[发明专利]基于层次模式识别的旅游需求预测方法及系统

说明书

本发明涉及旅游需求预测领域，公开了一种基于层次模式识别的旅游需求预测方法，包括：基于景区的历史旅游需求数据，对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；在节假日模式相同的历史时间点，采用不同模式时间长度，寻找当前旅游需求模式最相似的k个模式，并根据k个模式的下一个点的预测值来预测当前模式下一个点的预测值；集成不同的模式时间长度的预测值，根据当前模式与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。本发明先后进行节假日模式和旅游需求模式识别，采用了多个时间窗口下预测结果的集成，综合考虑了模式的局部特征与整体特征，使得旅游需求预测更加准确。

技术领域

本发明属于旅游需求预测领域，特别涉及一种基于层次模式识别的旅游需求预测方法及系统。

背景技术

对于高频旅游需求，特别是景区每天游客量大小的预测中，假设旅游需求时间序列{a(t)},t代表天，旅游需求量的大小表现为景区当天接待游客人数。若要预测第t+1天的旅游需求，采用kNN算法预测的应用框架如图1所示。kNN算法(邻近算法)，或者说k最近邻(kNN，k-Nearest Neighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓k最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。

基本思想是根据当前的需求变化模式，在历史数据中寻找与现有模式相似度最高的k个模式，用这k个模式对应的下一天的旅游需求来估计t+1天的需求情况，如图1所示，具体为：

Step 1:设定当前模式的时间长度m，根据时间长度确定当前旅游需求变化模式a(t-m+1),…,a(t)，其中a(t)表示第t天的旅游需求。

Step 2:计算所有历史数据中需求变化模式与现有模式之间的距离(欧几里得距离)。

Step 3:找到与当前模式距离最近的k个邻近模式，每个邻近模式对应一个未来一天的游客量。

Step 4:用找到的k个邻近模式的未来一天的旅游需求的组合来估计t+1天的旅游需求。

但是旅游需求数据存在明显的季节性，周期性，高频数据波动大、受节假日影响明显等特点。缺陷如下：

1.应用kNN算法进行预测，忽略了时间序列以外的其他因素的影响，例如，节假日。

2.应用kNN算法进行预测的Step 1,设定当前模式的时间长度m为唯一值，不能有效的利用不同长度的模式包含不同信息的特点。

3.应用kNN算法进行预测的Step 2,采用欧几里得距离测度计算当前模式与历史模式之间的距离。在这一步应用于旅游需求数据时，由于高频数据波动比较大，挑选出的k个邻近模式即为时间最近的(两个模式之间的水平差比较小)，而不是模式最相近的。

发明内容

本发明的目的在于提供一种基于层次模式识别的旅游需求预测方法及系统，从而克服现有景区旅游需求预测时存在忽略了节假日、时间长度m为唯一值、只能预测时间最近旅游需求的缺陷。

为实现上述目的，一方面，本发明提供了一种基于层次模式识别的旅游需求预测方法，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；