一种基于机器学习的节假日景区客流预测方法技术

本申请公开了一种基于机器学习的节假日景区客流预测方法，包括：以节假日景区客流量作为目标变量，获取特征变量，进行数据预处理并保存到数据库中作为样本数据；将所述样本数据随机分为训练集和测试集；选择支持向量回归算法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区客流预测模型；使用测试集进行模型预测，评估模型的泛化能力，对模型性能进行评价。本申请将人工智能算法与旅游行业游客出行业务特点有效结合，综合以往数据统计出多种因素和实时网络数据对于特定时间段景区人数的影响，纳入突发因素对预测结果进行修正，从而获得更准确地预测节假日景区客流情况。况。况。

【技术实现步骤摘要】
一种基于机器学习的节假日景区客流预测方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于机器学习的 节假日景区客流预测方法。

技术介绍

[0002]假日旅游的兴起，成为我国国民经济新的增长点，节假日旅游目 前已成为一种重要的社会现象和经济现象，节假日客流量预测逐渐成 为旅游需求管理的重要任务之一。
[0003]节假日期间大量游客在同一时间集中于同一地点，极易造成景区 超载、交通拥挤、住宿紧张、服务质量下降、安全隐患增多等问题， 准确的节假日客流量预测能为旅游景区管理部门提供有效决策辅助， 也为周边酒店、公路、航空等部门合理安排资源提供直接依据。尤其 是当前正处于疫情防控关键期，节假日景区客流量预测能够帮助景区 管理者提前进行客流管控，有效实行限流、错峰、预约旅游的措施。 同时也能够帮助游客合理安排出行计划，提前进行景区预约。
[0004]节假日客流产生的机理和模式与平时完全不同，由于游客在短 期内大量集中于同一地点会造成客流急剧变化，不同节假日休假时 间长短、所处季节等不同，都使得节假日客流量呈现复杂非线性特 征和明显季节性特点。研究节假日期间客流的波动特点，用客流波 动规律指导客流预测，才能提高预测的精度。由于节假日旅游客流 量的季节性、非线性特点，传统时间序列预测方法对具有线性特征 的旅游客流量有较好的预测效果，但对于复杂的非线性旅游客流量 预测往往难以实现；线性回归法、灰色预测法和指数平滑法等方法 通过分析数据可以在一定程度上预测客流量的数值,但由于未将算法 与旅游行业游客出行业务特点有效结合，面对节假日客流样本时预 测结果往往不够准确。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的节假日景区客流预 测方法，将人工智能算法与旅游行业游客出行业务特点有效结合，综 合以往数据统计出多种因素和实时网络数据对于特定时间段景区人 数的影响，纳入突发因素对预测结果进行修正，从而获得更准确地预 测节假日景区客流情况。
[0006]本专利技术是通过以下技术方案达到上述目的：一种基于机器学习的 节假日景区客流预测方法，包括：以节假日景区客流量作为目标变量， 获取与当前预测时段的时间属性相同或相近条件下的特征变量，进行 数据预处理并保存到数据库中作为样本数据；
[0007]将所述样本数据随机分为训练集和测试集；选择支持向量回归算 法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区 客流预测模型，以预测节假日景区客流量和实际节假日景区客流量的 不一致程度作为损失函数；使用测试集进行模型预测，评估模型的泛 化能力，对模型性能进行评价，并根据评价结果对模型参数进行调整， 得到最终预测模型；
[0008]所述特征变量包括：客流属性、网络热度属性、景区预约属性、 天气属性以及时间
属性。
[0009]作为优选，获取单一突发因素对于目标变量的影响因子；判断当 前预测时段内是否有突发因素，若有，则通过单一突发因素或综合多 个突发因素的影响因子对目标变量的预测结果进行第一次修正；否则 不予修正。
[0010]作为优选，将所述单一突发因素进行阶段划分，获取不同阶段下 对于目标变量的影响因子；判断当前预测时段所处的突发因素的阶段， 采用对应的影响因子对目标变量的预测结果进行修正。
[0011]作为优选，所述突发因素包括突发极端自然事件和突发公共卫生 事件。
[0012]作为优选，所述客流属性是指：与当前预测时段的时间属性相同 或相近条件下，前一天景区客流量、前5天平均客流量以及前10天 平均客流量；所述天气属性包括温度、湿度、风力、降水以及空气质 量；所述时间属性是指，与当前预测时段的时间属性相同或相近条件 下的所属节假日类型和节假日时间长度；所述网络热度属性包括与当 前预测时段的时间属性相同或相近条件下，前一天网络搜索指数、前 5天网络搜索指数以及前10天网络搜索指数；所述景区预约属性是 指与当前预测时段的时间属性相同或相近条件下，1天前节假日景区 预约量、3天前节假日景区预约量以及5天前节假日景区预约量。
[0013]作为优选，所述数据预处理包括缺失值补充、数据去重以及数据 变换；对所述特征变量中的类别变量进行类别转换，其中类别变量是 指节假日时间属性；对所述特征变量中的连续性变量进行归一化处理， 其中连续性变量是指客流属性、网络热度属性、景区预约属性以及天 气属性。
