一种景区游客饱和量的判断方法和装置制造方法及图纸

本发明专利技术公开了一种景区游客饱和量的判断方法和装置，通过分挖掘WiFi探针监测到的手机mac的相关性，然后设定预测步长h，构造多个学习任务，对每一个学习任务通过数据集样本构造对应的训练集和测试集，通过训练集优化多任务模型，然后通过测试集输入优化的多任务预测模型，得到设定预测步长时刻的游客预测数据，从而实现准确预测下一时刻景区游客的数量，并对景区的饱和量达到预警的目的。景区的饱和量达到预警的目的。景区的饱和量达到预警的目的。

【技术实现步骤摘要】
一种景区游客饱和量的判断方法和装置


[0001]本专利技术涉及智慧旅游
，特别涉及一种景区游客饱和量的判断方法和装置。

技术介绍

[0002]随着经济的全球化，人们对物质及精神方面的需求都在不断增高，旅游成了人们满足精神需求的重要活动之一。同时，旅游也的兴盛为国家的经济增长和收入带来了强力的推动作用，已经成为重要的经济增长来源。旅游，作为人类与大自然及人类文明相互作用的活动方式，对风景区的社会、经济、环境都有巨大的影响。但是许多热点旅游景点都存在着超负荷、超容量的情况。旅游景区的超载不仅使游客的旅游质量下降，而且也使景区的旅游资源遭受到破坏，导致生态环境失衡。因此，高效合理的判断景区游客饱和量对保护景区资源而言至关重要。
[0003]景区游客饱和量的判断依据是：对进入景区的人数进行统计，同时从出口出去的人数进行计数，实时地计算出此时景区的人数，并与设定的饱和量进行判断。而最早的判断方法是基于统计部门或市场调研机构的发布，该方法影响因素较多，且需具有先验知识才能进行判断，不能事先预测；还有基于关注度拟合客流量的方法，该方法只进行关注度一个单因素进行学习会造成欠拟合；还有一些基于人脸识别、指纹识别以及手机设备特征的wifi探针等多种技术的判断方法，但上述的判断方法是基于单一因素进行的单任务学习，即采用的训练集所有样本都是针对单个学习任务的数据，如果在样本不充分的情况下，无法对样本进行有效的训练，从而产生欠拟合现象，进而导致预测不准确等情况。

