基于層次分析法的旅游景點人流預測模型研究

劉燕威

(楊凌職業技術學院 旅游與管理分院， 陜西 楊凌 712100)

0 引言

旅游產業屬于綜合類產業，其投資成本低，經濟回報多。全球旅游產業中，特別是我國旅游業，目前已存在至少40年，獲取的經濟利潤也十分顯著。按照全球旅游理事會權威機構指出，我國將變成全球旅游者最為青睞的國度[1]。因此，持續發展旅游業，對我國經濟的發展存在不可缺少的作用。所以，合理設定旅游業的持續發展戰略十分關鍵[2]。近幾年，針對旅游風景區人流預測，特別是日流量屬于每個旅游區的核心工作，高精度的客流量預測對景區規劃工作存在十分重要的影響[3]。為此，本文構建基于層次分析法的旅游景點人流預測模型，以期對旅游景點人流預測工作提供可參考基礎[4]。

1 基于層次分析法的旅游景點人流預測模型

1.1 基于動態聚類的游客信息分類

假定旅游景點人流預測問題中存在q項指標解釋變量Y=(y1,y2,…,yq)，在某旅游景區游客信息樣本中獲取m個游客信息的特征值Yj=(yj1,yj2,…,yjq)，建立游客信息樣本數據矩陣，如式(1)。

(1)

式中，樣本數據矩陣Y屬于本文實施分類的目標，當中，Yji描述第j個游客信息中第i項指標的特征值。游客信息g、f間的相似性通過歐式距離判斷，如式(2)。

(2)

按照聚類數量，設置初始類中心，將游客信息樣本實施聚類[5]。聚類標準是：把m個游客信息樣本yg、yf設成d種，如式(3)。

(3)

那么聚類標準矩陣vji=(vji)存在下述屬性，如式(4)。

(4)

若第j種存在的游客信息樣本數目是mj，那么有式(5)。

(5)

(6)

因此，第j種游客信息樣本的類間差異為式(7)。

(7)

那么整體類間差異為式(8)。

(8)

動態聚類分析主要是為了獲取指定的、所需要預測的旅游景點游客信息樣本Z(v*)，那么可得式(9)。

Z(v*)=min{Z(v)}

(9)

如果當下的迭代次數和設定的迭代次數相同，便停止聚類，獲取游客信息分類結果，得到旅游地某個景點的指定游客信息樣本[6-7]。

1.2 基于層次分析法的組合預測模型

1.2.1 建立旅游景點人流預測的層次結構模型

按照預測時常見評估準則、旅游景點人流預測樣本經濟變量預測的特征，建立旅游景點人流預測的層次結構模型[8],如圖1所示。

圖1 旅游景點人流預測的層次結構模型

主要使用該模型基于旅游地某個景點的指定游客信息樣本實現人流預測。

1.2.2 建立判斷矩陣

按照旅游景點人流預測的層次結構模型，圍繞某層次的因素和作用他們的上一層次的某因素，將此層因素里某兩種因素間的相對關鍵度實施對比，建立兩兩比較判斷矩陣[9-10]。判斷矩陣的構建能夠使用[0,1,2]的三標度法與1-9標度法。本文使用后者[11]。

1.2.3 權重設置和組合預測

如果評估準則對旅游景點人流預測效果的相對關鍵度判斷矩陣是B，每個預測方法對差異評估準則的相對關鍵度判斷矩陣依次是C1、C2、C3、C4、C5、C6。按照此類判斷矩陣能夠依次運算對應的相對關鍵度權重向量?B、?C1、?C2、?C3、?C4、?C5、?C6，將層次單排序實施一致性檢驗，若某權重未能符合一致性檢驗標準，便調節相應的判斷矩陣，再次運算權重，直至其可以符合一致性檢驗標準[12]；之后，設定?B=(?C1,?C2,?C3,?C4,?C5,?C6)，運算預測結果的合成權重為式(10)。

?=?C?B

(10)

