CN115759329A - 基于卷积神经网络的景区游客人数预测方法 - Google Patents

基于卷积神经网络的景区游客人数预测方法 Download PDF

Info

Publication number
CN115759329A
CN115759329A CN202211206978.4A CN202211206978A CN115759329A CN 115759329 A CN115759329 A CN 115759329A CN 202211206978 A CN202211206978 A CN 202211206978A CN 115759329 A CN115759329 A CN 115759329A
Authority
CN
China
Prior art keywords
scenic spot
scenic
neural network
condition
parking
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
Application number
CN202211206978.4A
Other languages
English (en)
Inventor
安德军
田长宝
周听鸿
周相兵
辜建刚
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.)
Huanglong National Scenic Area Administration
Original Assignee
Huanglong National Scenic Area Administration
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 Huanglong National Scenic Area Administration filed Critical Huanglong National Scenic Area Administration
Priority to CN202211206978.4A priority Critical patent/CN115759329A/zh
Publication of CN115759329A publication Critical patent/CN115759329A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于卷积神经网络的景区游客人数预测方法，包括：实时且连续不断地获取以下数据：到景区的道路交通状况、景区停车场情况、当天天气情况、网络上各个平台对于景区的评价、景区入口排队情况；使用第一循环神经网络根据所述道路交通状况、景区停车场情况预测交通情况、停车场停车情况；步骤3，构建一个第二循环神经网络，所述第二循环神经网络包含6个序列化数据输入组、一个输出层、包含3个隐含层的RNN，其中每层包含256个节点，每个输入层都与隐含层的节点相连，即输入6组影响景区人流量的因素的数据、输出景区人流量。本发明有效提高了景区人流了的实时性、有效性、准确性，为景区提前做好相应措施提供数据支持。

