CN116050554A - 一种景区客流量预测方法、装置、计算设备和存储介质 - Google Patents

一种景区客流量预测方法、装置、计算设备和存储介质 Download PDF

Info

Publication number
CN116050554A
CN116050554A CN202111260655.9A CN202111260655A CN116050554A CN 116050554 A CN116050554 A CN 116050554A CN 202111260655 A CN202111260655 A CN 202111260655A CN 116050554 A CN116050554 A CN 116050554A
Authority
CN
China
Prior art keywords
passenger flow
scenic spots
graph
prediction
data
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
CN202111260655.9A
Other languages
English (en)
Inventor
倪蓓露
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.)
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software 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 China Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202111260655.9A priority Critical patent/CN116050554A/zh
Publication of CN116050554A publication Critical patent/CN116050554A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种景区客流量预测方法、装置、计算设备和存储介质，该方法包括：获取多个景区的位置数据以及多个景区的历史客流量数据；依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；根据图滤波器的频域响应和图模型构建客流量预测数学模型；对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。本发明将单个景区的预测扩展为图模型客流量的预测，将相邻景区客流量的影响考虑在内，保证了预测的全面性和准确性，解决了现有技术中只对单一景区进行客流量预测，而忽略其邻居景区客流量影响的问题。

Description

一种景区客流量预测方法、装置、计算设备和存储介质
技术领域
本发明涉及数据处理技术领域，具体涉及一种景区客流量预测方法、装置、计算设备和存储介质。
背景技术
由于接待能力有限，当景区游客量暴增的时候会加大景区的管理难度，影响游客的旅游体验，因此可以提前对每个景区进行客流量预测，做好突发客流量以及景区资源的及时调度。
现有技术中对客流量进行预测的方法是利用机器学习对景区客流量进行训练预测，其根据历史客流特征数据以及预设的多种机器学习算法分别训练出各机器学习算法对应的客流量预测模型，其中较常使用的算法是反向传播(back propagation，BP)神经网络算法以及基于混合优化径向基函数(Radial basis function，RBF)神经网络算法。
其中，基于BP神经网络算法的客流量预测模型，以历史多天不同时段内在景区基站范围内的移动终端用户数和景区历史客流量为训练样本，训练BP神经网络，将待预测天多个不同时段内在景区基站范围内的移动终端用户数输入训练后的BP神经网络，BP神经网络的输出即为待预测天的景区客流量。该方法通过BP神经网络即可训练出预测客流量，实现上较为简单方便，但是只依据单一的BP神经网络，可能会造成预测的不准确性。基于混合优化RBF神经网络的预测方法，采用了径向基神经网络和混合优化算法，混合优化算法是通过鱼群算法全局搜索能力和粒子群算法的局部收敛的优点，提高预测的准确率。但是上述方式往往是对某一单个景区的客流量进行预测，而忽略了景区和景区之间的联系，一个景区的客流量势必会影响相邻景区的客流量，因此现有的客流量预测模型预测的准确性不能得到充分的保证。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种景区客流量预测方法、装置、计算设备和存储介质。
根据本发明的一个方面，提供了一种景区客流量预测方法，包括：
获取多个景区的位置数据以及多个景区的历史客流量数据；
依据所述多个景区的位置数据以及所述多个景区的历史客流量数据构建以景区为节点的图模型，基于所述图模型构建图滤波器的频域响应；
根据所述图滤波器的频域响应和所述图模型构建客流量预测数学模型；
对所述客流量预测数学模型进行处理，得到所述多个景区的客流量预测数据。
根据本发明的另一方面，提供了一种景区客流量预测装置，包括：
历史数据获取模块，用于获取多个景区的位置数据以及多个景区的历史客流量数据；
