一种基于旅游大数据的游客流量预测及峰值调控方法与流程

本发明涉及大数据预测领域，特别涉及一种基于旅游大数据的游客流量预测及峰值调控方法。

背景技术：

截止2015年底，我国国内旅游人数超过41亿人次，旅游收入约4.13万亿元，旅游业对GDP的综合贡献超过教育、银行、汽车行业，占比高达10.51％。根据国家旅游局公布的2016年国庆节假日旅游市场信息，仅国庆黄金周期间全国共接待游客5.93亿。旅游市场的繁荣在推动旅游产业发展的同时，对景区和旅游城市提出了更高的要求，如何利用数据有效获得游客流量数据预测，有预见性的进行游客的疏导调控，从而提高景区的服务质量，提升游客的旅游体验。

目前，为解决上述问题，国家旅游局已发出通知要求各地建立健全景区游客流量控制机制。但是从目前全国各地的旅游业发展情况来看，景区和旅游城市尚缺乏完善的游客流量预测与峰值调控机制。传统的游客流量预测大多只从门票销售入手，数据来源单一，没有充分利用旅游智慧化产生的旅游大数据，统计结果具有片面性，统计准确性不足。缺乏有效的游客流量预测预警数据支撑，使得景区和旅游城市的游客调控方法仍停留在广播提示、交通管制、消费价格调控等传统路径上，没有充分利用互联网手段，实现线上和线下的互动，进行游客流量的引导，调控景区峰值游客数量。

技术实现要素：

本发明的目的在于克服现有技术中的游客流量预测方法缺乏数据支撑，统计结果准确性不足等缺陷，从而提供一种基于旅游大数据的游客流量预测及峰值调控方法。

为了实现上述目的，本发明提供了一种基于旅游大数据的游客流量预测方法，包括：

步骤101)、采集旅游大数据，建立预测样本；其中，

所述旅游大数据包括历史客流数据y₁、社交网络热力数据y₂、OTA浏览数据y₃、周边城市游客数据y₄、交通流量数据y₅；所述预测样板包括一个或多个时间段内的旅游大数据；

步骤102)、建立客流量预测模型，并基于所述预测样本求取所述客流量预测模型中的参数；其中，所述客流量预测模型为：

其中的Z为预测客流量，α_k为对应样本数据的计算参数，α_k为预测修订常量，e是去除影响后的随机误差，y_k为预测样板中的数据；α_k、α_k为所述客流量预测模型中的待求参数；

步骤103)、由步骤102)所得到的客流量预测模型计算游客流量的预测初始值；

步骤104)、根据景区在预测日的天气预报校正游客流量的预测值。

上述技术方案中，在所述的步骤102)中，采用多元线性回归的最小二乘法求取所述客流量预测模型中的参数。

上述技术方案中，所述步骤104)包括：

首先根据预测景区的天气预报，计算人体舒适度指数，该指数的计算公式如下：

ssd＝(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2；

其中，t为平均气温，f为相对湿度，v为风速；

然后根据ssd值校正参数β；具体包括：若50<ssd<76,β＝1.25，若25<ssd<51或75<ssd<86，β＝1；若ssd<26或ssd>85，β＝0.85；

最后在得到校正参数β后，对预测初始值进行校正，取得校正后的景区预测客流量Z_β：

Z_β＝βZ；

Z为预测初始值。

本发明还提供了一种游客流量峰值调控方法，包括：

步骤201)、将所述基于旅游大数据的游客流量预测方法所得到的某一景区的游客流量预测值与该景区的接待游客能力进行比较，根据比较结果将该景区划分为峰值调控景区或余量充足景区；其中，

所述峰值调控景区为游客流量预测值大于景区的接待游客能力，所述余量充足景区为游客流量预测值小于景区的接待游客能力；

步骤202)、计算峰值调控景区与余量充足景区之间的单体调控阻力系数；其中,所述单体调控阻力系数是衡量峰值调控景区与余量充足景区之间调控游客难度的无量纲指标，由景区间距离、景区间消费差额、景区吸引力比值共同决定；

步骤203)、基于步骤202)得到的单体调控阻力系数构建峰值调控计算模型；其中，所述峰值调控计算模型要求峰值游客调控的总阻力最小，其表达式为：

其中C为总的调控阻力，c_ij为从峰值调控景区p_i调度游客到余量充足景区v_j的单体调控阻力系数，x_ij为从峰值调控景区p_i调度游客到余量充足景区v_j的游客量；

