CN115907208A - 一种实现大数据分析的智慧旅游预测方法及系统 - Google Patents
一种实现大数据分析的智慧旅游预测方法及系统 Download PDFInfo
- Publication number
- CN115907208A CN115907208A CN202211622728.9A CN202211622728A CN115907208A CN 115907208 A CN115907208 A CN 115907208A CN 202211622728 A CN202211622728 A CN 202211622728A CN 115907208 A CN115907208 A CN 115907208A
- Authority
- CN
- China
- Prior art keywords
- data
- travel
- data center
- information
- people
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000007726 management method Methods 0.000 claims description 16
- 230000004308 accommodation Effects 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧旅游技术领域,且公开了一种实现大数据分析的智慧旅游预测方法及系统,包括数据中心、采集端以及应用端,所述采集端采集游客的出行信息并发送给数据中心,所述数据中心将游客信息进行处理后,对旅游信息进行预测,并将预测结果发送给应用端,所述应用端接收旅游预测信息,并根据预测结果进行调整,所述采集端包括搜索量采集单元以及酒店采集单元,应用端包括交通规划单元以及人员规划单元;搜索量采集单元内包括有词频因子、词长因子、词性因子、位置因子、网语因子,对某个地区的旅游景点产生兴趣时,会点击到相应的文章内进行阅读,因此对其所点击的文章信息中的关键词进行搜索,更加准确的预测出旅客想去的旅游地。
Description
技术领域
本发明涉及智慧旅游技术领域,更具体地涉及一种实现大数据分析的智慧旅游预测方法及系统。
背景技术
智慧旅游也被称为智能旅游,是利用云计算、物联网等新技术,通过互联网,借助便携的终端上网设备,主动感知旅游资源、旅游经济、旅游活动、旅游者等方面的信息,并进行及时发布,让人们能够及时了解这些信息,及时安排和调整工作与旅游计划,从而达到对各类旅游信息的智能感知、方便利用的效果,智慧旅游的建设与发展最终将体现在旅游管理、旅游服务和旅游营销的三个层面。
当前旅游业迅速发展,每逢周末节假,旅游景点客流暴增,超景点负荷的客流不但会破坏景点的平衡而且也是给旅游管理部门的管理带来巨大威胁,为了有效地控制旅游景点客流,维护旅游景点的生态平衡,需要准确有效地预测旅游客流,并对旅客的出行做出规划,但是传统进行旅游预测时存在以下问题:
进行旅游预测时,一般通过往年的数据进行今年数据的推测,但是每一年的情况均不同,当节假日时,在气温等因素的影响下,此时的旅游人数会出现较大的偏差,因此按照历年进行计算后,当旅游人数较多时,景点无法对游客进行良好的服务,会对景点自身造成伤害,且会影响游客的出行感受,因此会造成景点后续人数的减少;
旅游人员无法对景点的预测游玩人数进行了解,因此会经常出现景点内人数过多,而堵在交通道路或者景区内的情况,当游客在交通道路上进行堵塞时,需要长时间处于车上,而车上由于诸多不便,因此不利于旅游业的整体发展。
发明内容
为了克服现有技术的上述缺陷,本发明的实施条例提供一种实现大数据分析的智慧旅游预测方法及系统,以解决背景技术中所提出的技术问题。
为实现上述目的,本发明提供如下技术方案:一种实现大数据分析的智慧旅游预测方法,包括以下步骤:
步骤S1、搜索量采集单元采集的信息为旅游文章中出现关键词的数量,并采用权重计算公式W进行计算W=A×f+B×l+C×p+D×a+E×s,f为词频因子,其计算公式为l为词长因子,其计算公式为p为词性因子,s为互联网网语因子,其计算公式为a为位置因子,其计算公式为并将信息发送给数据中心;
步骤S2、酒店采集单元首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心;
步骤S3、搜索量采集单元传输给数据中心的数据为G,酒店采集单元传输给数据中心的数据为J,将二者进行归一化处理,进行旅游人数的预测;
步骤S4、交通规划单元接到数据中心发送的数据后,对交通需求量进行计算,及时进行交通规划,人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,并重新规划管理人员。
在一个优选的实施方式中,一种实现大数据分析的智慧旅游预测系统,包括数据中心、采集端以及应用端,所述采集端采集游客的出行信息并发送给数据中心,所述数据中心将游客信息进行处理后,对旅游信息进行预测,并将预测结果发送给应用端,所述应用端接收旅游预测信息,并根据预测结果进行调整,所述采集端包括搜索量采集单元以及酒店采集单元,应用端包括交通规划单元以及人员规划单元。