预测模型构建模块，用于依据所述多个景区的位置数据以及所述多个景区的历史客流量数据构建以景区为节点的图模型，基于所述图模型构建图滤波器的频域响应；根据所述图滤波器的频域响应和所述图模型构建客流量预测数学模型；
预测模块，用于对所述客流量预测数学模型进行处理，得到所述多个景区的客流量预测数据。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述一种景区客流量预测方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述一种景区客流量预测方法对应的操作。
根据本发明的一种景区客流量预测方法、装置、计算设备和存储介质，通过获取多个景区的位置数据以及多个景区的历史客流量数据；依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；根据图滤波器的频域响应和图模型构建客流量预测数学模型；对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。该方法通过获取多个景区的位置数据及多个景区的历史客流量数据，基于该数据构建预测数学模型，将单个景区的预测扩展为图模型客流量的预测，将相邻景区客流量的影响考虑在内，保证了预测的全面性和准确性，解决了现有技术中只对单一景区进行客流量预测，而忽略其邻居景区客流量影响的问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种景区客流量预测方法流程图；
图2示出了本发明实施例提供的构建的图模型的示意图一；
图3示出了本发明实施例提供的图模型的示意图二；
图4示出了本发明实施例提供的一种景区客流量预测装置的结构示意图；
图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明一种景区客流量预测方法实施例的流程图，如图1所示，该方法包括以下步骤：
步骤S110：获取多个景区的位置数据以及多个景区的历史客流量数据。
随着打造城市风景带以及都市圈联合景区，一个景区的客流量势必会影响相邻景区的客流量，因此，为了考虑景区与景区之间的联系，获取多个景区的位置数据以及多个景区的历史客流量数据，根据景区的位置数据对相邻景区之间进行连线，形成图模型。
步骤S120：依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应。
在一种可选的方式中，步骤S120进一步包括：将多个景区确定为图模型中的多个节点，并根据多个景区的历史客流量数据确定多个节点的节点数据；针对任两个景区，依据任两个景区的位置数据，判断任两个景区是否为相邻景区；若是，则在任两个景区之间建立边。
具体地说，将多个景区确定为图模型中的多个节点，针对任两个景区，依据任两个景区的位置数据，判断任两个景区是否为相邻景区，若景区与景区之间为相邻景区，则在任两个景区之间建立边，即将这两个景区对应的节点连线，并根据多个景区的历史客流量数据确定多个节点的节点数据；图2为构建的图模型的示意图一，如图2所示，将相邻景区进行连线之后形成无自环的网络图。
每一个图模型都可通过二元组的方式进行表示，即
Figure BDA0003325426480000041
其中ν是N个节点的集合，即ν＝{ν1，ν2，…，νN}，ε是E条边的集合。例如，图3是一个由三个节点和三条边组成的简单的图模型，其数据结构可以描述为
Figure BDA0003325426480000042
其中νa＝{A,B,C}，εa＝(A,B),(A,C),(B,C))。
Figure BDA0003325426480000043
可用邻接矩阵
Figure BDA0003325426480000044
以及拉普拉斯矩阵
Figure BDA0003325426480000045
进行描述，具体地，在邻接矩阵中，其非零元素表示两个节点间的边连接，其数值表示边的权重[A]i,j＝Wi,j。例如，图3中的图模型
Figure BDA0003325426480000051
的邻接矩阵为
Figure BDA0003325426480000052
由该邻接矩阵可以看出，这种无向网络图的邻接矩阵是对称的，即[A]i,j＝[A]j,i，因此，无向图的邻接矩阵可以进行特征值分解。在拉普拉斯矩阵中，
Figure BDA0003325426480000053
的拉普拉斯矩阵可以表示为下式(1)
Ld＝D-A； (1)
其中，D为图的度矩阵，其对角元素
Figure BDA0003325426480000054
即矩阵D的第i个对角元素等于A的第i列元素相加。在本实施例中，可以使用归一化的A和Ld。归一化图邻接矩阵表示为下式(2)：
An＝A/||A||； (2)
归一化图拉普拉斯矩阵表示为下式(3)：
Ln＝D-1/2LdD-1/2＝I-D-1/2AD-1/2； (3)
在本实施例中，采用图拉普拉斯矩阵
Figure BDA0003325426480000055
进行描述；在图模型基础之上，将图信号定义为从节点集合ν到复数域
Figure BDA0003325426480000056
的一种一对一映射，表示为式(4)：
Figure BDA0003325426480000057