Description

基于卷积神经网络的景区游客人数预测方法
技术领域
本发明涉及云计算、软件工程领域，特别涉及一种基于卷积神经网络的景区游客人数预测方法。
背景技术
全国各个景区采用了很多的技术方案，比如：采用摄像头对进入景区的人数进行统计，当景区内人数超过设定范围时予以警告，或者采用与运营商合作的方式，利用基站对游客位置进行定位并统计出景区内游客人数和游客在景区内的分布情况，方便景区采取对应的措施，确保景区内游客的人身安全。
但是，上述两种方式都是对景区情况的一种迟滞应对措施，在发现景区游客超限时，景区内游客已经处于一种拥挤状态了。
发明内容
本发明提供了一种基于卷积神经网络的景区游客人数预测方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种基于卷积神经网络的景区游客人数预测方法，包括：
步骤1，实时且连续不断地获取以下数据：到景区的道路交通状况、景区停车场情况、当天天气情况、网络上各个平台对于景区的评价、景区入口排队情况；
步骤2，使用第一循环神经网络根据所述道路交通状况、景区停车场情况预测交通情况、停车场停车情况；
步骤3，构建一个第二循环神经网络，所述第二循环神经网络包含6个序列化数据输入组、一个输出层、包含3个隐含层的RNN，其中每层包含256个节点，每个输入层都与隐含层的节点相连，即输入6组影响景区人流量的因素的数据、输出景区人流量；
其中，所述6组影响景区人流量的因素的数据包括：步骤2预测的交通情况、停车场停车情况，以及步骤1获取的天气情况、网络上各个平台对于景区的评价、景区入口排队情况以及对应景区人流量组成的数据。
优选地，到景区的道路交通状况是指以景点为中心，设定半径为2公里，将这个区域内各个道路划分为节点，道路为节点之间的连接线，这样就以景点为中心生成了一个图，同时抓取各个节点之间道路的拥堵情况，来作为图之间边的权重。
优选地，道路通行情况包括：1)畅通、2)缓慢行驶、3)拥堵、4)严重拥堵四个等级，以及在2)缓慢行驶、3)拥堵、4)严重拥堵三种情况下的拥堵道路长度；
所以道路交通情况计算公式如下：
Figure SMS_1
其中Rji为该条道路通行情况，分别为：畅通为0、缓慢行驶为1，拥堵为2，严重拥堵为3,Rli为该条道路拥堵长度(km)，N为道路节点之间的连接线数量。
优选地，景区停车场情况是指统计以景区为中心，半径为1km区域内的所有停车场的停车情况，来表示景区的停车场情况；
具体计算方式如下：
Figure SMS_2
其中
Figure SMS_3
表示该停车场中所有的车位，
Figure SMS_4
表示该停车场中已经停的车量数目。
优选地，天气情况包括：
首先，通过下式计算出人体舒适度指数：
Figure SMS_5
其中t为平均气温，f为相对湿度，v为风速；
其次，根据历史数据中人流量峰值下的人体舒适度指数与人流量最低值人体舒适度指数，对当前人体舒适度指数进行归一化，计算方式如下：
Figure SMS_6
其中ssdnormal表示归一化之后的人体舒适度指数，
Figure SMS_7
表示人流量峰值下的人体舒适度指数，
Figure SMS_8
表示人流量最低值人体舒适度指数。
优选地，网络上各个平台对于景区的评价通过知名旅游服务提供网站的评分的加权平均数得到，具体公式计算如下：
Figure SMS_9
其中Ci表示某网站对该景区评价的平均分，Wi表示该网站对该景区评价的人数。
优选地，步骤2中，以半个小时一次的频率采集一次景区周围道路的交通情况和停车场情况生成序列化数据，采用第一循环神经网络分别使用生成的序列化数据进行训练，得到景区附近道路交通和停车场情况的变化模型。
优选地，所述方法还包括：在一定周期内，根据实际数据，重新训练第一循环神经网络和第二循环神经网络，使得在运行过程中，能够根据实际数据不断修正模型，从而使预测精度不断提高。
本发明解决现有的景区人流量监测平台对于人流量高峰的迟滞反应，以及现有的景区人流量预测算法对于景区进行人流量控制的准确性、实时性、有效性等技术问题，有效提高了景区人流了的实时性、有效性、准确性，为景区提前做好相应措施提供数据支持。
附图说明
图1示意性地示出了第一循环神经网络的网络结构图；
图2示意性地示出了第二循环神经网络的网络结构图；
图3示意性地示出了本发明的整体算法流程图。
具体实施方式
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
当前人们越来越愿意外出旅行，而一个观赏体验良好的景区是增加人们旅行幸福感与吸引人们前来的前提条件，所以当景区提前为人流量变换做相应准备是提高人们观赏体验的一个有效手段。
本发明的目标是提供一种基于卷积神经网络的景区游客人数预测算法，解决现有的景区人流量监测平台对于人流量高峰的迟滞反应，以及现有的景区人流量预测算法对于景区进行人流量控制的准确性、实时性、有效性等技术问题，有效提高了景区人流了的实时性、有效性、准确性，为景区提前做好相应措施提供数据支持。
本发明主要使用了与景区人流量相关的多源数据，基于这些多源数据分析对景区人流量进行预测的算法，使用深度学习算法挖掘出这些多源数据与景区人流量之间的关系，从而根据当前数据预测出未来一段时间内景区人流量趋势。
下面，对本发明的具体实施过程进行详细描述。
1.多源数据组成
影响景区人流量的因素有很多，其中较为重要的是：1)到景区的道路交通状况；2)景区停车场情况；3)当天的天气情况；4)网络上各个平台对于景区的评价；5)景区入口排队情况。
(1)到景区的道路交通状况
随着经济水平和生活水平的快速提高，越来越多的人选择自驾游的出行方式，而到达一个景点的交通状况是人们是否选择到该景点的一个重要的参考因素，所以这里将到景区的交通状况进行量化处理，作为一个重要参数。
以景点为中心，设定半径为2公里，将这个区域内各个道路划分为节点，道路为节点之间的连接线，这样就以景点为中心生成了一个图，同时抓取各个节点之间道路的拥堵情况，来作为图之间边的权重。