在一个优选的实施方式中,所述搜索量采集单元采集的信息为旅游文章中出现关键词的数量,关键词为“地区+节日+旅游”,此为三个关键词,当三个关键词同时出现时,此时搜索量加一,当文章浏览后被电机不感兴趣或者拉黑时,此时浏览文章中的关键词次数不进行统计,搜索量采用权重计算公式W进行计算,其详细公式为W=A×f+B×l+C×p+D×a+E×s,式中f为词频因子,其计算公式为式中fi为关键词在一篇文章中的词频,l为词长因子,其计算公式为式中li为关键词的词长,Max(li)为所有词语的最大长度,p为词性因子,当其为名称与动词时为0.8,当其为形容词与副词时为0.6,其余词语时为0,a为位置因子,其计算公式为式中W1为关键词在标题出现的次数,W2为关键词在首段出现的次数,W3为关键词在尾段出现的次数,L为文档的总字数,s为互联网网语因子,其计算公式为式中t为网互联网网语总个数,fg为关键词在文章中的词频,A、B、C、D、E为比例系数,其依次为1.5、1.2、1.0、0.8。
在一个优选的实施方式中,关键词“地区+节日+旅游”中,地区包括省份、市级、旅游景点以及标志性的建筑与街区,节日包括节假日、日期、月份以及季节,旅游包括旅游、游玩、美食、特产。
在一个优选的实施方式中,所述酒店采集单元采集首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心。
在一个优选的实施方式中,所述搜索量采集单元传输给数据中心的数据为G,酒店采集单元传输给数据中心的数据为J,将二者进行归一化处理,将两者相关联,形成灰尘干燥关联值,关联公式为式中Ri为数据G中一项的平均值,P为数据Pi中一项的平均值,且Ri与Pi的计算公式为:
其中,0≤K1≤1,0≤K2≤1,且K1 2+K2 2=1,K1与K2为权重,其具体值可由用户调整设置,关联公式计算后的预测人数为Y。
在一个优选的实施方式中,所述数据中心将计算后的数据储存到云端平台,云端平台将数据通过互联网发送到智能终端上,供终端使用者随时进行查看,且云端中的数据随着数据中心每次计算后进行更新,并将全部的数据信息进行储存,管理者可随时调取储存的数据进行查看。
在一个优选的实施方式中,所述交通规划单元接到数据中心发送的数据后,首先对交通需求量进行计算,交通需求量计算公式为式中J1为公共交通的客运结构系数,J2为团体包车的客运结构系数,J3私人汽车的客运结构系数,N1为公共交通的载客率,N2为团体包车的载客率,N3私人汽车的载客率,当交通容纳量低于交通需求量90%时,及时进行交通规划。
在一个优选的实施方式中,所述人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,当第一天的实际人数超过预测人数10%时,第二天需增加管理人员,当第一天的实际人数低于预测人数的百分之十时,第二天可减少管理人员,通过将第一天的实际人数与预测人数进行对比,并在第二天及时进行管理人员人数的调节,因此需要较多的管理人员时可以及时进行补充,而当管理人员较多时,可以安排管理人员去其余景点进行管理,在保证游客旅游体验的同时降低成本。
本发明的技术效果和优点:
1、本发明通过搜索量采集单元,搜索量采集单元内包括有词频因子、词长因子、词性因子、位置因子、网语因子五个元素,并整体进行考虑,旅客对某个地区的旅游景点产生兴趣时,此时会点击到相应的文章内进行阅读,因此对其所点击的文章信息中的关键词进行搜索,从而更加准确的预测出旅客想去的旅游地;
2、本发明通过设有酒店采集单元,本地游客进行本地区的游玩时,其无需采用飞机、火车等交通工具,而外地的游客会采用长距离的交通工具,因此本地游客对于交通预测时影响较小,从而对其分开进行考虑,在能够对旅客人数预测的同时,能够对交通出行人数进行预测,使其在进行计算时更加实用;
3、本发明设有数据中心以及云端平台,云端平台能够将数据进行储存,因此管理者可以更加清晰的了解各个景点内的人数,并对预测的结果与实际值进行对比,当进行对比后发现偏差较大时,便于进行后续的预测方式更改,使其能够处于不断的优化状态,使得整个旅游业进行良性的发展;
4、本发明通过交通规划单元以及人员规划单元,对交通的需求量进行计算,当交通容纳量低于交通需求量90%时,及时进行交通人手的补充以及路线调整,防止车辆堵塞,可以安排管理人员在不同的景点进行管理,在保证游客旅游体验的同时降低成本。
附图说明
图1为本发明的整体单元示意图。
图2为本发明的酒店采集单元流程示意图。
图3为本发明的整体预测方法流程图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,另外,在以下的实施方式中记载的各结构的形态只不过是例示,本发明所涉及的一种实现大数据分析的智慧旅游预测方法及系统并不限定于在以下的实施方式中记载的各结构,在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
参照图3,本发明提供了一种实现大数据分析的智慧旅游预测方法,包括以下步骤:
