文章编号:1007-757X(2021)02-0117-03
李冬
(云南机电职业技术学院工业信息技术系，云南昆明650203)
摘要：景区客流量的预测精度直接影响景区管理水平高低，当前景区客流量预测模型的建模效率差，而且耗时比较长，为了获得理想的景区客流量预测结果，结合景区客流量的变化特点，设计了基于大数据分析的景区客流量预测模型°首先对当前景区客流量的预测进展进行分析，到景区客流量预测的各种不足，然后收集一段时间的景区客流量数据，分别采用ARIMA 模型和BP神经网络对景区客流量的季节性和随机性变化特点进行建模，并对它S的预测结果进行加权，得到景区客流量预测结果，最后与当前经典景区客流量预茨模型进行了对照测试，相对于经典模型，大数据分析的景区客流量拟合和预测精度均得到了一定的改善，同时景区客流量8建模效率得到了提升，可以为景区管理人员提供有价值的信息，从而提高景区客流量的管理水平° 关键词：热点景区；旅游人数；时间序列；预测精度；对照测试
中图分类号：TP181文献标志码：A
Study on the Prediction Model of Tourist Flow in Scenic Spots
Based on Big Data Analysis
LIDong
(Department of Industrial Information Technology,Yunnan Vocational College of Mechanical and
Electrical Technology,Kunming650203,Chiuna)
Abstract:The prediction accuracy of tourist flow directly affects the management level of scenic spots.At present,the model-nge f iciencyofcurrenttouristvolumepredictionmodelispoor,andittakesalongtime Inordertoobtaintheidealprediction resultsoftouristflowinscenicspots,combined withthechangecharacteristicsoftouristflow,atouristvolumeprediction model based on big data analysis is designed.Firstly,this paper analyzes the progress of the current tourist volume prediction, findsoutthevariousshortcomingsofthetouristvolumeprediction,andthenco l ectsthetouristvolumedataofthescenicspot for a period of time,uses ARIMA model and BP neural network to model the seasonal and random variation characteristics of thetouristflow,andweightstheir
predictionresultstogetthepredictionresults Comparedwiththecurrentclassicscenicspot passenger flow prediction,compared with the classic model,the fi t ing and prediction accuracy of the big data analysis scenic spotpassengerflowhavebeenimprovedtosomeextent,andthemodelinge f iciencyofscenicspotpassengerflowhasbeenim-proved,whichcanprovidevaluableinformationforscenicspotmanagers,soastoimprovethemanagementlevelofscenicspot passengerflow
Key words:hot spots；number of tourists；time series；prediction accuracy；control test
0引言
