亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        大數(shù)據(jù)分析的景區(qū)客流量預測模型研究

        2021-03-17 08:13:08李冬
        微型電腦應用 2021年2期
        關鍵詞:客流量景區(qū)建模

        李冬

        (云南機電職業(yè)技術學院 工業(yè)信息技術系, 云南 昆明 650203)

        0 引言

        隨著人們生活水平的日益提高,人們對生活質量要求也越來越高,出去旅游成為人們享受生活,休閑度假的一種重要方式,這使得景區(qū)管理面臨的壓力越來越大。在節(jié)假日,景區(qū)客流量急劇增加,而淡季時,景區(qū)客流量很少,如何對景區(qū)客流量進行有效管理,提高景區(qū)的經(jīng)濟收益,同時又不破壞景區(qū)生態(tài)顯得越來越重要,而景區(qū)客流量的預測可以描述景區(qū)客流量的變化態(tài)勢,因此景區(qū)客流量預測與建模研究具有十分重要的理論意義,同時具有一定的經(jīng)濟價值[1-3]。

        幾十年以來,景區(qū)客流量預測的研究一直沒有中斷過,主要有定性的景區(qū)客流量預測建模技術和定量的景區(qū)客流量預測建模技術,其中定性的景區(qū)客流量預測建模技術主要從整體上對景區(qū)客流量變化態(tài)勢進行分析和研究,但是其景區(qū)客流量預測結果的可解釋性比較差[4],而定量的景區(qū)客流量預測建模技術可以更加細致地對景區(qū)客流量變化特點進行分析,其實際應用范圍更加廣泛,成為當前景區(qū)客流量預測建模方向[5]。當前定量的景區(qū)客流量預測建模技術主要有線性建模和非線性建模兩種。線性建模方法最常用為自回歸積分滑動平均模型(Autoregressive Integrated Moving Average Model,ARIMA),其主要對景區(qū)客流量的季節(jié)性變化特點進行描述,當景區(qū)客流量具有隨機性時,ARIMA模型的景區(qū)客流量預測缺陷就體現(xiàn)出來了,如景區(qū)客流量預測誤差大等[6];非線性建模方法最常用為人工神經(jīng)網(wǎng)絡,主要有RBF神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡[7-9],其主要對景區(qū)客流量的隨機性變化特點進行描述,無法對景區(qū)客流量的季節(jié)性、周期性等變化特點進行描述,因此局限性也十分明顯,得到的景區(qū)客流量預測結果并非真正的最優(yōu),經(jīng)常出現(xiàn)一些偏差比較大的景區(qū)客流量預測結果[10]。

        由于景區(qū)客流量變化十分復雜,具有一定的季節(jié)性變化特點,并且具有隨機性變化特點,單一的ARIMA模型或者人工神經(jīng)網(wǎng)絡無法有效的反映景區(qū)客流量的全部變化特點,為了提高景區(qū)客流量預測結果,降低景區(qū)客流量預測誤差,提出了大數(shù)據(jù)分析的景區(qū)客流量預測模型,該方法集成了ARIMA模型和BP神經(jīng)網(wǎng)絡的優(yōu)點,對景區(qū)客流量的季節(jié)性、隨機性變化特點同時進行描述,并與其他景區(qū)客流量預測模型進行了對比實例分析,結果表明,大數(shù)據(jù)分析是一種精度高、時間少的景區(qū)客流量預測模型。

        1 大數(shù)據(jù)分析的景區(qū)客流量預測模型設計

        1.1 ARIMA模型

        ARIMA是一種常用的時間序列分析方法,可以對具體問題不需要詳細的描述就可以找到適合的預測模型,常用的形式為ARIMA(p,d,q),其中p表示自回歸過程的階數(shù)、d表示差分的階數(shù)、q表示移動平均階數(shù),ARIMA(p,d,q)的結構,如式(1)—式(4)。

        (1)

        式中,

        d=(1-B)d

        (2)

        Φ(B)=1-φ1B-…-φpBp

        (3)

        Θ(B)=1-θ1B-…-θqBq

        (4)

