特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network,FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence,Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。

基于APSO-SVR的山岳风景区短期客流量预测

根据山岳风景区短期客流量小样本、非线性等特征,本文提出基于自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)的支持向量回归(Support Vector Regression,SVR)模型,融合SVR处理小样本、非线性预测特性和APSO优化SVR参数的能力对山岳风景区短期客流量进行预测。来自山岳风景区黄山2008年～2011年暑期相关日数据的验证结果表明:与PSO-SVR、GA-SVR和BPNN等模型相比,APSO-SVR模型的预测准确性更高、误差更小,是进行山岳风景区短期客流量预测的有效工具。

基于支持向量回归的台湾旅游短期客流量预测模型研究

本文在分析了短期客流量影响因素的基础上，从平常日客流量与节假日客流量两个角度出发，对基于支持回归向量的台湾旅游短期客流量预测模型进行了研究，并提出了具体的注意事项，希望能够为有关人员提供参考。

基于BA-SVR的乡村游短期客流预测模型

针对乡村休闲游短期客流量预测中多影响因素、非线性、数据稀疏的特点,提出一种基于支持向量回归的预测模型。支持向量机模型的预测效果受支持向量机的参数的影响较大,利用蝙蝠算法对支持向量回归预测模型进行建模参数优化,实现乡村休闲游短期客流量的精准预测。对九寨沟每日客流量数据和密云区乡村休闲游客流量数据进行仿真实验,实验结果表明,对比该模型与神经网络模型、ARIMA模型、贝叶斯线性回归模型、随机森林回归模型,在乡村休闲游的小样本情况下,其预测精度明显高于其它模型,可以进行有效的短期客流量预测,蝙蝠算法相比于传统群体智能算法具有更好的全局搜索能力以及更少的计算用时。