一种动态预测旅游景点客流的方法与流程

【
技术领域：
】本发明属于旅游景点客流量预测领域，涉及统计学与神经网络等技术，具体涉及一种动态预测旅游景点客流的方法。
背景技术：
：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。为了有效的控制旅游景点客流，维护旅游景点的生态平衡，准确有效的预测旅游客流已经成为当今旅游研究的热点与难点问题。目前关于旅游客流预测的方法林林总总，总的可以分为定性预测和定量预测；定量预测里面目前比较流行的有时间序列预测模型、经济学预测模型、回归分析、机器学习；机器学习里面有支持向量机模型(svm)和人工神经网络模型(ann)。时间序列预测方法是利用历史数据挖掘历史趋势、图像的规律来预测未来，应用广泛的有arima和对它的改进模型。它的缺点是不能解决非线性预测的问题，且对处理有剧烈变化的数据泛化能力还不够。经济学预测模型主要分析影响因子与预测之间的因果关系，这种模型存在耗时大，影响因子难以确定等因素。回归分析对复杂的对象问题易造成虚假的相关关系。机器学习中的svm方法更适合小规模的训练样本，而且过程复杂。ann中比较流行的是反向传播网络(bpnn)，它的结点可以对复杂的问题进行学习，具有较强的自学习、自组织、和并行处理的功能，能够对非线性数据进行处理，是当前最流行的技术之一。但它的缺点是容易陷入局部最优值。景区客流量由于受多方面因素的影响，如季节、气候舒适度、星期类型、休假制度、突发事件等多方面因素的影响导致景点客流出现负载不均衡现象，客流量也呈现复杂的非线性特征。技术实现要素：本发明的目的在于提供一种动态预测旅游景点客流的方法，将统计学与神经网络结合来处理影响旅游客流的多种因素，用来更加准确的动态预测景点客流。为达到上述目的，本发明采用如下技术方案：一种动态预测旅游景点客流的方法，包括以下步骤：步骤1、获取多种因素数据获取旅游景点历史日客流数据，预测日的天气情况、温度、风速、湿度数据，天气情况包括晴天、阴天、雨天、雪天和霾天，其中阴天标记为0.5，雨天、雪天和霾天视为恶劣天气标为1，晴天标为0；步骤2、获取预测日的人体舒适度根据人体舒适度计算公式式中，ssd是人体舒适度指数，t为平均气温，f为相对湿度，v为风速；用步骤1中获取的预测日温度、风速、湿度通过上式计算得到人体舒适度指数；步骤3、获取预测日的舒适度等级根据舒适度等级对照表表1，将步骤2中计算所得的人体舒适度对照表1得到预测日的舒适度等级；表1：舒适度等级对照表步骤4、平滑历史客流数据将步骤1历史日客流数据中的节假日利用趋势外推法平滑掉，将平滑掉的节假日的历史客流数据统成为普通工作日客流数据；步骤5、划分旅游季利用月平均法处理步骤4得到的普通工作日客流数据，将1年12个月划分为四个旅游季，依次为旅游旺季，旅游次旺季，旅游平季和旅游淡季；步骤6、预测普通工作日客流分别为步骤5得到的四个旅游季建立bp神经网络，以步骤1中预测日对应的天气情况，步骤3中的舒适度等级以及步骤4中以往三年对应相同旅游季相同星期类型的普通工作日客流量作为bp神经网络的输入结点，用来预测下一年普通工作日的客流量；步骤7、动态预测突发事件客流量将引起客流剧烈波动的节假日视为积极突发事件，在步骤5所划分的旅游季基础之上，计算在不同旅游季中所属节假日的波动系数，最后计算出突发事件客流量，具体操作如下：(1)分别计算同一突发事件相邻年每天的波动系数表示在第j年的某个突发事件第i天的波动系数，表示普通工作日客流量，表示突发事件当天的实际客流量；(2)分别计算相邻年份波动系数的差值(3)计算所有年限差值的求和平均值n是历史年限；(4)预测年的波动系数就为所有年限差值的求和平均值和预测上一年波动系数的和；(5)预测年的波动系数值与当天预测所得普通节假日客流的乘积即为突发事件客流量；本发明将统计学方法同神经网络结合，考虑多因素对旅游的影响，将统计学中的趋势外推法、月指数法、波动系数法和bpnn结合，提出了一种针对旅游景点客流进行动态预测的方法。方法，景点客流动态预测方法可以精确到日客流预测，考虑了影响旅游的多种因素，利用月指数将历史客划分为小尺度数据，再利用bp来进行充分的学习，最后利用波动系数根据突发事件的实际情况来动态预测景点客流，不仅对景区管理者提供了很大的便利，而且对游客出行也起到了指导性的作用。本发明具有如下优点：1、这个体系不仅仅只是建立在历史客流单一的数据之上，它还考虑到影响旅游客流的其他因素，如预测日当天的人体舒适度(湿度、温度、风速)、天气状况、星期类型、节假日因素，能够提高旅游景点客流预测的准确度。2、可以根据预测日当天的具体天气状况和是否节假日实际情况动态预测景点客流情况。3、可以根据任何景点所呈现出的特征进行特合实际的应用，具有强的普适性。【附图说明】图1是本发明的流程图；图2是实施例中2011年到2014年被平滑后的普通工作日客流趋势图；图3是实施例中所利用的神经网络结构图；图4是实施例中2015年预测所得的普通工作日客流趋势图；图5是实施例中2015年的趋势预测图。【具体实施方式】下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，本发明动态预测旅游景点客流的步骤：步骤1、获取多种因素数据获取旅游景点历史日客流数据，要预测日的天气、温度、风速、湿度数据(天气：晴天0，阴天0.5，雨或雪1)。步骤2、获取预测日的人体舒适度根据人体舒适度计算公式：ssd是人体舒适度指数，t为平均气温，f为相对湿度，v为风速，用步骤1中获取的预测日温度、风速、湿度得到人体舒适度。步骤3、获取预测日的舒适度等级根据舒适度等级对照表表1，用步骤2中预测日每天舒适度获得舒适度等级。表1：舒适度等级对照表步骤4、平滑历史客流数据将步骤1历史客流数据中的节假日利用趋势外推法平滑掉，将平滑掉的节假日的历史客流数据统成为普通工作日客流数据。步骤5、划分旅游季利用月指数处理步骤1得到的历史客流数据，将1年12个月划分为四个旅游季，依次为旅游旺季，旅游次旺季，旅游平季和旅游淡季。步骤6、预测普通工作日客流分别为步骤5得到的四个旅游季建立bp神经网络用来预测普通工作日的客流量。步骤7、动态预测突发事件客流量将引起客流剧烈波动的节假日视为积极突发事件。在步骤5所划分的旅游季基础之上，计算在不同旅游季中所属节假日的波动系数，最后计算出突发事件客流量，具体操作如下：(1)分别计算同一突发事件相邻年每天的波动系数表示在第j年的某个突发事件第i天的波动系数，表示普通工作日客流量，表示突发事件当天的实际客流量；(2)分别计算相邻年份波动系数的差值(3)计算所有年限差值的求和平均值n为历史年限；(4)预测年的波动系数就视为步骤(3)和预测上一年波动系数的和(5)步骤(4)的值与当天预测所得普通节假日客流的乘积便是突发事件客流量以下通过具体实施例说明本发明方案：实施例：1、获取多因素天气本发明以预测西安博物院为例验证本发明的有效性。实例收集了2011年1月1日到2015年12月31日每天的客流数据，2014年1月1日到2015年12月31日每天的温度、湿度、风速、天气情况(晴天标识为0，雨雪标识为1，阴天为0.5)。2、获取预测日的人体舒适度根据人体舒适度计算公式：得到了未来预测日的气候舒适度3、获取预测日的舒适度等级根据舒适度等级对照表，将获取的气候舒适度与表一进行对照，得到预测日每天的气候舒适度等级如表2所示。表24、平滑历史客流数据利用趋势外推法将2011年1月1日到2014年12月31日的历史客流数据中的节假日平滑掉。平滑后节假日的历史客流数据统称为普通工作日客流数据，如图2是2011年到2014年被平滑后的普通工作日客流趋势图。5、划分旅游季利用月指数处理2011年到2014年的普通工作日客流数据如表2所示，根据表3中的月指数数值，将1年12个月划分为四个旅游季，旅游旺季为4、8、7、10月标记为c，旅游次旺季为5、9月标记为d，旅游平季为3、6、11月标记为b，旅游淡季为1、2、12标记为a。表36、预测普通工作日客流分别为四个旅游季建立bp神经网络用来预测普通工作日的客流量。以淡季客流预测为例，利用2011到2014淡季的星期去预测未来一年对应淡季的相同星期客流量。所利用的神经网络结构为5-8-1，以具体输入方式如图3所示，图4为2015年预测所得的普通工作日客流趋势图。7、动态预测突发事件客流量本发明中将引起客流剧烈波动的假节日视为突发事件。由于不同突发事件可归属于不同的旅游季，因此本发明计算在不同旅游季中不同突发事件每一天的波动系数，最后计算出突发事件客流量。表4为计算所得不同旅游季不同天数突发事件的波动系数。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在神经网络预测的基础上，利用波动系数还原突发事件得到2015年整体的旅游客流预测值。2015年的趋势预测如图5所示，其中实线为预测值，虚线为真实值。以上所述是本发明的优选实施方式，通过上述说明内容，本
技术领域：
的相关工作人员可以在不偏离本发明技术原理的前提下，进行多样的改进和替换，这些改进和替换也应视为本发明的保护范围。当前第1页12