一种多源数据融合的旅游趋势预测方法及系统

本发明属于大数据处理领域，具体而言涉及一种多源数据融合的旅游趋势预测方法及系统。

背景技术：

1、现有技术通常使用长短期记忆网络（lstm）模型或季节性自回归积分滑动平均（sarima）模型进行旅游趋势预测。这些模型在捕捉时间序列数据的趋势和周期性方面表现出色，然而，它们在处理短期突发事件时存在显著局限性。

2、旅游业的动态性和复杂性使得仅依赖传统时间序列模型难以准确预测游客数量。许多城市为了吸引游客，定期或不定期地举办各种大型活动，例如节日庆典、音乐会、体育赛事等，这些活动会在短期内大幅增加游客数量。此外，天气状况（如暴雨、暴雪、台风等）也会对游客的出行决策产生重大影响。短期突发事件和天气变化会导致游客数量的剧烈波动，而传统的lstm模型和季节性模型在捕捉和处理这些短期变化方面存在以下不足：

3、突发事件处理能力不足：lstm模型和sarima模型主要依赖于历史数据的长期趋势和季节性模式，对于未曾出现过的突发事件，这些模型难以适应和预测其影响。这使得模型在面对大型活动或极端天气时，预测效果显著下降。

4、短期预测精度低：尽管lstm模型在捕捉长时间依赖关系方面表现出色，但在短期预测中，其效果往往受到历史数据中未曾出现的突发事件的影响。sarima模型虽然能处理季节性波动，但对非周期性突发事件的响应能力有限，导致短期预测精度不高。

5、缺乏外部因素整合：现有模型通常仅依赖于时间序列数据本身，而忽略了外部因素（如气象数据、社会媒体数据、节假日信息等）对旅游趋势的影响。外部因素往往是突发事件的重要驱动因素，将其纳入模型可以显著提高预测准确性。

6、数据特征提取不充分：lstm和sarima模型在处理数据时，通常仅使用原始时间序列数据，未充分提取和利用数据中的多种特征（如预订与退订量、累计预订量、滞后特征等）。这些特征可以提供更多关于游客行为模式的信息，帮助模型更好地预测短期变化。

7、特征工程（feature engineering）是指从原始数据中提取出有用的特征，并对其进行处理，以便于模型更好地理解和利用这些特征，从而提高预测或分类的准确性。特征工程是机器学习和数据挖掘过程中非常关键的一步，包括特征提取、特征选择、特征变换和特征构造等步骤。

8、使用特征工程可以构造捕捉数据中的复杂关系，提升模型的表达能力，但现有技术中少有对旅游相关的多源数据进行特征工程对现有模型训练过程进行改进的公开。

技术实现思路

1、为了解决背景技术中的问题，提出一种多源数据融合的旅游趋势预测方法及系统。

2、在一种实施方式中，本发明提出一种多源数据融合的旅游趋势预测方法，包括如下步骤：

3、收集与旅游相关的多源数据，所述多源数据至少包括：历史游客数量、酒店预订与退订数量、不可退订酒店数量门票预订与退订数量、不可退订门票数量，气象数据，节假日类型；

4、从预订与退订数据中提取特征，包括：每日预订量和退订量，预订与退订比例，不可退订量，过去7天、30天的累计预订量和退订量；前1天、前3天、前7天的滞后预订量和退订量，得到第一特征数据集；将所述第一特征数据集与所述多源数据中的非第一特征数据集进行融合，并去除冗余或不相关的特征，形成时间序列数据集；使用所述时间序列数据集训练lstm模型，通过网格搜索方法进行参数调优，确定最佳模型参数； 利用训练好的模型进行短期预测，预测未来一段时间内的旅游趋势。

5、在另一种实施例中，本发明还提出一种多源数据融合的旅游趋势预测系统，并包括如下模块：

6、收集模块，用于收集与旅游相关的多源数据，所述多源数据至少包括：历史游客数量、酒店预订与退订数量、不可退订酒店数量门票预订与退订数量、不可退订门票数量，气象数据，节假日类型；

7、特征工程模块，用于从预订与退订数据中提取特征，包括：每日预订量和退订量，预订与退订比例，不可退订量，过去7天、30天的累计预订量和退订量；前1天、前3天、前7天的滞后预订量和退订量，得到第一特征数据集；

8、融合模块，用于将所述第一特征数据集与所述多源数据中的非第一特征数据集进行融合，并去除冗余或不相关的特征，形成时间序列数据集；

9、训练模块，用于使用所述时间序列数据集训练lstm模型，通过网格搜索方法进行参数调优，确定最佳模型参数；

10、预测模块，用于利用训练好的模型进行短期预测，预测未来一段时间内的旅游趋势。

11、本发明通过上述技术方案，可以产生如下有益效果：

12、通过提取和利用多种特征（如每日预订量和退订量、预订与退订比例、累计预订量和退订量、滞后预订量和退订量），模型可以更全面地捕捉游客行为的短期变化，提高短期预测的准确性。

13、通过收集气象数据和节假日类型等外部因素，并将其融入到特征数据集中，增强模型对突发事件的感知能力。例如，大型活动和极端天气的数据能够帮助模型更好地捕捉和预测短期游客数量的剧烈波动。

14、通过系统的特征工程步骤，从预订与退订数据中提取每日预订量和退订量、预订与退订比例、不可退订量、累计预订量和退订量、滞后预订量和退订量等特征，形成特征数据集。然后，进行特征选择和标准化处理，优化数据质量和模型性能。

15、通过数据融合步骤，将历史游客数量、酒店预订与退订数量、不可退订酒店和门票数量、气象数据和节假日类型等多源数据整合，提供更全面的背景信息，帮助模型更好地理解和预测旅游趋势。

16、本方案通过系统的数据收集、特征工程、数据融合，显著提升了旅游趋势预测的准确性和可靠性。通过处理短期突发事件和外部因素，优化模型结构和超参数配置，提供了实时、准确的旅游趋势预测结果，为旅游管理和决策提供了有力支持。

1.一种多源数据融合的旅游趋势预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的多源数据融合的旅游趋势预测方法，其特征在于所述前1天、前3天、前7天的滞后预订量和退订量具体为：

3.根据权利要求1所述的多源数据融合的旅游趋势预测方法，其特征在于去除冗余或不相关的特征包括：

4.根据权利要求3所述的多源数据融合的旅游趋势预测方法，其特征在于去除冗余或不相关的特征之后还包括：

5.根据权利要求1所述的多源数据融合的旅游趋势预测方法，其特征在于利用训练好的模型进行短期预测之前，收集最新的实时数据，确保数据与模型训练时使用的数据结构和格式一致，对实时数据进行相同的预处理和特征提取操作，包括标准化和时间序列对齐。

6.一种多源数据融合的旅游趋势预测系统，其特征在于，包括以下模块：

7.根据权利要求6所述的多源数据融合的旅游趋势预测系统，其特征在于所述前1天、前3天、前7天的滞后预订量和退订量具体为：

8.根据权利要求6所述的多源数据融合的旅游趋势预测系统，其特征在于去除冗余或不相关的特征包括：

9.根据权利要求8所述的多源数据融合的旅游趋势预测系统，其特征在于去除冗余或不相关的特征之后还包括：

10.根据权利要求6所述的多源数据融合的旅游趋势预测系统，其特征在于利用训练好的模型进行短期预测之前，收集最新的实时数据，确保数据与模型训练时使用的数据结构和格式一致，对实时数据进行相同的预处理和特征提取操作，包括标准化和时间序列对齐。