基于神經網絡算法的熊貓基地短時客流預測分析

(西南交通大學希望學院軌道交通學院 四川 成都 610031)

一、引言

中國旅游研究院文化和旅游部數據中心數據顯示2018年全年國內游客為55.4億人次，較上年增長10.8%，其中出入境游客2.9億人次，增長7.4%。預計，2019年國內游客總數將達到60.6億人次，較上年9.5%的增長幅度。入境游客人數將達1.4億人次，較上年增長1%。居民出境游客人數或達1.7億人次，較上年增長11%。我國在國內旅游人次、旅游消費以及出境旅游人次、旅游消費幾項數據上均位列世界第一。旅游就業人數占我國總就業人數的10.2%。旅游業對我國GDP的綜合貢獻已超過了教育、銀行和汽車產業。

旅游景區為旅游產業的核心環節之一，亦是游客的主要目的地和集散地。隨著全國范圍內各大景區旅游服務質量的提升以及門票價格的下調，景區的引流作用持續增強。位于成都的大熊貓繁育研究基地是著名的大熊貓遷地保護基地，同時也是大熊貓公眾教育基地、科研繁育基地和教育旅游基地，占地面積達1500畝，以保護和繁育大熊貓等中國特有的瀕危野生動物而聞名遐邇，吸引著大批的海內外游客不斷前往。數據顯示2019年春節成都大熊貓基地接待游客接近50萬人，旅游旺季單日接待游客量已超3萬人，年接待游客人數超過300萬人次。并且隨著人們對于動物保護意識的增強以及旅行出游需求的增長，每逢節假日成都大熊貓繁育研究基地景區都會迎來一波又一波的客流高峰，考驗著景區組織管理水平。因此，有必要對基地客流量進行精確預測，實時掌握景區客流狀況，是確保景區能正常有序運營并持續穩定發展的先決條件。

二、基于神經網絡的基地客流量預測

(一)神經網絡算法分析

神經網絡算法對非線性問題具有強大的處理能力，能夠與成都大熊貓繁育研究基地游客數量變化的隨機性特點和非線性特點相適應，同時也可以彌補傳統客流預測算法在解決非線性與時變問題上的短板。神經網絡算法可以根據輸入輸出樣本數據對網絡參數值進行自動調整，并在此基礎上建立起優良的輸入輸出映射關系，以實現其客流預測的功能。在對基地客流量進行預測時，只需要提供基地客流量歷史數據用于對神經網絡的訓練，就可以得到分配矩陣信息并將其存儲在網絡之中，而不必要求確定的分配矩陣，便能對實際客流數據進行準確預測。

1.BP神經網絡

BP 神經網絡是目前使用最為廣泛的神經網絡，被運用在各種場景中。典型的BP 神經網絡具有三層網絡結構，分別是輸入層、輸出層和隱含層，其訓練學習有前向過程與反向過程兩種。前向訓練過程是將某個訓練樣本作用于輸入端之后，使用當前權重值來計算神經網絡的輸出，以實現一個信號從輸入層到隱含層再到輸出層的整個過程。計算可以得到輸出同已知輸出間的誤差值，然后依據這個誤差值對輸出層權重值的偏導數來修正輸出層的權重值，然后把誤差值反向傳遞至倒數第二層的各個節點之上，依據誤差值對這些節點權重值的偏導數來對這些權重值進行修正，依次重復下去，直到把每層的權重值全部修正一次之后。再從訓練集當中選出另外一個樣本來進行相同的訓練過程。依此方法不斷的重復下去，直到完成此前預設的訓練次數或者最終達到預定的精度，訓練過程隨即終止。

2.RBF神經網絡

RBF神經網絡將RBF作為隱單元的“基”構成隱含層空間，如此就可以將輸入矢量直接映射到隱含層空間，而不需要通過權來進行連接。當RBF的中心點確定出來以后，這樣映射關系便也就確定出來了。隱含層空間到輸出空間的映射是線性的，也就是說網絡的輸出是隱單元輸出的線性加權和，這里的權就是網絡的可調參數。當中隱含層存在的作用是實現向量從低維度的p映射到高維度的h映射，如此在低維度存在的線性不可分情況到高維度即變成線性可分了，也就是核函數的思想。如此，網絡由輸入到輸出的映射是非線性的，但是網絡輸出對可調參數來說卻變成線性的了。網絡的權便可以根據線性方程組直接求解出來，這樣在很大程度上提高了學習速度并且能夠避免局部極小問題的出現。

