基于EMD-GRU模型的旅游客流量預測

摘 要：利用網絡搜索數據進行短期旅游客流量預測，對景區優化資源的調度、引導旅游地規劃開發和指導游客制定出行計劃都具有重要意義。針對噪聲對預測效果的干擾，將經驗模態分解（EMD）去高頻噪后的網絡搜索數據作為解釋變量，引入收斂速度快、訓練時間短、算力消耗較小的門控循環單元（GRU）神經網絡構建旅游客流量預測模型。以重慶黑山谷景區為例，選用2015年1月1日至2020年1月24日的網絡搜索數據和游客數據進行實證分析。預測結果表明，相較于循環神經網絡和長短期記憶模型，EMD-GRU模型的預測效能更高，且使用EMD去噪數據訓練的預測模型能有效提高原始數據預測模型的精度。

關鍵詞：客流量預測；網絡搜索；門控循環單元；經驗模態分解；神經網絡；重慶黑山谷

中圖分類號：F592"" 文獻標志碼：A""" 文章編號：1673-5072（2023）02-0179-07

我國進入到大眾旅游的新時代，旅游已經成為人民幸福生活的必需品［1］。據統計公報顯示，2019年國內旅游人數60.1億人次，比上年同期增長8.4%；旅游收入5.73萬億元，增長11.7%［2］。旅游需求的增加對旅游景區資源調度和服務水平提出了更高要求［3］。對景區客流量的精確預測能夠進一步提高旅游活動監管的及時性，幫助相關部門優化景區管理，合理調配資源，保證服務質量；提前準備應急分流方案，做好安全保障工作，避免游客擁堵、滯留等安全事件的發生；同時對游客的出行判斷提供重要參考，做好心理預期，合理安排出行計劃，有效提升游客的出行體驗和旅游滿意度。

近年來，互聯網的快速發展使游客的旅游模式和消費習慣發生變化，游客在出行前通過互聯網收集住宿、交通、天氣、游玩攻略等信息已成趨勢［4］。游客在使用搜索引擎時產生的海量數據是游客潛在旅游需求的客觀反映［5］和其旅游意愿的表征［6］，具有即時性、預示性和高可訪問性。如今，在進行旅游需求的預測時，越來越看重互聯網中豐富的非結構性、非平穩性、碎片化旅游大數據，但傳統線性方法無法提取海量網絡數據中的復雜動態特征，于是學者們開始嘗試使用人工神經網絡［7］、BP神經網絡［8］、支持向量機模型［9］、長短時記憶網絡（Long-Short Time Memory，LSTM）［10-11］等人工智能算法對旅游客流量進行預測，并證實了引入網絡搜索數據作為變量因子能有效提升預測模型精度［12-15］。門控循環單元（Gated Recurrent Unit，GRU）神經網絡模型作為LSTM的輕量級變體，在保留其擬合時間依賴性、非線性序列記憶能力的情況下，訓練參數減少，算法的復雜程度降低，收斂速度加快，預測精度提高。本文在借鑒李曉炫等［16］、陸利君和廖小平［17］、何雪晴［18］研究成果的基礎上，采用經驗模態分解（Empirical Mode Decomposition，EMD）去高頻噪處理后的網絡搜索指數序列作為解釋變量，引入GRU構建重慶市黑山谷景區旅游客流量預測模型，為旅游客流量的準確預測提供一個新的視角和思路。

1 研究方法

1.1 EMD經驗模態分解

為了使信號中傳遞的特征更清楚，學者們提出了傅里葉變換、維格納分布和小波變換等時頻分析方法，但在處理非線性、非平穩信號時，容易產生虛假信號和假頻現象，自適應性有限。EMD是由Huang等［19］于1998年提出的一種自適應信號處理方法，其本質是對信號進行平穩化處理，將信號中存在的不同尺度下的變化趨勢逐級分解，對產生的一系列具有不同特征尺度的特征模態函數（Intrinsic Mode Function，IMF）進行Hilbert-Huang變換（Hilbert-Huang Transform，HHT），得到瞬時特征量，在時-頻平面形成為希爾伯特譜，能精確反映信號在時間和頻率上的分布規律［20］。該算法目前被廣泛運用于非線性、非平穩時間序列的信號分解及去噪處理，與預測模型相結合后預測風電功率［21］、電力負荷［22］、股票走勢［23］和旅游流量［18］等領域，能有效提高基準模型的預測精度。

