基于SCBANet 模型的九寨溝景區(qū)客流量短期預(yù)測(cè)

郭旭萍，劉小芳，姚 蕊

（四川輕化工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，四川 宜賓 644000）

景區(qū)客流量預(yù)測(cè)常見(jiàn)的一種方式是利用差分自回歸移動(dòng)平均模型（ARIMA）進(jìn)行預(yù)測(cè)，吳祥彬等［1］建立的ARIMA 模型預(yù)測(cè)了某城市地鐵客流量變化的趨勢(shì)。然而，這種方法只適用于處理平穩(wěn)時(shí)間序列，對(duì)于非平穩(wěn)的景區(qū)客流量時(shí)間序列，ARIMA 在預(yù)測(cè)時(shí)會(huì)受到一些限制，尤其在處理非線性因素、異常值、長(zhǎng)期趨勢(shì)以及復(fù)雜季節(jié)性等方面。隨著技術(shù)的不斷發(fā)展，基于機(jī)器學(xué)習(xí)的時(shí)間序列預(yù)測(cè)方法逐漸興起。陳昆等［2］提出一種ARIMA 與支持向量機(jī)（SVM）的組合模型對(duì)道路斷面交通流量進(jìn)行預(yù)測(cè)。然而，機(jī)器學(xué)習(xí)方法需要手動(dòng)設(shè)計(jì)和選擇適當(dāng)?shù)奶卣鳎以诓蹲綍r(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系方面存在一定困難。

基于深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)模型應(yīng)運(yùn)而生。這些模型中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）發(fā)揮了重要作用，特別是其變體--長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）［3］，在處理傳統(tǒng)RNN 中的梯度消失與梯度爆炸問(wèn)題方面表現(xiàn)出色。Bi 等［4］提出基于LSTM 的方法并用于黃山等旅游景區(qū)的客流量預(yù)測(cè)。然而，單一的LSTM 單元可能會(huì)面臨梯度消失問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）能夠通過(guò)不同大小的卷積核捕獲多尺度的特征，從而減少梯度消失的情況，與LSTM 結(jié)合后能夠應(yīng)用于許多場(chǎng)景，例如，在情感分析、實(shí)體識(shí)別和行為預(yù)測(cè)等領(lǐng)域［5-7］。在時(shí)間序列預(yù)測(cè)領(lǐng)域，應(yīng)用范圍更加廣泛。張文棟等［8］提出了一種綜合CNNLSTM 模型，用于提取與電力、空調(diào)和供暖等耦合特性相關(guān)的特征，提高了預(yù)測(cè)整體能源生成系統(tǒng)中負(fù)荷的準(zhǔn)確性。

但CNN 與LSTM 融合后，仍然存在一些問(wèn)題。例如，模型對(duì)原始數(shù)據(jù)特征的提取不夠精細(xì)。為了解決這些問(wèn)題，引入了時(shí)空歸一化模塊（Spatial and Temporal Normalization,ST-Norm）［9］。該模塊的引入能夠?qū)土髁繑?shù)據(jù)的高頻分量與局部分量進(jìn)行細(xì)化，加強(qiáng)數(shù)據(jù)特征的提取，同時(shí)更好地捕捉過(guò)去時(shí)間頻次對(duì)客流量的影響。通過(guò)將深度學(xué)習(xí)中的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory,BILSTM）［10］與CNN 相結(jié)合，并且引入注意力機(jī)制（AM）以提升預(yù)測(cè)精度，建立了一種新的景區(qū)客流量預(yù)測(cè)模型SCBANet，后續(xù)通過(guò)實(shí)驗(yàn)驗(yàn)證了模型的有效性。

