CN108446759A - 基于季节性长短期记忆网络模型的旅游客流量预测方法 - Google Patents
基于季节性长短期记忆网络模型的旅游客流量预测方法 Download PDFInfo
- Publication number
- CN108446759A CN108446759A CN201810141547.1A CN201810141547A CN108446759A CN 108446759 A CN108446759 A CN 108446759A CN 201810141547 A CN201810141547 A CN 201810141547A CN 108446759 A CN108446759 A CN 108446759A
- Authority
- CN
- China
- Prior art keywords
- shot
- long term
- flows amount
- tourist
- term memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007787 long-term memory Effects 0.000 title claims abstract description 55
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims 1
- 241000208340 Araliaceae Species 0.000 abstract description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 abstract description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 235000008434 ginseng Nutrition 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 241000272814 Anser sp. Species 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于季节性长短期记忆网络的旅游客流量预测方法,由从旅游局官网的景点收集景点每天接待人数情况、平滑节假日数据为普通工作日数据、对预处理后的旅游客流量数据进行归一化处理、预测普通工作日旅游客流量、确定季节指数、优化调整预测结果步骤组成。本发明采用了长短期记忆网络模型构建旅游客流量预测模型,适用于周期性强的数据和序列数据,可以解决长期依赖问题,比传统的时间序列模型等更加灵活调参,模型简单,易于实现,采用了季节因子对结果进行调整,预测结果准确。本发明方法可用于对旅游客流量进行预测。
Description
技术领域
本发明属于旅游预测技术领域,更具涉及到基于季节性长短期记忆网络模型的旅游客流量预测方法。
背景技术
随着社会的不断进步和人们生活水平的不断提高,越来越多的人踏入旅游这个休闲娱乐行业,游客人数呈井喷式增长,尤其是在旅游旺季,这对旅游景区及其附近酒店宾馆,周围交通等带来了前所未有的挑战。目前国内很多旅游景区已经开始逐步重视客流量的预测工作,但是由于信息化进步较晚,有记录的数据样本量少,对客流量的预测都是建立在主观的管理经验和宏观预测上面,没有一个清晰的数学模型,致使预测结果和实际值出现很大的偏差。因此建立一个***的、准确的客流量预测模型,对旅游景区意义重大。
旅游客流量既具有随时间推移的增长趋势,又具有同一季节的相似波动性,而且呈现出典型的季节性趋势,尤其在旅游旺季季节性(周期性)趋势明显(例如每年的5/10月份)。其增长趋势常常不具有简单的线性回归性,而且波动性趋势也呈现为一种复杂的非线性函数特性,难以用单一固定的预测模型同时描述这两种复杂的,不同的变化趋势。因此为了提高客流量模型预测的准确性,必须将这种季节性因素进行一定程度的调整。本发明通过季节指数这种形式来实现对旅游客流量的季节调整。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点,提供一种模型简单、易于实现、预测结果准确的基于季节性长短期记忆网络模型的旅游客流量预测方法。
解决上述技术问题所采用的技术方案是由下述步骤组成:
(1)从旅游局官网的景点收集景点每天接待人数情况
从旅游局官网的景点收集景点3年内每天接待人数情况,包括日期年、月、日以及当天的接待人数,并且对节假日进行标注,建立历史旅游客流量曲线。
(2)平滑节假日数据为普通工作日数据
将步骤(1)历史旅游客流量曲线中的节假日利用趋势外推法平滑掉,变成普通工作日旅游客流量,得到旅游客流量数据序列S:
S={x1,x2,…xn}。
式中xn为第n天的旅游客流量数据,n≤365×3。
(3)对预处理后的旅游客流量数据进行归一化处理
从步骤(2)的旅游客流量数据序列中确定最大值和最小值按公式(1)
式中xi′为第i天归一化后的旅游客流量数据,1≤i≤n,得到归一化后的旅游客流量数据集Si′:
Si′={x′1,x′2,…,x′n}
(4)预测普通工作日旅游客流量
①将步骤(3)的归一化后的旅游客流量数据转变成序列I:
I={(xt-a,xt-(a-1),…,xt)}
式中xt为某一天的旅游客流量,从历史客流量数据中选取前t天的客流量来预测第(t+1)天的客流量,0<a<t,t<361;
②设置长短期记忆网络模型:设置维度为t×1的长短期记忆网络层作为输入层,每个节点为序列I中的元素,隐藏层为1或2层长短期记忆网络结构,输出层有1个节点。
