CN112988847A - 一种基于大数据的景区人数预测***以及方法 - Google Patents

一种基于大数据的景区人数预测***以及方法 Download PDF

Info

Publication number
CN112988847A
CN112988847A CN202110421444.2A CN202110421444A CN112988847A CN 112988847 A CN112988847 A CN 112988847A CN 202110421444 A CN202110421444 A CN 202110421444A CN 112988847 A CN112988847 A CN 112988847A
Authority
CN
China
Prior art keywords
hotel
scenic spot
people
time
module
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.)
Granted
Application number
CN202110421444.2A
Other languages
English (en)
Other versions
CN112988847B (zh
Inventor
谢玲丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongzhiyou New Technology Group Co.,Ltd.
Original Assignee
Guangdong Zhijiu Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhijiu Information Technology Co ltd filed Critical Guangdong Zhijiu Information Technology Co ltd
Priority to CN202110421444.2A priority Critical patent/CN112988847B/zh
Publication of CN112988847A publication Critical patent/CN112988847A/zh
Application granted granted Critical
Publication of CN112988847B publication Critical patent/CN112988847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G06Q50/12—Hotels or restaurants
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的景区人数预测***以及方法，包括游客入住区域分析模块、游玩时段分析模块、酒店预定房型统计模块、酒店入住人数统计模块、景区人数预测模块、当日实际人流量统计模块、人流量预测修正模块，本发明的有益效果在于：记录每个时段进入景区的游客人数，并计算当日游客实际总人数和每个时段的人流量密度，分析最佳游玩时段并选取游客入住区域和入住酒店，通过酒店信息统计各酒店各房型的预定总数量，根据预定总数量与最大入住人数统计入住总人数，并预测景区游客数量，参照当日实际游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算，使得计算结果更加精确。

