Youth游樂園客流疏導(dǎo)方案

17Youth游樂園客流疏導(dǎo)方案摘要本文主要研究了游樂園客流疏導(dǎo)方案問題，通過建立TSP模型、分區(qū)域疏導(dǎo)游客模型，及時(shí)為顧客提供游園線路引導(dǎo)；再通過時(shí)間序列分析，在多因素影響情況下對皇冠假日酒店房間預(yù)訂量進(jìn)行預(yù)測。針對問題1，首先通過游客到達(dá)游樂場的時(shí)間間隔，建立服從泊松分布的人流到達(dá)模型，將游樂場的游客量情況分為高峰期、中低峰期兩種狀態(tài)。然后分別建立TSP模型和M/M/s/K模型，并將這兩個(gè)模型作為游樂園游客疏導(dǎo)模型。該模型中我們主要考慮的是游客排隊(duì)等待時(shí)間和游玩項(xiàng)目的數(shù)量。針對問題2，本文通過對數(shù)據(jù)的挖掘處理及對影響房間預(yù)訂量的因素分類，建立時(shí)間數(shù)列預(yù)測模型。并運(yùn)用二次指數(shù)平滑法對下一時(shí)期的房間預(yù)訂量進(jìn)行預(yù)測。最終利用差分公式A=xt-yt，做出差分分析誤差條狀圖，驗(yàn)證出時(shí)間序列預(yù)測模型的預(yù)測結(jié)果較為符合實(shí)際情況。最后，對模型進(jìn)行了評價(jià)分析與優(yōu)化，并提出改進(jìn)的方向。關(guān)鍵字：最優(yōu)路徑區(qū)域分塊時(shí)間序列預(yù)測M/M/s/K模型一、問題重述問題背景Youth游樂園即將盛大開園，作為本市建有最多過山車的游樂園，受到了青少年的熱捧。預(yù)計(jì)屆時(shí)園區(qū)將迎來每天1萬的大客流。如何根據(jù)客流情況，及時(shí)分流人群，為顧客提供游園線路引導(dǎo)，保障游客的游園體驗(yàn)顯得尤為重要。問題提出（1）附件1為Youth樂園的規(guī)劃圖，共設(shè)A-J共10個(gè)項(xiàng)目點(diǎn)，游客可沿著圖中標(biāo)出的線路往返下個(gè)游樂項(xiàng)目。在保障每位游客體驗(yàn)游樂設(shè)施的前提下，建立對每個(gè)游樂項(xiàng)目的等候游客進(jìn)行游覽提醒和疏導(dǎo)的模型，以達(dá)到游園體驗(yàn)最優(yōu)。（2）皇冠假日酒店是游樂園內(nèi)的酒店，目前已開業(yè)，為有需要的游客提供住宿便利。請根據(jù)該酒店歷史預(yù)訂數(shù)據(jù)信息,綜合考慮影響房間預(yù)定量的主要因素（比如季節(jié),工作日/周末,法定假日,暑期等）建立數(shù)學(xué)模型。并根據(jù)酒店2015年全年預(yù)定數(shù)據(jù)（附件2）,預(yù)測2016年1月至3月每天預(yù)定房間數(shù).二、模型假設(shè)1、假設(shè)游客到達(dá)游樂場的時(shí)間間隔服從泊松分布；2、假設(shè)每個(gè)游客在園內(nèi)，樂意接受建議并配合相關(guān)的疏導(dǎo)工作；3、假設(shè)每個(gè)游客對每個(gè)游樂項(xiàng)目至多體驗(yàn)一次，且在體驗(yàn)完所有項(xiàng)目后一定會選擇離開游樂園；4、假設(shè)不考慮游樂園內(nèi)意外情況，如下大雨、設(shè)備故障等。5、假設(shè)皇冠假日酒店是2015年1月才開業(yè)的，前三個(gè)月房間預(yù)訂量相對很低是因?yàn)榫频曛葐栴}。三、問題一問題分析本問要求，在保障每位游客盡量多體驗(yàn)游樂設(shè)施的前提下，建立對每個(gè)游樂項(xiàng)目的等候游客進(jìn)行游覽提醒和疏導(dǎo)的模型，以達(dá)到游園體驗(yàn)最優(yōu)。主要從時(shí)間方面考慮，通過建立相關(guān)模型，得出相對用時(shí)最短的路徑，從而達(dá)到游客游園體驗(yàn)最優(yōu)的目的。根據(jù)到游客達(dá)游樂場的時(shí)間間隔服從泊松分布，分成兩種情況：第一種情況，中、低峰期（即10個(gè)游樂項(xiàng)目的游客數(shù)量都沒有超過或剛好等于每場容納游客數(shù)）。在中、低峰期無論游客去哪兒都不用因?yàn)榕抨?duì)浪費(fèi)時(shí)間。這種情況下游客只需要走一條最短的路徑，就可以達(dá)到游客游園體驗(yàn)最優(yōu)（在不浪費(fèi)時(shí)間的情況下體驗(yàn)完所有項(xiàng)目）的目的。因此，將此情況下的游園體驗(yàn)最優(yōu)問題轉(zhuǎn)化為TSP經(jīng)典旅行商問題，再通過建立TSP模型可以求得這條最優(yōu)路徑。