基于APSO—SVR山岳风景区短期客流量预测.docVIP

基于APSO—SVR山岳风景区短期客流量预测 　　摘 要：根据山岳风景区短期客流量小样本、非线性等特征，本文提出基于自适应粒子群算法（Adaptive Particle Swarm Optimization，APSO）的支持向量回归（Support Vector Regression，SVR）模型，融合SVR处理小样本、非线性预测特性和APSO优化SVR参数的能力对山岳风景区短期客流量进行预测。来自山岳风景区黄山2008年～2011年暑期相关日数据的验证结果表明：与PSO-SVR、GA-SVR和BPNN等模型相比，APSO-SVR模型的预测准确性更高、误差更小，是进行山岳风景区短期客流量预测的有效工具。 关键词：短期客流量； 山岳风景区； 支持向量回归； 自适应粒子群算法； 预测模型 山岳风景区是以山地为主要风景资源和构景要素的具有美感的地域综合体（周维权，2006）。一些山岳风景区由于其独特的地形地貌、植被景观、人文景观成为热点旅游目的地，客流量经常处于超饱和状态，尤其在旅游旺季。这对景区接待容纳能力提出了严峻考验。准确地预测短期客流量，可以使景区管理部门提前规划、科学决策。然而，由于受到各种因素如历史客流量、天气等影响，短期客流量往往呈现复杂的非线性特征，同时由于国内大部分景区信息化起步较晚，有记录的客流量数据较少（小样本），造成客流量预测值和真实值之间存在较大偏差，这给景区的资源调度等工作带来一定的难度。因此建立一个科学准确的、能反映与历史客流量、天气等要素有定量关系的短期客流量预测模型，对山岳风景区乃至整个旅游行业意义重大。 早期的旅游客流量预测方法起源于上世纪30年代，以传统时间序列预测方法为主，如指数平滑模型（Exponential Smoothing，ES）（Christiaanse，1971）、自回归滑动平均模型（Autoregressive Moving Average，ARMA）、自回归求和滑动平均模型（Autoregressive Integrated Moving Average，ARIMA）等（Box，Piercd，1970；Box，Jenkins，1976）。传统时间序列预测方法重在时间趋势的外推，对具有线性特征的旅游客流量有很好的预测效果，但往往难以实现复杂的非线性旅游客流量预测。人工神经网络（Artificial Neural Network，ANN）作为一种新的智能算法，具有良好的非线性数据的处理能力（Rob，2000），为非线性旅游客流量预测提供了一种选择，但由于受“收敛速度慢、难以确定网络结构、局部最优”等缺点的制约（牛东晓，邢棉，1999），也难以达到所需预测效果。上世纪90年代中期，Vapnik等（2009）提出了支持向量回归（Support Vector Regression，SVR）（Vapnik，2009）。该方法在解决小样本、非线性旅游客流量预测方面表现出许多特有的优势，逐渐成为学者们预测旅游客流量的一种重要工具。Hong（2006）使用SVR预测巴巴多斯岛（Barbados）的旅游客流量，对比方法为ARIMA、ANN；Chen和Wang（2007）使用SVR预测2000年～2001年中国入境游客流量，并与ARIMA、反向传播神经网络（Back-Propagation Neural Networks，BPNN）进行对比；Cai等（2009）将SVR与BPNN对比预测陕西省客流量；Chen（2011）在预测台湾的出游人数时，将SVR与ES、ARIMA和BPNN进行比较。上述文献最终预测结果均显示：SVR预测效果优于ES、ARIMA等传统时间序列预测方法和BPNN等ANN算法，原因在于它克服了传统时间序列预测方法和ANN的上述缺点。 SVR良好的预测效果依赖于自由参数的正确选择。因此，根据实际的数据模型选择恰当的自由参数成为关键问题。自适应粒子群算法（Adaptive Particle Swarm Optimization，APSO）（Kennedy，Eberhart，1995）是在粒子群算法的基础发展起来的一种进化算法，它通过惯性权重的自动更新，克服了PSO的早熟、振荡现象。目前APSO已经被广泛应用于非线性及复杂优化问题的参数寻优等领域。 基于上述分析，本文提出APSO-SVR短期客流量预测模型，并将这种模型与山岳风景区短期客流量的特点相结合，得到一种短期客流量的智能预测方法。最后以黄山风景区为例，通过对其每日客流量影响因素的分析，建立了一个与历史客流量、电子商务网上订票客流量、人体舒适度等影响因素有定量关系的APSO-SVR短期客流量预测模型。该模型相对于目前国内大部分旅游景区以感性管理经验为主的预测方式，及目前文献以月数据（Kulendran，