[发明专利]景点门票票量预测方法、系统、设备及存储介质

权利要求书

1.一种景点门票票量预测方法，其特征在于，包括：如下步骤：

S1：获取一景点的每日门票票量历史信息，将所述每日门票票量历史信息分为预设的所有法定节日假期对应的第一票量历史信息以及所有非法定节日对应的第二票量历史信息；

S2：根据第二票量历史信息建立非法定节日中每一天与当天票量相联系的时间序列模型；

S3：在第一票量历史信息中获得在每一年中每个法定节日假期的总票量以及每个法定节日假期的每日票量，获得各法定节日假期总票量之间的第一比值和各法定节日假期每日票量之间的第二比值，根据第一比值和第二比值建立法定节日假期票量预测模型；

S4：获得每一基准日期之前预设定天对基准日期的门票的预定量作为一特征变量，根据所述特征变量与所述基准日期的票量建立预设定天对应的票量回归模型；

S5：根据所述时间序列模型、法定节日假期票量预测模型以及票量回归模型择一进行每日票量预测，当待查询日期距当前查询日期的值大于等于预设定天数时且待查询日期为常规日期时，选择时间序列模型进行预测，当待查询日期距当前查询日期的值大于等于预设定天数时且待查询日期为节假日日期时，选择节假日票量预测模型进行预测，当待查询日期距当前查询日期的值小于预设定天数时，选择所述票量回归模型进行预测；

在步骤S2中包括如下步骤：

S201：第二票量历史信息中的每日票量构成一时间序列样本，通过差分变化法对时间序列样本中的每一时间序列进行平稳化处理，具体公式为Y_t＝X_t-X_t-s，其中Y_t为差分后时间序列的值，X_t为序号为t的时间序列的值，s为差分阶数，t为时间序列的序列号，X_t-s为序号为t-s的时间序列的值；

S202：对差分后的时间序列{Y_t}建立多个时间序列模型，并计算每个时间序列模型的AIC值，选择其中AIC值最小的时间序列模型作为最优时间序列模型；

S203：计算时间序列样本的似然函数，求出使得所述似然函数达到极大值时最优时间序列模型各参数的极大似然估计值；

S204：计算Q统计量，其中检验的临界值由卡方分布获得，当Q统计量的值大于检验的临界值时，则最优时间序列模型拟合不显著，检验不通过；当Q统计量的值小于检验的临界值时，则最优时间序列模型拟合显著有效，检验通过，其中，T为时间序列样本个数，为时间序列样本残差的自相关系数，m为自由度，k为自由度序号。

2.根据权利要求1所述的景点门票票量预测方法，其特征在于：所述步骤S1还包括如下步骤：

S101：将不同年份的每个法定节日假期对齐，将不同年份的非法定节日以每年第一周为基准对齐；

S102：当法定节日假期和非法定节日中的一日门票票量低于第一预设定门票阈值和高于第二预设定门票阈值时，对该日门票票量进行修正，所述修正为对该日门票票量修正为相邻两年份中与该日对齐日的门票票量平均值。

3.根据权利要求1所述的景点门票票量预测方法，其特征在于：所述步骤S4包括如下步骤：

S401：选取多个特征变量形成样本集，多个所述特征变量包括基准日期前第一天、第二天、第三天、第四天、第五天的预订量，基准日期前第五天之前的所有预订量以及基准日期的日期类型、是否有景点活动以及天气类型，所述日期类型包括法定节日假期和非法定节日假期，所述是否有活动包括有景点活动和没有景点活动，所述天气类型包括晴天、阴天、小雨、中雨以及大雨；

S402：将样本集中80％的样本作为训练集，20％的样本作为测试集依次训练支持向量回归机模型、随机森林模型、XGBOOST模型；

S403：将支持向量回归机模型、随机森林模型、XGBOOST模型进行加权建立票量回归模型，其中支持向量回归机模型的权重值设为α，随机森林模型的权重值设为β，XGBOOST模型的权重设为(1-α-β)，α、β和(1-α-β)的取值在0到1之间；

S404：以步长i进行搜索权重值α、β的最优值以使票量回归模型均方误差最小化，步长i的取值为0.01。