第二種情況，高峰期（10個(gè)游樂項(xiàng)目的游客數(shù)量都超過每場容納游客數(shù)且有一定數(shù)量的游客排隊(duì)等候），此時(shí)在每一個(gè)游樂項(xiàng)目排隊(duì)等待的游客都有兩個(gè)選擇：①繼續(xù)排隊(duì)等候；②去別的游樂項(xiàng)目。通過建立游客疏導(dǎo)模型，來給游客提供建議，從而保證游客游園體驗(yàn)最優(yōu)的目的。游髀進(jìn)入游樂園的排隊(duì)過程服從泊松分布［茁，艮分布列函數(shù)為：瓦屮久為單位吋間內(nèi)顧客流入屋的期望值。假設(shè)該游樂園開放吋間為，9:00-21:00,--天中游客容納量為10000人,則有七A=JOWO_=13112x603.2建立TSP模型［i］TSP模型是游客從單一起點(diǎn)出發(fā)，游玩所有的游樂項(xiàng)目之后，再回到原點(diǎn)，求解通過的最短路徑。中、低峰期（在10個(gè)游樂項(xiàng)目的游客數(shù)量都沒有超過或剛好等于每場容納游客數(shù)時(shí)），游客可以按照TSP模型求得的這條路徑到達(dá)每一個(gè)游樂項(xiàng)目，已達(dá)到游園體驗(yàn)最優(yōu)（以最短的時(shí)間，最少的路程）。游客到達(dá)過山車這一類項(xiàng)目，即使不用排隊(duì)，如果到達(dá)的時(shí)間合適也需要等到下一場。結(jié)合附件1以及題目給出的表1.每個(gè)游樂項(xiàng)目的時(shí)間安排分析可知，游客遇到過山車一類項(xiàng)目的等待時(shí)間均比在路上（最短的距離為250米，按照4000米/每小時(shí)計(jì)算，至少需要3.85分鐘）所用的時(shí)間短，所以不考慮因?yàn)榈却淖兟窂降膯栴}。假設(shè)A項(xiàng)目如果未達(dá)到最多容納人數(shù)，隨時(shí)去都可以玩。設(shè)游樂項(xiàng)目數(shù)量為n（n二10），兩項(xiàng)目之間的距離為d，x二0或1（1表ijij示有玩過項(xiàng)目i到j(luò)的路，0表示沒有選擇走這條路）。則當(dāng)滿足：每個(gè)項(xiàng)目選擇當(dāng)前最短一條路出去，即Yx=1,i=1,2nijj=1每個(gè)項(xiàng)目選擇當(dāng)前最短一條路進(jìn)去，即：n工x=1,j=1,2ni=1注：除起點(diǎn)和中點(diǎn)外，各項(xiàng)目點(diǎn)不構(gòu)成圈，即：工<|S-1,2<|S<n-1,suh,2,n}s為￡,2,n}的真子集i,jes且：xe{o,l},i,j=1,2，n，i豐jij則有最短路徑：ijminYdxijijTSP模型的求解i豐j利用lingo（相應(yīng)的程序見附錄1）對以下各式進(jìn)行求解:minYdxijiji豐jx—1,i—1,2nijj—1刀x—1,j—1,2nijn},s為{1,2,n摘真子集<|s|-1,2<|s|<n},s為{1,2,n摘真子集i,jesr[xg{0,1J,i,j—1,2,n,i豐jijTSP模型的結(jié)果分析以項(xiàng)目A為起點(diǎn)，得到最短路程為4350m，路徑為：ATJTITHTGTFTDTCTBTETA因?yàn)槌鋈肟诰嚯x與A相距300m，所以最終最短路為4950m，路徑為：出入口TATJTITHTGTFTCTBTETAT出入口如果忽略因?yàn)榈竭^山車一類項(xiàng)目因等待浪費(fèi)的時(shí)間，從進(jìn)入游樂園到出游樂園，所需要的最短時(shí)間為：minT—4950+蘭t—2.1333（小時(shí)）4000j（其中，t為每個(gè)項(xiàng)目每場所持續(xù)的時(shí)間）。i故為顧客提供游園線路為出入口TATJTITHTGTFTCTBTETAT出入口，以保障游客達(dá)到游園體驗(yàn)最優(yōu)。建立分區(qū)域疏導(dǎo)游客模型由于高峰期時(shí)，游客數(shù)量眾多，排隊(duì)時(shí)間過長會引起游客的不耐煩現(xiàn)象，對游樂園的經(jīng)營相當(dāng)不利。對此本題通過參考快速通道模型［2］從分散客流、縮減排隊(duì)時(shí)間、提高游客滿意度三個(gè)方面考慮，與M/M/s/K模型⑶結(jié)合，提出了一種分區(qū)域疏導(dǎo)游客的且有多項(xiàng)目可供游客游玩的混合制模型。