Description

一种基于大数据的景区人数预测***以及方法
技术领域
本发明涉及大数据技术领域，具体为一种基于大数据的景区人数预测***以及方法。
背景技术
一个热门景区的客流量可谓是非常多的，根据往期的数据统计可知，特别是在节假日期间，景区的人流量一直居高不下，若不能及时安排工作人员维护秩序以及疏散人群，很容易造成拥挤***件，要知道景区客流量过多就会造成进出景区交通拥堵，大量人员滞留问题也会随之产生，这样一来，不仅影响游客的体验、安全，也会影响生态环境及旅游业可持续发展，因此，对于景区游客的管理是非常重要的，基于景区游客管理，首先需进行景区的人流量预测，从而对景区客流量进行智能调控，是依法治旅、促进旅游业健康发展的具体举措，是减少旅游事故、保障游客安全的有效手段，也是保护资源环境、实现可持续发展的客观要求。
然而现有的景区人数预测技术仍然存在诸多不足，如售票***，售票***通过数据积累和门票预约功能，实现对景区客流量的预先计算，这种方式虽然可用于预测景区客流量趋势，但是在承载量方面存在延迟，而且对于老人小孩免票的景区不适用，再比如传统的景区人流量预测主要是基于静态的历史数据，根据历史数据对未来景区的人流量进行预测，但是这种预测并未考虑到其他的一些可变因素，天气变化、节假日等因素都会导致预测的数据存在偏差，而且这种预测方式也只能预测一定时间段内的景区人流量数据，其并不能准确的预测某一天景区的人流量。
基于上述问题，亟待提出一种基于大数据的景区人数预测***以及方法，记录游客进入景区时的时间节点以及每个时段进入景区的游客人数，计算当日游客实际总人数以及每个时段的人流量密度，并根据人流量密度分析最佳游玩时段，根据最佳游玩时段对游客入住区域和游客入住酒店进行选取，通过选取的入住酒店信息统计各酒店于一定时间段各类房型的预定总数量，进一步根据各类房型的预定总数量统计入住总人数，通过入住总人数预测景区游客数量，并根据当日实际游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算，使得计算结果更加精确。
发明内容
本发明的目的在于提供一种基于大数据的景区人数预测***以及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于大数据的景区人数预测***，包括游客入住区域分析模块、游玩时段分析模块、酒店预定房型统计模块、酒店入住人数统计模块、景区人数预测模块、当日实际人流量统计模块、人流量预测修正模块，
所述当日实际人流量统计模块用于统计景区内当日实际游玩人数以及游客进入景区的时间节点，所述当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，所述人流量计数子模块用于记录当日进入景区的游客人数，所述时间节点记录子模块用于记录游客进入景区时的时间节点；
所述游玩时段分析模块根据历史游客数据对景区的最佳游玩时段进行分析，所述游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，所述时段人流量密度分析子模块用于获取历史游客数据，并根据历史游客数据对景区的任一时段的人流量密度进行分析，所述最佳游玩时段分析子模块用于根据人流量密度选择最佳游玩时段；
所述游客入住区域分析模块包括游客入住区域选取子模块以及游客入住酒店选取子模块，所述游客入住区域选取子模块用于根据所述游玩时段分析模块分析得到的最佳游玩时段对游客的入住区域进行分析，所述游客入住酒店选取子模块用于根据所述游客入住区域选取子模块分析得到的游客入住区域对游客入住酒店进行选取，并建立酒店信息集合；
所述酒店预定房型统计模块用于统计所述游客入住酒店选取子模块选取的酒店的各类房型预定总数量，所述酒店入住人数统计模块用于根据被预定的酒店各类房型预定总数量统计酒店入住人数，所述景区人数预测模块用于预测景区内的游玩人数，所述人流量预测修正模块根据预测得到的景区内游玩人数和景区当日实际游玩人数对所述景区人数预测模块的预测系数进行修正。
进一步的，所述时间节点记录子模块预先设置若干个时段
Figure 218014DEST_PATH_IMAGE002
，所述人流量计数子模块根据所述时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 463050DEST_PATH_IMAGE004
，所述人流量记录子模块每隔一个时段便记录一次进入景区的游客人数
Figure 305105DEST_PATH_IMAGE006
，其中，
Figure 264096DEST_PATH_IMAGE008
为时段
Figure 140785DEST_PATH_IMAGE010
进入景区内的游客人数，所述人流量计数子模块获取每个所述时段的开始时间节点和截止时间节点，并根据开始时间节点和截止时间节点记录每个时段进入景区的游客人数，通过设置时段，对每个时段进入景区的人数进行统计，可以得到某几个时段是该景区的最佳游玩时段，最佳游玩时段也就是在这个时段里来景区游玩的人数较多。
进一步的，所述当日实际人流量统计模块连接游玩时段分析模块，所述时段人流量密度分析子模块获取到的历史游客数据包括时段信息
Figure 556723DEST_PATH_IMAGE002
以及每个时段进入景区的游客人数
Figure 387538DEST_PATH_IMAGE006
，所述时段人流量密度分析子模块对相应时段的人流量密度进行计算，所述人流量密度
Figure 648755DEST_PATH_IMAGE012
，通过时段和对应该时段进入景区的人数，可以计算得到这个时段内的人流量密度，人流量密度也体现出了在这个时段内，来该景区游玩的人数的多少，其实每个景区因为类型、天气不同，其最佳游玩时间也会存在差异，但是针对性的计算每个景区于每个时段的人流量密度，可以得到不同景区的最佳游玩时段，其中，
Figure 379950DEST_PATH_IMAGE014
为
Figure 170052DEST_PATH_IMAGE010
时段内的人流量密度，所述最佳游玩时段分析子模块获取人流量密度
Figure 753742DEST_PATH_IMAGE014
，所述最佳游玩时段分析子模块根据人流量密度
Figure 553071DEST_PATH_IMAGE014
计算
Figure 138773DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 630934DEST_PATH_IMAGE016
，其中，
Figure 669297DEST_PATH_IMAGE018
为人流量密度差阈值，当
Figure 508203DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 213990DEST_PATH_IMAGE020
大于等于第一预设值时，将
Figure 611474DEST_PATH_IMAGE010
时段存储进入最佳游玩时段集合，说明在
Figure 402712DEST_PATH_IMAGE010
时段内的人流量密度值较大，即该时段内来景区游玩的人数较多，因此，可以视为
Figure 33590DEST_PATH_IMAGE010
时段为最佳游玩时段，并进一步获取
Figure 328305DEST_PATH_IMAGE022
时段内的的人流量密度差比例
Figure 162269DEST_PATH_IMAGE024
，
若
Figure 175224DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 621511DEST_PATH_IMAGE028
同样大于等于第一预设值，将
Figure 770733DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，并进一步获取
Figure 510018DEST_PATH_IMAGE031
时段内的的人流量密度差比例
Figure 10270DEST_PATH_IMAGE033
，
若
Figure 227625DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 998397DEST_PATH_IMAGE028
小于第一预设值，因为阈值表示的是一个临界值，但如果仅仅是通过一个临界值的比较，比较的结果可能会存在误差，因此还需对两个时段的人流量密度进行比较，因为
Figure 908584DEST_PATH_IMAGE035
时段的人流量密度可能是一个刚好符合判断条件的值，而
Figure 896132DEST_PATH_IMAGE029
时段的人流量密度可能是一个刚好与判断条件不符的值，即
Figure 917177DEST_PATH_IMAGE029
时段的人流量密度仅比
Figure 542456DEST_PATH_IMAGE035
时段的人流量密度小一点点，因此，还需对上述两个时段的人流量密度再次进行一个比较，以保证数据的准确性，同时，
Figure 623544DEST_PATH_IMAGE037
，则进一步获取
Figure 832809DEST_PATH_IMAGE026
时段与
Figure 923125DEST_PATH_IMAGE035
时段的人流量密度，并计算
Figure 901445DEST_PATH_IMAGE039
的值，当
Figure 654899DEST_PATH_IMAGE039
的值小于等于第二预设值时，则将
Figure 351460DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，
所述最佳游玩时段分析子模块获取最佳游玩时段集合中存储的时段信息，所述最佳游玩时段分析子模块根据所述时段信息确定每个时段的开始时间节点和截止时间节点，并进一步确定最佳游玩时段集合中的连续时段和非连续时段，所述连续时段包括多个时段，即多个时段中前一时段的截止时间节点与下一时段的开始时间节点对应，所述非连续时段为单独时段，即所述单独时段的开始时间节点与上一时段的截止时间节点且所述单独时段的截止时间节点与下一时段的开始时间节点皆不对应，所述最佳游玩时段分析子模块将最佳游玩时段集合中的连续时段和非连续时段均标记为最佳游玩时段，之前设置的是一个个很小的时段，当最佳游玩时段集合中存在连续时段，也就是至少两个小的时段的时间节点连在一起，可以将其合并为一个时段进行分析。
进一步的，所述游客入住区域分析模块连接所述游玩时段分析模块，所述游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，所述游客入住区域选取子模块预先存储有出发时间节点，所述游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算所述截止时间节点与所述出发时间节点之间的时间差，所述游客入住区域选取子模块根据所述时间差预估该时间差内车辆可以行驶的最大里程，
进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，所述游客入住区域子模块以所述最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据所述区域半径与圆心建立游客入住区域，一般游客去景区游玩的时候，不可能会将酒店订在离景区很远的地方，而且大部分游客会选择在最佳的游玩时段去景区游玩，因此根据最佳游玩时段的分析，可以得到最佳游玩时段的截止时间，然后根据出发时间和车辆在指定区域允许的最大行驶速度可以预测得到一个酒店的入住范围。
