[发明专利]基于层次模式识别的旅游需求预测方法及系统

权利要求书

1.一种基于层次模式识别的旅游需求预测方法，其特征在于，包括：

S1，获取景区的旅游需求数据，对所述旅游需求数据进行节假日模式识别寻找相同的节假日模式的历史时间点；

S2，在节假日模式相同的历史时间点，采用不同的模式时间长度，寻找当前旅游需求模式最相似的k个模式，并根据k个模式的下一个预测点的预测值来预测当前旅游需求模式下一个预测点的预测值；

S3，集成不同的模式时间长度的预测值，根据当前旅游需求模式与对应预测点之间距离的远近设置不同模式时间长度下预测值的权重，并进行集成得到最终的预测值；

步骤S1中节假日模式识别具体包括：

S21，对节假日进行编码，将假期编码为0，工作日编码为1；

S22，设定t时刻节假日模式的编码序列；

S23，搜索所有历史日期，寻找与当前节假日模式的编码序列相同的时刻点集；

步骤S2到S3中旅游需求波动模式识别具体包括：

S31，设定模式的时间长度m为2至M，M设定为28，当前旅游需求模式为(a(t-m+1)，...，a(t-1)，a(t))^T

其中，a(t)表示第t天的旅游需求；

S32，计算当前旅游需求模式的均值

level(A(t，m))＝[a(t-m+1)+...+a(t-1)+a(t)]/m

S33，去掉模式的均值

φ(A(t，m))＝A(t，m)-level(A(t，m))

S34，计算去掉均值后的当前旅游需求模式A(t，m)与步骤S23中获得的集合中各时刻点h的相对欧几里得距离

RED(A(t，m)，A(h，m))＝||φ(A(t，m))-φ(A(h，m))||

S35，寻找与当前旅游需求模式A(t，m)相对欧几里得距离最短的两个模式时刻点分别记为h₁，h₂，每个模式的下一时刻值加上两个模式的均值之差作为t+1时刻的近似值；

S36，集成两个模式下的t+1时刻的预测值，得到模式时间长度为m情况下的t+1时刻的预测值

其中，其中w(h₁)为h₁时刻点的预测权重：

S37，集成所有模式时间长度下的预测结果，得到t+1时刻的预测值

其中，不同模式时间长度下的预测权重为：

2.一种基于层次模式识别的旅游需求预测系统，其特征在于，包括：

假日识别模块，用于获取景区的旅游需求数据，对所述旅游需求数据进行节假日模式识别寻找相同的节假日模式的历史时间点；

第一预测模块，用于在节假日模式相同的历史时间点，采用不同的模式时间长度，寻找当前旅游需求模式最相似的k个模式，并根据k个模式的下一个预测点的预测值来预测当前旅游需求模式下一个预测点的预测值；

第二预测模块，用于集成不同的模式时间长度的预测值，根据当前旅游需求模式与对应预测点之间距离的远近设置不同模式时间长度下预测值的权重，并进行集成得到最终的预测值；

所述假日识别模块中节假日模式识别具体包括：

S21，对节假日进行编码，将假期编码为0，工作日编码为1；

S22，设定t时刻节假日模式的编码序列；

S23，搜索所有历史日期，寻找与当前节假日模式的编码序列相同的时刻点集；

所述第一预测模块到第二预测模块中旅游需求波动模式识别具体包括：

S31，设定模式的时间长度m为2至M，M设定为28，当前旅游需求模式为

(a(t-m+1)，...，a(t-1)，a(t))^T

其中，a(t)表示第t天的旅游需求；

S32，计算当前旅游需求模式的均值

level(A(t，m))＝[a(t-m+1)+...+a(t-1)+a(t)]/m

S33，去掉模式的均值

φ(A(t，m))＝A(t，m)-level(A(t，m))

S34，计算去掉均值后的当前旅游需求模式A(t，m)与步骤S23中获得的集合中各时刻点h的相对欧几里得距离

RED(A(t，m)，A(h，m))＝||φ(A(t，m))-φ(A(h，m))||

S35，寻找与当前旅游需求模式A(t，m)相对欧几里得距离最短的两个模式时刻点分别记为h₁，h₂，每个模式的下一时刻值加上两个模式的均值之差作为t+1时刻的近似值；

S36，集成两个模式下的t+1时刻的预测值，得到模式时间长度为m情况下的t+1时刻的预测值

其中，其中w(h₁)为h₁时刻点的预测权重：

S37，集成所有模式时间长度下的预测结果，得到t+1时刻的预测值

其中，不同模式时间长度下的预测权重为：