一种针对乡村旅游的客流量预测方法及货物调度系统

1.本发明涉及乡村旅游信息化领域，尤其涉及一种针对乡村旅游的客流量预测方法及货物调度系统。


背景技术：

2.乡村旅游产业是极具潜在价值的产业，振兴乡村旅游是乡村振兴战略的大板块，是关乎乡村振兴战略是否能成功实现的重要部分。现阶段的乡村旅游信息化程度低，乡村旅游很难实现“走出去”的战略目标。而客流量预测一直是现代产业信息化的热点发展方向，若能对乡村旅游的客流量进行准确预测，便能指导相关人员进行提前备货等操作，避免资源浪费，从而促进乡村旅游高质量发展。
3.成熟旅游景点通常具备完善的相关基础设施，并多呈全封闭式景点，游客需通过各景点开放的入口才能进入景区；基于完善的基础设施便能进行全面的信息化覆盖。例如在统计客流量时便能通过各景点入口对其数量进行精准统计，通过当日售出门票数便能对次日客流量进行准确评估。但是乡村旅游景点往往是半开放式或者全开放式景点，游客可以通过各种道路、小径到达景点区域内，一方面这种自由模式很大程度上增加了乡村旅游的趣味性和探索性；但是在另一方面，乡村旅游景点相关基础设施无法像成熟旅游景点那样进行大规模部署，这便制约了乡村旅游信息化程度，特别是影响了对乡村旅游客流量的准确评估。若无法对乡村旅游客流量进行较为准确的评估预测，便很难提高服务质量。例如，一些新鲜食材保质期很短，若无法准确评估预测客流量，便会出现食材不新鲜、食材供应不足等情况。但若食材供应过量，乡村旅游景点又无法像大型景点那样对这些食材进行专业化储存，从而影响菜品的质量和安全。故提高乡村旅游服务质量，需要对乡村旅游客流量进行较为准确地预测，才能有针对性地对游客提供高质量服务。
4.因此，有必要提供新的一种针对乡村旅游的客流量预测方法及货物调度系统来解决上述一个或多个技术问题。


技术实现要素：

5.为解决上述一个或多个技术问题，本发明提供的一种针对乡村旅游的客流量预测方法，将乡村旅游大地图分割为若干乡村旅游景区，将乡村旅游景区分割为若干乡村旅游景点；所述乡村旅游景区通过基于乡村旅游大数据的景区客流量预测步骤对客流量进行预测；所述乡村旅游景点通过基于短时数据的景点客流量估算步骤对客流量进行估算。
6.具体的，所述景区客流量预测步骤：
7.s1.1采集各乡村旅游景区的历史相关大数据和历史客流量大数据；
8.s1.2通过人工智能算法建立客流量预测训练模型；
9.s1.3将历史相关大数据作为训练输入集，历史客流量大数据作为目标输出集；输入到客流量预测训练模型进行正向/反向训练，得到流量预测模型；
10.s1.4重复训练，并将满足预测精度要求的流量预测模型进行输出；
11.s1.5实时采集各乡村旅游景区的实时相关大数据；
12.s1.6将实时相关大数据输入流量预测模型，对客流量进行模型预测，得到景区客流量预测数据。
13.具体的，所述景点客流量估算步骤：
14.s2.1在乡村旅游景点区域内分布设置若干监测节点，所述监测节点用于监测范围内的移动设备的设备数量和移动轨迹；
15.s2.2通过监测节点持续采集设备数量和移动轨迹，得到常驻设备数量，其中，通过移动轨迹判断移动设备在乡村旅游景点内停留时间，若停留时间超过判断阈值，则认为是常驻设备；
16.s2.3通过监测节点实时采集，得到实时设备数据；
17.s2.4通过实时设备数据减去常驻设备数量，得到游客设备数量；
18.s2.5通过游客设备数量乘以人/机比例系数λ，得到景点客流量估算数据；其中，人/机比例系数λ为先验值。
19.作为更进一步的解决方案，所述历史相关大数据与实时相关大数据均为乡村旅游相关大数据，所述乡村旅游相关大数据包括气候数据、时节假日数据和相关事件数据；其中，所述气候数据通过气候舒适指数进行表示，所述时节假日数据以状态项进行标注，所述相关事件数据通过各事件的影响因子进行表示，所述影响因子通过事件的热力度*相关度得到影响因子数值。
20.作为更进一步的解决方案，所述客流量预测训练模型为复合加权预测训练模型，包括基础客流量预测模型、气候客流量预测模型、假期客流量预测模型、相关事件客流量预测模型和复合加权器。