        ARIMA的建模流程如下。

        Step1:數(shù)據(jù)預處理。

        Step2:時間序列平穩(wěn)性的檢驗。

        Step3:差分運算。

        Step4:自回歸移動平均定階。

        Step5:對回歸擬合結果進行顯著性檢驗。

        Step6:選擇效果最好的ARIMA(p,d,q)作為最終的預測模型。

        1.2 BP神經(jīng)網(wǎng)絡

        BP神經(jīng)網(wǎng)絡屬于多層前饋網(wǎng)絡,相對于其他人工神經(jīng)網(wǎng)絡,最大的優(yōu)點為:誤差反向傳播機制,對一般的回歸問題,可以對其輸入和輸出的非線性映射關系進行自適應學習,工作過程為:

        第1階段:信號前向傳播,具體步驟如下。

        Step1:隱含層第i個節(jié)點的輸入和輸出,如式(5)、式(6)。

        (5)

        (6)

        Step2:輸出層第k個節(jié)點的輸入和輸出,如式(7)、式(8)。

        (7)

        (8)

        第2階段:誤差反向傳播,具體步驟如下。

        Step1:第p個訓練樣本的誤差計算式,如式(9)。

        (9)

        Step2:所有訓練樣本的誤差計算式,如式(10)。

        (10)

        Step3:根據(jù)誤差梯度下降法對各層的連接權值和閾值進行修正,直到誤差滿足實際應用要求為止,權值和閾值修正公式,如式(11)—式(14)。

        (11)

        (12)

        (13)

        (14)

        1.3 大數(shù)據(jù)分析的景區(qū)客流量預測模型的工作步驟

        (1) 收集景區(qū)客流量的歷史樣本數(shù)據(jù),并將這些數(shù)據(jù)根據(jù)時間先后順序組成一個時間序列樣本集合。

        (2) 采用ARIMA對景區(qū)客流量時間序列樣本集合進行建模,得到ARIMA的景區(qū)客流量預測結果。

        (3) 采用BP神經(jīng)網(wǎng)絡對景區(qū)客流量時間序列樣本集合進行建模,得到BP神經(jīng)網(wǎng)絡的景區(qū)客流量預測結果。

        (4) 確定ARIMA的景區(qū)客流量預測結果和BP神經(jīng)網(wǎng)絡的景區(qū)客流量預測結果的權值w1和w2。

        (5) 根據(jù)w1和w2對ARIMA的景區(qū)客流量預測結果和BP神經(jīng)網(wǎng)絡的景區(qū)客流量預測結果進行加權操作,得到最終的景區(qū)客流量預測結果。

        2 實例分析

        2.1 數(shù)據(jù)來源

        為了分析大數(shù)據(jù)分析的景區(qū)客流量預測有效性,選擇10個景區(qū)一段時間內(nèi)客流量作為分析目標,每一個景區(qū)的客流量樣本數(shù)據(jù)量不一樣,將樣本數(shù)據(jù)劃分為訓練樣本集合和驗證樣本集合,其中訓練樣本集合用于構建景區(qū)客流量預測模型,并對景區(qū)客流量預測模型的擬合效果進行分析,驗證樣本集合用于測試景區(qū)客流量預測模型的預測能力,它們的樣本數(shù)量,如表1所示。

        表1 景區(qū)客流量預測的實驗分析數(shù)據(jù)源

        采用VC++6.0編程實現(xiàn)景區(qū)客流量預測仿真實驗。

        2.2 景區(qū)客流量擬合精度比較

        選擇文獻[11]的景區(qū)客流量預測模型進行對比測試,統(tǒng)計它們的擬合精度,如圖1所示。

        圖1 景區(qū)客流量的擬合精度對比

        從圖1的景區(qū)客流量擬合精度可以看出,兩種模型的景區(qū)客流量擬合精度都比較高,大數(shù)據(jù)分析的景區(qū)客流量擬合精度平均值為95.32%,文獻[11]的景區(qū)客流量擬合精度平均值為91.55%,相對于文獻[11]的景區(qū)客流量預測模型,大數(shù)據(jù)分析的景區(qū)客流量擬合精度提升了3.67%,可以更好地描述景區(qū)客流量的變化特點,對比結果驗證了大數(shù)據(jù)分析的景區(qū)客流量預測模型的優(yōu)越性。

        2.3 景區(qū)客流量預測精度比較

        對于一個景區(qū)客流量預測模型來說,擬合結果只能描述其對過去景區(qū)客流量變化特點的描述,無法對將來的景區(qū)客流量變化特點進行描述,因此需要通過對驗證樣本集合進行測試,統(tǒng)計選擇文獻[11]和本文模型對景區(qū)客流量的驗證樣本的預測精度,如圖2所示。

