CN108877226B - 景区交通旅游预测方法及预警系统 - Google Patents

Abstract

本发明提供了一种景区交通旅游预测方法及预警系统。方法包括：采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性；从各景区中选择至少一个作为参考景区，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数；利用各景区之间的相关性和参考景区的景区交通旅游指数预测结果，对各景区中除了参考景区之外的其他景区的交通旅游指数进行预测，本发明将旅游和交通结合，并基于数据揭示了景区和交通之间的相关性和脉冲响应关系，构建和预测交通旅游指数，实现监测景区交通量变化以及为游客提供景区交通旅游信息，提高游客旅游质量。

Description

景区交通旅游预测方法及预警系统

技术领域

本发明涉及在交通运输领域，尤其涉及一种景区交通旅游预测方法及预警系统。

背景技术

旅游业是国民经济重要的战略性支柱产业，交通运输是旅游业发展的基础支撑和先决条件。但是，由于节假日，在同一地区旅游时，游客在多个景区之间出游，会出现各景区交通流量突变造成交通堵塞以及个别景区出现旅游高峰客流现象。同时，由于游客对景区的交通和旅游设施的实时状态不了解，出现超出交通流量和旅游设施超出承载能力的情况，严重影响游客的旅游质量。

发明内容

本发明提供一种景区交通旅游预测方法及预警系统，以至少解决现有技术中的以上技术问题中的至少一项。

为达到上述目的，本发明提供了一种景区交通旅游预测方法，包括：

采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性；

从各景区中选择至少一个作为参考景区，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数；

利用各景区之间的相关性和参考景区的景区交通旅游指数预测结果，对各景区中除了参考景区之外的其他景区的交通旅游指数进行预测。

在一实施方式中，采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性，包括：

采集目标区域内各景区的交通流量数据、定位数据以及景区售票数据；

采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性。

在一实施方式中，所述采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性，包括：

将各景区的交通流量数据、定位数据以及景区售票数据作为景区变量，代入结构向量自回归(SVAR)模型的标准公式中，获得式1，

y_t＝X_tβ+A^-1∑_uε_t 式1；

其中，y_t为一个m×1阶的t时刻的针对选定m个景区变量组成的内生向量，

I_s为单位矩阵，，y_t-p为y的滞后p个时间的四个景区交通流量的内生向量；

为克罗内克积，β＝(F₀，F₁…F_i…F_p)，F_i＝A^-1B_i,i＝0,…,p；∑_u为扰动项的对角形式，ε_t为ε～N(0，I_n)，I_n为n维单位矩阵，A和B_i为时不变向量矩阵，且A为变量间的同期相关性，B_i为变量间的跨期相关性；

利用式1推算出不同景区变量间的时变向量自回归(TVP-VAR)模型，TVP-VAR模型用式2表示；

式2中β_t，A_t，∑_t为时变向量；

采用蒙特卡洛马尔可夫链(MCMC)算法估计式2中时变参数值；

使用脉冲响应函数分析TVP-VAR模型中不同时变向量之间的影响。

在一实施方式中，所述参考景区的景区交通旅游指数预测，包括：

在正常状态下，采用指数平滑算法、ARIMA算法、随机森林回归算法中的至少一项，对参考景区的交通旅游指数进行预测；和/或

在突发状况下，采用多尺度径向基函数网络算法，对参考景区的交通旅游指数进行预测。

在一实施方式中，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数，包括：

利用景区的旅游数据和交通流量数据，构建景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数、景区旅游资源指数中的至少一项。

在一实施方式中，构建参考景区的景区交通旅游指数，包括构建景区的交通流量指数；

所述构建景区的交通流量指数的步骤包括：

利用算术平均法计算出景区的基期交通流量平均数和报告期交通流量平均数；其中，所述基期为作为基准的日期，所述报告期为期望统计的日期；

将得到的所述报告期交通流量平均数与所述基期交通流量平均数相比而得到所述交通流量指数，其公式为：

式中，I为流量指数，t为车型，n为报告期检测交通流量时交通流量调查站点数，m为基期检测交通流量时交通流量调查站点数，p₁₁、p₁₂、…p_1n为所述报告期内每个交通流量调查站点检测的交通流量，p₀₁、p₀₂、…p_0m为所述基期内每个交调站点的交通流量，100为基期指数。