在高峰期，將游樂園的工作人員分別安排在A、C、E、I、G五個(gè)點(diǎn)，當(dāng)游客到達(dá)該點(diǎn)時(shí)，游客可以根據(jù)工作人員提供的信息進(jìn)行區(qū)域選擇游玩，從而達(dá)到疏導(dǎo)游客的目的，這樣可以防止大量游客在某一項(xiàng)目大量聚集，可以減輕疏導(dǎo)的工作量，增加疏導(dǎo)效率，讓游客在游樂園內(nèi)的分布相對均勻。然后，將每個(gè)區(qū)域每個(gè)項(xiàng)目的相關(guān)數(shù)據(jù)帶入M/M/s/K模型進(jìn)行計(jì)算，得到游客的在相應(yīng)項(xiàng)目的等待時(shí)間的數(shù)據(jù)，根據(jù)得到的數(shù)據(jù)判斷游客在該項(xiàng)目是排隊(duì)等待，還是離開該項(xiàng)目去其他項(xiàng)目。3.3.1區(qū)域分塊游樂園是一個(gè)大的整體，為了提高疏散效率的目的，將游樂園分成聯(lián)系緊密的幾個(gè)較小的板塊。觀察附件1可以將游樂園分成緊密聯(lián)系的4個(gè)部分，具體的分布圖如圖1

3.3.2建立3.3.2建立M/M/s/K模型M/M/s/K模型是指顧客的相繼到達(dá)時(shí)間在較短一段時(shí)間內(nèi)服從泊松分布。九=嚴(yán),n=0,1,2n|0,n>Kn卩,0<n<ss卩,s<n<K其中，九：顧客的相繼到達(dá)時(shí)間服從參數(shù)的負(fù)指數(shù)分布；s:項(xiàng)目個(gè)數(shù)；卩：每個(gè)服務(wù)臺服務(wù)時(shí)間相互獨(dú)立的服從參數(shù)的負(fù)指數(shù)分布；K:系統(tǒng)的空間。PnPnpo,0<n<sn!n！Pnp0,s<n<K、s!sn-1其中p=]PnPsp=]PnPs(1—pK-s+1”Is0n！s!(1—p)丿n=0遲巴+匕(K—s+1js!丿-1,Ps豐1n！n=0-1,Ps=1一*一*(n-s)p-snn=0L=L

qn=0由于游樂園的空間是有限的，對于多個(gè)區(qū)域，顧客的有效到達(dá)率九=X(1—pK)e利用Little公式，得到LL1W=冇,W二寸=W-—sXqXsRee經(jīng)過對每個(gè)區(qū)域進(jìn)行合理的分析，得到表1中的參數(shù):

表1：各區(qū)域的參數(shù)表7、..、參數(shù)區(qū)域總?cè)菁{游客數(shù)持續(xù)時(shí)間SLamda.57041.5450010.375二58041.75450010.4375三26014.552002.9四1801042002.5M/M/s/K模型求解利用Lingo軟件（程序見附件2）對M/M/s/K模型求解進(jìn)行求解得到結(jié)果如表2表2：M/M/s/K模型求解結(jié)果一區(qū)二區(qū)三區(qū)四區(qū)P00.0P00.0P00.0P00.0PLOST0.9PLOST0.9PLOST1.0PLOST1.0LAMDAE41.8LAMDAE14.5LAMDA-E10.0LAMDAE10.0LS579.9LS259.9LS179.9LS179.9LQ575.9LQ254.9LQ175.9LQ175.9WS13.9WS17.9WS18.0WS18.0WQ13.8WQ17.6WQ17.6WQ17.6結(jié)果分析對求得的結(jié)果進(jìn)一步分析總結(jié)的到表3表3：結(jié)果參數(shù)分析總結(jié)表參數(shù)區(qū)域Pn（游客能排隊(duì)游玩該區(qū)項(xiàng)目的概率）Lq（該區(qū)域中平均排隊(duì)人數(shù)）Ws（在該區(qū)域中游客平均滯留的總時(shí)間）-一一0.917565.9013.73二0.9165575.9013.89三0.9257254.9017.92四0.95175.9017.90在高峰期時(shí)：一區(qū)，游客能排隊(duì)游玩該區(qū)項(xiàng)目的概率為0.92，平均排隊(duì)人數(shù)566，游客平均滯留（排隊(duì)時(shí)間加上玩項(xiàng)目的時(shí)間）的總時(shí)間為13.73min；二區(qū)，游客能排隊(duì)游玩該區(qū)項(xiàng)目的概率為0.92，平均排隊(duì)人數(shù)576，游客平均滯留（排隊(duì)時(shí)間加上玩項(xiàng)目的時(shí)間）的總時(shí)間為13.89min；三區(qū)，游客能排隊(duì)游玩該區(qū)項(xiàng)目的概率為0.93，平均排隊(duì)人數(shù)255，游客平均滯留（排隊(duì)時(shí)間加上玩項(xiàng)目的時(shí)間）的總時(shí)間為17.92min；四區(qū)，游客能排隊(duì)游玩該區(qū)項(xiàng)目的概率為0.95，平均排隊(duì)人數(shù)176，游客平均滯留（排隊(duì)時(shí)間加上玩項(xiàng)目的時(shí)間）的總時(shí)間為17.90min。