Youth游樂園客流疏導(dǎo)方案

1、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，通過建立模型、分區(qū)域疏導(dǎo)游客模型，及時為顧客提供游園線路引導(dǎo)；再通過時間序列分析，在多因素影響情況下對皇冠假日酒店房間預(yù)訂量進行預(yù)測。針對問題1，首先通過游客到達游樂場的時間間隔，建立服從泊松分布的人流到達模型，將游樂場的游客量情況分為高峰期、中低峰期兩種狀態(tài)。然后分別建立模型和模型，并將這兩個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等待時間和游玩項目的數(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，建立時間數(shù)列預(yù)測模型。并運用二次指數(shù)平滑法對下一時期的房間預(yù)訂量進行預(yù)測。最終利用差分公式

2、，做出差分分析誤差條狀圖，驗證出時間序列預(yù)測模型的預(yù)測結(jié)果較為符合實際情況。最后，對模型進行了評價分析與優(yōu)化，并提出改進的方向。關(guān)鍵字：最優(yōu)路徑 區(qū)域分塊 時間序列預(yù)測 模型一、問題重述1.1問題背景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)計屆時園區(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顯得尤為重要。1.2問題提出（1）附件1為樂園的規(guī)劃圖，共設(shè)共10個項目點，游客可沿著圖中標(biāo)出的線路往返下個游樂項目。在保障每位游客體驗游樂設(shè)施的前提下，建立對每個游樂項目的等候游客進行游覽提醒和疏導(dǎo)的模型，以達到游園

3、體驗最優(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)游客到達游樂場的時間間隔服從泊松分布；2、假設(shè)每個游客在園內(nèi)，樂意接受建議并配合相關(guān)的疏導(dǎo)工作；3、假設(shè)每個游客對每個游樂項目至多體驗一次，且在體驗完所有項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，前三個月

4、房間預(yù)訂量相對很低是因為酒店知名度問題。三、問題一3.1問題分析本問要求，在保障每位游客盡量多體驗游樂設(shè)施的前提下，建立對每個游樂項目的等候游客進行游覽提醒和疏導(dǎo)的模型，以達到游園體驗最優(yōu)。主要從時間方面考慮，通過建立相關(guān)模型，得出相對用時最短的路徑，從而達到游客游園體驗最優(yōu)的目的。根據(jù)到游客達游樂場的時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個游樂項目的游客數(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為排隊浪費時間。這種情況下游客只需要走一條最短的路徑，就可以達到游客游園體驗最優(yōu)（在不浪費時間的情況下體驗完所有項目）的目的。因此，將此情

5、況下的游園體驗最優(yōu)問題轉(zhuǎn)化為經(jīng)典旅行商問題，再通過建立模型可以求得這條最優(yōu)路徑。第二種情況，高峰期（10個游樂項目的游客數(shù)量都超過每場容納游客數(shù)且有一定數(shù)量的游客排隊等候），此時在每一個游樂項目排隊等待的游客都有兩個選擇：繼續(xù)排隊等候；去別的游樂項目。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最優(yōu)的目的。3.2建立模型模型是游客從單一起點出發(fā)，游玩所有的游樂項目之后，再回到原點，求解通過的最短路徑。中、低峰期（在10個游樂項目的游客數(shù)量都沒有超過或剛好等于每場容納游客數(shù)時），游客可以按照模型求得的這條路徑到達每一個游樂項目，已達到游園體驗最優(yōu)（以最短的時間，最少的路程）。游客

6、到達過山車這一類項目，即使不用排隊，如果到達的時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. 每個游樂項目的時間安排分析可知，游客遇到過山車一類項目的等待時間均比在路上（最短的距離為250米，按照4000米/每小時計算，至少需要3.85分鐘）所用的時間短，所以不考慮因為等待而改變路徑的問題。假設(shè)項目如果未達到最多容納人數(shù)，隨時去都可以玩。設(shè)游樂項目數(shù)量為（），兩項目之間的距離為，（1表示有玩過項目到的路，0表示沒有選擇走這條路）。則當(dāng)滿足：每個項目選擇當(dāng)前最短一條路出去，即每個項目選擇當(dāng)前最短一條路進去，即：注：除起點和中點外，各項目點不構(gòu)成圈，即：且：則有最短路徑：模型的求解利用l

7、ingo（相應(yīng)的程序見附錄1）對以下各式進行求解：模型的結(jié)果分析以項目為起點，得到最短路程為 4350，路徑為：因為出入口距離與A相距300，所以最終最短路為4950，路徑為：如果忽略因為到過山車一類項目因等待浪費的時間，從進入游樂園到出游樂園，所需要的最短時間為：（其中，為每個項目每場所持續(xù)的時間）。故為顧客提供游園線路為，以保障游客達到游園體驗最優(yōu)。3.3建立分區(qū)域疏導(dǎo)游客模型由于高峰期時，游客數(shù)量眾多，排隊時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從分散客流、縮減排隊時間、提高游客滿意度三個方面考慮，與模型結(jié)合，提出了一種分區(qū)域疏導(dǎo)游客的且有多項

