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(yù)測(cè)模型研究

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

        李冬

        (云南機(jī)電職業(yè)技術(shù)學(xué)院 工業(yè)信息技術(shù)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(duì)生活質(zhì)量要求也越來(lái)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(lái)越大。在節(jié)假日,景區(qū)客流量急劇增加,而淡季時(shí),景區(qū)客流量很少,如何對(duì)景區(qū)客流量進(jìn)行有效管理,提高景區(qū)的經(jīng)濟(jì)收益,同時(shí)又不破壞景區(qū)生態(tài)顯得越來(lái)越重要,而景區(qū)客流量的預(yù)測(cè)可以描述景區(qū)客流量的變化態(tài)勢(shì),因此景區(qū)客流量預(yù)測(cè)與建模研究具有十分重要的理論意義,同時(shí)具有一定的經(jīng)濟(jì)價(jià)值[1-3]。

        幾十年以來(lái),景區(qū)客流量預(yù)測(cè)的研究一直沒(méi)有中斷過(guò),主要有定性的景區(qū)客流量預(yù)測(cè)建模技術(shù)和定量的景區(qū)客流量預(yù)測(cè)建模技術(shù),其中定性的景區(qū)客流量預(yù)測(cè)建模技術(shù)主要從整體上對(duì)景區(qū)客流量變化態(tài)勢(shì)進(jìn)行分析和研究,但是其景區(qū)客流量預(yù)測(cè)結(jié)果的可解釋性比較差[4],而定量的景區(qū)客流量預(yù)測(cè)建模技術(shù)可以更加細(xì)致地對(duì)景區(qū)客流量變化特點(diǎn)進(jìn)行分析,其實(shí)際應(yīng)用范圍更加廣泛,成為當(dāng)前景區(qū)客流量預(yù)測(cè)建模方向[5]。當(dāng)前定量的景區(qū)客流量預(yù)測(cè)建模技術(shù)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(dòng)平均模型(Autoregressive Integrated Moving Average Model,ARIMA),其主要對(duì)景區(qū)客流量的季節(jié)性變化特點(diǎn)進(jìn)行描述,當(dāng)景區(qū)客流量具有隨機(jī)性時(shí),ARIMA模型的景區(qū)客流量預(yù)測(cè)缺陷就體現(xiàn)出來(lái)了,如景區(qū)客流量預(yù)測(cè)誤差大等[6];非線性建模方法最常用為人工神經(jīng)網(wǎng)絡(luò),主要有RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)[7-9],其主要對(duì)景區(qū)客流量的隨機(jī)性變化特點(diǎn)進(jìn)行描述,無(wú)法對(duì)景區(qū)客流量的季節(jié)性、周期性等變化特點(diǎn)進(jìn)行描述,因此局限性也十分明顯,得到的景區(qū)客流量預(yù)測(cè)結(jié)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(yù)測(cè)結(jié)果[10]。

        由于景區(qū)客流量變化十分復(fù)雜,具有一定的季節(jié)性變化特點(diǎn),并且具有隨機(jī)性變化特點(diǎn),單一的ARIMA模型或者人工神經(jīng)網(wǎng)絡(luò)無(wú)法有效的反映景區(qū)客流量的全部變化特點(diǎn),為了提高景區(qū)客流量預(yù)測(cè)結(jié)果,降低景區(qū)客流量預(yù)測(cè)誤差,提出了大數(shù)據(jù)分析的景區(qū)客流量預(yù)測(cè)模型,該方法集成了ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),對(duì)景區(qū)客流量的季節(jié)性、隨機(jī)性變化特點(diǎn)同時(shí)進(jìn)行描述,并與其他景區(qū)客流量預(yù)測(cè)模型進(jìn)行了對(duì)比實(shí)例分析,結(jié)果表明,大數(shù)據(jù)分析是一種精度高、時(shí)間少的景區(qū)客流量預(yù)測(cè)模型。

        1 大數(shù)據(jù)分析的景區(qū)客流量預(yù)測(cè)模型設(shè)計(jì)

        1.1 ARIMA模型

        ARIMA是一種常用的時(shí)間序列分析方法,可以對(duì)具體問(wèn)題不需要詳細(xì)的描述就可以找到適合的預(yù)測(cè)模型,常用的形式為ARIMA(p,d,q),其中p表示自回歸過(guò)程的階數(shù)、d表示差分的階數(shù)、q表示移動(dòng)平均階數(shù),ARIMA(p,d,q)的結(jié)構(gòu),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(yù)處理。

