【
技術領域：
】本發(fā)明屬于旅游景點客流量預測領域，涉及統(tǒng)計學與神經(jīng)網(wǎng)絡等技術，具體涉及一種動態(tài)預測旅游景點客流的方法。
背景技術：
：當前旅游業(yè)迅速發(fā)展，每逢周末節(jié)假，旅游景點客流暴增。超景點負荷的客流不但會破壞景點的平衡而且也是給旅游管理部門的管理帶來巨大威脅。為了有效的控制旅游景點客流，維護旅游景點的生態(tài)平衡，準確有效的預測旅游客流已經(jīng)成為當今旅游研究的熱點與難點問題。目前關于旅游客流預測的方法林林總總，總的可以分為定性預測和定量預測；定量預測里面目前比較流行的有時間序列預測模型、經(jīng)濟學預測模型、回歸分析、機器學習；機器學習里面有支持向量機模型(svm)和人工神經(jīng)網(wǎng)絡模型(ann)。時間序列預測方法是利用歷史數(shù)據(jù)挖掘歷史趨勢、圖像的規(guī)律來預測未來，應用廣泛的有arima和對它的改進模型。它的缺點是不能解決非線性預測的問題，且對處理有劇烈變化的數(shù)據(jù)泛化能力還不夠。經(jīng)濟學預測模型主要分析影響因子與預測之間的因果關系，這種模型存在耗時大，影響因子難以確定等因素?；貧w分析對復雜的對象問題易造成虛假的相關關系。機器學習中的svm方法更適合小規(guī)模的訓練樣本，而且過程復雜。ann中比較流行的是反向傳播網(wǎng)絡(bpnn)，它的結點可以對復雜的問題進行學習，具有較強的自學習、自組織、和并行處理的功能，能夠對非線性數(shù)據(jù)進行處理，是當前最流行的技術之一。但它的缺點是容易陷入局部最優(yōu)值。景區(qū)客流量由于受多方面因素的影響，如季節(jié)、氣候舒適度、星期類型、休假制度、突發(fā)事件等多方面因素的影響導致景點客流出現(xiàn)負載不均衡現(xiàn)象，客流量也呈現(xiàn)復雜的非線性特征。技術實現(xiàn)要素：本發(fā)明的目的在于提供一種動態(tài)預測旅游景點客流的方法，將統(tǒng)計學與神經(jīng)網(wǎng)絡結合來處理影響旅游客流的多種因素，用來更加準確的動態(tài)預測景點客流。為達到上述目的，本發(fā)明采用如下技術方案：一種動態(tài)預測旅游景點客流的方法，包括以下步驟：步驟1、獲取多種因素數(shù)據(jù)獲取旅游景點歷史日客流數(shù)據(jù)，預測日的天氣情況、溫度、風速、濕度數(shù)據(jù)，天氣情況包括晴天、陰天、雨天、雪天和霾天，其中陰天標記為0.5，雨天、雪天和霾天視為惡劣天氣標為1，晴天標為0；步驟2、獲取預測日的人體舒適度根據(jù)人體舒適度計算公式式中，ssd是人體舒適度指數(shù)，t為平均氣溫，f為相對濕度，v為風速；用步驟1中獲取的預測日溫度、風速、濕度通過上式計算得到人體舒適度指數(shù)；步驟3、獲取預測日的舒適度等級根據(jù)舒適度等級對照表表1，將步驟2中計算所得的人體舒適度對照表1得到預測日的舒適度等級；表1：舒適度等級對照表步驟4、平滑歷史客流數(shù)據(jù)將步驟1歷史日客流數(shù)據(jù)中的節(jié)假日利用趨勢外推法平滑掉，將平滑掉的節(jié)假日的歷史客流數(shù)據(jù)統(tǒng)成為普通工作日客流數(shù)據(jù)；步驟5、劃分旅游季利用月平均法處理步驟4得到的普通工作日客流數(shù)據(jù)，將1年12個月劃分為四個旅游季，依次為旅游旺季，旅游次旺季，旅游平季和旅游淡季；步驟6、預測普通工作日客流分別為步驟5得到的四個旅游季建立bp神經(jīng)網(wǎng)絡，以步驟1中預測日對應的天氣情況，步驟3中的舒適度等級以及步驟4中以往三年對應相同旅游季相同星期類型的普通工作日客流量作為bp神經(jīng)網(wǎng)絡的輸入結點，用來預測下一年普通