1 SCBANet 模型

SCBANet 模型包含ST-Norm、CNN、BILSTM、AM機(jī)制，模型框架結(jié)構(gòu)如圖1 所示。

ST-Norm 是一種新穎的時(shí)間歸一化和空間歸一化方法，可以從原始時(shí)間序列數(shù)據(jù)中提取高頻分量和局部分量，以此作為特征輸入到模型中，增強(qiáng)模型對(duì)序列數(shù)據(jù)的理解和泛化能力。CNN 有很好的特征提取能力，在特征提取中一直得到廣泛應(yīng)用。BILSTM 能夠全面捕捉上下文信息，在時(shí)間序列預(yù)測(cè)中得到了廣泛應(yīng)用。AM 能夠把時(shí)間序列數(shù)據(jù)過(guò)去的特征狀態(tài)加入到輸出結(jié)果中，更好地調(diào)整BILSTM 預(yù)測(cè)后的結(jié)果。綜上，本文建立了SCBANet 客流量預(yù)測(cè)模型。

1.1 時(shí)空歸一化機(jī)制（ST-Norm）

時(shí)空歸一化機(jī)制包含時(shí)間歸一化與空間歸一化機(jī)制。時(shí)間歸一化（Time Normalization,TN）的目的是從輸入的客流量數(shù)據(jù)中準(zhǔn)確提取其高頻分量，景區(qū)客流量數(shù)據(jù)的高頻分量指的是客流量數(shù)據(jù)中包含的變化頻率較高的部分，它表示了客流量數(shù)據(jù)中快速變動(dòng)的部分，通常對(duì)應(yīng)于較短時(shí)間尺度上的波動(dòng)或噪聲。客流量數(shù)據(jù)的高頻分量計(jì)算如下：

式中，Zi,t表示全局與局部高低頻分量的乘積；表示在時(shí)間t 下第i 個(gè)樣本的輸入特征；表示在時(shí)間t 下第i 個(gè)樣本的局部低頻特征；E 表示取均值；σ表示標(biāo)準(zhǔn)差；是一個(gè)保持?jǐn)?shù)值穩(wěn)定性的小常數(shù)；與分別是針對(duì)高頻分量的可學(xué)習(xí)參數(shù)，用于對(duì)客流量數(shù)據(jù)的高頻分量進(jìn)行縮放和偏移，以便更好地保留和表達(dá)高頻特征。

空間歸一化（Spatial Normalization,SN）的目標(biāo)是細(xì)化景區(qū)客流量數(shù)據(jù)的局部分量，客流量數(shù)據(jù)的局部分量指的是客流量特定時(shí)間段內(nèi)的局部特征或?qū)傩裕菍?duì)客流量數(shù)據(jù)在不同時(shí)間段的局部變化進(jìn)行描述和分析的方法。通過(guò)分析局部分量，可以更好地理解客流量數(shù)據(jù)在不同時(shí)間段內(nèi)的趨勢(shì)、周期性、季節(jié)性以及其他特征。客流量數(shù)據(jù)的局部分量計(jì)算如下：

1.2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)是包含卷積運(yùn)算的一種特殊前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、池化層和全連接層構(gòu)成。前一層的輸出是后一層的輸入，前面幾層每一層進(jìn)行卷積（convolution）運(yùn)算或者池化（pooling）運(yùn)算，卷積實(shí)現(xiàn)特征檢測(cè)，池化實(shí)現(xiàn)特征選擇。最后幾層是全連接的前饋神經(jīng)網(wǎng)絡(luò)，進(jìn)行回歸預(yù)測(cè)，經(jīng)過(guò)多次實(shí)驗(yàn)后，使用1D-CNN 的卷積層與池化層來(lái)提取景區(qū)客流量的局部特征信息。

卷積層通過(guò)應(yīng)用一系列可學(xué)習(xí)的濾波器（也稱(chēng)為卷積核）對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作，從而提取輸入數(shù)據(jù)的局部特征，其卷積運(yùn)算過(guò)程如下：

式中，Ct是卷積后的輸出值，f 是激活函數(shù)，這里使用ReLU 作為激活函數(shù)，Xt是輸入向量，Wt是卷積核的權(quán)重矩陣，bt為卷積核的偏置。

