基于多目標規劃的鄉村旅游客流需求預測模型研究※

（中山職業技術學院，廣東 中山 528436）

一、引言

鄉村旅游區別于其他旅游的最大特征就是游客能夠切身感受農村鄉間景色和村落生活，近幾年鄉村旅游成為了一種熱門的旅游選擇[1]。因此，鄉村旅游的游客需求預測，就成為了各個鄉村景區管理人員在政策制定及平時管理過程中的主要參考依據。特別是在旅游旺季時，物質、交通、服務，園區相關配置方面如何準確、合理地進行規劃和調度，成為了景區管理人員首要考慮的部分[2]。為清楚了解景區的項目和價格是否符合廣大游客需要，同時為了盡量規避旅游資源的浪費，保證旅游資源的合理使用，提高旅游區域的服務能力和旅游區域的管理能力及景區設施的建設，增加景區的客流數量，通過對游客需求和客流量的特征分析，找出對游客需求產生影響的因素后，有效預測客流需求，該預測結果能夠作為旅游景區項目規劃、旅游景區管理、便于為游客提供更好需求服務的重要參考依據[3]。目前鄉村旅游客流預測模型的相關研究有很多，其中梯度提升回歸樹的旅游流量預測模型是目前應用較為廣泛的一種，通過構建影響因素的相關性向量，精準預測旅游流量。受此啟發，構建基于多目標規劃的鄉村旅游客流需求預測模型，充分考慮影響客流量的因素，以便更好、更全方位、更細致地完成鄉村旅游客流需求預測，有效應對鄉村旅游客流量日漸增加現狀。

二、鄉村旅游客流需求預測模型

（一）旅游客流量影響因素的重要性及影響因素篩選

客流預測工作的首要問題是客流影響因素的篩選。因此，必須要確定影響客流的主要因素，才能夠保證鄉村旅游客流需求預測結果的真實性和有效性[4]。

由于影響因素對鄉村旅游客流需求預測結果有很大影響，因此，采用灰色關聯分析法對影響因素進行分析，求出影響因素和客流之間的灰色關聯度后再進行旅游客流需求預測[5]。

由于關聯度會跟隨因素發展趨勢相似度的提高而提高，因此，為使預測值更準確，關聯度通過對各個因素之間的關系的分析，找到影響最后目標的關鍵因素[6]。設數據行為參考序列為:

數據行為比較序列為：

式中，行為數據序列和集灰色關聯映射集分別為 A，H。

給定實數為：B(a0(f),αi(f))，如果實數為：

則符合:

在上述式（4）中B(Ai,Aj)表示Ai基于A0的灰色關聯度；B(a0(f),ai(f))表示Ai基于A0在f點的關聯系數；B為灰色關聯映射；對于式（4）中的四個符合條件，通?？醋骰疑P聯四公理。

當H符合（4）式中的四個條件后，可以把(A,H)看作為一種新的灰色關聯空間的概念?；疑P聯分析法在客流量影響因素和客流量相關性分析方面，主要分析步驟用下述步驟完成：

步驟（1）:設原序列為

Ai=[ai(1),(ai(2),...,ai(n))];i=0,1,2...,g。

式中序列的長度為n，且共收集到的指標數列為g+1。

步驟（2）：各序列的初值項獲取,

A'i=Ai/ai(1)=[a'i(1),a'i(2),...a'i(n)];i=0,1,2,...,g。

步驟（3）：差序列獲取，存在 Δ（f）=|a'0(f)-a'1(f)|,Δi=(Δi(1),Δi(2),...,Δi(n));i=0,1,2,...,g。

步驟（4）：兩級最小差和最大差獲取，結果為

步驟（5）：關聯系數為

步驟（6）：關聯度獲取結果為

為能夠判斷出與測試對象關系緊密的影響因素，將獲取出的關聯度進行排列，將關聯度最大的選做預測指標。采用同樣的方法獲取影響因素之間的灰色關聯度，且要把與其它因素關聯度高的因素排除掉，防止各因子之間的多重共線性。

（二）基于多目標規劃的鄉村旅游客流需求預測模型

1.模型構建

設定xsi和ui分別為第i種預測方法獲取的第s時間的關聯度最大預測指標的需求量值和第i種預測方法的組合權重系數；因此第n種預測方法在時間s的組合預測值為：

在區間集合的情況下，構建多目標規劃的鄉村旅游客流需求預測模型。對應的目標函數為：

對應的約束條件為：

其中，Ys表示第s時間的實際觀察值；uoi、uui分別表示區間權重系數值和區間權重系數寬度；xos、xus分別表示第s時間的預測區間中心值和第s時間預測區間寬度。

目標函數1用式（6）表示，代表實際觀察值與預測區間的中心值偏差最低；目標函數2用式（7）表示，代表預測區間寬度最??；使預測區間中心值和實際觀察值盡量接近，保證其兩者之間的誤差最小，以此實現在實操過程中保證預測區間的準確性；同時預測區間寬度是用來測量不確定性的關鍵依據，其也要保證最小，不確定性跟隨區間寬度增大而增加[7]；為了保證預測的結果能夠更加符合實際值，將（1-0）%視為預測前的置信水平進行約束，式（8）表示落在預測期間內實際觀察值的置信水平為（1-0）%；式（9）、式（10）、式（11）、式（12）分別表示各預測方法權重系數區間的中心值和是1、任意權重區間的下界值不低于0、權重區間上界值不高于1、決策變量的非負性。根據上述分析，建立多目標規劃模型。

