【技术实现步骤摘要】
基于层次模式识别的旅游需求预测方法及系统
本专利技术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。
技术介绍
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-NearestNeighbor)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...
【技术保护点】
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：/nS1，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；/nS2，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；/nS3，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。/n
【技术特征摘要】
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。
2.根据权利要求1所述的基于层次模式识别的旅游需求预测方法，其特征在于，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。
3.根据权利要求2所述的基于层次模式识别的旅游需求预测方法，其特征在于，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可作为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：
4....
【专利技术属性】
技术研发人员：胡明明，邱天然，吴晨光，宋海岩，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。