(西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055)

0 引言

近年來，隨著我國旅游人數(shù)的急劇增長，旅游景區(qū)景點飽和、游客擁擠等問題也日益突顯出來，進而影響游客的出游體驗和旅游業(yè)發(fā)展。因此，準確地預(yù)測區(qū)域旅游客流量能夠為景區(qū)管理者快速決策提供幫助，從而避免游客聚集，提高游客的安全性，進一步推動旅游業(yè)的持續(xù)發(fā)展。

目前，流量預(yù)測的方法較多，主要分為傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)的流量預(yù)測方法，如線性回歸法[1-2]、灰色預(yù)測法[3-4]、ARIMA法[5]、人工神經(jīng)網(wǎng)絡(luò)[6-9]等，這些方法很難準確預(yù)測波動性強、復(fù)雜非線性的區(qū)域旅游客流量，并且無法學(xué)習(xí)空間相關(guān)性。

隨著深度學(xué)習(xí)的發(fā)展，研究者將其運用在交通流量[10-12]、客流量[13-15]、燃氣負荷量[16]等流量預(yù)測上。Y.F.Li等人[17]采用長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)方法對旅游流量進行預(yù)測，實驗表明LSTM方法比自回歸集成移動平均(ARIMA)模型和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)有更好的預(yù)測效果，充分利用了旅游客流量數(shù)據(jù)的時間維度。但此方法沒有利用空間屬性，X.Zhan等人[18]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的交通流預(yù)測方法，使用浮動車的GPS軌跡數(shù)據(jù)來估算全市的交通量。X.Ma 等[19]提出了一種大規(guī)模交通網(wǎng)絡(luò)速度預(yù)測的深度卷積神經(jīng)網(wǎng)絡(luò)，將時空矩陣轉(zhuǎn)換為圖像作為 CNN 的輸入?？梢钥闯觯瑔我坏纳窠?jīng)網(wǎng)絡(luò)無法充分利用時空數(shù)據(jù)的多屬性特征。J.Zhang等人提出了一種基于深度學(xué)習(xí)的時空殘差網(wǎng)絡(luò)模型ST-ResNet，使用殘差網(wǎng)絡(luò)來模擬人群流量在時間上的相關(guān)性，將城市劃分為均勻的網(wǎng)格并使用ST-ResNet模型預(yù)測每個地區(qū)人群流入量和流出量[20-21]。段宗濤等人也將出租車GPS數(shù)據(jù)和天氣數(shù)據(jù)等轉(zhuǎn)化為柵格數(shù)據(jù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)構(gòu)建了出租車需求預(yù)測模型[22]。

雖然以上方法考慮到了時空數(shù)據(jù)的多屬性問題，但是，區(qū)域客流量易受季節(jié)性影響，短期相關(guān)性更強，且波動性強。針對以上問題，本文提出用于區(qū)域客流量預(yù)測的改進Quad-ResNet模型，利用殘差網(wǎng)絡(luò)模擬時空數(shù)據(jù)的時間與空間特征，并且利用全連接網(wǎng)絡(luò)模擬季節(jié)性影響。為了驗證方法的可行性，在陜西省寶雞市扶風(fēng)縣法門鎮(zhèn)真實序列數(shù)據(jù)集上測試了Quad-ResNet模型與LSTM、CNN、ST-ResNet模型的性能，發(fā)現(xiàn)Quad-ResNet模型性能優(yōu)于LSTM、CNN、ST-ResNet模型。

本文的其余部分組織如下。第一節(jié)介紹基于時空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測方法。第二節(jié)討論了幾種選定模型的實驗設(shè)計和性能。最后，第三部分是結(jié)論。

1 基于時空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測方法

1.1 區(qū)域客流量定義

htm,n= |{pi∈(m,n)∧pi∈P} |

(1)

式中，P是t時刻旅游景區(qū)中行人的位置點集合；pi是集合P中的一個位置點；pi∈(m,n)表示位置點pi在網(wǎng)格(m×n)內(nèi)；|·|表示集合的基數(shù)。