        Step2:時(shí)間序列平穩(wěn)性的檢驗(yàn)。

        Step3:差分運(yùn)算。

        Step4:自回歸移動(dòng)平均定階。

        Step5:對(duì)回歸擬合結(jié)果進(jìn)行顯著性檢驗(yàn)。

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

        1.2 BP神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)屬于多層前饋網(wǎng)絡(luò),相對(duì)于其他人工神經(jīng)網(wǎng)絡(luò),最大的優(yōu)點(diǎn)為:誤差反向傳播機(jī)制,對(duì)一般的回歸問(wèn)題,可以對(duì)其輸入和輸出的非線性映射關(guān)系進(jìn)行自適應(yīng)學(xué)習(xí),工作過(guò)程為:

        第1階段:信號(hào)前向傳播,具體步驟如下。

        Step1:隱含層第i個(gè)節(jié)點(diǎn)的輸入和輸出,如式(5)、式(6)。

        (5)

        (6)

        Step2:輸出層第k個(gè)節(jié)點(diǎn)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(gè)訓(xùn)練樣本的誤差計(jì)算式,如式(9)。

        (9)

        Step2:所有訓(xùn)練樣本的誤差計(jì)算式,如式(10)。

        (10)

        Step3:根據(jù)誤差梯度下降法對(duì)各層的連接權(quán)值和閾值進(jìn)行修正,直到誤差滿足實(shí)際應(yīng)用要求為止,權(quán)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(yù)測(cè)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(shí)間先后順序組成一個(gè)時(shí)間序列樣本集合。

        (2) 采用ARIMA對(duì)景區(qū)客流量時(shí)間序列樣本集合進(jìn)行建模,得到ARIMA的景區(qū)客流量預(yù)測(cè)結(jié)果。

        (3) 采用BP神經(jīng)網(wǎng)絡(luò)對(duì)景區(qū)客流量時(shí)間序列樣本集合進(jìn)行建模,得到BP神經(jīng)網(wǎng)絡(luò)的景區(qū)客流量預(yù)測(cè)結(jié)果。

        (4) 確定ARIMA的景區(qū)客流量預(yù)測(cè)結(jié)果和BP神經(jīng)網(wǎng)絡(luò)的景區(qū)客流量預(yù)測(cè)結(jié)果的權(quán)值w1和w2。

        (5) 根據(jù)w1和w2對(duì)ARIMA的景區(qū)客流量預(yù)測(cè)結(jié)果和BP神經(jīng)網(wǎng)絡(luò)的景區(qū)客流量預(yù)測(cè)結(jié)果進(jìn)行加權(quán)操作,得到最終的景區(qū)客流量預(yù)測(cè)結(jié)果。

        2 實(shí)例分析

        2.1 數(shù)據(jù)來(lái)源

        為了分析大數(shù)據(jù)分析的景區(qū)客流量預(yù)測(cè)有效性,選擇10個(gè)景區(qū)一段時(shí)間內(nèi)客流量作為分析目標(biāo),每一個(gè)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(xùn)練樣本集合和驗(yàn)證樣本集合,其中訓(xùn)練樣本集合用于構(gòu)建景區(qū)客流量預(yù)測(cè)模型,并對(duì)景區(qū)客流量預(yù)測(cè)模型的擬合效果進(jìn)行分析,驗(yàn)證樣本集合用于測(cè)試景區(qū)客流量預(yù)測(cè)模型的預(yù)測(cè)能力,它們的樣本數(shù)量,如表1所示。

        表1 景區(qū)客流量預(yù)測(cè)的實(shí)驗(yàn)分析數(shù)據(jù)源

        采用VC++6.0編程實(shí)現(xiàn)景區(qū)客流量預(yù)測(cè)仿真實(shí)驗(yàn)。

        2.2 景區(qū)客流量擬合精度比較

        選擇文獻(xiàn)[11]的景區(qū)客流量預(yù)測(cè)模型進(jìn)行對(duì)比測(cè)試,統(tǒng)計(jì)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(duì)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(xiàn)[11]的景區(qū)客流量擬合精度平均值為91.55%,相對(duì)于文獻(xiàn)[11]的景區(qū)客流量預(yù)測(cè)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(diǎn),對(duì)比結(jié)果驗(yàn)證了大數(shù)據(jù)分析的景區(qū)客流量預(yù)測(cè)模型的優(yōu)越性。