道路通行情况可以分为：1)畅通；2)缓慢行驶；3)拥堵；4)严重拥堵；四个等级。以及在2,3,4三种情况下的拥堵道路长度。
所以道路交通情况计算公式如下：
Figure SMS_10
其中Rji为该条道路通行情况，分别为：畅通为0、缓慢行驶为1，拥堵为2，严重拥堵为3,Rli为该条道路拥堵长度(km)，N为道路节点之间的连接线数量。
(2)停车场情况
在越来越多人选择自驾游的情况下，目的地景区的停车场的停车情况也是影响游客选择是否游览的一个重要因素。所以，统计以景区为中心，半径为1km区域内的所有停车场的停车情况，来表示景区的停车场情况。
具体计算方式如下：
Figure SMS_11
其中
Figure SMS_12
表示该停车场中所有的车位，
Figure SMS_13
表示该停车场中已经停的车量数目。
(3)天气情况
景区的天气情况会影响游客选择是否到景区游览，描述天气情况，首先是气温，其次是湿度，再其次就是风向风速等。在不同的天气情况下，人体感受各不相同，人体的舒适指标建立在相关的气象要素预报的基础上，较好地反映多数人群的身体感受综合气象指标或参数，人体舒适度指数，一般分为10个等级对外发布。
人体舒适度指数计算公式如下：
Figure SMS_14
其中t为平均气温，f为相对湿度，v为风速
根据历史数据中人流量峰值下的人体舒适度指数与人流量最低值人体舒适度指数，对当前人体舒适度指数进行归一化，计算方式如下：
Figure SMS_15
其中ssdnormal表示归一化之后的人体舒适度指数，
Figure SMS_16
表示人流量峰值下的人体舒适度指数，
Figure SMS_17
表示人流量最低值人体舒适度指数。
(4)网络上各个平台对于景区的评价
随着现在信息技术的发展，越来越多的人选择网络上留下对于景区的评价，而人们在挑选要去的景区时，也会参考网络上但对于景区的评价；所以选择携程、飞猪等知名旅游服务提供网站的评分的加权平均数。具体计算如下：
Figure SMS_18
其中Ci表示某网站对该景区评价的平均分，Wi表示该网站对该景区评价的人数。
(5)景区入口排队情况
景区入口在一定程度上也能影响游客到达景区之后是否选择进行购票，进入景区游览，所以使用当前取票人数减去当前进入景区人数可以得到在景区入口排队检票的人数。
2.使用循环神经网络预测交通情况与停车场停车情况
循环神经网络RNN时一类以序列数据作为输入，在序列的演进方向上进行递归，而且所有的神经网络节点按链式链接的递归神经网络，RNN具有记忆性、参数完备性。因此在对序列的非线性特征进行学习时具有一定的优势。因为交通情况与停车场情况变化时随着时间而进行变化的时间序列数据，所以使用RNN学习变化趋势。
本发明采用以半个小时一次的频率采集一次景区周围道路的交通情况和停车场情况，生成序列化数据。采用RNN神经网络，分别使用生成的序列化数据进行训练，得到景区附近道路交通和停车场情况的变化模型。其RNN网络结构如图1所示。
3.景区人流量预测
由景区附近交通情况、停车场情况、天气情况、网络上各个平台对于景区的评价、景区入口排队情况以及对应景区人流量组成的数据，其本质上也是一个多维的与时间相关的序列化数据。
所以本发明设计了一个包含6个序列化数据输入组、一个输出层、包含3个隐含层的RNN，其中每层包含256个节点。每个输入层都与隐含层的节点相连。即输入6组影响景区人流量的因素的数据，输出景区人流量。景区人流量预测RNN网络结构如图2所示。
4.算法整体结构
本发明算法使用了两种不同结构的RNN网络，一个用于预测预测交通情况与停车场停车情况，另一个在前一个的预测结果之上结合其他数据预测景区人流量。并且在算法过程中，在一定周期内，算法会根据实际数据，重新训练两个RNN网络，使得算法在运行过程中，根据实际数据不断修正模型，从而使预测精度不断提高。算法流程如图3所示。
由于采用了上述技术方案，本发明具有以下有益效果：
1.由多类与景区人流量相关的因素组成的多源数据
使用由1)到景区的道路交通状况；2)景区停车场情况；3)当天的天气情况；4)网络上各个平台对于景区的评价；5)景区入口排队情况，组成的数据描述景区周围情况，更加全面的考虑了影响景区人流量的因素，使得预测结果更加精确。
2.建立景区周围道路关键节点的图
通过对景区周围道路的抽象，建立一个加权无向图，引入道路拥堵等级与道路拥堵长度，反映道路的通行情况。并通过加权平均准确反映整个道路的通行情况。
3.引入网络各个平台对于景区的评价
在现在网络快速发展的时代，网络上对于景区的评价会影响游客对于景点选择。所以入引入网络各个平台对于景区的评价，并且使用加权平均的计算方式，可以更加准确的反映出网络上景区的评价的情况，从而为准确预测景区打下坚实基础，并且可以为景区改善游客体验提供数据支持。
4.使用RNN预测景区周围交通与停车场情况
景区周围交通与停车场情况，在当前经济快速发展，汽车保有量快速提升的情况下，是影响景区人流量的两个重要因素，所以在历史数据下使用RNN训练预测模型，进行预测在下一时间内景区周围交通与停车场情况，可以为景区改进游客进入体验提供一定得到数据支持。
5.创建一个输入多维序列数据，输出景区人流量的RNN网络
在多源数据的基础上，创建一个由一个输入多维序列数据，输出景区人流量，中间包含3个隐含层的RNN网络，多维数据的输入可以为RNN网络提供更多关于景区的信息，3个隐含层可以更加有效的提取出更多数据的深度特征,从而保证模型对于景区人流量的准确预测。
本发明的创新之处是：(1)使用多源数据全方位的描述景区周围情况；(2)建立景区周围道路关键节点的图，使用加权图准确描述景区周围的道路交通情况；(3)使用各个网络平台关于景区的加权平均数，可以更加准确反映景区在网络上的评价情况；(4)使用RNN预测景区周围交通与停车场情况；(5)使用多维输入与多层隐含层的RNN网络进行人流量的预测。
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 (8)

