【基于機器學(xué)習(xí)的旅游景區(qū)日客流量預(yù)測方法文獻綜述4500字】

基于機器學(xué)習(xí)的旅游景區(qū)日客流量預(yù)測方法研究國內(nèi)外文獻綜述目錄TOC\o"1-2"\h\u61基于機器學(xué)習(xí)的旅游景區(qū)日客流量預(yù)測方法研究國內(nèi)外文獻綜述 1180901國內(nèi)研究現(xiàn)狀 14361.1旅游客流量預(yù)測問題研究現(xiàn)狀 173151.2深層神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測方面的研究現(xiàn)狀 3171982國外研究現(xiàn)狀 461792.1旅游客流量預(yù)測問題研究現(xiàn)狀 4296032.2深層神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測方面的研究現(xiàn)狀 429684參考文獻 51國內(nèi)研究現(xiàn)狀1.1旅游客流量預(yù)測問題研究現(xiàn)狀早期對于旅游需求預(yù)測的研究主要集中在長期和中期預(yù)測，如年度、季度、以及月度客流的預(yù)測。韓兆洲等人構(gòu)建了以消費者預(yù)期指數(shù)、城鎮(zhèn)居民人均可支配收入、接待過夜游客數(shù)量三個指標滯后值為輸入變量的GA-LSSVR模型和季節(jié)調(diào)整的ARIMA模型以及基于GIOWHA算子的組合模型，對廣東省接待的過夜游客流量進行預(yù)測[1]。此外，灰色預(yù)測方法在旅游需求的預(yù)測方面也得到了大量的研究和應(yīng)用，其主要思想是通過分析和挖掘時間序列之間的內(nèi)在關(guān)聯(lián)性，建立微分方程組來進行預(yù)測。相比于傳統(tǒng)的Box-Jenkins方法，灰色預(yù)測方法的限制條件少，計算較快，且不需要進行平穩(wěn)性檢驗和白噪聲檢驗。在對旅游需求的預(yù)測和計算方面，周廷慰利用數(shù)列灰預(yù)測方法和經(jīng)過改進的灰色馬爾科夫模型預(yù)測了安徽入境的旅游人數(shù)及其外匯收入，并對結(jié)果進行了詳細的分析和對比[2]；李丹建立了基于灰色系統(tǒng)組合模型優(yōu)化后的平常日客流量預(yù)測模型，以安徽黃山景區(qū)的平常日客流量數(shù)據(jù)為例進行預(yù)測，取得了較好的預(yù)測效果[3]；趙歡采用分形自回歸滑動平均（ARFIMA）模型，結(jié)合灰色預(yù)測FGM(1,1)模型，對2001年到2018年的廣東省游客人數(shù)數(shù)據(jù)集進行了分析和預(yù)測，發(fā)現(xiàn)該預(yù)測方法的應(yīng)用能顯著提高長期預(yù)測結(jié)果的可靠性和準確度[4]。不過，這些比較經(jīng)典的時間序列預(yù)測方法主要集中在數(shù)據(jù)內(nèi)在變化規(guī)律的回歸分析以及對時間序列變化趨勢的預(yù)測和外推上，沒有充分考慮可能影響游客量的各種相關(guān)因素，并且對非線性系統(tǒng)的數(shù)據(jù)處理和分析能力也比較差。旅游客流量的預(yù)測問題比較適合用多元時間序列分析（MultivariateTimeSeriesAnalysis）來解決，多元時間序列分析就是將問題的各個分量當(dāng)作單個變量來研究，并研究各分量之間的相互作用關(guān)系及變化規(guī)律。因為在實際情況中，一種變量往往可能受到多種因素的影響而發(fā)生改變。比如一個地區(qū)或者區(qū)域的氣溫會受到其所在地的緯度、植被覆蓋率、海拔高度等因素影響，電流變化會受到電壓、電阻、溫度影響。同樣，景區(qū)的客流量也會受到季節(jié)、天氣狀況、節(jié)假日等諸多外部因素影響。旅游客流量的影響因素也是目前研究的熱點問題。