景区客流量预测的方法、装置、服务器和存储介质.pdf

《景区客流量预测的方法、装置、服务器和存储介质.pdf》由会员分享，可在线阅读，更多相关《景区客流量预测的方法、装置、服务器和存储介质.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910272224.0 (22)申请日 2019.04.04 (71)申请人 中兴飞流信息科技有限公司 地址 210012 江苏省南京市雨花台区紫荆 花路68号 (72)发明人 张金飞王文薛全华 (74)专利代理机构 上海晨皓知识产权代理事务 所(普通合伙) 31260 代理人 成丽杰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/14(2012.01) (54)发明名称 一种景区客流量预测的方法、 装置、 服务器 和存储介质 (57)摘要。

2、 本发明实施例涉及网络技术领域， 公开了一 种景区客流量预测的方法、 装置、 服务器和存储 介质。 本发明中提供的景区客流量预测的方法， 包括： 获取预设地理范围内的实时客流量数据， 实时客流量数据为当前时刻之前属于第一预设 时间段内的客流量数据； 判断预测日是否属于节 假日； 若判定预测日属于节假日， 则根据实时客 流量数据以及节假日预测模型， 确定待测景区在 预测日的客流量预测值； 若判定所述预测日属于 非节假日， 则根据实时客流量数据以及非节假日 预测模型， 确定待测景区在预测日的客流量预测 值。 本实施方式， 使得可以准确地对待测景区的 客流量进行预测。 权利要求书2页 说明书10页 。

3、附图4页 CN 110175690 A 2019.08.27 CN 110175690 A 1.一种景区客流量预测的方法， 其特征在于， 包括： 获取预设地理范围内的实时客流量数据， 其中， 所述预设地理范围内包含待测景区， 所 述实时客流量数据为当前时刻之前属于第一预设时间段内的客流量数据； 判断预测日是否属于节假日； 若判定所述预测日属于节假日， 则根据所述实时客流量数据以及节假日预测模型， 确 定待测景区在所述预测日的客流量预测值， 所述节假日预测模型为所述实时客流量数据与 待预测的节假日之间的对应关系； 若判定所述预测日属于非节假日， 则根据所述实时客流量数据以及非节假日预测模 型， 。

4、确定所述待测景区在所述预测日的客流量预测值， 所述非节假日预测模型为所述实时 客流量数据与待预测的非节假日之间的对应关系。 2.根据权利要求1所述的景区客流量预测的方法， 其特征在于， 所述预设地理范围内的 实时客流量数据包括： 所述待测景区至少一种来源的实时客流量数据， 或者， 所述待测景区 至少一种来源的实时客流量数据和在所述预设地理范围内其他景区内至少一种来源的实 时客流量数据； 在获取预设地理范围内的实时客流量数据之后， 且在确定待测景区在所述预测日的客 流量预测值之前， 所述景区客流量预测的方法还包括： 统一所述预设地理范围内的实时客流量数据中每个数据的数据格式， 形成多维客流量 数。

5、据， 并将所述多维客流量数据作为所述节假日预测模型或所述非节假日预测模型的输入 数据。 3.根据权利要求2所述的景区客流量预测的方法， 其特征在于， 在获取预设地理范围内 的实时客流量数据之前， 所述景区客流量预测的方法还包括： 获取所述预设地理范围内的历史客流量数据， 所述历史客流量数据为当前时刻之前属 于第二预设时间段内的客流量数据； 将所述历史客流量数据分为节假日历史客流量数据和非节假日历史客流量数据； 根据所述节假日历史客流量数据， 构建所述节假日预测模型， 以及根据所述非节假日 历史客流量数据， 构建所述非节假日预测模型。 4.根据权利要求3所述的景区客流量预测的方法， 其特征在于，。

6、 在将所述历史客流量数 据分为节假日历史客流量数据和非节假日历史客流量数据之前， 所述景区客流量预测的方 法还包括： 根据所述历史客流量数据， 通过深度学习训练区分模型， 所述区分模型用于区分所述 历史客流量数据是否为节假日历史客流量数据， 或者， 所述区分模型用于区分所述预测日 是否属于节假日。 5.根据权利要求3所述的景区客流量预测的方法， 其特征在于， 在根据所述节假日历史 客流量数据， 构建所述节假日预测模型， 以及根据所述非节假日历史客流量数据， 构建所述 非节假日预测模型之前， 所述景区客流量预测的方法还包括： 从所述历史客流量数据中去除属于异常的历史客流量数据和/或补充缺失的历史。