1.一种基于卷积神经网络的景区游客人数预测方法，其特征在于，包括：
步骤1，实时且连续不断地获取以下数据：到景区的道路交通状况、景区停车场情况、当天天气情况、网络上各个平台对于景区的评价、景区入口排队情况；
步骤2，使用第一循环神经网络根据所述道路交通状况、景区停车场情况预测交通情况、停车场停车情况；
步骤3，构建一个第二循环神经网络，所述第二循环神经网络包含6个序列化数据输入组、一个输出层、包含3个隐含层的RNN，其中每层包含256个节点，每个输入层都与隐含层的节点相连，即输入6组影响景区人流量的因素的数据、输出景区人流量；
其中，所述6组影响景区人流量的因素的数据包括：步骤2预测的交通情况、停车场停车情况，以及步骤1获取的天气情况、网络上各个平台对于景区的评价、景区入口排队情况以及对应景区人流量组成的数据。
2.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，到景区的道路交通状况是指以景点为中心，设定半径为2公里，将这个区域内各个道路划分为节点，道路为节点之间的连接线，这样就以景点为中心生成了一个图，同时抓取各个节点之间道路的拥堵情况，来作为图之间边的权重。
3.根据权利要求2所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，道路通行情况包括：1)畅通、2)缓慢行驶、3)拥堵、4)严重拥堵四个等级，以及在2)缓慢行驶、3)拥堵、4)严重拥堵三种情况下的拥堵道路长度；
所以道路交通情况计算公式如下：
Figure FDA0003874345020000021
其中Rji为该条道路通行情况，分别为：畅通为0、缓慢行驶为1，拥堵为2，严重拥堵为3,Rli为该条道路拥堵长度(km)，N为道路节点之间的连接线数量。
4.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，景区停车场情况是指统计以景区为中心，半径为1km区域内的所有停车场的停车情况，来表示景区的停车场情况；
具体计算方式如下：
Figure FDA0003874345020000022
其中
Figure FDA0003874345020000023
表示该停车场中所有的车位，
Figure FDA0003874345020000024
表示该停车场中已经停的车量数目。
5.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，天气情况包括：
首先，通过下式计算出人体舒适度指数：
Figure FDA0003874345020000025
其中t为平均气温，f为相对湿度，v为风速；
其次，根据历史数据中人流量峰值下的人体舒适度指数与人流量最低值人体舒适度指数，对当前人体舒适度指数进行归一化，计算方式如下：
Figure FDA0003874345020000026
其中ssdnormal表示归一化之后的人体舒适度指数，
Figure FDA0003874345020000027
表示人流量峰值下的人体舒适度指数，
Figure FDA0003874345020000028
表示人流量最低值人体舒适度指数。
6.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，网络上各个平台对于景区的评价通过知名旅游服务提供网站的评分的加权平均数得到，具体公式计算如下：
Figure FDA0003874345020000031
其中Ci表示某网站对该景区评价的平均分，Wi表示该网站对该景区评价的人数。
7.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，步骤2中，以半个小时一次的频率采集一次景区周围道路的交通情况和停车场情况生成序列化数据，采用第一循环神经网络分别使用生成的序列化数据进行训练，得到景区附近道路交通和停车场情况的变化模型。
8.根据权利要求1所述的基于卷积神经网络的景区游客人数预测方法，其特征在于，所述方法还包括：在一定周期内，根据实际数据，重新训练第一循环神经网络和第二循环神经网络，使得在运行过程中，能够根据实际数据不断修正模型，从而使预测精度不断提高。
CN202211206978.4A 2022-09-30 2022-09-30 基于卷积神经网络的景区游客人数预测方法 Pending CN115759329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211206978.4A CN115759329A (zh) 2022-09-30 2022-09-30 基于卷积神经网络的景区游客人数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211206978.4A CN115759329A (zh) 2022-09-30 2022-09-30 基于卷积神经网络的景区游客人数预测方法

