CN113449932A - 基于马尔科夫链的旅游交通需求预测方法、装置及*** - Google Patents
基于马尔科夫链的旅游交通需求预测方法、装置及*** Download PDFInfo
- Publication number
- CN113449932A CN113449932A CN202111000900.2A CN202111000900A CN113449932A CN 113449932 A CN113449932 A CN 113449932A CN 202111000900 A CN202111000900 A CN 202111000900A CN 113449932 A CN113449932 A CN 113449932A
- Authority
- CN
- China
- Prior art keywords
- traffic
- travel
- tourist
- functional
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000005192 partition Methods 0.000 claims abstract description 103
- 238000012546 transfer Methods 0.000 claims abstract description 81
- 230000007704 transition Effects 0.000 claims description 42
- 238000013439 planning Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 6
- 230000005484 gravity Effects 0.000 description 5
- 238000013277 forecasting method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于马尔科夫链的旅游交通需求预测方法、装置及***，涉及交通模型预测技术领域。本发明所述的基于马尔科夫链的旅游交通需求预测方法，包括：根据旅游片区各功能分区的初始游客人数确定初始状态矩阵；根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵；根据所述初始状态矩阵和所述旅游交通转移矩阵预测旅游交通需求。本发明所述的技术方案，通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求，根据上一时段的状态值和转移矩阵预测下一时段的状态值，使得游客出行分布可以通过模拟旅游景区之间游客转移过程计算得到，相比于现有四阶段法而言，提高了内部出行的计算准确率和漫游交通需求预测精确度。
Description
技术领域
本发明涉及交通模型预测技术领域，具体而言，涉及基于马尔科夫链的旅游交通需求预测方法、装置及***。
背景技术
旅游交通是指以旅游休闲为主要目的出行的全过程，包括了游览区外的到发交通和在旅游片区内的漫游交通。到发交通可以利用“四阶段法”进行需求预测，而景区间的出行强调旅游线路和游览范围，重视各个出行之间的关联性。“四阶段法”基于集计统计方法考虑，根据各个景区的发生量和吸引率计算景区之间的出行分布，内部小区出行关联性较弱，对于景区间漫游出行预测精度较低。
发明内容
本发明解决的问题是如何提高漫游交通的需求预测精度。
为解决上述问题，本发明提供一种基于马尔科夫链的旅游交通需求预测方法，应用于旅游片区内的漫游交通，包括：根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求，根据上一时段的状态值和转移矩阵预测下一时段的状态值，使得游客出行分布可以通过模拟旅游景区之间游客转移过程计算得到，实现了链式转移模型在旅游交通内部出行即漫游交通需求预测中的应用，相比于现有四阶段法而言，提高了内部出行的计算准确率和漫游交通需求预测精确度。
可选地，所述根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵包括：根据所述旅游片区各功能分区的历史年份人数分布，建立游客人数与影响因素之间的函数关系，其中，所述历史年份人数分布由历史游客数据确定；根据所述函数关系与规划年份的影响因素，确定所述旅游片区各功能分区的规划年份人数分布，其中，所述规划年份的影响因素包括多项规划指标，所述规划指标由规划年份的计划确定；对所述旅游片区各功能分区的规划年份人数分布作归一化处理，确定所述初始状态矩阵。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，根据历史年份人数分布确定规划年份人数分布，从而确定初始状态矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，所述建立游客人数与影响因素之间的函数关系包括：根据所述历史游客数据分别建立所述游客人数与所述片区游客结构、所述各功能分区景区资源、所述知名度和所述交通可达性之间的函数关系，其中，所述片区游客结构包括客源地结构、年龄和职业构成、旅游目的结构、停留时间和消费结构，所述景区资源指能够引起游客进行审美与游览活动且可以作为开发利用的自然资源，所述知名度指景区被公众知晓和了解的程度，所述交通可达性指景区的交通便捷程度。