进一步的，所述游客入住酒店选取子模块首先获取所述游客入住区域，再根据酒店的地址信息选取位于所述游客入住区域之内的第一酒店信息，
所述游客入住酒店选取子模块进一步获取所述游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，所述游客入住酒店选取子模块将所述第一酒店信息与所述第二酒店信息存储进入酒店信息集合，出发时间是基于大部分人们的出行习惯，但是也有些人习惯使然，比大部分人的出行时间早，因此，还可以对入住区域附近的酒店进行选取。
进一步的，所述酒店预定房型统计模块连接所述游客入住酒店选取子模块，所述酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，所述酒店预定房型统计模块预先设置有房型A、房型B、房型C，所述房型的类型根据各类房型的最大入住人数划分，所述酒店预定房型统计模块根据所述酒店信息统计各酒店于一定时间段的各类房型的预定数量，所述一定时间段为游客入住时间，根据房型的预定数量和最大入住人数可以得知所有酒店总共的入住人数。
进一步的，所述酒店预定房型统计模块连接酒店入住人数统计模块，所述酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure 714308DEST_PATH_IMAGE041
、
Figure 78294DEST_PATH_IMAGE043
、
Figure DEST_PATH_IMAGE045
，所述酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于所述一定时间段的入住总人数
Figure DEST_PATH_IMAGE047
，其中，
Figure DEST_PATH_IMAGE049
为房型A的最大入住人数，
Figure DEST_PATH_IMAGE051
为房型B的最大入住人数，
Figure DEST_PATH_IMAGE053
为房型C的最大入住人数。
进一步的，所述酒店入住人数统计模块连接景区人数预测模块，所述景区人数预测模块进一步获取酒店于所述一定时间段的入住总人数
Figure DEST_PATH_IMAGE055
，所述景区人数预测模块根据所述入住总人数
Figure DEST_PATH_IMAGE057
预测景区游客数量，所述景区游客数量
Figure DEST_PATH_IMAGE059
，其中，
Figure DEST_PATH_IMAGE061
为预测系数，因为不可能在酒店入住的人都会去酒店游玩，当然也有些游客不住酒店，直接驾车前往景区，当然，这里直接驾车前往景区的大部分为当地的人们，因此，根据预测得到的酒店入住人数，设置预测系数，而且，根据预测得到的景区游客数量和实际前往景区的人数比较，可以反映出数据之间的差异性，从而可以进一步的对预测系数进行修正，以弥补之前所提到的入住酒店的不一定前往景区，前往景区不一定入住酒店的人数预测差值，
所述景区人数预测模块还连接当日实际人流量统计模块，所述景区人数预测模块进一步获取当日进入景区的游客总人数
Figure DEST_PATH_IMAGE063
，
所述景区人数预测模块还连接人流量预测修正模块，所述人流量预测修正模块进一步获取预测得到的景区游客数量
Figure DEST_PATH_IMAGE065
以及当日进入景区的游客总人数
Figure 300852DEST_PATH_IMAGE063
，所述人流量预测修正模块根据
Figure 484709DEST_PATH_IMAGE065
和
Figure 916827DEST_PATH_IMAGE063
对预测系数进行修正，第1次修正之后的预测系数
Figure DEST_PATH_IMAGE067
，其中，
Figure DEST_PATH_IMAGE069
为初始预测系数，则第i次修正之后的预测系数
Figure DEST_PATH_IMAGE071
，根据第1次修正之后的预测系数，所述景区人数预测模块预测下一日的景区游客数量
Figure DEST_PATH_IMAGE073
，其中，
Figure DEST_PATH_IMAGE075
为酒店于下一日的入住总人数，根据上述内容可知，第2次修正之后的预测系数
Figure DEST_PATH_IMAGE077
，其中，
Figure DEST_PATH_IMAGE079
为下一日进入景区的游客总人数，以此类推，可以计算出第i次修正之后的预测系数，根据往期历史数据，获取酒店入住人数和景区人流量的关系，可以预先设置一个初始的预测系数，也就是
Figure 727131DEST_PATH_IMAGE069
，但是随着时间的变化，一个景区的热度是会有所改变的，在缺乏后期数据的基础上，针对初始预测系数，可以根据每日的实际数据对其进行一次修正，因为每隔一日修正一次，修正间隔较短，人流量不会发生较大的变化，因此可以保证数据的准确性，而且就算是在节假日或者天气影响的情况下，一般节假日或恶劣天气对景区的影响的持续时间都会在一天以上，根据实际前往景区的人数和预测得到的人流量的比例，对预测系数不断进行修正，可以减少天气、节假日等外在原因的影响。
进一步的，一种基于大数据的景区人数预测方法，所述景区人数预测方法包括以下步骤：
S1：记录游客进入景区时的时间节点以及每个时段进入景区的游客人数，并根据每个时段的游客人数统计当日游客总人数；
S2：根据时段信息和每个时段进入景区的游客人数计算每个时段的人流量密度，并根据人流量密度分析最佳游玩时段；
S3：根据最佳游玩时段、景区中心点、景区面积轮廓对游客入住区域和游客入住酒店进行选取；
S4：根据选取的游客入住酒店信息统计各酒店于一定时间段各类房型的预定总数量，进一步根据各类房型的预定总数量和与房型相对应的最大入住人数统计入住总人数；
S5：通过入住总人数预测景区游客数量，并根据预测得到的景区游客数量和当日游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算。
进一步的，所述景区人数预测方法还包括以下步骤：
S1-1:当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，所述时间节点记录子模块记录游客进入景区时的时间节点，所述时间节点记录子模块预先设置若干个时段
Figure 586502DEST_PATH_IMAGE002
，所述人流量计数子模块根据所述时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 257655DEST_PATH_IMAGE004
，并每隔一个时段便记录一次进入景区的游客人数
Figure DEST_PATH_IMAGE080
，其中，
Figure 853984DEST_PATH_IMAGE008
为时段
Figure 661403DEST_PATH_IMAGE010
进入景区内的游客人数；
S2-1:游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，所述时段人流量密度分析子模块获取历史游客数据，所述历史游客数据包括时段信息
Figure 222834DEST_PATH_IMAGE002
以及每个时段进入景区的游客人数
Figure 413906DEST_PATH_IMAGE080
，所述时段人流量密度分析子模块对相应时段的人流量密度进行计算，所述人流量密度
Figure 453407DEST_PATH_IMAGE012
，其中，
Figure 646491DEST_PATH_IMAGE014
为
Figure 349130DEST_PATH_IMAGE010
时段内的人流量密度，所述最佳游玩时段分析子模块获取人流量密度
Figure 994875DEST_PATH_IMAGE014
，所述最佳游玩时段分析子模块根据人流量密度
Figure 306907DEST_PATH_IMAGE014
计算
Figure 121542DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 493617DEST_PATH_IMAGE016
，其中，
Figure 892237DEST_PATH_IMAGE018
为人流量密度差阈值，当
Figure 7961DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 411523DEST_PATH_IMAGE020
大于等于第一预设值时，将
Figure 485658DEST_PATH_IMAGE010
时段存储进入最佳游玩时段集合，并进一步获取
Figure 105995DEST_PATH_IMAGE022
时段内的的人流量密度差比例
Figure 792454DEST_PATH_IMAGE024
，
若
Figure 549057DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 262935DEST_PATH_IMAGE028
同样大于等于第一预设值，将
Figure 370569DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，并进一步获取
Figure 317841DEST_PATH_IMAGE031
时段内的的人流量密度差比例
Figure 928951DEST_PATH_IMAGE033
，
若
Figure 813730DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 408660DEST_PATH_IMAGE028
小于第一预设值，同时，
Figure 436921DEST_PATH_IMAGE037
，则进一步获取
Figure 168116DEST_PATH_IMAGE029
时段与
Figure 754955DEST_PATH_IMAGE035
时段的人流量密度，并计算
Figure DEST_PATH_IMAGE081
的值，当
Figure 135383DEST_PATH_IMAGE081
的值小于等于第二预设值时，则将
Figure 934712DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合；
S3-1：游客入住区域分析模块包括游客入住区域选取子模块和游客入住酒店选取子模块,所述游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，所述游客入住区域选取子模块预先存储有出发时间节点，所述游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算所述截止时间节点与所述出发时间节点之间的时间差，所述游客入住区域选取子模块根据所述时间差预估该时间差内车辆可以行驶的最大里程，进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，所述游客入住区域子模块以所述最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据所述区域半径与圆心建立游客入住区域，所述游客入住酒店选取子模块首先获取所述游客入住区域，再根据酒店的地址信息选取位于所述游客入住区域之内的第一酒店信息，所述游客入住酒店选取子模块进一步获取所述游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，所述游客入住酒店选取子模块将所述第一酒店信息与所述第二酒店信息存储进入酒店信息集合；