图模型中节点上的信号值就构成了图信号的向量形式，表示为式(5)：
x＝[x1，...，xN]T； (5)
其中，元素xn表示第n个节点上的信号，T代表转置运算符；在本实施例中xn表示第n个景区的历史客流量数据，即第n个节点的节点数据。
在一种可选的方式中，图滤波器包括自回归滑动平均图滤波器(Auto-RegressiveMoving Average,ARMA),在本步骤中，基于图模型构建ARMA图滤波器的频域响应。
在图信号处理领域中，作为频谱处理的关键工具，图滤波器能够对图信号进行频率选择性放大或衰减，图滤波器不仅可用于图信号的去噪、分类、采样和恢复，也可作为图滤波器组、图小波的基本构建块。由于图滤波器在图信号处理领域中有着非常广泛的应用，因此具有较高的研究价值。ARMA图滤波器具有较好的逼近精度和较高的自由度，因此本实施例中采用ARMA图滤波器的频域响应进行预测数学模型的建立。
具体地说，如果用S表示图移位算子，ARMA图滤波器则可以表示为式(6)：
Figure BDA0003325426480000061
由于图滤波的g(·)参数化形式不同，g(·)可写成g(·；θ)；其中θ表示图滤波器参数向量，例如图滤波器系数、零极点或其它任何图滤波器的参数集。式(6)中的图滤波器参数为ARMA图滤波器的系数，即θ＝[aT，bT]T，其中a＝[a0，...，aP]T是分母多项式系数，P为其阶数，b＝[b0，...，bQ]T是分子多项式系数，Q为其阶数。a和b统称为ARMA图滤波器系数；ARMA图滤波器在图频率点λn的频域响应可以表示为式(7)：
Figure BDA0003325426480000062
通常假设a0＝1，即a＝[1，a1，...，aP]T，从而得到式(8)：
Figure BDA0003325426480000063
式(8)中，
Figure BDA0003325426480000064
ARMA图滤波器的分母多项式系数(即相关系数)为
Figure BDA0003325426480000066
分子多项式系数保持不变b＝[b0，...，bQ]T。
步骤S130：根据图滤波器的频域响应和图模型构建客流量预测数学模型。
在一种可选的方式中，步骤S130进一步包括：根据频域响应以及图模型中多个节点的节点数据，预测多个节点的残差，并利用修正误差对多个节点的残差进行修正，得到多个节点的修正残差；利用图傅里叶变换对多个节点的修正残差进行处理，得到变换残差函数，将变换残差函数作为客流量预测数学模型。
在本步骤中，利用残差r将预测图模型问题构建成数学模型，首先根据ARMA图滤波器频域响应，以及相应节点上的历史客流量数据xn，预测信号的残差r，公式表示为式(9)：
Figure BDA0003325426480000065
其中，x＝[x1，…，xN]T为图模型上的每一个节点(即景区)的历史客流量数据xn的集合。那么预测景区客流量的问题就变成求解问题(9)中最小残差的问题。
步骤S140：对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。
在一种可选的方式中，步骤S140进一步包括：计算变换残差函数的最小值，确定图滤波器的相关系数；依据图滤波器的相关系数以及多个节点的残差，计算图模型中各个节点对应的客流量预测数据作为各个景区的客流量预测数据。
在一种可选的方式中，步骤S140进一步包括：通过普罗尼-最小二乘法(Prony-LS)算法，计算变换残差函数的最小值，确定图滤波器的相关系数。
进一步地，利用普罗尼-最小二乘法中的修正误差的思想将式(9)残差r进行改写，具体地，当将a0设置为1，并且利用修正误差思想，可以将上式中的残差改写为式(10)：
Figure BDA0003325426480000071
进一步地，利用图傅里叶变换对式(10)进行简化，由于图拉普拉斯矩阵的图傅里叶变换，式(10)可该写为式(11)：
Figure BDA0003325426480000072
同理，修正残差
Figure BDA0003325426480000073
表示为式(12)：
Figure BDA0003325426480000074
其中，
Figure BDA0003325426480000075
表示基于元素的哈达玛积，1N表示大小为N×1的全1向量，ΨP+1为N×(P+1)的范德蒙矩阵，如式(13)：
Figure BDA0003325426480000076
所以，解决图模型预测问题实际上就是求解式(12)的最优解，即求解系数
Figure BDA0003325426480000077
和b＝b0,…,bQ]T，使得残差
Figure BDA0003325426480000078
最小。
具体地，可以基于Prony-LS算法求解式(12)，并得到图滤波器的相关系数a和b，将式(12)改写为通过最小化
Figure BDA0003325426480000079
从而获得图滤波器的相关系数a和b，即：
Figure BDA0003325426480000081
进一步地，基于图滤波器的相关系数a和b，得到各个景区的客流量预测数据
Figure BDA0003325426480000082
具体地，将式(14)得到图滤波器的相关系数a和b带入式(9)中得到残差rp，并由上述可知，预测数据
