论文部分内容阅读
近几年,旅游业已经成为全球经济的重要产业,它对经济的发展有巨大的拉动作用。旅游景点客流预测成为当今旅游研究的热点与难点问题之一。热点体现在,当节假日客流暴增时,如何合理配置和调度资源的问题引起了企业界和科研界的关注。难点体现在,景点客流受如季节、气候舒适度、星期类型、特殊因子和经济等多种因素的影响会使景点出现负载不均衡现象,客流量也呈现复杂的非线性特征。准确预测景点客流可帮助政府、旅游部门在景点资源配置方面提供好的决策方案,还可以指导游客做出合理科学的旅游出行计划。本研究为了提高旅游景点客流的预测准确度,充分挖掘分析了历史客流量的多种影响因素和多时间尺度波动规律,探究了旅游景点客流需求预测的多种模型方法。本论文利用统计学中的方法和神经网络,从多时间尺度、多因素角度出发,构建了一个动态景点客流预测方法MSFNN。本文对提高旅游景点客流预测做了以下研究:首先,总结不同旅游预测方法的特点。分析了时间序列模型ARIMA,支持向量回归(SVR),灰色预测理论,人工神经网络(ANN)和深度学习(Deep Learning)的适用范围。其次,对景点客流进行多因素和对尺度分析处理。论文将定性与定量方法结合,探究了舒适度,星期类型,旅游季,特殊因子和历史客流与未来预测日客流的之间的关系。根据客流波动规律,将客流划分为年、季、星期三种尺度。再次,特殊因子(包含节假日)事件影响下的客流预测。为避免预测时特殊因子公历阴历时间不一致而给预测带来的影响,本论文利用波动系数分析特殊因子影响规律,提高模型通用性。最后,构建MSFNN预测方法。在以上三点分析基础上,将spearman、月平均法、直线插值法、波动系数和神经网络(NN)方法混合,提出MSFNN法,实现景点客流的动态实时日预测。论文中以西安博物院的客流量数据为实例,将以上方法的结果同经典的ARIMA模型和只考虑单因素(相同时间段相同星期)的BP神经网络模型进行对比,结果显示本论文提出的预测方法不仅提高了旅游预测的准确度还可以根据实际天气和特殊因子状况动态实时的预测未来景点客流量。