根據Huang等提出的觀點，用EMD方法對序列或信號進行分解處理時必須基于以下三條假定：a.信號具有至少2個極值點：1個極大值和1個極小值；b.信號的特征時間尺度定義為相鄰極值點的時間間隔；c.若數據無極值但存在拐點，可先將數據微分一次或多次獲得極值點，再通過積分來得到相應的分量。

EMD具體就是通過“篩分”的處理過程將信號自適應地分解成為若干個IMF分量之和，每個IMF必須具備以下2個基本條件：a.整個時間序列范圍內，過零點與極值點個數相差不超過1個；b.在任何時間范圍內，其局部極大值和局部極小值構成的上下包絡線的均值為零，即關于時間軸局部對稱。

具體的處理步驟如下：

1）對任一時間序列Y（t），確定出Y（t）上的所有極值點，用三次樣條曲線連接所有極大值點形成上包絡線，同樣方式連接所有極小值點形成下包絡線。數據Y（t）與上下包絡線的均值M1（t）的差記為Q1（t），則

Q1（t）=Y（t）－M1（t）。（1）

2）檢驗Q1（t）是否滿足本征模函數的條件，如果不滿足，繼續將Q1（t）作為新的Y（t），重復步驟①，直到Qi（t）滿足IMF的條件，則其成為從原始信號中篩選出的第一階IMF1，通常第一階IMF1的分量包含信號中的最高頻成分：

Qi（t）=Qi－1（t）－Mi（t），（2）

IMF1=Qi（t）。（3）

3）將IMF1從原始序列Y（t）中分離，得到一個去掉了高頻分量的差值信號的剩余序列R1（t）。

R1（t）=Y（t）－IMF1。（4）

4）將R1（t）作為新的時間序列，重復①—③的篩分步驟，逐次得到各本征模函數IMFS，直到第n階的殘余序列成為單調函數，不能再篩分出IMF變量：

Rn（t）=Rn－1（t）－IMFn。（5）

5）數學上，原始序列Y（t）可以表示為n個IMF分量和一個殘余項的和，即：

Y（t）=∑ni=1IMFi+Rn（t），（6）

式中：Rn（t）為殘量，代表序列的平均趨勢；各個IMF分量表示序列從高到低不同頻率段的成分。選擇恰當的IMF分量進行重構，能夠起到序列數據降噪的作用。

1.2 門控循環單元神經網絡

GRU是Cho等［24］2014年提出的LSTM的輕量級變體，都是通過門控機制來維持長距離序列中的依賴關系，但GRU內部引入了重置門，并將LSTM中的遺忘門和輸入門合并為更新門。重置門用于決定丟棄無關歷史信息的程度，能捕捉時間序列中短期的依賴關系［25］；更新門能同時對節點信息進行選擇性“遺忘”或選擇性“記憶”，能捕捉時間序列中長期的依賴關系。經實證研究發現［26-27］，GRU在保留擬合時間依賴性和非線性序列的記憶能力，保證模型預測精度的同時，參數變少，縮小了算法的復雜程度，加快收斂速度，訓練時間變短，提高了效率。以一個記憶單元為例，GRU門控循環神經網絡的前向傳播計算過程見圖1：rt控制重置門控；zt控制更新門控；ht－1是上一節點傳遞的隱藏狀態，包含了之前節點的相關信息；xt表示當前時間