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，通过设置影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，从而建立游客人数与影响因素之间的函数关系，根据历史年份人数分布确定规划年份人数分布，从而确定初始状态矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵包括：确定所述旅游片区各功能分区的旅游交通产生概率，其中，所述旅游交通产生概率与游客的旅游时间相关联；确定所述旅游片区各功能分区的旅游交通吸引概率，其中，所述旅游交通吸引概率与各功能分区的吸引度相关联；确定所述旅游片区各功能分区之间的交通阻抗函数；根据所述旅游交通产生概率、所述旅游交通吸引概率和所述交通阻抗函数确定所述游客转移概率，以根据所述游客转移概率确定所述旅游交通转移矩阵，其中，所述游客转移概率指游客从一功能分区转移到另一功能分区的概率。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，通过对重力模型进行标定从而确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述游客的旅游时间与所述旅游片区各功能分区的旅游资源特点、景区类型和景区数量相关联，所述确定所述旅游片区各功能分区的旅游交通产生概率包括：根据所述旅游片区各功能分区的所述旅游资源特点、所述景区类型和所述景区数量确定游客在对应功能分区的旅游时间，根据所述旅游时间确定所述旅游交通产生概率，其中，所述旅游时间指游客在对应功能分区的平均逗留时间。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，根据旅游片区各功能分区的旅游资源特点、景区类型和景区数量确定游客在对应功能分区的旅游时间确定旅游交通产生概率以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述各功能分区的吸引度与所述旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度相关联，所述确定所述旅游片区各功能分区的旅游交通吸引概率包括：根据所述旅游片区各功能分区的所述初始游客规模以及所述与其他功能分区的相对地理位置和交通便利程度确定所述各功能分区的吸引度以确定所述旅游交通吸引概率，其中，所述吸引度指所述各功能分区对于游客的吸引力大小。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，根据旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度确定旅游交通吸引概率以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述确定所述旅游片区各功能分区之间的交通阻抗函数包括：根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定所述交通阻抗函数，其中，交通阻抗包括路段行驶时间及交叉口延误。
本发明所述的基于马尔科夫链的旅游交通需求预测方法，根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定交通阻抗函数以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
本发明还提供一种基于马尔科夫链的旅游交通需求预测装置，应用于旅游片区内的漫游交通，包括：初始状态矩阵模块，用于根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；转移矩阵模块，用于根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；需求预测模块，根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。所述基于马尔科夫链的旅游交通需求预测装置与上述基于马尔科夫链的旅游交通需求预测方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明还提供一种基于马尔科夫链的旅游交通需求预测***，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于马尔科夫链的旅游交通需求预测方法。所述基于马尔科夫链的旅游交通需求预测***与上述基于马尔科夫链的旅游交通需求预测方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于马尔科夫链的旅游交通需求预测方法。所述计算机可读存储介质与上述基于马尔科夫链的旅游交通需求预测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
图1为本发明实施例的基于马尔科夫链的旅游交通需求预测方法的流程图一；
图2为本发明实施例的基于马尔科夫链的旅游交通需求预测方法的流程图二。
具体实施方式
旅游交通出行需求预测通常基于“四阶段法”进行。“四阶段法”是国内外通用的建模方法，各个阶段均有成熟的模型和算法。例如利用重力模型进行出行分布计算，能够刻画各个景区之间到发交通的关系，从而预测出发地（酒店、城市居住区等）到各个景区的出行需求规模。然而其对于景区内部漫游式交通需求，“四阶段法”难以描述其出行之间的关联性，内部出行预测精度较低。
