【基于机器学习的旅游景区日客流量预测方法文献综述4500字】

基于机器学习的旅游景区日客流量预测方法研究国内外文献综述目录TOC\o"1-2"\h\u61基于机器学习的旅游景区日客流量预测方法研究国内外文献综述 1180901国内研究现状 14361.1旅游客流量预测问题研究现状 173151.2深层神经网络在时间序列预测方面的研究现状 3171982国外研究现状 461792.1旅游客流量预测问题研究现状 4296032.2深层神经网络在时间序列预测方面的研究现状 429684参考文献 51国内研究现状1.1旅游客流量预测问题研究现状早期对于旅游需求预测的研究主要集中在长期和中期预测，如年度、季度、以及月度客流的预测。韩兆洲等人构建了以消费者预期指数、城镇居民人均可支配收入、接待过夜游客数量三个指标滞后值为输入变量的GA-LSSVR模型和季节调整的ARIMA模型以及基于GIOWHA算子的组合模型，对广东省接待的过夜游客流量进行预测[1]。此外，灰色预测方法在旅游需求的预测方面也得到了大量的研究和应用，其主要思想是通过分析和挖掘时间序列之间的内在关联性，建立微分方程组来进行预测。相比于传统的Box-Jenkins方法，灰色预测方法的限制条件少，计算较快，且不需要进行平稳性检验和白噪声检验。在对旅游需求的预测和计算方面，周廷慰利用数列灰预测方法和经过改进的灰色马尔科夫模型预测了安徽入境的旅游人数及其外汇收入，并对结果进行了详细的分析和对比[2]；李丹建立了基于灰色系统组合模型优化后的平常日客流量预测模型，以安徽黄山景区的平常日客流量数据为例进行预测，取得了较好的预测效果[3]；赵欢采用分形自回归滑动平均（ARFIMA）模型，结合灰色预测FGM(1,1)模型，对2001年到2018年的广东省游客人数数据集进行了分析和预测，发现该预测方法的应用能显著提高长期预测结果的可靠性和准确度[4]。不过，这些比较经典的时间序列预测方法主要集中在数据内在变化规律的回归分析以及对时间序列变化趋势的预测和外推上，没有充分考虑可能影响游客量的各种相关因素，并且对非线性系统的数据处理和分析能力也比较差。旅游客流量的预测问题比较适合用多元时间序列分析（MultivariateTimeSeriesAnalysis）来解决，多元时间序列分析就是将问题的各个分量当作单个变量来研究，并研究各分量之间的相互作用关系及变化规律。因为在实际情况中，一种变量往往可能受到多种因素的影响而发生改变。比如一个地区或者区域的气温会受到其所在地的纬度、植被覆盖率、海拔高度等因素影响，电流变化会受到电压、电阻、温度影响。同样，景区的客流量也会受到季节、天气状况、节假日等诸多外部因素影响。旅游客流量的影响因素也是目前研究的热点问题。比如，黄先开研究了百度指数与景区客流量之间的关系，并建立ARMA模型，预测北京故宫的旅游客流量[5]；廖贞林在人体舒适度指数和游览舒适度指数的基础上提出了景点周边舒适度指数，并分析其与客流量之间的关系，建立了基于舒适度指数的景点热度预测模型[6]。随着现代人工智能技术的进步和发展，机器学习中的一些模型因其对非线性系统的计算、处理能力较强，也被更广泛地应用在客流量预测等非线性问题上，如随机森林（RandomForest，RF）、支持向量回归（SupportVectorRegression，SVR）、人工神经网络（ArtificialNeuralNetwork，ANN）等。比如，陆文星等人提出一种改进的粒子群算法ALPSO来优化最小二乘支持向量机（LSSVM），建立了ALPSO-LSSVM模型，并将该模型应用在山岳型风景区日客流量预测问题上[7]；马银超将支持向量回归、BPN、随机森林三种模型进行两两组合，以黄山风景区2011-2015年五年的日客流量作为数据集进行研究和分析，建立了相应的客流量预测模型，并通过在黄山风景区日客流量数据集上的验证，证明了模型的准确性[8]，翁钢民等人构建了一种考虑季节影响的PSO-SVR模型，采用季节调整方法对数据进行预处理，利用粒子群算法（PSO）优化SVR中的回归参数，通过实验证明了该算法有良好的效果[9]；目前，在时间序列预测问题上，应用比较多的神经网络是循环神经网络和长短时记忆（LongShort-TermMemory，LSTM）神经网络。比如，周颖在其硕士学位论文中分析了景区客流关系的主要影响因素，并考虑到景区空间关联关系，构建了基于LSTM神经网络的短期客流预测模型，并以南京市内27个3A级以上旅游景区为研究对象，验证了模型的效果[10]。叶燕霞将LSTM与ARIMA结合，以香港、澳门、上海三地的入境游客数量作为研究对象，分别进行了客流量预测[11]。虽然这些基于SVR、ANN等机器学习方法所建立的模型具有比较成熟的理论基础以及良好的数据分析性能，在基于时间序列的预测研究方面已经取得了比较丰硕的研究成果。但在具体应用时，依然存在着多种新的挑战。对于SVR来说，其主要优点之一是泛化能力较强，能够快速地处理小样本、非线性数据，但缺点是在其处理过程中，对于核函数和自由参数需要人为干预进行选择。存在着核函数和自由参数的选择问题。而ANN方法虽然有很强的非线性处理能力，快速地寻优能力，但由于其学习过程比较复杂而且缺乏可解释性，容易出现过拟合或欠拟合现象，且容易陷入局部最优[12]。旅游客流量数据具有非线性特征强、短期波动大、具有明显季节性特征等特点，针对旅游客流量数据的处理和分析，运用传统的机器学习方法很难实现准确的预测。所以，我们需要对现有机器学习方法进行进一步优化和更深入的研究，找到合适且可行的方案，实现旅游客流量的准确预测。1.2深层神经网络在时间序列预测方面的研究现状近年来，深度学习技术在许多领域都取得了突破性的研究或实践成果，如基于深度学习的语音识别、计算机视觉以及自然语言处理等。同时，深度学习也是时间序列预测的有效工具[13]。深度学习的本质是通过构建多层神经网络来进行学习，比起单层神经网络，多层神经网络的拟合能力更强，能表达更高层次的非线性特征。在时间序列预测方面，深度学习技术已被应用在多种场景中，然而针对旅游客流量预测问题，目前深度学习技术还未得到大量的研究和应用。李梅分析了公交客流关键影响因素和公交客流分布特征，分别构建了基于DBN、LSTM、GRU（GateRecurrentUnit，门控循环单元）的短时公交客流预测模型，对西单区域站点客流和300路快内环公交线路客流进行了分析和预测[14]。在地铁客流量预测方面，张伟林分析了地铁短时客流特征，分别提出数据融合算法和清分算法计算线路和站内区域客流，并构建了基于RNN和LSTM神经网络的地铁短时客流模型[15]；张琳分别从时间和空间两个不同的维度对地铁客流数据进行分析，并结合网格搜索算法，建立了基于LSTM的深度神经网络模型以及基于CNN的深度神经网络模型对北京地铁客流量进行预测[16]。在地面交通客流量预测方面，魏中锐采用深度神经网络技术，构建了一种交通流量预测方法，通过对北京市出租车流量数据集进行分析和处理，将图卷积网络与LSTM网络结合，提取交通流量的时空特征，并结合相关因素进行预测[17]。李铭建立双LSTM深度学习网络对股票进行价格预测，以及建立卷积-双GRU深度学习网络进行股票涨跌的趋势预测，并使用增强学习的策略提高预测精度，通过软投票策略实现超参数的自动化选择，通过双阈值分类实现自适应化过程[18]。2国外研究现状2.1旅游客流量预测问题研究现状时间序列预测问题广泛采用的是Box-Jenkins方法，其中包括自回归滑动平均（AutoregressiveMovingAverage，ARMA）模型[19]和差分整合移动平均自回归（AutoregressiveIntegratedMovingAverage，ARIMA）模型[20]等。这些方法的主要思想是从时间序列本身出发，找到数据间的量化关系并建立回归方程进行预测。由于旅游行业的客流量会受到季节影响而呈现出明显的季节性特征，季节性ARIMA模型也被应用到旅游需求预测方面。Chang等人建立了季节性ARIMA模型，分别预测了中国台湾，日本和美国每月的出境人数[21]；Baldigara等人分析了2003年至2012年从德国到克罗地亚的旅游人数，建立了季节性ARIMA模型进行预测[22]；随着现代人工智能技术的进步和发展，机器学习中的一些模型因其对非线性系统的计算、处理能力较强，Wu等人将SVR模型与果蝇优化算法（FOA）以及季节调整指数结合，提出SFOASVR算法，并分析了2000年1月至2013年12月中国大陆的月度入境游客流量数据，用SFOASVR算法分别进行了单步和多步预测[23]；Yu等人基于BP神经网络建立了需求预测模型，对北京的游客数量进行了分析及预测[24]。