③引入激活函数:采用sigmoid函数作为输入层内激活函数和输入层与隐含层之间的激活函数,双曲正切函数作为隐含层内的激活函数,线性函数作为输出层的激活函数;sigmoid函数为:
④采用优化函数adam优化长短期记忆网络结构:采用keras深度学习库中的优化函数adam优化长短期记忆网络结构。
⑤将归一化后的旅游客流量序列划分为训练集和测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为1~3,迭代次数为80~120次,批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
(5)确定季节指数
季节指数按下述方法确定:
式中ft是实际值,ft′为预测值,i为自然数,每个时间点的季节指数SIj用下式得到:
式中j为1,2,…,l,30≤l≤365的整数,1<m≤10的整数。
(6)优化调整预测结果
用季节指数对预测结果进行优化调整,优化调整方法如下:
式中是经过季节指数调整后的最终预测值。
在本发明的步骤(4)的步骤①中,从历史客流量数据中选取前t天的客流量来预测第t+1天的客流量,t最佳为6。
在本发明的步骤(4)的步骤②中,本发明的维度最佳为6×1的长短期记忆网络层作为输入层,每个节点为序列I中的元素,每个隐藏层有4个节点,输出层有1个节点。
在本发明的步骤(4)的步骤⑤中,将归一化后的旅游客流量序列划分出67%做训练集,33%测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长最佳为2、迭代次数最佳为100次、批量最佳为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
在本发明的预测普通工作日旅游客流量步骤(4)的步骤④中,本发明的优化函数adam为:设置参数lr为0.001、beta_1为0.9、beta_2为0.999、epsilon为1e-08、decay为0.0,得到优化的长短期记忆网络结构。
本发明采用了长短期记忆网络模型构建旅游客流量预测模型,适用于周期性强的数据和序列数据,可以解决长期依赖问题,比传统的时间序列模型等更加灵活调参,模型简单,易于实现,采用了季节因子对结果进行调整,预测结果准确。本发明方法可用于对旅游客流量进行预测。
附图说明
图1是本发明实施例1的流程图。
图2是采用本发明实施例1的方法对西安市小雁塔2013-2015年旅游客流量预测结果与实际客流量对比图。
图3是采用本发明实施例4(实施例1中隐藏层为1层长短期记忆网络结构)的方法对西安市小雁塔2013-2015年旅游客流量预测结果与实际客流量对比图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施方式。
实施例1
以西安市小雁塔2013-2015年旅游客流量为例,基于季节性长短期记忆网络模型的旅游客流量预测方法步骤如下:
(1)从旅游局官网的景点收集景点每天接待人数情况
从西安市小雁塔收集2013-2015年每天接待人数情况,包括日期年、月、日以及当天的接待人数,并且对节假日进行标注,建立历史旅游客流量曲线。
(2)平滑节假日数据为普通工作日数据
将步骤(1)历史旅游客流量曲线中的节假日利用趋势外推法平滑掉,变成普通工作日旅游客流量,得到旅游客流量数据序列S:
s={x1,x2...xn}
式中xn为第n天的旅游客流量数据,n=365×3。
(3)对预处理后的旅游客流量数据进行归一化处理
从步骤(2)的旅游客流量数据序列中确定最大值和最小值按公式(1)
式中xi′为第i天归一化后的旅游客流量数据,1≤i≤n,得到归一化后的旅游客流量数据集S′i:
Si′={x′1,x′2,…,x′n}
(4)预测普通工作日旅游客流量
①将步骤(3)的归一化后的旅游客流量数据转变成序列I:
I={(xt-a,xt-(a-1),…,xt)}
式中xt为某一天的旅游客流量,从历史客流量数据中选取前t天的客流量来预测第(t+1)天的客流量,0<a<t,t<361,本实施例a为1,2,…,5,t为6。
②设置长短期记忆网络模型:设置维度为t×1的长短期记忆网络层作为输入层,本实施例的t为6,每个节点为序列I中的元素,隐藏层为2层长短期记忆网络结构,每个隐藏层有4个节点,输出层有1个节点为旅游客流量的预测值。
③引入激活函数:采用sigmoid函数作为输入层内激活函数和输入层与隐含层之间的激活函数,双曲正切函数作为隐含层内的激活函数,线性函数作为输出层的激活函数;sigmoid函数为:
④采用优化函数adam优化长短期记忆网络结构
采用keras深度学习库中的优化函数adam优化长短期记忆网络结构。本实施例的优化函数adam为:设置参数lr为0.001、beta_1为0.9、beta_2为0.999、epsilon为1e-08、decay为0.0,得到优化的长短期记忆网络结构。
⑤将归一化后的旅游客流量序列划分为训练集和测试集,其中67%为训练集、33%为测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为2,迭代次数为100次,批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
(5)确定季节指数
季节指数按下述方法确定:
式中ft是实际值,ft′为预测值,i为自然数,每个时间点的季节指数SIj用下式得到:
式中j为1,2,…,l,30≤l≤365的整数,取l为365,0<m≤10的整数,取m为3;