S4-1：酒店预定房型统计模块连接所述游客入住酒店选取子模块，所述酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，所述酒店预定房型统计模块预先设置有房型A、房型B、房型C，所述房型的类型根据各类房型的最大入住人数划分，所述酒店预定房型统计模块根据所述酒店信息统计各酒店于一定时间段的各类房型的预定数量，所述一定时间段为游客入住时间，所述酒店预定房型统计模块连接酒店入住人数统计模块，所述酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure DEST_PATH_IMAGE082
、
Figure 84196DEST_PATH_IMAGE043
、
Figure 310778DEST_PATH_IMAGE045
，所述酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于所述一定时间段的入住总人数
Figure DEST_PATH_IMAGE083
，其中，
Figure 145879DEST_PATH_IMAGE049
为房型A的最大入住人数，
Figure 483319DEST_PATH_IMAGE051
为房型B的最大入住人数，
Figure 690572DEST_PATH_IMAGE053
为房型C的最大入住人数；
S5-1：酒店入住人数统计模块连接景区人数预测模块，所述景区人数预测模块进一步获取酒店于所述一定时间段的入住总人数
Figure 822476DEST_PATH_IMAGE055
，所述景区人数预测模块根据所述入住总人数
Figure 348135DEST_PATH_IMAGE057
预测景区游客数量，所述景区游客数量
Figure DEST_PATH_IMAGE084
，其中，
Figure 286004DEST_PATH_IMAGE061
为预测系数，
所述景区人数预测模块还连接当日实际人流量统计模块，所述景区人数预测模块进一步获取当日进入景区的游客总人数
Figure 82184DEST_PATH_IMAGE063
，
所述景区人数预测模块还连接人流量预测修正模块，所述人流量预测修正模块进一步获取预测得到的景区游客数量
Figure 384990DEST_PATH_IMAGE057
以及当日进入景区的游客总人数
Figure 663524DEST_PATH_IMAGE004
，所述人流量预测修正模块根据
Figure 342767DEST_PATH_IMAGE057
和
Figure 491989DEST_PATH_IMAGE004
对预测系数进行修正，第1次修正之后的预测系数
Figure DEST_PATH_IMAGE086
，其中，
Figure DEST_PATH_IMAGE088
为初始预测系数，则第i次修正之后的预测系数
Figure DEST_PATH_IMAGE090
，根据第1次修正之后的预测系数，所述景区人数预测模块预测下一日的景区游客数量
Figure DEST_PATH_IMAGE092
，其中，
Figure DEST_PATH_IMAGE094
为酒店于下一日的入住总人数。
与现有技术相比，本发明所达到的有益效果是：本发明记录游客进入景区时的时间节点以及每个时段进入景区的游客人数，计算当日游客实际总人数以及每个时段的人流量密度，并根据人流量密度分析最佳游玩时段，根据最佳游玩时段对游客入住区域和游客入住酒店进行选取，通过选取的入住酒店信息统计各酒店于一定时间段各类房型的预定总数量，进一步根据各类房型的预定总数量统计入住总人数，通过入住总人数预测景区游客数量，并根据当日实际游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算，使得计算结果更加精确。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的景区人数预测***的模块示意图；
图2是本发明一种基于大数据的景区人数预测方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明提供技术方案：
一种基于大数据的景区人数预测***，包括游客入住区域分析模块、游玩时段分析模块、酒店预定房型统计模块、酒店入住人数统计模块、景区人数预测模块、当日实际人流量统计模块、人流量预测修正模块，
当日实际人流量统计模块用于统计景区内当日实际游玩人数以及游客进入景区的时间节点，当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，人流量计数子模块用于记录当日进入景区的游客人数，时间节点记录子模块用于记录游客进入景区时的时间节点；
游玩时段分析模块根据历史游客数据对景区的最佳游玩时段进行分析，游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，时段人流量密度分析子模块用于获取历史游客数据，并根据历史游客数据对景区的任一时段的人流量密度进行分析，最佳游玩时段分析子模块用于根据人流量密度选择最佳游玩时段；
游客入住区域分析模块包括游客入住区域选取子模块以及游客入住酒店选取子模块，游客入住区域选取子模块用于根据游玩时段分析模块分析得到的最佳游玩时段对游客的入住区域进行分析，游客入住酒店选取子模块用于根据游客入住区域选取子模块分析得到的游客入住区域对游客入住酒店进行选取，并建立酒店信息集合；
酒店预定房型统计模块用于统计游客入住酒店选取子模块选取的酒店的各类房型预定总数量，酒店入住人数统计模块用于根据被预定的酒店各类房型预定总数量统计酒店入住人数，景区人数预测模块用于预测景区内的游玩人数，人流量预测修正模块根据预测得到的景区内游玩人数和景区当日实际游玩人数对景区人数预测模块的预测系数进行修正。
时间节点记录子模块预先设置若干个时段
Figure 14630DEST_PATH_IMAGE002
，人流量计数子模块根据时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 514882DEST_PATH_IMAGE004
，人流量记录子模块每隔一个时段便记录一次进入景区的游客人数
Figure 732237DEST_PATH_IMAGE080
，其中，
Figure 267123DEST_PATH_IMAGE008
为时段
Figure 424915DEST_PATH_IMAGE010
进入景区内的游客人数，人流量计数子模块获取每个时段的开始时间节点和截止时间节点，并根据开始时间节点和截止时间节点记录每个时段进入景区的游客人数。
当日实际人流量统计模块连接游玩时段分析模块，时段人流量密度分析子模块获取历史游客数据，历史游客数据包括时段信息
Figure 412462DEST_PATH_IMAGE002
以及每个时段进入景区的游客人数
Figure 433508DEST_PATH_IMAGE006
，时段人流量密度分析子模块对相应时段的人流量密度进行计算，人流量密度
Figure 822901DEST_PATH_IMAGE012
，其中，
Figure 903989DEST_PATH_IMAGE014
为
Figure 614719DEST_PATH_IMAGE010
时段内的人流量密度，最佳游玩时段分析子模块获取人流量密度
Figure 439455DEST_PATH_IMAGE014
，最佳游玩时段分析子模块根据人流量密度
Figure 745672DEST_PATH_IMAGE014
计算
Figure 499126DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 726845DEST_PATH_IMAGE016
，其中，
Figure 355273DEST_PATH_IMAGE018
为人流量密度差阈值，当
Figure 188100DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 112455DEST_PATH_IMAGE020
大于等于第一预设值时，将
Figure 561891DEST_PATH_IMAGE010
时段存储进入最佳游玩时段集合，并进一步获取
Figure 728431DEST_PATH_IMAGE022
时段内的的人流量密度差比例
Figure 681343DEST_PATH_IMAGE024
，
若
Figure 540715DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 447753DEST_PATH_IMAGE028
同样大于等于第一预设值，将
Figure 417983DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，并进一步获取
Figure 225402DEST_PATH_IMAGE031
时段内的的人流量密度差比例
Figure 255675DEST_PATH_IMAGE033
，
若
Figure 915589DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 158351DEST_PATH_IMAGE028
小于第一预设值，同时，
Figure 85856DEST_PATH_IMAGE037
，则进一步获取
Figure 552609DEST_PATH_IMAGE029
时段与
Figure 198354DEST_PATH_IMAGE035
时段的人流量密度，并计算
Figure 746273DEST_PATH_IMAGE039
的值，当
Figure 793863DEST_PATH_IMAGE039
的值小于等于第二预设值时，则将
Figure 900359DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，
最佳游玩时段分析子模块获取最佳游玩时段集合中存储的时段信息，最佳游玩时段分析子模块根据时段信息确定每个时段的开始时间节点和截止时间节点，并进一步确定最佳游玩时段集合中的连续时段和非连续时段，连续时段包括多个时段，即多个时段中前一时段的截止时间节点与下一时段的开始时间节点对应，非连续时段为单独时段，即单独时段的开始时间节点与上一时段的截止时间节点且单独时段的截止时间节点与下一时段的开始时间节点皆不对应，最佳游玩时段分析子模块将最佳游玩时段集合中的连续时段和非连续时段均标记为最佳游玩时段。
游客入住区域分析模块连接游玩时段分析模块，游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，游客入住区域选取子模块预先存储有出发时间节点，游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算截止时间节点与出发时间节点之间的时间差，游客入住区域选取子模块根据时间差预估该时间差内车辆可以行驶的最大里程，
进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，游客入住区域子模块以最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据区域半径与圆心建立游客入住区域。