Figure BDA0003325426480000083
与残差rp之间的关系可以表示为式(15)：
H＝(I-g(S))-1； (15)
从而得到各个景区的客流量预测数据为
Figure BDA0003325426480000084
在一种可选的方式中，该方法还包括步骤S150：计算多个景区的客流量预测数据与多个景区的历史客流量数据之间的归一化均方误差；依据归一化均方误差，对客流量预测数学模型的预测精准度进行评估，得到评估结果。
本实施例采用归一化均方误差(Root Normalized Mean Square Error，RNMSE)衡量预测数学模型的预测精准度，具体地，RNMSE公式为式(16)：
Figure BDA0003325426480000085
其中，x表示每一个景区的客流量历史数据，
Figure BDA0003325426480000086
表示经过基于ARMA图滤波器的图模型预测之后的预测数据，即客流量预测数据。
表1是当ARMA图滤波器的阶数(P,Q)发生变化时，图模型预测的RNMSE，如表1所示，RNMSE的误差一直保证在10-2指数级别，由此可见，基于Prony-LS算法计算得到的各个景区的客流量预测数据准确性较高，计算效率较高。
ARMA图滤波器阶数 (4,9) (4,10) (4,11)
RNMSE 5.947×10-2 6.833×10-2 5.381×10-2
表1不同ARMA图滤波器阶数对应的预测RNMSE
采用本实施例的方法，该方法通过获取多个景区的位置数据及多个景区的历史客流量数据，基于该数据构建预测数学模型，将单个景区的预测扩展为图模型客流量的预测，将相邻景区客流量的影响考虑在内，保证了预测的全面性和准确性，解决了现有技术中只对单一景区进行客流量预测，而忽略其邻居景区客流量影响的问题；该方法依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；根据图滤波器的频域响应和图模型构建客流量预测数学模型；进一步利用基于Prony-LS算法对预测数学模型进行变形处理并求解残差，得到多个景区的客流量预测数据，避免了采用机器学习进行训练预测过于单一的问题，使得客流量预测数据更准确性，提高计算效率。
图4示出了本发明一种景区客流量预测装置实施例的结构示意图。如图4所示，该装置包括：历史数据获取模块410、预测模型构建模块420、预测模块430和评估模块440。
历史数据获取模块410，用于获取多个景区的位置数据以及多个景区的历史客流量数据。
预测模型构建模块420，用于依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；根据图滤波器的频域响应和图模型构建客流量预测数学模型。
在一种可选的方式中，预测模型构建模块420进一步用于：将多个景区确定为图模型中的多个节点，并根据多个景区的历史客流量数据确定多个节点的节点数据；针对任两个景区，依据任两个景区的位置数据，判断任两个景区是否为相邻景区；若是，则在任两个景区之间建立边。
在一种可选的方式中，图滤波器包括自回归滑动平均图滤波器。
在一种可选的方式中，预测模型构建模块420进一步用于：根据频域响应以及图模型中多个节点的节点数据，预测多个节点的残差，并利用修正误差对多个节点的残差进行修正，得到多个节点的修正残差；利用图傅里叶变换对多个节点的修正残差进行处理，得到变换残差函数，将变换残差函数作为客流量预测数学模型。
预测模块430，用于对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。
在一种可选的方式中，预测模块430进一步用于：计算变换残差函数的最小值，确定图滤波器的相关系数；依据图滤波器的相关系数以及多个节点的残差，计算图模型中各个节点对应的客流量预测数据作为各个景区的客流量预测数据。
在一种可选的方式中，预测模块430进一步用于：通过普罗尼-最小二乘法算法，计算变换残差函数的最小值，确定图滤波器的相关系数。
在一种可选的方式中，该装置还包括评估模块440，用于计算多个景区的客流量预测数据与多个景区的历史客流量数据之间的归一化均方误差；依据归一化均方误差，对客流量预测数学模型的预测精准度进行评估，得到评估结果。
采用本实施例的装置，通过历史数据获取模块获取多个景区的位置数据以及多个景区的历史客流量数据；预测模型构建模块依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；根据图滤波器的频域响应和图模型构建客流量预测数学模型；预测模块对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。该装置通过获取多个景区的位置数据及多个景区的历史客流量数据，基于该数据构建预测数学模型，将单个景区的预测扩展为图模型客流量的预测，将相邻景区客流量的影响考虑在内，保证了预测的全面性和准确性，解决了现有技术中只对单一景区进行客流量预测，而忽略其邻居景区客流量影响的问题。
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种景区客流量预测方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取多个景区的位置数据以及多个景区的历史客流量数据；