Chen等人将经验模态分解（EMD）和反向传播神经网络（BPN）结合，提出了EMD-BPN算法，预测中国台湾的国际游客数量[25]；Claveria等人比较了三种不同的ANN模型，即多层感知器（MLP）网络，径向基函数（RBF）网络和Elman网络在旅游需求预测上的性能，并用这三种模型分别预测了加泰罗尼亚的入境游需求[26]。2.2深层神经网络在时间序列预测方面的研究现状在公交客流量预测方面，Bai等人基于深度信念网络（DBN）提出了一种多模式深度融合（MPDF）方法，以分析和预测短期公交客流量，并以中国广州公交线路的客流量为例，与经典的参数方法和非参数方法相比，通过实验证明了所提出算法的优越性[27]；。Du等人提出了一种用于短期交通流量预测的深度学习框架，该框架由LSTM神经网络和CNN神经网络组成，并采用PeMS数据集进行交通流量预测[28]。在股票价格预测方面，Long等人提出一种基于CNN和RNN神经网络的多层过滤深度神经网络MFNN，用于分析及提取股票价格时间序列样本的特征并对股票价格进行预测[29]；在大气污染物浓度预测方面，Huang等人提出了结合CNN和LSTM神经网络的APNet深度神经网络模型，采用2010年到2014年北京地区每小时的天气状况及污染物浓度数据集，通过前24小时的PM2.5浓度及影响因素值来预测下一小时的PM2.5浓度[30]；参考文献[1]韩兆洲,方泽润.基于GIOWHA-GALSSVR-SARIMA组合模型在旅游需求预测中的应用[J].数学的实践与认识,2019,49(19):69-79.[2]周廷慰.灰色预测理论在安徽入境旅游研究中的应用[D].合肥:安徽大学,2011.[3]李丹.山岳型旅游风景区日客流量预测模型研究[D].合肥:合肥工业大学,2017.[4]赵欢.基于时间序列模型与灰色模型的广东省旅游人数预测研究[D].广州:华南理工大学,2019.[5]黄先开,张丽峰,丁于思.百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例.旅游学刊,2013,28(11):93-100.[6]廖贞林.基于舒适度指数的旅游景点热度预测研究[D].成都:电子科技大学,2018.[7]陆文星,李楚.改进PSO算法优化LSSVM模型的短期客流量预测[J].计算机工程与应用,2019,55(18):253-261.[8]马银超.山岳型风景区短期客流量预测组合模型研究——以黄山风景区为例[D].合肥:合肥工业大学,2017.[9]翁钢民,李凌雁.旅游客流量预测:基于季节调整的PSO-SVR模型研究[J].计算机应用研究,2014,31(3):692-695.[10]周颖.顾及景区空间关联的客流量短期预测方法研究[D].南京:南京师范大学,2019.[11]叶燕霞.基于LSTM和ARIMA的组合模型对入境游客人次的预测[J].旅游研究,2018,10(6):29-40.[12]陈荣.基于支持向量回归的旅游短期客流量预测模型研究[D].合肥:合肥工业大学,2014.[13]杨海民,潘志松,白玮.时间序列预测方法综述[J].计算机科学,2019,46(1):21-28.[14]李梅.基于深度学习的短时公交客流预测研究[D].北京:北京交通大学,2019.[15]张伟林.基于深度学习的地铁短时客流预测方法研究[D].北京:中国科学院大学,2019.[16]张琳.基于深度神经网络的地铁客流预测系统研究[D].北京:北京交通大学,2019.[17]魏中锐.基于深度学习的交通流量预测[D].北京:北京交通大学,2019.[18]李铭.基于深度学习的股票市场预测研究[D].南京:南京邮电大学,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