景区收益率分析模型构建方法、分析方法、设备及介质

摘要

本申请公开了一种景区收益率分析模型构建方法、分析方法、设备及介质，该方法包括：获取景区内所有子景点中的各兴趣点的收益数据；对该收益数据进行预处理；基于预处理后的该收益数据，利用马尔科夫链算法该各兴趣点的收益率分析模型。本申请实施例通过对一段时间内景区的各子景点的各兴趣点收益数据进行采集，进而基于马尔科夫链构建景区收益率分析模型，从而可以利用构建的该分析模型，对的景区的各个兴趣点收益率进行分析计算，以为景区的配置提供合理可靠依据，有效提高景区收益，实现景区科学高效运营。

说明书

技术领域

本申请一般涉及计算机技术领域，尤其涉及景区收益率分析模型构建方法、分析方法、设备及介质。

背景技术

随着经济持续快速发展和居民收入水平较快提高，旅游人数和旅游收入持续快速增长，旅游产业已经成经济的重要产业，成为增长最快的居民消费领域之一。

旅游者的旅游活动主要包括吃、住、行、游、购、娱等方面，涉及的相关产业包括餐饮业、旅馆业、交通运输业、旅游景区业、零售业和娱乐服务业。为了提高旅游业中景区的收益，需要对各个景区的相关产业进行合理的配置和建设。

目前，大部分的景区仍处于门票经济的阶段，且由于地理环境及文化背景差异等原因，使得某些子景点的部分旅游项目不能吸引旅客，而部分旅游项目游客大量积累，无法满足旅客量需求，最终导致景区收益有限。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种景区收益率分析模型构建方法、分析方法、装置、设备及介质，通过利用马尔科夫链构建景区收益率分析模型，以对景区各子景点的兴趣点的收益率进行分析，为景区配置提供合理依据。

第一方面，本申请实施例提供了一种景区收益率分析模型构建方法，该方法包括：

获取景区内所有子景点中的各兴趣点的收益数据；

对该收益数据进行预处理；

基于预处理后的该收益数据，利用马尔科夫链算法该各兴趣点的收益率分析模型，该收益率模型用于分析各兴趣点的对所在子景点的收益的贡献。

第二方面，本申请实施例提供一种景区收益率分析方法，该方法包括：

获取景区内所有子景点中各兴趣点的收益数据；

对该收益数据进行预处理；

将预处理后的收益数据输入到构建的分析模型中，得到各该兴趣点的收益率，该分析模型基于马尔科夫链算法所构建。

第三方面，本申请实施例提供一种处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上述第一方面及第二方面所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序用于实现如上第一方面及第二方面所述的方法。

本申请实施例提供的景区收益率分析模型构建方法、分析方法、设备及介质，通过对一段时间内景区的各子景点的各兴趣点收益数据进行采集，进而基于马尔科夫链构建景区收益率分析模型，从而可以利用构建的该分析模型，对的景区的各个兴趣点收益率进行分析计算，以为景区的配置提供合理可靠依据，有效提高景区收益，实现景区科学高效运营。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1所示为本申请实施例的景区收益率分析模型构建方法的流程示意图；

图2为本申请景区收益示意图；

图3为本申请又一实施例的景区收益示意图；

图4为本申请又一实施例的景区收益率分析模型构建方法的流程示意图；

图5为本申请实施例的门票兴趣点与子景点中兴趣点的关系示意图；

图6为本申请实施例的马尔科夫链有向示意图；

图7为本申请实施例的景区收益率分析方法流程示意图；

图8为本申请实施例的景区收益率分析模型构建装置结构示意图；

图9为本申请实施例的景区收益率分析方法装置结构示意图；

图10为本申请实施例的处理设备的计算机的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与公开相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

可以理解，本申请实施例中，考虑到目前的大部分景区中，由于地理环境及文化背景差异等原因，使得某些子景点的其中的部分旅游项目，即兴趣点(Point of Interest，POI)无法吸引旅客，从而无法产生有效的收益，而部分POI游客大量积累，无法满足旅客量需求，最终导致景区收益有限。

而本申请为了实现景区配置的合理化及高收益化，通过对景区各个子景点的各POI的收益数据进行分析处理，构建能够分析景区各POI收益率的分析模型，从而可以将该构建的分析模型应用在实际的景区收益率分析中，为合理化运营建设景区各个POI提供科学有效的依据，最终实现景区收益的提升。

本申请实施例中，为了使得所构建模型的分析可靠，可以选择利用归因分析方法实现。

可以理解，归因分析方法为针对当前的场景和目标，如何将“贡献”合理分配到每一个渠道上。归因模型有很多种，通常可分为两类：基于规则的，预先为渠道设置了固定的权重值，好处是计算简单、渠道之间互不影响。另外一种是基于算法的，每个渠道的权重值不一样，根据算法和时间，不同渠道的权重值会发生变化。与基于规则的归因相比，更加客观，不会受到使用者偏好的影响。

考虑到基于规则的归因分析方法的都是主观的权重分配方法，人为因素影响大。因此，本申请选择采用基于算法的归因方法建立归因模型。

并且，考虑到本申请的旅游场景下，如果某游客访问了景区中某个子景点的某个POI，就表示该子景点必然产生了收益，至少该子景点门票已经产生了收益。即下一状态的发生仅仅依赖当前状态，而与之前的状态无关，即某游客访问子景点的，某个POI的概率，仅仅与当前所处的POI有关，所以，可以理解为条件概率。因此，本申请实施例中选择使用一阶马尔科夫模型来构建景区收益率的分析模型。

可以理解，马尔科夫链是一个过程，它映射运动并给出概率分布，从一个状态转移到另一个状态。马尔科夫链由三个属性定义：状态空间、转换概率及当前状态分布。状态空间表示处理可能存在的所有状态的集合；转换概率表示从一个状态转移到另一个状态的概率；当前状态分布表示在过程开始时处于任何一个状态的概率分布，即初始概率。

可以理解，对于本申请实施例中，景区中每个子景点的POI可看作马尔科夫链模型中的每个状态，如门票、商品销售、餐饮住宿、娱乐项目、游玩设施及其他可以产生收益的游乐项目。则在确定状态空间的情况下，所求的子景点的POI的收益率就是每个状态的贡献值。

还可以理解，一阶马尔科夫模型表示状态只有一阶记忆力，即此状态只依赖于前一个状态，与其他状态无关。对应景区中景点POI，表示是商品销售、餐饮住宿、娱乐项目、游玩设施、其他POI的收益转化只依赖于景点门票POI，即旅客只有先进入了该子景点，即有了子景点门票POI的收益，才会产生别的景点POI的收益。

为了更好的理解和说明本申请实施例提供的景区收益率分析模型构建，下面通过图1至图10详细阐述。

图1所示为本申请实施例提供的景区收益率分析模型构建方法，该方法可以包括：

S110，获取景区中至少一个子景点的多个兴趣点(POI)的收益数据；

S120，对获取的所述收益数据进行预处理；

S130，基于预处理后的收益数据，利用一阶马尔科夫链算法构建所述每个POI的收益率的分析模型。

具体的，首先可以确定待分析景区中的子景点，以及各子景点中的POI，进而可以采集确定的所有子景点的多个POI的收益数据，作为原始数据。该POI即为景区内的收益项目，如门票、商品销售、餐饮住宿、娱乐项目、游玩设施及其他可以产生收益的游乐项目。

例如，在实际中，采用各景区内门票POI的票务系统，商品销售POI的商品销售管理系统，餐饮住宿POI的餐饮收银系统和酒店PMS系统或酒管系统，以及娱乐项目POI和游玩设施POI的自动化的景区二次消费项目门票管理系统等来实现原始数据的采集。或者，如果没自动化系统，还可以利用半自动化的excel文档记录或者是纯文本记录的消费数据来收集各POI的收益数据。

可以理解，考虑到一阶马尔科夫链算法的分析方法，即在时间上的状态转变，且实际中所采集的数据较粗糙，则对所采集的收益数据，需要进行处理，把各景点POI的收益值汇总在一起，融合出一段时间内的收益数据。

例如，可以是一个月、一个季度或者一年中每个POI的收益数据。

或者，也可以在采集过程中，仅仅采集景区内所有景点的一个月、一个季度或者一年中每个收益项目的收益数据

另外，考虑到实际景区的门票，具有不同的消费方式，则对于各子景点的门票POI的收益值，需要根据景区门票不同的消费方式来确定。

例如，如图2所示，假如景区是免费入园，但是各个子景点是需要单独收取门票的。则各子景点POI，即景点门票、商品销售、餐饮住宿、娱乐项目、游玩设施、其他POI的收益值可设置是分别为b0、b1、b2、b3、b4、b5。如图2所示，景区中景点1的景点门票收益量为b10，餐饮住宿收益量为b12，景点2的景点门票收益量为b20，商品销售收益量为b21。当然，景区也可能是只有一个景点，那么景区中就只有景点1，且POI只有景点1中的POI。

又例如，如图3所示，景区是可购买通票的，包括着景区中所有景点。那么通票的收益值就对应着所有的景点门票。如图3，如果通票中表明各子景点的景点门票值，则景点1的景点门票收益值b10＝b01，景点2的景点门票收益值b20＝b02，通票收益值b0＝b01+b02+…+b0n，n表示子景点个数。如果通票中未表明各子景点的景点门票值，则定义各子景点均分通票收益值，即b10＝b20＝b0/n，n表示子景点个数。

又例如，景区是可购买通票，但是通票只包括部分景点，未包括在通票中的子景点可以单独购买景点门票。那么各子景点的景点门票收益值都可以从通票或者单独的景点门票中获取，其他POI的收益值可以从其他系统或者半自动化的excel文档、纯文本记录中获取。

本申请实施例中，在对采集到的原始数据进行融合，得到各个POI一段时间内的收益值后，可以利用一阶马尔科夫链算法，对预处理后的收益数据进行分析，以构建各个子景点的各收益项目的收益的分析模型，该收益率模型用于分析各兴趣点对所在子景点的收益贡献，从而可以明确各个项目的收益率分布情况，明确项目建设的方向与目标，为景区配置提供合理的依据。

可选的，本申请实施例中，为了更好的理解各POI收益率模型的构建过程，下面利用图4详细阐述。

如图4所示，该过程具体可以包括：

S131，确定子景点的兴趣点集合，作为马尔科夫链算法中的状态集合。

具体的，利用一阶马尔科夫的分析方法时，需要确定状态集合，即对应于本申请中，将采集数据的对象，即景区子景点的待分析的每个POI作为一个状态。则所确定的状态集合可以包括门票、商品销售、餐饮住宿、娱乐项目及游玩设置等能够产生收益的项目。

S132，计算子景点的门票项目的初始状态概率值，以及子景点中其他兴趣点的转换概率。

具体的，在马尔科夫链模型构建中的转换概率表示当离散时间的马尔科夫链当前的状态是i时，下一个状态等于j的概率。

例如，在本申请中的景区收益率场景下，假如当前的状态为景点1门票状态，则转换概率可以表示由当前的子景点1状态转换为该子景点中的餐饮住宿的状态的概率；或者，当前状态为景点2，则转换概率为当前的景点2转换到该子景点2的商品销售状态的概率。

可以理解，对于上述举例中，转换概率的实际意义可以理解为：游客从当前的景点1的门票POI，前往该子景点1，进行餐饮住宿POI消费的概率。

则本申请实施例中，马尔科夫链模型中的每个状态，即兴趣点的转换概率可以通过转换矩阵来展示。

例如，如图5所示，该景区内设置有一个子景点，且假设转换概率用c表示，可以如下表所示：

可以将上述转换矩阵进行简化如下：

其中，c1、c2、c3、c4、c5分别表示在该子景点下，商品销售、餐饮住宿、娱乐项目、游玩设施、其他POI的转换概率，可以为兴趣点对应的收益值与所述子景点的除门票收益值外其余总收益值的比值，具体计算方法可以为：

c1＝b1/(b1+b2+b3+b4+b5)；

c2＝b2/(b1+b2+b3+b4+b5)；

c3＝b3/(b1+b2+b3+b4+b5)；

c4＝b4/(b1+b2+b3+b4+b5)；

c5＝b5/(b1+b2+b3+b4+b5)。

可以理解，c1+c2+c3+c4+c5＝1。

进一步，如果景区内存在多个子景点，则转换矩阵可以如下表示：

可以理解，上表中的数值表示两个状态之间的转换概率。例如，c22表示游客在子景点2中，到餐饮住宿区域消费的概率。

另外，还可以理解，本申请实施例中，对于包括多个子景点的景区，游客到每个子景点的概率也是不同的，在此基础上，在计算收益率时，需要考虑游客到每个子景点的概率，即需要考虑每个子景点的初始概率。

例如，如图5所示，景区内各子景点的子景点门票的初始概率定义为a，则子景点1的景点门票初始概率为a1，子景点2的景点门票初始概率为a2，…，子景点n的景点门票初始概率为an，则根据图3所示，

a1＝b10/(b10+b20+…+bn0)；

a2＝b20/(b10+b20+…+bn0)；

an＝bn0/(b10+b20+…+bn0)；

可以理解，a1+a2+…+an＝1。

还可以理解，若景区内就一个景点，则a＝1

S133，基于初始状态概率值及转换概率计算各兴趣点的收益率，得到各兴趣点的分析模型。

具体的，在计算得到两状态之间的转换概率，即子景点到兴趣点之间转换概率，以及各子景点的初始概率之后，可以根据该转换概率以及该初始概率计算马尔科夫链中每个状态，即兴趣点的移除效应系数，即可以利用转换矩阵构建马尔科夫链中的有向图，进而根据有向图，通过计算从start节点到conversion节点的所有非重复路径的累乘权重系数之和来计算移除效应系数。

可以理解，在马尔科夫链算法中，该移除效应系数表示移除该状态之后，在start状态开始到conversion状态之间所有路径上概率之和的变化值。

对于景区来说，start状态节点就是进入景区的状态节点，conversion状态节点就是产生收益的状态节点，如图6所示。

其中，游客访问了景区的景点POI，就表示这个景点POI肯定产生了收益，至少景点门票POI是已经产生了收益，所以从景点POI到最后的产生收益节点的路径概率值为1。

本申请实施例中，具体的计算过程如下：

S01，计算除去目标兴趣点外的其余兴趣点的转换概率之和；

S02，计算除去目标兴趣点外之后状态集合中所有兴趣点的总转换概率的变化值，该变化值为该目标兴趣点的移除效应系数。

具体的，对于所有兴趣点的总转换概率，该总体转换率的计算方法是从start节点到conversion节点的所有非重复路径的累乘权重系数之和，则对于景区的所有兴趣点来说，总转换率A：

A＝a1*(c11+c12+c13+c14+c15)+…+an*(cn1+cn2+cn3+cn4+cn5)

＝a1+…+an

＝1

进一步，假如移除子景点1门票节点，则其余所有兴趣点的转换概率为1-a1，因此，该总转换概率的变化值可以表示为1-(1-a1)/1＝a1，即该子景点1门票节点的移除效应系数为a1。

又例如，假如移除子景点1商品销售节点后，其余兴趣点的转换概率1-a1*c11，所以该总转换概率的变化值可以表示为＝1-(1-a1*c11)/1＝a1*c11，即子景点1商品销售节点的移除效应系数。

可以理解，其余兴趣点的移除效应系数都可以推理出，即每个兴趣点的移除效应系数为所在的子景点的初始概率值与其转换概率值的乘积。

进一步，在计算得到各兴趣点的移出效应系数后，可以基于移出效应系数计算各景点的各兴趣点的收益率，完成收益率模型构建。具体可以通过计算子景点中每个POI的移除效应系数与该子景点中所有POI的总的移除效应系数之的比例值来得到，则该比例值为兴趣点的收益率，即完成分析模型构建。

具体的，通过计算有向图中各个节点，即各个兴趣点的移除效应系数，进而将子景点中每个POI的移除效应系数与该子景点中所有POI的总的移除效应系数之的比例，作为该节点的贡献值，即可得到该节点的贡献值，对于景区就是各景点POI的收益率。

例如，子景点1门票POI的收益率＝a1/(a1*(c11+c12+c13+c14+c15)+…+an*(cn1+cn2+cn3+cn4+cn5))

＝a1；

子景点1商品销售POI的收益率＝a1*c11/(a1*(c11+c12+c13+c14+c15)+…+an*(cn1+cn2+cn3+cn4+cn5))

＝a1*c11；

同理，可推理出景区中别的景点各POI的转化贡献值，即各POI的收益率。

进一步，在S312中，计算得到的各POI的转换概率的表达式，即各兴趣点通过收益值计算转移概率表达式代入上述推导公式中，最终可推理出子景点i门票POI的收益率为：

其中，i表示第i个子景点，

n表示景区子景点总个数，

bi0表示在一定时间段内第i个子景点的门票收益值。

进一步，根据上述方法，可以构建子景点i商品销售POI的收益率为：

其中，i表示第i个子景点，

n表示景区子景点总个数，

bi0表示在一定时间段内第i个子景点的门票收益值，

bi1表示在一定时间段内第i个子景点的商品销售收益值，

bi2表示在一定时间段内第i个子景点的餐饮住宿收益值，

bi3表示在一定时间段内第i个子景点的娱乐项目收益值，

bi4表示在一定时间段内第i个子景点的游玩设施收益值，

bi5表示在一定时间段内第i个子景点的其他POI收益值。

同样的，子景点i餐饮住宿POI的收益率为：

子景点i娱乐项目POI的收益率为：

子景点i游玩设施POI的收益率为：

子景点i其他POI的收益率为：

其中，ci1表示预设时间段内第i个子景点的商品销售项目转移概率；

ci2表示预设时间段内第i个子景点的餐饮住宿项目转移概率；

ci3表示预设时间段内第i个子景点的娱乐项目转移概率；

ci4表示预设时间段内第i个子景点的游玩设施项目转移概率；

ci5表示预设时间段内第i个子景点的零散项目转移概率。

可以理解，通过上述推理的各个子景点的各个兴趣点的收益率的计算公式，即为通过马尔科夫链算法所构建的各个兴趣点的收益率分析模型。

可以理解，由构建的该模型可知，各兴趣点的POI的收益值以及各个子景点的初始概率，可以计算得到对应的各POI的收益率。

还可以理解，使用上述公式计算景区中景点POI的收益率有个前提条件，需要确定时间段，景区中景点POI的收益率都是根据确定的时间段内的收益值来决定的。

本申请实施例中，通过对一段时间内景区的各子景点的各兴趣点收益数据进行采集，进而基于马尔科夫链构建景区收益率分析模型，从而可以利用构建的该分析模型，对的景区的各个兴趣点收益率进行分析计算，以为景区的配置提供合理可靠依据，有效提高景区收益，实现景区科学高效运营。

图7为本申请实施例提供的景区收益率分析方法，如图所示，该方法包括：

S710，获取景区内所有子景点中各兴趣点的收益数据；

S720，对该收益数据进行预处理；

S730，将预处理后的收益数据输入到上述实施例构建的分析模型中，得到各兴趣点的收益率。

具体的，首先可以获取一段时间内景区内各景点的收益值，进而对该数据进行融合，最后将预处理后的收益数据输入到上述实施例中构建的模型中，得到各个景点对应的各收益项目的收益率，从而分析出收益率较低的景点POI，进一步可针对收益率较低的景点POI进行运营优化。

例如，实际中的新建景区通常要求较高的初期资本投入，特别是现在征地成本的快速上升更加速了这一情况。所以通过构建数据模型验证景区中景点POI的收益率是非常有用的。

通过对景区中各景点POI的收益率做排序，取出收益率最低的几个景点POI，然后可让景区运营人员分析景点POI收益率低的原因，后续可对收益率的景点POI进行改造或者更替。

另一方面，如图8所示，本申请实施例还提供一种景区收益率分析模型构建装置，该装置800包括：

获取模块810，用于获取景区内子景点中的多个兴趣点的收益数据；

处理模块820，用于对该收益数据进行预处理；

构建模块830，用于基于预处理后的该收益数据，利用一阶马尔科夫链算法构建该子景点中该各兴趣点的收益率分析模型。

可选的，本申请实施例的景区收益率分析模型构建方法，该构建模块830包括：

确定单元831，用于确定马尔科夫链算法中的状态集合，该状态集合中包该兴趣点，该兴趣点包括该子景点的门票项目；

计算单元832，用于计算该子景点的该门票项目的初始状态概率值，以及该子景点中其他兴趣点的转换概率；

构建单元833，用于基于该初始状态概率值及该转换概率计算各该兴趣点的收益率，得到各该兴趣点的分析模型。

可选的，本申请实施例的景区收益率分析模型构建方法，该计算单元具体用于：

当该景区内包括多个子景点时，计算该子景点门票收益值与该景区门票总收益值的比值，该比值作为该门票项目的初始状态概率值。

可选的，本申请实施例的景区收益率分析模型构建方法，该计算单元具体用于：

计算兴趣点对应的收益值与该子景点的除门票收益值外其余总收益值的比值，该比值作为该兴趣点的转换概率。

可选的，本申请实施例的景区收益率分析模型构建方法，构建单元具体包括：

计算子单元01，用于基于该初始状态概率值及该转换概率计算各兴趣点的移除效应系数；

构建子单元02，用于基于该各兴趣点的移除效应系数计算对应的收益率，得到该分析模型。

可选的，本申请实施例的景区收益率分析模型构建方法，该计算子单元具体用于：

计算除去目标兴趣点外的其余兴趣点的转换概率之和；

计算除去目标兴趣点外之后状态集合中所有兴趣点的总转换概率的变化值，该变化值为该目标兴趣点的移除效应系数。

可选的，本申请实施例的景区收益率分析模型构建方法，该构建子单元具体用于：

计算该子景点中每个兴趣点的移除效应系数与该子景点中所有兴趣点的总的移除效应系数之的比例值，该比例值为兴趣点的收益率。

可选的，本申请实施例的景区收益率分析模型构建方法，所构建的子景点的门票的收益率分析模型为：

该兴趣点还包括餐饮住宿项目、娱乐项目、游玩设施项目及零散项目，则该子景点的餐饮住宿项目兴趣点的收益率分析模型为：

子景点i娱乐项目POI的收益率为：

子景点i游玩设施POI的收益率为：

子景点i其他POI的收益率为：

其中，i表示第i个子景点，

n表示景区子景点总个数，

bi0表示在一定时间段内第i个子景点的门票收益值；

bi0表示在一定时间段内第i个子景点的门票收益值，

bi1表示在一定时间段内第i个子景点的商品销售收益值，

bi2表示在一定时间段内第i个子景点的餐饮住宿收益值，

bi3表示在一定时间段内第i个子景点的娱乐项目收益值，

bi4表示在一定时间段内第i个子景点的游玩设施收益值，

bi5表示在一定时间段内第i个子景点的其他POI收益值；

ci1表示预设时间段内第i个子景点的商品销售项目转移概率；

ci2表示预设时间段内第i个子景点的餐饮住宿项目转移概率；

ci3表示预设时间段内第i个子景点的娱乐项目转移概率；

ci4表示预设时间段内第i个子景点的游玩设施项目转移概率；

ci5表示预设时间段内第i个子景点的零散项目转移概率。

另一方面，如图9所示，本申请实施例还提供一种景区收益率分析装置，该装置900包括：

获取模块910，用于获取景区内所有子景点中各兴趣点的收益数据；

处理模块920，用于对该收益数据进行预处理；

分析模块930，用于将预处理后的收益数据输入到构建的分析模型中，得到各该兴趣点的收益率，该分析模型基于马尔科夫链算法所构建。

综上，本申请实施例涉及一种景区中景点POI收益率分析模型构建方法、分析方法、装置及介质，该方法基于景区的售票系统、景点出入口闸机系统、商品销售、餐饮住宿、娱乐项目、游玩设施、其他活动等运营系统，获取相关的源数据，采用归因分析的方法，计算景区中各个景点POI的收益率，从而分析出收益率较低的景点POI，进一步可针对收益率较低的景点POI进行运营优化。

另一方面，本申请实施例还提供一种处理设备，该处理设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器用于执行该程序时实现上述实施例该的景区收益率分析模型构建方法或景区收益率分析方法。

下面参考图10，图10为本申请实施例的处理设备的计算机电子设备的结构示意图。

如图10所示，计算机电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分602加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的电子设备中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行电子设备、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的处理设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的电子设备来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括：获取模块、处理模块及构建模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，接收模块还可以被描述为“用于基于预处理后的所述收益数据，利用马尔科夫链算法所述各兴趣点的收益率分析模型”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的景区收益率分析模型构建方法：

获取景区内所有子景点中的各兴趣点的收益数据；

对所述收益数据进行预处理；

基于预处理后的所述收益数据，利用马尔科夫链算法所述各兴趣点的收益率分析模型。

或者，用于执行景区收益率分析方法：

获取景区内所有子景点中各兴趣点的收益数据；

对所述收益数据进行预处理；

将预处理后的收益数据输入到构建的分析模型中，得到各所述兴趣点的收益率，所述分析模型基于马尔科夫链算法所构建。

综上所述，本申请实施例提供的景区收益率分析模型构建方法、分析方法、装置、设备及介质，通过对一段时间内景区的各子景点的各兴趣点收益数据进行采集，进而基于马尔科夫链构建景区收益率分析模型，从而可以利用构建的该分析模型，对的景区的各个兴趣点收益率进行分析计算，以为景区的配置提供合理可靠依据，有效提高景区收益，实现景区科学高效运营。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。