总和的比例,用pg l表示(l=1表示“旅游型→旅游型”,l=2表示“旅游型→交通型”,l=3表示“旅游型→综合型”);第h类吸引型旅游交通出行概率等于该类型旅游交通量占吸引型旅游交通量总和的比例,用表示(h=1表示“交通型→旅游型”,h=2表示“综合型→旅游型”),如表1所示。
表1
(7.3)计算发生型旅游分布交通量。将发生与吸引交通量转化为小区之间的OD量,即OD矩阵,O表示出发地(Origin),D表示目的地(Destination)。
式中,为目标区域内小区t1到小区t2的第l类发生型旅游分布交通量,为目标区域内小区t1的发生交通量;为目标区域内小区t2的吸引强度;为幂函数形式的交通阻抗函数,γ为参数(其值一般在0.6~3.5之间),为目标区域内小区t1和小区t2质心之间的经纬度球面距离;为目标区域内小区t2内轨道站点所连接的轨道边数之和;为目标区域内小区t2内的POI数量;M1、M2、M3分别为目标区域内旅游型小区、交通型小区和综合型小区的数量,为目标区域内旅游型小区m1的吸引强度; 为目标区域内小区t1和旅游型小区m1质心之间的经纬度球面距离; 为目标区域内小区t1和交通型小区m2质心之间的经纬度球面距离; 为目标区域内小区t1和综合型小区m3质心之间的经纬度球面距离;为目标区域内交通型小区m2内轨道站点所连接的轨道边数之和,为目标区域内综合型小区m3内的POI数量;
(7.4)计算吸引型旅游分布交通量。
(7.5)经过以上是所有步骤,即可得到旅游交通分布OD矩阵,旅游交通需求联合预测结束。
为方便说明,假设每种类型的小区各有2个,则OD矩阵如表2所示。
表2
本发明考虑了旅游交通与通勤交通的特性差异,考虑交通、商业、酒店等位置分布对于旅游交通需求的影响,引入因子分析量化景区的吸引强度,提出一种旅游交通联合预测方法,得到旅游交通分布量OD矩阵,为旅游交通规划提供了理论依据。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述方法包括以下步骤:
(1)获取目标区域数据,包括:景区特性数据、地点位置数据、游记行程数据、历年旅游需求总量数据;
(2)依据目标区域的景区特性数据和地点位置数据,结合行政区和自然资源边界,将目标区域划分为若干不同类型的小区,其中所述小区类型分为旅游型、交通型和综合型三类;
(3)定义旅游交通出行及类型划分;
(4)使用GM(1,1)灰色预测模型,预测目标区域的旅游需求总量;
(5)使用因子分析方法,计算目标区域内景区吸引强度;
(6)以景区为单位,预测旅游发生与吸引交通量;
(7)以小区为单位,预测旅游分布交通量。
2.如权利要求1所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(1)中:
景区特性数据包括景点名称、经纬度、门票费用、景点评分、景点评论数;
地点位置数据是与旅游资源相关的兴趣点POI数据,包括POI名称、经纬度、地址信息、所属分类;
游记行程数据包括出发地和目的地;
历年旅游需求总量数据包括年份和旅游需求总量。
3.如权利要求1所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(3)中:
旅游交通出行定义为:出发地或目的地至少有一个分布在旅游型小区中的单次交通出行;
旅游交通出行分为发生型旅游交通出行和吸引型旅游交通出行两类,其中,发生型旅游交通出行包括旅游型→旅游型、旅游型→交通型和旅游型→综合型三类,“旅游型→旅游型”表示出发地和目的地均为旅游型小区的旅游交通出行,“旅游型→交通型”表示出发地为旅游型小区、目的地为交通型小区的旅游交通出行,“旅游型→综合型”表示出发地为旅游型小区、目的地为综合型小区的旅游交通出行;吸引型旅游交通出行包括交通型→旅游型和综合型→旅游型两类,“交通型→旅游型”表示出发地为交通型小区、目的地为旅游型小区的旅游交通出行,“综合型→旅游型”表示出发地为综合型小区、目的地为旅游型小区的旅游交通出行。
4.如权利要求1所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(4)的具体步骤如下:
(4.1)目标区域的旅游需求总量表示为数列X(0)={x(0)(1),x(0)(2),…,x(0)(n)},计算累加数列X(1)={x(1)(1),...,x(1)(n)},其中x(1)(t)的计算公式为:
式中,x(0)(t)表示目标区域在第t年的旅游需求总量,x(0)(i)表示目标区域在第i年的旅游需求总量,n表示总年份;
(4.2)对X(1)建立线性微分方程:
式中,a和u为待计算的参数;
(4.3)由最小二乘法计算a和u:
式中,Y=(x(0)(2),x(0)(3),…,x(0)(n))T,
(4.4)根据a和u得到线性微分方程的解:
5.如权利要求1所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(5)的具体步骤如下:
(5.1)从景区特性数据中选取用于因子分析的指标:将门票价格作为费用指标,将景点评分作为评分指标,将景点评论数作为评论指标,将景区到最近一个轨道站点的经纬度球面距离作为交通指标;
(5.2)对步骤(5.1)选取的指标做因子分析,采取主成分分析法提取公因子,采用最大方差法做正交旋转变换,选取累计方差贡献率达到80%的前M个公因子,得到第m个公因子关于第i个指标xi的得分系数βmi,进而计算景区的综合因子得分F,公式如下:
(5.3)计算景区吸引强度w:
式中,Fmin为所有景区的综合因子得分中的最小值;Fmax为所有景区的综合因子得分中的最大值。
6.如权利要求5所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(5.1)还包括对所述指标进行标准化,并通过KMO检验和Bartlett's检验。
8.如权利要求3所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(7)具体包括以下步骤:
(7.1)将各个旅游型小区内的景区发生/吸引交通量加和,得到各个旅游型小区的旅游发生/吸引交通量;将各个旅游型小区内景区的吸引强度加和,得到各个旅游型小区的吸引强度,计算公式如下:
式中,At为目标区域内第t个旅游型小区的吸引交通量;Gt为目标区域内第t个旅游型小区的发生交通量;Wt为目标区域内第t个旅游型小区的吸引强度;wts为第t个旅游型小区内第s个景区吸引强度;S为目标区域内第t个旅游型小区的景区数量;
(7.2)计算发生和吸引型旅游交通出行概率,其中第l类发生型旅游交通出行概率pg l等于第l类发生型旅游分布交通量占目标区域内发生型旅游分布交通量总和的比例,第h类吸引型旅游交通出行概率等于第h类吸引型旅游分布交通量占目标区域内吸引型旅游分布交通量总和的比例;l=1表示“旅游型→旅游型”,l=2表示“旅游型→交通型”,l=3表示“旅游型→综合型”;h=1表示“交通型→旅游型”,h=2表示“综合型→旅游型”;
(7.3)计算发生型旅游分布交通量:
式中,为目标区域内小区t1到小区t2的第l类发生型旅游分布交通量,为目标区域内小区t1的发生交通量;为目标区域内小区t2的吸引强度;为幂函数形式的交通阻抗函数,γ为参数,为目标区域内小区t1和小区t2质心之间的经纬度球面距离;为目标区域内小区t2内轨道站点所连接的轨道边数之和;为目标区域内小区t2内的POI数量;M1、M2、M3分别为目标区域内旅游型小区、交通型小区和综合型小区的数量,为目标区域内旅游型小区m1的吸引强度; 为目标区域内小区t1和旅游型小区m1质心之间的经纬度球面距离; 为目标区域内小区t1和交通型小区m2质心之间的经纬度球面距离; 为目标区域内小区t1和综合型小区m3质心之间的经纬度球面距离;为目标区域内交通型小区m2内轨道站点所连接的轨道边数之和,为目标区域内综合型小区m3内的POI数量;
(7.4)计算吸引型旅游分布交通量:
(7.5)至此,得到旅游交通分布OD矩阵。
10.如权利要求8所述的一种基于吸引强度的城市旅游交通需求联合预测方法,其特征在于,所述步骤(7.2)中对游记行程数据中的出发地与目的地分别标记为旅游型、交通型或综合型,分类汇总得到各类旅游交通出行的旅游交通量,进而计算发生型旅游交通出行概率和吸引型旅游交通出行概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305491.5A CN114861975A (zh) | 2022-03-25 | 2022-03-25 | 基于吸引强度的城市旅游交通需求联合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305491.5A CN114861975A (zh) | 2022-03-25 | 2022-03-25 | 基于吸引强度的城市旅游交通需求联合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861975A true CN114861975A (zh) | 2022-08-05 |
Family
ID=82629278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305491.5A Pending CN114861975A (zh) | 2022-03-25 | 2022-03-25 | 基于吸引强度的城市旅游交通需求联合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745108A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179455A1 (zh) * | 2020-03-10 | 2021-09-16 | 深圳市华侨城创新研究院有限公司 | 测量旅游景区欢乐指数的科学计量方法 |
CN113449932A (zh) * | 2021-08-30 | 2021-09-28 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于马尔科夫链的旅游交通需求预测方法、装置及系统 |
CN114037160A (zh) * | 2021-11-10 | 2022-02-11 | 西南交通大学 | SEM-Logit旅游铁路客流预测模型的构建方法 |
-
2022
- 2022-03-25 CN CN202210305491.5A patent/CN114861975A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179455A1 (zh) * | 2020-03-10 | 2021-09-16 | 深圳市华侨城创新研究院有限公司 | 测量旅游景区欢乐指数的科学计量方法 |
CN113449932A (zh) * | 2021-08-30 | 2021-09-28 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于马尔科夫链的旅游交通需求预测方法、装置及系统 |
CN114037160A (zh) * | 2021-11-10 | 2022-02-11 | 西南交通大学 | SEM-Logit旅游铁路客流预测模型的构建方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745108A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
CN117745108B (zh) * | 2024-02-20 | 2024-05-07 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An integrated approach to supporting land-use decisions in site redevelopment for urban renewal in Hong Kong | |
