本發(fā)明屬于數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及到采用熵值法預(yù)測旅游的方法。

背景技術(shù)：

旅游行業(yè)中旅游預(yù)測是旅游研究的熱點問題，也是旅游學(xué)界的難點課題?！盎ヂ?lián)網(wǎng)+”時代，旅游預(yù)測研究呈現(xiàn)出一些新的趨勢。隨著人們生活水平的提高和消費觀念的變化，旅游成為越來越多中國人在小長假、黃金周的首選。然而火爆的旅游市場也使景區(qū)人滿為患、一房難求等現(xiàn)象層出不窮。要大力發(fā)展旅游業(yè)，提高旅游業(yè)的管理水平，旅游預(yù)測工作必不可少，而旅游預(yù)測中旅游需求預(yù)測、旅游客流量預(yù)測一向是旅游行業(yè)的重大課題和旅游研究的熱點問題，對旅游管理機(jī)構(gòu)以及目的地企業(yè)而言，對未來做到“心中有數(shù)”，無論對旅游行業(yè)宏觀把握和調(diào)控，還是對目的地營銷活動的引導(dǎo)，以及對旅游客流流向和流量的調(diào)整，都具有很大的現(xiàn)實意義。

傳統(tǒng)的灰色模型針對小樣本數(shù)據(jù)，短期預(yù)測，客流量數(shù)據(jù)有較大的隨機(jī)性和波動性，本方法考慮灰色預(yù)測模型的背景，將等維遞增的動態(tài)模型和最優(yōu)子集法應(yīng)用到灰色模型中，在進(jìn)行動態(tài)預(yù)測時，增加約束條件，確定預(yù)測長度，提高預(yù)測擬合度；模糊時間序列模型預(yù)測的缺點是受區(qū)間長度的影響，難以進(jìn)行有效的區(qū)間劃分，本方法利用模糊C均值聚類算法分割區(qū)間，根據(jù)樣本數(shù)據(jù)分布情況進(jìn)一步優(yōu)化區(qū)間劃分。

目前在還沒有基于灰色理論與模糊時間序列模型，在旅游技術(shù)領(lǐng)域，當(dāng)前需解決的一個技術(shù)問題是對旅游客流量提供一種預(yù)測客流量的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于克服上述兩種預(yù)測模型的缺點，提供一種合理、經(jīng)濟(jì)、實用的基于熵值法組合優(yōu)化的旅游需求的預(yù)測方法。

解決上述技術(shù)問題所采用的技術(shù)方案由以下步驟組成：

(1)從旅游局官網(wǎng)旅游景點收集景區(qū)接待人數(shù)情況，按照年、月、日分類收集。

(2)采用動態(tài)優(yōu)化子集灰色模型方法，按照不同的時間尺度年、月、日分別對景區(qū)接待人數(shù)進(jìn)行預(yù)測，旅游景區(qū)歷史接待人數(shù)原始序列為：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))

式中x⁽⁰⁾(n)為第n時刻的景區(qū)接待人數(shù)的觀測值，其中n是至少為4、不為0的有限正整數(shù)；采用灰色模型從多時間尺度年、月、日進(jìn)行預(yù)測，得到景區(qū)接待人數(shù)的預(yù)測值、平均絕對誤差百分比，采用最優(yōu)子集法優(yōu)化預(yù)測值，確定最優(yōu)輸入子集的個數(shù)，得到平均絕對誤差百分比的最小值對應(yīng)的輸入子集的個數(shù)，截取連續(xù)的數(shù)據(jù)段序列作為輸入子集序列來替換原有的歷史接待人數(shù)序列。

構(gòu)建動態(tài)的優(yōu)化子集灰色模型：第一次，去除旅游景區(qū)歷史接待人數(shù)原始序列中的x⁽⁰⁾(1)，遞補x⁽⁰⁾(n+1)，構(gòu)成一組新的動態(tài)序列(x⁽⁰⁾(2),x⁽⁰⁾(3),…x⁽⁰⁾(n+1))依次類推，保持序列長度不變，構(gòu)建成動態(tài)的優(yōu)化子集灰色模型。

