基于网络搜索指数的山岳型风景区日客流量预测

发布时间：2023-03-12 18:33

　　随着经济快速发展,旅游业已成为增长速度最快的产业之一,快速增长的旅游业在促进地区经济发展的同时,也给旅游景区管理带来了管理困难等一系列挑战,而山岳型风景区因其独特的地理风貌导致其日常管理工作难度更大。因此,考虑到对景区资源的有效调度,明、后日客流量的准确预测对山岳型风景区管理具有重要意义,能够为山岳型风景区管理者在日常管理决策中提供信息支持。本文选择黄山风景区作为研究案例,结合景区管理需求,对黄山风景区明、后日客流量预测问题进行研究。根据客流量在不同时期的不同特征将客流量划分为平常日客流量和节假日客流量两种类型,分别建立不同的预测模型对两类客流量进行预测研究。本文的主要研究内容如下:(1)提出基于网络搜索的DBN-PSOBP平常日客流量预测方法。针对平常日客流量复杂、非线性等特征建立了基于深度置信网络(Deep Belief Network,DBN)和粒子群(Particle Swarm Optimization,PSO)优化BP(Back Propagation)算法的客流量预测误差修正模型,并且考虑到景区相关信息的搜索行为与景区客流量预测存在一定相关性,在输入变量的选取中加入网络搜...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究思路与章节安排
第二章 相关理论与方法
    2.1 深度置信网络
        2.1.1 深度置信网络的原理
        2.1.2 深度置信网络的特点
    2.2 BP神经网络
        2.2.1 BP神经网络的原理
        2.2.2 BP神经网络的特点
    2.3 支持向量机
        2.3.1 支持向量机的原理
        2.3.2 支持向量机的特点
    2.4 粒子群算法
        2.4.1 粒子群算法的原理
        2.4.2 粒子群算法的特点
    2.5 本章小结
第三章 基于网络搜索指数的DBN-PSOBP平常日客流量预测
    3.1 问题提出
    3.2 平常日客流量预测方法
        3.2.1 DBN-PSOBP组合模型
        3.2.2 日客流量预测相关因素分析
        3.2.3 DBN-PSOBP组合模型预测方法
    3.3 实验过程与结果比较分析
        3.3.1 数据准备
        3.3.2 明日客流量预测模型实验过程及分析
        3.3.3 后日客流量预测模型实验过程及分析
    3.4 本章小结
第四章 基于网络搜索指数的优化SVM节假日客流量预测
    4.1 问题提出
    4.2 节假日客流量预测模型方法
        4.2.1 改进的粒子群算法
        4.2.2 基于改进PSO优化SVM算法预测方法
    4.3 实验过程与结果比较分析
        4.3.1 数据准备
        4.3.2 明日客流量预测模型实验过程及分析
        4.3.3 后日客流量预测模型实验过程及分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 初选关键词组的各关键词与平常日客流量的皮尔逊相关系数表
附录2 初选关键词组的各关键词与节假日客流量的皮尔逊相关系数表
攻读硕士学位期间的学术活动及成果情况



本文编号：3761737