步骤S1、搜索量采集单元采集的信息为旅游文章中出现关键词的数量,并采用权重计算公式W进行计算W=A×f+B×l+C×p+D×a+E×s,f为词频因子,其计算公式为l为词长因子,其计算公式为p为词性因子,s为互联网网语因子,其计算公式为a为位置因子,其计算公式为并将信息发送给数据中心;
步骤S2、酒店采集单元首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心;
步骤S3、搜索量采集单元传输给数据中心的数据为G,酒店采集单元传输给数据中心的数据为J,将二者进行归一化处理,进行旅游人数的预测;
步骤S4、交通规划单元接到数据中心发送的数据后,对交通需求量进行计算,及时进行交通规划,人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,并重新规划管理人员。
参照图1,一种实现大数据分析的智慧旅游预测系统,包括数据中心、采集端以及应用端,所述采集端采集游客的出行信息并发送给数据中心,所述数据中心将游客信息进行处理后,对旅游信息进行预测,并将预测结果发送给应用端,所述应用端接收旅游预测信息,并根据预测结果进行调整,所述采集端包括搜索量采集单元以及酒店采集单元,应用端包括交通规划单元以及人员规划单元。
本申请实施例中,所述搜索量采集单元采集的信息为旅游文章中出现关键词的数量,关键词为“地区+节日+旅游”,此为三个关键词,当三个关键词同时出现时,此时搜索量加一,当文章浏览后被电机不感兴趣或者拉黑时,此时浏览文章中的关键词次数不进行统计,搜索量采用权重计算公式W进行计算,其详细公式为W=A×f+B×l+C×p+D×a+E×s,式中f为词频因子,其计算公式为式中fi为关键词在一篇文章中的词频,l为词长因子,其计算公式为式中li为关键词的词长,Max(li)为所有词语的最大长度,p为词性因子,当其为名称与动词时为0.8,当其为形容词与副词时为0.6,其余词语时为0,a为位置因子,其计算公式为式中W1为关键词在标题出现的次数,W2为关键词在首段出现的次数,W3为关键词在尾段出现的次数,L为文档的总字数,s为互联网网语因子,其计算公式为式中t为网互联网网语总个数,fg为关键词在文章中的词频,A、B、C、D、E为比例系数,其依次为1.5、1.2、1.0、0.8。
本申请实施例中,现在为一个大数据时代,当有旅客搜索关于旅游的信息时,此时会自动推送旅游消息给旅客,而旅客对某个地区的旅游景点产生兴趣时,此时会点击到相应的文章内进行阅读,因此对其所点击的文章信息中的关键词进行搜索,而采用搜索的关键词进行统计时,当旅客在进行搜索后,若是对某地的景点不感兴趣时,此时也会将次数进行统计,而采用推荐文章进行统计,当旅客对某地的景点不感兴趣时,此时旅客可点击文章内的不感兴趣选项,会减少后续的相关推荐,并且此次的查看在总的搜索量数量中不进行计算,从而提高预测的准确程度,此外,将词频因子、词长因子、词性因子、位置因子、网语因子五个元素整体进行考虑,从而更加准确的预测出旅客想去的旅游地。
进一步的,关键词“地区+节日+旅游”中,地区包括省份、市级、旅游景点以及标志性的建筑与街区,节日包括节假日、日期、月份以及季节,旅游包括旅游、游玩、美食、特产,本申请采用关键词为统计目标,因此关键词的“地区+节日+旅游”中,其内部均包含不同说法的相关内容,因此进行关键词的统计时可以一同进行统计,提高计算的准确程度,使得预测结果与实际更加符合。
参照图2,所述酒店采集单元采集首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心,本地游客进行本地区的游玩时,其无需采用飞机、火车等交通工具,而外地的游客会采用长距离的交通工具,因此本地游客对于交通预测时影响较小,从而对其分开进行考虑,在能够对旅客人数预测的同时,能够对交通出行人数进行预测,使其在进行计算时更加实用。
进一步的,所述搜索量采集单元传输给数据中心的数据为G,酒店采集单元传输给数据中心的数据为J,将二者进行归一化处理,将两者相关联,形成灰尘干燥关联值,关联公式为式中Ri为数据G中一项的平均值,P为数据Pi中一项的平均值,且Ri与Pi的计算公式为:
其中,0≤K1≤1,0≤K2≤1,且K1 2+K2 2=1,K1与K2为权重,其具体值可由用户调整设置,关联公式计算后的预测人数为Y。
本申请实施例中,将搜索量采集单元数据G以及酒店采集单元数据J二者进行关联,形成关联值,从而可以将二者综合进行考量,因此可以避免搜索量统计较多的数据,而现实并没有太多人进行旅游问题,而造成景点工作人员配置较多而浪费的问题,以及宾馆订单较少,实际有较多的人进行旅游,而景点工作人员不足,难以服务旅客的问题,从而能够更加准确的预测出旅游人数,从而根据人数进行旅游景点合理规划。
进一步的,所述数据中心将计算后的数据储存到云端平台,云端平台将数据通过互联网发送到智能终端上,供终端使用者随时进行查看,且云端中的数据随着数据中心每次计算后进行更新,并将全部的数据信息进行储存,管理者可随时调取储存的数据进行查看,云端平台可以将信息发送给智能终端,因此想要出行旅游的人员可以随时观察到自己想去景区的预测人数,从而能够合理规划自己的游玩路线,有利于减少游客在交通或者景区内堵塞的情况,且云端平台能够将数据进行储存,因此管理者可以更加清晰的了解各个景点内的人数,并对预测的结果与实际值进行对比,当进行对比后发现偏差较大时,便于进行后续的预测方式更改,使其能够处于不断的优化状态,使得整个旅游业进行良性的发展。