随着人们生活水平的日益提高，人们对生活质量要求也越来越高，出去旅游成为人们享受生活，休闲度假的一种重要方式，这使得景区管理面临的压力越来越大。在节假日，景区客流量急剧增加，而淡季时，景区客流量很少，如何对景区客流量进行有效管理，提高景区的经济收益，同时又不破坏景区生态显得越来越重要，而景区客流量的预测可以描述景区客流量的变化态势，因此景区客流量预测与建模研究具有十分重要的理论意义，同时具有一定的经济价值(13)&几十年以来，景区客流量预测的研究一直没有中断过，主要有定性的景区客流量预测建模技术和定量的景区客流量预测建模技术，其中定性的景区客流量预测建模技术主要从整体上对景区客流量变化态势进行分析和研究，但是其景区客
流量预测结果的可解释性比较差⑷，而定量的景区客流量预测建模技术可以更加细致地对景区客流量变化特点进行分析，其实际应用范围更加广泛，成为当前景区客流量预测建模方向⑸&当前定量的景区客流量预测建模技术主要有线性建模和非线性建模两种&线性建模方法最常用为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)，区客的
化特点进行描述，当景区客流量具有随机性时，ARIMA模型的景区客流量预测缺陷就体现出来了如口景区客流量预测误差大等非线性建模方法最常用为人工神经网络，主要有RBF神经网络、BP神经网络(7切，其主要对景区客流量的随机性变化特点进行描述，无法对景区客流量的季节性、周期
作者简介：李冬(1983-)，男，硕士，讲师，研究方向：软件幵发&
117
日盲紫外探测器性等变化特点进行描述，因此局限性也十分明显，得到的景区客流量预测结果并非真正的最优，经常出现一些偏差~毂
大的景区客流量预测结果(10)&
由于景区客流量变化十分复杂，具有一定的季节性变化特点，并且具有随机性变化特点，单一的ARIMA模型或者人工神经网络无法有效的反映景区客流量的全部变化特点，为了提高景区客流量预测
结果，降低景区客流量预测误差，提出了大数据分析的景区客流量预测模型，该方法集成了ARIMA模型和BP神经网络的优点，对景区客流量的季节性、随机性变化特点同时进行描述，并与其他景区客流量预测模型进行了对比实例分析，结果表明，大数据分析是一种精度高、时间少的景区客流量预测模型&
1大数据分析的景区客流量预测模型设计1.1ARIMA模型
ARIMA是一种常用的时间序列分析方法，可以对具体问题不需要详细的描述就可以到适合的预测模型，常用的形式为ARIMA=(,\)，其中=表示自回归过程的阶数(表示差分的阶数、\表示移动平均阶数，ARIMA=(\)的结构，如式(1)—式(4)
+①(B)=3(B)
*E(%)=0Uar(%)=*%,E(%,%)=0,>H(1)
〔E(4$%)=0,V$V H
式中!
V(=(1—B)(2)
2(B)=1—.1B—…一.P B P(3)
©(B)=1—#B----------(4) ARIMA的建模流程如下&
Step1：数据预处理&
Step2：时间序列平稳性的检验&
Step3：差分运算&
Step4：自回归移动平均定阶&
Step5：对回归拟合结果进行显著性检验。
Step6：选择效果最好的ARIMA(p,d,\)作为最终的预测模型&
1.2BP神经网络
BP神经网络属于多层前馈网络，相对于其他人工神经网络，最大的优点为：误差反向传播机制，对一般的回归问题，可以对其输入和输出的非线性映射关系进行自适应学习，工作过程为：
第1阶段：信号前向传播，具体步骤如下&
Step1：隐含层第*个节点的输入和输出，如式(5)、式(6)
net,=%l*4*+#(5)
j—1
Y=.(net)=.(%,#)(6)
0=1
Step2:/个的入!如式(7)、式(8)
q q：
net/—%+a k—%L/.(%+#)(7) /=1/=1o=1
q
Y/=4(net)—4(%,a/)—
q:
4(%L0.(%+#))
第2阶段：误暑住向传診：具体步骤如下&
Step#第p个训练样本的误差计算式如口式(9)
E p=#%CT/—O/)2(9)
Step2：所有训练样本的误差计算式，如式(10)
#=⑵%%(T p—o p)2(10)
⑵p=1/=1
Step3：根据误差梯度下降法对各层的连接权值和阈值进行修正，直到误差满足实际应用要求为止，权值和阈值修正公式，如式(11)—式(14)&
(11)
(12)
(13)
(14)
_#_do/(net/
曲=_&(*=-&臥时(L*
__E__(E do/(net/
!a/=—&a=—&o d e/(吊炕
__BE_dE d<*(net,
古代蹴鞠用什么做的
△巩=—&L=一&瓦(0
_(E_(E(<(net
#3大数据分析的景区客流量预测模型的工作步骤
(1)收集景区客流量的历史样本数据，并将这些数据根据时间先后顺序组成一个时间序列样本集合&
(2)ARIMA区客间本集行建模，得到ARIMA的景区客流量预测结果&
电热丝打火机
(3)BP神网络区客间本集
进行建模，得到BP神经网络的景区客流量预测结果&
(4)定ARIMA的区客果BP神网络的景区客流量预测结果的权值L1和L2&