節點的輸入；σ為sigmoid函數，通過這個函數將所有數據變為（0，1）內的數據。因此重置門rt和更新門zt中每個元素的值域也是（0，1），從而充當門控信號，這一過程具體展開得：

rt=σ（xtwxr+whrht－1+br），（7）

zt=σ（xtwxz+whzht－1+bz），（8）

其中wxr、wxz、whr、whz為權重參數，br、bz為偏差參數。

h～t表示在時間節點t時的候選隱狀態，記憶了當前時刻的新信息。通過將當前時間步重置門的輸出rt與上一時間節點隱藏狀態ht－1做元素乘法，將結果與當前時間節點的輸入xt聯結，最后通過含激活函數tanh的全連接層計算得到候選隱狀態h～t，公式如下：

h～t=tanh（W·［rt⊙ht－1，xt］），（9）

其中rt用來控制是否忽略上一個時間節點的隱狀態。如果重置門元素值趨于0，表示表示重置對應的隱狀態元素為0，即忽略上一時間節點的信息，當前狀態的信息會更大程度地影響隱狀態的輸出；如果重置門元素值接近1，則表示保留上一時間節點的隱藏狀態［24］。具體展開得到：

h～t=tanh（xtwxh+（rt⊙ht－1）whh+bh）。（10）

最后，由當前時間節點的更新門zt來對上一時間節點的隱狀態ht－1和當前時間節點的隱狀態h～t做組合，得到時間節點ht的隱藏狀態：

ht=（1－zt）⊙ht－1+zt⊙h～t，（11）

其中，由zt判斷需要從前一時間節點的隱藏層ht－1中遺忘或記憶的信息，當更新門的元素值以較大權重激活向上的分支，意味著當前時間節點的輸入xt對最終輸出的隱藏層信息h～t影響較小，長時間跨度的狀態信息對模型的影響更大。

GRU中每個時間步的隱藏節點會學習捕捉不同時間步跨度下不同依賴信息的特征，疊加在一起后，共同根據數據流上的信息與結果的相關程度，自適應地學習到不同時間跨度下依賴信息的取舍權重，使輸出能夠更緊湊地表達信息［28］。GRU在保證精度效果的同時，模型結構更為簡潔，算力消耗更低，現已廣泛應用于電力負荷量［29］、交通流量［30］和股票價格［31］等各個方面的時間序列預測，具有較強的泛化能力。

2 實證分析

2.1 案例地概況

黑山谷景區位于重慶市萬盛經開區黑山鎮境內，是國家AAAAA級旅游景區、國家級地質公園、中國最美養生峽谷，年接待游客100萬人次以上，旅游淡旺季日接待游客量差距顯著，呈現非線性的復雜波動。

2.2 數據來源與處理

2.2.1 數據來源

黑山谷景區的旅游客流量數據由重慶黑山谷旅游投資有限公司提供，本研究搜集了黑山谷景區從2015年1月1日至2020年1月14日共1 841條日接待客流數據。網絡搜索數據來自百度指數，百度搜索引擎的使用量達到中國搜索引擎市場份額的七成以上，其提供的數據具有說服力。百度指數是百度公司提供的一個收集海量互聯網用戶搜索行為的數據分析工具，可以提供反映游客潛在需求的某一特定關鍵詞在某時間點的具體搜索量及其在某時間段的變化趨勢，為預測短期客流量提供數據支撐。考慮搜索數據先行指標的作用，數據搜集的時間范圍擴大為2014年12月23日至2020年1月14日，共1 850組數據。

2.2.2 數據劃分

為了保證模型的穩定性和可靠性，將總樣本劃分為訓練集和測試集，訓練數據集為2015年1月1日到2019年12月4日的1 799條數據，測試數據集為2019年12月5日到2020年1月14日，共41條數據。

2.3 選擇搜索關鍵詞

百度指數實驗數據集的構建分為以下幾個步驟：

1）確定初始搜索關鍵詞：以“黑山谷”作為初始搜索關鍵詞。

2）拓展搜索關鍵詞：通過百度指數的需求圖譜和愛站網（https：//ci.aizhan.com/）的關鍵詞挖掘功能，經初步篩選，將黑山谷旅游搜索關鍵詞拓展到12個，包括：黑山谷、黑山谷門票、黑山谷兩日游、萬盛黑山谷、黑山谷一日游、黑山谷旅游、重慶黑山谷、黑山谷圖片、重慶黑山谷一日游、黑山谷天氣、重慶萬盛黑山谷、黑山谷自駕游。

3）數據獲取：通過爬蟲程序，獲得12個黑山谷旅游搜索關鍵詞的每日搜索趨勢數據。

4）確立最終關鍵詞變量：將數據通過QQ圖驗證，發現數據并不符合正態分布，于是使用Spearman相關分析法計算每個搜索關鍵詞與日旅游接待客流量0～5個提前期的相關性，選擇R值最大的提前期作為搜索關鍵詞的最佳提前期（表1），同時用相關系數R的閾值作為篩選搜索關鍵詞的標準。

當R＞0.5時，變量之間的強度為強相關［32］。所以將R的閾值設定為0.5，最終搜索關鍵詞變量確定為：“黑山谷天氣”“萬盛黑山谷”“重慶黑山谷”“黑山谷門票”“黑山谷”“黑山谷圖片”。

最終實驗數據集確定為：{X1，X2，X3，X4，X5，X6;Y}，Y表示黑山谷旅游客流量。

2.4 數據去噪

由于用戶個體行為的差異性，其搜索目的具有多樣性，從而造成在搜索指數記錄下來的網絡搜索量中存在干擾。高頻網絡搜索噪聲與客流量之間的相關性往往極低，高頻噪聲部分已經不再具有對高頻客流量的預測能力［16］，為了降低噪聲對預測精度的影響，本文通過使用EMD去除網絡搜索數據的噪聲。EMD依據數據自身的時間尺度來進行信號的分解，所分解出來的各IMF分量包含了序列數據不同時間尺度的局部特征信號，最終形成若干個頻率由高到低的IMF分量以及一個殘差值。經過EMD分解后的時間序列其噪聲主要存在于高頻分量中，低頻分量與殘差值是數據的有效成分，所以本文將每個關鍵詞搜索變量中最高頻分量的數值去掉，將其余分量與殘差之和作為降噪處理后的數據用于模型的訓練與預測。通過MATLAB實現對關鍵詞搜索數據的經驗模態分解，考慮到搜索數據為不平滑的數據，指定采用三次Hermite插值法。

2.5 建立模型

本文將引入LSTM、RNN（Recurrent Neural Network）模型作為基準模型，對比GRU模型的預測能力。在進行驗證之前，首先設置基本模型的超參數。所有模型都在訓練集上進行訓練，為了降低訓練的復雜度并提高模型的訓練效率，使用歸一化的方法將所有數據標準化為（0，1）的數值。預測模型選用均方差（Mean Squared Error，MSE）作為損失函數，建立一個雙層神經網絡模型，每層網絡的神經元設置為128個；相比Sigmoid函數和Tanh函數，選擇更容易快速收斂的Relu函數作為激活函數；隱藏層均通過使用Dropout方法來避免過擬合現象的出現，學習率步長設置為0.001，數據批次大小設定為5，迭代300個輪次，確保訓練迭代停止時損失函數的收斂，達到最佳預測效果。預測完成后，對歸一化后的數據進行逆變換，獲得真實的預測值。

2.6 結果分析

2.6.1 預測模型評價指標

由于時間序列預測的隨機性和不確定性，結果存在誤差是難以避免的。為了進一步研究預測模型的性能，引入了均方根誤差（Root Mean Squard Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）和平均相對誤差（Mean Relative Error，MRE）作為精度測算指標來評定預測模型。