游客入住酒店选取子模块首先获取游客入住区域，再根据酒店的地址信息选取位于游客入住区域之内的第一酒店信息，
游客入住酒店选取子模块进一步获取游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，游客入住酒店选取子模块将第一酒店信息与第二酒店信息存储进入酒店信息集合。
酒店预定房型统计模块连接游客入住酒店选取子模块，酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，酒店预定房型统计模块预先设置有房型A、房型B、房型C，房型的类型根据各类房型的最大入住人数划分，酒店预定房型统计模块根据酒店信息统计各酒店于一定时间段的各类房型的预定数量，一定时间段为游客入住时间。
酒店预定房型统计模块连接酒店入住人数统计模块，酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure 33400DEST_PATH_IMAGE041
、
Figure 385010DEST_PATH_IMAGE043
、
Figure 21527DEST_PATH_IMAGE045
，酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于一定时间段的入住总人数
Figure 564504DEST_PATH_IMAGE083
，其中，
Figure 919262DEST_PATH_IMAGE049
为房型A的最大入住人数，
Figure 573097DEST_PATH_IMAGE051
为房型B的最大入住人数，
Figure 819447DEST_PATH_IMAGE053
为房型C的最大入住人数。
酒店入住人数统计模块连接景区人数预测模块，景区人数预测模块进一步获取酒店于一定时间段的入住总人数
Figure 533325DEST_PATH_IMAGE055
，景区人数预测模块根据入住总人数
Figure 375379DEST_PATH_IMAGE057
预测景区游客数量，景区游客数量
Figure 832905DEST_PATH_IMAGE084
，其中，
Figure 679901DEST_PATH_IMAGE061
为预测系数，
景区人数预测模块还连接当日实际人流量统计模块，景区人数预测模块进一步获取当日进入景区的游客总人数
Figure 830259DEST_PATH_IMAGE063
，
景区人数预测模块还连接人流量预测修正模块，人流量预测修正模块进一步获取预测得到的景区游客数量
Figure 894030DEST_PATH_IMAGE065
以及当日进入景区的游客总人数
Figure 889668DEST_PATH_IMAGE063
，人流量预测修正模块根据
Figure 355284DEST_PATH_IMAGE065
和
Figure 443588DEST_PATH_IMAGE063
对预测系数进行修正，第1次修正之后的预测系数
Figure DEST_PATH_IMAGE095
，其中，
Figure 791393DEST_PATH_IMAGE069
为初始预测系数，则第i次修正之后的预测系数
Figure 590722DEST_PATH_IMAGE071
，根据第1次修正之后的预测系数，景区人数预测模块预测下一日的景区游客数量
Figure 677889DEST_PATH_IMAGE073
，其中，
Figure DEST_PATH_IMAGE096
为酒店于下一日的入住总人数。
一种基于大数据的景区人数预测方法，景区人数预测方法包括以下步骤：
S1：记录游客进入景区时的时间节点以及每个时段进入景区的游客人数，并根据每个时段的游客人数统计当日游客总人数；
S2：根据时段信息和每个时段进入景区的游客人数计算每个时段的人流量密度，并根据人流量密度分析最佳游玩时段；
S3：根据最佳游玩时段、景区中心点、景区面积轮廓对游客入住区域和游客入住酒店进行选取；
S4：根据选取的游客入住酒店信息统计各酒店于一定时间段各类房型的预定总数量，进一步根据各类房型的预定总数量和与房型相对应的最大入住人数统计入住总人数；
S5：通过入住总人数预测景区游客数量，并根据预测得到的景区游客数量和当日游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算。
景区人数预测方法还包括以下步骤：
S1-1:当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，时间节点记录子模块记录游客进入景区时的时间节点，时间节点记录子模块预先设置若干个时段
Figure 435629DEST_PATH_IMAGE002
，人流量计数子模块根据时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 739572DEST_PATH_IMAGE004
，并每隔一个时段便记录一次进入景区的游客人数
Figure 342591DEST_PATH_IMAGE006
，其中，
Figure 18686DEST_PATH_IMAGE008
为时段
Figure 681748DEST_PATH_IMAGE010
进入景区内的游客人数；
S2-1:游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，时段人流量密度分析子模块获取历史游客数据，历史游客数据包括时段信息
Figure 207407DEST_PATH_IMAGE002
以及每个时段进入景区的游客人数
Figure 614118DEST_PATH_IMAGE080
，时段人流量密度分析子模块对相应时段的人流量密度进行计算，人流量密度
Figure 410298DEST_PATH_IMAGE012
，其中，
Figure 713103DEST_PATH_IMAGE014
为
Figure 991638DEST_PATH_IMAGE010
时段内的人流量密度，最佳游玩时段分析子模块获取人流量密度
Figure 670881DEST_PATH_IMAGE014
，最佳游玩时段分析子模块根据人流量密度
Figure 85682DEST_PATH_IMAGE014
计算
Figure 60853DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure 295525DEST_PATH_IMAGE016
，其中，
Figure 44039DEST_PATH_IMAGE018
为人流量密度差阈值，当
Figure 313346DEST_PATH_IMAGE010
时段内的人流量密度差比例
Figure DEST_PATH_IMAGE097
大于等于第一预设值时，将
Figure 787315DEST_PATH_IMAGE010
时段存储进入最佳游玩时段集合，并进一步获取
Figure 509283DEST_PATH_IMAGE022
时段内的的人流量密度差比例
Figure 795908DEST_PATH_IMAGE024
，
若
Figure 185301DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 779573DEST_PATH_IMAGE028
同样大于等于第一预设值，将
Figure 723258DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合，并进一步获取
Figure 813574DEST_PATH_IMAGE031
时段内的的人流量密度差比例
Figure 791894DEST_PATH_IMAGE033
，
若
Figure 810928DEST_PATH_IMAGE026
时段内的的人流量密度差比例
Figure 507489DEST_PATH_IMAGE028
小于第一预设值，同时，
Figure 135916DEST_PATH_IMAGE037
，则进一步获取
Figure 234322DEST_PATH_IMAGE029
时段与
Figure 922793DEST_PATH_IMAGE035
时段的人流量密度，并计算
Figure 342535DEST_PATH_IMAGE039
的值，当
Figure 774653DEST_PATH_IMAGE039
的值小于等于第二预设值时，则将
Figure 727566DEST_PATH_IMAGE029
时段存储进入最佳游玩时段集合；
S3-1：游客入住区域分析模块包括游客入住区域选取子模块和游客入住酒店选取子模块,游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，游客入住区域选取子模块预先存储有出发时间节点，游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算截止时间节点与出发时间节点之间的时间差，游客入住区域选取子模块根据时间差预估该时间差内车辆可以行驶的最大里程，进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，游客入住区域子模块以最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据区域半径与圆心建立游客入住区域，游客入住酒店选取子模块首先获取游客入住区域，再根据酒店的地址信息选取位于游客入住区域之内的第一酒店信息，游客入住酒店选取子模块进一步获取游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，游客入住酒店选取子模块将第一酒店信息与第二酒店信息存储进入酒店信息集合；
S4-1：酒店预定房型统计模块连接游客入住酒店选取子模块，酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，酒店预定房型统计模块预先设置有房型A、房型B、房型C，房型的类型根据各类房型的最大入住人数划分，酒店预定房型统计模块根据酒店信息统计各酒店于一定时间段的各类房型的预定数量，一定时间段为游客入住时间，酒店预定房型统计模块连接酒店入住人数统计模块，酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure 852517DEST_PATH_IMAGE041
、
Figure 25134DEST_PATH_IMAGE043
、
Figure 995364DEST_PATH_IMAGE045
，酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于一定时间段的入住总人数
Figure DEST_PATH_IMAGE098
，其中，
Figure 130679DEST_PATH_IMAGE049
为房型A的最大入住人数，
Figure 662417DEST_PATH_IMAGE051
为房型B的最大入住人数，
Figure 820866DEST_PATH_IMAGE053
为房型C的最大入住人数；
S5-1：酒店入住人数统计模块连接景区人数预测模块，景区人数预测模块进一步获取酒店于一定时间段的入住总人数
Figure 594787DEST_PATH_IMAGE055
，景区人数预测模块根据入住总人数
Figure 522292DEST_PATH_IMAGE057
