一种科技馆参观路线规划方法与流程

本发明涉及人流量规划，具体涉及一种科技馆参观路线规划方法。

背景技术：

1、随着科技的不断进步，科技馆作为一种展示科技成果、普及科学知识的场所，受到越来越多人的关注和参观，然而，由于现有科技馆内展览内容繁多、众多游客流动等因素，参观者在有限的时间内往往难以高效地参观各项展览。

2、所以一直需要一种路线的规划方法，对每天的人流量进行预测，了解当天的客流量情况并提前进行规划安排；获取多个互不冲突的路线方案，减少游客的排队等待时间，提高游客参观体验，充分利用科技馆资源，保证单位时间内科技馆的整体利用率达到最高，使得科技馆平稳高效运行的同时，提高科技馆收益

3、在节假日等特殊时期，科技馆人流量较大，往往会造成科技馆拥堵，游客等待参观的时间较长，参观效率较低等问题，这些问题导致本应该盈利较多的节假日，最终的收益额不尽人意。

技术实现思路

1、发明目的：本发明旨在通过对科技馆当天的人流量进行合理的预测，并根据预测的人流量设计多个不同且互不冲突的参观路线方案，保证科技馆单位时间内获得最高的利用率，同时，将游客参观活动中的等待时间降至最低。

2、技术方案：本发明提出的一种科技馆参观路线规划方法包括数据单元、科技馆人流量预测单元、智能规划数据单元、智能规划模型以及方案分配单元；

3、进一步地，所述数据单元包括季节性因素、周期性因素以及历史人数据流量。所述季节性因素包括春夏秋冬，所对应的数值分别设定为1、0.75、1、0.6；同时也包括天气情况，天气情况包括晴天、阴天、雨天，所对应的数值分别为1、0.6、0.2；所述周期性因素包括节假日情况，其中周六、周日以及节假日对应的数值为1，工作日对应的数值为0.3；所述历史人流量数据是值近两年内，科技馆每天的历史人流量数据以及各时间段历史人流量数据。所述数据单元将采集的数据输入到人流量预测模型中，进行每天人流量的预测，同时将当天的历史人流量数据再次作为历史数据，输入到历史人流量数据库中。

4、进一步地，所述科技馆人流量预测单元包括人流量预测模型以及智能优化算法，并将最终的预测结果输入到智能规划数据单元中；所述人流量预测模型为多元线性回归预测模型与小波神经网络预测模型相结合的mlp-iwnn组合预测模型，实现过程如下所述：

5、31)建立mlp多元线性回归预测模型，模型一般形式如下所示：

6、y0＝b0+b1x1i+b2x2i+…+bmxmi+εi(i＝1,2,...,n)

7、式中，y0表示多元线性回归预测模型的科技馆人流量预测值；b0、bj(j＝1,2,...,m)表示模型回归系数；εi表示除自变量xj(j＝1,2,...,m)的影响之外，yi产生的随机变量，称为随机误差；x1i,x2i…xmi分别表示上述的季节性因素、周期性因素以及历史人流量数据，m的取值为4；

8、32)计算随机误差，计算公式如下所示：

9、

10、33)构建小波神经网络预测模型，选取小波基函数，小波基函数公式如下所示：

11、

12、34)构建小波神经网络的输入层、隐含层和输出层，隐含层的输出公式如下所示：

13、

14、其中，wij为输入层与隐含层之间的权重系数，aj为小波基函数的伸缩因子，bj为平移因子，hj为隐含层神经元输出；x1i,x2i…xmi为上述的季节性因素、周期性因素以及历史人流量数据；