为达到上述目的，本发明提供了一种景区交通旅游预警系统，包括

交通旅游指数模块，用于利用上述实施方式中任一所述的预测方法预测出的各景区交通旅游指数，并构建雷达图；

预警模块，用于将雷达图中超出警戒阈值的景区交通旅游指数以设定的警戒颜色显示。

在一实施方式中，还包括：

景区脉冲响应分析模块，用于将具有脉冲响应关系的各景区进行关联显示，且在其中一景区的交通旅游指数到达警戒阈值时，对该景区具有脉冲响应关系的其他景区的交通旅游指数进行提前预警。

在一实施方式中，还包括：

交通旅游指数预测时间轴，用于从时间和空间两个维度并以时景推移的方式对交通旅游指数的实时变化和各景区脉冲响应关系进行集成展示。

在一实施方式中，还包括：

推送模块，用于根据所述交通旅游指数模块的预测结果，推送各景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数以及景区周边旅游资源指数；

所述推送模块还用于根据所述景区脉冲响应分析模块显示的各景区的脉冲响应关系，提前推送当前景区关联的另一景区的分析和预测结果。

本发明将旅游和交通结合，并基于数据揭示了景区和交通之间的相关性和脉冲响应关系，构建和预测交通旅游指数，实现监测景区交通量变化以及游客旅游提供合理建议，提高游客旅游质量。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1为本发明实施例中预测方法的流程图。

图2为本发明实施例中预测方法的另一流程图。

图3为本发明实施例中A、B、C、D四个景区在国庆放假期间的车流量条形图。

图4为本发明实施例中A景区和D景区之间的预测脉冲响应曲线图。

图5为本发明实施例中B景区和D景区之间的预测脉冲响应曲线图。

图6为本发明实施例中C景区和D景区之间的预测脉冲响应曲线图。

图7为本发明实施例中预测方法的又一流程图。

图8为本发明实施例中预警系统的结构示意图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

本发明第一实施例为一种景区交通旅游预测方法。参见图1所示，预测方法包括：

步骤S110：采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性。

步骤S120：从各景区中选择至少一个作为参考景区，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数。

步骤S130：利用各景区之间的相关性和参考景区的景区交通旅游指数预测结果，对各景区中除了参考景区之外的其他景区的交通旅游指数进行预测。

本实施例通过构建景区交通旅游指数，预测一个参考景区的旅游指数，并利用多个景区之间的相关性获取其他景区的预测结果，有利于为游客和管理部门提供交通旅游数据信息，并针对预测的结果，对交通和旅游进行规划，提高游客旅游质量。

进一步地，如图2所示，步骤S110采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性，包括：

步骤S210：采集目标区域内各景区的交通流量数据、定位数据以及景区售票数据。

步骤S220：采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性。

在一实施例中，所述采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性，包括：

将各景区的交通流量数据、定位数据以及景区售票数据作为景区变量，代入结构向量自回归(SVAR)模型的标准公式中，获得式1，

y_t＝X_tβ+A^-1∑_uε_t 式1；

其中，y_t为一个m×1阶的t时刻的针对选定m个景区变量组成的内生向量，

y_t-p为y的滞后p个时间的四个景区交通流量的内生向量；

为克罗内克积，β＝(F₀，F₁…F_i…F_p)，F_i＝A^-1B_i,i＝0,…,p；∑_u为扰动项的对角形式，ε_t为ε～N(0，I_n)，I_n为n维单位矩阵，A和B_i为时不变向量矩阵，且A为变量间的同期相关性，B_i为变量间的跨期相关性。