8、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五個點，當(dāng)游客到達該點時，游客可以根據(jù)工作人員提供的信息進行區(qū)域選擇游玩，從而達到疏導(dǎo)游客的目的，這樣可以防止大量游客在某一項目大量聚集，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，將每個區(qū)域每個項目的相關(guān)數(shù)據(jù)帶入模型進行計算，得到游客的在相應(yīng)項目的等待時間的數(shù)據(jù)，根據(jù)得到的數(shù)據(jù)判斷游客在該項目是排隊等待，還是離開該項目去其他項目。3.3.1區(qū)域分塊游樂園是一個大的整體，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個部分，具體的分布圖如圖1四

9、區(qū)三 區(qū)二 區(qū)一 區(qū)圖1：游樂園區(qū)域分塊圖3.3.2建立模型模型是指顧客的相繼到達時間在較短一段時間內(nèi)服從泊松分布。其中，：顧客的相繼到達時間服從參數(shù)的負指數(shù)分布；：項目個數(shù)；：每個服務(wù)臺服務(wù)時間相互獨立的服從參數(shù)的負指數(shù)分布；:系統(tǒng)的空間。于是其中該區(qū)域中平均滯留的總?cè)藬?shù)由于游樂園的空間是有限的，對于多個區(qū)域，顧客的有效到達率利用公式，得到經(jīng)過對每個區(qū)域進行合理的分析，得到表1中的參數(shù)：表1：各區(qū)域的參數(shù)表 參數(shù) 區(qū)域 總?cè)菁{游客數(shù)持續(xù)時間一57041.5450010.375二58041.75450010.4375三26014.552002.9四1801042002.5模型求解利用軟件（程序

10、見附件2）對模型求解進行求解得到結(jié)果如表2表2：模型求解結(jié)果一區(qū)二區(qū)三區(qū)四區(qū)P00.0P00.0P00.0P00.0P_LOST0.9P_LOST0.9P_LOST1.0P_LOST1.0LAMDA_E41.8LAMDA_E14.5LAMDA-E10.0LAMDA_E10.0L_S579.9L_S259.9L_S179.9L_S179.9L_Q575.9L_Q254.9L_Q175.9L_Q175.9W_S13.9W_S17.9W_S18.0W_S18.0W_Q13.8W_Q17.6W_Q17.6W_Q17.6結(jié)果分析對求得的結(jié)果進一步分析總結(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 (游

11、客能排隊游玩該區(qū)項目的概率)（該區(qū)域中平均排隊人數(shù)） (在該區(qū)域中游客平均滯留的總時間)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：一區(qū)，游客能排隊游玩該區(qū)項目的概率為0.92，平均排隊人數(shù)566，游客平均滯留（排隊時間加上玩項目的時間）的總時間為13.73；二區(qū)，游客能排隊游玩該區(qū)項目的概率為0.92，平均排隊人數(shù)576，游客平均滯留（排隊時間加上玩項目的時間）的總時間為13.89；三區(qū)，游客能排隊游玩該區(qū)項目的概率為0.93，平均排隊人數(shù)255，游客平均滯留（排隊時間加上玩項目的時間）

12、的總時間為17.92；四區(qū)，游客能排隊游玩該區(qū)項目的概率為0.95，平均排隊人數(shù)176，游客平均滯留（排隊時間加上玩項目的時間）的總時間為17.90。游客在每個區(qū)域可排隊游玩的評價概率都在0.9以上，游客在每個區(qū)域滯留的時間相對較短。所以在分區(qū)域疏導(dǎo)之后，游客可以按順序游玩每個區(qū)域的項目，就可以減少排隊時間和因部分項目人員過多而多夸項目在路上浪費的時間。在高峰期，該模型可以根據(jù)客流情況，及時分流人群，為顧客提供游園線路引導(dǎo)，保障游客的游園體驗。因為游客在每個區(qū)域中可以順利進行，所以游客在每個區(qū)域內(nèi)玩項目的時候，游樂園的相關(guān)工作人員可以提升游客在到達一個新項目是進行排隊等候。因此該模型可以對每個

13、游樂項目的等候游客進行游覽提醒和疏導(dǎo)。四、問題二4.1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)上加以改進的二次指數(shù)平滑時間序列來進行預(yù)測，并且由于原始數(shù)據(jù)有90個并且真實可靠，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)果作在一張工作表格

14、中進行對比，利用差分公式，做出差分分析誤差條狀圖，進而來判斷預(yù)測的效果。 4.3模型準(zhǔn)備step1：對附件2 中的數(shù)據(jù)，我們根據(jù)游客入住酒店的時間，按照月份為分類標(biāo)準(zhǔn)進行處理，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：時間數(shù)列影響因素分析時