(3)采用模糊時間序列模型按年、月、日分別對旅游景區(qū)接待人數(shù)進(jìn)行預(yù)測

在模糊時間序列模型的基礎(chǔ)上，采用模糊C均值聚類算法分割區(qū)間獲得聚類中心，對聚類中心按照升序進(jìn)行排序，計算序列中相鄰兩個值的中值，分別插入旅游景區(qū)接待人數(shù)的最小值和最大值組成區(qū)間范圍；根據(jù)落在區(qū)間范圍內(nèi)接待人數(shù)值的分布情況，采用統(tǒng)計學(xué)方法得到每個區(qū)間范圍內(nèi)落入的旅游景區(qū)接待人數(shù)，構(gòu)建模糊邏輯關(guān)系，建立模糊預(yù)測。

(4)采用熵值法組合優(yōu)化的旅游需求預(yù)測模型

采用熵值法按下式：

確定動態(tài)優(yōu)化子集灰色模型與模糊時間序列模型兩種單一模型相對誤差的熵值；式中k>0為有限的正整數(shù)，h_(i)∈[0,1]，n為景區(qū)接待人數(shù)原始序列的長度值，n是至少為4的有限正整數(shù)，h_(i)為第i個相對誤差的熵值，f_(i)為第i個誤差占誤差總和的權(quán)重，e_(i)為動態(tài)優(yōu)化子集灰色模型與模糊時間序列模型兩種單一模型相對誤差；獲取兩種單一的預(yù)測模型的權(quán)重系數(shù)值w₁和w₂，得到動態(tài)優(yōu)化子集灰色模型和模糊時間序列模型組合模型的預(yù)測值式中w₁為動態(tài)優(yōu)化子集灰色模型的權(quán)重系數(shù)值，w₂為模糊時間序列模型的權(quán)重系數(shù)值，F(xiàn)為動態(tài)優(yōu)化子集灰色模型的預(yù)測值，為模糊時間序列模型的預(yù)測值，為動態(tài)優(yōu)化子集灰色模型和模糊時間序列模型組合模型預(yù)測值。

(5)采用馬爾科夫模型修正熵值法組合優(yōu)化模型

將步驟(4)的組合模型預(yù)測值與旅游景區(qū)接待人數(shù)實際值的相對誤差按下式確定馬爾科夫狀態(tài)個數(shù)：

式中n為景區(qū)接待人數(shù)原始序列的長度值，n是至少為4的有限正整數(shù)，S為馬爾科夫狀態(tài)個數(shù)。

采用初始狀態(tài)概率公式

得到初始狀態(tài)概率矩陣

式中P_ij為經(jīng)過k步轉(zhuǎn)移的概率，r是選取的最優(yōu)輸入預(yù)測個數(shù)，距離要預(yù)測狀態(tài)最近的r個值，k是轉(zhuǎn)移的步數(shù)，采用初始狀態(tài)概率，經(jīng)過k步轉(zhuǎn)移之后狀態(tài)轉(zhuǎn)移概率列向量之和的最大值所屬狀態(tài)，作為預(yù)測下一步將要轉(zhuǎn)移狀態(tài)的概率以及未來狀態(tài)的趨勢，獲得馬爾科夫模型修正預(yù)測值。

選取狀態(tài)轉(zhuǎn)移概率列向量之和的最大值所屬的狀態(tài)為預(yù)測值的狀態(tài)，預(yù)測值為：

式中L_i是劃分狀態(tài)區(qū)間后的左端點值，U_j是劃分狀態(tài)區(qū)間后的右端點值，是兩種單一模型組合以后的預(yù)測值，是馬爾科夫模型修正以后的預(yù)測值。