21.具体的，所述基础客流量预测模型用于预测景区基础客流量值bp，通过将历史同日客流量、前日客流量和当日早八点客流量作为训练输入集，当日客流量和次日客流量作为目标输出集，对客流量预测训练模型进行训练，得到基础客流量预测模型。
22.具体的，所述气候客流量预测模型用于预测景区气候-客流量影响值vp，通过将历史同日客流量和历史同日气候舒适指数作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到气候客流量预测模型。
23.具体的，所述假期客流量预测模型用于预测假期-客流量的影响值dp，通过将历史同日客流量和历史假期客流量、历史非假期客流量和当日假期作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到假期客流量预测模型。
24.具体的，所述相关事件客流量预测模型用于预测相关事件-客流量的影响值tp，历史影响因子、历史客流量和当日影响因子数值作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到相关事件客流量预测模型。
25.具体的，所述复合加权器将得到的景区基础客流量值bp、气候-客流量影响值vp、假期-客流量的影响值dp和相关事件-客流量的影响值tp，按照预设权重进行加权相加，得到复合加权客流量预测值。
26.作为更进一步的解决方案，所述监测节点通过通信基站和/或通信路由进行部署；所述监测节点通过基站信令和/或wlan信令对移动设备进行设备监测，设备监测信息包括唯一匿名id、到站时间、离站时间和唯一监测节点id。
27.作为更进一步的解决方案，通过如下步骤得到移动设备的移动轨迹：
28.s3.1将乡村旅游景点以中心区域为原点，并从内向外通过闭合区域线划分为k阶，得到k阶识别域划分地图；
29.s3.2将同阶识别域按照监测节点监测范围划分为n个监测区块，得到网状监测地图；
30.s3.3各监测节点记录各移动设备的设备监测信息；
31.s3.4定时遍历所有节点记录的设备监测信息，按照唯一匿名id进行追溯；
32.s3.5将追溯到的设备监测信息按照到站时间与离站时间进行时序排列，得到时间切换序列(t1，t2，...tn)，其中，n表示追溯到的节点记录数，tn表示n号记录的到站时间与离站时间值；
33.s3.6将时间切换序列替换为唯一监测节点id，得到节点切换序列(s
t1
，s
t2
，...s
tn
)，其中，s
tn
表示tn时刻移动设备所连接的监测节点；
34.s3.7将节点切换序列按照监测节点对应监测区块，映射到网状监测地图上，得到n个坐标点所组成的移动轨迹，其中，移动轨迹通过节点切换序列各节点坐标进行表示。
35.作为更进一步的解决方案，还通过景点客流量预测步骤对乡村旅游景点进行客流量预测：
36.s4.1获取各移动设备的移动轨迹；
37.s4.2将移动轨迹替换为阶层轨迹序列(k
t1
，k
t2
，...k
tn
)，其中，k
tn
表示tn时刻移动设备所在的阶层；
38.s4.3通过公式：计算趋势阶层轨迹序列的净阶层变化值δk；
39.s4.4通过公式：计算净阶层变化速率kv；其中，ti表示i号记录的到站时间与离站时间值；
40.s4.5设置预测时间t0；
41.s4.6通过公式：kf＝k
tn-(t0*kv),计算t0时刻后，移动设备的所处阶层预测值kf，其中，k
tn
为末尾时刻移动设备所处阶层；(t0*kv)为t0时间段阶层变化预测值；
42.s4.7计算各移动设备的所处阶层预测值kf，并设定景点识别阶层kt；
43.s4.8判断t0时刻后，各移动设备是否在乡村旅游景点内：若移动设备的所处阶层预测值kf不大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点内；若移动设备的所处阶层预测值kf大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点外；
44.s4.9统计t0时刻处在乡村旅游景点内的t0时刻移动设备总数；
45.s4.10通过t0时刻移动设备总数减去常驻设备数量，得到t0时刻游客设备数量；
