一种节假日客流量预测方法技术

本发明专利技术公开了一种节假日客流量预测方法，包括以下步骤：(1)、统计近三年节假日客流量历史数据；(2)、对历史数据进行清洗；(3)、基于prophet算法，构建非周期变化趋势项、季节性趋势项、节假日趋势项、距离趋势项、疫情趋势项、误差项和每个趋势项所占权重项的时间序列模型：(4)、将清洗后的历史数据分别代入各时间序列模型中进行训练；(5)、基于训练后的模型进行客流量预测。本发明专利技术在传统prophet算法的基础上进行优化，增加了疫情因子和距离因子，同时对不同趋势项定以不同的权重，得到优化的prophet++模型，可以更好的拟合真实情况，得到一个效果更好更准确的的预测结果。一个效果更好更准确的的预测结果。一个效果更好更准确的的预测结果。

【技术实现步骤摘要】
一种节假日客流量预测方法


[0001]本专利技术涉及一种节假日客流量预测方法，属于大数据


技术介绍

[0002]随着国民经济的发展，人民的生活水平在不断提高，消费理念也在发生巨大的变化，人民在出行的数量和质量要求上也有了巨大的变化。尤其在元旦、清明、五一、端午、中秋、十一等节假日期间会产生大量的旅游出行需求，从而形成高峰客流。在客运高峰阶段，旅客流量大量增加，只有建立科学灵活的运输组织方案，才能有效减少节假日的拥堵情况。而科学的决策离不开科学的预测，因此提前预测节假日交通流量，合理安排运力和警力，能有效减少拥堵情况。但当前的节假日客流预测算法大都采用一元线性回归算法，这种算法只是简单根据过往客流数据拟合趋势，而忽略了季节性、节假日效应与当前社会大环境的影响，预测数据不够准确。