RMSE表示預測值和真實值之間差異的樣本標準差，說明了樣本的離散程度，能夠衡量預測值與真實值之間的偏差；MAE表示預測值和真實值之間絕對誤差的平均值，可以更好的反映預測值誤差的實際情況；MRE值可以用來表征預測值偏離真實值的程度。3個指標都旨在評估預測客流量與實際客流量的之間準確性，值越小，代表預測值與實際值偏離越小，模型精度越高，預測效果就越好。

2.6.2 預測結果分析

測試數據集的預測評價指標得分如表2所示，由預測評價指標的對比分析可見，本文采用的EMD-GRU模型在RMSE和MAE的數值都為最小，MRE的數值與原始GRU模型非常接近，代表去噪后的GRU模型能取得最好的精確度，預測性能最為出色；且將去噪后的數據作為解釋變量的預測模型數值都小于原始數據建立的預測模型，表明引入去噪數據的模型預測效果普遍好于使用原始數據構建的深度學習預測模型，意味著在通過網絡搜索數據建立預測模型時，對網絡搜索數據進行去噪處理是十分有必要的。

模型擬合和預測能力越強，模型預測的準確性就越高［33］。表現最好的3個黑山谷客流量預測模型與最終測試數據集的擬合效

果如圖2所示，模型較好地擬合了測試集中黑山谷景區2019年12月5日到2020年1月14日共41 d的日接待客流量變動趨勢，預測曲線與實際游客量曲線顯示出大致相同的波動特征。在同樣的數據條件下，其中EMD-GRU較其他模型的預測效果更優，再次證明了去噪數據和GRU模型結合將會得到更精確的預測結果，但模型對于部分峰值日期的預測結果差距較大。

出現峰值數據預測效果不佳的情況，主要原因可能有以下4個方面：第一，對于引入預測模型的關鍵詞選擇，其相關系數閾值的確定對于預測結果和噪聲都有較大影響，閾值過低將會導致條件較為放松，降低了搜索指數與每日接待客流量之間的相關性并包含較多噪聲干擾。本文選定景區黑山谷，網絡關注度較低，全網僅有12個網絡搜索關鍵詞，將日接待旅游客流量與搜索關鍵詞之間的相關系數定為0.5，僅為中強相關，去噪后的數據所受干擾仍較多，導致最終預測結果存在一些誤差。第二，對于深度學習預模型，訓練集數據越多，效果越好；本文因客觀條件所獲數據有限，模型的擬合效果有待進一步提升。第三，傳統EMD分解結果可能會出現模態混疊現象［34］和端點效應，影響模型的擬合效果。第四，預測數據選擇時段的后期可能受到新冠疫情的影響，但相關搜索指數在指定時段內還未有記載，無法引入具體搜索關鍵詞變量，未能考慮到新冠疫情這一特殊事件可能導致的客流量變化。

3 結 語

精確的景區客流量預測不僅能夠合理調配現有資源，優化調控，而且也可以作為游客的出行判斷指導，提高了時效性，幫助游客合理安排出行計劃。

目前相關研究鮮少對網絡搜索數據進行降噪處理，但網絡數據有著非線性、非平穩性的特點，不進行降噪處理的網絡數據存在信號干擾問題，會影響預測結果。針對旅游景區客流量難以進行短期準確預測的問題，本文將去噪后的網絡搜索數據作為客流量預測模型的解釋變量，引入GRU門控循環單元神經網絡構建旅游客流量預測模型。結果表明，EDM-GRU模型具有較好的預測效能，相較RNN、LSTM等深度學習模型提升了預測的精度，能更有效地進行短期客流量的預測，豐富了旅游目的地流量預測的理論支撐，為旅游客流量或其他預測提供思路與參考。

