论文部分内容阅读
短期客流量的预测研究是当前风景区客流量预测研究的重要课题,尤其是明日客流量的准确预测能够提前预知景区日客流量的变化情况,为景区管理者的提前决策提供直接参考信息,尽可能的避免景区日常管理事故的发生。对于山岳型风景区,其独特的地形地貌特征使得景区日常管理问题更为突出,因此建立科学的日客流量预测模型,提高山岳型风景区日客流量的预测精度具有较高的研究价值。本文以山岳型风景区为研究对象,以提高日客流量的预测精度为目标,将黄山风景区作为研究案例,这是因为黄山风景区是我国著名的山岳型风景区之一,具备山岳型风景区的典型特征,结合景区管理的需要对景区明日客流量预测问题进行研究。根据日客流量在不同时期表现的特点不同将其划分为平常日客流量以及节假日客流量,分别建立两种不同的短期日客流量预测模型。本文的主要研究工作如下:1)日客流量的特点、分类及相关预测影响因素分析。首先系统的分析了日客流量的特点,依据日客流量分布不均衡的特征,将日客流量分为平常日客流量和节假日客流量两类。最后对日客流量预测的相关影响因素进行分析,为后文建立的不同日客流量预测模型提供依据。2)建立平常日日客流量预测模型。针对平常日日客流量非线性突出的特点提出基于对数函数的惯性权重自适应调整的粒子群算法(Adaptive logarithmic particle swarm optimization,ALPSO)优化最小二乘支持向量机(Least squares support vector machine,LSSVM)的预测方法,利用ALPSO算法对LSSVM的自由参数进行优化,并将该方法与PSO-LSSVM、GPSO-LSSVM以及SPSO-LSSVM进行比较,以黄山风景区2012-2015年平常日数据为例证明:ALPSO-LSSVM模型预测误差更小,准确性更高。3)建立节假日日客流量预测模型。针对节假日日客流量非线性更为复杂以及与网络搜索指数相关性更大的特点,建立了基于网络搜索指数的LSSVM-BP模型。该模型将网络搜索指数作为预测变量之一加入模型,并结合历史客流量等其他相关因素,首先用LSSVM单一的模型进行预测,然后利用BP模型对LSSVM模型的预测结果进行修正,得到最终预测值最终值,并将该方法与基于ARMA修正的LSSVM模型进行对比。以黄山风景区2012-2015年节假日数据为例证明:LSSVM-BP模型较LSSVM-ARMA模型预测误差更小,准确性更高。