依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；
根据图滤波器的频域响应和图模型构建客流量预测数学模型；
对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。
图5示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示，该计算设备可以包括：
处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述一种景区客流量预测方法实施例中的相关步骤。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行以下操作：
获取多个景区的位置数据以及多个景区的历史客流量数据；
依据多个景区的位置数据以及多个景区的历史客流量数据构建以景区为节点的图模型，基于图模型构建图滤波器的频域响应；
根据图滤波器的频域响应和图模型构建客流量预测数学模型；
对客流量预测数学模型进行处理，得到多个景区的客流量预测数据。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种景区客流量预测方法，其特征在于，包括：
获取多个景区的位置数据以及多个景区的历史客流量数据；
依据所述多个景区的位置数据以及所述多个景区的历史客流量数据构建以景区为节点的图模型，基于所述图模型构建图滤波器的频域响应；
根据所述图滤波器的频域响应和所述图模型构建客流量预测数学模型；
对所述客流量预测数学模型进行处理，得到所述多个景区的客流量预测数据。
2.根据权利要求1所述的方法，其特征在于，所述依据所述多个景区的位置数据以及所述多个景区的历史客流量数据构建以景区为节点的图模型进一步包括：
将多个景区确定为图模型中的多个节点，并根据所述多个景区的历史客流量数据确定多个节点的节点数据；
针对任两个景区，依据所述任两个景区的位置数据，判断所述任两个景区是否为相邻景区；若是，则在所述任两个景区之间建立边。
3.根据权利要求1所述的方法，其特征在于，所述图滤波器包括自回归滑动平均图滤波器。
4.根据权利要求1所述的方法，其特征在于，所述根据所述图滤波器的频域响应和所述图模型构建客流量预测数学模型进一步包括：
根据所述频域响应以及所述图模型中多个节点的节点数据，预测多个节点的残差，并利用修正误差对多个节点的残差进行修正，得到多个节点的修正残差；
利用图傅里叶变换对多个节点的修正残差进行处理，得到变换残差函数，将所述变换残差函数作为客流量预测数学模型。
5.根据权利要求4所述的方法，其特征在于，所述对所述客流量预测数学模型进行处理，得到所述多个景区的客流量预测数据进一步包括：
计算所述变换残差函数的最小值，确定所述图滤波器的相关系数；
依据所述图滤波器的相关系数以及多个节点的残差，计算所述图模型中各个节点对应的客流量预测数据作为各个景区的客流量预测数据。
6.根据权利要求5所述的方法，其特征在于，所述计算所述变换残差函数的最小值，确定所述图滤波器的相关系数进一步包括：
通过普罗尼-最小二乘法算法，计算所述变换残差函数的最小值，确定所述图滤波器的相关系数。
7.根据权利要求1-6任一项中所述的方法，其特征在于，在得到所述多个景区的客流量预测数据之后，所述方法还包括：
计算所述多个景区的客流量预测数据与所述多个景区的历史客流量数据之间的归一化均方误差；
依据所述归一化均方误差，对所述客流量预测数学模型的预测精准度进行评估，得到评估结果。
8.一种景区客流量预测装置，其特征在于，包括：
历史数据获取模块，用于获取多个景区的位置数据以及多个景区的历史客流量数据；
预测模型构建模块，用于依据所述多个景区的位置数据以及所述多个景区的历史客流量数据构建以景区为节点的图模型，基于所述图模型构建图滤波器的频域响应；根据所述图滤波器的频域响应和所述图模型构建客流量预测数学模型；
预测模块，用于对所述客流量预测数学模型进行处理，得到所述多个景区的客流量预测数据。
9.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的一种景区客流量预测方法对应的操作。
10.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的一种景区客流量预测方法对应的操作。
CN202111260655.9A 2021-10-28 2021-10-28 一种景区客流量预测方法、装置、计算设备和存储介质 Pending CN116050554A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111260655.9A CN116050554A (zh) 2021-10-28 2021-10-28 一种景区客流量预测方法、装置、计算设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260655.9A CN116050554A (zh) 2021-10-28 2021-10-28 一种景区客流量预测方法、装置、计算设备和存储介质