在本發(fā)明的步驟(2)中最優(yōu)子集法優(yōu)化預(yù)測值的方法為：

1)設(shè)定原有的歷史接待人數(shù)序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，式中i＝1,2…n，其中，n是序列的長度，為有限的正整數(shù)，x⁽⁰⁾(i)是序列中第i個指標(biāo)年、月、日的接待人數(shù)值。

2)對序列x⁽⁰⁾做一次累加得x⁽¹⁾序列為(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3)…x⁽¹⁾(n))。

3)確定x⁽¹⁾序列的近鄰均值序列z⁽¹⁾(k)為0.5x⁽¹⁾(k)+0.5⁽¹⁾(k-1)，式中k是不為1的有限正整數(shù)。

4)建立微分方程d(k)+az⁽¹⁾(k)＝b即x⁽⁰⁾(k)+az⁽¹⁾(k)＝b

式中x⁽⁰⁾(k)為灰導(dǎo)數(shù)，z⁽¹⁾(k)為白化背景值，a為發(fā)展系數(shù)，b為灰作用量。

5)獲取客流量的預(yù)測值

采用下式獲取客流量的預(yù)測值：

式中a為發(fā)展系數(shù)，b為灰作用量，意義同4)，x⁽⁰⁾原有的歷史接待人數(shù)序列的初值。

6)預(yù)測客流量的精度

用平均絕對誤差百分比度量預(yù)測客流量的精度為：

式中l(wèi)為最優(yōu)輸入子集的個數(shù)，MAPE(l)為平均絕對誤差百分比，n是旅游景區(qū)接待人數(shù)原始序列的長度值，為有限正整數(shù)。

7)確定最優(yōu)輸入子集的個數(shù)

截取連續(xù)的數(shù)據(jù)段(x⁽⁰⁾(n-l),…x⁽⁰⁾(n-1),x⁽⁰⁾(n))，l∈(4,5…n-1)作為輸入子集序列來替換原有的歷史接待人數(shù)序列(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，根據(jù)式(2)獲得平均絕對誤差百分比MAPE(l)的最小值，確定最優(yōu)輸入子集的個數(shù)l。

在本發(fā)明的步驟(3)中，基于模糊C均值聚類算法分割區(qū)間的方法為：

1)將收集的景區(qū)客流量數(shù)據(jù)序列定義為d序列，進(jìn)行升序排序為：d₁、d₂,、d₃、…、d_n，d₁為客流量最小接待值，d_n為客流量最大接待值，得到客流量所屬的范圍區(qū)間u為[d₁,d_n]，用公式

d₁＝ab×10^z

對范圍區(qū)間u進(jìn)行縮放處理，式中a、b、z為0到9之間的任意正整數(shù)，縮放處理方法如下：

Spec＝a×10^z-1+(b-1)×10^(z-2)

式中Spec為調(diào)整總趨勢，范圍區(qū)間U根據(jù)Spec合理調(diào)整得到新的范圍區(qū)間如下：

U＝[d₁-Spec/10,d_n-Spec/10]

2)使用Matlab工具調(diào)用模糊C均值聚類算法，輸出K個聚類中心值，對聚類中心進(jìn)行排序，分別計算K個聚類中心的兩兩相鄰的中值，總計K-1個中心值，將K-1個中心值，分別插到范圍區(qū)間U中，得到K個小區(qū)間，記為u₁,u₂,u₃,…,u_n。

在本發(fā)明的步驟(4)中，獲取兩種單一的預(yù)測模型的權(quán)重系數(shù)值w₁和w₂的方法為：

1)采用公式(3)得到其相對誤差，若相對誤差e(i)大于1，相對誤差e(i)值等于1,

式中x_真實值為景區(qū)接待人數(shù)的觀測值，x_{預(yù)測值}為景區(qū)接待人數(shù)的預(yù)測值。

2)用式(4)對相對誤差進(jìn)行單位化變換，第i個相對誤差占相對誤差總和的權(quán)重，即相對誤差的單位化變換；

3)用式(5)獲取信息熵的冗余度即第i個相對誤差的熵值和信息熵的冗余度：

d_(i)＝1-h_(i) (5)