46.s4.11通过t0时刻游客设备数量乘以人/机比例系数λ，得到t0时刻景点客流量预测值。
47.作为更进一步的解决方案，一种针对乡村旅游的货物调度系统，运用于如上述任一项所述的一种针对乡村旅游的客流量预测方法，包括物流枢纽站、景区仓储站和景点配
货站；所述景点配货站通过景点客流量估算步骤对景点客流量进行短时预测，根据景区客流量预测数据计算所需货物量，并向对应景区仓储站发送配货需求；所述景区仓储站根据景区客流量预测步骤对景区客流量进行长时预测，根据景点客流量预测数据计算所需货物量，并向物流枢纽站发送配货需求；所述物流枢纽站用于集中存储货物，并能向各景区仓储站进行货物调度。
48.作为更进一步的解决方案，所述景点配货站通过如下步骤确定建站位置：
49.a1通过监测节点监测各移动设备的移动轨迹；
50.a2计算各移动轨迹中节点切换序列各监测节点出现次数；
51.a3选出出现次数最高的监测节点；
52.a4将出现次数最高的监测节点所在的监测区块作为配货站建站区域；
53.a5在配货站建站区域内进行站点建立。
54.作为更进一步的解决方案，所述景区仓储站通过如下步骤确定建站位置：
55.b1获取gis路网地图；
56.b2获取乡村旅游景区各景点客流量估算数据vt；
57.b3获取乡村旅游景区各景点坐标si(xi,yi)；
58.b4通过公式计算理论建站点坐标(x,y)，其中，x与y的取值为p取值最小时的值，i表示各景点的编号，n表示乡村旅游景区的景点数，表示各景点的权重占比。
59.b5将理论建站点映射到gis路网地图上；
60.b6找到道路与理论建站点的距离最近点，作为最近建站点；
61.b7以最近建站点为中心，设定检索区域；
62.b8在检索区域内的道路沿途选取n个检索点tj；
63.b9通过公式选出最优建站点，其中，j表示检索点的编号；si表示乡村旅游景区各景点；表示j号检索点到各景点的道路距离总和；select min(*)为最小值选择函数。
64.b10在最优建站点进行仓储站建立。
65.作为更进一步的解决方案，所述物流枢纽站通过如下步骤确定建站位置：
66.c1获取gis路网地图；
67.c2获取乡村旅游景区各景区客流量估算数据vt1；
68.c3获取各景区仓储站的坐标s1i(x1i,y1i)；
69.c4通过公式计算理论枢纽建站点坐标(x1,y1)，其中，x1与y1的取值为p取值最小时的值，i表示各景区仓储站的编号，n表示景区仓储站的站点数，表示各景点的权重占比。
70.c5将理论枢纽建站点映射到gis路网地图上；
71.c6找到道路与理论枢纽建站点的距离最近点，作为最近枢纽建站点；
72.c7以最近枢纽建站点为中心，设定检索区域；
73.c8在检索区域内的道路沿途选取n个检索点t1j；
74.c9通过公式选出最优枢纽建站点，其中，j表示检索点的编号；si表示各景区仓储站；表示j号检索点到各景区仓储站的道路距离总和；select min(*)为最小值选择函数。
75.c10在最优枢纽建站点进行物流枢纽站建立。
76.与相关技术相比较，本发明提供的一种针对乡村旅游的客流量预测方法及货物调度系统具有如下有益效果：
77.1、本发明通过基于短时数据的景点客流量估算步骤对客流量进行估算，短时数据通过监测节点进行采集，而监测节点可以通过现有的基站节点或者路由节点的基础上进行部署，没有硬件部署成本；通过人/机比例系数λ和游客设备数量，准确地获得小范围的客流量信息，且短时数据准确度高，从而提高小范围，短时预测的准确度；
78.2、本发明采用了复合加权预测训练模型，并通过气候数据、时节假日数据和相关事件数据对基础客流量预测模型、气候客流量预测模型、假期客流量预测模型、相关事件客流量预测模型进行训练，最后通过复合加权器得到复合加权客流量预测值；这种方式相较于传统的“端到端”的预测模型，更具备可理解性和预测准确；
79.3、本发明结合各移动设备的移动轨迹；选出各移动轨迹中节点切换序列各监测节点出现次数；将出现次数最高的监测节点所在的监测区块作为配货站建站区域，并在配货站建站区域内进行站点建立；