3.適用性分析

BP神經網絡是對非線性映射的全局逼近。其隱節點采用輸入模式與權向量的內積作為激活函數的自變量，激活函數采用Sigmoid函數。各調參數對BP網絡的輸出具有相同程度的影響。BP神經網絡的優點是通用性強，理論依據堅實，推導過程嚴謹，不過存在計算過程易陷入局部極小值，收斂速度慢，網絡結構難確定的問題，適用于模式識別、圖像處理、系統辨識、優化計算、智能控制、非線性時間序列預測等。而RBF神經網絡具有“局部映射”特性。其隱節點采用輸入模式與中心向量的距離作為函數的自變量，并使用徑向基函數作為激活函數。神經元的輸入離徑向基函數中心越遠，神經元的激活程度就越低。RBF網絡的輸出與部分調參數有關。RBF神經網絡的優點是其唯一最佳逼近點是性能良好的前向網絡，存在的主要問題是其學習過程中存在隱函數多，計算過程數據量大，適用于模式識別、函數逼近、非線性時間序列預測等。

時間長了，我們都看出了一點門道，二狗伢在拉琴時，一張嘴巴就像和尚念經一樣沒停過。開始我們不知道他念的是什么經，還以為他這是裝神弄鬼呢！后來聽多了，我們也聽出一些門道了，原來他念的是外空外三內空內一之類，這是他背的譜子，后來我們也自制了一把土琴，學著拉當時非常流行的《東方紅》，東方紅，太陽升，中國出了個毛澤東，用梭捺弦，口訣是：外三三四空，內三三一外空，外三三四六四三內三三一外空。這辦法還真奏效，二狗伢的胡琴藝術密碼終于讓我們給破譯了。

(二)神經網絡預測模型構建與分析

1.參數設置

BP神經網絡模型參數設置中訓練函數為trainlm；傳遞函數為purelin；網絡類型為newff；預測仿真sim( )；最小梯度要求取10-16；mu的最大值取1015；學習速率取0.05；訓練次數取5000；訓練目標取500。RBF神經網絡模型參數設置中網絡類型為newrb；神經元最大數目取20；擴展速度取0.8；均方誤差取0。

2.模型構建

本模型采用3層神經網絡，將調查得的熊貓基地高峰小時(9:00-9:50)每分鐘到達游客數量的50組數據進行訓練。預測時段(9:50-10:00)每分鐘到達游客人數。

Step 1 將現場實地調查每分鐘游客到達人數數據分為訓練樣本和預測樣本。

Step 2 將調查得到的客流量樣本數據進行歸一化處理。

Step 3構建神經網絡模型。選取調查游客數據作為輸入輸出樣本，對網絡進行訓練，建立神經網絡預測模型。

Step 4 用已訓練好的神經網絡模型對下一時段的游客到達人數進行預測。

Step 5 對神經網絡模型預測數據進行誤差分析。

3.熊貓基地游客數量預測結果分析

采用Matlab 2018b軟件進行編程，構建BP神經網絡模型和RBF神經網絡模型，分別運用模型進行預測可以得到熊貓基地(9:50-10:00)時段游客到達數量的預測數據，將預測數據與調查數據的進行對比，如下圖。

圖1 神經網絡模型游客人數預測數據比對

根據模型預測數據，采用預測誤差指數EA(0～1)和MAE來表征預測數據與調查數據間的擬合情況。

(1-1)

(1-2)

式中xp(i)和xr(i)分別為熊貓基地第i分鐘游客到達人數的預測數據和調查數據。由公式(1-1)與(1-2)可以得到BP神經網絡模型與RBF神經網絡模型的誤差指數，如下表。

表1 神經網絡模型預測游客人數誤差表

由上表的數據情況可以看出，構建的模型中，RBF神經網絡模型和BP神經網絡模型的預測數據與調查數據間的偏差都很小，預測精度滿足要求，達到熊貓基地短時客流預測要求。同時也可以通過對比看到，RBF神經網絡模型比BP神經網絡模型的誤差更小，擬合能力更好一些，預測的數據也更為準確。

三、熊貓基地景區發展建議

成都大熊貓繁育研究基地作為成都市一張享譽全球的名片，不僅需要加強景區日常運營管理與游客組織管理，同時還需要不斷進行旅游產品研發和產業創新，逐步深耕細分市場，提升服務品質，擴展景區市場空間。

(一)加強景區創新轉型升級

消費升級、旅游品質化需求帶動旅游產業創新，如今高端酒店、專屬導游、定制化旅游服務等成為國內旅游的新風向。景區需以創新為基石，為國民提供受歡迎的文化和旅游產品。

(二)為景區高品質的旅游服務提供新內容

國內旅游需求從景觀向服務轉變，觀光旅游比重下降成為中長期趨勢。積極打造旅游度假區、生態旅游示范區等新內容，不斷滿足國民對美好生活的訴求。

(三)跨界融合實現多元服務

在文化與旅游融合發展的行業新時代以大數據技術為支撐，基于旅游、文化、教育、科技等的融合創新，以及以熊貓主體為基礎的特有IP創新，打造本地居民和外來游客喜愛的休閑旅游空間。