进一步的,所述交通规划单元接到数据中心发送的数据后,首先对交通需求量进行计算,交通需求量计算公式为式中J1为公共交通的客运结构系数,J2为团体包车的客运结构系数,J3私人汽车的客运结构系数,N1为公共交通的载客率,N2为团体包车的载客率,N3私人汽车的载客率,当交通容纳量低于交通需求量90%时,及时进行交通规划,通过对交通的需求量进行计算,当交通容纳量低于交通需求量百分之九十时,及时进行交通人手的补充以及路线调整,防止车辆堵塞,且在容纳量为百分之九十时进行调整,避免交通容纳量与交通需求量匹配,二者之间没有足够的缓冲阶段,此时一旦增加少量的出现车辆,便会造成堵塞。
进一步的,所述人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,当第一天的实际人数超过预测人数10%时,第二天需增加管理人员,当第一天的实际人数低于预测人数的百分之十时,第二天可减少管理人员,通过将第一天的实际人数与预测人数进行对比,并在第二天及时进行管理人员人数的调节,因此需要较多的管理人员时可以及时进行补充,而当管理人员较多时,可以安排管理人员去其余景点进行管理,在保证游客旅游体验的同时降低成本。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质、光介质或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后: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,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 (9)
1.一种实现大数据分析的智慧旅游预测方法,其特征在于,包括以下步骤:
步骤S1、搜索量采集单元采集的信息为旅游文章中出现关键词的数量,并采用权重计算公式W进行计算W=A×f+B×l+C×p+D×a+E×s,f为词频因子,其计算公式为l为词长因子,其计算公式为p为词性因子,s为互联网网语因子,其计算公式为a为位置因子,其计算公式为并将信息发送给数据中心;
步骤S2、酒店采集单元首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心;
步骤S3、搜索量采集单元传输给数据中心的数据为G,酒店采集单元传输给数据中心的数据为J,将二者进行归一化处理,进行旅游人数的预测;
步骤S4、交通规划单元接到数据中心发送的数据后,对交通需求量进行计算,及时进行交通规划,人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,并重新规划管理人员。
2.一种实现大数据分析的智慧旅游预测系统,其特征在于:包括数据中心、采集端以及应用端,所述采集端采集游客的出行信息并发送给数据中心,所述数据中心将游客信息进行处理后,对旅游信息进行预测,并将预测结果发送给应用端,所述应用端接收旅游预测信息,并根据预测结果进行调整,所述采集端包括搜索量采集单元以及酒店采集单元,应用端包括交通规划单元以及人员规划单元。
3.根据权利要求2所述的一种实现大数据分析的智慧旅游预测系统,其特征在于:所述搜索量采集单元采集的信息为旅游文章中出现关键词的数量,关键词为“地区+节日+旅游”,此为三个关键词,当三个关键词同时出现时,此时搜索量加一,当文章浏览后被电机不感兴趣或者拉黑时,此时浏览文章中的关键词次数不进行统计,搜索量采用权重计算公式W进行计算,其详细公式为W=A×f+B×l+C×p+D×a+E×s,式中f为词频因子,其计算公式为式中fi为关键词在一篇文章中的词频,l为词长因子,其计算公式为式中li为关键词的词长,Max(li)为所有词语的最大长度,p为词性因子,当其为名称与动词时为0.8,当其为形容词与副词时为0.6,其余词语时为0,a为位置因子,其计算公式为式中W1为关键词在标题出现的次数,W2为关键词在首段出现的次数,W3为关键词在尾段出现的次数,L为文档的总字数,s为互联网网语因子,其计算公式为式中t为网互联网网语总个数,fg为关键词在文章中的词频,A、B、C、D、E为比例系数,其依次为1.5、1.2、1.0、0.8。
4.根据权利要求2所述的一种实现大数据分析的智慧旅游预测系统,其特征在于:关键词“地区+节日+旅游”中,地区包括省份、市级、旅游景点以及标志性的建筑与街区,节日包括节假日、日期、月份以及季节,旅游包括旅游、游玩、美食、特产。
5.根据权利要求2所述的一种实现大数据分析的智慧旅游预测系统,其特征在于:所述酒店采集单元采集首先采集酒店的订单数,并根据订单信息将其分为本地游客以及外地游客,入住采用问卷的方式分别询问其住宿目的是否为旅游,再计算每个订单内的人数,并将人数信息分别发送给数据中心。