在一个示例中，获得式1的具体步骤包括：

SVAR的模型标准形式为：

Ay_t＝B₀+B₁y_t-1+B₂y_t-2+…+B_py_t-p+μ_t (1-1)，

其中，

t＝p+1，…n，y_t为m×1阶的t时刻的m个景区的景区变量组成的向量；A，B₀，B₁，KB_P为m×m的时变系数矩阵；A为同期相关性；B₀，B₁，KB_P为跨时期的相关性；μ_t为t时刻的扰动项；u_t是指方程在时间点t时刻的扰动项并满足以下条件：

E(u_t)＝0；

由式(1-1)转换得到式(1-2)：

y_t＝F₀+F₁y_t-1+F₂y_t-2+…+F_py_t-p+A^-1∑_uε_t，ε～N(0,I_n) (1-2)，

其中，F_i＝A^-1B_i，i＝1，…，p；ε为一扰动项参数；∑_u是扰动项的对角形式；定义:

β＝(F₀，F₁，…，F_p)′，

其中，

为克罗内克积；

则式(1-2)转换得到式1：

y_t＝X_tβ+A^-1∑_uε_t 式1。

利用式1推算出不同景区变量间的时变向量自回归(TVP-VAR)模型，TVP-VAR模型用式2表示；

ε_t是从μ_t分离出来的，即μ_t＝∑_t*ε_t，ε_t～N(0,I_s),做这步操作的目的是简化扰动项μ_t的值，由于时变向量自回归模型各个参数都是时变的，包括扰动项也是时变的，为了方便计算，简化操作，即让其扰动方差分离到一个对角矩阵中，即∑_t是初始扰动项μ_t分离出的对角矩阵。

式2中β_t，A_t，∑_t为时变向量。

假设A_t的n×(n-1)/2个参数为向量a_t，即

a_t＝(a_21,t,a_31,t,a_32,t,…,a_n(n-1),t)′；

假设∑_t为向量σ_t，即

σ_t＝(σ_1t,σ_2t,σ_3t,…,σ_nt)′；同时

即

按照式2的假设，β_t，a_t，h_t的参数被假设为一阶随机游走过程，则

β_t+1＝β_t+v_t+1 (2-1)；

a_t+1＝a_t+ζ_t+1 (2-2)；

h_t+1＝h_t+ξ_t+1 (2-3)；

β_t为系数的演化顺序，a_t为结构信息的演化顺序，h_t为波动的演化顺序；ξ_t，ζ_t，v_t为新的扰动项，假设不同的系数不相关，则联立后的正态分布的方差-协方差矩阵为：

其中，Ω_β，Ω_α，Ω_h为分块对角矩阵，即Ω_β，Ω_α，Ω_h中的各行元素是不相关的；V中的0表示全为0元素的块矩阵，即表明不同的扰动项之间是不相关的，I_n为N维单位矩阵。

假定方程(2-1)到(2-3)中的系数遵循一阶随机游走过程的原理解释如下。首先，根据Engle和Watson的研究，当个体接收到新的信息并调整其状态方程的估计过程(状态方程用当前状态和输入描述系统的下一个状态)时，这种波动应遵循随机游走过程。其次，随机游走过程允许最大程度的结构参数变化，这一特征赋予TVP-VAR模型捕捉细微的干扰。而且，如果假定随机游走过程，那么需要估计的参数的数量将显着减少。在随机游走过程中需要估计较少的参数，可以防止模型过度拟合。此外，假设TVP-VAR模型的系数遵循随机游走过程反映变量的随机波动性。随机波动性意味着随机过程的方差是随机值而不是常数。交通流量变率可以描述为具有随机波动性的马尔可夫随机过程。特别是，Laflamme和Ossenbruggen假设日常交通流量遵循一阶自回归过程，并开发了随机波动率来预测交通故障。

