一种基于引导注意机制的旅游需求时间序列预测方法技术

本发明专利技术涉及一种基于引导注意机制的旅游需求时间序列预测方法，属于旅游需求预测领域。该方法包括：S1：组合来自多个国家和地区的旅游需求时间序列；S2：定义偏序关系来比较不同时间序列之间的稳定性，并定义不同维度的齐次多项式对时间序列进行组合，然后利用引导注意机制对旅游需求时间序列的稳定性进行调节；S3：构建全连接长短记忆神经网络，并引导注意机制允许网络根据需要对不同的训练数据进行参数训练；S4：采用训练后的全连接长短记忆神经网络作为预测模型对旅游需求时间序列进行预测，根据偏序关系对旅游需求时间序列进行划分；S5：对预测模型求解，反算出各个国家或地区的旅游需求。本发明专利技术提高了预测模型的性能。本发明专利技术提高了预测模型的性能。本发明专利技术提高了预测模型的性能。

【技术实现步骤摘要】
一种基于引导注意机制的旅游需求时间序列预测方法


[0001]本专利技术属于旅游需求预测领域，涉及一种基于引导注意机制的旅游需求时间序列预测方法。

技术介绍

[0002]近年来，人们提出了各种旅游需求预测模型来预测旅游需求。现有的流行模型根据其结构分为两大类，即时间序列分析模型和机器学习模型。以上两种模型的建立都是为了学习时间序列的特征，可以比较不同地区旅游需求预测的效果。
[0003]传统的旅游需求预测的机器学习模型，与时间序列分析模型相比，基于机器学习方法有一定把握的年龄，因为他们可以捕获数据集之间的非线性关系尤其是长时间预测方面，如神经网络采用自回归算法最优预测——人处理非平稳旅游需求(席尔瓦et al.,2019)。Xie et al.2020将Elman神经网络与其他用于旅游需求预测的技术相结合。(Kulshrestha等，2020年)。采用支持向量回归、多元感知器、径向基函数等机器学习模型对旅游需求进行预测。然而，这些模态Is并非总是表现良好(Peng et al.，2014)，传统的基于机器学习的模型训练成本更高，需要大量的训练和数据输入才能达到令人满意的水平，并且基于机器学习的模型不能判断数据的特征。特征的提取通常需要直观的知识和判断来量化和扩展。
[0004]一般情况下，时间序列分析模型对旅游需求序列有严格统计假设，因此，时间序列分析模型需要设计合适的特征提取方法，将原始时间序列转换为满足假设的时间序列。对于机器学习模型，提高特征学习的效率可以有效地提高模型的效果。在以往的文献中，主成分分析，嵌入提取，哈希处理等用于创建更有效的特征学习过程。
[0005]现有文献可以帮助旅游管理者制定管理策略，但存在一定的局限性。时间序列分析模型假设旅游活动是线性的并且是稳定的，这可能导致旅游活动的特征不能被完全表达。有些时间序列分析模型使用特征学习方法将原始数据转换为等价的平稳时间序列，会导致原始信息的丢失。在机器学习方法中，模型的性能依赖于训练集中的特征。然而，由于旅游活动的异质性和动态性，一个案例提出的策略并不适用于另一个案例的旅游业。此外，由于旅游恢复是一个耗时且成本高昂的过程，旅游管理者需要提前评估策略的有效性。为了填补这一研究和实践的空白，研究人员希望使用更高效和鲁棒的机器学习方法来预评估这些策略是否有效。
[0006]为了克服现有方法的局限性，采用基于注意机制的深度学习模型作为一种特别适合的旅游需求预测方法。虽然基于注意机制的旅游需求预测模型已经开发了很多，但注意机制可能会受到自我监督方法的限制。大多数现有的注意结构仍然是纯粹的自我注意结构。在现有的文献中提到，先验信息可以通过任务本身的特征人为给出，通过这种先验信息可以调节注意机制的学习效率。在旅游需求预测领域，这一方向仍存在许多问题有待解决。首先，人工先验信息难以量化，旅游需求预测需要高精度的参数调整。其次，如何定义当前结果的值，并根据当前结果调整注意机制的参数。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种基于引导注意机制的旅游需求时间序列预测方法，针对旅游行为的异质性和随机性，旅游需求时间序列是非平稳的特性，构建一个既有效又稳健的模型，即可以推广到所有国家和地区的预测模型，即非平稳性检测的引导注意旅游需求预测模型和全连接长短期记忆模型(FC
‑
LSTM)，采用复合交互机制简化特征，并采用FC
‑
LSTM识别旅游需求预测模型中的复杂特征；同时，采用非平稳判断引导注意机制，提高模型的学习能力，从而以提高预测模型的性能。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]一种基于引导注意机制的旅游需求时间序列预测方法，具体包括以下步骤：