(6)优化调整预测结果
用季节指数对预测结果进行优化调整,优化调整方法如下:
式中是经过季节指数调整后的最终预测值。
实施例2
以西安市小雁塔2013-2015年旅游客流量为例,基于季节性长短期记忆网络模型的旅游客流量预测方法步骤如下:
(1)从旅游局官网的景点收集景点每天接待人数情况
该步骤与实施例1相同。
(2)平滑节假日数据为普通工作日数据
该步骤与实施例1相同。
(3)对预处理后的旅游客流量数据进行归一化处理
该步骤与实施例1相同。
(4)预测普通工作日旅游客流量
步骤①~步骤④与实施例1相同。
在将归一化后的旅游客流量序列划分为训练集和测试集步骤⑤中,其中67%为训练集、33%为测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为1,迭代次数为80次,批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
其它步骤与实施例1相同。
实施例3
以西安市小雁塔2013-2015年旅游客流量为例,基于季节性长短期记忆网络模型的旅游客流量预测方法步骤如下:
(1)从旅游局官网的景点收集景点每天接待人数情况
该步骤与实施例1相同。
(2)平滑节假日数据为普通工作日数据
该步骤与实施例1相同。
(3)对预处理后的旅游客流量数据进行归一化处理
该步骤与实施例1相同。
(4)预测普通工作日旅游客流量
步骤①~步骤④与实施例1相同。
在将归一化后的旅游客流量序列划分为训练集和测试集步骤⑤中,将归一化后的旅游客流量序列划分出训练集和测试集步骤,其中67%为训练集、33%为测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为3,迭代次数为120次,批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
其它步骤与实施例1相同。
实施例4
在以上的实施例1~3预测普通工作日旅游客流量(4)的设置长短期记忆网络模型步骤②中,设置维度为t×1的长短期记忆网络层作为输入层,每个节点为序列I中的元素,隐藏层为1层长短期记忆网络结构,输出层有1个节点。步骤(4)中的其它步骤与相应的实施例相同,
其它步骤与实施例1相同。
实施例5
在以上的实施例1~4的确定季节指数步骤(5)中,季节指数按下述方法确定:
式中ft是实际值,ft′为预测值,i为自然数,每个时间点的季节指数SIj用下式得到:
式中j为1,2,…,l,30≤l≤365的整数,取l为30,0<m≤10的整数,取m为10。
其它步骤与相应的实施例相同。
实施例6
在以上的实施例1~4的确定季节指数步骤(5)中,季节指数按下述方法确定:
式中ft是实际值,ft′为预测值,i为自然数,每个时间点的季节指数SIj用下式得到:
式中j为1,2,…,l,30≤l≤365的整数,取l为180,1<m≤10的整数,取m为2。
其它步骤与相应的实施例相同。
为了验证本发明的有益效果,发明人采用本发明实施例1的方法和实施例4方法(实施例1步骤(4)的子步骤②中隐藏层为1层长短期记忆网络结构)与现有的自回归滑动积分平均模型、前向型神经网络进行了对比评估试验,实验结果见表1。
表1采用实施例1和4构建的模型与自回归滑动积分平均模型和前向型神经网络
自回归滑动积分平均模型 | 前向型神经网络 | 实施例1 | 实施例4 | |
平均绝对误差 | 962.37 | 912.70 | 702.11 | 837.15 |
均方根误差 | 1488.0 | 1365.35 | 988.04 | 1195.76 |
由表1可见,采用实施例1、实施例4(实施例1步骤(4)的子步骤②中隐藏层为1层长短期记忆网络结构)构建的模型预测结果评估,比自回归滑动积分平均模型和前向型神经网络的平均绝对误差小、均方根误差小。
发明人采用本发明实施例1的方法和实施例4方法(实施例1步骤(4)的子步骤②中隐藏层为1层长短期记忆网络结构)构建的旅游客流量预测模型与实际的客流量统计结果相比较,见图2、图3。由图2可见,采用本发明实施例1方法构建的模型对西安市小雁塔2013-2015旅游客流量预测与实际旅游客流量接近。
Claims (5)
1.一种基于季节性长短期记忆网络的旅游客流量预测方法,其特征由下述步骤组成:
(1)从旅游局官网的景点收集景点每天接待人数情况
从旅游局官网的景点收集景点3年内每天接待人数情况,包括日期年、月、日以及当天的接待人数,并且对节假日进行标注,建立历史旅游客流量曲线;
(2)平滑节假日数据为普通工作日数据
将步骤(1)历史旅游客流量曲线中的节假日利用趋势外推法平滑掉,变成普通工作日旅游客流量,得到旅游客流量数据序列S:
S={x1,x2,…xn};
式中xn为第n天的旅游客流量数据,n≤365×3;
(3)对预处理后的旅游客流量数据进行归一化处理
从步骤(2)的旅游客流量数据序列中确定最大值和最小值按公式(1)
式中x′i为第i天归一化后的旅游客流量数据,1≤i≤n,得到归一化后的旅游客流量数据集S′i:
S′i={x′1,x′2,…,x′n}
(4)预测普通工作日旅游客流量
①将步骤(3)的归一化后的旅游客流量数据转变成序列I:
I={(xt-a,xt-(a-1),…,xt)}
式中xt为某一天的旅游客流量,从历史客流量数据中选取前t天的客流量来预测第(t+1)天的客流量,0<a<t,t<361;
②设置长短期记忆网络模型:设置维度为t×1的长短期记忆网络层作为输入层,每个节点为序列I中的元素,隐藏层为1或2层长短期记忆网络结构,输出层有1个节点;