池化層用于減少特征映射的空間尺寸，并保留重要的特征信息，選用最大池化方法，其公式表示為

1.3 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）

LSTM 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，具有記憶能力和門(mén)控機(jī)制且適用于處理序列數(shù)據(jù)。傳統(tǒng)的RNN 在處理長(zhǎng)序列時(shí)容易出現(xiàn)梯度消失或梯度爆炸問(wèn)題，導(dǎo)致難以捕捉長(zhǎng)期依賴(lài)關(guān)系，而LSTM 通過(guò)引入門(mén)控機(jī)制，可以有效地維護(hù)和更新記憶狀態(tài)，從而更好地處理長(zhǎng)期依賴(lài)問(wèn)題，并且LSTM 可以對(duì)輸入和輸出的門(mén)控進(jìn)行控制，使得模型能夠更靈活地控制信息的傳遞，適應(yīng)不同任務(wù)的需求，所以LSTM 在處理復(fù)雜序列時(shí)比傳統(tǒng)的RNN 表現(xiàn)更優(yōu)，其單元結(jié)構(gòu)如圖2 所示。LSTM 的門(mén)控結(jié)構(gòu)組成具體包括遺忘門(mén)、輸入門(mén)和輸出門(mén)。

圖2 LSTM 單元結(jié)構(gòu)圖

LSTM 單元細(xì)胞更新過(guò)程如下：

1）決定從細(xì)胞狀態(tài)中丟棄哪些信息。這個(gè)決定是由一個(gè)稱(chēng)為“遺忘門(mén)層”的sigmoid 層做出的，會(huì)輸出一個(gè)介于0 和1 之間的數(shù)字，1 表示“完全保留此內(nèi)容”，0 表示“完全遺忘此內(nèi)容”，遺忘門(mén)的輸出結(jié)果由

所得式中，xt為t 時(shí)刻的輸入值；ht?1為t-1 時(shí)刻的細(xì)胞單元狀態(tài)；bf為偏置項(xiàng)；Wf為參數(shù)矩陣。

2）決定將在單元格狀態(tài)中存儲(chǔ)哪些新信息。分為兩部分：首先，輸入門(mén)中的sigmoid 層決定將更新哪些it；接下來(lái)，tanh 層創(chuàng)建一個(gè)新候選值的向量并添加到狀態(tài)中。過(guò)程如下：

3）更新舊的細(xì)胞狀態(tài)Ct?1，進(jìn)入新的單元格狀態(tài)Ct，式中：ft與it分別表示遺忘門(mén)與輸入門(mén)的計(jì)算結(jié)果，計(jì)算公式為

4）基于單元格狀態(tài)決定輸出什么，輸出門(mén)的sigmoid 層決定輸出部分ot，然后把ot乘tanh(Ct)，即可得到輸出ht，即

BILSTM 結(jié)構(gòu)是LSTM 的一種變種，它在LSTM 的基礎(chǔ)上增加了一個(gè)關(guān)鍵的特性，即雙向信息傳遞，從而可以更好地捕捉景區(qū)客流量數(shù)據(jù)的上下文信息，使得預(yù)測(cè)更精準(zhǔn)。

1.4 注意力機(jī)制（AM）

注意力機(jī)制是一種用于增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型在處理序列數(shù)據(jù)時(shí)的能力的技術(shù)［11］，其思想類(lèi)似于人類(lèi)在處理信息時(shí)的注意力機(jī)制：對(duì)于復(fù)雜的任務(wù)，會(huì)更加關(guān)注與當(dāng)前任務(wù)相關(guān)的信息，而忽略無(wú)關(guān)緊要的信息。在神經(jīng)網(wǎng)絡(luò)中，注意力機(jī)制允許模型自動(dòng)學(xué)習(xí)對(duì)于當(dāng)前時(shí)刻最重要的輸入信息，使其能夠更有針對(duì)性地處理序列數(shù)據(jù)。AM 的計(jì)算過(guò)程分為三個(gè)階段：

1）計(jì)算查詢(xún)（輸出特征）與鍵（輸入特征）的相關(guān)性，公式為

式中，t={1,2,…,N}，Wh是注意力機(jī)制的權(quán)重，ht是輸入向量，bh是注意力機(jī)制的偏置項(xiàng)，其中Wh和bh在每層中都共享權(quán)重。

2）將上式結(jié)果歸一化，并使用Softmax 函數(shù)轉(zhuǎn)換成注意力得分at，

式中v 為可學(xué)習(xí)的參數(shù)向量，一般長(zhǎng)度固定。

3）對(duì)at值加權(quán)后得到最終關(guān)注值s，

2 實(shí)驗(yàn)設(shè)計(jì)

首先，將獲取到的有關(guān)九寨溝景區(qū)2020 年上半年至2023 年上半年近三年的景區(qū)季節(jié)、溫度、風(fēng)速、客流量等數(shù)據(jù)進(jìn)行預(yù)處理［12］，編碼后使用本模型進(jìn)行預(yù)測(cè)；其次，使用不同的主流模型進(jìn)行實(shí)驗(yàn)；最后通過(guò)評(píng)價(jià)指標(biāo)來(lái)驗(yàn)證本論文所提出模型的優(yōu)越性。

2.1 景區(qū)游客數(shù)據(jù)建立與實(shí)驗(yàn)建立

實(shí)驗(yàn)所需的日客流量數(shù)據(jù)采集自九寨溝景區(qū)官網(wǎng)每日公布的進(jìn)溝人數(shù)。采集的影響因素?cái)?shù)據(jù)包括季節(jié)、星期、最高溫度、最低溫度、天氣以及風(fēng)速。由于影響因素?cái)?shù)據(jù)為文本數(shù)據(jù)，不可直接輸入到深度學(xué)習(xí)模型中，因此對(duì)這些數(shù)據(jù)做量化處理，例如天氣數(shù)據(jù)：晴天和多云編碼為1，陰天和小雨編碼為2，中雨和中雪則編碼為3，大暴雨和大暴雪等惡劣天氣編碼為4。之后創(chuàng)建一個(gè)包含歷史客流量和相應(yīng)影響因素的數(shù)據(jù)集，這個(gè)數(shù)據(jù)集可以用于訓(xùn)練和測(cè)試預(yù)測(cè)模型。

將時(shí)間步長(zhǎng)設(shè)置為1，滑動(dòng)窗口設(shè)置為7 來(lái)進(jìn)行樣本的提取，并按照8:1:1 將九寨溝景區(qū)客流量數(shù)據(jù)數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。實(shí)驗(yàn)是基于Python3.6 實(shí)現(xiàn)的，使用Tensorflow 庫(kù)中的Keras 模塊，模塊構(gòu)建方式為順序邏輯。將訓(xùn)練的epoch 設(shè)置為10，batch_size 設(shè)置為24，模型的優(yōu)化器使用Adam，模型的損失函數(shù)使用MSE，

2.2 評(píng)價(jià)標(biāo)準(zhǔn)

評(píng)價(jià)標(biāo)準(zhǔn)對(duì)于理解模型的表現(xiàn)、對(duì)比不同模型或算法的效果，以及優(yōu)化模型的重要性至關(guān)重要。實(shí)驗(yàn)使用3 個(gè)評(píng)價(jià)指標(biāo)，下面各式中：表示客流量預(yù)測(cè)值，yi表示客流量實(shí)際觀測(cè)值，n 表示客流量樣本數(shù)量。

（1）均方根誤差（RMSE）是預(yù)測(cè)值與真實(shí)值之間差異的平方和的平均值的平方根，用于衡量預(yù)測(cè)值與真實(shí)值之間的整體誤差，公式為

（2）平均絕對(duì)誤差（MAE）是預(yù)測(cè)值與真實(shí)值之間差異的絕對(duì)值的平均值，用于衡量預(yù)測(cè)值與真實(shí)值之間的平均誤差，公式為