式中k>0為常數(shù)，h_(i)∈[0,1]，h_(i)為第i個相對誤差的熵值，d_(i)記為信息熵的冗余度，i∈n，n為旅游景區(qū)接待人數(shù)原始序列的長度值，屬于有限正整數(shù)，i是年、月、日中的一個數(shù)。

4)獲取兩種單一的預(yù)測模型的權(quán)重系數(shù)值w₁和w₂權(quán)重系數(shù)，按式(6)

得到兩種單一的預(yù)測模型的權(quán)重系數(shù)值w₁和w₂，式中n為2，加權(quán)系數(shù)總和為1。

本發(fā)明采用在兩種現(xiàn)有的灰色模型和模糊時間序列模型的基礎(chǔ)上，采用熵值法結(jié)合兩種模型的預(yù)測結(jié)果，并采用馬爾科夫模型修正預(yù)測值，對旅游業(yè)提出了一種預(yù)測方法。本發(fā)明與現(xiàn)有的灰色模型與模糊時間序列模型相比，本發(fā)明具有以下優(yōu)點：

1、分析旅游景區(qū)的日?？土髁孔兓?guī)律，根據(jù)國內(nèi)旅游的周期性特點，對多時間段、多時間尺度的客流量進(jìn)行預(yù)測。從宏觀上調(diào)控景區(qū)發(fā)展，微觀上揭示景區(qū)客流量的內(nèi)在規(guī)律，提升旅游行業(yè)的管理水平。

2、在兩種現(xiàn)有灰色模型與模糊時間序列模型的基礎(chǔ)上，增加最優(yōu)子集法確定灰色模型輸入子集的個數(shù)；模糊C均值聚類和統(tǒng)計法確定劃分區(qū)間的長度。

3、采用熵值法來加權(quán)優(yōu)化灰色模型與模糊時間序列模型，與單一的兩種模型相比，本發(fā)明的信息更廣泛、更多，并能夠考慮到單一模型在不同時間段內(nèi)預(yù)測精度的變化。

4、根據(jù)熵值法組合優(yōu)化模型預(yù)測的結(jié)果，采用馬爾科夫模型劃分狀態(tài)，求概率轉(zhuǎn)移矩陣，預(yù)測未來的趨勢，提高了預(yù)測性能。

附圖說明

圖1是本發(fā)明實施例1的流程圖。

圖2是實施例1中改進(jìn)的灰色模型預(yù)測方法的流程圖。

圖3是實施例1中改進(jìn)的模糊時間序列模型預(yù)測方法的流程圖。

具體實施方法

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步詳細(xì)說明，但本發(fā)明不限于這些實施例。

實施例1

以西安博物院2011～2015年旅游客流量為例，基于熵值法組合優(yōu)化的旅游需求預(yù)測方法步驟如下：

如圖1所示，結(jié)合實施例國內(nèi)旅游需求預(yù)測的實際應(yīng)用——以西安博物院為例的基于熵值法組合優(yōu)化的旅游需求預(yù)測方法具體由以下步驟實現(xiàn)：

(1)從旅游局官網(wǎng)旅游景點收集景區(qū)接待人數(shù)情況，按照年、月、日分類收集

收集西安博物院統(tǒng)計的2011—2015年來西安博物院旅游的持票入園人數(shù)，如表1所示：

表1西安博物院旅游客流量

(2)采用動態(tài)優(yōu)化子集灰色模型方法，按照不同的時間尺度年、月、日分別對景區(qū)接待人數(shù)進(jìn)行預(yù)測

1)設(shè)定原有的歷史接待人數(shù)序列x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，i＝1,2…n，其中，n是序列的長度為48，x⁽⁰⁾(1)是序列中第1個數(shù)，為2011年1月份接待人數(shù)，……，x⁽⁰⁾(48)是序列中的第48個數(shù)，為2014年12月份接待人數(shù)。

