[發明專利]基于優化遺傳算法的景區短期客流量的預測方法及系統

在審

• 申請號: 201911229110.4
• 申請日: 2019-12-04
• 公開（公告）號: CN111062524A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 陸文星;芮海東;梁昌勇;董駿峰;蔣麗;趙樹平;顧東曉;王彬友
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/14;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 肖冰濱;劉兵

本發明實施方式提供一種基于優化遺傳算法的景區短期客流量的預測方法及系統，屬于數據的挖掘技術領域。所述預測方法包括：獲取與景區短期客流量相關的影響因素的歷史數據；根據影響因素的種類確定CNN?LSTM模型中的CNN模型的卷積層、池化層的數量以及LSTM網絡的層數；對卷積層和池化層執行批量標準化操作；確定CNN模型和LSTM網絡的每個卷積層和池化層的神經元的數量的取值范圍；隨機生成每個卷積層和池化層的神經元的多個數量值以形成初始的種群；根據公式(1)計算種群的每個個體的適應度；判斷迭代次數是否大于或等于預設的次數閾值；在判斷迭代次數小于次數閾值的情況下，按照適應度從高到低的順序從種群中篩選出預定比例的數量的個體。

技術領域

本發明涉及數據的挖掘技術領域，具體地涉及一種基于優化遺傳算法的景區短期客流量的預測方法及系統。

背景技術

風景區的智能管理系統是當前管理風景區的重要輔助工具之一，而基于歷史數據對該風景區未來的客流量作出預測則是該管理系統的一項至關重要的功能。

在現有技術中，實現該功能的方式主要是通過采用神經網絡例如傳統時間序列模型、計量經濟模型、支持向量機、BP神經網絡模型、LSTM神經網絡等來進行預測。但是這些神經網絡由于自身的特性，在實際預測時均存在各種問題。例如有的神經網絡存在對于長期的時間序列處理能力弱而導致預測結果生成速度慢的問題，而有些則存在對源數據的質量要求過高，對于非線性數據無法處理的問題。

發明內容

本發明實施方式的目的是提供一種基于優化遺傳算法的景區短期客流量的預測方法及系統。該預測方法及系統能夠克服現有技術中存在的缺陷，提高對景區短期客流量的預測精度。

為了實現上述目的，本發明實施方式提供一種基于優化遺傳算法的景區短期客流量的預測方法，所述預測方法包括：

獲取與所述景區短期客流量相關的影響因素的歷史數據；

根據所述影響因素的種類確定CNN-LSTM模型中的CNN模型的卷積層、池化層的數量以及LSTM網絡的層數；

對所述卷積層和池化層執行批量標準化操作；

確定所述CNN模型和所述LSTM網絡的每個卷積層和池化層的神經元的數量的取值范圍；

隨機生成每個所述卷積層和所述池化層的所述神經元的多個數量值以形成初始的種群；

根據公式(1)計算所述種群的每個個體的適應度，

其中，F為所述適應度，E為測試所述CNN(Convolutional Neural Networks，卷積神經網絡)模型和所述LSTM(Long Short-Term Memory，長短期記憶)網絡的誤差，α為預設的所述卷積層的神經元的數量對預測結果的影響系數，n_conv為當前的個體的所述CNN模型中的神經元的數量，n_lstm為當前的個體的所述LSTM網絡的神經元的數量，n_all為當前的個體的所述CNN模型和所述LSTM網絡的神經元的總數量；

判斷迭代次數是否大于或等于預設的次數閾值；

在判斷所述迭代次數小于所述次數閾值的情況下，按照所述適應度從高到低的順序從所述種群中篩選出預定比例的數量的個體；

對篩選出的所述個體按照所述適應度從高到低的順序依次執行變異和交叉操作；

將執行完交叉操作的所述個體分別輸入所述CNN-LSTM模型中，并采用測試集測試所述CNN-LSTM模型以得到對應的所述誤差；

更新迭代次數并再次采用公式(1)計算所述種群的每個個體的適應度；