“四阶段法”是目前较为成熟的宏观交通模型预测方法之一，通常按“出行生成（Trip Generation）”、“出行分布（Trip Distribution）”、“方式划分（Modal Split）”和“交通分配（Traffic Assignment）”四个步骤依次建立交通模型，并结合交通分配的结果，重新计算出行阻抗，带入出行分布阶段迭代计算，直到满足收敛条件。
景区之间的漫游交通的出行过程可以描述为在初始状态下（旅游片区各功能分区初始游客人数），随着时间的推移，以某种特定的概率进行状态转移（旅游片区各功能分区游客人数部分从当前区内转移到其他功能分区），最终达到稳定状态。针对景区间漫游交通随时间转移的特性，可以通过链式转移模型来描述不同状态（景区）之间的变化，弥补传统“四阶段法”预测时内部出行缺少关联性的缺点。
马尔科夫链预测模型是一种无效性的随机预测过程，在基于历史数据的基础上，确定研究对象发展的转移概率，根据上一时间研究对象的状态预测下一时间状态的计算过程。其表达式过程为：
式中
从上述模型可以看出，研究对象的第t+1状态值仅仅和第t次的状态值有关系，由其状态值和转移概率乘积决定。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
如图1所示，本发明实施例提供一种基于马尔科夫链的旅游交通需求预测方法，应用于旅游片区内的漫游交通，包括：根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。
具体地，在本实施例中，基于马尔科夫链的旅游交通需求预测方法包括：根据旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，初始状态矩阵由旅游片区各功能分区的初始游客分布组成；根据旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，旅游交通转移矩阵由马尔科夫链预测模型的多个一步转移概率组成，一步转移概率与功能分区上一时段的游客人数及游客转移人数相关联；根据初始状态矩阵和旅游交通转移矩阵确定马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，马尔科夫链预测模型下一时段的状态值与功能分区下一时段的游客人数相关联。马尔科夫链预测模型是一种无效性的随机预测过程，在基于历史数据的基础上，确定研究对象发展的转移概率，根据上一时间研究对象的状态预测下一时间状态的计算过程。马尔科夫链模型是动态的，可以对近期状态进行预测也可用于远期状态预测。将各个景区的规划旅游人数作为初始状态，各个景区之间联系的游客比例表示为转移概率矩阵，则旅游片区内漫游交通在达到最终平衡状态前存在着一条马尔科夫链。通过对转移矩阵的标定，即可得出各个时段景区之间的漫游交通出行需求。
结合图2所示，基于马尔科夫链的旅游交通需求预测方法的具体步骤包括：
1）假定旅游片区总体发展规划在规划年内得到较好执行，旅游资源、产业布局、对外交通规划等都将按片区总体规划得以实施，片区居民人口、预计吸引游客人数等发展与片区总体发展规划相吻合。
2）旅游片区的旅游交通量全部分布于旅游片区各功能大区，假定某一时段t，各功能大区分布的游客人数分别为
，其中，m表示各功能大区的编号。
3）根据马尔科夫链理论，假定旅游片区到达游客人数d 随时间变化符合某种变化规律：
且t时段到达游客在旅游片区各功能分区的初始分布
可以由初始游客人数进行计算。将各功能大区初始游客人数计算值
作归一化处理后得到初始状态矩阵：
4）旅游片区离开游客人数e随时间变化符合某种变化规律：
且t时段离开游客在旅游片区各功能分区的分布主要根据t时段各功能分区的游客人数在旅游片区总游客人数的所占比例决定。t时段从第i功能大区离开的游客数
可用下式计算：
5）旅游片区能划分为旅游资源、功能特征鲜明的功能分区，各功能分区能够适应不同层次游客的需求，并且在竞争中发挥自身优势，促使旅游片区旅游交通在各功能分区之间进行重新分配。如，第i个功能分区从某一时段t向下一时段t+1中的第j功能分区的转移运量为
，可获得旅游交通变化等式为：
式（8）表明了第i功能大区从时段t到时段t+1将其在t时段的旅游人数以一定的概率转移到时段t+1的m个功能大区；式（9）中的t+1时段第i功能大区的游客数量是从t时段的m个功能大区转移到第i功能大区、在t时段到达旅游片区且初始分布在i功能大区和在t时段从i功能大区离开旅游片区的旅游人数三者的代数和。
6）假定时段t第i功能大区的游客人数与同一时段其他功能大区的游客人数没有相互联系，仅和上一时段的各功能大区的游客人数
有关。那么可以得到下式：
式中
为一步转移概率，其值得大小对游客转移人数
有决定作用。
将式（10）代入式（8）和式（9）当中，得到旅游交通需求预测模型：
在满足一定精度要求的情况下，可以运用转移矩阵进行旅游交通需求预测，上述模型可以表述为：
上式（12）中，右侧为时段t的状态矩阵和转移矩阵相乘，左侧为时段t+1的状态矩阵，从而能够根据时段t+1的状态矩阵预测旅游交通需求（可以由此确定各时段出行需求矩阵和景区间旅游出行链）。
相比于“四阶段法”，本方法的优势主要体现在以下几点：
1）游客出行分布通过模拟旅游景区之间游客转移过程计算得到，相比于传统“四阶段法”更接近实际交通发生过程，对内部出行的计算更准确，模型的精度更高；