游客在每個(gè)區(qū)域可排隊(duì)游玩的評價(jià)概率都在0.9以上，游客在每個(gè)區(qū)域滯留的時(shí)間相對較短。所以在分區(qū)域疏導(dǎo)之后，游客可以按順序游玩每個(gè)區(qū)域的項(xiàng)目，就可以減少排隊(duì)時(shí)間和因部分項(xiàng)目人員過多而多夸項(xiàng)目在路上浪費(fèi)的時(shí)間。在高峰期，該模型可以根據(jù)客流情況，及時(shí)分流人群，為顧客提供游園線路引導(dǎo)，保障游客的游園體驗(yàn)。因?yàn)橛慰驮诿總€(gè)區(qū)域中可以順利進(jìn)行，所以游客在每個(gè)區(qū)域內(nèi)玩項(xiàng)目的時(shí)候，游樂園的相關(guān)工作人員可以提升游客在到達(dá)一個(gè)新項(xiàng)目是進(jìn)行排隊(duì)等候。因此該模型可以對每個(gè)游樂項(xiàng)目的等候游客進(jìn)行游覽提醒和疏導(dǎo)。四、問題二問題分析本問要求根據(jù)皇冠假日酒店歷史預(yù)訂數(shù)據(jù)信息,綜合考慮影響房間預(yù)定量的主要因素（比如季節(jié),工作日/周末,法定假日,暑期等）建立數(shù)學(xué)模型。并根據(jù)酒店2015年全年預(yù)定數(shù)據(jù)（附件2）,預(yù)測2016年1月至3月每天預(yù)定房間數(shù)。首先作出了全年的散點(diǎn)圖，然后可以很清晰的觀測到2015年1月至3月每天的預(yù)定房間數(shù)幾乎趨于一個(gè)穩(wěn)定的變化趨勢，所以擬采用在一次指數(shù)平滑基礎(chǔ)上加以改進(jìn)的二次指數(shù)平滑時(shí)間序列來進(jìn)行預(yù)測，并且由于原始數(shù)據(jù)有90個(gè)并且真實(shí)可靠，故平滑法采用的初始值以第一天的數(shù)據(jù)。然后將一次指數(shù)平滑值、二次指數(shù)平滑值、預(yù)測值的結(jié)果作在一張excel工作表格中進(jìn)行對比，利用差分公式A=xt-yt，做出差分分析誤差條狀圖，進(jìn)而來判斷預(yù)測的效果。模型準(zhǔn)備stepl:對附件2中的數(shù)據(jù)，我們根據(jù)游客入住酒店的時(shí)間，按照月份為分類標(biāo)準(zhǔn)進(jìn)行處理，得到以下結(jié)果（如圖3）：（單位：間）年月份房間預(yù)訂量2015年1月142015年2月302015年3月5022015年4月45282015年5月46602015年6月50742015年7月45982015年8月47202015年9月47572015年10月48222015年11月48682015年12月43252016年1月320圖3step2：時(shí)間數(shù)列影響因素分析時(shí)間數(shù)列的影響因素主要有長期趨勢、季節(jié)變動、循環(huán)變動和不規(guī)則變動。長期趨勢是指受事物發(fā)展的根本因素制約而形成的事物在一段較長時(shí)期內(nèi)基本趨勢，可利用二次指數(shù)平滑法求解。[3]季節(jié)變動是受自然條件（氣候）、社會條件（節(jié)假日、風(fēng)俗）影響的。在影響房間預(yù)訂量的因素中，季節(jié)、工作日/周末、法定假日、暑假都屬于季節(jié)變動因素。循環(huán)變動具有周期長、規(guī)律性弱且不穩(wěn)定的特點(diǎn)，因此在建立模型時(shí)，我們對循環(huán)變動因素不予考慮。不規(guī)則變動受偶然因素和意外條件的影響，我們在進(jìn)行假設(shè)時(shí)不考慮其對房間預(yù)訂量的影響。因此，在進(jìn)行時(shí)間數(shù)列預(yù)測分析時(shí)，我們僅考慮長期趨勢和季節(jié)變動因素。Step3：利用matlab（程序見附件3）畫出全年每天預(yù)定房間數(shù)的趨勢圖，如圖2圖2：預(yù)定房間走勢圖可以清晰的觀測到2015年1月至3月每天的預(yù)定房間數(shù)幾乎趨于一個(gè)穩(wěn)定的變化趨勢。