7、客流 量数据。 6.根据权利要求1至5中任一项所述的景区客流量预测的方法， 其特征在于， 在确定所 述待测景区在所述预测日的客流量预测值之后， 所述景区客流量预测的方法还包括： 权利要求书 1/2 页 2 CN 110175690 A 2 获取所述待测景区在当前时刻之前属于所述第一预设时间段内至少一种客流量影响 因素数据， 所述客流量影响因素数据与所述客流量数据之间存在对应关系； 根据至少一种所述客流量影响因素数据， 对所述客流量预测值进行修正。 7.根据权利要求3中所述的景区客流量预测的方法， 其特征在于， 若确定所述节假日预 测模型或所述非节假日预测模型的输入数据为所述多维客流量数据， 则。

8、所述预设地理范围 内的历史客流量数据包括： 所述待测景区至少一种来源的历史客流量数据， 或者， 所述待测 景区至少一种来源的历史客流量数据和在所述预设地理范围内其他景区内至少一种来源 的历史客流量数据； 将所述历史客流量数据分为节假日历史客流量数据和非节假日历史客流量数据， 具体 包括： 统一所述预设地理范围内的历史客流量数据中每个数据的数据格式， 形成多维历史客 流量数据； 并将所述多维历史客流量数据区分为节假日历史客流量数据和非节假日历史客流量 数据。 8.一种景区客流量预测的装置， 其特征在于， 包括： 获取模块、 判断模块、 节假日预测模 块和非节假日预测模块； 获取模块用于获取预设地。

9、理范围内的实时客流量数据， 其中， 所述预设地理范围内包 含待测景区， 所述实时客流量数据为当前时刻之前属于第一预设时间段内的客流量数据； 判断模块用于判断预测日是否属于节假日； 节假日预测模块用于若判定所述预测日属于节假日， 则根据所述实时客流量数据以及 节假日预测模型， 确定待测景区在所述预测日的客流量预测值， 所述节假日预测模型为所 述实时客流量数据与待预测的节假日之间的对应关系； 非节假日预测模块用于若判定所述预测日属于非节假日， 则根据所述实时客流量数据 以及非节假日预测模型， 确定所述待测景区在所述预测日的客流量预测值， 所述非节假日 预测模型为所述实时客流量数据与待预测的非节假日。

10、之间的对应关系。 9.一种服务器， 其特征在于， 包括： 至少一个处理器； 以及， 与所述至少一个处理器通信连接的存储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处理器能够执行如权利要求1至7任一所述的景区客流量预测 的方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现权利要求1至7中任一项所述的景区客流量预测的方法。 权利要求书 2/2 页 3 CN 110175690 A 3 一种景区客流量预测的方法、 装置、 服务器和存储介质 技术领域 0001 本发明实。

11、施例涉及网络技术领域， 特别涉及一种景区客流量预测的方法、 装置、 服 务器和存储介质。 背景技术 0002 随着社会经济的不断发展和人民生活质量的逐步提高， 越来越多的人喜欢出行旅 游， 使得我国各地区的旅游业得到了很大的发展。 现在旅游业已成为最重要的经济产业之 一， 旅游业的繁荣发展， 无疑对各个景区有了更高的要求， 而对于日渐繁荣发展的旅游业， 对景区的客流量进行准确地预测， 一方面可以帮助景区的相关部门提前做出科学合理的规 划和决策， 优化资源管理及调度， 提高景区的服务质量； 另一方面可以在提升景区服务质量 的同时， 提升游客在景区的旅游体验指数。 可见对景区的客流量进行准确地预测。

12、是十分必 要的。 0003 发明人发现现有技术中至少存在如下问题： 目前对景区客流量预测时， 通常是对 采集的该景区的客流量进行笼统的处理， 例如， 基于线性回归的算法对该景区的历史客流 量进行处理， 而实际的景区的客流量是非线性的， 且实际景区的客流量变化非常大， 导致预 测出景区的客流量波动大， 非常不准确。 发明内容 0004 本发明实施方式的目的在于提供一种景区客流量预测的方法、 装置、 服务器和存 储介质， 使得可以准确地对待测景区的客流量进行预测。 0005 为解决上述技术问题， 本发明的实施方式提供了一种景区客流量预测的方法， 包 括： 获取预设地理范围内的实时客流量数据， 其中。

13、， 预设地理范围内包含待测景区， 实时客 流量数据为当前时刻之前属于第一预设时间段内的客流量数据； 判断预测日是否属于节假 日； 若判定预测日属于节假日， 则根据实时客流量数据以及节假日预测模型， 确定待测景区 在预测日的客流量预测值， 节假日预测模型为实时客流量数据与待预测的节假日之间的对 应关系； 若判定预测日属于非节假日， 则根据实时客流量数据以及非节假日预测模型， 确定 待测景区在预测日的客流量预测值， 非节假日预测模型为实时客流量数据与待预测的非节 假日之间的对应关系。 0006 本发明的实施方式还提供了一种景区客流量预测的装置， 包括： 获取模块、 判断模 块、 节假日预测模块和非。

