山岳型风景区缆车客流时空分布特征分析与预测

发布时间：2020-07-22 13:11

【摘要】：客流量研究是当前风景区管理研究的重要课题,涉及到客流量分布分析、客流量预测等多个问题。客流量的时间分布趋势和空间分布特征对风景区的管理和资源调度起着至关重要的作用,客流量分析和预测的结果是风景区管理者进行决策和提供旅游服务的基础和依据。对于山岳型风景区,其缆车分布的空间位置与风景区内主要景点和主要出入口相邻,故其缆车客流具有较高的研究价值。针对山岳型风景区独特的空间特点,论文将缆车客流的时间分布特征和空间分布特征相结合,提出了山岳型风景区缆车客流时空分布特征分析方法和分时缆车客流预测方法,主要研究工作如下:(1)提出基于聚类的分时缆车客流的时空分布特征分析方法,使用高峰指数来分析各空间地点客流的分时分布情况,以小时为单位,得出各地点客流每小时的客流时间分布趋势;使用K-means聚类对各空间地点进行分组,使得每组缆车地点的客流在时间上具有相似的分布特征,从而得出每个时段中客流的空间分布特征,进而总结出客流的时空分布规律,考虑到风景区促销活动引起的客流变化,论文引入“泛节假日”的概念,寻找到不同情况下客流的分布规律,并以黄山风景区为案例进行分析。(2)为解决突发状况和管理调度不及时带来的影响,论文构建了山岳型风景区时空神经网络模型(Mountain Type Spacial-Temporal Artificial Neural Network,MT-STANN),并提出了基于时空神经网络的分时缆车客流预测方法。对有着不同时空分布特征的空间地点,进行K-means空间聚类,对不同分组的空间地点分别构建MT-STANN预测模型。在传统BP神经网络(Back Propagation Neural Network,BP)的基础上引入海拔和距离等空间因素,构建嵌套空间权重矩阵,用该矩阵初始化神经网络模型,并根据时空特征分析的结果确定网络的输入和输出,训练并构建MT-STANN网络。论文比较了BP、MT-STANN、支持向量机(Support vector machine,SVM)模型的预测结果,发现MT-STANN模型拥有较好的拟合结果和良好的预测精度。实验证明,MT-STANN预测模型能够有效预测山岳型风景区缆车客流的分时数据,基于时空神经网络的分时缆车客流预测方法对管理者的决策和调度提供了便利和帮助,能够减少突发事件和延时调度带来的影响,研究结果具有理论和实际的双重意义。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491
【图文】：

时空,神经元,表示空间,邻近空间

合肥工业大学学术硕士研究生学位论文0) (1) (1) ( ) ( )1 1, , ,N Nh hi i i ij j i ij jj j z z L z w z L z w z ( )11Nhijjw 第 i 个空间位置的变量值，jz 表示空间 i 邻近空间 j 的变数，h 表示空间延迟阶数，t 表示时刻。包括空间延迟算元[35]，时空神经元如图 2.2 所示。bL(1)

地图,地图,缆车,玉屏

14图 3.2 黄山风景区地图Fig 3.2 Map of Huangshan Scenic Area3.5.1 时间分布分析论文选择黄山风景区的八条缆车线路检票口为研究空间单元。黄山风景区共有八条缆车线路：云谷缆车上行方向（以下简称云谷上行）、云谷缆车下行方向（简称云谷下行）、玉屏缆车上行方向（简称玉屏上行）、玉屏缆车下行方向（简称玉屏下行）、太平缆车上行方向（简称太平上行）、太平缆车下行方向（简称太平下

空间分布,指数图,高峰,缆车

图 3.3 2014-2016 年日内高峰指数图Fig 3.3 2014-2016 daily peak index of eight cable car routes3.5.2 空间分布分析在空间分布分析中，因为考虑到“泛节假日”和普通日（全年所有的数据）的区别，该部分将分别对全年缆车客流数据和“泛节假日”的缆车客流数据进行空间聚类处理，从而分析不同时期下缆车客流的空间分布特点。（1）普通日客流针对黄山风景区的八条缆车线路，分别对每条缆车线路进行日内的客流密度计算，按公式（3.1）和（3.2）进行计算后，分别得出 2014-2016 年三年的分客流密度，将三年数据中的 ( )iz t 按 t 时刻求和后平均，再计算 ( )iV t 值，结果如表 3.2 所示。

【参考文献】