80.4、本发明通过将各景点的客流量作为权重值，并构造基于权重的中心偏移公式来选择理论上最适合建站的站点，从而实现快速调度货物，减少调度里程的目的。
附图说明
81.图1为本发明实施例提供的一种针对乡村旅游的客流量预测方法的较佳的步骤流程图；
82.图2为本发明实施例提供的一种货物调度系统的较佳的系统示意图；
83.图3为本发明实施例提供的网状监测地图的较佳的示意图；
84.图4为本发明实施例提供的建站原理示意图。
具体实施方式
85.下面结合附图和实施方式对本发明作进一步说明。
86.如图1所示，本实施例提供的一种针对乡村旅游的客流量预测方法，将乡村旅游大地图分割为若干乡村旅游景区，将乡村旅游景区分割为若干乡村旅游景点；乡村旅游景区通过基于乡村旅游大数据的景区客流量预测步骤对客流量进行预测；乡村旅游景点通过基于短时数据的景点客流量估算步骤对客流量进行估算。
87.需要说明的是：现有的客流量预测技术通常是基于机器学习模型并通过历史流量记录对其进行训练，从而实现对未来客流量的预测，这种方法在大尺度范围内具备较高的准确性，大尺度包括预测时间大尺度和预测范围大尺度，即：在对较大范围景区进行长时预测时，机器学习模型具备较高的准确性。根据现有文献记载，在针对以星期为时间跨度的预测案例中，机器学习模型的预测准确度能达到百分之93.6。而在乡村旅游场景下，因为大部
分游客都需要经过这些交通枢纽前往乡村旅游景区，故其数据值具备代表性，乡村旅游景区的历史流量记录可以通过各交通枢纽进行采集，其预测结果准确度也有所保障。但是在小尺度范围下，机器学习模型的预测准确度变会大大降低，特别是针对乡村旅游景点的客流量预测场景；由于乡村旅游景点区域范围小，客流量变化非线性程度强，需在较短时间尺度进行预测、各乡村旅游景点多为半开放或者全开放，难以找到与历史客流量数据呈对应关系的数据进行模型训练，故现有的基于机器学习模型的预测方式不适用于对乡村旅游景点的客流量预测，故本实施例针对这种情况，提出一种基于短时数据的景点客流量估算步骤对客流量进行估算。
88.具体的，景区客流量预测步骤：
89.s1.1采集各乡村旅游景区的历史相关大数据和历史客流量大数据；
90.s1.2通过人工智能算法建立客流量预测训练模型；
91.s1.3将历史相关大数据作为训练输入集，历史客流量大数据作为目标输出集；输入到客流量预测训练模型进行正向/反向训练，得到流量预测模型；
92.s1.4重复训练，并将满足预测精度要求的流量预测模型进行输出；
93.s1.5实时采集各乡村旅游景区的实时相关大数据；
94.s1.6将实时相关大数据输入流量预测模型，对客流量进行模型预测，得到景区客流量预测数据。
95.具体的，景点客流量估算步骤：
96.s2.1在乡村旅游景点区域内分布设置若干监测节点，监测节点用于监测范围内的移动设备的设备数量和移动轨迹；
97.s2.2通过监测节点持续采集设备数量和移动轨迹，得到常驻设备数量，其中，通过移动轨迹判断移动设备在乡村旅游景点内停留时间，若停留时间超过判断阈值，则认为是常驻设备；
98.s2.3通过监测节点实时采集，得到实时设备数据；
99.s2.4通过实时设备数据减去常驻设备数量，得到游客设备数量；
100.s2.5通过游客设备数量乘以人/机比例系数λ，得到景点客流量估算数据；其中，人/机比例系数λ为先验值。
101.需要说明的是：本实施例提出一种基于短时数据的景点客流量估算步骤对客流量进行估算。短时数据通过监测节点进行采集，而监测节点可以通过现有的基站节点或者路由节点的基础上进行部署，没有硬件部署成本。此外，短时数据更具备实时性，在客流量变化非线性程度强的情况下，能提供较为准确的估算结果。移动设备可由手机、平板等进行部署；手机需要连接基站节点才能正常使用，而平板需要连接路由节点才能正常使用，故能对各设备进行全面覆盖；现阶段移动设备普及率高，基本是人手一部手机，而客流量又与移动设备呈正比，故可以通过测算乡村旅游景点区域内的移动设备数量，再通过人/机比例系数λ(即人口数与移动设备数量的比值，其值可以通过国家发布的统计报告获取，也可以根据不同地区进行自行采样调查得到)测得区域内人口数，这种方法不需要添加任何硬件设备，仅通过现有的基站和路由节点便能执行，其成本极低。此外，这种方法能较为准确地获得小范围的客流量信息，且短时数据准确度高，从而提高小范围，短时预测的准确度。