步骤204)、基于步骤203)所建立的峰值调控计算模型，计算预计客流分配情况，确定游客峰值调控景区对应的余量充足景区；

步骤205)、基于步骤204)的结果进行游客诱导。

上述技术方案中，所述步骤202)包括：

步骤202-1)、峰值调控景区p_i与余量景区v_j之间进行调度，计算两景区之间的单体调控交通消费t_ij；其中，d_ij为景区之间的距离，为当地租车费用平均单价；

步骤202-2)、计算峰值调控景区p_i、余量景区v_j之间的预计游客消费差额；其中，

预计游客消费差额分别为峰值调控景区p_i、余量景区v_j预计游客消费平均值；

步骤202-3)、计算景区吸引力指数比；若峰值调控景区p_i、余量景区v_j的景区OTA网络评分分别为s_i、s_j，则景区吸引力指数比为s_ij＝s_i/s_j；

步骤202-4)、对单体调控交通消费t_ij、预计游客消费差额w_ij进行数据标准化处理：

步骤202-5)、根据之前计算得到的两景区之间的单体调控交通消费t_ij、两景区之间的预计游客消费差额w_ij、景区吸引力指数比s_ij，计算两景区之间的单体调控难度系数：

上述技术方案中，所述步骤204)包括：遍历峰值调控计算模型中的所有的单体调控阻力系数c_ij，找到调控消费最低的一条路径优先分配，取x_ij＝min(p_i，v_j)；循环往复，直至所有的x_ij均完成取值，即获得峰值景区游客调控目的地和预计接纳人数。

上述技术方案中，在所述步骤205)中采用三级调控模式进行游客诱导，包括：

设定阈值x₁、x₂，当x_ij<x₁时，采用一级诱导模式调控，在景区附近以广播等方式诱导游客向目的地景区转移；

当x₁<x_ij<x₂时，采用二级诱导模式调控，在景区附近进行广播诱导之外，在通向景区的交通路段进行交通广播、区域信号灯控制，引导车流量像目的地景区转移；

当x_ij>x₂时，采用三级诱导模式调控，全网化发布游客诱导信息，在充分调动前两级诱导手段的同时，利用微信公众平台、WEB网站、移动APP、OTA进行消息发布，从行前开始进行游客诱导调控。

本发明的优点在于：

本发明综合多通道的客流量预测可以有效提升景区对客流量控制的准确度和有效性，在预测的基础上根据调控阻力系数进行峰值调控，可以有效缓解景区的管理压力，提高运营效率，从而更好的服务游客，释放景区的管控压力。

附图说明

图1是本发明的基于旅游大数据的游客流量预测方法的流程图；

图2是本发明的游客流量峰值调控方法的流程图；

图3是客流预测样本的结构示意图；

图4是峰值调控模型的示意图；

图5是单体调控阻力系数的影响因子的示意图。

具体实施方式

现结合附图对本发明作进一步的描述。

参考图1，本发明的基于旅游大数据的游客流量预测方法包括：

第一步：读取旅游大数据，建立预测样本。

参考图3，本发明使用的旅游大数据包括历史客流数据y₁、社交网络热力数据y₂、OTA浏览数据y₃、周边城市游客数据y₄、交通流量数据y₅。这些数据共同构成预测样本，即某天客流数据的预测样本为Y{y₁,y₂,y₃,y₄,y₅}。

第二步：基于所述预测样本，建立客流量预测模型。

预测客流量Z按式进行计算。其中，α_k为对应样本数据的计算参数，α₀为预测修订常量，e是去除影响后的随机误差。

根据预测客流量Z的上述计算公式，在n组预测样本数据{Y₁,Y₂,…,Y_n}的基础上，建立客流量预测模型{Z₁,Z₂,…,Z_n}，可表示为：

其中，该客流量预测模型中的参数值α_ik(i＝1,2,……,n；k＝1,2,……,5)为未知值，其在后续步骤中进行计算。

第三步：对所述客流量预测模型中的参数进行求解，从而得到客流量预测模型。在参数求解时，采用了多元线性回归的最小二乘法，即：使客流量实际值与预测值之间的离差平方和最小，进行参数初始化计算：

在上述计算公式中，、y_k(k＝1、2、3、4、5)可从前述的n组预测样本数据中获取，为已知值；Z可由历史的真实客流数据得到，为已知值；六个参数α₀,α₁,α₂,α₃,α₄,α₅为未知值，通过上述六组关系式，可计算出六个参数的值。

在实现时，可将n组预测样本数据随机组合为n/6个计算组，通过上述六组关系式，得到n/6组α₀,α₁,α₂,α₃,α₄,α₅，最后通过取平均确定最后的参数值α₀,α₁,α₂,α₃,α₄,α₅。

