[发明专利]基于季节性长短期记忆网络模型的旅游客流量预测方法

权利要求书

1.一种基于季节性长短期记忆网络的旅游客流量预测方法，其特征由下述步骤组成：

(1)从旅游局官网的景点收集景点每天接待人数情况

从旅游局官网的景点收集景点3年内每天接待人数情况，包括日期年、月、日以及当天的接待人数，并且对节假日进行标注，建立历史旅游客流量曲线；

(2)平滑节假日数据为普通工作日数据

将步骤(1)历史旅游客流量曲线中的节假日利用趋势外推法平滑掉，变成普通工作日旅游客流量，得到旅游客流量数据序列S：

S＝{x₁,x₂,…x_n}；

式中x_n为第n天的旅游客流量数据，n≤365×3；

(3)对预处理后的旅游客流量数据进行归一化处理

从步骤(2)的旅游客流量数据序列中确定最大值和最小值按公式(1)

式中x′_i为第i天归一化后的旅游客流量数据,1≤i≤n,得到归一化后的旅游客流量数据集S′_i：

S′_i＝{x′₁,x′₂,…,x′_n}

(4)预测普通工作日旅游客流量

①将步骤(3)的归一化后的旅游客流量数据转变成序列I：

I＝{(x_t-a,x_t-(a-1),…,x_t)}

式中x_t为某一天的旅游客流量,从历史客流量数据中选取前t天的客流量来预测第(t+1)天的客流量,0＜a＜t,t＜361；

②设置长短期记忆网络模型：设置维度为t×1的长短期记忆网络层作为输入层，每个节点为序列I中的元素，隐藏层为1或2层长短期记忆网络结构，输出层有1个节点；

③引入激活函数：采用sigmoid函数作为输入层内激活函数和输入层与隐含层之间的激活函数，双曲正切函数作为隐含层内的激活函数，线性函数作为输出层的激活函数；sigmoid函数为：

④采用优化函数adam优化长短期记忆网络结构：采用keras深度学习库中的优化函数adam优化长短期记忆网络结构；

⑤将归一化后的旅游客流量序列划分为训练集和测试集，将训练集输入到步骤②设置的长短期记忆网络模型中，设置时间步长为1～3，迭代次数为80～120次，批量为1进行训练，得到训练好的长短期记忆网络模型，并将该网络模型应用在测试集上进行旅游客流量预测；

(5)确定季节指数

季节指数按下述方法确定：

式中f_t是实际值，f′_t为预测值，i为自然数，每个时间点的季节指数SI_j用下式得到：

式中j为1,2,…,l，30≤l≤365的整数，1＜m≤10的整数；

(6)优化调整预测结果

用季节指数对预测结果进行优化调整,优化调整方法如下：

式中是经过季节指数调整后的最终预测值。

2.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法，其特征在于：在步骤(4)的将步骤(3)的旅游客流量数据转变成序列I步骤①中，从历史客流量数据中选取前t天的客流量来预测第t+1天的客流量,t为6。

3.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法，其特征在于：在步骤(4)的设置长短记忆神经网络模型步骤②中，所述的维度为6×1的长短期记忆网络层作为输入层，每个节点为序列I中的元素，每个隐藏层有4个节点，输出层有1个节点。

4.根据权利要求1基于季节性长短期记忆网络模型的旅游客流量预测方法，所述的预测普通工作日旅游客流量步骤(4)的将归一化后的旅游客流量序列划分为训练集和测试集步骤⑤中，其特征在于：将归一化后的旅游客流量序列划分出67％做训练集，33％测试集，将训练集输入到步骤②设置的长短期记忆网络模型中，设置时间步长为2、迭代次数为100次、批量为1进行训练，得到训练好的长短期记忆网络模型，并将该网络模型应用在测试集上进行旅游客流量预测。

5.根据权利要求1所述的基于季节性长短期记忆网络模型的旅游客流量预测方法，其特征在于在预测普通工作日旅游客流量步骤(4)的步骤④中，所述的优化函数adam为：设置参数lr为0.001、beta_1为0.9、beta_2为0.999、epsilon为1e-08、decay为0.0，得到优化的长短期记忆网络结构。