2）由于各时间段OD矩阵（origin-destination matrix）是根据上一时间段OD矩阵计算而来，可以很好地解释各时间段OD矩阵之间的关系，精细化标定游客到达不同景区的高峰时间和规模，更好地支撑全域旅游规划在时间上、空间上的统筹优化方案；
3）通过建立初始状态矩阵与转移矩阵的关系，标定各景区的驻留时间和概率，可以得到在规定出行管控情景下主要的旅游线路与游客规模。
在本实施例中，通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求，根据上一时段的状态值和转移矩阵预测下一时段的状态值，使得游客出行分布可以通过模拟旅游景区之间游客转移过程计算得到，实现了链式转移模型在旅游交通内部出行即漫游交通需求预测中的应用，相比于现有四阶段法而言，提高了内部出行的计算准确率和漫游交通需求预测精确度。
可选地，所述根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵包括：根据所述旅游片区各功能分区的历史年份人数分布，建立游客人数与影响因素之间的函数关系，其中，所述历史年份人数分布由历史游客数据确定；根据所述函数关系与规划年份的影响因素，确定所述旅游片区各功能分区的规划年份人数分布，其中，所述规划年份的影响因素包括多项规划指标，所述规划指标由规划年份的计划确定；对所述旅游片区各功能分区的规划年份人数分布作归一化处理，确定所述初始状态矩阵。
具体地，在本实施例中，根据旅游片区各功能分区的初始游客人数确定初始状态矩阵包括：根据旅游片区各功能分区的历史年份人数分布，建立游客人数与影响因素之间的函数关系，其中，历史年份人数分布由历史游客数据确定；根据函数关系与规划年份的影响因素，确定旅游片区各功能分区的规划年份人数分布，其中，规划年份的影响因素包括多项规划指标，规划指标由规划年份的计划确定；对旅游片区各功能分区的规划年份人数分布作归一化处理，确定初始状态矩阵。即根据历史年份人数分布确定规划年份人数分布，从而确定初始状态矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
在本实施例中，根据历史年份人数分布确定规划年份人数分布，从而确定初始状态矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，所述建立游客人数与影响因素之间的函数关系包括：根据所述历史游客数据分别建立所述游客人数与所述片区游客结构、所述各功能分区景区资源、所述知名度和所述交通可达性之间的函数关系，其中，所述片区游客结构包括客源地结构、年龄和职业构成、旅游目的结构、停留时间和消费结构，所述景区资源指能够引起游客进行审美与游览活动且可以作为开发利用的自然资源，所述知名度指景区被公众知晓和了解的程度，所述交通可达性指景区的交通便捷程度。
具体地，在本实施例中，影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，建立游客人数与影响因素之间的函数关系包括：根据历史游客数据分别建立游客人数与片区游客结构、各功能分区景区资源、知名度和交通可达性之间的函数关系，其中，片区游客结构包括客源地结构、年龄和职业构成、旅游目的结构、停留时间和消费结构，景区资源指能够引起游客进行审美与游览活动且可以作为开发利用的自然资源，知名度指景区被公众知晓和了解的程度，交通可达性指景区的交通便捷程度。片区游客结构、各功能分区景区资源、知名度和交通可达性等影响因素都是会影响人数分布的，不同的影响因素对于人数分布的影响不同，需要区别考虑。
在本实施例中，通过设置影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，从而建立游客人数与影响因素之间的函数关系，根据历史年份人数分布确定规划年份人数分布，从而确定初始状态矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵包括：确定所述旅游片区各功能分区的旅游交通产生概率，其中，所述旅游交通产生概率与游客的旅游时间相关联；确定所述旅游片区各功能分区的旅游交通吸引概率，其中，所述旅游交通吸引概率与各功能分区的吸引度相关联；确定所述旅游片区各功能分区之间的交通阻抗函数；根据所述旅游交通产生概率、所述旅游交通吸引概率和所述交通阻抗函数确定所述游客转移概率，以根据所述游客转移概率确定所述旅游交通转移矩阵，其中，所述游客转移概率指游客从一功能分区转移到另一功能分区的概率。
具体地，在本实施例中，根据旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵包括：确定旅游片区各功能分区的旅游交通产生概率，其中，旅游交通产生概率与游客的旅游时间相关联；确定旅游片区各功能分区的旅游交通吸引概率，其中，旅游交通吸引概率与各功能分区的吸引度相关联；确定旅游片区各功能分区之间的交通阻抗函数；根据旅游交通产生概率、旅游交通吸引概率和交通阻抗函数确定游客转移概率，以根据游客转移概率确定旅游交通转移矩阵，其中，游客转移概率指游客从一功能分区转移到另一功能分区的概率。马尔科夫链模型应用于旅游交通需求预测，关键步骤是对转移矩阵进行参数标定，而转移矩阵中的
的确定，可以采用重力模型法，因此转移矩阵的参数标定关键在于对重力模型进行标定。