采用蒙特卡洛马尔可夫链(MCMC)算法估计式2中时变参数值。其具体方法包括：

先验信息和初始值设置，选取整体样本中的25％作为先验数据集，通过最小二乘法生成β_ols,α_ols,V(β_ols)和V(α_ols)的时不变的初始值，其中V(β_ols)和V(α_ols)分别表示β_ols和α_ols的方差。变量h_ols的初始值可以通过SVAR模型中通过最小二乘算法获得的参数计算得出，同时假设I_n为h_ols初始方差。

即方程的先验信息可以被整理为如下：

β～N(β_ols,4V(β_ols)) (3-1)；

α～N(α_ols,4V(α_ols)) (3-2)；

h～N(h_ols,4I_n) (3-3)；

为了增加结果的不确定性，每个扰动项的方差被乘以了4。

假设超参数Ω_β，Ω_α，Ω_h是相互独立的，并且服从逆Wishart分布，即先验信息被定义如下：

n_β,n_α,n_h表示β_t,a_t,h_t的维数，对于p阶滞后n个输出变量的TVP-VAR模型，可以算出β_t,a_t,h_t的维数n_β＝pn²，n_α＝n(n-1)/2，n_h＝n。另外，根据Koop和Korobilis中对于参数的定义设置，k_β,k_α,k_h被设为0.01，0.1和0.01。

状态空间模型的Gibbs采样，假设观测方程为：

y_t＝H_tβ_t+ε_t (4-1)；

则转换方程为：

β_t+1＝β_t+v_t+1 (4-2)；

其中，ε_t～N(0，R)；ν_t～N(0，Q)；ε_t和v_t相互独立；则

β_t|m＝E(β_t|y_m,H_m,R,Q)；

P_t|m＝Var(β_t|y_m,H_m,R,Q)；

若β_0|0,V_0|0已知，通过卡尔曼滤波：

P_t+1|t＝P_t|t+Q (4-4)

P_t+1|t+1＝P_t+1|t-P_t+1|tH_t'(H_tP_t+1|tH_t'+R)^-1H_tP_t+1|t (4-6)

重复公式(4-3)至(4-6)的循环直到时间T，接着返回循环公式(4-7)和(4-8)到时间0；

其中，式(4-3)和式(4-4)用于预测，式(4-5)和式(4-6)用于滤波，式(4-7)和式(4-8)是对β_t和P_t的向后递归平滑。

MCMC利用蒙特卡洛模拟技术进行采样和迭代。

基于Nakajima，MCMC采样步骤包括：

步骤10：初始化β，α，h，V；

步骤20：抽样β|α，h，V，y，Ω_β|β；

步骤30：抽样α|β，h，V，y，Ω_α|α；

步骤40：抽样h|β，α，V，y，Ω_h|h；

步骤50：返回至步骤20。

采用Gibbs抽样算法推算出参数。

使用脉冲响应函数分析TVP-VAR模型中不同时变向量之间的影响。

由于脉冲响应函数，更清楚地研究变量之间的动态和卷积关系。在TVP-VAR模型中，当解释变量的扰动项增加一个单位或一个单位的标准差，而解释变量的其他扰动项保持不变时，解释变量的对应值称为脉冲响应函数。通过脉冲响应，很好地解释不通变量之间的动态影响，并可以将其量化，从而方便了变量间冲击大小的比较，且脉冲响应解释了变量之间的同期相关性和滞后的动态影响。

基于上述实施例中的预测方法，在一种具体实施例中，参照图3所示，选取A、B、C、D四个景区在国庆节放假期间9月29日(9.29)～10月9日(10.09)的车流量，同时分析A、B、C、D四个景区之间的相关性，同时预测出D景区的交通流量指数，参照图4至图6所示，获取A和D、B和D、C和D之间的脉冲响应曲线图。

其中，图4至图6中预测时间分别选取延后6小时、12小时、24小时和36小时，图4中曲线表示6小时、12小时、24小时和36小时后A和D之间的脉冲响应曲线，图5中曲线表示6小时、12小时、24小时和36小时后B和D之间的脉冲响应曲线，图6中曲线表示6小时、12小时、24小时和36小时后C和D之间的脉冲响应曲线。