预测景区游客数量，景区游客数量
Figure 224931DEST_PATH_IMAGE084
，其中，
Figure 605096DEST_PATH_IMAGE061
为预测系数，
景区人数预测模块还连接当日实际人流量统计模块，景区人数预测模块进一步获取当日进入景区的游客总人数
Figure 917129DEST_PATH_IMAGE063
，
景区人数预测模块还连接人流量预测修正模块，人流量预测修正模块进一步获取预测得到的景区游客数量
Figure 964719DEST_PATH_IMAGE057
以及当日进入景区的游客总人数
Figure 71216DEST_PATH_IMAGE004
，人流量预测修正模块根据
Figure 440142DEST_PATH_IMAGE057
和
Figure 290287DEST_PATH_IMAGE004
对预测系数进行修正，第1次修正之后的预测系数
Figure 926804DEST_PATH_IMAGE086
，其中，
Figure 469781DEST_PATH_IMAGE088
为初始预测系数，则第i次修正之后的预测系数
Figure 326004DEST_PATH_IMAGE090
，根据第1次修正之后的预测系数，景区人数预测模块预测下一日的景区游客数量
Figure 979839DEST_PATH_IMAGE092
，其中，
Figure 798760DEST_PATH_IMAGE094
为酒店于下一日的入住总人数。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的景区人数预测***，其特征在于：包括游客入住区域分析模块、游玩时段分析模块、酒店预定房型统计模块、酒店入住人数统计模块、景区人数预测模块、当日实际人流量统计模块、人流量预测修正模块，
所述当日实际人流量统计模块用于统计景区内当日实际游玩人数以及游客进入景区的时间节点，所述当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，所述人流量计数子模块用于记录当日进入景区的游客人数，所述时间节点记录子模块用于记录游客进入景区时的时间节点；
所述游玩时段分析模块根据历史游客数据对景区的最佳游玩时段进行分析，所述游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，所述时段人流量密度分析子模块用于获取历史游客数据，并根据历史游客数据对景区的任一时段的人流量密度进行分析，所述最佳游玩时段分析子模块用于根据人流量密度选择最佳游玩时段；
所述游客入住区域分析模块包括游客入住区域选取子模块以及游客入住酒店选取子模块，所述游客入住区域选取子模块用于根据所述游玩时段分析模块分析得到的最佳游玩时段对游客的入住区域进行分析，所述游客入住酒店选取子模块用于根据所述游客入住区域选取子模块分析得到的游客入住区域对游客入住酒店进行选取，并建立酒店信息集合；
所述酒店预定房型统计模块用于统计所述游客入住酒店选取子模块选取的酒店的各类房型预定总数量，所述酒店入住人数统计模块用于根据被预定的酒店各类房型预定总数量统计酒店入住人数，所述景区人数预测模块用于预测景区内的游玩人数，所述人流量预测修正模块根据预测得到的景区内游玩人数和景区当日实际游玩人数对所述景区人数预测模块的预测系数进行修正。
2.根据权利要求1所述的一种基于大数据的景区人数预测***，其特征在于：所述时间节点记录子模块预先设置若干个时段
Figure 982235DEST_PATH_IMAGE001
，所述人流量计数子模块根据所述时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 317664DEST_PATH_IMAGE002
，所述人流量记录子模块每隔一个时段便记录一次进入景区的游客人数
Figure 330619DEST_PATH_IMAGE003
，其中，
Figure 541021DEST_PATH_IMAGE004
为时段
Figure 159084DEST_PATH_IMAGE005
进入景区内的游客人数，所述人流量计数子模块获取每个所述时段的开始时间节点和截止时间节点，并根据开始时间节点和截止时间节点记录每个时段进入景区的游客人数。
3.根据权利要求1或2所述的一种基于大数据的景区人数预测***，其特征在于：所述当日实际人流量统计模块连接游玩时段分析模块，所述时段人流量密度分析子模块获取到的历史游客数据包括时段信息
Figure 665414DEST_PATH_IMAGE001
以及每个时段进入景区的游客人数
Figure 962403DEST_PATH_IMAGE006
，所述时段人流量密度分析子模块对相应时段的人流量密度进行计算，所述人流量密度
Figure 648599DEST_PATH_IMAGE007
，其中，
Figure 183486DEST_PATH_IMAGE008
为
Figure 126296DEST_PATH_IMAGE005
时段内的人流量密度，所述最佳游玩时段分析子模块获取人流量密度
Figure 317106DEST_PATH_IMAGE008
，所述最佳游玩时段分析子模块根据人流量密度
Figure 603731DEST_PATH_IMAGE008
计算
Figure 993124DEST_PATH_IMAGE005
时段内的人流量密度差比例
Figure 543054DEST_PATH_IMAGE009
，其中，
Figure 50521DEST_PATH_IMAGE010
为人流量密度差阈值，当
Figure 406416DEST_PATH_IMAGE005
时段内的人流量密度差比例
Figure 853578DEST_PATH_IMAGE011
大于等于第一预设值时，将
Figure 105568DEST_PATH_IMAGE005
时段存储进入最佳游玩时段集合，并进一步获取
Figure 834752DEST_PATH_IMAGE012
时段内的的人流量密度差比例
Figure 666441DEST_PATH_IMAGE013
，
若
Figure 30427DEST_PATH_IMAGE014
时段内的的人流量密度差比例
Figure 718897DEST_PATH_IMAGE015
同样大于等于第一预设值，将
Figure 168333DEST_PATH_IMAGE016
时段存储进入最佳游玩时段集合，并进一步获取
Figure 101916DEST_PATH_IMAGE017
时段内的的人流量密度差比例
Figure 258091DEST_PATH_IMAGE018
，
若
Figure 383042DEST_PATH_IMAGE014
时段内的的人流量密度差比例
Figure 54195DEST_PATH_IMAGE015
小于第一预设值，同时，
Figure 493266DEST_PATH_IMAGE019
，则进一步获取
Figure 333308DEST_PATH_IMAGE016
时段与
Figure 363581DEST_PATH_IMAGE020
时段的人流量密度，并计算
Figure 725293DEST_PATH_IMAGE021
的值，当
Figure 499213DEST_PATH_IMAGE021
的值小于等于第二预设值时，则将
Figure 182043DEST_PATH_IMAGE016
时段存储进入最佳游玩时段集合，
所述最佳游玩时段分析子模块获取最佳游玩时段集合中存储的时段信息，所述最佳游玩时段分析子模块根据所述时段信息确定每个时段的开始时间节点和截止时间节点，并进一步确定最佳游玩时段集合中的连续时段和非连续时段，所述连续时段包括多个时段，即多个时段中前一时段的截止时间节点与下一时段的开始时间节点对应，所述非连续时段为单独时段，即所述单独时段的开始时间节点与上一时段的截止时间节点且所述单独时段的截止时间节点与下一时段的开始时间节点皆不对应，所述最佳游玩时段分析子模块将最佳游玩时段集合中的连续时段和非连续时段均标记为最佳游玩时段。
4.根据权利要求1所述的一种基于大数据的景区人数预测***，其特征在于：所述游客入住区域分析模块连接所述游玩时段分析模块，
所述游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，所述游客入住区域选取子模块预先存储有出发时间节点，所述游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算所述截止时间节点与所述出发时间节点之间的时间差，所述游客入住区域选取子模块根据所述时间差预估该时间差内车辆可以行驶的最大里程，
进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，所述游客入住区域子模块以所述最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据所述区域半径与圆心建立游客入住区域。
5.根据权利要求4所述的一种基于大数据的景区人数预测***，其特征在于：所述游客入住酒店选取子模块首先获取所述游客入住区域，再根据酒店的地址信息选取位于所述游客入住区域之内的第一酒店信息，
所述游客入住酒店选取子模块进一步获取所述游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，所述游客入住酒店选取子模块将所述第一酒店信息与所述第二酒店信息存储进入酒店信息集合。
6.根据权利要求1所述的一种基于大数据的景区人数预测***，其特征在于：所述酒店预定房型统计模块连接所述游客入住酒店选取子模块，所述酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，所述酒店预定房型统计模块预先设置有房型A、房型B、房型C，所述房型的类型根据各类房型的最大入住人数划分，所述酒店预定房型统计模块根据所述酒店信息统计各酒店于一定时间段的各类房型的预定数量，所述一定时间段为游客入住时间。
7.根据权利要求6所述的一种基于大数据的景区人数预测***，其特征在于：所述酒店预定房型统计模块连接酒店入住人数统计模块，所述酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure 117638DEST_PATH_IMAGE022
、
Figure 28963DEST_PATH_IMAGE023
、
Figure 340995DEST_PATH_IMAGE024
，所述酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于所述一定时间段的入住总人数
Figure 591848DEST_PATH_IMAGE025
，其中，
Figure 730968DEST_PATH_IMAGE026
为房型A的最大入住人数，
Figure 864009DEST_PATH_IMAGE027
为房型B的最大入住人数，
Figure 182995DEST_PATH_IMAGE028
为房型C的最大入住人数。
8.根据权利要求7所述的一种基于大数据的景区人数预测***，其特征在于：所述酒店入住人数统计模块连接景区人数预测模块，所述景区人数预测模块进一步获取酒店于所述一定时间段的入住总人数
Figure 350671DEST_PATH_IMAGE029
，所述景区人数预测模块根据所述入住总人数