后續研究可考慮選取網絡關注度更高的景區，搜索數據與客流量之間相關性越高，模型擬合效果越好，預測能力就越高。挖掘更多解釋變量作為景區客流量的影響因素來構建預測模型，如節假日、天氣情況等，并通過長期的積累，獲得更多的客流量數據來豐富測試集。可以考慮應用集總經驗模態分解算法（Extend Empirical Mode Decomposition，EEMD）［35］，即引入白噪聲輔助分析方法，先對信號進行預處理后再進行EMD分解，抑制模態混疊現象，讓模型達到更佳的擬合效果。進行數據去噪時，本文僅默認IMF1分量為噪聲序列，保留其他所有序列和殘差，未來可考慮各IMF分量與原始序列的關聯程度來判斷噪聲序列；或者對搜索數據和客流量數據分別去噪，按不同分量和殘差建立預測模型，進一步提高模型預測的精度。

參考文獻：

［1］ 國務院新聞辦公室網站.文化和旅游部部長：旅游已經成為人民幸福生活的必需品［EB/OL］.（2019-03-08）［2021-11-13］.http：//www.scio.gov.cn/ztk/dtzt/39912/39913/39919/Document/1649335/1649335.htm.

［2］ 國家統計局.中華人民共和國2019年國民經濟和社會發展統計公報［EB/OL］.（2020-02-28）［2021-11-25］.http：//www.stats.gov.cn/tjsj/zxfb/202002/t20200228_1728913.html.

［3］ 陸文星，戴一茹，李楚，等.基于改進PSO-BP神經網絡的旅游客流量預測方法［J］.系統科學與數學，2020，40（8）：1407-1419.

［4］ PAN B，WU C G，SONG H Y.Forecasting hotel room demand using search engine data［J］.Journal of Hospitality and Tourism Technology，2012，3（3）：196-210.

［5］ LI X，PAN B，LAW R，et al.Forecasting tourism demand with composite search index［J］.Tourism Management，2017，59：57-66.

［6］ PAN B，MACLAURIN T，CROTTS J C.Travel blogs and the implications for destination marketing［J］.Journal of Travel Research，2007，46（1）：35-45.

［7］ 馬力.基于神經網絡的旅游收入預測模型建立研究：以山西為例［J］.科學決策，2010（9）：66-72.

［8］ 賈鵬，劉瑞菊，孫瑞萍，等.基于BP神經網絡的郵輪旅游需求預測［J］.科研管理，2013，34（6）：77-83.

［9］ 宋鑫，王維國.中國入境旅游季節性線性與非線性預測模型評價［J］.統計與決策，2020，36（2）：5-10.

［10］ZHANG B R，PU Y L，WANG Y Y，et al.Forecasting hotel accommodation demand based on LSTM model incorporating internet search index［J］.Sustainability，2019，11（17）：1-14.

［11］ZHANG B R，LI N，SHI F，et al.A deep learning approach for daily tourist flow forecasting with consumer search data［J］.Asia Pacific Journal of Tourism Research，2020，25（3）：323-339.

［12］黃先開，張麗峰，丁于思.百度指數與旅游景區游客量的關系及預測研究：以北京故宮為例［J］.旅游學刊，2013，28（11）：93-100.

［13］任樂，崔東佳.基于網絡搜索數據的國內旅游客流量預測研究：以北京市國內旅游客流量為例［J］.經濟問題探索，2014（4）：67-73.

［14］CLAUDE UWIMANA.使用Google趨勢預測旅游需求［D］.北京：北京交通大學，2019.

［15］周曉麗，唐承財.基于網絡搜索大數據的5A級景區客流量預測分析［J］.干旱區資源與環境，2020，34（3）：204-208.

［16］李曉炫，呂本富，曾鵬志，等.基于網絡搜索和CLSI-EMD-BP的旅游客流量預測研究［J］.系統工程理論與實踐，2017，37（1）：106-118.

［17］陸利軍，廖小平.基于EMD-BP神經網絡的游客量預測研究［J］.統計與決策，2019，35（4）：85-89.

［18］何雪晴.基于網絡搜索數據和降噪處理的旅游客流量預測研究［D］.長春：東北財經大學，2019.

［19］HUANG N E，SHEN Z，LONG S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proceedings of the Royal Society.Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

［20］楊永鋒，吳亞鋒.經驗模態分解在振動分析中的應用［M］.北京：國防工業出版社，2013.