本实施例利用TVP-VAR模型建立不同景区之间的关系模型，并利用脉冲响应函数分析TVP-VAR模型中不同景区变量之间的影响，有利用获取不同景区之间的相关性，并根据获取的相关性，预测不同景区之间的变量变化情况。

在一实施例中，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数，包括：

利用景区的旅游数据和交通流量数据，构建景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数、景区旅游资源指数中的至少一项或全部。

指数构建部分是利用景区及周边交通相关数据，构建能够反应节假日交通量突变状态下，旅游景区及周边交通各方面信息的景区交通旅游指数，从而为游客出行决策提供参考以及为管理部门预警与监控提供信息。因此将多来源、多维度、多形态的复杂数据融合成一个或若干个较为简明的指标，使信息反映更加直接、高效。

由于一个指数较难反应节假日旅游景区出行的各方面信息，所以采用构建综合指数的方式，从交通和旅游两个角度进行指标构建。综合考虑指数构建目标以及相关数据的可得性，使用交通流量、交通拥堵、景区承载能力、配套服务能力、景区热度、周边旅游资源作为数据指标，其中，交通流量、交通拥堵、景区热度是实时变化的状态指标，景区承载能力、配套服务能力、周边旅游资源是短期内不易变化的属性指标。

其中，交通流量可以描述国家或地区干线公路网交通量水平运行情况的交通量变化的指示数字。交通拥堵可以表示一定时间段内延时出行时间的比例。景区承载能力指数可以表示在一定时间条件下，在保障景区内每个景点旅游者人身安全和旅游资源环境安全的前提下，景区能够容纳的最大旅游者数量。配套服务能力可以表示景区周边美食、酒店、停车场、加油站、超市数量。景区热度可以表示游客对景区的兴趣，其大小根据景区出售门票的数量表示。周边旅游资源可以表示景区周边其他景区以及其他类型的旅游资源。

在一实施例中，所述参考景区的景区交通旅游指数预测，包括：

在正常状态下，采用指数平滑算法、ARIMA算法、随机森林回归算法中的至少一项，对参考景区的交通旅游指数进行预测。

在上述6个指标中，交通流量、交通拥堵、景区热度是实时变化的状态指标，可以预测；景区承载能力、配套服务能力、周边旅游资源是短期内不易变化的属性指标，不需要预测。其中，交通拥堵和景区热度可以采用已知算法，本实施例主要对交通流量指标进行预测。

采用随机森林方法和指数平滑方法对交通流量进行短期预测。随机森林方法用于预测下一日交通流量，利用指数平滑方法不断修正之后5-10分钟交通流量预测，有利于交通部门监管交通流量和提前部署设施设备和管理资源，有效为游客和司机提供短期预测。

在突发状况下，采用多尺度径向基函数网络算法，对参考景区的交通旅游指数进行预测。

在一种示例中，采用多尺度径向基函数网络算法，对景区的交通旅游指数进行预测，包括：

1)选取参考景区的交通流量指数为自变量；

2)用K-means聚类算法(是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则)确定多尺度径向基函数网络的基函数中心；

3)对每个确定的基函数中心，用经验公式确定其尺度大小；

所述经验公式包括：

σ_y＝max{y(t)}-min{y(t)}

σ_u＝max{u(t)}-min{u(t)}

所述经验公式中，y(t)，u(t)分别为输入和输出；

4)由多尺度径向基函数网络的基函数中心和其尺度构建的多尺度径向基函数网络模型，其公式为：

其中

5)将得到的多尺度径向基函数网络模型转化为线性参数模型，并使用正交回归算法训练多尺度径向基函数网络模型，以获得简化的多尺度径向基函数网络模型；

6)使用简化的多尺度径向基函数网络模型进行交通流量预测。

在一实施例中，构建参考景区的景区交通旅游指数，包括构建景区的交通流量指数；

所述构建景区的交通流量指数的步骤包括：

利用算术平均法计算出景区的基期交通流量平均数和报告期交通流量平均数；其中，所述基期为作为基准的日期，所述报告期为期望统计的日期。

将得到的所述报告期交通流量平均数与所述基期交通流量平均数相比而得到所述交通流量指数，其公式为：

式中，I为流量指数，t为车型，n为报告期检测交通流量时交通流量调查站点数，m为基期检测交通流量时交通流量调查站点数，p₁₁、p₁₂、…p_1n为所述报告期内每个交通流量调查站点检测的交通流量，p₀₁、p₀₂、…p_0m为所述基期内每个交调站点的交通流量，100为基期指数。