在本实施例中，通过对重力模型进行标定从而确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述游客的旅游时间与所述旅游片区各功能分区的旅游资源特点、景区类型和景区数量相关联，所述确定所述旅游片区各功能分区的旅游交通产生概率包括：根据所述旅游片区各功能分区的所述旅游资源特点、所述景区类型和所述景区数量确定游客在对应功能分区的旅游时间，根据所述旅游时间确定所述旅游交通产生概率，其中，所述旅游时间指游客在对应功能分区的平均逗留时间。
具体地，在本实施例中，游客的旅游时间与旅游片区各功能分区的旅游资源特点、景区类型和景区数量相关联，确定旅游片区各功能分区的旅游交通产生概率包括：根据旅游片区各功能分区的旅游资源特点、景区类型和景区数量确定游客在对应功能分区的旅游时间，根据旅游时间确定旅游交通产生概率，其中，旅游时间指游客在对应功能分区的平均逗留时间。
在本实施例中，根据旅游片区各功能分区的旅游资源特点、景区类型和景区数量确定游客在对应功能分区的旅游时间确定旅游交通产生概率以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述各功能分区的吸引度与所述旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度相关联，所述确定所述旅游片区各功能分区的旅游交通吸引概率包括：根据所述旅游片区各功能分区的所述初始游客规模以及所述与其他功能分区的相对地理位置和交通便利程度确定所述各功能分区的吸引度以确定所述旅游交通吸引概率，其中，所述吸引度指所述各功能分区对于游客的吸引力大小。
具体地，在本实施例中，各功能分区的吸引度与旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度相关联，确定旅游片区各功能分区的旅游交通吸引概率包括：根据旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度确定各功能分区的吸引度以确定旅游交通吸引概率，其中，吸引度指各功能分区对于游客的吸引力大小。
在本实施例中，根据旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度确定旅游交通吸引概率以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
可选地，所述确定所述旅游片区各功能分区之间的交通阻抗函数包括：根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定所述交通阻抗函数，其中，交通阻抗包括路段行驶时间及交叉口延误。
具体地，在本实施例中，确定旅游片区各功能分区之间的交通阻抗函数包括：根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定交通阻抗函数。其中，交通阻抗(或者称为路阻)是交通流分配中常提到的概念，也是一项重要指标。它直接影响到交通流径路的选择和流量的分配。道路阻抗在交通流分配中可以通过路阻函数来描述，所谓路阻函数是指路段行驶时间与路段交通负荷，交叉口延误与交叉口负荷之间的关系，在具体分配过程中，由路段行驶时间及交叉口延误共同组成出行交通阻抗。
在本实施例中，根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定交通阻抗函数以确定旅游交通转移矩阵，进而能够通过初始状态矩阵和旅游交通转移矩阵预测旅游交通需求。
本发明另一实施例提供一种基于马尔科夫链的旅游交通需求预测装置，应用于旅游片区内的漫游交通，包括：初始状态矩阵模块，用于根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；转移矩阵模块，用于根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；需求预测模块，根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。
本发明另一实施例提供一种基于马尔科夫链的旅游交通需求预测***，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的基于马尔科夫链的旅游交通需求预测方法。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如上所述的基于马尔科夫链的旅游交通需求预测方法。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.基于马尔科夫链的旅游交通需求预测方法，应用于旅游片区内的漫游交通，其特征在于，包括：
根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；
根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；
根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。
2.根据权利要求1所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵包括：
根据所述旅游片区各功能分区的历史年份人数分布，建立游客人数与影响因素之间的函数关系，其中，所述历史年份人数分布由历史游客数据确定；
根据所述函数关系与规划年份的影响因素，确定所述旅游片区各功能分区的规划年份人数分布，其中，所述规划年份的影响因素包括多项规划指标，所述规划指标由规划年份的计划确定；
