基于RBF神经网络的景区人流密度预测方法研究

韩娟，潘文佳

（西安职业技术学院，陕西 西安 710077）

旅游业的高速发展造成了人流的过度聚集，产生了一定的安全隐患。因此，各个景区均需准确地监控人流密度的变化，合理调度、引导人流流向，提升游客的旅游体验[1-5]。景区人流密度的预测本质是一个时间序列处理问题，将不同时刻的人流数值以时间维度划分先后并进行排列，即可生成时间序列。在数学上，为了准确描绘时间序列的变化趋势，通常需要引入随机过程理论和相关的统计学方法，从而找到历史数据的变化规律，预测序列的变化。因此，对于时间序列的处理既需要准确把控其历史变化规律，也需要根据这一规律选择合适的预测方法。传统的时间序列处理方法有自回归移动平均模型（ARIMA）和灰度理论模型（GM）。文中将这些方法进行集成，同时利用该方法的残差进行径向基函数（RBF）网络训练，优化了人流密度的预测精度[6-8]。

1 模型设计

1.1 RBF神经网络

近年来，人工神经网络成为了机器学习领域内最常用的算法之一。人工神经网络由互相连接的神经元组成，每个神经元接收上一层神经元发送的信息，并通过非线性变换传送收到的信息，神经网络可以通过训练逼近复杂的映射关系，在模式识别、函数逼近、分类预测上具有广泛的应用[9-14]。

径向基函数（Radial Basis Function,RBF）神经网络是一种特殊的网络结构，其借助RBF进行神经元信息处理，对于非连续的非线性变化具有更优的逼近效果。RBF神经网络的结构如图1所示。……