比如，黃先開研究了百度指數(shù)與景區(qū)客流量之間的關(guān)系，并建立ARMA模型，預(yù)測北京故宮的旅游客流量[5]；廖貞林在人體舒適度指數(shù)和游覽舒適度指數(shù)的基礎(chǔ)上提出了景點周邊舒適度指數(shù)，并分析其與客流量之間的關(guān)系，建立了基于舒適度指數(shù)的景點熱度預(yù)測模型[6]。隨著現(xiàn)代人工智能技術(shù)的進步和發(fā)展，機器學(xué)習(xí)中的一些模型因其對非線性系統(tǒng)的計算、處理能力較強，也被更廣泛地應(yīng)用在客流量預(yù)測等非線性問題上，如隨機森林（RandomForest，RF）、支持向量回歸（SupportVectorRegression，SVR）、人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）等。比如，陸文星等人提出一種改進的粒子群算法ALPSO來優(yōu)化最小二乘支持向量機（LSSVM），建立了ALPSO-LSSVM模型，并將該模型應(yīng)用在山岳型風(fēng)景區(qū)日客流量預(yù)測問題上[7]；馬銀超將支持向量回歸、BPN、隨機森林三種模型進行兩兩組合，以黃山風(fēng)景區(qū)2011-2015年五年的日客流量作為數(shù)據(jù)集進行研究和分析，建立了相應(yīng)的客流量預(yù)測模型，并通過在黃山風(fēng)景區(qū)日客流量數(shù)據(jù)集上的驗證，證明了模型的準確性[8]，翁鋼民等人構(gòu)建了一種考慮季節(jié)影響的PSO-SVR模型，采用季節(jié)調(diào)整方法對數(shù)據(jù)進行預(yù)處理，利用粒子群算法（PSO）優(yōu)化SVR中的回歸參數(shù)，通過實驗證明了該算法有良好的效果[9]；目前，在時間序列預(yù)測問題上，應(yīng)用比較多的神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)和長短時記憶（LongShort-TermMemory，LSTM）神經(jīng)網(wǎng)絡(luò)。比如，周穎在其碩士學(xué)位論文中分析了景區(qū)客流關(guān)系的主要影響因素，并考慮到景區(qū)空間關(guān)聯(lián)關(guān)系，構(gòu)建了基于LSTM神經(jīng)網(wǎng)絡(luò)的短期客流預(yù)測模型，并以南京市內(nèi)27個3A級以上旅游景區(qū)為研究對象，驗證了模型的效果[10]。葉燕霞將LSTM與ARIMA結(jié)合，以香港、澳門、上海三地的入境游客數(shù)量作為研究對象，分別進行了客流量預(yù)測[11]。雖然這些基于SVR、ANN等機器學(xué)習(xí)方法所建立的模型具有比較成熟的理論基礎(chǔ)以及良好的數(shù)據(jù)分析性能，在基于時間序列的預(yù)測研究方面已經(jīng)取得了比較豐碩的研究成果。但在具體應(yīng)用時，依然存在著多種新的挑戰(zhàn)。對于SVR來說，其主要優(yōu)點之一是泛化能力較強，能夠快速地處理小樣本、非線性數(shù)據(jù)，但缺點是在其處理過程中，對于核函數(shù)和自由參數(shù)需要人為干預(yù)進行選擇。存在著核函數(shù)和自由參數(shù)的選擇問題。而ANN方法雖然有很強的非線性處理能力，快速地尋優(yōu)能力，但由于其學(xué)習(xí)過程比較復(fù)雜而且缺乏可解釋性，容易出現(xiàn)過擬合或欠擬合現(xiàn)象，且容易陷入局部最優(yōu)[12]。旅游客流量數(shù)據(jù)具有非線性特征強、短期波動大、具有明顯季節(jié)性特征等特點，針對旅游客流量數(shù)據(jù)的處理和分析，運用傳統(tǒng)的機器學(xué)習(xí)方法很難實現(xiàn)準確的預(yù)測。所以，我們需要對現(xiàn)有機器學(xué)習(xí)方法進行進一步優(yōu)化和更深入的研究，找到合適且可行的方案，實現(xiàn)旅游客流量的準確預(yù)測。