[0010]S1：组合来自多个国家和地区的旅游需求时间序列，在不损失时间序列信息的情况下，以提高旅游需求时间序列的平稳性；
[0011]S2：定义一个偏序关系来比较不同时间序列之间的稳定性，并定义不同维度的齐次多项式对时间序列进行组合，然后利用引导注意机制对旅游需求时间序列的稳定性进行调节；
[0012]S3：构建全连接长短记忆神经网络，并引导注意机制允许全连接长短记忆神经网络根据需要对不同的训练数据进行参数训练；
[0013]S4：采用训练后的全连接长短记忆神经网络作为预测模型对旅游需求时间序列进行预测，根据步骤S2的偏序关系对旅游需求时间序列进行划分；
[0014]S5：对预测模型求解，反算出各个国家或地区的旅游需求。
[0015]进一步，步骤S1中，假设有n个国家或地区的游客来到一个旅游目的地，旅游需求表示为：表示不同的国家或地区，t表示时间指数；则旅游需求时间序列为：
[0016][0017]其中，J
i
表示历史数据集不同需求序列的长度。
[0018]进一步，所述步骤S2具体包括：定义一个偏序关系表示比更平稳；定义Ω
J
＝{ω1,ω2,
…
,ω
J
}，其中，Ω
J
表示权重空间，ω
J
表示第J个序列的权重；然后利用引导注意机制对旅游需求时间序列的稳定性进行调节：
[0019][0020]其中，i1,i2∈{1,2,
…
,N}，i1≠i2，f2是一个齐次多项式，满足考虑到更一般的时间序列的引导注意机制，定义：
[0021][0022]其中，i
k
(k＝1,2,
…
,m)∈{1,2,
…
,N}，f
m
是一个齐次多项式，满足
[0023]显然，任意个数的齐次多项式f
m
(X1(t),
…
,X
N
(t))的加权和仍然是与Y
J
(t)项数相同的多项式，因此等式(1)的等价形式可以描述为：
[0024][0025]其中，m齐次多项式的最高阶，J
i
＝J(i＝1,2,
…
,n)，是的逆变换；特别地，当m＝N，式(4)将退化为式(1)；引入可逆映射Ω是为了确保预测模型的时间序列能尽可能多地保存原时间序列的信息。在特殊情况下，这个映射可以是单位矩阵。Ω表示一个完全连接的长短期记忆预测器。
[0026]进一步，步骤S3中，构建全连接长短记忆神经网络，具体包括：通过Ω得到对Y
J
(t)的估计则旅游需求的估计值为：
[0027][0028]其中，∑j＝N；同时，依赖于m的值和f
m
(X1(t),X2(t),
…
,X
n
(t))的多项式形式，为了得到Y(t)的最优估计，得到如下预测模型：
[0029][0030][0031][0032]∑j＝N
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)。
[0033]上述预测模型的思想是将样本划分为具有引导注意机制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于引导注意机制的旅游需求时间序列预测方法，其特征在于，该方法具体包括以下步骤：S1：组合来自多个国家和地区的旅游需求时间序列；S2：定义一个偏序关系来比较不同时间序列之间的稳定性，并定义不同维度的齐次多项式对时间序列进行组合，然后利用引导注意机制对旅游需求时间序列的稳定性进行调节；S3：构建全连接长短记忆神经网络，并引导注意机制允许全连接长短记忆神经网络根据需要对不同的训练数据进行参数训练；S4：采用训练后的全连接长短记忆神经网络作为预测模型对旅游需求时间序列进行预测，根据步骤S2的偏序关系对旅游需求时间序列进行划分；S5：对预测模型求解，反算出各个国家或地区的旅游需求。2.根据权利要求1所述的旅游需求时间序列预测方法，其特征在于，步骤S1中，假设有n个国家或地区的游客来到一个旅游目的地，旅游需求表示为：N表示不同的国家或地区，t表示时间指数；则旅游需求时间序列为：其中，J
i
表示历史数据集不同需求序列的长度。3.根据权利要求2所述的旅游需求时间序列预测方法，其特征在于，所述步骤S2具体包括：定义一个偏序关系表示更平稳；定义Ω
J
＝{ω1,ω2,
…
,ω
J
}，其中，Ω
J
表示权重空间，ω
J
表示第J个序列的权重；然后利用引导注意机制对旅游需求时间序列的稳定性进行调节：其中，i1,i2∈{1,2,
…
,N}，i1≠i2，f2是一个齐次多项式，满足考虑到更一般的时间序列的引导注意机制，定义：其中，i
k
(k＝1,2,
…
...

【专利技术属性】
技术研发人员：肖玲，董昀轩，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：