网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的APSO去优化BP神经网络——APSO-BP的组合预测模型,用DBN模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络（DBN-APSOBP）组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的自适应惯性权重优化的粒子群算法(APSO)去优化误差反向传播神经网络(BP)神经网络——APSO-BP的组合预测模型,用深度置信网络(DBN)模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

基于改进BP神经网络的公路旅游客流量预测

针对如何精确预测公路旅游客流量这一问题,论述了公路旅游客流量研究背景,对包括神经网络模型在内的几类模型进行了分析,说明神经网络预测模型运用在公路旅游客流量预测中的优势.以实证分析为背景,论述了改进BP神经网络在公路旅游客流量预测中的应用,并深入研究了实际运用中输入/输出向量的选择、数据预处理方法、隐层神经元数目选择、训练函数选择等实际问题,对预测结果和实际值进行了比较和分析论述,得到一个适合的BP网络.最后对几种预测方法的预测结果进行比较,说明了BP神经网络在公路旅游客流量预测的合理性与可行性.     

改进的LS-SYM算法在入境旅游客流量预测上的应用

近年来,各地入境游客流量的迅速发展引起了各级政府和旅游事业的极大重视.而对未来旅游客流量及时准确的预测成为规划旅游政策的重要依据.针对游客流量的特点,提出了采用改进的最小二乘支持向量机方法来建立旅游客流量的时间序列预测模型.实验预测结果表明该模型具有较高的预测精度,可以为各地旅游客流量预测提供了一条新的途径.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于数据驱动的旅游需求预测研究

合理预测景区客流量不仅可以为景区提供参考,更是旅游治理体系和治理能力现代化建设的内在要求。基于九寨沟风景区官网于2012年5月至2021年5月披露的每日客流量数据,运用Python爬取与九寨沟旅游相关的搜索行为数据和九寨沟每日平均气温,构建ARIMA、SVR模型和加入百度搜索指数与日平均气温的LSTM神经网络模型,对九寨沟风景区客流量进行拟合和预测。结果表明,LSTM神经网络模型预测精度高于ARIMA和SVR模型,加入百度搜索指数和日平均气温的LSTM神经网络模型可以显著提升客流量预测精度。     

基于支持向量回归的旅游客流量预测

建立以支持向量回归方法为基础的旅游客流量预测模型。以我国深圳市2002年1月到2005年12月的旅游客流量的月度数据作为学习样本,分别选用两种不同的核函数,对学习样本进行建模和预测,并比较选取不同的两个核函数对样本进行预测的效果,说明支持向量回归用于月度旅游客流量预测的有效性。     

上海市四个主要境外旅游客源市场的灰色预测模型

通过对上海市主要境外旅游客源市场游客数量的分析 ,根据客流量与时间的关系 ,利用灰色系统理论建立了GM( 1 ,1 )灰色预测模型 ,其研究模型不仅与实际客流量相吻合 ,还可以对未来几年客流量进行预测     

基于灰色预测模型的重庆市入境旅游客流量预测

灰色预测模型在研究入境旅游客流量预测上有很高的精度.依据灰色预测模型的建模过程和模型精度检验的方法,对重庆市1997—2007年的入境旅游客流量进行分析,选取2004—2007年的入境旅游客流量作为原始数据,建立了重庆市入境旅游客流量和时间的数列预测GM(1,1)模型,经检验该模型预测精度可靠.依据该模型,计算出了2008—2012年重庆市的入境旅游客流量,预计2008—2012年重庆市入境旅游客流量会继续迅速上升,有望在2009年突破100万人次.     

上海市四个主要境外旅游客源市场的灰色预测模型

通过对上海市主要境外旅游客源市场游客数量的分析,根据客流量与时间的关系,利用灰色系统理论建立了ＧＭ（１,１）灰色预测模型,其研究模型不仅与实际客流量相吻合,还可以对未来几年客流量进行预测。     

基于动态客流量模型的地铁车站空调负荷预测

为了准确预测地铁车站的空调负荷,首先通过地铁车站能耗监测平台的历史数据分析,识别得到客流量和室外气象参数是主要影响因素.其次利用车站CO2体积浓度逐时监测数据建立客流量神经网络预测模型,并与闸机数据对比,预测模型的复相关系数R2可达0.87.以客流量预测为基础,建立了车站空调负荷预测模型,并比较了不同时间尺度训练数据下...     

