论文部分内容阅读
随着经济快速发展,旅游业已成为增长速度最快的产业之一,快速增长的旅游业在促进地区经济发展的同时,也给旅游景区管理带来了管理困难等一系列挑战,而山岳型风景区因其独特的地理风貌导致其日常管理工作难度更大。因此,考虑到对景区资源的有效调度,明、后日客流量的准确预测对山岳型风景区管理具有重要意义,能够为山岳型风景区管理者在日常管理决策中提供信息支持。本文选择黄山风景区作为研究案例,结合景区管理需求,对黄山风景区明、后日客流量预测问题进行研究。根据客流量在不同时期的不同特征将客流量划分为平常日客流量和节假日客流量两种类型,分别建立不同的预测模型对两类客流量进行预测研究。本文的主要研究内容如下:(1)提出基于网络搜索的DBN-PSOBP平常日客流量预测方法。针对平常日客流量复杂、非线性等特征建立了基于深度置信网络(Deep Belief Network,DBN)和粒子群(Particle Swarm Optimization,PSO)优化BP(Back Propagation)算法的客流量预测误差修正模型,并且考虑到景区相关信息的搜索行为与景区客流量预测存在一定相关性,在输入变量的选取中加入网络搜索指数,该模型先用DBN对平常日客流量进行预测,再利用PSO-BP模型对DBN的预测误差进行修正得到最终预测结果,建立不包含网络搜索指数的原始模型和包含网络搜索指数的指数模型。实验证明了加入百度搜索指数后模型对于客流量变化趋势拟合程度更高,具有更高的预测准确度。(2)提出基于网络搜索的优化SVM节假日客流量预测方法。针对节假日客流量非线性强且样本量较小等特征,提出利用自适应度值动态更新惯性权重以及增加位置扰动的粒子群(Particle Swarm Optimization Algorithm with Position Disturbance and Adaptive Inertia Weight,PAPSO)优化支持向量机(Support Vector Machine,SVM)的预测模型,利用PAPSO算法对SVM的参数进行优化,在输入变量中加入网络搜索指数,并将该方法与PSO-SVM、GPSO-SVM、EDPSO-SVM方法进行对比分析,通过实验验证了包含网络搜索指数的PAPSO-SVM模型预测误差率更低,具有更高的准确度。