公开/公告号CN113159377A
专利类型发明专利
公开/公告日2021-07-23
原文格式PDF
申请/专利权人 江苏唱游数据技术有限公司;
申请/专利号CN202110271523.X
申请日2021-03-12
分类号G06Q10/04(20120101);G06Q50/14(20120101);G06K9/62(20060101);
代理机构11959 北京知了蝉专利代理事务所(普通合伙);
代理人孙东风;张金凤
地址 213000 江苏省常州市天宁区虹阳路2号
入库时间 2023-06-19 11:57:35
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。
机译: 一种预测牛奶产量,TMR以实现目标乳产量或TMR以实现基于深度学习预测模型的最大牛奶产率
机译: 一种基于模型的系统参数预测的方法,例如车辆的能量存储速度或充电状态
机译: 用于设定基于深度运行的太阳能发电预测模型的更新周期的太阳能发电预测模型管理装置和方法