7.根据权利要求6所述的一种实现大数据分析的智慧旅游预测系统,其特征在于:所述数据中心将计算后的数据储存到云端平台,云端平台将数据通过互联网发送到智能终端上,供终端使用者随时进行查看,且云端中的数据随着数据中心每次计算后进行更新,并将全部的数据信息进行储存,管理者可随时调取储存的数据进行查看。
9.根据权利要求2所述的一种实现大数据分析的智慧旅游预测系统,其特征在于:所述人员规划单元会每日将数据中心内的预测人数与实际人数进行对比,当第一天的实际人数超过预测人数10%时,第二天需增加管理人员,当第一天的实际人数低于预测人数的百分之十时,第二天可减少管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622728.9A CN115907208A (zh) | 2022-12-16 | 2022-12-16 | 一种实现大数据分析的智慧旅游预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211622728.9A CN115907208A (zh) | 2022-12-16 | 2022-12-16 | 一种实现大数据分析的智慧旅游预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907208A true CN115907208A (zh) | 2023-04-04 |
Family
ID=86491127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211622728.9A Pending CN115907208A (zh) | 2022-12-16 | 2022-12-16 | 一种实现大数据分析的智慧旅游预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907208A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109947902A (zh) * | 2019-03-06 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种数据查询方法、装置和可读介质 |
CN111047176A (zh) * | 2019-12-06 | 2020-04-21 | 重庆文理学院 | 一种基于大数据的旅游管理平台 |
CN111754209A (zh) * | 2020-07-02 | 2020-10-09 | 福建云宿网络科技有限公司 | 一种基于大数据共享的旅游综合服务方法及系统 |
CN111951037A (zh) * | 2020-07-02 | 2020-11-17 | 西安丝路智慧科技有限公司 | 一种基于大数据的客流预测与旅游营销方法 |
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 |
KR20210063649A (ko) * | 2019-11-25 | 2021-06-02 | (주)나모 | 빅 데이터 기반의 감성정보를 반영한 관광지 정보 제공 시스템 및 그 구동방법 |
KR20210083089A (ko) * | 2019-12-26 | 2021-07-06 | (주)바이브컴퍼니 | 관광지 지수 산출 방법 및 시스템 |
-
2022
- 2022-12-16 CN CN202211622728.9A patent/CN115907208A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109947902A (zh) * | 2019-03-06 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 一种数据查询方法、装置和可读介质 |
KR20210063649A (ko) * | 2019-11-25 | 2021-06-02 | (주)나모 | 빅 데이터 기반의 감성정보를 반영한 관광지 정보 제공 시스템 및 그 구동방법 |
CN111047176A (zh) * | 2019-12-06 | 2020-04-21 | 重庆文理学院 | 一种基于大数据的旅游管理平台 |
KR20210083089A (ko) * | 2019-12-26 | 2021-07-06 | (주)바이브컴퍼니 | 관광지 지수 산출 방법 및 시스템 |
CN111754209A (zh) * | 2020-07-02 | 2020-10-09 | 福建云宿网络科技有限公司 | 一种基于大数据共享的旅游综合服务方法及系统 |
CN111951037A (zh) * | 2020-07-02 | 2020-11-17 | 西安丝路智慧科技有限公司 | 一种基于大数据的客流预测与旅游营销方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balcik et al. | Last mile distribution in humanitarian relief | |