14、节假日预测模块； 获取模块用于获取预设地理范围内的实时客流 量数据， 其中， 预设地理范围内包含待测景区， 实时客流量数据为当前时刻之前属于第一预 设时间段内的客流量数据； 判断模块用于判断预测日是否属于节假日； 节假日预测模块用 于若判定预测日属于节假日， 则根据实时客流量数据以及节假日预测模型， 确定待测景区 在预测日的客流量预测值， 节假日预测模型为实时客流量数据与待预测的节假日之间的对 应关系； 非节假日预测模块用于若判定预测日属于非节假日， 则根据实时客流量数据以及 非节假日预测模型， 确定待测景区在预测日的客流量预测值， 非节假日预测模型为实时客 说明书 1/10 页 4 CN 1。

15、10175690 A 4 流量数据与待预测的非节假日之间的对应关系。 0007 本发明的实施方式还提供了一种服务器， 包括： 至少一个处理器； 以及， 与至少一 个处理器通信连接的存储器； 其中， 存储器存储有可被至少一个处理器执行的指令， 指令被 至少一个处理器执行， 以使至少一个处理器能够执行上述的景区客流量预测的方法。 0008 本发明的实施方式还提供了一种计算机可读存储介质， 存储有计算机程序， 计算 机程序被处理器执行时上述的景区客流量预测的方法。 0009 本发明实施方式相对于现有技术而言， 通过判断预测日是否属于节假日， 并根据 判断结果， 选择适合该预测日的预测模型， 从而根据。

16、选择的预测模型以及实时客流量数据， 确定该待测景区在预测日的客流量预测值。 由于景区的客流量在节假日和非节假日的规律 明显不同， 而节假日预测模型反映了节假日与实时客流量数据的对应关系， 非节假日预测 模型反映了非节假日与实时客流量数据的对应关系， 通过预测日选择符合该预测日规律的 预测模型， 可以最大程度地贴近该预测日的客流量变化规律， 较为准确地对预测日该待测 景区的客流量进行预测， 提高了对待测景区客流量预测的准确性； 且由于不采用笼统的单 一预测模型对预测日进行预测， 避免了出现在待测景区预测日的客流量预测值与实际客流 量相差较大的问题。 0010 另外， 预设地理范围内的实时客流量数。

17、据包括： 待测景区至少一种来源的实时客 流量数据， 或者， 待测景区至少一种来源的实时客流量数据和在预设地理范围内其他景区 内至少一种来源的实时客流量数据； 在获取预设地理范围内的实时客流量数据之后， 且在 确定待测景区在预测日的客流量预测值之前， 景区客流量预测的方法还包括： 统一预设地 理范围内的实时客流量数据中每个数据的数据格式， 形成多维客流量数据， 并将多维客流 量数据作为节假日预测模型或非节假日预测模型的输入数据。 该预设地理位置范围内的实 时客流量数据包含多种来源的数据， 丰富了数据的广度， 从而可以提高对预测日的客流量 预测的准确性； 另外， 该预设地理位置范围内实时客流量数据。

18、可以包括待测景区的客流量 数据， 还可以包括预设地理范围内其他景区的客流量数据， 进一步丰富了数据， 使得对该待 测景区的客流量预测更为准确， 同时， 由于不同景区的客流量数据的格式不同， 对该预设地 理范围内的实时客流量数据进行格式统一， 使得可以快速地使用该预设地理范围内的实时 客流量数据， 提高对预测日客流量预测的速度。 0011 另外， 在获取预设地理范围内的实时客流量数据之前， 景区客流量预测的方法还 包括： 获取预设地理范围内的历史客流量数据， 历史客流量数据为当前时刻之前属于第二 预设时间段内的客流量数据； 将历史客流量数据分为节假日历史客流量数据和非节假日历 史客流量数据； 0。

19、012 根据节假日历史客流量数据， 构建节假日预测模型， 以及根据非节假日历史客流 量数据， 构建非节假日预测模型。 通过将历史客流量数据分为节假日历史客流量数据和非 节假日历史客流量数据， 使用属于节假日的客流量数据构建节假日预测模型， 可以准确地 反映出节假日预测模型中节假日与实时客流量数据之间的对应关系， 以及使用非节假日的 客流量数据构建非节假日预测模型， 可以准确地反映出非节假日预测模型中非节假日与实 时客流量数据之间的对应关系， 使得构建的节假日预测模型对节假日的准确预测， 以及非 节假日预测模型对非节假日的准确预测。 0013 另外， 在将历史客流量数据分为节假日历史客流量数据和。