灰色模型在旅游客源市场预测中的运用

通过对近几年来江苏省海外客源市场日本游客数量的统计数据分析,根据客流量与时间的关系,利用灰色系统理论中一种特殊的线性动态预测模型,建立了旅游人数与旅游时间的GM(1,1)灰色预测模型,探讨了GM(1,1)灰色预测模型在旅游客源市场预测中的应用问题,以期对今后游客数量的预测,合理规划客源市场提供科学的依据.     

基于Bi-LSTM网络的广珠城际短期客流预测方法

为提高城际铁路车站短时客流量预测的准确性,本文设计了一种基于双向长短期记忆网络(Bi-LSTM)的预测模型.首先分析了广珠城际铁路车站日客流量的时间分布规律,发现各车站日客流量存在着相似的分布特征,但工作日、周末和节假日客流量呈现出较大差异.以广州南站、珠海站以及小榄站3个车站的进站客流为例,选择时间窗步长为2和4分别...     

基于自主特征中国省际国内旅游预测模型构建

提出了基于自主特征的中国省际国内旅游预测模型,选取景点资源丰度、区域人口规模、人均GDP、城市化及受教育水平、交通网密度五个因素,以2002年和2004年中国大陆31个省区的统计数据为依据,建立了具有指数相乘结构的国内客流量预测模型,分析了各因素的弹性及边际贡献.将回归结果与统计值进行比较,确定了有关参数的时间变化规律和北京、上海、广东三个省区的偏离系数,用建立的模型对2005年31个省区国内客流量进行了预测,在95%的置信度水平下,模型预测相关性强、相对误差小.该研究可为中国省际国内旅游快速批量预测提供新的方法.     

基于非单点模糊正则网络的时间序列预测模型

目的建立一种新的具有抗噪声能力的神经网络时间序列预测模型。方法通过将非单点模糊系统引入正则神经网络结构来建立模型。结果具有很强的抗噪声能力,且收敛速度快,全局搜索能力强。将该模型用于实例样本的预测,并和别的神经网络预测模型相比较。抗噪声能力的神经网络时间序列预测模型性能,比神经网络预测模型的性能显著提高。结论所建立的模型在性能上有显著提高,在一定程度上解决了视经网络的固有缺陷,今后有待降低计算复杂度。     

基于时空特征的城市轨道交通客流量预测方法

随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高,特定站点客流量极易发生急剧变化,这种变化引起整个网络客流量的不均匀分布,从而增加运营调度的难度和运营事故的发生概率.本文以城市轨道交通实际运营中采集的大量客流数据为基础,从时间和空间两个维度分析城市轨道交通客流分布的特点,并进一步提出基于贝叶斯网络的客流量预测方法,实现对特定站点的客流量预测.本实验完全基于实际数据,结果表明:预测客流量平均绝对百分比误差基本在0.1以下,预测准确程度较高.     

基于相空间重构-SVM的公交客流量预测研究

提出了一种基于相空间重构与支持向量机预测公交客流量的新方法.应用互信息法计算公交客流量时间序列的最优时间延迟;应用Ca0氏方法计算其最佳嵌入维数;然后计算出最大Lyapunov指数,证实客流节存在混沌现象.建立相空间重构-支持向量机预测模型并确定训练样本对,对公交客流量数据进行预测.实例证明,该方法能有效地进行客流量预测.     

基于XGBoost和GM模型的三亚市旅游客流量预测

旅游客流量的预测受经济发展、季节因素影响等不确定性的影响,以三亚市旅游和文化广电体育局官网2012—2018年的月度统计数据的旅游客流量数据为研究对象,通过模型优选,基于XGB和GM模型对三亚市近7年的旅游客流量进行拟合,并对比两种模式预测的准确度。并在以上两种模式的拟合基础上,通过模型组合,对三亚市未来2019年、2020年的旅游客流量、入境过夜游客数量及旅游收入进行预测。     

旅游客流预测模型的比较及其实证研究——以黄山风景区为例

本文以黄山风景区1979-2004年客流量为例,定量分析线性回归模型、指数平滑模型、灰色预测模型以及BP网络预测模型的应用及其差异问题,得出以下结论：1）如果序列较长（20a左右）,可选择指数平滑预测模型;2）如果序列较短（7a以下）,可选择线性回归预测模型;3）介于两者之间的可以考虑使用灰色预测模型;4）BP模型预测（拟合）值比较准确,但结构复杂.由于选择的模式不同,预测值也会有差别,需要根据试算结果选择适当的网络模式和函数参数.