2.多目標規劃求解

選用評價函數法中的線性加權法將多目標函數轉化為單目標求解鄉村旅游客流需求預測模型。

在鄉村旅游客流需求預測模型各目標函數量綱統一的基礎上確定的權重系數作為線性加權法的關鍵，統一數量量綱不相同的目標函數1和目標函數2[8]。通過分別獲取約束條件下兩個目標函數的最大值與最小值 u1max、u1min、u2max、u2min，得出新多目標函數如下：

結合式（13）得出轉化為單目標函數為：

并根據約束條件式（8）～（12）進行優化求解。

結合上述方法，求得各預測方法的權重系數區間中心值及寬度值（即決策變量uoi、uui），并結合式（5）完成 s時間的預測區間（xos、xus）的獲取，實現鄉村旅游客流需求預測模型預測目標求解。

三、測試分析

為檢驗本文模型的可行性，將某鄉村旅游區2005年—2015年的客流量統計數據作為基礎數據，進行模型測試，設定置信水平為98.5%，目標函數權重均為0.6，利用本文模型獲取到的該鄉村旅游區客流需求預測結果的中間值以及預測區間上下界值結果如表1所示。

表1 旅游客流需求預測結果

如表1所示，該鄉村旅游區2005年—2015年的實際客流量均在本文模型的預測區間內，實驗結果證明，本文模型具備鄉村旅游客流需求區間預測的可行性。

為了測試本文模型的游客景點選擇需求預測性能，以2010年為例，預測游客對該鄉村旅游區旅游景點選擇需求，預測結果如表2所示。

如表2所示，本文模型預測到的2010年游客對該鄉村旅游區不同景點選擇的人次與實際人次的相對誤差均處于6%以下，實驗結果表明本文模型具備良好的游客景點選取需求預測效果。

表2 游客對景點選擇需求預測結果

為了驗證本文模型預測的全面性，隨機抽取該鄉村旅游區2005年—2015年中的某日，統計該日不同的時間段內的客流預測結果，并與實際客流情況進行比較，結果用圖1表示。

圖1 不同的時間段內的客流預測結果與實際結果對比圖

從圖1可以看出，本文模型可以實現全天不同時間段內客流數量的預測，且預測結果與實際結果誤差極小。根據本文模型預測結果可以為鄉村旅游景區提前規劃景區相對應的服務、針對不同客流數量規劃相對應配套設施，更好保證景區工作效率。

為了測試旅游客流量影響因素篩選對模型預測結果的重要性，以梯度提升回歸樹旅游流量預測模型（文獻[7]模型）為對比，選取2010年8月中天氣晴朗的一天，分為3個時間段展開兩個模型預測性能測試，該日溫度情況為：6:00-8:00為10度，13:00-15:00溫度為15為兩點度，17:00-20:00為9度，當天實際客流情況為：6:00-8:00為17001人次，13:00-15:00為6233人次，17:00-20:00為18663人次。兩種模型的旅游客流預測結果如圖2所示。

圖2 影響因素對預測值的影響對比結果

從圖2可以看出，本文模型的預測結果，更加接近實際結果，能夠更有效、更準確地獲取鄉村旅游客流需求預測結果。梯度提升回歸樹的旅游流量預測模型的預測結果與實際人數相差較大。原因在于本文模型采用灰色關聯分析法對鄉村旅游客流需求影響因素進行分析，并按照關聯度排序，最終篩選出對鄉村旅游客流需求影響最大的因素作為預測指標，實施客流需求預測，因此極大地增加了本文模型的預測準確性。

四、結論

根據鄉村旅游客流需求的有關分析，可得出客流影響因素與預測結果之間有很大關聯性，影響因素也有很多，且會直接影響到預測結果，因此，為了準確地預測客流需求，采用灰色關聯分析法篩選影響因素，并將關聯度最高的影響因素所對應指標作為預測指標，獲取各個影響因素之間的灰色關聯度，且要將與其他因素關聯度高的因素排除掉，防止各因子之間的多重共線性。依據所獲關聯度較高指標建立多目標規劃預測模型，通過計算，使預測區間中心值和實際觀察值盡量接近，保證其兩者之間的誤差最小，以此實現在實操過程中保證預測區間的準確性，利用評價函數法中的線性加權法對多目標函數轉化的單目標進行求解，獲取預測范圍，以此完成鄉村旅游客流需求預測。結合數據分析后得出，本文提出的基于多目標規劃的鄉村旅游客流需求預測模型，可以準確地預測客流數量及景區內不同時間的客流分布情況，以便旅游管理人員提前完成景區設施準備工作，以及景區景點路段的提前規劃疏通，有效保證景區內客流容量。