102.作为更进一步的解决方案，历史相关大数据与实时相关大数据均为乡村旅游相关
大数据，乡村旅游相关大数据包括气候数据、时节假日数据和相关事件数据；其中，气候数据通过气候舒适指数进行表示，时节假日数据以状态项进行标注，相关事件数据通过各事件的影响因子进行表示，影响因子通过事件的热力度*相关度得到影响因子数值。
103.作为更进一步的解决方案，客流量预测训练模型为复合加权预测训练模型，包括基础客流量预测模型、气候客流量预测模型、假期客流量预测模型、相关事件客流量预测模型和复合加权器。
104.具体的，基础客流量预测模型用于预测景区基础客流量值bp，通过将历史同日客流量、前日客流量和当日早八点客流量作为训练输入集，当日客流量和次日客流量作为目标输出集，对客流量预测训练模型进行训练，得到基础客流量预测模型。
105.具体的，气候客流量预测模型用于预测景区气候-客流量影响值vp，通过将历史同日客流量和历史同日气候舒适指数作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到气候客流量预测模型。
106.具体的，假期客流量预测模型用于预测假期-客流量的影响值dp，通过将历史同日客流量和历史假期客流量、历史非假期客流量和当日假期作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到假期客流量预测模型。
107.具体的，相关事件客流量预测模型用于预测相关事件-客流量的影响值tp，历史影响因子、历史客流量和当日影响因子数值作为训练输入集，当日客流量作为目标输出集，对客流量预测训练模型进行训练，得到相关事件客流量预测模型。
108.具体的，复合加权器将得到的景区基础客流量值bp、气候-客流量影响值vp、假期-客流量的影响值dp和相关事件-客流量的影响值tp，按照预设权重进行加权相加，得到复合加权客流量预测值。
109.需要说明的是：由于影响乡村景区客流量的因素众多，故本实施例采用了复合加权预测训练模型，并通过气候数据、时节假日数据和相关事件数据对基础客流量预测模型、气候客流量预测模型、假期客流量预测模型、相关事件客流量预测模型进行训练，最后通过复合加权器得到复合加权客流量预测值。这种方式相较于传统的“端到端”的预测模型，更具备可理解性和预测准确性。其中，影响因子可以通过事件的热力度*相关度得到影响因子数值，即，我们可以通过网络数据爬取与景区相关的事件数据，通过其相关度和事件本身的热度计算出影响因子数值，如，某一地区疫情的严重程度会影响相关地区的客流量，我们就能通过该地区的疫情严重程度乘以该地区与景区相关度来得到影响因子数值。
110.作为更进一步的解决方案，监测节点通过通信基站和/或通信路由进行部署；监测节点通过基站信令和/或wlan信令对移动设备进行设备监测，设备监测信息包括唯一匿名id、到站时间、离站时间和唯一监测节点id。
111.需要说明的是：信令是指在无线通信系统中，除了传输用户信息之外，为使全网有轶序地工作，用来保证正常通信所需要的控制信号。在采集的手机信令数据内，各用户具备唯一的身份识别id，经纬度维数为手机基站的所在位置，当用户手机达到基站服务范围内基站自动生成时间戳，并记录用户手机在该基站范围内停留时间。本实施例通过基站信令和/或wlan信令对移动设备进行设备监测，而信令是无线通信系统中本身就存在的，故不会增加任何网络负担，通过唯一匿名id保证数据的安全性。
112.作为更进一步的解决方案，通过如下步骤得到移动设备的移动轨迹：
113.s3.1将乡村旅游景点以中心区域为原点，并从内向外通过闭合区域线划分为k阶，得到k阶识别域划分地图；
114.s3.2将同阶识别域按照监测节点监测范围划分为n个监测区块，得到网状监测地图；
115.s3.3各监测节点记录各移动设备的设备监测信息；
116.s3.4定时遍历所有节点记录的设备监测信息，按照唯一匿名id进行追溯；
117.s3.5将追溯到的设备监测信息按照到站时间与离站时间进行时序排列，得到时间切换序列(t1，t2，...tn)，其中，n表示追溯到的节点记录数，tn表示n号记录的到站时间与离站时间值；
118.s3.6将时间切换序列替换为唯一监测节点id，得到节点切换序列(s
t1
，s
t2
，...s
tn
)，其中，s
tn
表示tn时刻移动设备所连接的监测节点；
119.s3.7将节点切换序列按照监测节点对应监测区块，映射到网状监测地图上，得到n个坐标点所组成的移动轨迹，其中，移动轨迹通过节点切换序列各节点坐标进行表示。
120.需要说明的是：如图3所示的网状监测地图示意图，在该示意图中，乡村旅游景点以中心区域为原点，并从内向外通过闭合区域线划分为4阶；同阶识别域按照监测节点监测范围划分为6个监测区块(各阶监测区块数可以不同，本实施例各阶监测区块都为6)；每一个监测区块中至少部署有一个监测节点；这样我们就能通过各监测节点的设备监测信息描绘出移动设备的移动轨迹、走向和移动速度(这里的轨迹为模糊轨迹，可以保证个人数据的安全性)。例如：移动设备a的节点切换序列为(a4，a3,a2，a1)，则说明移动设备a的轨迹为从a4区域出发，并通过a3,a2区域，前往a1区域。
121.作为更进一步的解决方案，还通过景点客流量预测步骤对乡村旅游景点进行客流量预测：
122.s4.1获取各移动设备的移动轨迹；
123.s4.2将移动轨迹替换为阶层轨迹序列(k
t1
，k
t2
，...k
tn
)，其中，k
tn
表示tn时刻移动设备所在的阶层；
124.s4.3通过公式：计算趋势阶层轨迹序列的净阶层变化值δk；
125.s4.4通过公式：计算净阶层变化速率kv；其中，ti表示i号记录的到站时间与离站时间值；
126.s4.5设置预测时间t0；
127.s4.6通过公式：kf＝k
tn-(t0*kv),计算t0时刻后，移动设备的所处阶层预测值kf，其中，k
tn
为末尾时刻移动设备所处阶层；(t0*kv)为t0时间段阶层变化预测值；
128.s4.7计算各移动设备的所处阶层预测值kf，并设定景点识别阶层kt；
129.s4.8判断t0时刻后，各移动设备是否在乡村旅游景点内：若移动设备的所处阶层预测值kf不大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点内；若移动设备的所处阶层预测值kf大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点外；
130.s4.9统计t0时刻处在乡村旅游景点内的t0时刻移动设备总数；
131.s4.10通过t0时刻移动设备总数减去常驻设备数量，得到t0时刻游客设备数量；
132.s4.11通过t0时刻游客设备数量乘以人/机比例系数λ，得到t0时刻景点客流量预测值。
133.需要说明的是：由于现有游客可能在t0时刻后离开景点；也有可能部分游客会在t0时刻后到达景点，故我们需要对游客移动轨迹进行推算，进而判断t0时刻后景点内游客数量；移动轨迹的判断可以通过历史轨迹偏向来进行预测，本实施例是通过阶层轨迹序列的净阶层变化值δk来进行的；若净阶层变化值δk为正值，则移动轨迹视为进入状态；若净阶层变化值δk为负值，则移动轨迹视为离开状态；若净阶层变化值δk为0，则移动轨迹视为驻留状态；公式kf＝k
tn-(t0*kv),则是为了估算，在预测时间t0时，各移动设备的所处位置；景点识别阶层kt则是为了划定景点的区域范围，例如k1与k2范围内可以视为景点的区域范围内，则k3与k4为景点的区域范围外，在预测时间t0时，移动设备的所处位置不大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点内；若移动设备的所处阶层预测值kf大于景点识别阶层kt，则认为移动设备在t0时刻处在乡村旅游景点外。
134.如图2所示，一种针对乡村旅游的货物调度系统，运用于如上述任一项的一种针对乡村旅游的客流量预测方法，包括物流枢纽站、景区仓储站和景点配货站；景点配货站通过景点客流量估算步骤对景点客流量进行短时预测，根据景区客流量预测数据计算所需货物量，并向对应景区仓储站发送配货需求；景区仓储站根据景区客流量预测步骤对景区客流量进行长时预测，根据景点客流量预测数据计算所需货物量，并向物流枢纽站发送配货需求；物流枢纽站用于集中存储货物，并能向各景区仓储站进行货物调度。
135.需要说明的是：我们预测客流量是为了更好地指导我们进行货物调度，进而保障乡村旅游的服务质量，推动乡村旅游高质量发展，故本实施例通过物流枢纽站、景区仓储站和景点配货站来对货物进行分配调度。
136.作为更进一步的解决方案，景点配货站通过如下步骤确定建站位置：
137.a1通过监测节点监测各移动设备的移动轨迹；
138.a2计算各移动轨迹中节点切换序列各监测节点出现次数；
139.a3选出出现次数最高的监测节点；
140.a4将出现次数最高的监测节点所在的监测区块作为配货站建站区域；
141.a5在配货站建站区域内进行站点建立。
142.需要说明的是：我们希望景点配货站能建立在人流量最密集的地方，这样能最大程度辐射到更多游客，故本实施例结合各移动设备的移动轨迹；选出各移动轨迹中节点切换序列各监测节点出现次数；将出现次数最高的监测节点所在的监测区块作为配货站建站区域，并在配货站建站区域内进行站点建立。
143.作为更进一步的解决方案，景区仓储站通过如下步骤确定建站位置：
144.b1获取gis路网地图；
145.b2获取乡村旅游景区各景点客流量估算数据vt；
146.b3获取乡村旅游景区各景点坐标si(xi,yi)；
147.b4通过公式计算理论建站点坐标(x,y)，其中，x与y的取值为p取值最小时的值，i表示各景点的编号，n表示乡村
旅游景区的景点数，表示各景点的权重占比。
148.b5将理论建站点映射到gis路网地图上；
149.b6找到道路与理论建站点的距离最近点，作为最近建站点；
150.b7以最近建站点为中心，设定检索区域；
151.b8在检索区域内的道路沿途选取n个检索点tj；
152.b9通过公式选出最优建站点，其中，j表示检索点的编号；si表示乡村旅游景区各景点；表示j号检索点到各景点的道路距离总和；select min(*)为最小值选择函数。
153.b10在最优建站点进行仓储站建立。
154.需要说明的是：如图4所示，我们通过将各景点的客流量作为权重值，并构造基于权重的中心偏移公式来选择理论上最适合建站的站点，但是由于站点还需要靠近路网，则本实施还结合gis路网地图，将理论建站点映射到gis路网地图上；找到道路与理论建站点的距离最近点，作为最近建站点；但是由于路网还存在道路节点、道路蜿蜒等因素影响实际里程数，故本实施例以最近建站点为中心，设定检索区域；检索区域内实际里程最近的点作为最优建站点，从而实现快速调度货物，减少调度里程的目的。
155.作为更进一步的解决方案，物流枢纽站通过如下步骤确定建站位置：
156.c1获取gis路网地图；
157.c2获取乡村旅游景区各景区客流量估算数据vt1；
158.c3获取各景区仓储站的坐标s1i(x1i,y1i)；
159.c4通过公式计算理论枢纽建站点坐标(x1,y1)，其中，x1与y1的取值为p取值最小时的值，i表示各景区仓储站的编号，n表示景区仓储站的站点数，表示各景点的权重占比。
160.c5将理论枢纽建站点映射到gis路网地图上；
161.c6找到道路与理论枢纽建站点的距离最近点，作为最近枢纽建站点；
162.c7以最近枢纽建站点为中心，设定检索区域；
163.c8在检索区域内的道路沿途选取n个检索点t1j；
164.c9通过公式选出最优枢纽建站点，其中，j表示检索点的编号；si表示各景区仓储站；表示j号检索点到各景区仓储站的道路距离总和；select min(*)为最小值选择函数。
165.c10在最优枢纽建站点进行物流枢纽站建立。
166.需要说明的是：物流枢纽站的建立采用和景区仓储站相同的步骤，只是公式参数做了适应性调整。
167.以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。