20、非节假日历史客流量数 说明书 2/10 页 5 CN 110175690 A 5 据之前， 景区客流量预测的方法还包括： 根据历史客流量数据， 通过深度学习训练区分模 型， 区分模型用于区分历史客流量数据是否为节假日客流量数据， 或者， 区分模型用于区分 预测日是否属于节假日。 通过区分模型可以快速地区分出历史客流量数据是否为节假日数 据， 以便后续构建预测模型， 同理， 也可以快速区分出预测日是否节假日， 区分速度快， 加快 了对预测日的客流量的预测速度。 0014 另外， 在根据节假日历史客流量数据， 构建节假日预测模型， 以及根据非节假日历 史客流量数据， 构建非节假日预测模型之前， 景。

21、区客流量预测的方法还包括： 从历史客流量 数据中去除属于异常的历史客流量数据和/或补充缺失的历史客流量数据。 通过去除异常 的客流量数据， 避免异常数据影响构建的预测模型的预测准确性， 补充缺失的客流量数据， 也可以避免不完整的客流量数据对构建的节假日预测模型或非节假日预测模型造成的预 测不准确的影响。 0015 另外， 在确定待测景区在预测日的客流量预测值之后， 景区客流量预测的方法还 包括： 获取待测景区在当前时刻之前属于第一预设时间段内至少一种客流量影响因素数 据， 客流量影响因素数据与客流量数据之间存在对应关系； 根据至少一种客流量影响因素 数据， 对客流量预测值进行修正。 客流量影响。

22、因素数据(如天气数据、 待测景区开放时间数 据等)对待测景区的客流量有影响， 通过客流量影响因素数据对客流量预测值进行修正， 提 高了对待测景区的客流量预测的准确度。 0016 另外， 若确定节假日预测模型或非节假日预测模型的输入数据为多维客流量数 据， 则预设地理范围内的历史客流量数据包括： 待测景区至少一种来源的历史客流量数据， 或者， 待测景区至少一种来源的历史客流量数据和在预设地理范围内其他景区内至少一种 来源的历史客流量数据； 将历史客流量数据分为节假日历史客流量数据和非节假日历史客 流量数据， 具体包括： 统一预设地理范围内的历史客流量数据中每个数据的数据格式， 形成 多维历史客流。

23、量数据； 并将多维历史客流量数据区分为节假日历史客流量数据和非节假日 历史客流量数据。 该预设地理位置范围内的历史客流量数据包含多种来源的数据， 丰富了 用于构建预测模型的数据的广度， 从而可以提高节假日预测模型以及非节假日预测模型对 客流量预测的准确性； 另外， 历史客流量数据可以包括待测景区的历史客流量数据， 还可以 包括预设地理范围内其他景区的历史客流量数据， 进一步丰富了数据， 同时， 由于不同景区 的历史客流量数据的格式不同， 对该预设地理范围内的历史客流量数据进行格式统一， 使 得可以快速地使用该预设地理范围内的历史客流量数据， 加快了对节假日预测模型或非节 假日预测模型的构建速度。

24、。 附图说明 0017 一个或多个实施例通过与之对应的附图中的图片进行示例性说明， 这些示例性说 明并不构成对实施例的限定， 附图中具有相同参考数字标号的元件表示为类似的元件， 除 非有特别申明， 附图中的图不构成比例限制。 0018 图1是根据本发明第一实施方式中一种景区客流量预测的方法具体流程示意图； 0019 图2是根据本发明第一实施方式中构建节假日预测模型和非节假日预测模型具体 流程示意图； 0020 图3是根据本发明第二实施方式中构建节假日预测模型和非节假日预测模型具体 说明书 3/10 页 6 CN 110175690 A 6 流程示意图； 0021 图4是根据本发明第三实施方式中。

25、一种景区客流量预测的方法具体流程示意图； 0022 图5是根据本发明第四实施方式提供的一种景区客流量预测的装置的具体结构示 意图； 0023 图6是根据本发明第五实施方式提供的一种服务器的具体结构示意图。 具体实施方式 0024 为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合附图对本发明 的各实施方式进行详细的阐述。 然而， 本领域的普通技术人员可以理解， 在本发明各实施方 式中， 为了使读者更好地理解本申请而提出了许多技术细节。 但是， 即使没有这些技术细节 和基于以下各实施方式的种种变化和修改， 也可以实现本申请所要求保护的技术方案。 0025 本发明的第一实施方式涉及一种。