Publications (1)

Publication Number Publication Date
CN115759329A true CN115759329A (zh) 2023-03-07

Family

ID=85350657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211206978.4A Pending CN115759329A (zh) 2022-09-30 2022-09-30 基于卷积神经网络的景区游客人数预测方法

Country Status (1)

Country Link
CN (1) CN115759329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540037A (zh) * 2024-01-08 2024-02-09 邯郸鉴晨网络科技有限公司 一种多媒体信息采集及发布系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540037A (zh) * 2024-01-08 2024-02-09 邯郸鉴晨网络科技有限公司 一种多媒体信息采集及发布系统

Similar Documents

Publication Publication Date Title
US11657708B2 (en) Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
US20220222556A1 (en) Road traffic jam early warning method and system
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及系统
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN108364467A (zh) 一种基于改进型决策树算法的路况信息预测方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN110274609B (zh) 一种基于行程时间预测的实时路径规划方法
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
Pflügler et al. Predicting the availability of parking spaces with publicly available data
CN109460937B (zh) 评价轨道站点周边慢行交通系统接驳水平的流程与方法
CN110675626B (zh) 基于多维数据的交通事故黑点预测方法、装置及介质
CN112784000B (zh) 基于出租车轨迹数据的寻客方法
CN111710162B (zh) 一种城市路网交通运行状况监测方法及系统
CN108665191A (zh) 基于聚集效应的地铁站外关联区域计算方法
CN112801399B (zh) 一种路径生成方法、装置、终端设备及存储介质
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN111582580A (zh) 一种考虑人群污染物暴露的出行路径规划方法
CN106021902A (zh) 一种用于城市轨道交通客流拥挤指数的分级方法
CN112767683A (zh) 一种基于反馈机制的路径诱导方法
CN115759329A (zh) 基于卷积神经网络的景区游客人数预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication