一种基于多因子聚合模型的景区畅游度预测范式方法

摘要

本发明公开了一种基于多因子聚合模型的景区畅游度预测范式方法，该方法包括客流量预测模型与畅游度模型构建，其中模型涉及了斯皮尔曼相关系数，ARIMA(p,d,q)模型，AHP方法评估，min‑max归一化处理等一系列的数学模型来预测景区的畅游度情况。本发明的目的是通过满足游客和管理两方面的需求，来改善游客旅游体验、转变景区服务观念，加快旅游智慧化建设。游客方面，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度；景区管理方面，通过畅游度信息的发布，及时向游客推荐最佳游览路线，避免游客集中部分景点，来提升景区服务水平和知名度，该方式通过旅游大数据建立多种模型来综合考虑景区畅游度，应用前景广阔。

说明书

技术领域

本发明涉及互联网大数据旅游服务领域，具体来说，涉及一种基于多因子聚合模型的景区畅游度预测范式方法。

背景技术

随着社会生活水平的日益改善，人们的生活方式也不仅仅限于普通的衣、食、住、行。在物质方面得到提升的同时精神方面也追求一个质的飞跃，因此近些年旅游业也井喷式的发展，与此同时各景区的服务质量也需要同步的提升，提高有客户的旅游体验，特别是节假日的时间段，各个地区的景区游客常常出现较严重的拥堵跟滞留现象等问题。

因此为解决上述的问题现提出景区畅游度模型，该模型的目的是通过满足游客和管理两方面的需求，来改善游客旅游体验、转变景区服务观念，加快旅游智慧化建设。游客方面，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度；景区管理方面，通过畅游度信息的发布，及时的向游客推荐最佳路线，避免游客集中部分景点，来提升景区服务水平和知名度。

发明内容

本发明的目的是克服上述背景中的不足之处，提出一种基于多因子聚合模型的景区畅游度预测范式方法。

该方法包括如下步骤：

步骤S1：获取游客畅游景区影响因素；

步骤S2：建立游客畅游度数据集；

步骤S3：构建游客多因子聚合模型；

步骤S4：输出未来短期客流量预测数据；

步骤S5：构建景区畅游度模型；

步骤S6：畅游度指数结果输出。

优选地，所述步骤S1中游客畅游景区影响因素包括景区开放性、游客舒适度、道路通畅度和设施完善度。

优选地，所述步骤S2中游客畅游度数据集包括省内重点景区动态信息、天气预报信息、空气质量指数信息、PM2.5实时浓度信息、景区类型、景区游客量、道路拥挤度、高速卡口车流量、景区停车场停车余位、景区厕所密度和景区饭店密度信息。

所述步骤S3中构建游客多因子聚合模型主要包括如下步骤：

步骤S31：统计收集样本景区每小时客流量历史数据；

步骤S32：出游状态信息结果输出；

步骤S33：计算斯皮尔曼(Spearman)相关系数ρ；

步骤S34：采用ARIMA(p,d,q)模型预测未来一周每小时的客流量值。

优选地，所述多因子聚合模型步骤S31中样本景区每小时客流量历史数据的时间周期为T-T0，其中T代表当前时刻，T0代表1周前的此时刻。

优选地，所述多因子聚合模型步骤S32中出游状态信息结合了天气预报信息、空气质量指数信息、PM2.5实时浓度信息、气象预警和出游景点匹配性，具体结果包括适宜、较适宜、一般、较不宜、不适宜，并分别赋值为1、0.75、0.5、0.25、0。

优选地，所述多因子聚合模型步骤S33中斯皮尔曼(Spearman)相关系数ρ包括各景点的历史客流量和出游状态值，相关系数ρ的计算方式为：

其中n数值为84，i代表其中的一个景点，x

所述多因子聚合模型步骤S34中ARIMA(p,d,q)模型具体为：

其中，L是滞后算子，d为整数且大于0，i代表景点数，p代表自回归项数，Φ代表自回归系数多项式，q代表滑动平均项数，θ代表滑动平均系数多项式，ε

首先，对历史客流量的时间序列进行平稳性分析，若为非平稳数据则需进行d阶差分，化为平稳非白噪声序列。其次，计算自相关系数ACF(Autocorrelation Function)和偏自相关系数PACF(Partial Autocorrelation Function)，判断最佳阶层p和阶数q；最后，回归分析并验证结果；经过回归分析，计算客流量预测值；同时观察ARIMA(AutoregressiveIntegratedMoving Average mode)模型下的残差是否服从正态分布，并检验残差是否(自)相关。

优选地，所述多因子聚合模型步骤S34中预测的结果为：未来一周每小时客流量ξ

预测景区未来一小时客流状态ξ

其中，ξ≦0.2对应报警状态，0.2<ξ≦0.4对应拥挤状态，0.4<ξ≦0.6对应适中状态，0.6<ξ≦1对应舒适状态。

所述步骤S5中景区畅游度模型评价指标包括游客舒适度、道路通畅度和设施完善度；其中景区闭园情况下的畅游度定义为0，景区开园情况下的畅游度模型构建包括如下步骤：

步骤S51：采用AHP方法构建游客舒适度、道路畅通度和设施完善度各维度指数分项指标；

步骤S52：对分项指标进行min-max归一化处理；

步骤S53：采用主成分分析法(PCA)确认各分项指标权重；

步骤S54：综合评估畅游度指数。

优选地，所述步骤S52中分项指标min-max归一化处理方法如下：

X

其中，X

优选地，所述步骤S53中主成分分析法(PCA)具体定义如下：

假设存在P个景区观察点R＝(x

对样本矩阵R进行变换，求出相关系数矩阵，变换方法为标准化：

标准化

根据矩阵特征方程|R-λI

倘若方差贡献率不满足条件，指标间相关性较弱，那么需通过熵值法重新计算各维度权重大小。

根据标准化后的指标数据计算出信息熵：

最终，综合评价结果如下：

景区畅游度指数＝游客舒适度*W

优选地，所述步骤S6中畅游度指数结果输出主要包括如下结果：

a、客流量预测：

未来一周每小时客流量＝未来一周每小时的客流量预测值*(1+ρ)

b、畅游度指数：

景区畅游度指数＝游客舒适度*W

本发明的有益效果在于：

(1)从游客方面来说，游客通过获取景区畅游度信息，选择最恰当的出行时间和最合适的景点出游，从而获得较高满意度。

(2)从景区管理方面来说，通过畅游度信息的发布，及时的向游客推荐最佳路线，避免游客集中部分景点，来提升景区服务水平和知名度。

(3)该发明通过建立多种模型来综合考虑景区畅游度，此方法灵活简洁具有十分广泛的实用性。

附图说明

图1是本发明景区畅游度预测范式方法构建流程图；

图2是本发明游客多因子聚合模型构建流程图；

图3是本发明景区开园情况下的畅游度模型构建流程图。

具体实施方式

下面将结合附图和实例对本发明作进一步的详细说明。

结合图1可知，该发明所述方法具体分为6个步骤，其中步骤S1获取游客畅游景区影响因素，其中影响因素包括了景区开放性、游客舒适度、道路通畅度和设施完善度。步骤S2建立游客畅游度数据集，其中数据包括省内重点景区动态信息、天气预报信息、空气质量指数信息、PM2.5实时浓度信息、景区类型、景区游客量、道路拥挤度、高速卡口车流量、景区停车场停车余位、景区厕所密度和景区饭店密度等信息。步骤S3中通过收集的数据构建游客多因子聚合模型，该聚合模型最终可以预测出未来一周每小时的客流量值，在步骤S4中输出未来短期客流量预测数据。步骤S5中景区畅游度模型评价指标包括游客舒适度、道路通畅度和设施完善度；其中景区闭园情况下的畅游度定义为0，景区开园情况下的畅游度模型构建。最后步骤S6中畅游度指数结果输出主要包括如下结果：

a、客流量预测：

未来一周每小时客流量＝未来一周每小时的客流量预测值*(1+ρ)

b、畅游度指数：

景区畅游度指数＝游客舒适度*W

结合图2，步骤S3构建游客多因子聚合模型时，具体的又分为4个步骤，其中S31中样本景区每小时客流量历史数据的时间周期为T-T0，其中T代表当前时刻，T0代表1周前的此时刻。步骤S32中出游状态信息结合了天气预报信息、空气质量指数信息、PM2.5实时浓度信息、气象预警和出游景点匹配性，具体结果包括适宜、较适宜、一般、较不宜、不适宜，并分别赋值为1、0.75、0.5、0.25、0。步骤S33中斯皮尔曼(Spearman)相关系数ρ包括各景点的历史客流量和出游状态值，相关系数ρ的计算方式为：

其中n数值为84，i代表其中的一个景点，x

其中，L是滞后算子，d为整数且大于0，i代表景点数，p代表自回归项数，Φ代表自回归系数多项式，q代表滑动平均项数，θ代表滑动平均系数多项式，ε

首先，对历史客流量的时间序列进行平稳性分析，若为非平稳数据则需进行d阶差分，化为平稳非白噪声序列。其次，计算自相关系数ACF和偏自相关系数PACF，判断最佳阶层p和阶数q；最后，回归分析并验证结果；经过回归分析，计算客流量预测值；同时观察ARIMA模型下的残差是否服从正态分布，并检验残差是否(自)相关。步骤S34中预测的结果为：未来一周每小时客流量ξ

预测景区未来一小时客流状态ξ

其中，ξ≦0.2对应报警状态，0.2<ξ≦0.4对应拥挤状态，0.4<ξ≦0.6对应适中状态，0.6<ξ≦1对应舒适状态。

结合图3，景区开园情况下的畅游度模型构建包括如下5个步骤，其中步骤S51采用AHP方法构建游客舒适度、道路畅通度和设施完善度各维度指数分项指标。步骤S52中分项指标min-max归一化处理方法如下：

X

其中，X

步骤S53中：假设存在P个景区观察点R＝(x

对样本矩阵R进行变换，求出相关系数矩阵，变换方法为标准化：

标准化

根据矩阵特征方程|R-λI

根据标准化后的指标数据计算出信息熵：

最终，综合评价结果如下：

景区畅游度指数＝游客舒适度*W

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。