26、景区客流量预测的方法。 该景区客流量预测的方 法用于对待测景区的客流量进行预测， 该景区客流量预测的方法可以应用于终端(如电 脑)、 服务器等， 该景区客流量预测的方法具体流程如图1所示： 0026 步骤101： 获取预设地理范围内的实时客流量数据， 其中， 预设地理范围内包含待 测景区， 实时客流量数据为当前时刻之前属于第一预设时间段内的客流量数据。 0027 具体的说， 实时客流量数据可以根据第一预设时间段来确定， 例如， 若第一预设时 间段为3天的时长， 则实时客流量数据即表示为当前时刻之前3天内的客流量数据。 可以向 客流量数据采集装置(或客流量数据云端)发送数据获取请求， 通过通信网。

27、络实时获取预设 地理范围内的实时客流量数据。 其中， 预设地理范围可以由人工预先设置， 本实施方式不对 预设地理范围的大小进行限制， 可以根据实际应用确定， 但该预设地理范围内至少要包含 待测景区。 0028 一个具体的实现中， 预设地理范围内的实时客流量数据包括： 待测景区至少一种 来源的实时客流量数据， 或者， 待测景区至少一种来源的实时客流量数据和在预设地理范 围内其他景区内至少一种来源的实时客流量数据。 0029 具体的说， 预设地理范围内的实时客流量数据可以包括一种来源或两种以上来源 的实时客流量数据， 待测景区的实时客流量数据的来源有多种， 例如， 通过待测景区的检票 口获取的待测。

28、景区的实时客流量数据， 还可以是通过统计待测景区的出售的景区票数目， 确定该待测景区的客流量数据， 还可以通过统计景区停车场的车辆， 确定该待测景区的客 流量数据。 通常待测景区周围也有其他景区， 其他景区的客流量同样会对待测景区的客流 量造成影响， 为了精确地预测该待测景区在预测日的客流量， 该预设地理范围内的实时客 流量数据还可以包括在预设地理范围内其他景区内至少一种来源的实时客流量数据， 本实 施方式中提到的其他景区均是是指在预设地理范围内除待测景区之外的景区。 其他景区内 至少一种来源的实时客流量数据的获取方式与待测景区内至少一种来源的实施流量数据 的获取方式大致相同， 此处不再进行赘。

29、述。 0030 可以理解的是， 由于不同来源的实时客流量数据的数据格式不同， 为了便于后续 对不同来源的实时客流量数据的使用， 在确定待测景区在预测日的客流量预测值之前， 可 以统一预设地理范围内的实时客流量数据中每个数据的数据格式， 形成多维客流量数据， 并将多维客流量数据作为节假日预测模型或非节假日预测模型的输入数据。 说明书 4/10 页 7 CN 110175690 A 7 0031 具体的说， 可以采用遍历的方式更改实时客流量数据中的每个数据的数据格式， 数据格式可以以待测景区的数据格式为模板， 当然， 数据格式也可以由人自行设置， 例如， 数据格式可以为： 预设时段， 游客人数， 。

30、其中， 预设时段也可以由工程师根据实际需要自 行设置， 预设时段可以是24小时， 也可以是48小时， 本实施方式不对预设时段进行限制。 可 以理解的是， 将每种来源的实时客流量数据进行统一后， 可以形成多维客流量数据的格式， 例如， 若有2种来源的实实时客流量数据， 则形成的多维客流量数据可以表示为： (D1， N1)， (D2， N2)， 其中， D1和D2表示预设时段， N1和N2表示为游客人数。 0032 值得一提的是， 在获取预设地理范围内的实时客流量数据之前， 需要根据获取预 设地理范围内的历史客流量数据， 构建节假日预测模型和非节假日预测模型， 具体构建的 过程如图2所示， 包括：。

31、 0033 子步骤1011： 获取预设地理范围内的历史客流量数据， 历史客流量数据为当前时 刻之前属于第二预设时间段内的客流量数据。 0034 具体的说， 由于历史客流量数据用于构建节假日预测模型和非节假日预测模型， 为保证节假日预测模型和非节假日预测模型的对预测日的客流量的准确预测， 需要的大量 数据， 因而， 第二预设时间段应当尽可能的长， 例如， 第二预设时间段为2年的时长、 3年的时 长等。 0035 子步骤1012： 将历史客流量数据分为节假日历史客流量数据和非节假日历史客流 量数据。 0036 具体的说， 节假日是指国家规定的法定节假日， 当然， 每个国家的法定节假日是不 同的， 。