        2.3 景區(qū)客流量預(yù)測(cè)精度比較

        對(duì)于一個(gè)景區(qū)客流量預(yù)測(cè)模型來(lái)說(shuō),擬合結(jié)果只能描述其對(duì)過(guò)去景區(qū)客流量變化特點(diǎn)的描述,無(wú)法對(duì)將來(lái)的景區(qū)客流量變化特點(diǎn)進(jìn)行描述,因此需要通過(guò)對(duì)驗(yàn)證樣本集合進(jìn)行測(cè)試,統(tǒng)計(jì)選擇文獻(xiàn)[11]和本文模型對(duì)景區(qū)客流量的驗(yàn)證樣本的預(yù)測(cè)精度,如圖2所示。

        圖2 景區(qū)客流量的預(yù)測(cè)精度對(duì)比

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

        2.4 建模時(shí)間比較

        為了測(cè)試景區(qū)客流量建模時(shí)間,分別統(tǒng)計(jì)所有預(yù)測(cè)模型的平均擬合時(shí)間和預(yù)測(cè)時(shí)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(shí)間和預(yù)測(cè)時(shí)間均少于對(duì)比模型,精簡(jiǎn)了景區(qū)客流量建模過(guò)程,獲得了較好的景區(qū)客流量建模效率。

        3 總結(jié)

        景區(qū)客流量變化具有一定的季節(jié)性,即周期性,同時(shí)具有一定的非平穩(wěn)性,即隨機(jī)性,使得當(dāng)前傳統(tǒng)模型的景區(qū)客流量預(yù)測(cè)偏差較大,不能對(duì)景區(qū)游客的管理工作提供更有價(jià)值的指導(dǎo)意見(jiàn)。為此,提出了大數(shù)據(jù)分析的景區(qū)客流量預(yù)測(cè)模型,實(shí)例分析結(jié)果表明,大數(shù)據(jù)分析模型集成了當(dāng)前經(jīng)典模型的優(yōu)點(diǎn),解決了當(dāng)前景區(qū)客流量預(yù)測(cè)誤差大的難題,獲得了比當(dāng)前其他模型更優(yōu)的景區(qū)客流量預(yù)測(cè)結(jié)果,可以應(yīng)用于實(shí)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(shí)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(guó)家4A級(jí)旅游景區(qū)
        聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃?chǎng)中做圓周運(yùn)動(dòng)”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(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
        電子制作(2018年17期)2018-09-28 01:56:44
        不對(duì)稱半橋變換器的建模與仿真
        基于嵌入式系統(tǒng)的商場(chǎng)客流量統(tǒng)計(jì)算法
        基于AFC數(shù)據(jù)的城軌站間客流量分布預(yù)測(cè)
        三元組輻射場(chǎng)的建模與仿真
        精品嫩模福利一区二区蜜臀| 又大又粗弄得我出好多水| 无码午夜剧场| 美女一区二区三区在线观看视频| 中文字幕一区二区三区人妻精品| 无码中文字幕专区一二三| 隔壁人妻欲求不满中文字幕| 97丨九色丨国产人妻熟女| 国产在线精品一区在线观看| 夜夜春精品视频| 少妇激情一区二区三区久久大香香| 日韩一区二区中文天堂| 狠狠色欧美亚洲狠狠色www| 欧美黑人xxxx又粗又长| 伊人一道本| 大岛优香中文av在线字幕| 色视频网站一区二区三区| 亚洲精品一区久久久久久| 久久国产亚洲AV无码麻豆| 日本特殊按摩在线观看| 亚洲av色影在线| 久久精品一区二区三区av| 久久99精品这里精品动漫6| 精品嫩模福利一区二区蜜臀| 亚洲乱亚洲乱妇50p| 97se亚洲国产综合自在线图片| 久久久久久无中无码| 日韩亚洲在线观看视频| 97精品人人妻人人| 色偷偷一区二区无码视频| 国产精品国产三级国产an| 精品国产一区二区三区av麻| 成人国产精品一区二区视频| 国产精品三级在线观看| 国产视频在线播放亚洲| 熟女体下毛荫荫黑森林| 无码a∨高潮抽搐流白浆| 精品日韩欧美一区二区三区在线播放| 日韩女优在线一区二区| 小妖精又紧又湿高潮h视频69 | 天天综合网天天综合色|