1.2深層神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測方面的研究現(xiàn)狀近年來，深度學(xué)習(xí)技術(shù)在許多領(lǐng)域都取得了突破性的研究或?qū)嵺`成果，如基于深度學(xué)習(xí)的語音識別、計算機視覺以及自然語言處理等。同時，深度學(xué)習(xí)也是時間序列預(yù)測的有效工具[13]。深度學(xué)習(xí)的本質(zhì)是通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來進行學(xué)習(xí)，比起單層神經(jīng)網(wǎng)絡(luò)，多層神經(jīng)網(wǎng)絡(luò)的擬合能力更強，能表達更高層次的非線性特征。在時間序列預(yù)測方面，深度學(xué)習(xí)技術(shù)已被應(yīng)用在多種場景中，然而針對旅游客流量預(yù)測問題，目前深度學(xué)習(xí)技術(shù)還未得到大量的研究和應(yīng)用。李梅分析了公交客流關(guān)鍵影響因素和公交客流分布特征，分別構(gòu)建了基于DBN、LSTM、GRU（GateRecurrentUnit，門控循環(huán)單元）的短時公交客流預(yù)測模型，對西單區(qū)域站點客流和300路快內(nèi)環(huán)公交線路客流進行了分析和預(yù)測[14]。在地鐵客流量預(yù)測方面，張偉林分析了地鐵短時客流特征，分別提出數(shù)據(jù)融合算法和清分算法計算線路和站內(nèi)區(qū)域客流，并構(gòu)建了基于RNN和LSTM神經(jīng)網(wǎng)絡(luò)的地鐵短時客流模型[15]；張琳分別從時間和空間兩個不同的維度對地鐵客流數(shù)據(jù)進行分析，并結(jié)合網(wǎng)格搜索算法，建立了基于LSTM的深度神經(jīng)網(wǎng)絡(luò)模型以及基于CNN的深度神經(jīng)網(wǎng)絡(luò)模型對北京地鐵客流量進行預(yù)測[16]。在地面交通客流量預(yù)測方面，魏中銳采用深度神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建了一種交通流量預(yù)測方法，通過對北京市出租車流量數(shù)據(jù)集進行分析和處理，將圖卷積網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)結(jié)合，提取交通流量的時空特征，并結(jié)合相關(guān)因素進行預(yù)測[17]。李銘建立雙LSTM深度學(xué)習(xí)網(wǎng)絡(luò)對股票進行價格預(yù)測，以及建立卷積-雙GRU深度學(xué)習(xí)網(wǎng)絡(luò)進行股票漲跌的趨勢預(yù)測，并使用增強學(xué)習(xí)的策略提高預(yù)測精度，通過軟投票策略實現(xiàn)超參數(shù)的自動化選擇，通過雙閾值分類實現(xiàn)自適應(yīng)化過程[18]。2國外研究現(xiàn)狀2.1旅游客流量預(yù)測問題研究現(xiàn)狀時間序列預(yù)測問題廣泛采用的是Box-Jenkins方法，其中包括自回歸滑動平均（AutoregressiveMovingAverage，ARMA）模型[19]和差分整合移動平均自回歸（AutoregressiveIntegratedMovingAverage，ARIMA）模型[20]等。這些方法的主要思想是從時間序列本身出發(fā)，找到數(shù)據(jù)間的量化關(guān)系并建立回歸方程進行預(yù)測。由于旅游行業(yè)的客流量會受到季節(jié)影響而呈現(xiàn)出明顯的季節(jié)性特征，季節(jié)性ARIMA模型也被應(yīng)用到旅游需求預(yù)測方面。Chang等人建立了季節(jié)性ARIMA模型，分別預(yù)測了中國臺灣，日本和美國每月的出境人數(shù)[21]；Baldigara等人分析了2003年至2012年從德國到克羅地亞的旅游人數(shù)，建立了季節(jié)性ARIMA模型進行預(yù)測[22]；隨著現(xiàn)代人工智能技術(shù)的進步和發(fā)展，機器學(xué)習(xí)中的一些模型因其對非線性系統(tǒng)的計算、處理能力較強，Wu等人將SVR模型與果蠅優(yōu)化算法（FOA）以及季節(jié)調(diào)整指數(shù)結(jié)合，提出SFOASVR算法，并分析了2000年1月至2013年12月中國大陸的月度入境游客流量數(shù)據(jù)，用SFOASVR算法分別進行了單步和多步預(yù)測[23]；Yu等人基于BP神經(jīng)網(wǎng)絡(luò)建立了需求預(yù)測模型，對北京的游客數(shù)量進行了分析及預(yù)測[24]。Chen等人將經(jīng)驗?zāi)B(tài)分解（EMD）和反向傳播神經(jīng)網(wǎng)絡(luò)（BPN）結(jié)合，提出了EMD-BPN算法，預(yù)測中國臺灣的國際游客數(shù)量[25]；Claveria等人比較了三種不同的ANN模型，即多層感知器（MLP）網(wǎng)絡(luò)，徑向基函數(shù)（RBF）網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)在旅游需求預(yù)測上的性能，并用這三種模型分別預(yù)測了加泰羅尼亞的入境游需求[26]。2.2深層神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測方面的研究現(xiàn)狀在公交客流量預(yù)測方面，Bai等人基于深度信念網(wǎng)絡(luò)（DBN）提出了一種多模式深度融合（MPDF）方法，以分析和預(yù)測短期公交客流量，并以中國廣州公交線路的客流量為例，與經(jīng)典的參數(shù)方法和非參數(shù)方法相比，通過實驗證明了所提出算法的優(yōu)越性[27]；。Du等人提出了一種用于短期交通流量預(yù)測的深度學(xué)習(xí)框架，該框架由LSTM神經(jīng)網(wǎng)絡(luò)和CNN神經(jīng)網(wǎng)絡(luò)組成，并采用PeMS數(shù)據(jù)集進行交通流量預(yù)測[28]。在股票價格預(yù)測方面，Long等人提出一種基于CNN和RNN神經(jīng)網(wǎng)絡(luò)的多層過濾深度神經(jīng)網(wǎng)絡(luò)MFNN，用于分析及提取股票價格時間序列樣本的特征并對股票價格進行預(yù)測[29]；在大氣污染物濃度預(yù)測方面，Huang等人提出了結(jié)合CNN和LSTM神經(jīng)網(wǎng)絡(luò)的APNet深度神經(jīng)網(wǎng)絡(luò)模型，采用2010年到2014年北京地區(qū)每小時的天氣狀況及污染物濃度數(shù)據(jù)集，通過前24小時的PM2.5濃度及影響因素值來預(yù)測下一小時的PM2.5濃度[30]；參考文獻[1]韓兆洲,方澤潤.基于GIOWHA-GALSSVR-SARIMA組合模型在旅游需求預(yù)測中的應(yīng)用[J].數(shù)學(xué)的實踐與認識,2019,49(19):69-79.[2]周廷慰.灰色預(yù)測理論在安徽入境旅游研究中的應(yīng)用[D].合肥:安徽大學(xué),2011.[3]李丹.山岳型旅游風(fēng)景區(qū)日客流量預(yù)測模型研究[D].合肥:合肥工業(yè)大學(xué),2017.[4]趙歡.基于時間序列模型與灰色模型的廣東省旅游人數(shù)預(yù)測研究[D].廣州:華南理工大學(xué),2019.[5]黃先開,張麗峰,丁于思.百度指數(shù)與旅游景區(qū)游客量的關(guān)系及預(yù)測研究——以北京故宮為例.旅游學(xué)刊,2013,28(11):93-100.[6]廖貞林.基于舒適度指數(shù)的旅游景點熱度預(yù)測研究[D].成都:電子科技大學(xué),2018.[7]陸文星,李楚.