2)對序列x⁽⁰⁾做一次累加得x⁽¹⁾序列為(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3)…x⁽¹⁾(n))。

3)確定x⁽¹⁾序列的近鄰均值序列z⁽¹⁾(k)為0.5x⁽¹⁾(k)+0.5⁽¹⁾(k-1)，式中k為2,3,…49。

4)建立微分方程d(k)+az⁽¹⁾(k)＝b即x⁽⁰⁾(k)+az⁽¹⁾(k)＝b式中x⁽⁰⁾(k)為灰導(dǎo)數(shù)，z⁽¹⁾(k)為白化背景值，a為發(fā)展系數(shù)，b為灰作用量；

5)獲取客流量的預(yù)測值，采用下式獲取客流量的預(yù)測值：

式中a為發(fā)展系數(shù)，b為灰作用量，意義同4)，x⁽⁰⁾原有的歷史接待人數(shù)序列的初值，客流量預(yù)測結(jié)果見表2。

表2灰色模型預(yù)測西安博物院旅游客流量

6)預(yù)測客流量的精度

用平均絕對誤差百分比度量預(yù)測客流量的精度為

式中l(wèi)為最優(yōu)輸入子集的個數(shù)，取l為5-43連續(xù)的正整數(shù)，MAPE(l)為平均絕對誤差百分比，見表3，n為旅游景區(qū)接待人數(shù)原始序列的長度值，n為48。

表3最佳輸入子集長度和MAPE值

7)確定最優(yōu)輸入子集的個數(shù)

截取連續(xù)的數(shù)據(jù)段(x⁽⁰⁾(n-l),…x⁽⁰⁾(n-1),x⁽⁰⁾(n))，l∈(4,5…n-1)作為輸入子集序列來替換原有的歷史接待人數(shù)序列(x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3)…x⁽⁰⁾(n))，根據(jù)式(2)獲得平均絕對誤差百分比MAPE(l)的最小值為MAPE＝0.1794，l＝10時，性能最好，因此，確定最優(yōu)輸入子集的個數(shù)為10來預(yù)測。

(3)采用模糊時間序列模型按年、月、日分別對旅游景區(qū)接待人數(shù)進(jìn)行預(yù)測

在模糊時間序列模型的基礎(chǔ)上，采用模糊C均值聚類算法分割區(qū)間獲得聚類中心，對聚類中心按照升序進(jìn)行排序，計算序列中相鄰兩個值的中值，分別插入旅游景區(qū)接待人數(shù)的最小值和最大值組成區(qū)間范圍；根據(jù)落在區(qū)間范圍內(nèi)接待人數(shù)值的分布情況，采用統(tǒng)計學(xué)方法得到每個區(qū)間范圍內(nèi)落入的旅游景區(qū)接待人數(shù)，構(gòu)建模糊邏輯關(guān)系，建立模糊預(yù)測。

上述的基于模糊C均值聚類算法分割區(qū)間的方法為：

1)將收集的旅游景區(qū)客流量數(shù)據(jù)序列定義為d序列，進(jìn)行升序排序為：d₁、d₂,、d₃、…、d_n，d₁為客流量最小接待值，d_n為客流量最大接待值，得到客流量所屬的范圍區(qū)間u為[d₁,d_n]，用公式

d₁＝ab×10^z

式中a為1，b為2，z為4,d₁為12×10⁴，對范圍區(qū)間u進(jìn)行縮放處理，u為12401～136561，縮放處理如下：

Spec＝a×10^z-1+(b-1)×10^(z-2)

式中Spec為調(diào)整總趨勢為1100，范圍區(qū)間U根據(jù)Spec合理調(diào)整得到新的范圍區(qū)間為12291～136671

U＝[d₁-Spec/10,d_n-Spec/10]