(5)根据L1L2ARIMA的区客果和BP神经网络的景区客流量预测结果进行加权操作，得到终的区客果&
2实例分析
2.1数据来源
为了分析大数据分析的景区客流量预测有效性，选择10个景区一段时间内客流量作为分析目标，每一个景区的客流量样本数据量不一样，将样本数据划分为训练样本集合和验证样本集合，其中训练样本集合用于构建景区客流量预测模型，并对景区客流量预测模型的拟合效果进行分析，验证样本集合用于测试景区客流量预测模型的预测能力，它们的样本数，如表1示&
表#景区客流量预测的实验分析数据源
景区编号训练样本数量验证样本数量19055
25030
34020
包层模44020
55030
6#0060
75068
88040
94020
#05030
・118・
微型电脳％用2021年第37)第2期
采用VC++6.0编程实现景区客流量预测仿真实验。
2.2景区客流量拟合精度比较
选择文献［11］的景区客型进行对比测试，统计它们的精度，如图1所示&
1234567891U
景区编号
表2不同的景区客流量建模时间比较
景区编号
拟合时间/秒间/
本文模型％比型本文模型％比型18091122 4.18720 25297.57 2.52 4.10 3402 6.12 2.14 4.19 4447606 2.08 4.35
55937.38 2.04 5.67 612331840 4.46500 75397.59 2.85650 88661083 3.96553
9464 6.66 1.56544 105317.44 2.22 5.91
图1景区客流量的拟合精度对比
1的景区客精度可以看出！ 型的景区客精度都比较高，大数据的景区客
精度值为95.32%，文献［11］的景区客精度平值为91.55%!文献［11］的景区客型，大数据的景区客精度提 3.67%，可以：地述景区客的变化特点，对比结果验证了大数据的景区客型的优越性&
23景区客量度比
个景区客型来说，扌果只能描述
区客化特的述，的区客化特行描述，扌通证样本集行，统计选择文献［11］和本文模型区客的验证样本的精度如口图2所示&
100
■大数据分析
_■文献［11］
|90
I85
UU
80
752345678910
景区编号
图2景区客流量的预测精度对比
2的景区客精度可以看出，扌型的景区客精度比较大，大数据的景区客［预精度值为90.69%，文献［11］的景区客精度值为83.20%，扌文献［11］的景区客型，大数据的区客精度大的提扌
少区客，对比结果再次验证了大数据：的景区客型的优越性&
2.4建模时间比较
区客间，分别统计所有预测模型的间间如口表2所示&
表2可以看出，本文模型的景区客的 间和
间均少比模型，精简区客程，获的景区客率&
3
定的，即随机性，使得当前传统模型的景区客偏大，不能区游客的管理工作提供价值的指见&，提大数据的景区客型，实例果表明，大数据型集当前！
型的扌当前区客大的扌比当前型的区客果扌以的景区游客的管理工作中&
参考文献
)1*吴良平，张健.危机事件及政策变动对中国入境旅游的影响研究：基于剔除直接价格效应的中国入境旅游
收入［J*.旅游学刊,2013,28(3)：29-37.
)2*靳巧花，李帅彪，张彬彬.基于灰动态模型的丽江旅游人数预测研究［J*.数学的实践与认识，2012,42
(22)：42-46.
)
3*周志宏.基于SPS感知传播模型的旅游景点游客人数［J*.统计与决策,2011(19):7173.
)4*关华，赵黎明.基于ARMA模型的我国国内旅游客源［J*.财经理论与实践，2011,32(3)：114-118.
)5*陈美璘，何清龙.基于爛权法混合模型的贵州省旅游数预测研究［J*.数学的实践与认识，2018,48
(21)307-313
)6*王晓霞，祖培福，潘伟.牡丹江旅游人数预测研究的灰动态数学模型［J*.数学的实践与认识，2013,43
16)35-39
)7*陈明扬，王林，余晓晓.改进果蝇算法优化回声状态网络的旅游需求预测研究［J*.计算机工程与科学,
2020,42(2)307-316
)8*周晓丽，唐承财.基于网络搜索大数据的5A级景区客量预测分析［J*.干旱区资源与环境，2020,34(3)：204-208
)
9*王敬昌，陈岭，余珊珊，等.基于门控循环单元的多因知短期游客人数模型［J*.浙江(工学版),2019,53(12)：2357-2364.
)10*张郴，张捷.中国入境旅游需求预测的神经网络集成模型研究)J*.地理科学，2011,31(10)：1208-1212. )11*张文宇，栾!.改进GM-Markov模型的游客量预测方法及其应用［J*.计算机工程与应用，2016,52
13)110-114
景区客流量变化具有一定的季节性，即周期性，同时具（收稿日期:2020.06.04）
汽车杯・119
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议