1.2 區(qū)域客流量影響因素分析

1.2.1 空間影響

根據(jù)地理學(xué)第一定律可知，任何事物都是與其他事物相關(guān)的，且鄰近事物之間的相關(guān)性可能更強，距離越近的事物關(guān)聯(lián)可能越緊密[23]。因此，旅游景區(qū)相鄰區(qū)域的客流量會因為人群的移動而相互影響，即存在空間鄰近性。距離較遠的區(qū)域之間也可能相互影響，兩個相似區(qū)域的客流量變化情況呈現(xiàn)出一定的相關(guān)性，即為空間的相似性。

1.2.2 時間影響

旅游景區(qū)某一時刻區(qū)域客流量會受到前幾個時刻的影響，根據(jù)時間間隔的長短可以具體分為鄰近性、相似性、周期性、趨勢性。

1.2.2.1 鄰近性

圖1為五分鐘間隔所有區(qū)域總流量折線圖，從中可以看到，0∶00～6∶00客流量較少且逐漸減少，6∶00～12∶00客流量不斷增加，12∶30左右出現(xiàn)當(dāng)日的一個高峰，然后不斷振蕩直到20∶00，之后客流量開始逐步減少。對于一天各個時刻的客流量來說，每個時刻的客流量均會受到鄰近的前幾個時刻的影響，而且它也會影響之后幾個時刻的客流量，體現(xiàn)了區(qū)域客流量的鄰近性。

圖1 區(qū)域流量鄰近性

1.2.2.2 相似性

圖2將12∶00區(qū)域的客流量依次與11∶00、10∶00、9∶00區(qū)域客流量做差，差值大于10的區(qū)域用白色表示，其余區(qū)域用黑色表示。從圖2中可以看到，白色區(qū)域從整體上看屬于少數(shù)，說明大部分區(qū)域客流量相差不大，體現(xiàn)了時間上的相似性。

圖2 區(qū)域流量相似性

1.2.2.3 周期性

圖3顯示了連續(xù)五天的區(qū)域客流量，從圖3可以看到每天的客流量變化趨勢是大體相同的，每天同一時刻的客流量與1天前、2天前的客流量存在相似性，呈現(xiàn)出區(qū)域客流量的周期性。

圖3 區(qū)域流量周期性

1.2.2.4 趨勢性

圖4顯示了時長為6個月，間隔為1周，每早8∶00的客流量，隨著氣溫變暖，同一時刻客流量增多，體現(xiàn)了區(qū)域客流量的趨勢性。

圖4 區(qū)域流量趨勢性

1.2.3 季節(jié)性影響

在區(qū)域客流量相關(guān)的研究中經(jīng)常會提到“季節(jié)性”這個概念，它反映了由于天氣因素、日歷效應(yīng)和時機決策的不同，客流量在時間分布上的不均勻，最終導(dǎo)致旅游市場具有明顯的淡旺季。具體在區(qū)域客流量的研究上，需要考慮的因素分為天氣和法定節(jié)假日等。

1.3 Quad-ResNet模型框架

基于時空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測方法Quad-ResNet模型的整體架構(gòu)如圖5所示，模型主要分為5個部分，通過4個殘差網(wǎng)絡(luò)分別來模擬時間的鄰近性、相似性、周期性和趨勢性，一個兩層全連接網(wǎng)絡(luò)模擬季節(jié)性影響。殘差網(wǎng)絡(luò)由一個卷積層、L個殘差單元和一個卷積層組成，這種結(jié)構(gòu)可以模擬空間鄰近性和相似性。4個殘差網(wǎng)絡(luò)的輸出op[L + 2]、oq[L + 2]、or[L + 2]、os[L + 2]通過參數(shù)矩陣融合為of，of與全連接網(wǎng)絡(luò)的輸出oe進行融合。最后，通過Tanh函數(shù)將融合后的輸出映射到[-1,1]。

圖5 Quad-ResNet模型整體架構(gòu)

4個殘差網(wǎng)絡(luò)結(jié)構(gòu)是相同的，以鄰近性部分為例。應(yīng)用BN(Batch Normalization)[24]后殘差單元的計算如式(2)、式(3)所示：

a[l+1]=w[l+1]*g(a[l])

(2)

a[l+2]=w[l+2]*g(a[l+1])+a[l]

(3)

式中，*表示卷積操作；g表示激活函數(shù)ReLU；w[l+1]、w[l+2]是可學(xué)習(xí)參數(shù)。

鄰近性部分、相似性部分、周期性部分與趨勢性部分通過參數(shù)矩陣進行融合，融合后的輸出of如式(4)所示：

(4)

式中，*表示Hadamard積；wp、wq、wr、ws是可學(xué)習(xí)的參數(shù)，分別用來調(diào)整鄰近性、相似性、周期性、趨勢性的影響程度。

(5)

模型采用MSE(Mean Square Error，均方誤差)來計算損失，損失函數(shù)L(θ)如式(6)所示：

(6)

2 實驗設(shè)計與分析

2.1 模型調(diào)優(yōu)實驗

2.1.1 實驗數(shù)據(jù)集

原始流量數(shù)據(jù)來源騰訊位置大數(shù)據(jù)網(wǎng)站，爬取陜西省寶雞市扶風(fēng)縣法門鎮(zhèn)2018年1月1日～2018年6月30日的APP定位數(shù)據(jù)，時間間隔為5分鐘，轉(zhuǎn)換為區(qū)域客流量數(shù)據(jù)后，共包含52 128個時刻。

采用扶風(fēng)縣的歷史天氣數(shù)據(jù)作為法門鎮(zhèn)旅游景區(qū)的天氣數(shù)據(jù)，天氣數(shù)據(jù)包含日期、天氣狀況、氣溫、風(fēng)力風(fēng)向這四個屬性。節(jié)假日數(shù)據(jù)來源于開放API，工作日標識為0，周末休息日標識為1，法定節(jié)假日標識為2。

2.1.2 超參數(shù)設(shè)置

Quad-ResNet模型使用Adam優(yōu)化算法進行訓(xùn)練，batch size設(shè)置為32，學(xué)習(xí)率設(shè)置為0.0001，損失函數(shù)設(shè)置為MSE。鄰近性時間間隔的單位為1個時刻，相似性時間間隔的單位為1個小時，周期性時間間隔的單位為1天，趨勢性時間間隔的單位為1周。由于數(shù)據(jù)集的時間間隔是5分鐘，因此鄰近性時間間隔p=1，相似性時間間隔q=12，周期性時間間隔r=288，趨勢性時間間隔s=2016。

2.1.3 模型評估標準

采用RMSE(Root Mean Squared Error，均方根誤差)對模型進行評價，RMSE的計算如式(7)所示。RMSE越小則說明模型的誤差越小、精度越高。

(7)

2.1.4 參數(shù)選擇實驗

參數(shù)選擇實驗主要是對鄰近性序列長度、周期性序列長度、相似性序列長度、趨勢性序列長度與殘差單元數(shù)量進行選擇。

以鄰近性序列長度選擇實驗為例，實驗結(jié)果如圖6(a)所示。從圖中可以看到，隨著lp變大，RMSE首先減小然后平穩(wěn)最后增大。lp=0時，表示不使用鄰近性部分，導(dǎo)致RMSE很大，說明鄰近性部分有助于提高模型的精度。lp=2時，RMSE最小，表明此時模型的精度最高。lp=6時RMSE反而比之前更大，說明較長的鄰近性序列不但無法提升模型的精度反而可能導(dǎo)致模型的精度下降。因此，最終選取鄰近性序列長度lp=2，此時模型的誤差最小，精度最高。根據(jù)圖6(b)～6(e)所示，最終選取周期性序列長度lr=3，相似性序列長度lq=4，趨勢性序列長度ls=1，殘差單元數(shù)量為4。

圖6 參數(shù)選擇實驗結(jié)果圖

2.2 對比實驗

2.2.1 實驗設(shè)計

為了驗證模型的有效性，本文選取了3個模型ST-ResNet，LSTM，CNN與Quad-ResNet做性能比較，其中深度學(xué)習(xí)模型ST-ResNet，LSTM，CNN設(shè)置的參數(shù)值與Quad-ResNet中的保持一致。

2.2.2 實驗結(jié)果分析

各個模型的預(yù)測結(jié)果如表1示，從表可以看出Quad-ResNet模型的RMSE最小，說明該模型的預(yù)測精度最高。LSTM-3、LSTM-6、LSTM-12模型的RMSE只比Quad-ResNet模型的RMSE稍大一些，說明LSTM模型能夠有效地捕獲短期的時間相關(guān)性，并且得到較好的預(yù)測結(jié)果，但是空間相關(guān)性對于預(yù)測結(jié)果也有著重要的影響，不能只考慮時間相關(guān)性，否則無法進一步地提升精度。

表1 實驗結(jié)果對比表

LSTM-3、LSTM-6、LSTM-12、LSTM-144、LSTM-288模型的RMSE比較接近，明顯小于LSTM-2016模型，同時，隨著lookback的增加，模型的RMSE先減小后增大，說明LSTM模型可能很難捕獲非常長期的時間相關(guān)性(例如，一天、一周)。

CNN模型的RMSE明顯比Quad-ResNet、LSTM-3、LSTM-6、LSTM-12、LSTM-144、LSTM-288模型大，僅僅略小于LSTM-2016模型，說明淺層的CNN可能很難捕獲到足夠的空間相關(guān)性，導(dǎo)致模型的預(yù)測精度不佳。

ST-ResNet模型的RMSE大于Quad-ResNet模型，這是由于ST-ResNet模型只考慮了時間的鄰近性、周期性、趨勢性，沒有考慮時間的相似性，導(dǎo)致模型的精度無法進一步地提升，說明短期的時間相關(guān)性對區(qū)域客流量預(yù)測精度的影響明顯大于長期的時間相關(guān)性。鄰近性、相似性屬于短期的時間相關(guān)性，周期性、趨勢性屬于長期的時間相關(guān)性。Quad-ResNet模型考慮了時間的相似性，因此實驗結(jié)果好于ST-ResNet模型。

綜合以上各個結(jié)論可以得出，本文提出的針對區(qū)域客流量預(yù)測的Quad-ResNet模型的預(yù)測結(jié)果較好，該模型對時間相關(guān)性和空間相關(guān)性的考慮比較周全，具有一定的泛化能力，同時該模型在訓(xùn)練和預(yù)測上的操作明顯比LSTM模型更簡單方便，證明Quad-ResNet模型是一個優(yōu)秀高效的模型，適用于區(qū)域客流量的預(yù)測。

3 結(jié)束語

本文提出了一種基于時空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測方法，即根據(jù)行人定位數(shù)據(jù)、天氣和節(jié)假日數(shù)據(jù)預(yù)測每個地區(qū)的客流量，從而找到旅游景區(qū)的客流量熱點區(qū)域。本文選取了3個模型與 Quad-ResNet模型做性能比較，證明Quad-ResNe模型更適合區(qū)域客流量的預(yù)測。但是還有一些方面需要完善，本文的區(qū)域流量是通過行人數(shù)據(jù)得到的，如果可以融合更多的交通流量，比如自行車軌跡數(shù)據(jù)、出租車軌跡數(shù)據(jù)等其他數(shù)據(jù)，在此基礎(chǔ)上預(yù)測的結(jié)果應(yīng)該更符合真實情況。本文考慮的影響因素也并不代表所有影響，未考慮到突發(fā)事件或一些未知的原因，如果可以挖掘出其他影響因素進行分析，從而增強預(yù)測模型的實際意義，進一步提高模型的精確性。