所以可以直接用時(shí)間序列預(yù)測模型結(jié)合前三個(gè)月的數(shù)據(jù)，對2016年前三個(gè)月每天的預(yù)訂房間數(shù)量進(jìn)行預(yù)測。4.3建立時(shí)間序列預(yù)測[4]模型時(shí)間序列預(yù)測是以時(shí)間數(shù)列所能反映的社會經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和規(guī)律性，進(jìn)行引伸外推，預(yù)測其發(fā)展趨勢的方法。從預(yù)定房間走勢圖來看2015年1月至3月每天的預(yù)定房間數(shù)幾乎趨于一個(gè)穩(wěn)定的變化趨勢，所以擬采用在一次指數(shù)平滑基礎(chǔ)上加以改進(jìn)的二次指數(shù)平滑時(shí)間序列來進(jìn)行預(yù)測，并且由于原始數(shù)據(jù)有90個(gè)并且真實(shí)可靠，故平滑法采用的初始值以第一天的數(shù)據(jù)。模型求解與結(jié)果分析

利用matlab（程序見附錄4）進(jìn)行運(yùn)算求得2016年前三個(gè)月的預(yù)測值趨勢圖見圖3時(shí)『可-預(yù)訂房間數(shù)40no2040€030100距1月1曰的天數(shù)圖3：2016年前三個(gè)月的預(yù)測值趨勢圖預(yù)測的部分具體數(shù)據(jù)見表4，完整的數(shù)據(jù)見附錄5表4：2016年一月到三月理論上每天預(yù)定房間數(shù)量的預(yù)測表日期房間數(shù)日期房間數(shù)日期房間數(shù)日期房間數(shù)1-10.00001-241.34732-16-0.02533-93.66821-22.00001-251.07062-17-0.05353-106.04541-31.70001-260.83582-18-0.07583-117.46041-41.64001-270.63722-19-0.09313-126.45201-52.38501-280.47002-20-0.10623-136.18061-62.01461-290.32982-21-0.11583-145.13901-71.69441-300.21302-22-0.12243-154.44391-81.81811-310.11622-23-0.12653-167.04651-92.12022-10.03672-24-0.12853-178.05411-101.77362-20.17192-250.27113-188.09971-111.87522-30.08972-260.81213-199.32561-121.55872-40.22222-270.87213-208.55541-131.28672-50.13732-280.72213-219.28591-141.85362-60.26722-291.19333-229.89481-151.53422-70.17973-12.19313-2311.99911-161.66022-80.10713-22.84093-2417.37351-174.16562-90.44723-32.78733-2520.32311-183.49332-100.33823-42.73603-2621.79901-192.91392-110.24653-53.28713-2723.0165由于預(yù)定的房間數(shù)量為整數(shù)，但是在預(yù)測中出現(xiàn)了小數(shù)，所以需要對數(shù)據(jù)進(jìn)行處理。原則上只有有0.001個(gè)房間也要寫為一個(gè)房間，但是對于房間數(shù)量預(yù)測出的數(shù)值，一方面反映了預(yù)定房間的數(shù)量；另一方面反映了預(yù)定一個(gè)的概率。如

果預(yù)定房間的概率小于0.5則說明預(yù)定房間的可能性不大，所以對于該數(shù)據(jù)處理可以采用四舍五入法。2016年一月到三月實(shí)際上每天預(yù)定房間數(shù)量的預(yù)測如表5。表5：2016年一月到三月實(shí)際每天預(yù)定房間數(shù)量的預(yù)測表日期房間日期房間日期房間日期房間1-201-2512-1703-1041-321-2612-1803-1161-421-2712-1903-1271-521-2812-2003-1361-621-2902-2103-1461-721-3002-2203-1551-821-3102-2303-1641-922-102-2403-1771-1022-202-2503-1881-1122-302-2603-1981-1222-402-2713-2091-1322-502-2813-2191-1412-602-2913-2291-1522-703-113-23101-1622-803-223-24121-1722-903-333-25171-1842-1003-433-26201-1932-1103-533-27221-2032-1203-633-28231-2132-1303-753-29221-2222-1403-843-30211-2322-1503-943-31201-2422-160五、模型檢驗(yàn)問題二，時(shí)間序列預(yù)測模型的檢驗(yàn)：對問題二預(yù)測的結(jié)果進(jìn)行差分分析（matlab程序見附件4）具體的分析圖見圖4圖4：差分分析圖由差分分析誤差條狀圖可以知道，預(yù)測值和去年的實(shí)際值呈現(xiàn)一階差分趨勢，表明時(shí)間序列預(yù)測模型的預(yù)測結(jié)果是符合理想。六、模型評價(jià)與推廣模型優(yōu)點(diǎn)問題一，1、考慮了人流到達(dá)的不規(guī)律性，將人流到達(dá)假設(shè)為服從泊松分布，進(jìn)而考慮了低峰期和高峰期兩種情況下的疏導(dǎo)模型，低峰期為游客規(guī)劃了一條最短路徑；2、高峰期將游樂場合理的劃分為四個(gè)區(qū)域，進(jìn)行建議式的疏導(dǎo)，這樣既保證了為游客提供了最優(yōu)游覽方案，又讓游客擁有自主選擇權(quán)，互惠互利。問題二，1、簡單易行，便于掌握，能夠充分運(yùn)用原時(shí)間序列的各項(xiàng)數(shù)據(jù)；2、計(jì)算速度快，對模型參數(shù)有動態(tài)確定的能力，精度較好。模型缺點(diǎn)問題一，沒有考慮一些游客喜歡按照自己的方案游玩的特殊情況，讓該疏導(dǎo)模型出現(xiàn)擁堵的情況增加了一定的不確定性。問題二，不能反映事物的內(nèi)在聯(lián)系，不能分析兩個(gè)因素的相關(guān)關(guān)系，在處理問題時(shí)可能存在一定誤差。模型改進(jìn)問題一的方法相當(dāng)于在為游客提供建議方案，讓游客自由選擇游玩路徑，并不一定能達(dá)到我們預(yù)期想要的結(jié)果。因此需要尋求更優(yōu)的算法對模型進(jìn)行求解，例如：利用計(jì)算機(jī)仿真模擬等方法對模型進(jìn)行改進(jìn)。問題二采用時(shí)間序列二次指數(shù)平滑法來進(jìn)行預(yù)測，只是這種預(yù)測的趨勢呈現(xiàn)一種平穩(wěn)、線性的形式，可能會對結(jié)果產(chǎn)生較大的誤差。需要尋求更精確的方法進(jìn)行預(yù)測。而在預(yù)測類方法中有時(shí)間序列預(yù)測、灰色預(yù)測、神經(jīng)元網(wǎng)絡(luò)、差分方程等，經(jīng)過深層次分析，利用時(shí)間序列預(yù)測模型和灰色預(yù)測中的GM（1,1）模型分別進(jìn)行預(yù)測，最后使兩種預(yù)測進(jìn)行加權(quán)平均法得出一個(gè)組合預(yù)測模型模型來進(jìn)行預(yù)測，使得出的結(jié)果更精確。模型推廣TSP模型運(yùn)用廣泛，可以用于最短路徑類問題的求解；分區(qū)域疏導(dǎo)游客模型可以解決多服務(wù)地點(diǎn)高峰期的疏導(dǎo)類問題；時(shí)間數(shù)列預(yù)測模型，可以用于預(yù)測公司收入等問題。參考文獻(xiàn)[1]司守奎,孫兆亮.數(shù)學(xué)建模算法與應(yīng)用.北京.國防工業(yè)出版社.2015年4月.58-61.陳治佳，王曦，何苗?大型游樂場快速通道優(yōu)化模型與仿真模擬J].哈爾濱工業(yè)大學(xué)學(xué)報(bào).哈爾濱.第39卷第7期.2005年09月.101-103.叢國超，朱翼雋?批量到達(dá)的多服務(wù)臺排隊(duì)模型求解[J].成都信息工程學(xué)院學(xué)報(bào).成都.第22卷第1期.2007年01月.98-100.司守奎，孫兆亮.數(shù)學(xué)建模算法與應(yīng)用.北京.國防工業(yè)出版社.2015年4月.170-173.