[0014]作为优选，根据景区客流量的特点,选取高斯径向基核函数作为 所述支持向量回归算法的核函数。
[0015]作为优选，根据不同景区在预测时段内的平均客流量，对所述训 练模型进行适应性MAPE阈值调整。
[0016]作为优选，在所述获取特征变量的过程中，基于景区客流量基础 数据获取节假日景区客流属性，所述景区客流量基础数据来自与当前 预测时段的时间属性相同或相近条件下，待预测景区内的手机信令数 据；统计所述景区关键词在一定范围内的搜索热度，从而获得所述网 络搜索指数。
[0017]作为优选，对获得的所述待预测景区内的手机信令数据进行去重， 根据工作时间和非工作时间内的手机信令特征，通过统计一定时间内 累计出现天数和每天累计驻留时间来判断常驻人群和过路人群，剔除 常驻人群和过路人群对所述景区客流量基础数据得影响。
[0018]有益效果：本申请采用多源数据对特定时间内景点的客流量进行 预测，借助于同时期历史数据训练人工网络模型生成客流预测模型， 用于对节假日景点客流量进行预测，同时在进行客流预测时加入网络 热度属性，综合考虑网络环境对于景点客流的影响，更有助于预测结 果的准确性；考虑到突发因素具有预见性差的特点，无法作为常规因 素纳入模型训练中，但其对于客流的影响又不容忽视，本申请将突发 因素作为修正因子，对预测模型的预测结果进行修正。较传统非机器 学习方法，本申请整合多维特征变量，能够更准确的预测节假日景区 客流情况，做到节假日客流异常提前预警和部署疏导。
附图说明
[0019]一个或多个实施例通过与之对应的附图中的图片进行示例性说 明，这些示例性说明并不构成对实施例的限定，附图中若有具有相 同参考数字标号的元件表示为类似的元件，除非有特别申明，附图 中的图不构成比例限制。
[0020]图1是本专利技术方法的流程示意图；
[0021]图2是本专利技术的特征变量的构成示意图；
具体实施方式
[0022]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结 合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通 技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解 本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于 以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的 技术方案。
[0023]一种基于机器学习的节假日景区客流预测方法，如图1所示，包 括：
[0024]S10，以节假日景区客流量作为目标变量，获取与当前预测时段 的时间属性相同或相近条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的节假日景区客流预测方法，其特征在于，包括：以节假日景区客流量作为目标变量，获取与当前预测时段的时间属性相同或相近条件下的特征变量，进行数据预处理并保存到数据库中作为样本数据；将所述样本数据随机分为训练集和测试集；选择支持向量回归算法作为训练模型，使用训练集对训练模型进行训练，获得节假日景区客流预测模型，以预测节假日景区客流量和实际节假日景区客流量的不一致程度作为损失函数；使用测试集进行模型预测，评估模型的泛化能力，对模型性能进行评价，并根据评价结果对模型参数进行调整，得到最终预测模型；所述特征变量包括：客流属性、网络热度属性、景区预约属性、天气属性以及时间属性。2.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，获取单一突发因素对于目标变量的影响因子；判断当前预测时段内是否有突发因素，若有，则通过单一突发因素或综合多个突发因素的影响因子对目标变量的预测结果进行第一次修正；否则不予修正。3.根据权利要求2所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，将所述单一突发因素进行阶段划分，获取不同阶段下对于目标变量的影响因子；判断当前预测时段所处的突发因素的阶段，采用对应的影响因子对目标变量的预测结果进行修正。4.根据权利要求2或3所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，所述突发因素包括突发极端自然事件和突发公共卫生事件。5.根据权利要求1所述的一种基于机器学习的节假日景区客流预测方法，其特征在于，所述客流属性是指：与当前预测时段的时间属性相同或相近条件下，前一天景区客流量、前5天平均客流量以及前10天平均客流量；所述天气属性包括温度、湿度、风力、降水以及空气质量；所述时间属性是指，与当前预测时段的时间属性相同或相近条件下的所属节假日类型和节假...

【专利技术属性】
技术研发人员：严伟强，钟宏泽，王凯，虞烨炜，
申请(专利权)人：浙江桢数科技有限公司，
类型：发明
国别省市：