本实施例通过计算出公路交通的流量指数，并根据不同景区之间的相关性，利用指数模型，有效获取景区之间的交通流量，并对交通流量进行预测，并将预测结果告知游客，这样，游客根据预测结果选择性的游览不同景区，提高游客旅游质量。

在一实施例中，构建参考景区的景区交通旅游指数，包括构建景区的交通拥堵指数。

所述构建景区的交通拥堵指数的具体步骤包括：

按照不同时间维度，通过获取的所述基础数据计算出各指定景区周边设定范围内路段在统计间隔内平均的出行旅行时间以及按照交通流量加权的自由流旅行时间。

将出行旅行时间与自由流旅行时间相比，得到交通拥堵指数，其公式为：

其中，所述交通拥堵指数越大，景区周边设定范围内路段越拥挤。

在一实施例中，构建参考景区的景区交通旅游指数，包括构建景区的景区热度指数。

构建景区的景区热度指数，具体步骤包括：

获取各指定景区范围内请求定位的次数，并分别对各景区获取的定位次数进行数据脱敏处理，以获得反映各指定景区相对热度的景区热度指数。

在一实施例中，构建参考景区的景区交通旅游指数，包括构建景区的景区承载能力指数。

构建景区的景区承载能力指数，具体步骤包括：

构建日承载量，当旅游者在景区有效开放时间内相对匀速进出，且旅游者平均浏览时间为一个相对稳定值时，由公式

确定日承载量；

式中，r为景区高峰时刻旅游人数，t为旅游者在景区平均浏览时间，t₀为景区开门时刻，t₁为景区高峰时刻，t₂为景区关门时刻。

构建瞬时承载量，由公式

C₁＝∑X_a/Y_a

确定瞬时承载量；

式中，X_a为景区中第a景点的有效可浏览面积；Y_a为景区中第a景点旅游者单位浏览面积，即基本空间承载标准。

将确定的瞬时承载量作为景区预警条件，将确定的日承载量通过公式

计算景区承载能力指数；

式中，I_j为j景区承载能力指数，C_j为j景区日承载量。

在一实施例中，构建参考景区的景区交通旅游指数，包括构建景区的周边旅游资源指数。

构建景区的周边旅游资源指数，具体步骤包括：

选择构建所述配套服务能力的变量数据包括美食、酒店、停车站、加油站以及超市，并对景区设定范围内各变量数据进行定位计数，且数量超过100的按100计算；

利用公式

计算获得各景区配套服务能力指数；

式中，I_ij为i景区第q个变量数据配套服务能力指数，C_iq为i景区日第q个变量数据值。

获取旅游资源变量包括各指定景区内景点、指定景区周边其他景区以及其他类型旅游区的数量，并按照距离划分到相应的指定景区内进行计数；

利用公式

计算获得各景区周边旅游资源指数；

式中，I_ip为i景区第p个旅游资源变量的所述景区周边旅游资源指数，C_ij为i景区日第p个旅游资源变量值。

本实施通过构建了交通流量指数、交通拥堵指数、景区承载能力指数、景区配套服务能力指数以及景区热度指数，多角度全方位的构建景区旅游出行的景区指数，有利于游客根据构建的上述指数掌握景区信息，做出出行规划，同时，也有利于管理部门提前预判景区交通道路的交通量，部署管理设备和资源，加强景区旅游的安全性。

基于上述实施例，参照图7所示，在一种具体实施例中，预测方法包括：

步骤S310：选定的旅游区域，对该区域的地区路网和旅游景区的基本情况进行分析。

步骤S320：对旅游区域内各分布式景区之间的相关性分析，包括利用交通量调查数据、卫星导航数据以及景区售票数据等多种数据源分析分布式景区的相关性。

步骤S330：构建景区交通旅游指数，包括构建由交通流量指数、交通拥堵指数、景区承载能力、配套服务能力、景区热度以及周边旅游资源参数组成的景区交通旅游指数。

步骤S340：预测景区交通旅游指数，包括以选定一个景区作为分析对象，常态下，采用指数平滑算法、ARIMA算法以及随机森林回归算法进行景区交通旅游指数预测；突发状况下，采用多尺度径向基函数网络算法进行景区交通旅游指数预测；同时根据各景区之间的相关性，对其余景区的景区交通旅游指数进行预测。

其中，步骤S320还包括：

步骤S321：分析获取分布式景区脉冲响应规律。

步骤S330还包括：

步骤S331：利用景区交通旅游指数构建雷达图，并与参数数据结合进行二元表达。

本发明第二实施例提供了一种景区交通旅游预警系统。参照图8所示，预警系统包括交通旅游指数模块110和预警模块120。

交通旅游指数模块110用于利用上述实施方式中任一所述的预测方法预测出的各景区交通旅游指数构建雷达图；

预警模块120用于将雷达图中超出警戒阈值的景区交通旅游指数以设定的警戒颜色显示。

本实施例通过构建景区交通旅游指数的雷达图，可准确掌握景区旅游和交通信息，并在超出景区交通旅游指数时，进行预警，有利于游客根据预警信息做出交通旅游规划，提高旅游质量。

进一步地，参照图8所示，还包括景区脉冲响应分析模块130。景区脉冲响应分析模块130用于将具有脉冲响应关系的各景区进行关联显示，且在其中一景区的交通旅游指数到达警戒阈值时，对该景区具有脉冲响应关系的其他景区的交通旅游指数进行提前预警或控制预警模块120进行提前预警。

进一步地，参照图8所示，还包括交通旅游指数预测时间轴140以及推送模块150。

交通旅游指数预测时间轴140用于从时间和空间两个维度并以时景推移的方式对交通旅游指数的实时变化和各景区脉冲响应关系进行集成展示。

推送模块150，用于根据所述交通旅游指数模块110的预测结果，推送各景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数以及景区周边旅游资源指数；

所述推送模块150还用于根据所述景区脉冲响应分析模块130显示的各景区的脉冲响应关系，提前推送当前景区关联的另一景区的分析和预测结果

本实施例将预测出的交通旅游指数构建雷达图，并利用圈层图进行二元展示，且利用不同景区之间的相关性，预测出其他景区的交通旅游指数，并针对各景区的交通旅游指数进行分析，对每个景区的交通旅游指数的具体情况做出预警和合理化建议，有利于游客根据预警系统提供的预警信息和合理化建议，做出旅游规划，提高旅游质量，同时有利于管理部门根据预警信息，做出管理规划措施，提高景区交通运行。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是通信；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。

上文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，上文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。

Claims (10)

1.一种景区交通旅游预测方法，其特征在于，包括：

采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性；

从各景区中选择至少一个作为参考景区，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数；

利用各景区之间随时间不断变化的相关性和参考景区的景区交通旅游指数预测结果，对各景区中除了参考景区之外的其他景区的交通旅游指数进行预测。

2.如权利要求1所述的方法，其特征在于，采用时变参数向量自回归模型，分析目标区域内各景区之间的相关性，包括：

采集目标区域内各景区的交通流量数据、定位数据以及景区售票数据；

采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性。

3.如权利要求2所述的方法，其特征在于，所述采用时变参数向量自回归模型对各景区的交通流量数据、定位数据以及景区售票数据进行分析，建立各景区之间的脉冲响应规律，以确定各景区之间的相关性，包括：