③引入激活函数:采用sigmoid函数作为输入层内激活函数和输入层与隐含层之间的激活函数,双曲正切函数作为隐含层内的激活函数,线性函数作为输出层的激活函数;sigmoid函数为:
④采用优化函数adam优化长短期记忆网络结构:采用keras深度学习库中的优化函数adam优化长短期记忆网络结构;
⑤将归一化后的旅游客流量序列划分为训练集和测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为1~3,迭代次数为80~120次,批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测;
(5)确定季节指数
季节指数按下述方法确定:
式中ft是实际值,f′t为预测值,i为自然数,每个时间点的季节指数SIj用下式得到:
式中j为1,2,…,l,30≤l≤365的整数,1<m≤10的整数;
(6)优化调整预测结果
用季节指数对预测结果进行优化调整,优化调整方法如下:
式中是经过季节指数调整后的最终预测值。
2.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法,其特征在于:在步骤(4)的将步骤(3)的旅游客流量数据转变成序列I步骤①中,从历史客流量数据中选取前t天的客流量来预测第t+1天的客流量,t为6。
3.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法,其特征在于:在步骤(4)的设置长短记忆神经网络模型步骤②中,所述的维度为6×1的长短期记忆网络层作为输入层,每个节点为序列I中的元素,每个隐藏层有4个节点,输出层有1个节点。
4.根据权利要求1基于季节性长短期记忆网络模型的旅游客流量预测方法,所述的预测普通工作日旅游客流量步骤(4)的将归一化后的旅游客流量序列划分为训练集和测试集步骤⑤中,其特征在于:将归一化后的旅游客流量序列划分出67%做训练集,33%测试集,将训练集输入到步骤②设置的长短期记忆网络模型中,设置时间步长为2、迭代次数为100次、批量为1进行训练,得到训练好的长短期记忆网络模型,并将该网络模型应用在测试集上进行旅游客流量预测。
5.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法,其特征在于在预测普通工作日旅游客流量步骤(4)的步骤④中,所述的优化函数adam为:设置参数lr为0.001、beta_1为0.9、beta_2为0.999、epsilon为1e-08、decay为0.0,得到优化的长短期记忆网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141547.1A CN108446759A (zh) | 2018-02-11 | 2018-02-11 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810141547.1A CN108446759A (zh) | 2018-02-11 | 2018-02-11 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446759A true CN108446759A (zh) | 2018-08-24 |
Family
ID=63192356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810141547.1A Pending CN108446759A (zh) | 2018-02-11 | 2018-02-11 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446759A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299825A (zh) * | 2018-09-26 | 2019-02-01 | 重庆英传智能科技研究院有限公司 | 一种基于轨道交通实时客流的预测方法及预测*** |
CN109858388A (zh) * | 2019-01-09 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种智慧旅游管理*** |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110070208A (zh) * | 2019-03-15 | 2019-07-30 | 中铁第四勘察设计院集团有限公司 | 一种基于数据修正的铁路日常客运量获取方法 |
CN110149238A (zh) * | 2019-06-18 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN110414715A (zh) * | 2019-06-28 | 2019-11-05 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
CN110751576A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种旅客行程确定方法、装置及服务器 |
CN110991492A (zh) * | 2019-11-12 | 2020-04-10 | 广西大学 | 基于层次模式识别的旅游需求预测方法及*** |