技术实现思路

[0003]本专利技术所要解决的技术问题在于提供一种节假日客流量预测方法，可以更好的拟合现实情况，使客流量预测结果更加准确。
[0004]为解决上述技术问题，本专利技术的技术方案如下：
[0005]一种节假日客流量预测方法，包括以下步骤：
[0006](1)、统计近三年节假日客流量历史数据；
[0007](2)、对历史数据进行清洗，提高数据质量；
[0008](3)、基于prophet算法，构建非周期变化趋势项、季节性趋势项、节假日趋势项、距离趋势项、疫情趋势项、误差项和每个趋势项所占权重项的时间序列模型：
[0009]W(t)＝(α1g(t)+α2s(t)+α3h(t)+α4d(t)*y(t)+e(t)
[0010]式中，W(t)代表整体趋势模型，g(t)表示非周期变化趋势项，s(t)表示季节性趋势项，h(t)表示节假日趋势项，d(t)表示距离趋势项，y(t)表示疫情趋势项，e(t)表示误差项，α1表示非周期变化趋势项所占权重，α2表示季节性趋势项所占权重，α3表示节假日趋势项所占权重，α4表示距离趋势项所占权重；
[0011](4)、将清洗后的历史数据分别代入各时间序列模型中进行训练；
[0012](5)、基于训练后的模型进行客流量预测。
[0013]作为一种优选方案，所述步骤(1)中，可以根据不同的节假日出行方式统计近三年节假日客流量历史数据，节假日出行方式包括：市内交通、轨道交通、航空、客运和高铁动车。
[0014]作为一种优选方案，所述步骤(2)中的数据清洗包括清理数据中的空值、异常值，以提高历史数据的质量。
[0015]作为一种优选方案，所述步骤(3)中的非周期变化趋势项g(t)包括基于逻辑回归的趋势项和基于分段线性函数的趋势项，基于逻辑回归的趋势项为：
[0016][0017]C为承载力，k为增长速率，m为偏移参数；其中的C＝C(t)，k＝k(t)；
[0018]基于分段线性函数的趋势项：
[0019][0020]k表示增长速率，δ表示增长率的变化量，m表示偏移量。
[0021]作为一种优选方案，所述步骤(3)中的季节性趋势项s(t)：
[0022][0023]P代表周期，参数形成列向量，可以表示为：
[0024]β＝[a1，b1，...，a
N
，b
N
]T
[0025]对于一年为周期的序列(P＝365.25)而言，N＝10；对于以周为周期的序列(P＝7)而言，N＝3，
[0026]当N＝10时：
[0027][0028]当N＝3时：
[0029][0030]最后季节项s(t)＝X(t)β，其中β～Normal(0，σ2)。
[0031]作为一种优选方案，所述步骤(3)中的节假日趋势项h(t)为：
[0032][0033]κ～Normal(0，v2)，D
i
表示该节假日的前后一段时间，κ
i
表示节假日的影响范围，L表示节假日个数。
[0034]作为一种优选方案，所述步骤(3)中的距离趋势项d(t)：
[0035]其中X是旅游区域与中心城市的距离，σ是密度态势，默认给定为0.5，a是一个大于1的常数，默认值为10。
[0036]作为一种优选方案，所述步骤(3)中的疫情趋势项y(t)：x为对应时间段去年与今年的人数差距，y(t)取值范围为(1，2)。
[0037]作为一种优选方案，所述步骤(3)中的α1取值为0.5，α2取值为0.2，α3取值为0.2，α4取值为0.1。
[0038]本专利技术的有益效果：与现有技术相比，本专利技术在传统prophet算法的基础上进行优化，增加了疫情因子和距离因子，同时对不同趋势项定以不同的权重，得到优化的prophet++模型，可以更好的拟合真实情况，得到一个效果更好的预测结果。本专利技术通过对节假日出
行行为特征的分析与研究，可以更为深刻地理解节假日交通特性，为节假日交通规划与需求管理提供重要的理论依据。
[0039]本专利技术具有以下特点：(1)结合传统prophet算法与当前疫情因素影响因子，使客节假日流量预测达到了一个更好的效果；(2)结合当前假期公众出行以区域中心城市为圆心的“本地游、周边游、短途游”潮汐性特征，极大增强了客流预测的准确性；(3)对不同趋势项给定不同的权重，使其更符合实际情况，预测结果更准确。
[0040]当前受到疫情的影响，节假日客流主要呈现以下两个特点：一是客流量较去年明显下降。2022年假期全国客运量1亿人次，日均2000万人次，较2021年同期下降62％左右。二是客流出行以“就地、就近出游”为主。受疫情形势和各地防控政策影响，假期群众旅游半径将较正常时期有明显减小。传统的客流预测是通过个人经验及直观分析能力来进行预测，有很大的不确定性。因此，本专利技术的算法加入了季节、节假日、距离以及疫情等因素，可以更好的拟合现实情况，使客流预测结果更加准确，更接近真实情况。
附图说明
[0041]图1是本专利技术距离趋势项中的出游人数与距离曲线图。
[0042]下面结合附图和具体实施方式对本专利技术作进一步的说明。
具体实施方式
[0043]实施例1：本专利技术的节假日客流量预测方法，包括以下步骤：
[0044](1)、根据不同的节假日出行方式统计近三年节假日客流量历史数据，节假日出行方式包括：市内交通、轨道交通、航空、客运和高铁动车；
[0045](2)、对历史数据进行清洗，清理数据中的空值、异常值，提高数据质量；
[0046](3)、基于prophet算法，构建非周期变化趋势项、季节性趋势项、节假日趋势项、距离趋势项、疫情趋势项、误差项和每个趋势项所占权重项的时间序列模型：
[0047]W(t)＝(α1g(t)+α2s(t)+α3h(t)+α4d(t))*y(t)+e(t)
[0048]式中，W(t)代表整体趋势模型，g(t)表示非周期变化趋势项，它体现了时间序列的非周期变化趋势；s(t)表示季节性趋势项，它体现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节假日客流量预测方法，其特征在于，包括以下步骤：(1)、统计近三年节假日客流量历史数据；(2)、对历史数据进行清洗；(3)、基于prophet算法，构建非周期变化趋势项、季节性趋势项、节假日趋势项、距离趋势项、疫情趋势项、误差项和每个趋势项所占权重项的时间序列模型：W(t)＝(α1g(t)+α2s(t)+α3h(t)+α4d(t))*y(t)+e(t)式中，W(t)代表整体趋势模型，g(t)表示非周期变化趋势项，st)表示季节性趋势项，h(t)表示节假日趋势项，d(t)表示距离趋势项，y(t)表示疫情趋势项，e(t)表示误差项，α1表示非周期变化趋势项所占权重，α2表示季节性趋势项所占权重，α3表示节假日趋势项所占权重，α4表示距离趋势项所占权重；(4)、将清洗后的历史数据分别代入各时间序列模型中进行训练；(5)、基于训练后的模型进行客流量预测。2.根据权利要求1所述的节假日客流量预测方法，其特征在于，所述步骤(1)中，根据不同的节假日出行方式统计近三年节假日客流量历史数据，节假日出行方式包括：市内交通、轨道交通、航空、客运和高铁动车。3.权利要求1所述的节假日客流量预测方法，其特征在于，所述步骤(2)中的数据清洗包括清理数据中的空值、异常值。4.根据权利要求1所述的节假日客流量预测方法，其特征在于，所述步骤(3)中的非周期变化趋势项g(t)包括基于逻辑回归的趋势项和基于分段线性函数的趋势项，基于逻辑回归的趋势项为：C为承载力，k为增长速率，m为...

【专利技术属性】
技术研发人员：徐桂林，沈志勇，胡凯华，毛业璐，伍帅先，莫显桃，周倩，
申请(专利权)人：贵州智诚科技有限公司，
类型：发明
国别省市：