技术实现思路

[0004]本专利技术要解决的技术问题，在于提供一种景区游客饱和量的判断方法和装置，构造多任务学习，更为准确地预测下一时刻景区游客的数量，实现对景区的饱和量预警。
[0005]第一方面，本专利技术实施例提供了一种景区游客饱和量的判断方法，包括：
[0006]步骤10、获取WiFi探针采集到的手机mac总量时间序列，得到历史样本，对所述历史样本按设定预测步长h进行预处理，得到数据集样本；
[0007]步骤20、构造n个学习任务t+1，t+2，
……
，t+n，其中t为当前时刻，n≦h；
[0008]步骤30、针对每一个学习任务，对所述数据集样本进行处理得到对应的训练集和测试集；
[0009]步骤40、将训练集输入多任务预测模型，得到优化的多任务预测模型；
[0010]步骤50、将测试集输入优化的多任务预测模型，得到设定预测步长h时刻的游客预测数据。
[0011]进一步地，所述步骤10具体包括：
[0012]获取wifi探针采集到的手机mac总量时间序列，得到历史样本{y1,y2,...,y
n
,y
n+1
,...,y
t
}，其中，t为当前时刻，n为学习任务数；然后根据历史样本通过如下公式得到t+
h时刻的估计值得到数据集样本，
[0013][0014]其中，h为预测步长，f为计算采集样本函数。
[0015]进一步地，所述步骤20具体包括：
[0016]构造n个学习任务，每个学习任务对应的m个训练样本，其公式表示为：
[0017][0018]其中，x
i,j
为输入数据，y
i,j
为输出数据，j为样本，m为训练样本个数。
[0019]进一步地，所述步骤30具体包括：针对每一个学习任务，对所述数据集样本通过流出法、交叉验证法或自助法处理得到训练集和测试集。
[0020]进一步地，所述步骤40具体包括：
[0021]采用MTLS
‑
SVM多任务预测模型，其需要优化的目标函数为：
[0022][0023]其中，为原始空间向高维特征空间的映射，ξ＝(ξ1,ξ2,...,ξ
n
)
Τ
为松弛变量，minJ为最小化损失函数，w
0T
表示转置公共信息，w0表示公共信息，λ为正则项系数，m为训练样本个数，v
iT
表示转置特定信息，v
i
表示特定信息，γ为正则项，s.t.表示约束条件，b
i
表示偏差向量，1
n
表示n阶单位矩阵；
[0024]MTLS
‑
SVM多任务预测模型通过最小化所述目标函数，同时找到和
[0025]通过拉格朗日法求解所述目标函数，最终得到MTLS
‑
SVM多任务预测模型的决策函数，作为优化的多任务预测模型：
[0026][0027]其中，α
i,j
表示第i个任务中第j个样本的拉格朗日乘子，k(x
i,j
,x)为核函数，n为任务个数，λ为正则项系数，m为训练样本个数，k(x
i
,x)为内积函数，b
i
为偏差向量。
[0028]第二方面，本专利技术实施例提供了一种景区游客饱和量的判断装置，包括：预处理模块、多任务构造模块、样本构建模块、模型优化模块以及预测模块；
[0029]所述预处理模块，用于获取WiFi探针采集到的手机mac总量时间序列，得到历史样本，对所述历史样本按设定预测步长h进行预处理，得到数据集样本；
[0030]所述多任务构造模块，用于构造n个学习任务t+1，t+2，
……
，t+n，其中t为当前时刻，n≦h；
[0031]所述样本构建模块，用于针对每一个学习任务，对所述数据集样本进行处理得到对应的训练集和测试集；
[0032]所述模型优化模块，用于将训练集输入多任务预测模型，得到优化的多任务预测
模型；
[0033]所述预测模块，用于将测试集输入优化的多任务预测模型，得到设定预测步长h时刻的游客预测数据。
[0034]进一步地，所述预处理模块具体包括：
[0035]获取WiFi探针采集到的手机mac总量时间序列，得到历史样本{y1,y2,...,y
n
,y
n+1
,...,y
t
}，其中，t为当前时刻，n为学习任务数；然后根据历史样本通过如下公式得到t+h时刻的估计值得到数据集样本，
[0036][0037]其中，h为预测步长，f为计算采集样本函数。
[0038]进一步地，所述模型优化模块具体包括：
[0039]构造n个学习任务，每个学习任务对应的m个训练样本，其公式表示为：
[0040][0041]其中，x
i,j
为输入数据，y
i,j
为输出数据，j为样本，m为训练样本个数。
[0042]进一步地，所述样本构建模块具体包括：针对每一个学习任务，对所述数据集样本通过流出法、交叉验证法或自助法处理得到训练集和测试集。
[0043]进一步地，所述预测模块具体包括：
[0044]采用MTLS
‑
SVM多任务预测模型，其需要优化的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种景区游客饱和量的判断方法，其特征在于，包括：步骤10、获取WiFi探针采集到的手机mac总量时间序列，得到历史样本，对所述历史样本按设定预测步长h进行预处理，得到数据集样本；步骤20、构造n个学习任务t+1，t+2，
……
，t+n，其中t为当前时刻，n≦h；步骤30、针对每一个学习任务，对所述数据集样本进行处理得到对应的训练集和测试集；步骤40、将训练集输入多任务预测模型，得到优化的多任务预测模型；步骤50、将测试集输入优化的多任务预测模型，得到设定预测步长h时刻的游客预测数据。2.根据权利要求1所述的一种景区游客饱和量的判断方法，其特征在于：所述步骤10具体包括：获取wifi探针采集到的手机mac总量时间序列，得到历史样本{y1,y2,...,y
n
,y
n+1
,...,y
t
}，其中，t为当前时刻，n为学习任务数；然后根据历史样本通过如下公式得到t+h时刻的估计值得到数据集样本，其中，h为预测步长，f为计算采集样本函数。3.根据权利要求2所述的一种景区游客饱和量的判断方法，其特征在于：所述步骤20具体包括：构造n个学习任务，每个学习任务对应的m个训练样本，其公式表示为：其中，x
i,j
为输入数据，y
i,j
为输出数据，j为样本，m为训练样本个数。4.根据权利要求1所述的一种景区游客饱和量的判断方法，其特征在于：所述步骤30具体包括：针对每一个学习任务，对所述数据集样本通过流出法、交叉验证法或自助法处理得到训练集和测试集。5.根据权利要求3或4所述的一种景区游客饱和量的判断方法，其特征在于：所述步骤40具体包括：采用MTLS
‑
SVM多任务预测模型，其需要优化的目标函数为：SVM多任务预测模型，其需要优化的目标函数为：其中，为原始空间向高维特征空间的映射，ξ＝(ξ1,ξ2,...,ξ
n
)
Τ
为松弛变量，minJ为最小化损失函数，w
0T
表示转置公共信息，w0表示公共信息，λ为正则项系数，m为训练样本个数，v
iT
表示转置特定信息，v
i
表示特定信息，γ为正则项，s.t.表示约束条件，b
i
表示偏差向量，1
n
表示n阶单位矩阵；MTLS
‑
SVM多任务预测模型通过最小化所述目标函数，同时找到和b＝(b1,b2,...,b
m
)
T
；
通过拉格朗日法求解所述目标函数，最终得到MTLS
‑
SVM多任务预测模型的决策函数，作为优化的多任务预测模型：其中，α
i,j
表示第i个任务中第j个样本的拉格朗日乘子，k(x
i,j
,x)为核函数，n为任务个数，λ为正则项系数，m为训练样本个数，k(x
i
,x)为内积函数，b
i
为偏差向量。6.一种景区游客饱和量的判断装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：谢朝武，李哲君，卫华飞，曾怡，
申请(专利权)人：陕西识代运筹信息科技股份有限公司，
类型：发明
国别省市：