2)使用Matlab工具調(diào)用模糊C均值聚類算法，輸出K個聚類中心值，本實施例的K為6，對聚類中心進(jìn)行排序，分別計算K個聚類中心的兩兩相鄰的中值，總計K-1個中心值，將K-1個中心值分別插到U中，本實施例的U為12291～136671，得到K個小區(qū)間，記為u₁,u₂,u₃,…,u₂₇，本實施例的u1為12.291～14.881，u2為14.881～17.471，u3為17.471～20.061，…，u27為135.09335～136.671。

(4)采用熵值法組合優(yōu)化的旅游需求預(yù)測模型

采用熵值法按下式

確定動態(tài)優(yōu)化子集灰色模型與模糊時間序列模型兩種單一模型相對誤差的熵值；式中k>0為常數(shù)，本實施例的k為0.2543，h_(i)∈[0,1]，n為景區(qū)接待人數(shù)原始序列的長度值，本實施例的n為48，h_(i)為第i個相對誤差的熵值，本實施例的h₍₁₎為0.0912，h₍₂₎為0.0819，獲取兩種單一的預(yù)測模型的權(quán)重系數(shù)值w₁和w₂，本實施例的w1為0.5025，w₂為0.4975，得到動態(tài)優(yōu)化子集灰色模型和模糊時間序列模型組合模型的預(yù)測值式中w1為動態(tài)優(yōu)化子集灰色模型的權(quán)重系數(shù)值，w2為模糊時間序列模型的權(quán)重系數(shù)值，F(xiàn)為動態(tài)優(yōu)化子集灰色模型的預(yù)測值，為模糊時間序列模型的預(yù)測值，為動態(tài)優(yōu)化子集灰色模型和模糊時間序列模型組合模型預(yù)測值，預(yù)測結(jié)果見表4。

表4基于熵值法的組合方法預(yù)測結(jié)果

(5)采用馬爾科夫模型修正熵值法組合優(yōu)化模型

將步驟(4)得到的組合模型預(yù)測值與旅景區(qū)接待人數(shù)實際值的相對誤差按下式確定馬爾科夫狀態(tài)個數(shù)

式中n為景區(qū)接待人數(shù)原始序列的長度值，n為有限正整數(shù)。S為馬爾科夫狀態(tài)個數(shù)，本實施例的n為48，S為6；

采用初始狀態(tài)概率公式

得到初始狀態(tài)概率矩陣

式中P_ij為經(jīng)過k步轉(zhuǎn)移的概率，r是選取的最優(yōu)輸入預(yù)測個數(shù)，r距離要預(yù)測狀態(tài)最近的r個值，k是轉(zhuǎn)移的步數(shù)，本實施例的k為3，r為10，采用初始狀態(tài)概率，經(jīng)過k步轉(zhuǎn)移之后狀態(tài)轉(zhuǎn)移概率列向量之和的最大值所屬狀態(tài)，作為預(yù)測下一步將要轉(zhuǎn)移狀態(tài)的概率以及未來狀態(tài)的趨勢，獲得馬爾科夫模型修正預(yù)測值；

選取狀態(tài)轉(zhuǎn)移概率列向量之和的最大值所屬的狀態(tài)為預(yù)測值的狀態(tài)，預(yù)測值為：

這里L(fēng)_i是劃分狀態(tài)區(qū)間后的左端點值，U_j是劃分狀態(tài)區(qū)間后的右端點值，是兩種單一模型組合以后的預(yù)測值，是馬爾科夫模型修正以后的預(yù)測值見表5。

表5基于熵值法的組合馬爾科夫優(yōu)化的方法預(yù)測結(jié)果

由表5可見，預(yù)測結(jié)果結(jié)合平均相對誤差MRE、平均絕對相對誤差MARE、均方根相對誤差RMSE、平均絕對百分比誤差MAPE來進(jìn)行評價如表6所示，通過對比4種模型，基于熵值法的組合優(yōu)化的方法有更好的預(yù)測性能。

表6 4種模型下不同評價指標(biāo)的比較