15、35)输出层构建公式如下所示：

16、

17、其中，wjk为隐含层与输出层之间的权重系数，该系数会在网络训练过程中不断更新，yk为小波神经网络第k个神经元的输出值；

18、36)计算网络误差指标函数，计算函数如下所示：

19、

20、其中，y′k表示真实值，yk表示小波神经网络预测值，e表示误差指标函数，用来衡量真实值与误差值之间的偏差程度；

21、37)计算第d+1次训练后参数需要调整的变化量以及计算公式如下所示：

22、

23、

24、

25、

26、其中，η表示设定的学习速率，e为误差指标函数；

27、38)采用误差反向传播算法更新权值以及小波因子，更新公式如下所示：

28、

29、

30、

31、

32、其中，d代表参数更新当的代数，以及表示第d+1次训练后参数需要调整的变化量。

33、39)对所述步骤36)中的更新公式进行改进，改进公式如下所示：

34、

35、

36、

37、

38、其中，α是在[0,1]之间的常数。

39、310)计算最终的科技馆人流量预测值yl，计算公式如下所述：

40、yl＝λ1y0+λ2yk

41、λ1+λ2＝1

42、其中，λ1和λ2表示权重因子，y0表示mlp预测模型的预测结果，yk表示iwnn预测模型的预测结果；

43、进一步地，其特征在于，采用改进的果蝇优化算法ebfoa，对λ1和λ2的值进行优化，提高预测的准确度，具体的实现过程如下所述：

44、优化目标函数如下所示：

45、

46、其中，e表示精度指标，n表示数据量总数，y表示真实的历史人流量数据值，yl表示预测的历史人流量数据值；

47、41)初始化果蝇种群规模sizepop、最大迭代次数maxgen以及果蝇群体位置xaxis和yaxis。

48、42)赋予果蝇个体随机的搜索方向和距离，计算公式如下所示：

49、

50、其中，表示随机变量，取值范围在[-1,1]之间；

51、43)对搜索步长进行优化改进：

52、r＝α×e-(β×g)/margen

53、其中，α为步长控制因子，β为指数调控因子，g为当前迭代次数，maxge为最大迭代次数。

54、44)得到改进后果蝇个体更新位置：

55、

56、45)计算果蝇个体到原点的距离dist：

57、

58、46)计算味道浓度判定值si，计算公式如下所示：

59、si＝1/disti

60、47)采用sign函数对味道浓度判定值si进行优化改进：

61、

62、si＝sign(2×rand-1)/dist

63、其中，rand为范围在[0,1]之间均匀分布的随机数。

64、48)将浓度判定值输入目标函数，计算出味道浓度值smelli，计算公式如下所示：

65、smelli＝fitness(si)

66、其中，fitness表示计算味道浓度值的目标函数。

67、49)得到味道浓度值最优的果蝇个体，记录其位置信息和响应的味道浓度值，公式如下所示：

68、[bestsmell,bestindex]＝min(smell)

69、410)保留最优的味道浓度值bestsmell，进行位置更新，形成新的种群中心：

70、smellbest＝bestsmell

71、

72、411)迭代寻优，直到满足最大迭代次数时，输出最优的λ1和λ2的值，并输入到模型中进行运算，得到精度最高的预测值。

73、进一步地，所述智能规划数据单元包括人流量预测数据，科技馆各个分馆的面积数据以及各个分馆的最佳参观时间；其中人流量预测数据通过上述的人流量预测模型获取；各个分馆的面积以及各分馆的最佳参观时间为设定好的固定值；将智能规划数据模型中的数据输入到智能规划模型中，得到互不冲突的科技馆参观路线，并将不同的参观路线发送给不同的工作人员。

74、进一步地，所述智能规模模型规划目标为各分馆的参观无冲突情况以及游客参观等待时间最低，各分馆的面积对应该模型总缓冲区的容量，缓冲区填充过程对应的是不断进入到科技馆的参观者，缓冲区闲置过程对应的是带领游客参观的工作人员。通过上述模型，可以合理规划出不用的参观路线方案，工作人员根据方案带领游客参观科技馆，提高科技馆参观效率。

75、有益效果：

76、1、本发明结合科技馆人流量特点，将本发明将多元线性回归预测模型与小波神经网络预测模型相结合，有效提高了科技馆人流量预测准确度，采用误差反向传播算法对小波神经网络预测模型进行优化，使科技馆预测人流量与实际人流量误差达到最小，从而合理规划路线，避免发生拥堵。

77、2、本发明选取与科技馆人流量预测模型适配度最高的改进的果蝇优化算法ebfoa对多元线性回归预测模型以及小波神经网络预测模型的权重进行分配，获取最优的权值，进一步提高了科技馆人流量预测的准确度。

78、3、本发明采用的智能规划模型获取不同的科技馆参观路线方案，保证游客参观活动等待时间最少的同时，科技馆在单位时间内的利用率达到最高，提高科技馆运行效率，提高科技馆收益。