（3）平均絕對(duì)百分比誤差（MAPE）是預(yù)測(cè)值與真實(shí)值之間差異的絕對(duì)百分比的平均值。它用于衡量預(yù)測(cè)值與真實(shí)值之間的平均百分比誤差，公式為

2.3 實(shí)驗(yàn)參數(shù)選擇

為了找到最佳的模型參數(shù)組合，在實(shí)驗(yàn)中對(duì)相關(guān)參數(shù)進(jìn)行了調(diào)整和選擇。

（1）LSTM 層的單元數(shù)

LSTM 層是模型的核心組件之一，它負(fù)責(zé)捕捉序列中的時(shí)間依賴(lài)關(guān)系。為了研究LSTM 層單元數(shù)對(duì)模型性能的影響，分別嘗試了不同的單元數(shù)，包括32、64和128。其中，較小的單元數(shù)能夠減少模型的復(fù)雜性，而較大的單元數(shù)能夠增加模型的記憶容量。

（2）Dropout 率

Dropout 率是一種用于防止過(guò)擬合的正則化技術(shù)，通過(guò)隨機(jī)地將一部分神經(jīng)元輸出置為0 來(lái)降低模型復(fù)雜性［13］。在實(shí)驗(yàn)中，嘗試使用不同的Dropout 率，包括0.2、0.3 和0.4，以研究Dropout 率對(duì)模型泛化能力的影響。

（3）卷積層參數(shù)

卷積層用于對(duì)輸入數(shù)據(jù)進(jìn)行初步特征提取，它的參數(shù)包括濾波器數(shù)目和卷積核大小。在實(shí)驗(yàn)中，嘗試了不同的濾波器數(shù)目和卷積核大小，例如濾波器數(shù)目為32 和64，卷積核大小為1 和3，以研究卷積層參數(shù)對(duì)模型性能的影響。

（4）學(xué)習(xí)率

學(xué)習(xí)率是控制模型參數(shù)更新的步長(zhǎng)，較小的學(xué)習(xí)率可以使模型收斂得更穩(wěn)定，但訓(xùn)練時(shí)間可能較長(zhǎng)。在實(shí)驗(yàn)中，嘗試使用不同的學(xué)習(xí)率，包括0.001、0.01 和0.1，以尋找最佳的學(xué)習(xí)率。

（5）注意力機(jī)制參數(shù)

注意力機(jī)制在模型中起到了重要作用，它能夠自動(dòng)學(xué)習(xí)序列中不同時(shí)間步之間的重要性。在實(shí)驗(yàn)中，對(duì)注意力機(jī)制的參數(shù)進(jìn)行了調(diào)整，包括注意力層中的神經(jīng)元數(shù)目和激活函數(shù)的選擇。

綜上考慮，使用網(wǎng)格搜索的方法，通過(guò)指定參數(shù)的取值范圍，在給定的參數(shù)組合中進(jìn)行窮舉搜索，計(jì)算每組參數(shù)的損失函數(shù)值，最后選擇具有最佳性能的參數(shù)組合作為最優(yōu)模型。最終的模型參數(shù)選擇如表1 所示。

表1 模型參數(shù)

2.4 SCBANet 模型訓(xùn)練流程

SCBANet 模型訓(xùn)練流程如圖3 所示，主要包含5個(gè)步驟：

圖3 SCBANet 模型訓(xùn)練流程圖

1）對(duì)輸入的時(shí)間序列進(jìn)行時(shí)空歸一化，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理步驟，以便輸入到后續(xù)的網(wǎng)絡(luò)模型。

2）經(jīng)過(guò)歸一化后，時(shí)間序列被輸入到卷積神經(jīng)網(wǎng)絡(luò)中提取空間上的特征，捕捉時(shí)間序列中的局部模式和重要特征。

3）CNN 的輸出被輸入到BILSTM 中，通過(guò)前向和反向兩個(gè)LSTM 層，捕捉時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系和時(shí)間相關(guān)性。