CN111222658A (zh) * | 2020-01-15 | 2020-06-02 | 携程计算机技术(上海)有限公司 | 基于lstm模型的酒店间夜量预测方法、***、设备及介质 |
CN111652444A (zh) * | 2020-06-05 | 2020-09-11 | 南京机电职业技术学院 | 一种基于K-means和LSTM的日游客量预测方法 |
CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
CN112183873A (zh) * | 2020-10-10 | 2021-01-05 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、***、装置及存储介质 |
CN113850444A (zh) * | 2021-10-14 | 2021-12-28 | 重庆邮电大学 | 一种基于引导注意机制的旅游需求时间序列预测方法 |
CN114219114A (zh) * | 2021-12-24 | 2022-03-22 | 南京莫愁智慧信息科技有限公司 | 一种基于预约大数据的旅游客流管控方法及云服务平台 |
CN115130786A (zh) * | 2022-08-11 | 2022-09-30 | 华侨大学 | 一种景区游客饱和量的判断方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090210327A1 (en) * | 2008-02-20 | 2009-08-20 | Wizsoft Inc. | System and method for cash flow prediction |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
-
2018
- 2018-02-11 CN CN201810141547.1A patent/CN108446759A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090210327A1 (en) * | 2008-02-20 | 2009-08-20 | Wizsoft Inc. | System and method for cash flow prediction |
CN102682345A (zh) * | 2012-01-11 | 2012-09-19 | 河南科技大学 | 基于双最优学习率快速学习神经网络的交通流预测方法 |
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
Non-Patent Citations (2)
Title |
---|
YIFEI LI等: "Prediction for Tourism Flow based on LSTM Neural Network", 《PROCEDIA COMPUTER SCIENCE》 * |
陈荣: "基于支持向量回归的旅游短期客流量预测模型研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299825A (zh) * | 2018-09-26 | 2019-02-01 | 重庆英传智能科技研究院有限公司 | 一种基于轨道交通实时客流的预测方法及预测*** |
CN109858388A (zh) * | 2019-01-09 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种智慧旅游管理*** |
CN110070208A (zh) * | 2019-03-15 | 2019-07-30 | 中铁第四勘察设计院集团有限公司 | 一种基于数据修正的铁路日常客运量获取方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110149238A (zh) * | 2019-06-18 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN110414715A (zh) * | 2019-06-28 | 2019-11-05 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
CN110414715B (zh) * | 2019-06-28 | 2023-06-09 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
CN110751576A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种旅客行程确定方法、装置及服务器 |
CN110751576B (zh) * | 2019-10-21 | 2023-07-25 | 中国民航信息网络股份有限公司 | 一种旅客行程确定方法、装置及服务器 |
CN110991492A (zh) * | 2019-11-12 | 2020-04-10 | 广西大学 | 基于层次模式识别的旅游需求预测方法及*** |
CN110991492B (zh) * | 2019-11-12 | 2022-07-12 | 广西大学 | 基于层次模式识别的旅游需求预测方法及*** |
CN111222658A (zh) * | 2020-01-15 | 2020-06-02 | 携程计算机技术(上海)有限公司 | 基于lstm模型的酒店间夜量预测方法、***、设备及介质 |