1.2.4 估計主觀信息的改進預測模型

因為在層次分析法里，每個評估指標的權重是通過專家按照自身經驗所取，因此，權重系數存在差異，致使預測精度較低[13]。所以，本文采用基于層次分析法的組合預測模型，完成旅游景點人流預測。將AHP判斷的每個預測方法關鍵度的先后順序設成最佳組合預測模型的約束條件，以此在最佳組合預測模型里顧及專家的直觀信息[14]。

通過層次分析方法分析的每個預測方法按照關鍵度設定權重系數是?=(?1,?2,…,?n)T，符合?1≤?2≤…≤?n，如式(11)。

(11)

那么，基于層次分析法的最佳組合預測模型為式(12)。

(12)

式中，E為描述矩陣；c為向量。

通過上式可知，此模型屬于二次規劃模式的優化模型，能夠使用Matlab軟件包實現求解。

式(12)中，因為E?≤c屬于專家主觀判斷通過層次分析法的最后描述模式，表達了專家的主觀信息。所以式(12)能夠看作融合主觀信息與統計信息的最佳組合預測模型，不但可以防止出現權重誤差的問題，還能夠抑制人為元素出現的不良干擾[15]。

2 實驗分析

為了測試本文模型對旅游景點人流預測的有效性，使用本文模型對遼寧省大連市森林動物園2002—2018年旅游客流量數據設成分析目標。2002—2018年游客流量示意圖如圖2所示。

圖2 2002-2018年游客流量

將2002年—2013年數據設成訓練樣本，用來構建本文模型，2014年—2018年數據設成預測樣本，用來分析本文模型應用性能。

為了分析本文模型的預測結果，評估指標設成均方根誤差RMSE與相關系數L，定義為式(13)、式(14)。

(13)

(14)

采用本文模型、基于支持向量機的旅游景點人流預測模型、基于神經網絡的旅游景點人流預測模型對圖1實施預測，預測結果如表1所示。

表1 三種模型預測結果

表1預測結果顯示，本文模型預測結果的均方根誤差最大值僅有0.006 7，相關系數高達0.998 7；基于支持向量機的旅游景點人流預測模型、基于神經網絡的旅游景點人流預測模型預測結果的均方根誤差大于本文模型，相關系數低于本文模型，由此可見，本文模型的預測結果可信度最高。

測試以上三種模型在預測該地旅游景點人流量時，對游客信息的查全率與查準率如表2所示。

分析表2數據可知，三種模型中，本文模型在預測該地旅游景點人流量時，對游客信息的查全率與查準率最高，查全率與查準率的均值均大于99%，基于支持向量機的旅游景

表2 三種模型的查全率與查準率對比結果

點人流預測模型、基于神經網絡的旅游景點人流預測模型的查全率與查準率低于90%，差距顯著，則本文模型的應用性能最佳。

客流量預測模型的用處即為旅行社提供數據參考，以此保證景區不出現“供不應求”的情況。為此，將三種預測模型使用于遼寧省大連市森林動物園后臺管理系統中，并通過相關信息管理人員對三種模型實施評價，以此獲取三種模型的應用反饋，如圖3所示。

圖3 三種模型應用滿意度測試結果

根據上圖顯示，本文模型的應用反饋最佳，7個信息管理人員對本文模型的滿意值高達0.98，對基于支持向量機的旅游景點人流預測模型、基于神經網絡的旅游景點人流預測模型的滿意值依次高達0.91、0.84。由此可見，本文模型的應用最符合信息管理人員對游客信息預測的需求。

3 總結

本文構建一種基于層次分析法的旅游景點人流預測模型，并以遼寧省大連市森林動物園2002-2018年旅游客流量數據為預測目標，經驗證，本文模型預測結果的均方根誤差最大值僅有0.006 7，相關系數高達0.998 7，預測結果有效；本文模型在預測該地旅游景點人流量時，對游客信息的查全率與查準率最高，查全率與查準率的均值均大于99%；7個信息管理人員對本文模型的滿意值高達0.98，應用反饋最佳。