工作日的客流量；步驟7、動態(tài)預測突發(fā)事件客流量將引起客流劇烈波動的節(jié)假日視為積極突發(fā)事件，在步驟5所劃分的旅游季基礎之上，計算在不同旅游季中所屬節(jié)假日的波動系數(shù)，最后計算出突發(fā)事件客流量，具體操作如下：(1)分別計算同一突發(fā)事件相鄰年每天的波動系數(shù)表示在第j年的某個突發(fā)事件第i天的波動系數(shù)，表示普通工作日客流量，表示突發(fā)事件當天的實際客流量；(2)分別計算相鄰年份波動系數(shù)的差值(3)計算所有年限差值的求和平均值n是歷史年限；(4)預測年的波動系數(shù)就為所有年限差值的求和平均值和預測上一年波動系數(shù)的和；(5)預測年的波動系數(shù)值與當天預測所得普通節(jié)假日客流的乘積即為突發(fā)事件客流量；本發(fā)明將統(tǒng)計學方法同神經(jīng)網(wǎng)絡結合，考慮多因素對旅游的影響，將統(tǒng)計學中的趨勢外推法、月指數(shù)法、波動系數(shù)法和bpnn結合，提出了一種針對旅游景點客流進行動態(tài)預測的方法。方法，景點客流動態(tài)預測方法可以精確到日客流預測，考慮了影響旅游的多種因素，利用月指數(shù)將歷史客劃分為小尺度數(shù)據(jù)，再利用bp來進行充分的學習，最后利用波動系數(shù)根據(jù)突發(fā)事件的實際情況來動態(tài)預測景點客流，不僅對景區(qū)管理者提供了很大的便利，而且對游客出行也起到了指導性的作用。本發(fā)明具有如下優(yōu)點：1、這個體系不僅僅只是建立在歷史客流單一的數(shù)據(jù)之上，它還考慮到影響旅游客流的其他因素，如預測日當天的人體舒適度(濕度、溫度、風速)、天氣狀況、星期類型、節(jié)假日因素，能夠提高旅游景點客流預測的準確度。2、可以根據(jù)預測日當天的具體天氣狀況和是否節(jié)假日實際情況動態(tài)預測景點客流情況。3、可以根據(jù)任何景點所呈現(xiàn)出的特征進行特合實際的應用，具有強的普適性?！靖綀D說明】圖1是本發(fā)明的流程圖；圖2是實施例中2011年到2014年被平滑后的普通工作日客流趨勢圖；圖3是實施例中所利用的神經(jīng)網(wǎng)絡結構圖；圖4是實施例中2015年預測所得的普通工作日客流趨勢圖；圖5是實施例中2015年的趨勢預測圖?！揪唧w實施方式】下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。如圖1所示，本發(fā)明動態(tài)預測旅游景點客流的步驟：步驟1、獲取多種因素數(shù)據(jù)獲取旅游景點歷史日客流數(shù)據(jù)，要預測日的天氣、溫度、風速、濕度數(shù)據(jù)(天氣：晴天0，陰天0.5，雨或雪1)。步驟2、獲取預測日的人體舒適度根據(jù)人體舒適度計算公式：ssd是人體舒適度指數(shù)，t為平均氣溫，f為相對濕度，v為風速，用步驟1中獲取的預測日溫度、風速、濕度得到人體舒適度。步驟3、獲取預測日的舒適度等級根據(jù)舒適度等級對照表表1，用步驟2中預測日每天舒適度獲得舒適度等級。表1：舒適度等級對照表步驟4、平滑歷史客流數(shù)據(jù)將步驟1歷史客流數(shù)據(jù)中的節(jié)假日利用趨勢外推法平滑掉，將平滑掉的節(jié)假日的歷史客流數(shù)據(jù)統(tǒng)成為普通工作日客流數(shù)據(jù)。步驟5、劃分旅游季利用月指數(shù)處理步驟1得到的歷史客流數(shù)據(jù)，將1年12個月劃分為四個旅游季，依次為旅游旺季，旅游次旺季，旅游平季和旅游淡季。步驟6、預測普通工作日客流分別為步驟5得到的四個旅游季建立bp神經(jīng)網(wǎng)絡用來預測普通工作日的客流量。