对所述旅游片区各功能分区的规划年份人数分布作归一化处理，确定所述初始状态矩阵。
3.根据权利要求2所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述影响因素包括片区游客结构、各功能分区景区资源、知名度和交通可达性，所述建立游客人数与影响因素之间的函数关系包括：
根据所述历史游客数据分别建立所述游客人数与所述片区游客结构、所述各功能分区景区资源、所述知名度和所述交通可达性之间的函数关系，其中，所述片区游客结构包括客源地结构、年龄和职业构成、旅游目的结构、停留时间和消费结构，所述景区资源指能够引起游客进行审美与游览活动且可以作为开发利用的自然资源，所述知名度指景区被公众知晓和了解的程度，所述交通可达性指景区的交通便捷程度。
4.根据权利要求1所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵包括：
确定所述旅游片区各功能分区的旅游交通产生概率，其中，所述旅游交通产生概率与游客的旅游时间相关联；
确定所述旅游片区各功能分区的旅游交通吸引概率，其中，所述旅游交通吸引概率与各功能分区的吸引度相关联；
确定所述旅游片区各功能分区之间的交通阻抗函数；
根据所述旅游交通产生概率、所述旅游交通吸引概率和所述交通阻抗函数确定所述游客转移概率，以根据所述游客转移概率确定所述旅游交通转移矩阵，其中，所述游客转移概率指游客从一功能分区转移到另一功能分区的概率。
5.根据权利要求4所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述游客的旅游时间与所述旅游片区各功能分区的旅游资源特点、景区类型和景区数量相关联，所述确定所述旅游片区各功能分区的旅游交通产生概率包括：
根据所述旅游片区各功能分区的所述旅游资源特点、所述景区类型和所述景区数量确定游客在对应功能分区的旅游时间，根据所述旅游时间确定所述旅游交通产生概率，其中，所述旅游时间指游客在对应功能分区的平均逗留时间。
6.根据权利要求4所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述各功能分区的吸引度与所述旅游片区各功能分区的初始游客规模以及与其他功能分区的相对地理位置和交通便利程度相关联，所述确定所述旅游片区各功能分区的旅游交通吸引概率包括：
根据所述旅游片区各功能分区的所述初始游客规模以及所述与其他功能分区的相对地理位置和交通便利程度确定所述各功能分区的吸引度以确定所述旅游交通吸引概率，其中，所述吸引度指所述各功能分区对于游客的吸引力大小。
7.根据权利要求4所述的基于马尔科夫链的旅游交通需求预测方法，其特征在于，所述确定所述旅游片区各功能分区之间的交通阻抗函数包括：
根据初始游客人数、功能分区定位及景点类型、游客游玩习惯以及功能分区的相对地理位置和交通便利性确定所述交通阻抗函数，其中，交通阻抗包括路段行驶时间及交叉口延误。
8.基于马尔科夫链的旅游交通需求预测装置，应用于旅游片区内的漫游交通，其特征在于，包括：
初始状态矩阵模块，用于根据所述旅游片区各功能分区的初始游客人数确定初始状态矩阵，其中，所述初始状态矩阵表示马尔科夫链预测模型初始时段的状态值，所述初始状态矩阵由所述旅游片区各功能分区的初始游客分布组成；
转移矩阵模块，用于根据所述旅游片区各功能分区之间的游客转移概率确定旅游交通转移矩阵，其中，所述旅游交通转移矩阵由所述马尔科夫链预测模型的多个一步转移概率组成，所述一步转移概率与所述功能分区上一时段的游客人数及游客转移人数相关联；
需求预测模块，根据所述初始状态矩阵和所述旅游交通转移矩阵确定所述马尔科夫链预测模型下一时段的状态值，以预测旅游交通需求，其中，所述马尔科夫链预测模型下一时段的状态值与所述功能分区下一时段的游客人数相关联。
9.基于马尔科夫链的旅游交通需求预测***，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1至7任一项所述的基于马尔科夫链的旅游交通需求预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1至7任一项所述的基于马尔科夫链的旅游交通需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000900.2A CN113449932A (zh) | 2021-08-30 | 2021-08-30 | 基于马尔科夫链的旅游交通需求预测方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000900.2A CN113449932A (zh) | 2021-08-30 | 2021-08-30 | 基于马尔科夫链的旅游交通需求预测方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449932A true CN113449932A (zh) | 2021-09-28 |
Family
ID=77818890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111000900.2A Pending CN113449932A (zh) | 2021-08-30 | 2021-08-30 | 基于马尔科夫链的旅游交通需求预测方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449932A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