4）在BILSTM 的輸出上，引入注意力機(jī)制來(lái)進(jìn)一步提升預(yù)測(cè)性能。

5）經(jīng)過(guò)注意力機(jī)制的處理，得到的特征被輸入到輸出層進(jìn)行景區(qū)客流量的預(yù)測(cè)。

通過(guò)以上步驟，SCBANet 模型可以高效地從輸入的時(shí)間序列中提取特征，并通過(guò)雙向LSTM 和注意力機(jī)制進(jìn)行有效的預(yù)測(cè)。這使得該模型在客流量預(yù)測(cè)任務(wù)中表現(xiàn)出色。

3 實(shí)驗(yàn)結(jié)果

為驗(yàn)證SCBANet 模型的有效性，進(jìn)行了一系列實(shí)驗(yàn)來(lái)比較其性能。在性能比較方面，選擇了一組基準(zhǔn)模型，包括ARIMA、SVM、RNN 和LSTM。此外，還進(jìn)行了消融實(shí)驗(yàn)，通過(guò)與其他模型，如CNN、BILSTM、CNN+BILSTM 和CNN+BILSTM+AM 對(duì)比，來(lái)驗(yàn)證SCBANet模型中每個(gè)組成部分的有效性。

3.1 基準(zhǔn)模型對(duì)比

在基準(zhǔn)模型對(duì)比實(shí)驗(yàn)中，將SCBANet 模型與經(jīng)典的線性模型ARIMA、機(jī)器學(xué)習(xí)方法SVM、以及深度學(xué)習(xí)方法RNN、LSTM 進(jìn)行對(duì)比，可以充分驗(yàn)證其有效性。本實(shí)驗(yàn)將采用3.2 節(jié)所述均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）評(píng)價(jià)指標(biāo)來(lái)評(píng)估SCBANet 模型性能。基準(zhǔn)模型實(shí)驗(yàn)對(duì)比如表2 所示。

表2 基準(zhǔn)模型實(shí)驗(yàn)對(duì)比

表2 顯示了3 種不同歷史時(shí)間窗口的基準(zhǔn)模型預(yù)測(cè)結(jié)果，將每個(gè)時(shí)間窗口的最優(yōu)結(jié)果加粗突出顯示。ARIMA 和SVM 受到線性關(guān)系的限制，無(wú)法捕捉到數(shù)據(jù)中的復(fù)雜非線性模式，從而導(dǎo)致預(yù)測(cè)的不準(zhǔn)確性，所以誤差與其他模型相比是最大的。RNN 和LSTM 都是循環(huán)神經(jīng)網(wǎng)絡(luò)模型，但是其性能隨著回溯窗口大小的增加而惡化或保持穩(wěn)定，而SCBANet 模型可以通過(guò)各個(gè)組件的綜合能力來(lái)獲取學(xué)習(xí)特征并且更好地進(jìn)行預(yù)測(cè)。從表2 中可以看到：SCBANet 模型表現(xiàn)的性能最好，并且隨著回溯窗口的增大，預(yù)測(cè)結(jié)果更好。在3 個(gè)評(píng)價(jià)指標(biāo)中，MAPE 的變化最為明顯，在預(yù)測(cè)未來(lái)一個(gè)月的周期中，SCBANet 比ARIMA（16.7 比1.01）下降93.95%，比SVM（31.4 比1.01）下降96.78%，比RNN（17.4 比1.01）下 降95.23%，比LSTM（42.5 比1.01）下 降97.63%。

3.2 消融實(shí)驗(yàn)對(duì)比

消融實(shí)驗(yàn)通過(guò)逐步剔除或削弱系統(tǒng)中的組件或特性，評(píng)估它們對(duì)整體性能的影響，并揭示關(guān)鍵因素與系統(tǒng)工作原理。在人工智能領(lǐng)域，該方法常用于評(píng)估模型性能與魯棒性，幫助確認(rèn)重要組件并優(yōu)化系統(tǒng)設(shè)計(jì)。將SCBANet 模型的預(yù)測(cè)結(jié)果分別與CNN、BILSTM、CNN+BILSTM、CNN+BILSTM+AM 進(jìn)行比較，驗(yàn)證每一部分的有效性。消融實(shí)驗(yàn)結(jié)果對(duì)比如表3 所示。

表3 消融實(shí)驗(yàn)結(jié)果對(duì)比

從表3 中可以看到：CNN 的誤差結(jié)果最大，SCBANet 模型的各種誤差結(jié)果最小。在這5 種方法中，SCBANet 模型的性能表現(xiàn)最好，其RMSE 為0.270，MAE 為0.194，MAPE 為2.01，與引入AM 機(jī)制的CNN-BILSTM 相比，RMSE 下降了45.2%，MAE 下降了47.6%，MAPE 下降了34.5%。因此，在這5 種方法中，SCBANet 模型最能精準(zhǔn)預(yù)測(cè)九寨溝景區(qū)短期客流量，為景區(qū)管理者做出正確的決策提供參考。

3.3 預(yù)測(cè)結(jié)果

將九寨溝一個(gè)月的歷史客流量數(shù)據(jù)輸入到SCBANet 模型中，取得了令人滿(mǎn)意的預(yù)測(cè)效果。未來(lái)一周預(yù)測(cè)客流量的MAPE 值如圖4 所示。由圖4 可知，MAPE 值穩(wěn)定保持在4%以下，表明SCBANet 預(yù)測(cè)模型能夠準(zhǔn)確地預(yù)測(cè)景區(qū)的客流量變化。

圖4 預(yù)測(cè)客流量的MAPE

同時(shí)，將預(yù)測(cè)未來(lái)一周的客流量繪制出來(lái)，如圖5所示。從圖5 中可以較明顯地看出：預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)值非常吻合，擬合效果非常出色，這進(jìn)一步證實(shí)了SCBANet 模型在九寨溝景區(qū)客流量短期預(yù)測(cè)方面的優(yōu)越性。

圖5 預(yù)測(cè)未來(lái)一周的客流量

4 結(jié)束語(yǔ)

綜上所述，提出的基于SCBANet 模型的九寨溝景區(qū)客流量短期預(yù)測(cè)模型，巧妙地綜合了ST-Norm、CNN、BILSTM 和AM，以實(shí)現(xiàn)更高效的模型性能。該模型的核心流程包括數(shù)據(jù)預(yù)處理、時(shí)空歸一化、CNN 特征融合、BILSTM 長(zhǎng)期依賴(lài)捕捉以及注意力機(jī)制。在九寨溝景區(qū)客流量數(shù)據(jù)上，對(duì)SCBANet 模型進(jìn)行了詳細(xì)驗(yàn)證。結(jié)果表明，本模型在各項(xiàng)評(píng)價(jià)指標(biāo)中均表現(xiàn)出色，其中最小RMSE 為0.211，最小MAE 為0.187，而最小MAPE 僅為1.01。與其他模型相比，本模型的誤差下降幅度高達(dá)97.63%。對(duì)未來(lái)一周客流量進(jìn)行預(yù)測(cè)，其MAPE 值均保持在4%以下。這些結(jié)果充分表明，SCBANet 模型能高度準(zhǔn)確地預(yù)測(cè)景區(qū)的短期客流量，在實(shí)際中能提高九寨溝景區(qū)管理的科學(xué)性和效率，有助于改善游客體驗(yàn)，保障景區(qū)生態(tài)環(huán)境，提高安全性，為九寨溝的可持續(xù)發(fā)展和管理提供了有力支持，同時(shí)也為客流量預(yù)測(cè)方法的研究和應(yīng)用提供了有益的示范。未來(lái)，還將進(jìn)一步探索更多的融合方式，以進(jìn)一步提升預(yù)測(cè)精度。