32、本实施方式以中国为例。 本实施方式中， 将节假日定义为春节和国庆节所处的日期； 将除春节和国庆节之外的日期定义为非节假日。 按照本实施方式中定义的节假日和非节假 日的标准， 根据历史客流量数据中的日期将历史客流量数据分为节假日历史客流量数据和 非节假日历史客流量数据。 0037 一个具体的实现中， 可以根据历史客流量数据， 通过深度学习训练区分模型。 该区 分模型用于区分历史客流量数据是否为节假日历史客流量数据， 或者， 该区分模型用于区 分预测日是否属于节假日。 0038 具体的说， 可以将历史客流量数据作为输入区分模型的输入数据， 同时， 由人工获 取的节假日历史客流量数据和非节假日历史客。

33、流量数据作为该区分模型的输出数据， 使用 机器学习的方式， 即可确定出该区分模型。 区分模型构建完成后， 则无需人工对历史客流量 数或预测日据进行区分， 节省了人工操作。 0039 子步骤1013： 根据节假日历史客流量数据， 构建节假日预测模型， 以及根据非节假 日历史客流量数据， 构建非节假日预测模型。 0040 一个具体的实现中， 若确定节假日预测模型或非节假日预测模型的输入数据为多 维客流量数据， 则预设地理范围内的历史客流量数据包括： 待测景区至少一种来源的历史 客流量数据， 或者， 待测景区至少一种来源的历史客流量数据和在预设地理范围内其他景 区内至少一种来源的历史客流量数据。 0。

34、041 将历史客流量数据分为节假日历史客流量数据和非节假日历史客流量数据， 具体 过程为： 统一预设地理范围内的历史客流量数据中每个数据的数据格式， 形成多维历史客 流量数据； 并将多维历史客流量数据区分为节假日历史客流量数据和非节假日历史客流量 说明书 5/10 页 8 CN 110175690 A 8 数据。 0042 具体的说， 将历史客流量数据转化为多维历史客流量数据后， 之后再划分为节假 日历史客流量数据和非节假日历史客流量数据， 划分的过程与实时客流量数据的划分大致 相同， 此处不再进行赘述。 0043 下面介绍根据节假日历史客流量数据， 构建节假日预测模型的过程。 0044 具体。

35、的说， 在节假日历史客流量数据中选取属于第一预设天数内预设时间间隔的 数据作为构建该节假日预测模型的第一输入数据， 从该节假日历史客流量数据中选取属于 第二预设天数内的预设时间间隔的数据作为构建该节假日预测模型的第一输出数据， 根据 第一输入数据和第一输出数据训练获得节假日预测模型。 可以采用神经网络的方式对第一 输入数据和第一输出数据进行训练， 例如， 采用长短期记忆网络(Long Short-Term Memory， 简称 “LSTM” 网络)。 同理， 非节假日模型的构建过程与节假日预测模型的构建过程 大致相同， 此处不再进行赘述。 0045 本实施方式中以LSTM算法为例， 进行节假日。

36、预测模型的训练， 非节假日也采用相 同的方式训练获得。 LSTM的采用的输入格式为： 样本数据， 步长， 特征， 需要将节假日历史 客流量数据按照该LSTM的输入格式输入， 其中， 样本数据是指历史客流量数据的来源数目， 步长是指客流量数据采集的时间间隔， 特征是指历史客流量数据或者多维历史客流量数 据。 0046 在LSTM算法中通过阈值实现算法的收敛， 本实施方式中以使用平均绝对误差 (MAE)作为损失函数， 即该损失函数用于判断该LSTM是否收敛： 0047 0048 其中， N代表样本数据量， ppredict表示预测值， preal表示实际值。 0049 LSTM算法包括三个门， 分。

37、别为遗忘门、 输入们和输出门。 下面分别介绍遗忘门、 输 入们和输出门。 0050 遗忘门的作用是决定从细胞状态应该丢弃的信息。 0051 ft (wfht-1,xt+bf) (2) 0052 ht-1表示上一个细胞的输出即上一时刻的信息， xt表示当前的输入数据， 本实施方 式中xt表示为历史客流量数据或者多维历史客流量数据， wf表示遗忘门的权重矩阵， bf为对 应的偏置项， 代表sigmoid函数。 0053 输入门的作用是决定让多少新的信息加入到当前的状态中来。 0054 it (wiht-1,xt+bi) (3) 0055 0056 0057 其中， wi表示输入权重矩阵， bi表示。