第四步：计算预测初始值。

根据第三步求得的旅游客流预测参数，代入计算求得预测日当日客流量Z的初始值。

第五步：校正预测日当日客流量Z的预测值。

在校正预测值时，首先根据预测景区的天气预报，计算人体舒适度指数，该指数的计算公式如下：

ssd＝(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2；

其中，t为平均气温，f为相对湿度，v为风速。

以ssd值对应校正参数β，50<ssd<76,β＝1.25，25<ssd<51或75<ssd<86，β＝1，ssd<26或ssd>85，β＝0.85。

在得到校正参数β后，对预测初始值进行校正，取得校正后的景区预测客流量：

Z_β＝βZ。

在本发明的游客流量预测方法所得到的景区预测客流值的基础上，本发明的游客流量峰值调控方法能够对游客流量进行调控，如图2所示，该方法包括：

第六步：将景区预测客流值Z_β与景区接待游客能力Z_max进行差额比较，若Z_β＞Z_max则景区处于峰值待调控状态，待调控游客量p＝Z_β-Z_max；若Z_β＜Z_max则景区处于余量充足状态，可接待游客余量v＝Z_max-Z_β。

第七步：景区划分。

根据游客流量预测，将景区划分为峰值调控景区集和余量充足景区集。峰值调控景区集包含m个待调控景区，记为P₁,P₂…P_m，其待调控游客量为p₁、p₂…p_m。余量充足景区集包含n个可平衡游客景区，记为V₁,V₂…V_n，其游客容纳能力为v₁、v₂…v_n。

第八步：计算峰值调控景区与余量充足景区之间的单体调控阻力系数。其中,所述单体调控阻力系数是衡量峰值调控景区与余量充足景区之间调控游客难度的无量纲指标，如图5所示，由景区间距离、景区间消费差额、景区吸引力比值共同决定。该步骤具体包括：

峰值调控景区p_i与余量景区v_j之间进行调度，两景区之间的单体调控交通消费t_ij，景区之间的距离为d_ij，当地租车费用平均单价为则

计算两景区之间的预计游客消费差额，p_i、v_j景区预计游客消费平均值分别为

计算景区吸引力指数比，若p_i、v_j景区OTA网络评分分别为s_i、s_j，则景区吸引力指数比为s_ij＝s_i/s_j。

对t_ij、w_ij进行数据标准化处理：

根据之前计算得到的两景区之间的单体调控交通消费t_ij、两景区之间的预计游客消费差额w_ij、景区吸引力指数比s_ij，计算两景区之间的单体调控难度系数：

第九步：构建峰值调控计算模型。

如图4所示，假设峰值游客调控的总阻力的表达式为：调控过程中力求其调控阻力最小。即：

其中C为总的调控阻力，c_ij为从峰值调控景区p_i调度游客到余量充足景区v_j的单体调控阻力系数，x_ij为从峰值调控景区p_i调度游客到余量充足景区v_j的游客量。

第十步：计算预计客流分配情况，确定游客峰值调控景区对应的余量充足景区。

在该步骤中，遍历所有的单体调控阻力系数c_ij，找到调控消费最低的一条路径优先分配，取x_ij＝min(p_i，v_j)。如此循环，直至所有的x_ij均完成取值。即获得峰值景区游客调控目的地和预计接纳人数。

第十一步：按照第十步的结果进行游客诱导，按照预计调控客流量设定三级调控模式。设定阈值x₁、x₂，x_ij<x₁时，采用一级诱导模式调控，在景区附近以广播等方式诱导游客向目的地景区转移。x₁<x_ij<x₂时，采用二级诱导模式调控，在景区附近进行广播诱导之外，在通向景区的交通路段进行交通广播、区域信号灯控制，引导车流量像目的地景区转移。x_ij>x₂时，采用三级诱导模式调控，全网化发布游客诱导信息，在充分调动前两级诱导手段的同时，利用微信公众平台、WEB网站、移动APP、OTA进行消息发布，从行前开始进行游客诱导调控。

本发明综合使用历史客流数据、社交网络热力数据、OTA浏览数据、周边城市游客数据、交通流量数据建立多元回归模型，进行参数拟合，获得参数拟合值后进行指定日期的预测。初始预测完成后，根据天气信息，对初始预测值做修订。在客流预测的基础上对景区进行分类，根据预测值将景区划分为峰值调控景区和余量重组景区，计算景区之间的调控阻力系数，利用游客调控分配模型，计算求解得到游客调控分配数值，依据分配数值对各调控景区实施不同的调控手段，在两类景区之间进行游客调度，以实现景区之间客流量的平衡分配。综合多通道的客流量预测可以有效提升景区对客流量控制的准确度和有效性，在预测的基础上根据调控阻力系数进行峰值调控，可以有效缓解景区的管理压力，提高运营效率，从而更好的服务游客，释放景区的管控压力。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。