附錄附錄1運(yùn)行環(huán)境：lingollMODEL:SETS:Entertainment/1..10/:U;!U(I)=sequenceno.ofEntertaiment;LINK(Entertainment,Entertainment):DIST,!DISTmatrix,itneednotbesymmetric;X;!X(I,J)=1ifweuselinkI,J;ENDSETSDATA:DIST=03006001050:350155090010506002503000300750650125012001350900550600300045050095010501400950850105075045009505001150155014001300350650500950012005509004506001550125095050012000650105015001800900120010501150550650040085011501050135014001550900105040004508006009009501400450150085045003502505508501300600180011508003500;ENDDATAN=@SIZE(Entertainment);MIN=@SUM(LINK:DIST*X);@FOR(Entertainment(K):@SUM(Entertainment(I)lI#NE#K:X(I,K))=1;@SUM(Entertainment(J)lJ#NE#K:X(K,J))=1;!Weakformofthesubtourbreakingconstraints;!Thesearenotverypowerfulforlargeproblems;@FOR(Entertainment(J)lJ#GT#1#AND#J#NE#K:U(J)>=U(K)+X(K,J)-(N-2)*(1-X(K,J))+(N-3)*X(J,K)));!MaketheX's0/1;@FOR(LINK:@BIN(X));!Forthefirstandlaststopweknow...;@FOR(Entertainment(K)lK#GT#1:U(K)<=N-1-(N-2)*X(1,K);U(K)>=1+(N-2)*X(K,1));END附錄2運(yùn)行環(huán)境：Lingdl附錄2sets:state/1..57O/:p;endsetslamda=500;mu=10.375;rho=lamda/mu;s=4;k=570;lamda*pO=mu*p(l);(lamda+mu)*p(l)=lamda*p0+2*mu*p(2);@for(state(i)li#gt#l#and#i#lt#s:(lamda+i*mu)*p(i)=lamda*p(i-l)+(i+l)*mu*p(i+l));@for(state(i)|i#ge#s#and#i#lt#k:(lamda+s*mu)*p(i)=lamda*p(i-l)+s*mu*p(i+l));lamda*p(k_l)=s*mu*p(k);pO+@sum(state:p)=l;P_lost=p(k);lamda_e=lamda*(l-P_lost);L_s=@sum(state(i):i*p(i));L_q=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-l/mu;endmode2:sets:state/1..58O/:p;endsetslamda=500;mu=10.4375;rho=lamda/mu;s=4;k=580;lamda*pO=mu*p(l);(lamda+mu)*p(l)=lamda*p0+2*mu*p(2);@for(state(i)|i#gt#1#and#i#lt#s:(lamda+i*mu)*p(i)=lamda*p(i-l)+(i+l)*mu*p(i+l));@for(state(i)|i#ge#s#and#i#lt#k:(lamda+s*mu)*p(i)=lamda*p(i-l)+s*mu*p(i+l));lamda*p(k_l)=s*mu*p(k);pO+@sum(state:p)=l;P_lost=p(k);lamda_e=lamda*(l-P_lost);L_s=@sum(state(i):i*p(i));L_q=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-l/mu;endmode3:sets:state/1..260/:p;endsetslamda=200;mu=2.9;rho=lamda/mu;s=5;k=260;

lamda*pO=mu*p(l);(lamda+mu)*p(l)=lamda*p0+2*mu*p(2);@for(state(i)li#gt#l#and#i#lt#s:(lamda+i*mu)*p(i)=lamda*p(i-l)+(i+l)*mu*p(i+l));@for(state(i)li#ge#s#and#i#lt#k:(lamda+s*mu)*p(i)=lamda*p(i-l)+s*mu*p(i+l));lamda*p(k_l)=s*mu*p(k);pO+@sum(state:p)=l;P_lost=p(k);lamda_e=lamda*(l-P_lost);L_s=@sum(state(i):i*p(i));L_q=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-l/mu;EndMode4:sets:state/1..180/:p;endsetslamda=200;mu=2.5;rho=lamda/mu;s=4;k=180;lamda*pO=mu*p(l);(lamda+mu)*p(l)=lamda*p0+2*mu*p(2);@for(state(i)|i#gt#1#and#i#lt#s:(lamda+i*mu)*p(i)=lamda*p(i-l)+(i+l)*mu*p(i+l));@for(state(i)|i#ge#s#and#i#lt#k:(lamda+s*mu)*p(i)=lamda*p(i-l)+s*mu*p(i+l));lamda*p(k_l)=s*mu*p(k);pO+@sum(state:p)=l;P_lost=p(k);lamda_e=lamda*(l-P_lost);L_s=@sum(state(i):i*p(i));L_q=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-l/mu;Endmatlabr2007amatlabr2007aa=xlsread（'酒店預(yù)定歷史數(shù)據(jù)2015年.xls'）;%將“附件2“更名為“酒店預(yù)定歷史數(shù)據(jù)2015年.xls”，并保存在matlab子文件夾下x=a（:,l）;y=a（:,2）;plot（x,y,'k'）;gridon;xlabel（'距1月1日的天數(shù)）;ylabel（'預(yù)訂房間數(shù)'）；title（'2015年時(shí)間-預(yù)訂房間數(shù)'）；附錄4運(yùn)行環(huán)境：matlabr2007a時(shí)間序列預(yù)測程序：matlabR2007aclcclearyt=load('酒店預(yù)定歷史數(shù)據(jù)2015年.txt');%將預(yù)訂房間數(shù)數(shù)據(jù)以列的形式保存在“酒店預(yù)定歷史數(shù)據(jù)2015年.txt”中，并保存在matlab子文件夾下n=length(yt),alpha=0.1;st1(1)=yt(1);st2(1)=yt(1);fori=2:nst1(i)=alpha*yt(i)+(1-alpha)*st1(i-1);st2(i)=alpha*st1(i)+(1-alpha)*st2(i-1);endxlswrite('酒店預(yù)定歷史數(shù)據(jù)2015年.xls',[st1',st2'],'Sheet1','C2:D366')%將預(yù)訂房間數(shù)一次指數(shù)平滑值、二次指數(shù)平滑值寫在在“酒店預(yù)定歷史數(shù)據(jù)2015年.xls”中的C、D列at=2*st1-st2;bt=alpha/(1-alpha)*(st1-st2);yhat=at+bt;xlswrite('酒店預(yù)定歷史數(shù)據(jù)2015年.xls',yhat','Sheet1','E2')str=['E',int2str(n+2)];xlswrite('酒店預(yù)定歷史數(shù)據(jù)2015年.xls',at(n)+2*bt(n),'Sheet1',str)%將預(yù)訂房間數(shù)的預(yù)測值寫在在“酒店預(yù)定歷史數(shù)據(jù)2015年.xls”中的E列xt=xlsread('酒店預(yù)定歷史數(shù)據(jù)2015年.xls',1,'A2:E91');%將“酒店預(yù)定歷史數(shù)據(jù)2015年.xls”中[A2:E91]的數(shù)據(jù)讀取入xt矩陣中t=xt(:,1);y1=xt(:,2);y2=xt(:,3);y3=xt(:,4);y4=xt(:,5);y5=xt(:,5)-xt(:,2);plot(t,y1,'o');gri