一种基于RBF网络学习的景区风险预测模型构建方法技术

本发明专利技术公开了一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的相对固定因素，并采用线性假设方式将提取的相对固定因素组合为景区风险线性函数；浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。本发明专利技术可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。降低风险发生的概率。降低风险发生的概率。

【技术实现步骤摘要】
一种基于RBF网络学习的景区风险预测模型构建方法


[0001]本专利技术涉及大数据治理领域，尤其涉及一种基于RBF网络学习的景区风险预测模型构建方法，适用于城市治理。

技术介绍

[0002]旅游景区是旅游业发展的最核心因素，是旅游消费活动的最终载体，与酒店、旅行社和交通工具等旅游因素相比，景区具有较强的不可替代性。在城市治理中，当节假日到来时，景区的客流会呈现爆发式增长，景区隐患点发生风险的可能性也会较平时有显著的提高。
[0003]为了确保节假日期间城市景区的安全运营，必须建立可以在节假日旅游景区进行风险评估模型，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。
[0004]如申请号为CN202011515953.3专利申请公开了一种建立风险预测模型的方法、区域风险预测方法及对应装置，方法通过获取训练数据，包括各样本区域的风险等级和所属地区风险等级的标注结果；利用训练数据训练包括编码网络、判别网络和分类网络的初始模型，训练完毕后利用编码网络和分类网络得到风险预测模型；其中，编码网络利用样本区域的区域特征编码得到各样本区域的特征表示；判别网络依据样本区域的特征表示识别样本区域所属地区的风险等级；分类网络依据样本区域的特征表示识别样本区域的风险等级；训练目标包括：最小化判别网络对属于不同风险等级地区的样本区域的识别差异，最小化分类网络对样本区域的识别结果与标注结果的差异。该方案同建立风险预测模型实现针对目标区域的风险预测，但是未考虑固定因素和浮动因素对景区风险预测准确性的影响，在模型的准确性描述上有待提高。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于RBF网络学习的景区风险预测模型构建方法，可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，提高救援的精准度，降低风险发生的概率。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。
[0007]景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。
[0008]采用线性假设方式将提取的固定因素组合为景区风险线性函数过程具体包括：采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：其中，为固定因素的影响系数；为固定因素；U为景区风险线性函数。
[0009]步骤二具体包括：根据获取的景区历史旅游数据，将景区客流和游客投诉数据作为浮动因素，构建RBF网络并利用RBF网络将非线性的浮动因素转换为线性相关的浮动因素，线性相关转换公式如下式所示：其中：，，；其中，b
i
为浮动因素影响系数；R
i
为浮动因素；x
i
为第i个浮动因素；x
max
为最大浮动因素；c为浮动因素算数平均值；m为浮动因素的个数。
[0010]浮动因素提取过程中还包括使用均匀设计法确定RBF网络选取的样本，该过程具体包括：取p个景点最近q次的景区客流、游客投诉数据，分别计算每个景点q个数据的平均值k
i
：根据y
j
和k
i
计算出z
j
：，其中，y
j
：第j个样本的数据值；z
j
：第j个样本平均值；确保z
j
在[
‑
1, 1]的区间范围，如计算结果不在区间范围内，则选取新的样本数据进行替换；通过上述计算操作获得一个p行q列的二维表，每一行是1个景点q次样本数据；取第1列、第q/2列、第q列数据，记为u1、u2、u3，代入下面的正交函数计算出特征值x1~x
q
，正交函数如下式所示：
最后利用线性相关转换公式计算出景区风险的浮动因素。
[0011]合并固定要素影响和浮动要素影响得到的最终景区风险模型如下式所示：，其中，G为景区风险模型评分，U为景区风险线性函数，V为线性相关转换公式，为固定因素的影响系数，b
i
为浮动因素影响系数，为固定因素，R
i
为浮动因素。
[0012]本专利技术的有益效果：本专利技术结合城市节假日旅游景区治理调度的业务需求，从景区天气、历史平均游客接待量、景区隐患点、救援力量分布、景区客流、游客投诉等方面的数据，构建城市节假日旅游景点风险预测模型，再根据模型评估旅游景点的风险区域。
附图说明
[0013]图1是本专利技术的方法步骤流程图。
[0014]图2是本专利技术的RBF网络结构示意图。
具体实施方式
[0015]为了对本专利技术的技术特征、目的和有益效果有更加清楚的理解，现对本专利技术的技术方案精选以下详细说明。显然，所描述的实施案例是本专利技术一部分实施例，而不是全部实施例，不能理解为对本专利技术可实施范围的限定。基于本专利技术的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他所有实施例，都属于本专利技术的保护范围。
[0016]在城市治理中，当节假日到来时，景区的客流会呈现爆发式增长，景区隐患点发生风险的可能性也会较平时有显著的提高，本专利技术为了可以定量的反映旅游景区的风险情况，将有限的救援力量投入关键的地点，设计了一种基于RBF网络学习的景区风险预测模型构建方法，可以提高救援的精准度，降低风险发生的概率，本专利技术设计的方法具体内容见下列实施例。
[0017]实施例一：本实施例中，如图1所示，一种基于RBF网络学习的景区风险预测模型构建方法，包括以下步骤：步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的的浮动因素；步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。
[0018]景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。
[0019]本实施例中，采用线性假设方式将提取的固定因素组合为景区风险线性函数过程
具体包括：采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：其中，为固定因素的影响系数；为固定因素；U为景区风险线性函数。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，包括以下步骤：步骤一：固定因素提取，获取景区历史旅游数据，提取某一时间段内的影响景区风险大小的固定因素，并采用线性假设方式将提取的固定因素组合为景区风险线性函数；步骤二：浮动因素提取，根据景区历史旅游数据提取浮动因素，并构建RBF网络对提取的浮动因素进行线性转换，获得与景区风险线性相关的浮动因素；步骤三：风险预测模型构建，合并固定因素和浮动因素得到最终景区风险模型。2.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述景区历史旅游数据包括：景区天气、历史平均游客接待量、景区隐患点、救援力量分布情况、景区客流和游客投诉数据。3.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述采用线性假设方式将提取的固定因素组合为景区风险线性函数过程具体包括：采用线性假设方式将景区天气、历史平均游客接待量、景区隐患点和救援力量分布情况的固定因素组合成景区风险线性函数，函数具体如下式所示：其中，为固定因素的影响系数；为固定因素；U为景区风险线性函数。4.根据权利要求1所述的一种基于RBF网络学习的景区风险预测模型构建方法，其特征在于，所述步骤二具体包括：根据获取的景区历史旅游数据，将景区客流和游客投诉数据作为浮动因素，构建RBF网络并利用RBF网络将非线性的浮动因素转换为线性相关的浮动因素，线性相关转换公式如下式所示：其中：；；；其中，b
i
为浮动因素影响系数；R

【专利技术属性】
技术研发人员：黄磊，王勇，花福军，罗钦，叶莎莎，
申请(专利权)人：创意信息技术股份有限公司，
类型：发明
国别省市：