步驟7、動態(tài)預測突發(fā)事件客流量將引起客流劇烈波動的節(jié)假日視為積極突發(fā)事件。在步驟5所劃分的旅游季基礎之上，計算在不同旅游季中所屬節(jié)假日的波動系數(shù)，最后計算出突發(fā)事件客流量，具體操作如下：(1)分別計算同一突發(fā)事件相鄰年每天的波動系數(shù)表示在第j年的某個突發(fā)事件第i天的波動系數(shù)，表示普通工作日客流量，表示突發(fā)事件當天的實際客流量；(2)分別計算相鄰年份波動系數(shù)的差值(3)計算所有年限差值的求和平均值n為歷史年限；(4)預測年的波動系數(shù)就視為步驟(3)和預測上一年波動系數(shù)的和(5)步驟(4)的值與當天預測所得普通節(jié)假日客流的乘積便是突發(fā)事件客流量以下通過具體實施例說明本發(fā)明方案：實施例：1、獲取多因素天氣本發(fā)明以預測西安博物院為例驗證本發(fā)明的有效性。實例收集了2011年1月1日到2015年12月31日每天的客流數(shù)據(jù)，2014年1月1日到2015年12月31日每天的溫度、濕度、風速、天氣情況(晴天標識為0，雨雪標識為1，陰天為0.5)。2、獲取預測日的人體舒適度根據(jù)人體舒適度計算公式：得到了未來預測日的氣候舒適度3、獲取預測日的舒適度等級根據(jù)舒適度等級對照表，將獲取的氣候舒適度與表一進行對照，得到預測日每天的氣候舒適度等級如表2所示。表24、平滑歷史客流數(shù)據(jù)利用趨勢外推法將2011年1月1日到2014年12月31日的歷史客流數(shù)據(jù)中的節(jié)假日平滑掉。平滑后節(jié)假日的歷史客流數(shù)據(jù)統(tǒng)稱為普通工作日客流數(shù)據(jù)，如圖2是2011年到2014年被平滑后的普通工作日客流趨勢圖。5、劃分旅游季利用月指數(shù)處理2011年到2014年的普通工作日客流數(shù)據(jù)如表2所示，根據(jù)表3中的月指數(shù)數(shù)值，將1年12個月劃分為四個旅游季，旅游旺季為4、8、7、10月標記為c，旅游次旺季為5、9月標記為d，旅游平季為3、6、11月標記為b，旅游淡季為1、2、12標記為a。表36、預測普通工作日客流分別為四個旅游季建立bp神經(jīng)網(wǎng)絡用來預測普通工作日的客流量。以淡季客流預測為例，利用2011到2014淡季的星期去預測未來一年對應淡季的相同星期客流量。所利用的神經(jīng)網(wǎng)絡結構為5-8-1，以具體輸入方式如圖3所示，圖4為2015年預測所得的普通工作日客流趨勢圖。7、動態(tài)預測突發(fā)事件客流量本發(fā)明中將引起客流劇烈波動的假節(jié)日視為突發(fā)事件。由于不同突發(fā)事件可歸屬于不同的旅游季，因此本發(fā)明計算在不同旅游季中不同突發(fā)事件每一天的波動系數(shù)，最后計算出突發(fā)事件客流量。表4為計算所得不同旅游季不同天數(shù)突發(fā)事件的波動系數(shù)。表4a7天3天b3天c6天3天d3天12.351.34511.5412.92.5911.0724.081.3622.5222.522.6321.1234.751.3831.3035.991.5631.2545.5444.3354.7555.0062.5364.9771.567在神經(jīng)網(wǎng)絡預測的基礎上，利用波動系數(shù)還原突發(fā)事件得到2015年整體的旅游客流預測值。2015年的趨勢預測如圖5所示，其中實線為預測值，虛線為真實值。以上所述是本發(fā)明的優(yōu)選實施方式，通過上述說明內容，本
技術領域：
的相關工作人員可以在不偏離本發(fā)明技術原理的前提下，進行多樣的改進和替換，這些改進和替換也應視為本發(fā)明的保護范圍。當前第1頁12