［21］葉林，劉鵬.基于經驗模態分解和支持向量機的短期風電功率組合預測模型［J］.中國電機工程學報，2011，31（31）：102-108.

［22］劉建華，李錦程，楊龍月，等.基于EMD-SLSTM的家庭短期負荷預測［J］.電力系統保護與控制，2019，47（6）：40-47.

［23］張永安，顏斌斌.一種股票市場的深度學習復合預測模型［J］.計算機科學，2020，47（11）：255-267.

［24］CHO K，VAN M B，GULECHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation［C］//Conference on Empirical Methods in Natural Language Processing.Doha，ACL，2014：1724-1734.

［25］張·阿斯頓，李沐，LIPTON Z C，等.動手學深度學習［M］.北京：人民郵電出版社，2019.

［26］ZHOU G B，WU J X，ZHANG C L，et al.Minimal gated unit for recurrent neural networks［J］.International Journal of Automation and Computing，2016，13（3）：226-234.

［27］周翰遜，陳晨，馮潤澤，等.基于值導數GRU的移動惡意軟件流量檢測方法［J］.通信學報，2020，41（1）：102-113.

［28］徐彬.實戰深度學習算法：零起點通關神經網絡模型（基于Python和NumPy實現）［M］.北京：電子工業出版社，2019：172-175.

［29］黃元行，劉曉波，范津瑋，等.基于注意力機制和EMD-GRU模型的電力負荷預測［J］.智能計算機與應用，2021，11（3）：33-37+43.

［30］鳳少偉，鳳超，申浩.基于K-means與GRU的短時交通流預測研究［J］.計算機技術與發展，2020，30（7）：125-129.

［31］谷麗瓊，吳運杰，逄金輝.基于Attention機制的GRU股票預測模型［J］.系統工程，2020，38（5）：134-140.

［32］XIAO C W，YE J Q，ESTEVES R M，et al.Using Spearman’s correlation coefficients for exploratory data analysis on big dataset［J］.Concurrency and Computation：Practice and Experience，2016，28（14）：3868-3878.

［33］陳榮，梁昌勇，梁焱，等.基于APSO-SVR的山岳風景區短期客流量預測［J］.旅游科學，2013，27（3）：50-60.

［34］薛峰，孫興偉，董祉序，等.基于EEMD的數據降噪算法研究［J］.機械工程與自動化，2021（5）：9-11.

［35］WU Z H，HUANG N E.Ensemble Empirical Mode Decomposition：a noise-assisted data analysis method［J］.Advances in Adaptive Data Analysis，2009，1（1）：1- 41.

Prediction of Tourists Flow Based on EMD-GRU Model：

A Case Study of Black Valley Scenic Area in Chongqing

CUI Hong-rui，YANG Xiao-xia，YU Yang-li

（a.School of Geographical Sciences，b.Tourism Research Institute，Southwest University，Chongqing 400715，China）

Abstract：Predicting the short-term tourists flow by the network search data is of great significance to optimize the resource scheduling of scenic spots，guide the planning and development of tourist destinations and guide tourists to make travel plans.In view of the interference of noise on the prediction effect，the network search data taken as the explanatory variable is denoised by Empirical Mode Decomposition （EMD）.Gate Recurrent Unit （GRU） with fast convergence speed，short training time and low computational power consumption is introduced to construct the tourists flow prediction model.Taking Black Valley scenic area of Chongqing as an example，the network search data and tourists data from January 1，2015 to January 24，2020 are selected for empirical analysis.The prediction results show that EMD-GRU model has higher prediction efficiency when compared with Recurrent Neural Network （RNN） and Long Short Time Memory （LSTM），and the prediction model trained with EMD denoising data performs better in effectively improving the accuracy of original data prediction model.

Keywords：tourists flow prediction;network search;Gated Recurrent Unit（GRU）;Empirical Mode Decomposition（EMD）;neural network;Black Valley of Chongqing