将各景区的交通流量数据、定位数据以及景区售票数据作为景区变量，代入结构向量自回归(SVAR)模型的标准公式中，获得式1，

y_t＝X_tβ+A^-1∑_uε_t 式1；

其中，y_t为一个m×1阶的t时刻的针对选定m个景区变量组成的内生向量，

I_s为单位矩阵，，y_t-p为y的滞后p个时间的四个景区交通流量的内生向量；

为克罗内克积，β＝(F₀，F₁…F_i…F_p)，F_i＝A^-1B_i,i＝0,…,p；∑_u为扰动项的对角形式，ε_t为ε～N(0，I_n)，I_n为n维单位矩阵，A和B_i为时不变向量矩阵，且A为变量间的同期相关性，B_i为变量间的跨期相关性；

利用式1推算出不同景区变量间的时变向量自回归(TVP-VAR)模型，TVP-VAR模型用式2表示；

式2中β_t，A_t，∑_t为t时刻的时变向量；

采用蒙特卡洛马尔可夫链(MCMC)算法估计式2中时变参数值；

使用脉冲响应函数分析TVP-VAR模型中不同时变向量之间的影响。

4.如权利要求1所述的方法，其特征在于，所述参考景区的景区交通旅游指数预测，包括：

在正常状态下，采用指数平滑算法、ARIMA算法、随机森林回归算法中的至少一项，对参考景区的交通旅游指数进行预测；和/或

在突发状况下，采用多尺度径向基函数网络算法，对参考景区的交通旅游指数进行预测。

5.如权利要求1至4中任一项所述的方法，其特征在于，利用参考景区的旅游数据和交通流量数据，构建参考景区的景区交通旅游指数，包括：

利用景区的旅游数据和交通流量数据，构建景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数、景区旅游资源指数中的至少一项。

6.如权利要求5所述的方法，其特征在于，构建参考景区的景区交通旅游指数，包括构建景区的交通流量指数；

所述构建景区的交通流量指数的步骤包括：

利用算术平均法计算出景区的基期交通流量平均数和报告期交通流量平均数；其中，所述基期为作为基准的日期，所述报告期为期望统计的日期；

将得到的所述报告期交通流量平均数与所述基期交通流量平均数相比而得到所述交通流量指数，其公式为：

式中，I为流量指数，t为车型，n为报告期检测交通流量时交通流量调查站点数，m为基期检测交通流量时交通流量调查站点数，p₁₁、p₁₂、…p_1n为所述报告期内每个交通流量调查站点检测的交通流量，p₀₁、p₀₂、…p_0m为所述基期内每个交调站点的交通流量，100为基期指数。

7.一种景区交通旅游预警系统，其特征在于，包括

交通旅游指数模块，用于利用权利要求1-6任一项所述的预测方法预测出的各景区交通旅游指数，并构建雷达图；

预警模块，用于将雷达图中超出警戒阈值的景区交通旅游指数以设定的警戒颜色显示。

8.如权利要求7所述的预警系统，其特征在于，还包括：

景区脉冲响应分析模块，用于将具有脉冲响应关系的各景区进行关联显示，且在其中一景区的交通旅游指数到达警戒阈值时，对该景区具有脉冲响应关系的其他景区的交通旅游指数进行提前预警。

9.如权利要求8所述的预警系统，其特征在于，还包括：

交通旅游指数预测时间轴，用于从时间和空间两个维度并以时景推移的方式对交通旅游指数的实时变化和各景区脉冲响应关系进行集成展示。

10.如权利要求8所述的预警系统，其特征在于，还包括：

推送模块，用于根据所述交通旅游指数模块的预测结果，推送各景区的交通流量指数、交通拥堵指数、景区热度指数、景区承载能力指数、配套服务能力指数以及景区周边旅游资源指数；

所述推送模块还用于根据所述景区脉冲响应分析模块显示的各景区的脉冲响应关系，提前推送当前景区关联的另一景区的分析和预测结果。

Images