Publications (1)

Publication Number Publication Date
CN116050554A true CN116050554A (zh) 2023-05-02

Family

ID=86111931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260655.9A Pending CN116050554A (zh) 2021-10-28 2021-10-28 一种景区客流量预测方法、装置、计算设备和存储介质

Country Status (1)

Country Link
CN (1) CN116050554A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218604A (zh) * 2023-11-07 2023-12-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218604A (zh) * 2023-11-07 2023-12-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质
CN117218604B (zh) * 2023-11-07 2024-04-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110413905B (zh) 获取道路线形的方法、装置、设备及存储介质
CN104270714B (zh) 确定用户行动轨迹的方法和装置
CN110139359B (zh) 一种干扰源定位处理方法及装置
CN113837361A (zh) 一种空气污染物浓度预测方法及系统
CN111680747A (zh) 用于占据栅格子图的闭环检测的方法和装置
CN111487582A (zh) 获得蓝牙阵列天线参数标定模型、到达角的方法和装置
CN116050554A (zh) 一种景区客流量预测方法、装置、计算设备和存储介质
CN113645280B (zh) 车辆位置数据上传方法、装置、电子设备及存储介质
CN112469116B (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN117109597B (zh) 基于改进a星算法的无人机路径规划方法和装置
CN111565065B (zh) 一种无人机基站部署方法、装置及电子设备
CN112561351B (zh) 用于评估中继卫星系统中的任务申请的方法及装置
CN111833395A (zh) 一种基于神经网络模型的测向体制单目标定位方法和装置
EP4266004A1 (en) User trajectory positioning method, electronic device and computer storage medium
CN116563968A (zh) 基于风险热力地图的智能巡检方法、装置及电子设备
CN116012692A (zh) 一种模型生成方法、装置、电子设备及存储介质
CN112256054B (zh) 一种无人机轨迹规划方法及装置
CN112399555B (zh) 一种位置定位的方法、装置、可读存储介质和电子设备
CN113159426A (zh) 天气型相似性判断方法、装置、电子设备及可读存储介质
CN106788448B (zh) 一种移动轨迹数据压缩方法及装置
CN112689291B (zh) 蜂窝网络小区负荷均衡评估方法、装置及设备
CN116452245B (zh) 一种物流场站选址方法、装置、设备及存储介质
CN113705786B (zh) 基于模型的数据处理方法、装置及存储介质
CN117195751B (zh) 区域新能源的功率组合预测方法和设备
CN113015153B (zh) 服务小区的归属识别方法及装置

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