改進PSO算法優(yōu)化LSSVM模型的短期客流量預(yù)測[J].計算機工程與應(yīng)用,2019,55(18):253-261.[8]馬銀超.山岳型風(fēng)景區(qū)短期客流量預(yù)測組合模型研究——以黃山風(fēng)景區(qū)為例[D].合肥:合肥工業(yè)大學(xué),2017.[9]翁鋼民,李凌雁.旅游客流量預(yù)測:基于季節(jié)調(diào)整的PSO-SVR模型研究[J].計算機應(yīng)用研究,2014,31(3):692-695.[10]周穎.顧及景區(qū)空間關(guān)聯(lián)的客流量短期預(yù)測方法研究[D].南京:南京師范大學(xué),2019.[11]葉燕霞.基于LSTM和ARIMA的組合模型對入境游客人次的預(yù)測[J].旅游研究,2018,10(6):29-40.[12]陳榮.基于支持向量回歸的旅游短期客流量預(yù)測模型研究[D].合肥:合肥工業(yè)大學(xué),2014.[13]楊海民,潘志松,白瑋.時間序列預(yù)測方法綜述[J].計算機科學(xué),2019,46(1):21-28.[14]李梅.基于深度學(xué)習(xí)的短時公交客流預(yù)測研究[D].北京:北京交通大學(xué),2019.[15]張偉林.基于深度學(xué)習(xí)的地鐵短時客流預(yù)測方法研究[D].北京:中國科學(xué)院大學(xué),2019.[16]張琳.基于深度神經(jīng)網(wǎng)絡(luò)的地鐵客流預(yù)測系統(tǒng)研究[D].北京:北京交通大學(xué),2019.[17]魏中銳.基于深度學(xué)習(xí)的交通流量預(yù)測[D].北京:北京交通大學(xué),2019.[18]李銘.基于深度學(xué)習(xí)的股票市場預(yù)測研究[D].南京:南京郵電大學(xué),2019.[19]ChuFL.ForecastingtourismdemandwithARMA-basedmethods[J].Tourismmanagement,2009,30(5):740-751.[20]ChristineL,MichaelM.AseasonalanalysisofAsiantouristarrivalstoAustralia[J].AppliedEconomics,2000,32(4):499-509.[21]ChangYW,LiaoMY.AseasonalARIMAmodeloftourismforecasting:ThecaseofTaiwan[J].AsiaPacificJournalofTourismResearch,2010,15(2):215-221.[22]TeaB,MajaM.TourismstatisticsinCroatia:Presentstatusandfuturechallenges[J].ProcediaSocial&BehavioralSciences,2012,44:53-61.[23]WuLJ,CaoGH.SeasonalSVRwithFOAalgorithmforsingle-stepandmulti-stepaheadforecastinginmonthlyinboundtouristflow[J].Knowledge-BasedSystems,2016,110:157-166.[24]YuY,WangSM.TheforecastingresearchofBeijingtourismdemandbasedontheBPneuralnetwork[J].AppliedMechanicsandMaterials,2014,571-572:128-131.[25]ChenCF,LaiMC,YehCC.Forecastingtourismdemandbasedonempiricalmodedecomposition[J].Knowledge-BasedSystems,2012,26:281-287.[26]OscarC,EnricM,SalvadorT.Tourismdemandforecastingw