        圖2 景區(qū)客流量的預測精度對比

        從圖2的景區(qū)客流量預測精度可以看出,兩種模型的景區(qū)客流量預測精度相差比較大,大數(shù)據(jù)分析的景區(qū)客流量預測精度平均值為90.69%,文獻[11]的景區(qū)客流量預測精度平均值為83.20%,相對于文獻[11]的景區(qū)客流量預測模型,大數(shù)據(jù)分析的景區(qū)客流量預測精度有了較大的提升,有效減少了景區(qū)客流量預測誤差,對比結果再次驗證了大數(shù)據(jù)分析的景區(qū)客流量預測模型的優(yōu)越性。

        2.4 建模時間比較

        為了測試景區(qū)客流量建模時間,分別統(tǒng)計所有預測模型的平均擬合時間和預測時間,如表2所示。

        從表2可以看出,本文模型的景區(qū)客流量的擬合時間和預測時間均少于對比模型,精簡了景區(qū)客流量建模過程,獲得了較好的景區(qū)客流量建模效率。

        3 總結

        景區(qū)客流量變化具有一定的季節(jié)性,即周期性,同時具有一定的非平穩(wěn)性,即隨機性,使得當前傳統(tǒng)模型的景區(qū)客流量預測偏差較大,不能對景區(qū)游客的管理工作提供更有價值的指導意見。為此,提出了大數(shù)據(jù)分析的景區(qū)客流量預測模型,實例分析結果表明,大數(shù)據(jù)分析模型集成了當前經(jīng)典模型的優(yōu)點,解決了當前景區(qū)客流量預測誤差大的難題,獲得了比當前其他模型更優(yōu)的景區(qū)客流量預測結果,可以應用于實際的景區(qū)游客的管理工作中。

        表2 不同的景區(qū)客流量建模時間比較

        猜你喜歡
        客流量景區(qū)建模
        云南發(fā)布一批公示 10家景區(qū)擬確定為國家4A級旅游景區(qū)
        云南畫報(2021年6期)2021-07-28 07:10:34
        聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃鲋凶鰣A周運動”為例
        『摘牌』
        雜文月刊(2019年24期)2020-01-01 08:32:10
        “摘牌”
        某景區(qū)留念
        雜文月刊(2018年21期)2019-01-05 05:55:28
        基于PSS/E的風電場建模與動態(tài)分析
        電子制作(2018年17期)2018-09-28 01:56:44
        不對稱半橋變換器的建模與仿真
        基于嵌入式系統(tǒng)的商場客流量統(tǒng)計算法
        基于AFC數(shù)據(jù)的城軌站間客流量分布預測
        三元組輻射場的建模與仿真
        97久久草草超级碰碰碰| 亚洲av一区二区在线| 日本区一区二区三视频| 无码人妻精品一区二区蜜桃网站| 一区二区三区四区草逼福利视频| 国产亚洲自拍日本亚洲| 国产福利精品一区二区| 午夜福利麻豆国产精品| 秋霞午夜无码鲁丝片午夜精品| 亚洲久无码中文字幕热| 一本久道久久综合狠狠操| 偷拍美女上厕所一区二区三区| 人妻熟妇乱又伦精品视频| 亚洲国产精品日韩av不卡在线| 二区在线视频| 久久亚洲精精品中文字幕早川悠里 | 日韩一区在线精品视频| 国产免费av片无码永久免费| 四虎精品影视| 亚洲欧洲美洲无码精品va | 国产精品久久这里只有精品 | 亚洲乱妇熟女爽到高潮视频高清| 又粗又大又硬毛片免费看| 国产精品 视频一区 二区三区| 国产激情视频在线观看首页| 久久精品国产亚洲av试看 | 亚洲精品蜜夜内射| 麻豆av传媒蜜桃天美传媒| 99久久久精品国产性黑人| 国产实拍日韩精品av在线| 国产麻传媒精品国产av| 亚洲Av午夜精品a区| 女人被躁到高潮嗷嗷叫免费软| 日本一区二区三区视频免费在线 | 日韩av在线毛片| 午夜一区二区三区免费观看| 久久精品国产亚洲av麻豆色欲| 无码夜色一区二区三区| 伊人不卡中文字幕在线一区二区| 一区二区三区极品少妇| 国产高清乱码又大又圆|