一种科技展览馆运营压力预测及智能调整系统的制作方法

本发明涉及智能算法预测，具体涉及了一种科技展览馆运营压力预测及智能调整系统。

背景技术：

1、在科技展览馆的运营过程中，对运营压力的准确预测和预约系统的优化是至关重要的，这两个方面不仅直接影响到展览馆的运营效率，也深刻影响着观众的参观体验，首先，准确预测人流可以帮助展览馆更好地规划和管理，避免人流过于拥挤或者人流稀疏的情况，确保展览馆的正常运营，其次，预约系统的优化可以方便观众进行预约和参观，减少等待时间和不必要的麻烦，提升观众的参观体验。

2、然而，运营压力预测和预约系统的优化并不是一件简单的事情，这需要综合考虑多种影响因素，如历史人流数据、媒体推广情况、天气条件、节假日因素以及用户预约情况等，这些因素都可能对人流产生影响，因此需要对这些因素进行全面分析，才能更准确地预测人流，同时，预约系统的优化也需要考虑这些因素，以便更好地满足观众的需求。

3、传统的展览馆运营管理方式往往只依赖经验或者简单的数据分析，缺乏对多种因素的综合考虑，这种方式往往无法准确预测人流和优化预约系统，也难以有效地应对突发人流高峰。

技术实现思路

1、针对上述问题，本发明提供了一种科技展览馆运营压力预测及智能调整系统，该系统通过展览馆云平台收录并处理历史人流数据、媒体推广因素、天气因素、节假日因素以及预约因素等多种数据，利用这些数据，系统可以构建运营压力预测模型，并通过历史数据对模型进行训练，从而实现对第二天运营压力的预测，再通过运营压力预测数据，对预约时间调控，给出合理的课程于预约推荐方案，解决当前展览馆的运营压力量密集带来的不安全问题。

2、本发明的技术方案是：一种科技展览馆运营压力预测及智能调整系统，包括数据采集模块、展览馆云平台模块、数据处理存储模块、运营压力预测模型、运营调控模块、管理人员调度模块以及展馆温湿度模块；

3、所述数据采集模块收集历史人流量数据、媒体推广因素、天气因素、节假日因素和预约因素，媒体推广因素、天气因素、节假日因素和预约因素作为影响因素；

4、所述展览馆云平台模块负责收录数据采集模块监测收集的历史人流量数据、媒体推广因素、天气因素、节假日因素及预约因素等各项数据和公示展览馆开放时间及各时间段展览馆人数数据；

5、所述数据处理存储模块对采集到的各项数据进行处理存储；

6、运营压力预测模型根据数据处理存储模块输入的影响因素输出人流量时序预测；

7、运营调控模块通过调节应用预约系统收集预约因素，通过运营压力预测模型预测得到人流量时序，并将预测得到人流量时序输出至展览馆云平台模块，保证时间段内的预约人数在设定阈值内；

8、所述运营调控模块包括控制模块及监控模块；监控模块设定了展览馆人流及温湿度阈值，当超出阈值时进行警报并上传云平台，控制模块对各个时间段推荐开放预约人数进行调整，找出最优的预约推荐人数并上传到云平台公示与应用预约系统；

9、所述运营调控模块输出端分别连接管理人员调度模块及展馆温湿度模块，管理人员调度模块根据各调控后时间段人流量预测进行相应的管理人员配置，展馆温湿度模块根据调控后各时间段人流量预测进行相应的温湿度控制；

10、所述运营压力预测模型使用基于多策略融合改进的均衡优化算法meo优化的meo-bilstm-vmd-kelm组合运营压力量预测模型预测人数。

11、通过数据采集模块收集到数据建立meo-bilstm-vmd-kelm组合运营压力量预测模型，所述的meo-bilstm-vmd-kelm运营压力量预测模型，实现过程如下：

12、步骤（1）、建立bilstm预测模型，并确定输入层、输出层节点；

13、步骤（2）、将bilstm预测模型输出的预测时刻的预测值与真实值作差，建立vmd算法模型输出的差值进行信号分解；

14、步骤（3）、将分解后的差值数据输入kelm模型预测模型对误差进行训练；

15、步骤（4）、使用emo算法对bilstm网络的隐藏层神经数量、学习率、迭代次数以及vmd-kelm的子模态个数、惩罚因子参数等参数进行优化调整，meo-bilstm模型的预测值y与meo-vmd-kelm模型的误差预测值e相加，即y=y+e，从而得到meo-bilstm-vmd-kelm组合模型的最终预测效果；

16、步骤（5）、输入历史人流量数据、媒体推广因素、天气因素、节假日因素及预约因素相关参数，进行预测并通过运营调控模块对预约因素进行调整找出人流最优预约时段安排，并通过管理人员调度模块、及展馆温湿度模块对人员管理人员调度安排以及展览馆环境温度湿度智能提前调节。

17、所述步骤（1）的实现过程如下：

18、建立bilstm网络模型：

19、

20、式中：——输入门、遗忘门、输出门的状态；——输入节点、状态单元、中间输出的状态；——sigmod函数；——tanh函数；—记忆层中输入门、遗忘门、输入节点、输出门的权重；—记忆层中输入门、遗忘门、输入节点、输出门的权重；——分别为输入门、遗忘门、输入节点、输出门的对应偏置；⨂——逐元素乘法；

21、确定输入层5个节点，依次为历史人流量数据、媒体推广因素、天气因素、节假日因素及预约因素；

22、确定输出层1个节点，其中表示当天人流量预测结果；

23、对数据处理存储模块处理的数据进行归一化，将原始值通过最大-最小标准化映射到区间[0,1]的值，映射公式如下：

24、

25、其中，和分别表示因素a的最大值与最小值；

26、随机选取全部数据的80%作为训练样本，其余20%作为测试样本。

27、所述步骤（2）的实现过程如下：

28、建立vmd算法模型对bilstm网络模型预测时刻的预测值与真实值的误差e进行信号分解；算法公式如下：

29、

30、其中：分别为vmd分解出来的k个子模态集合和其对应的中心频率集合；为求偏导运算符；为卷积运算符。

31、根据权利要求2所述的一种科技展览馆运营压力预测及智能调整系统，其特征在于，所述步骤（3）的实现过程如下：

32、建立kelm模型并设定选用rbf径向基函数，训练误差e得到新的误差e：

33、

34、其中，为中心点，为径基宽度；径基宽度决定径向基函数下降的快慢。

35、所述步骤（4）的实现过程如下：

36、使用emo算法对bilstm网络的隐藏层神经数量、学习率、迭代次数以及vmd-kelm的子模态个数k、惩罚因子参数进行优化调整，具体步骤如下所示：

37、1）设置算法相关参数：社交圈种群规模、最大迭代次数、空间维度、种群的可搜索空间的上下限

38、2）采用高破坏性多项式突变初始化种群建立社交圈集合；其中，分别为当前迭代过程中找到的最优候选粒子；为以上四个候选解的平均值，其数学模型根据均衡池和候选解所示：

39、3）根据差分变异的重构均衡池策略生成三个精英候选粒子根据差分变异的重构均衡池策略重构均衡池；其中，分别为三个精英社交圈种群候选粒子；为最大迭代次数；通过历史最优的四个粒子差分变异组成，帮助算法在迭代前期在全局范围内快速寻到更多优质粒子，在迭代后期逐渐接近最优粒子，保持种群多样性，降低算法陷入局部最优的概率；在差分变异过程中，作为尺度因子一般为固定值，不利于算法在解空间进行全方位的搜索，因此本文将固定值调整为随迭代次数自适应变化的双曲正切因子，其数学模型根据差分变异的重构均衡池策略所示：

40、

41、4）根据指数项函数和型变换因子分别更新，进而根据公式最终指数项函数更新；其中，指数项函数用于均衡优化算法的全局探索和局部开发能力，其数学模型如指数项函数所示：

42、

43、其中，分别是控制算法全局探索和局部开发的权重系数，在eo算法中分别取2和1；间的随机数；

44、5）根据生成率更新；其中，生成率用于提高算法的局部开发能力，其数学模型如生成率所示：

45、

46、其中，为生成率的控制参数；为生成率；是从均衡池中选出的一个候选解；取值为间的随机数；

47、6）根据动态螺旋搜索策略更新社交圈种群粒子浓度；

48、

49、7）判断算法是否满足迭代终止条件，若满足，则迭代结束输出最优社交圈，输出最优位置；否则，返回步骤（2），当前迭代次数；

50、8）输出得到最优隐藏层神经数量、学习率、迭代次数以及kelm的正则化系数和核参数等超参数。

51、所述步骤（5）的实现过程如下：

52、meo-bilstm-vmd-kelm组合预测模型训练完成后，控制模块从输入云平台收录的历史人流数据、媒体推广因素、天气因素、节假日因素以及预约因素进行预测，并将预测各时间段人数数据输入到展览馆云平台模块公示，通过控制模块对预约因素进行调整找出全天人流波动最小方案，并将各时间段推荐预约人数上传入应用预约系统，并通过应用预约系统对预约人数及时间段进行推荐及限制预约。

53、本发明的有益效果是：

54、本发明所提出的meo-bilstm-vmd-kelm运营压力预测模型涉及多个影响因素，区域因素、天气因素、课程及考试因素、节假日因素、以及历史人流量数据，这些因素对人流量起到关键作用，将以上关键因素作为运营压力预测模型的输入，可以使预测的准确率有明显的提高。

55、2、本发明通过多策略融合改进的均衡优化算法不仅对bilstm运营压力预测模型进行优化使得预测模型对运营压力的预测上更加高效迅捷，还对预测模型的vmd信号分解进行优化，提高了各项影响因素数据的精确度，避免数据被过度分解。