38、对应的偏置项， wc表示更新权重矩阵， bc为对应 的偏置项， 公式(5)中将遗忘门与之前的旧状态(即ct-1)相乘加上it与 的乘积， 即将当前记 说明书 6/10 页 9 CN 110175690 A 9 忆ct和长期记忆ct-1结合在一起， 形成了新的单元状态ct， it表示输入门的输出， 用于控制信 信息被加入多少。 0058 输出门得出客流量预测值。 0059 ot (woht-1,xt+bo) (6) 0060 htot*tanh(ct) (7) 0061 wo为输出权重矩阵， bo为对应的偏置项， 通过sigmoid函数层确定细胞状态哪个部 分会被输出， ht即为输出的客流量预测。

39、值。 0062 因此， 可以将第一输入数据和第一输出数据带入公式(2)至公式(7)中， 同时通过 损失函数校验训练的模型是否收敛， 即若输出的结果大于阈值(MSE)， 则继续进行迭代， 否 则， 节假日预测模型构建完成， 其中， 具体训练过程将不再赘述。 0063 当然， 还可以采用其他的深度学习的方式构建该节假日预测模型以及非节假日预 测模型。 0064 步骤102： 判断预测日是否属于节假日， 若判定该预测日属于节假日， 则执行步骤 103， 若判定预测日属于非节假日， 则执行步骤104。 0065 具体的说， 可以使用步骤1012中构建区分模型判断预测日是否属于节假日。 当然， 也可以采。

40、用其他的方式进行判断， 例如， 导入各个年份中属于节假日的日期， 通过判断预测 日日期与节假日的日期是否相同， 判定该预测日是否属于节假日。 0066 步骤103： 根据实时客流量数据以及节假日预测模型， 确定待测景区在预测日的客 流量预测值， 节假日预测模型为实时客流量数据与待预测的节假日之间的对应关系。 0067 具体的说， 将实时客流量数据作为输入数据， 带入该节假日预测模型中， 即可确定 出待测景区在预测日的客流量预测值。 0068 步骤104： 根据实时客流量数据以及非节假日预测模型， 确定待测景区在预测日的 客流量预测值， 非节假日预测模型为实时客流量数据与待预测的非节假日之间的对。

41、应关 系。 0069 具体的说， 将实时客流量数据作为输入数据， 带入该非节假日预测模型中， 即可确 定出待测景区在预测日的客流量预测值。 0070 本发明实施方式相对于现有技术而言， 通过判断预测日是否属于节假日， 并根据 判断结果， 选择适合该预测日的预测模型， 从而根据选择的预测模型以及实时客流量数据， 确定该待测景区在预测日的客流量预测值。 由于景区的客流量在节假日和非节假日的规律 明显不同， 而节假日预测模型反映了节假日与实时客流量数据的对应关系， 非节假日预测 模型反映了非节假日与实时客流量数据的对应关系， 通过预测日选择符合该预测日规律的 预测模型， 可以最大程度地贴近该预测日的。

42、客流量变化规律， 较为准确地对预测日该待测 景区的客流量进行预测， 提高了对待测景区客流量预测的准确性； 且由于不采用笼统的单 一预测模型对预测日进行预测， 避免了出现在待测景区预测日的客流量预测值与实际客流 量相差较大的问题。 0071 本发明的第二实施方式涉及一种景区客流量预测的方法。 第二实施方式是对第一 实施方式的进一步改进， 主要改进之处在于： 在本发明第二实施方式中， 构建节假日预测模 型和非节假日预测模型之前， 景区客流量预测的方法还包括： 对历史客流量数据进行预处 理。 该景区客流量预测的方法中构建节假日预测模型和非节假日预测模型的具体流程如图 说明书 7/10 页 10 CN。

43、 110175690 A 10 3所示。 0072 步骤2011： 获取预设地理范围内的历史客流量数据， 历史客流量数据为当前时刻 之前属于第二预设时间段内的客流量数据。 0073 步骤2012： 将历史客流量数据分为节假日历史客流量数据和非节假日历史客流量 数据。 0074 步骤2013： 从历史客流量数据中去除属于异常的历史客流量数据和/或补充缺失 的历史客流量数据。 0075 具体的说， 去除历史车流量数据中明显的异常的数据， 异常数据可以通过加权平 均的方式， 判定异常数据(例如， 将低于加权平均值的数据判定为异常数据)， 也可以使用计 算的加权平均值补充缺失的车流量数据。 需要说明的。

44、是， 去除了异常的车流量数据后， 按照 缺失的车流量数据进行处理， 即先去除异常的车流量数据， 再按照补充缺失的车流量数据 的方式， 补充被去除的车流量数据。 0076 当然， 除了上述列举的方式外， 还可以采用滑动平均的方式进行处理， 本实施方式 中将不再一一列举。 0077 步骤2014： 根据节假日历史客流量数据， 构建节假日预测模型， 以及根据非节假日 历史客流量数据， 构建非节假日预测模型。 0078 此外， 需要说明的是， 本实施方式中在获取预设地理范围内的实时客流量数据后， 且在确定待测景区在预测日的客流量预测值之前， 同样可以对预设地理范围内的实时客流 量数据进行预处理， 去除。