Brainard | Integrating geographical information systems into travel cost analysis and benefit transfer | |
Wan et al. | A generic data-driven recommendation system for large-scale regular and ride-hailing taxi services | |
Strong et al. | Decision support framework for transit-oriented development projects | |
CN111563666A (zh) | 一种基于网络热度的城市公共服务设施空间配置评价方法 | |
Xia et al. | Sustainable renewal methods of urban public parking spaces under the scenario of shared autonomous vehicles (SAV): A review and a proposal | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
Wang et al. | A joint modeling analysis of passengers’ intercity travel destination and mode choices in Yangtze River Delta megaregion of China | |
Uddin et al. | A framework to measure transit-oriented development around transit nodes: Case study of a mass rapid transit system in Dhaka, Bangladesh | |
CN111582601A (zh) | 一种公交站点选址方法及装置 | |
Chakim et al. | RETRACTED: The Relationship Between Smart Cities and Smart Tourism: Using a Systematic Review | |
CN114861975A (zh) | 基于吸引强度的城市旅游交通需求联合预测方法 | |
Aoki | Activity space compactness index from the viewpoint of trip arrival point by lifestyle activity purpose in a mature conurbation | |
Boscacci et al. | Smartness and Italian cities. A cluster analysis | |
Fathoni et al. | Transportation policy toward sustainable tourism development: Province of East Java, Indonesia | |
CN114139827B (zh) | 一种城市功能区功能绩效的智能感知与优化方法 | |
SIKOS TOMAY et al. | Analysing economic and environmental sustainability in Hungary: How cities with county rights perform in SDGs. | |
Yue et al. | Classification and determinants of high-speed rail stations using multi-source data: A case study in Jiangsu Province, China | |
Dodeen | Developing trip generation models utilizing linear regression analysis: Jericho City as a Case Study | |
Hakim et al. | The measuring of urban amenities index and its effect on migration: Evidence from Indonesian cities | |
CN111582683A (zh) | 一种基于网络热度的城市公共服务设施供给效率评价方法 | |
Omar et al. | Long-term expansion plan of intermediate cities using GIS: the case of Sinjar city, Iraq | |
Salkin | From bricks and mortar to mega-bytes and mega-pixels: The changing landscape of the impact of technology and innovation on urban development | |
Akbari et al. | Enhancing ecotourism site suitability assessment using multi-criteria evaluation and NSGA-II | |
Pechpakdee et al. | The challenges of urban tourism, Liveable city, and urban environment in Bangkok |
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 |