US9424515B2 (en) | Predicting taxi utilization information | |
Chriqui et al. | Common bus lines | |
US20210374824A1 (en) | Method and an Apparatus for Searching or Comparing Sites Using Routes or Route Lengths Between Sites and Places Within a Transportation System | |
Comi et al. | DynaLOAD: a simulation framework for planning, managing and controlling urban delivery bays | |
Mohammad et al. | Innovative solutions in last mile delivery: concepts, practices, challenges, and future directions | |
US20150292894A1 (en) | Travel route | |
US20090216547A1 (en) | Method, system and computer program product for providing real-time recommendations | |
Javanshour et al. | Exploring the performance of autonomous mobility on-demand systems under demand uncertainty | |
US20020133381A1 (en) | Fare watcher | |
CN104169950A (zh) | 利用面向批处理的计算的数据库系统 | |
Szeto et al. | A time-dependent logit-based taxi customer-search model | |
CN106104615A (zh) | 用于提供一组价格估计值的方法和服务器,诸如飞机票价价格估计值 | |
JP2011118110A (ja) | 地図表示装置、地図表示方法及び地図表示プログラム | |
Tan et al. | Development of an inexact fuzzy robust programming model for integrated evacuation management under uncertainty | |
Chien et al. | Optimal stop spacing and headway of congested transit system considering realistic wait times | |
Chakraborty et al. | A review of Ride-Matching strategies for Ridesourcing and other similar services | |
Tiwari et al. | Information enrichment for tourist spot recommender system using location aware crowdsourcing | |
Liu et al. | Heuristic approach for the multiobjective optimization of the customized bus scheduling problem | |
Huang | A schedule-based pathfinding algorithm for transit networks using pattern first search | |
Lee et al. | Taxi vacancy duration: a regression analysis | |
Kavianipour et al. | Deploying fast charging infrastructure for electric vehicles in urban networks: An activity-based approach | |
CN115907208A (zh) | 一种实现大数据分析的智慧旅游预测方法及系统 | |
CN111028020A (zh) | 航班包机场景的收益管理方法、系统、介质和电子设备 | |
US20230316159A1 (en) | Utilizing computer models to dynamically match provider devices and priority requester devices in response to time priority airport transportation requests |
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 |