45、预设地理范围内实时客流量数据中去除属于异常的实时客流量数 据和/或补充缺失的实时客流量数据， 从而可以进一步提高对预测日的客流量预测的准确 性。 0079 需要说明的是， 本实施方式中的步骤2011、 步骤2012、 步骤2014与第一实施方式中 的子步骤1011至子步骤1013大致相同， 此处将不再赘述。 0080 本实施方式中提供的景区客流量预测的方法， 通过去除异常的客流量数据， 避免 异常数据影响构建的预测模型的预测准确性， 补充缺失的客流量数据， 也可以避免不完整 的客流量数据对构建的节假日预测模型或非节假日预测模型造成的预测不准确的影响。 0081 本发明的第三实施方式涉及一种景区。

46、客流量预测的方法。 第三实施方式是对第一 实施方式的进一步改进， 主要改进之处在于： 在本发明第三实施方式中， 在确定该待测景区 在预测日的客流量预测值之后， 对该客流量预测值进行修正。 该景区客流量预测的方法的 具体流程如图4所示。 0082 步骤301： 获取预设地理范围内的实时客流量数据， 其中， 预设地理范围内包含待 测景区， 实时客流量数据为当前时刻之前属于第一预设时间段内的客流量数据。 0083 步骤302： 判断预测日是否属于节假日， 若判定该预测日属于节假日， 则执行步骤 303， 若判定预测日属于非节假日， 则执行步骤304。 0084 步骤303： 根据实时客流量数据以及节。

47、假日预测模型， 确定待测景区在预测日的客 流量预测值， 节假日预测模型为实时客流量数据与待预测的节假日之间的对应关系。 0085 步骤304： 根据实时客流量数据以及非节假日预测模型， 确定待测景区在预测日的 客流量预测值， 非节假日预测模型为实时客流量数据与待预测的非节假日之间的对应关 系。 说明书 8/10 页 11 CN 110175690 A 11 0086 步骤305： 获取待测景区在当前时刻之前属于第一预设时间段内至少一种客流量 影响因素数据， 客流量影响因素数据与客流量数据之间存在对应关系。 0087 具体的说， 客流量影响因素数据可以是天气数据、 待测景区的开放时间数据、 待测。

48、 景区周围的酒店数据等。 本实施方式中以天气数据为例进行说明。 获取待测景区在当前时 刻之前属于第一预设时间段内的天气数据。 0088 步骤306： 根据至少一种客流量影响因素数据， 对客流量预测值进行修正。 0089 具体的说， 确定每种客流量影响因素数据对客流量的影响权重， 该影响权重可以 通过机器学习的方式(如决策树、 线性回归算法)确定权重模型。 若通过节假日预测模型或 非节假日预测模型后得到的客流量预测值为Vollstm， 天气数据对客流量的权重为Wweather， 则 修正后的客流量预测值为Vol， VolVollstm*Wweather+b， 其中， b常数。 根据该式子， 通过。

49、历史 客流量数据、 天气数据、 以及实际的客流量数据， 即可确定天气数据的权重模型， 在确定出 权重模型后， 输入天气数据， 即可确定出该天气数据的权重。 0090 本实施方式中的步骤301至步骤304与第一实施方式中的步骤101至步骤104大致 相同， 此处将不再赘述。 0091 本实施方式中提供的景区客流量预测的方法， 由于客流量影响因素数据(如天气 数据、 待测景区开放时间数据等)对待测景区的客流量有影响， 通过客流量影响因素数据对 客流量预测值进行修正， 提高了对待测景区的客流量预测的准确度。 0092 上面各种方法的步骤划分， 只是为了描述清楚， 实现时可以合并为一个步骤或者 对某些。

50、步骤进行拆分， 分解为多个步骤， 只要包括相同的逻辑关系， 都在本专利的保护范围 内； 对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计， 但不改变其算法 和流程的核心设计都在该专利的保护范围内。 0093 本发明第四实施方式涉及一种景区客流量预测的装置， 该景区客流量预测的装置 40包括： 获取模块401、 判断模块402、 节假日预测模块403和非节假日预测模块404， 具体的 结构如图5所示。 0094 获取模块401用于获取预设地理范围内的实时客流量数据， 其中， 预设地理范围内 包含待测景区， 实时客流量数据为当前时刻之前属于第一预设时间段内的客流量数据； 判 断模块402。