Figure 395112DEST_PATH_IMAGE030
预测景区游客数量，所述景区游客数量
Figure 953133DEST_PATH_IMAGE031
，其中，
Figure 138126DEST_PATH_IMAGE032
为预测系数，
所述景区人数预测模块还连接当日实际人流量统计模块，所述景区人数预测模块进一步获取当日进入景区的游客总人数
Figure 425888DEST_PATH_IMAGE033
，
所述景区人数预测模块还连接人流量预测修正模块，所述人流量预测修正模块进一步获取预测得到的景区游客数量
Figure 343029DEST_PATH_IMAGE034
以及当日进入景区的游客总人数
Figure 217706DEST_PATH_IMAGE033
，所述人流量预测修正模块根据
Figure 878495DEST_PATH_IMAGE034
和
Figure 755184DEST_PATH_IMAGE033
对预测系数进行修正，第1次修正之后的预测系数
Figure 905542DEST_PATH_IMAGE035
，其中，
Figure 438155DEST_PATH_IMAGE036
为初始预测系数，则第i次修正之后的预测系数
Figure 466416DEST_PATH_IMAGE037
，根据第1次修正之后的预测系数，所述景区人数预测模块预测下一日的景区游客数量
Figure 932032DEST_PATH_IMAGE038
，其中，
Figure DEST_PATH_IMAGE039
为酒店于下一日的入住总人数。
9.一种基于大数据的景区人数预测方法，其特征在于：所述景区人数预测方法包括以下步骤：
S1：记录游客进入景区时的时间节点以及每个时段进入景区的游客人数，并根据每个时段的游客人数统计当日游客总人数；
S2：根据时段信息和每个时段进入景区的游客人数计算每个时段的人流量密度，并根据人流量密度分析最佳游玩时段；
S3：根据最佳游玩时段、景区中心点、景区面积轮廓对游客入住区域和游客入住酒店进行选取；
S4：根据选取的游客入住酒店信息统计各酒店于一定时间段各类房型的预定总数量，进一步根据各类房型的预定总数量和与房型相对应的最大入住人数统计入住总人数；
S5：通过入住总人数预测景区游客数量，并根据预测得到的景区游客数量和当日游客总人数对预测系数进行修正，下一日预测景区游客数量根据修正后的预测系数进行计算。
10.根据权利要求9所述的一种基于大数据的景区人数预测方法，其特征在于：所述景区人数预测方法还包括以下步骤：
S1-1:当日实际人流量统计模块包括人流量计数子模块以及时间节点记录子模块，所述时间节点记录子模块记录游客进入景区时的时间节点，所述时间节点记录子模块预先设置若干个时段
Figure 784451DEST_PATH_IMAGE001
，所述人流量计数子模块根据所述时段记录当日每个时段进入景区的游客人数以及当日进入景区的游客总人数
Figure 804359DEST_PATH_IMAGE002
，并每隔一个时段便记录一次进入景区的游客人数
Figure 105153DEST_PATH_IMAGE006
，其中，
Figure 956434DEST_PATH_IMAGE004
为时段
Figure 651858DEST_PATH_IMAGE005
进入景区内的游客人数；
S2-1:游玩时段分析模块包括时段人流量密度分析子模块以及最佳游玩时段分析子模块，所述时段人流量密度分析子模块获取历史游客数据，所述历史游客数据包括时段信息
Figure 690221DEST_PATH_IMAGE001
以及每个时段进入景区的游客人数
Figure 60285DEST_PATH_IMAGE040
，所述时段人流量密度分析子模块对相应时段的人流量密度进行计算，所述人流量密度
Figure 766072DEST_PATH_IMAGE007
，其中，
Figure 366818DEST_PATH_IMAGE008
为
Figure 423636DEST_PATH_IMAGE005
时段内的人流量密度，所述最佳游玩时段分析子模块获取人流量密度
Figure 768029DEST_PATH_IMAGE008
，所述最佳游玩时段分析子模块根据人流量密度
Figure 95368DEST_PATH_IMAGE008
计算
Figure 867015DEST_PATH_IMAGE005
时段内的人流量密度差比例
Figure 145549DEST_PATH_IMAGE009
，其中，
Figure 90372DEST_PATH_IMAGE010
为人流量密度差阈值，当
Figure 770752DEST_PATH_IMAGE005
时段内的人流量密度差比例
Figure DEST_PATH_IMAGE041
大于等于第一预设值时，将
Figure 554380DEST_PATH_IMAGE005
时段存储进入最佳游玩时段集合，并进一步获取
Figure 320210DEST_PATH_IMAGE012
时段内的的人流量密度差比例
Figure 803144DEST_PATH_IMAGE013
，
若
Figure 541293DEST_PATH_IMAGE014
时段内的的人流量密度差比例
Figure 952945DEST_PATH_IMAGE015
同样大于等于第一预设值，将
Figure 206072DEST_PATH_IMAGE016
时段存储进入最佳游玩时段集合，并进一步获取
Figure 695959DEST_PATH_IMAGE017
时段内的的人流量密度差比例
Figure 350931DEST_PATH_IMAGE018
，
若
Figure 900861DEST_PATH_IMAGE014
时段内的的人流量密度差比例
Figure 877170DEST_PATH_IMAGE015
小于第一预设值，同时，
Figure 967486DEST_PATH_IMAGE019
，则进一步获取
Figure 414648DEST_PATH_IMAGE016
时段与
Figure 932217DEST_PATH_IMAGE020
时段的人流量密度，并计算
Figure 661400DEST_PATH_IMAGE021
的值，当
Figure 493090DEST_PATH_IMAGE021
的值小于等于第二预设值时，则将
Figure 591496DEST_PATH_IMAGE016
时段存储进入最佳游玩时段集合；
S3-1：游客入住区域分析模块包括游客入住区域选取子模块和游客入住酒店选取子模块,所述游客入住区域选取子模块通过游玩时段分析模块获取最佳游玩时段，所述游客入住区域选取子模块预先存储有出发时间节点，所述游客入住区域选取子模块进一步获取最佳游玩时段的截止时间节点，并计算所述截止时间节点与所述出发时间节点之间的时间差，所述游客入住区域选取子模块根据所述时间差预估该时间差内车辆可以行驶的最大里程，进一步获取景区中心点以及景区的面积轮廓，以面积轮廓上任一点距景区中心点的最小距离为补偿半径，所述游客入住区域子模块以所述最大里程与补偿半径之和作为游客入住区域的区域半径，以景区中心点为圆心，根据所述区域半径与圆心建立游客入住区域，所述游客入住酒店选取子模块首先获取所述游客入住区域，再根据酒店的地址信息选取位于所述游客入住区域之内的第一酒店信息，所述游客入住酒店选取子模块进一步获取所述游客入住区域的边缘位置，选取距边缘位置一定距离的第二酒店信息，所述游客入住酒店选取子模块将所述第一酒店信息与所述第二酒店信息存储进入酒店信息集合；
S4-1：酒店预定房型统计模块连接所述游客入住酒店选取子模块，所述酒店预定房型统计模块进一步获取酒店信息集合当中存储的酒店信息，所述酒店预定房型统计模块预先设置有房型A、房型B、房型C，所述房型的类型根据各类房型的最大入住人数划分，所述酒店预定房型统计模块根据所述酒店信息统计各酒店于一定时间段的各类房型的预定数量，所述一定时间段为游客入住时间，所述酒店预定房型统计模块连接酒店入住人数统计模块，所述酒店入住人数统计模块进一步获取酒店于一定时间段的各类房型的预定总数量，其中，房型A、房型B、房型C的预定总数量记为
Figure 748808DEST_PATH_IMAGE022
、
Figure 198244DEST_PATH_IMAGE042
、
Figure 866248DEST_PATH_IMAGE024
，所述酒店入住人数统计模块根据各类房型的预定总数量与各房型对应的最大入住人数计算酒店于所述一定时间段的入住总人数
Figure 84740DEST_PATH_IMAGE025
，其中，
Figure 944111DEST_PATH_IMAGE026
为房型A的最大入住人数，
Figure 880843DEST_PATH_IMAGE027
为房型B的最大入住人数，
Figure 618117DEST_PATH_IMAGE028
为房型C的最大入住人数；
S5-1：酒店入住人数统计模块连接景区人数预测模块，所述景区人数预测模块进一步获取酒店于所述一定时间段的入住总人数
Figure 894378DEST_PATH_IMAGE029
，所述景区人数预测模块根据所述入住总人数
Figure 924651DEST_PATH_IMAGE030
预测景区游客数量，所述景区游客数量
Figure 348679DEST_PATH_IMAGE031
，其中，
Figure 60283DEST_PATH_IMAGE032
为预测系数，
所述景区人数预测模块还连接当日实际人流量统计模块，所述景区人数预测模块进一步获取当日进入景区的游客总人数
Figure 20411DEST_PATH_IMAGE033
，
所述景区人数预测模块还连接人流量预测修正模块，所述人流量预测修正模块进一步获取预测得到的景区游客数量
Figure 424847DEST_PATH_IMAGE034
以及当日进入景区的游客总人数
Figure 867330DEST_PATH_IMAGE033
，所述人流量预测修正模块根据
Figure 743145DEST_PATH_IMAGE034
和
Figure 993997DEST_PATH_IMAGE033
对预测系数进行修正，第1次修正之后的预测系数
Figure DEST_PATH_IMAGE043
，其中，
Figure 693969DEST_PATH_IMAGE036
为初始预测系数，则第i次修正之后的预测系数
Figure 30272DEST_PATH_IMAGE044
，根据第1次修正之后的预测系数，所述景区人数预测模块预测下一日的景区游客数量
Figure 635742DEST_PATH_IMAGE038
，其中，
Figure 803418DEST_PATH_IMAGE039
为酒店于下一日的入住总人数。
CN202110421444.2A 2021-04-20 2021-04-20 一种基于大数据的景区人数预测***以及方法 Active CN112988847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110421444.2A CN112988847B (zh) 2021-04-20 2021-04-20 一种基于大数据的景区人数预测***以及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110421444.2A CN112988847B (zh) 2021-04-20 2021-04-20 一种基于大数据的景区人数预测***以及方法

