DOI: https://doi.org/10.1038/s41598-025-02348-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40410234
تاريخ النشر: 2025-05-23
المؤلف: Maomao Luo وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا للتنبؤ بتدفق السياح في المواقع السياحية، مع التأكيد على أهمية التوقعات الدقيقة للإدارة الفعالة والتنمية المستدامة. تدمج المنهجية المقترحة تحليل النمط المتغير (VMD) مع انتروبيا الترتيب الموزون متعددة المقاييس (MWPE) لمعالجة بيانات تدفق الركاب التاريخية، والتي يتم استخدامها بعد ذلك في نموذج CNN-BiLSTM-Attention. أظهر هذا النموذج، الذي تم تحسينه من خلال خوارزمية جينية، أداءً تنبؤيًا متفوقًا مقارنة بالنماذج المرجعية مثل XGBoost وLSTM، محققًا تقليلاً أدنى بنسبة 7.46% في متوسط نسبة الخطأ المطلق (MAPE)، وانخفاضًا بنسبة 7.2% في خطأ الجذر التربيعي المنحاز (BRMSE)، وتحسينًا بنسبة 1.74% في معامل التحديد ($R^2$).
تؤكد النتائج على فعالية طريقة تحليل VMD-MWPE في تعزيز دقة التنبؤ، لا سيما في سياق الطبيعة المتقلبة وغير الثابتة لبيانات تدفق السياح. كما تسلط الدراسة الضوء على قيود النماذج التقليدية ومزايا نموذج CNN-BiLSTM-Att، الذي لا يتفوق فقط في التنبؤ بتدفق الركاب ولكن أيضًا يحمل تطبيقات محتملة في تدفق المرور، وتوقعات الطقس، وتوقعات تحميل الطاقة. تشمل اتجاهات البحث المستقبلية استكشاف تأثير التركيبة السكانية للسياح على أنماط التدفق والتحقق من صحة النموذج التنبؤي عبر مواقع سياحية متنوعة لتعزيز قابليته للتعميم وقوته.
طرق
في هذه الدراسة، تم تقييم نموذج هجين CNN-BiLSTM-Attention، المعزز بطريقة VMD-MWPE، للتنبؤ بتدفق السياح في منطقة لوشان السياحية، الصين، باستخدام مجموعة بيانات تتكون من 588 إدخالًا تم جمعها من 1 يناير 2023 إلى 10 أغسطس 2024. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%)، والتحقق (15%)، والاختبار (15%)، مع اتخاذ خطوات المعالجة المسبقة للتخفيف من الإفراط في التكيف وضمان جودة البيانات من خلال معالجة القيم المفقودة والشواذ. تم مقارنة أداء طريقة VMD-MWPE مع تقنيات التحليل التقليدية مثل تحويل الموجات (WT)، وتحليل النمط التجريبي (EMD)، وتحليل النمط التجريبي الجماعي (EEMD)، مما أظهر دقة تنبؤ متفوقة كما يتضح من انخفاض متوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE)، وخطأ المربع المنحاز المخفض (BRMSE)، إلى جانب معامل تحديد أعلى ($R^2$).
تم تقييم نموذج CNN-BiLSTM-Attention أيضًا مقابل خوارزميات مختلفة، بما في ذلك ARIMA، SVM، شجرة القرار، الغابة العشوائية، الشبكة العصبية العميقة، وغيرها. كشفت النتائج أن النموذج المقترح تفوق على جميع المنافسين، مع تميزه بشكل خاص في التنبؤات طويلة الأجل. على سبيل المثال، حقق MAPE بنسبة 2.73% و$R^2$ بقيمة 0.988 للتنبؤات لمدة 3 أيام، وحافظ على ميزة أداء كبيرة على نموذج CNN-BiLSTM الأساسي، مما أظهر تخفيضات في MAPE وBRMSE عبر جميع آفاق التنبؤ. بالإضافة إلى ذلك، كانت توقعات النموذج متوافقة بشكل وثيق مع بيانات تدفق السياح الفعلية، مما يوفر رؤى قيمة لتخصيص الموارد والإدارة خلال مواسم السفر الذروة. كما قدمت الدراسة توقعات فترية لمعالجة عدم اليقين في التنبؤات، مما أنشأ حدود ثقة تعزز من قوة الطريقة المقترحة.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم للتنبؤ الدقيق بتدفق الركاب في صناعة السياحة، لا سيما للإدارة الفعالة وتخصيص الموارد في المناطق السياحية. تقتصر الطرق الإحصائية التقليدية، مثل نموذج المتوسط المتحرك التكاملي الذاتي (ARIMA)، على قدرتها على التعامل مع الخصائص غير الخطية وغير الثابتة لبيانات السياحة. بالمقابل، أظهرت نماذج التعلم العميق، بما في ذلك آلات الدعم الناقل (SVM) والشبكات العصبية العميقة (DNN)، أداءً متفوقًا في التقاط الأنماط المعقدة في بيانات تدفق الركاب. ومع ذلك، تواجه هذه النماذج أيضًا تحديات، مثل حساسية SVMs للضوضاء وقيود DNNs في نمذجة الاعتماديات طويلة الأجل.
لمعالجة هذه القضايا، تقترح الورقة نموذجًا جديدًا مشتركًا، وهو CNN-BiLSTM-Attention، الذي يدمج تحليل النمط المتغير (VMD) وانتروبيا الترتيب الموزون متعددة المقاييس (MWPE) لمعالجة بيانات تدفق السياح. يقلل هذا النهج بشكل فعال من التقلب وعدم الثبات بينما يعزز دقة التنبؤ من خلال وزن العوامل المؤثرة ديناميكيًا عبر آلية الانتباه. تسلط الدراسة الضوء على أهمية النماذج الهجينة التي تستفيد من نقاط القوة في منهجيات مختلفة، مما يساهم في تحسين الأداء التنبؤي في توقع تدفق السياحة. لا يعالج النموذج المقترح الفجوات المنهجية الحالية فحسب، بل يوفر أيضًا إطارًا جديدًا للبحث المستقبلي في هذا المجال.
DOI: https://doi.org/10.1038/s41598-025-02348-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40410234
Publication Date: 2025-05-23
Author(s): Maomao Luo et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research paper presents a novel approach for predicting tourist flow at scenic spots, emphasizing the importance of accurate forecasts for effective management and sustainable development. The proposed methodology integrates variational modal decomposition (VMD) with multiscale weighted permutation entropy (MWPE) to preprocess historical passenger flow data, which is then utilized in a CNN-BiLSTM-Attention model. This model, optimized through a genetic algorithm, demonstrated superior predictive performance compared to benchmark models such as XGBoost and LSTM, achieving a minimum 7.46% reduction in mean absolute percentage error (MAPE), a 7.2% decrease in bias root mean square error (BRMSE), and a 1.74% improvement in the coefficient of determination ($R^2$).
The findings underscore the effectiveness of the VMD-MWPE decomposition method in enhancing prediction accuracy, particularly in the context of the fluctuating and non-stationary nature of tourist flow data. The study also highlights the limitations of traditional models and the advantages of the CNN-BiLSTM-Att model, which not only excels in passenger flow prediction but also holds potential applications in traffic flow, weather forecasting, and energy load predictions. Future research directions include exploring the influence of tourist demographics on flow patterns and validating the predictive model across diverse scenic locations to enhance its generalizability and robustness.
Methods
In this study, a hybrid CNN-BiLSTM-Attention model, enhanced by the VMD-MWPE method, was evaluated for predicting tourist flow in the Lushan Scenic Area, China, using a dataset of 588 entries collected from January 1, 2023, to August 10, 2024. The dataset was divided into training (70%), validation (15%), and test (15%) sets, with preprocessing steps taken to mitigate overfitting and ensure data quality by addressing missing values and anomalies. The performance of the VMD-MWPE method was compared to traditional decomposition techniques such as wavelet transform (WT), empirical mode decomposition (EMD), and ensemble empirical mode decomposition (EEMD), demonstrating superior prediction accuracy as indicated by lower Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Bias-Reduced Mean Squared Error (BRMSE), alongside a higher coefficient of determination ($R^2$).
The CNN-BiLSTM-Attention model was further benchmarked against various algorithms, including ARIMA, SVM, Decision Tree, Random Forest, Deep Neural Network, and others. The results revealed that the proposed model outperformed all competitors, particularly excelling in long-term forecasting. For instance, it achieved a MAPE of 2.73% and an $R^2$ of 0.988 for 3-day predictions, and maintained a significant performance advantage over the baseline CNN-BiLSTM model, demonstrating reductions in MAPE and BRMSE across all forecasting horizons. Additionally, the model’s predictions closely aligned with actual tourist flow data, providing valuable insights for resource allocation and management during peak travel seasons. The study also introduced interval forecasting to address uncertainties in predictions, establishing confidence bounds that further validate the robustness of the proposed method.
Discussion
The discussion section of the research paper emphasizes the critical role of accurate passenger flow prediction in the tourism industry, particularly for effective management and resource allocation at scenic areas. Traditional statistical methods, such as the autoregressive integrated moving average (ARIMA) model, are limited in their ability to handle the nonlinear and non-stationary characteristics of tourism data. In contrast, deep learning models, including support vector machines (SVM) and deep neural networks (DNN), have shown superior performance in capturing complex patterns in passenger flow data. However, even these models face challenges, such as the sensitivity of SVMs to noise and the limitations of DNNs in modeling long-term dependencies.
To address these issues, the paper proposes a novel combined model, the CNN-BiLSTM-Attention, which integrates variational modal decomposition (VMD) and multi-scale weighted permutation entropy (MWPE) for preprocessing tourist flow data. This approach effectively reduces volatility and non-stationarity while enhancing prediction accuracy by dynamically weighting influential factors through an attention mechanism. The study highlights the importance of hybrid models that leverage the strengths of different methodologies, ultimately contributing to improved predictive performance in tourism flow forecasting. The proposed model not only addresses existing methodological gaps but also provides a new framework for future research in this domain.