CN111652444A (zh) * | 2020-06-05 | 2020-09-11 | 南京机电职业技术学院 | 一种基于K-means和LSTM的日游客量预测方法 |
CN111652444B (zh) * | 2020-06-05 | 2023-07-21 | 南京机电职业技术学院 | 一种基于K-means和LSTM的日游客量预测方法 |
CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
CN111985706B (zh) * | 2020-08-15 | 2023-08-25 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
CN112183873A (zh) * | 2020-10-10 | 2021-01-05 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、***、装置及存储介质 |
CN112183873B (zh) * | 2020-10-10 | 2023-09-12 | 苏州创旅天下信息技术有限公司 | 一种交通业务量预测方法、***、装置及存储介质 |
CN113850444A (zh) * | 2021-10-14 | 2021-12-28 | 重庆邮电大学 | 一种基于引导注意机制的旅游需求时间序列预测方法 |
CN113850444B (zh) * | 2021-10-14 | 2024-03-26 | 重庆邮电大学 | 一种基于引导注意机制的旅游需求时间序列预测方法 |
CN114219114B (zh) * | 2021-12-24 | 2022-08-26 | 南京莫愁智慧信息科技有限公司 | 一种基于预约大数据的旅游客流管控方法及云服务平台 |
CN114219114A (zh) * | 2021-12-24 | 2022-03-22 | 南京莫愁智慧信息科技有限公司 | 一种基于预约大数据的旅游客流管控方法及云服务平台 |
CN115130786A (zh) * | 2022-08-11 | 2022-09-30 | 华侨大学 | 一种景区游客饱和量的判断方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446759A (zh) | 基于季节性长短期记忆网络模型的旅游客流量预测方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN113962314B (zh) | 一种基于联邦学习的非侵入式企业负荷分解方法 | |
CN110555561A (zh) | 一种中长期径流集合预报方法 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN110334732A (zh) | 一种基于机器学习的空气质量预报方法和装置 | |
CN109671272B (zh) | 一种高速公路交通流预测方法 | |
CN109376907B (zh) | 适应输配电网一体化规划的高压配网变电站负荷预测方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN113611105B (zh) | 一种城市交通出行需求总量预测方法 | |
CN110008199A (zh) | 一种基于访问热度的数据迁移部署方法 | |
CN110362797A (zh) | 一种研究报告生成方法及相关设备 | |
CN114580691A (zh) | 燃气使用需求的预测方法、装置、计算机设备及存储介质 | |
Liu et al. | Daily tourism demand forecasting: the impact of complex seasonal patterns and holiday effects | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN116796141A (zh) | 一种基于gbdt回归模型的办公建筑能耗预测方法 | |
CN112113146A (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
Singh Rajput et al. | Optimizing passive design strategies for energy efficient buildings using hybrid artificial neural network (ANN) and multi-objective evolutionary algorithm through a case study approach | |
CN108830415A (zh) | 一种基于非线性关联模型的气象敏感负荷功率估算方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和*** | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN104166885B (zh) | 一种基于s型曲线的地区近期电网负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180824 |
|
WD01 | Invention patent application deemed withdrawn after publication |