Publications (2)

Publication Number Publication Date
CN112988847A true CN112988847A (zh) 2021-06-18
CN112988847B CN112988847B (zh) 2021-08-03

Family

ID=76341210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110421444.2A Active CN112988847B (zh) 2021-04-20 2021-04-20 一种基于大数据的景区人数预测***以及方法

Country Status (1)

Country Link
CN (1) CN112988847B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361825A (zh) * 2021-07-19 2021-09-07 青岛理工大学 一种***故早期预警方法及***
CN113743684A (zh) * 2021-11-05 2021-12-03 通号通信信息集团有限公司 人流量预测方法、电子设备、计算机可读存储介质
CN114463054A (zh) * 2022-01-21 2022-05-10 浪潮卓数大数据产业发展有限公司 基于一卡通的园区门店客流量预测方法及***
CN115358492A (zh) * 2022-10-19 2022-11-18 通号通信信息集团有限公司 客流预测方法、装置和***
CN117592638A (zh) * 2023-10-20 2024-02-23 南京新中安物联技术股份有限公司 一种景区客流分析与管控的方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
KR20150117089A (ko) * 2014-04-09 2015-10-19 (주)넥스트이지 전기차 특성기반 관광 스케쥴링 서비스 운영시스템
CN108710996A (zh) * 2018-04-28 2018-10-26 华侨大学 基于旅游出行时空耦合的酒店集聚区域酒店选址评估方法
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***
CN111079968A (zh) * 2018-10-22 2020-04-28 昆山炫生活信息技术股份有限公司 基于多特征融合的景区游玩轨迹预测***
CN111179029A (zh) * 2019-12-19 2020-05-19 安徽逻根农业科技有限公司 一种基于成本最低的智慧旅游推荐***和方法
CN112651791A (zh) * 2021-01-27 2021-04-13 湖南惠旅云网络科技有限公司 智慧景区操作***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150117089A (ko) * 2014-04-09 2015-10-19 (주)넥스트이지 전기차 특성기반 관광 스케쥴링 서비스 운영시스템
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN108710996A (zh) * 2018-04-28 2018-10-26 华侨大学 基于旅游出行时空耦合的酒店集聚区域酒店选址评估方法
CN111079968A (zh) * 2018-10-22 2020-04-28 昆山炫生活信息技术股份有限公司 基于多特征融合的景区游玩轨迹预测***
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***
CN111179029A (zh) * 2019-12-19 2020-05-19 安徽逻根农业科技有限公司 一种基于成本最低的智慧旅游推荐***和方法
CN112651791A (zh) * 2021-01-27 2021-04-13 湖南惠旅云网络科技有限公司 智慧景区操作***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘志霞: "大数据在旅游管理中的应用探讨研究", 《广东技术师范学院学报（社会科学）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361825A (zh) * 2021-07-19 2021-09-07 青岛理工大学 一种***故早期预警方法及***
CN113743684A (zh) * 2021-11-05 2021-12-03 通号通信信息集团有限公司 人流量预测方法、电子设备、计算机可读存储介质
CN114463054A (zh) * 2022-01-21 2022-05-10 浪潮卓数大数据产业发展有限公司 基于一卡通的园区门店客流量预测方法及***
CN115358492A (zh) * 2022-10-19 2022-11-18 通号通信信息集团有限公司 客流预测方法、装置和***
CN117592638A (zh) * 2023-10-20 2024-02-23 南京新中安物联技术股份有限公司 一种景区客流分析与管控的方法及***

Also Published As

Publication number Publication date
CN112988847B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN112988847B (zh) 一种基于大数据的景区人数预测***以及方法
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
EP2836990B1 (en) Parking resource management
CN103984993B (zh) 一种轨道交通客流od分布实时推测方法
CN109961164A (zh) 客流量预测方法及装置
JPWO2018087811A1 (ja) 交通システム、ダイヤ提案システム及び車両運行システム
Caicedo The use of space availability information in “PARC” systems to reduce search times in parking facilities
US20140139359A1 (en) Parking guidance system and method based on vehicle human occupancy
KR20140028801A (ko) Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법
CN114419924B (zh) 一种基于智慧城市的ai应用控制管理***
JP2018002037A (ja) 混雑率予想システム及び方法
CN115472011B (zh) 基于预约数据的公交智能线路规划算法
BR112019012832A2 (pt) método para prever um comportamento de tráfego em um sistema rodoviário
Yoo et al. Controlling passenger flow to mitigate the effects of platform overcrowding on train dwell time
CN116050581A (zh) 一种智慧城市地铁行车调度优化方法和物联网***
Schmaranzer et al. Population-based simulation optimization for urban mass rapid transit networks
Volovski et al. Subway station dwell time prediction and user-induced delay
CN117592638B (zh) 一种景区客流分析与管控的方法及***
CN114549075A (zh) 一种基于停车和视频大数据的区域停车评价方法
Dumas Analyzing transit equity using automatically collected data
JPH08106492A (ja) 旅行計画支援システム
Djuric et al. Parkassistant: An algorithm for guiding a car to a parking spot
Schil Measuring journey time reliability in London using automated data collection systems
CN116777685A (zh) 景区引导***、方法、装置及管理服务器
CN115099685A (zh) 一种基于多源数据的城市公交服务水平评价方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230705

Address after: 362500 42 shangletao, letao village, XunZhong Town, Dehua County, Quanzhou City, Fujian Province

Patentee after: Sun Qingzhu

Address before: Room cx452, 4 / F phase I and 4 / F phase II, No.8 complex building, No.1 Taozhuang, Tianhe District, Guangzhou, Guangdong, 510599

Patentee before: Guangdong Zhijiu Information Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230906

Address after: Room 1168, Building 6, No. 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province, 310000

Patentee after: Hangzhou Zhongzhiyou New Technology Group Co.,Ltd.

Address before: 362500 42 shangletao, letao village, XunZhong Town, Dehua County, Quanzhou City, Fujian Province

Patentee before: Sun Qingzhu