| CN111275073A (zh) * | 2020-01-07 | 2020-06-12 | 浙江理工大学 | 一种基于手机信令数据的区域人流分析方法 |
-
2021
- 2021-08-30 CN CN202111000900.2A patent/CN113449932A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
| CN111275073A (zh) * | 2020-01-07 | 2020-06-12 | 浙江理工大学 | 一种基于手机信令数据的区域人流分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙根年 等: "基于自主特征中国省际国内旅游预测模型构建", 《陕西师范大学学报(自然科学版)》 * |
| 田关云 等: "基于马尔科夫链的旅游交通需求预测", 《万方》 * |
| 袁柳 等: "基于灰色理论的旅游需求预测算法分析", 《科技创新导报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100491918C (zh) | 中心控制式车载导航***两阶段多路径优化方法 | |
| Rajabioun et al. | Intelligent parking assist | |
| CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
| Guo et al. | Modeling parking behavior under uncertainty: a static game theoretic versus a sequential neo-additive capacity modeling approach | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| CN106779212A (zh) | 一种基于改进蚁群算法的城市旅游路线规划方法 | |
| CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
| Lenka et al. | PSPS: An IoT based predictive smart parking system | |
| JP2007241340A (ja) | Ｎ分割巡回経路探索システム、経路探索サーバ、ｎ分割巡回経路探索方法 | |
| CN112801399B (zh) | 一种路径生成方法、装置、终端设备及存储介质 | |
| Mikluščák et al. | Using neural networks for route and destination prediction in intelligent transport systems | |
| CN111695225A (zh) | 一种公交复合复杂网络模型及其公交调度优化方法 | |
| Zhang et al. | A Multimodal Transport Network Model for Advanced Traveler Information System. | |
| CN116882842A (zh) | 一种公共综合交通体系通达度评估方法 | |
| CN110245776B (zh) | 一种基于多属性蚁群算法的智能交通路径规划方法 | |
| Xie et al. | A shared parking optimization framework based on dynamic resource allocation and path planning | |
| CN114638434A (zh) | 可变公交区域站点优化方法、设备及计算机存储介质 | |
| CN114167859A (zh) | 基于改进弗洛伊德算法的救护车应急救援路径规划方法 | |
| JP2020027023A (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| Mainali et al. | Dynamic optimal route search algorithm for car navigation systems with preferences by dynamic programming | |
| Bazzan et al. | ITSUMO: an agent-based simulator for ITS applications | |
| CN113449932A (zh) | 基于马尔科夫链的旅游交通需求预测方法、装置及*** | |
| CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
| Yu et al. | A dynamic line generation and vehicle scheduling method for airport bus line based on multi-source big travel data | |
| CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |