技术特征：
1.一种时空旅游需求预测方法，其特征在于，包括以下步骤：s1、数据获取步骤，根据经验与数据可用性，获取针对景区时空旅游需求预测所能获取的有用数据；s2、景点间空间联系分析步骤，根据所获取的有用数据，分析所述景区的景点间空间联系，确定可以显式表示的景点间空间联系，并针对难以被显式表示地表示的隐式空间联系，归纳隐式空间联系的相关因素；s3、时空信息表示步骤，针对所述景点间显式空间联系与隐式空间联系，构建时空信息表示，具体包括：s301、与景点间显式空间联系关联的多维动态图的构建，考虑一个有n个景点的景区s＝{s1,s2,...,s
n
}，构建一个动态多维图g＝(v,e)，其由代表多个景点的节点集v＝{v1,v2,...,v
n
}与d个不相交的代表不同显式动态联系的子集构成的边集e＝{e1,e2,...,e
d
}组成，s302、与景点间隐式空间联系关联的时空序列的构建，考虑c个可能与所述隐式空间联系相关的变量，该时空序列x可以表示为：其中t为x的时序长度，n为景点数；s4、高维空间联系嵌入步骤，根据所述时空信息表示，使用图卷积嵌入层从所述动态多维图中提取高维显式空间联系表示，使用空间自注意力嵌入层从所述时空序列中提取高维隐式空间联系表示，最后将所述高维显式空间联系表示与所述高维隐式空间联系表示聚合成高维空间联系表示；s5、高维时空特征提取步骤，在所述高维空间联系特征序列上，应用双向卷积长短时记忆层与时间自注意力层逐步提取短期高维时空特征和长期高维时空特征。s6、预测步骤，根据提取到的所述高维时空特征，对时空旅游需求进行预测。2.根据权利要求1所述的时空旅游需求预测方法，其特征在于，所述动态多维图的每一维都表示一种景点间的显式空间联系，其中节点集v中的节点包含景点历史旅游需求属性和周期性旅游需求属性。3.根据权利要求2所述的时空旅游需求预测方法，其特征在于，所述的步骤s4中使用图卷积嵌入层从动态多维图中提取高维显式空间联系表示包括：s401、使用图卷积嵌入层提取高维显式空间联系表示，假设历史旅游需求x
his
与n1种显式空间联系相关，则其图嵌入表示为：其中由t时刻第i种显式空间联系与x
his
通过图卷积运算得到。假设q种周期性旅游需求，周期性旅游需求与n
p
种显式空间联系相关，则其图嵌入表示为：其中由t时刻第i种显式空间联系与通过图卷积运算得到。最终的高维显式空间联系表示由与各组连接并加上一个全连接层得到：
其中relu是线性整流函数，w
exp
和b
exp
是可学习参数与偏置。4.根据权利要求3所述的时空旅游需求预测方法，其特征在于，所述的步骤s4中使用空间自注意力嵌入层从时空序列中提取高维隐式空间联系表示包括：s402、使用空间自注意力嵌入层提取高维隐式空间联系表示，假设实际每次输入到空间自注意力嵌入层的序列是时序长度为τ的时空序列首先将其分割为τ个片段将每个片段分别线性映射为q，k，v三个矩阵，进行缩放点积注意力计算，最后聚合为空间自注意力的输出。经由两个层归一化与一个前馈层后，得到高维隐式空间联系表示h
imp
：h
imp
＝layernorm((relu(h
ln
w1+b1)w2+b2))+h
ln
，h
ln
＝layernorm(h
at
)+h
at
，，其中attention(
·
,
·
,
·
)为缩放点积注意力计算。5.根据权利要求4所述的时空旅游需求预测方法，其特征在于，所述的步骤s4中将所述高维显式空间联系表示与所述高维隐式空间联系表示聚合成高维空间联系表示包括：s403、将高维显式空间联系表示与高维隐式空间联系表示聚合成高维空间联系表示h
emb
，即：h
emb
＝concat(h
exp
,h
imp
)w3+b3,其中w3和b3是可学习参数与偏置。6.根据权利要求1所述的时空旅游需求预测方法，其特征在于，所述有用数据包括景区内各景点历史旅游需求、各景点间旅客流动信息、各景点间交通条件、各景点地理位置信息、各景点搜索指数、各景点(或景区)天气情况、景区节假日信息中的至少一种。
技术总结
本发明提供一种基于图卷积与注意力机制的时空旅游需求预测方法，包括以下步骤：数据获取；景点间空间联系分析：根据所获取的数据，确定可以显式表示的景点间空间联系，同时归纳隐式空间联系可能的相关因素；时空信息表示：针对显式和隐式空间联系分别构建动态多维图、时空序列；高维空间联系嵌入：根据时空信息表示，使用图卷积嵌入层和空间自注意力嵌入层分别提取高维显式与隐式空间联系表示，聚合成高维空间联系表示；高维时空特征提取：应用双向卷积长短时记忆层与时间自注意力层逐步提取短期高维时空特征和长期高维时空特征；时空旅游需求预测。本发明可显著提升时空旅游需求预测性能，该分析方法与预测模型具有重要的指导意义与应用价值。意义与应用价值。意义与应用价值。
技术研发人员：周炳贵 杨光华 施政 徐素秀 胡铮 江海涛
受保护的技术使用者：暨南大学
技术研发日：2022.08.08
技术公布日：2022/12/5