15、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，因此在建立模型時，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，我們在進行假設(shè)時不考慮其對房間預(yù)訂量的影響。因此，在進行時間數(shù)列預(yù)測分析時，我們僅考慮長期趨勢和季節(jié)變動因素。Step3：利用（程序見附件3）畫出全年每天預(yù)定房間數(shù)

16、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)幾乎趨于一個穩(wěn)定的變化趨勢。所以可以直接用時間序列預(yù)測模型結(jié)合前三個月的數(shù)據(jù)，對2016年前三個月每天的預(yù)訂房間數(shù)量進行預(yù)測。4.3建立時間序列預(yù)測模型時間序列預(yù)測是以時間數(shù)列所能反映的社會經(jīng)濟現(xiàn)象的發(fā)展過程和規(guī)律性，進行引伸外推，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)上加以改進的二次指數(shù)平滑時間序列來進行預(yù)測，并且由于原始數(shù)據(jù)有90個并且真實可靠，故平滑法采用的初始值以第一天的數(shù)據(jù)。4.4模型求解與結(jié)果分析利用

17、（程序見附錄4）進行運算求得2016年前三個月的預(yù)測值趨勢圖見圖3圖3：2016年前三個月的預(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)1-10.0000 1-241.3473 2-16-0.0253 3-93.6682 1-22.0000 1-251.0706 2-17-0.0535 3-106.0454 1-31.7000 1-260.8358 2-18-0.0758 3-117.4604 1-41.6400 1-270.6372 2-19-0.0931 3-126.4520 1-5

18、2.3850 1-280.4700 2-20-0.1062 3-136.1806 1-62.0146 1-290.3298 2-21-0.1158 3-145.1390 1-71.6944 1-300.2130 2-22-0.1224 3-154.4439 1-81.8181 1-310.1162 2-23-0.1265 3-167.0465 1-92.1202 2-10.0367 2-24-0.1285 3-178.0541 1-101.7736 2-20.1719 2-250.2711 3-188.0997 1-111.8752 2-30.0897 2-260.8121 3-199.325

19、6 1-121.5587 2-40.2222 2-270.8721 3-208.5554 1-131.2867 2-50.1373 2-280.7221 3-219.2859 1-141.8536 2-60.2672 2-291.1933 3-229.8948 1-151.5342 2-70.1797 3-12.1931 3-2311.9991 1-161.6602 2-80.1071 3-22.8409 3-2417.3735 1-174.1656 2-90.4472 3-32.7873 3-2520.3231 1-183.4933 2-100.3382 3-42.7360 3-2621.7

20、990 1-192.9139 2-110.2465 3-53.2871 3-2723.0165 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)進行處理。原則上只有有0.001個房間也要寫為一個房間，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1-201-251 2-170 3-104 1-321-26

21、1 2-180 3-116 1-421-271 2-190 3-127 1-521-281 2-200 3-136 1-621-290 2-210 3-146 1-721-300 2-220 3-155 1-821-310 2-230 3-164 1-922-10 2-240 3-177 1-1022-20 2-250 3-188 1-1122-30 2-260 3-198 1-1222-40 2-271 3-209 1-1322-50 2-281 3-219 1-1412-60 2-291 3-229 1-1522-70 3-11 3-2310 1-1622-80 3-22 3-2412 1

22、-1722-90 3-33 3-2517 1-184 2-100 3-43 3-2620 1-193 2-110 3-53 3-2722 1-203 2-120 3-63 3-2823 1-213 2-130 3-75 3-2922 1-222 2-140 3-84 3-3021 1-232 2-150 3-94 3-3120 1-242 2-160 五、模型檢驗問題二，時間序列預(yù)測模型的檢驗：對問題二預(yù)測的結(jié)果進行差分分析（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)測值和去年的實際值呈現(xiàn)一階差分趨勢，表明時間序列預(yù)測模型的預(yù)測結(jié)果是符合理想。六、模型評價

23、與推廣6.1模型優(yōu)點問題一，1、考慮了人流到達的不規(guī)律性，將人流到達假設(shè)為服從泊松分布，進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區(qū)域，進行建議式的疏導(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，能夠充分運用原時間序列的各項數(shù)據(jù)；2、計算速度快，對模型參數(shù)有動態(tài)確定的能力，精度較好。6.2模型缺點問題一，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，不能分析兩個因素的相關(guān)關(guān)系，在處

24、理問題時可能存在一定誤差。6.3模型改進問題一的方法相當(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)的算法對模型進行求解，例如：利用計算機仿真模擬等方法對模型進行改進。問題二采用時間序列二次指數(shù)平滑法來進行預(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行預(yù)測。而在預(yù)測類方法中有時間序列預(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，利用時間序列預(yù)測模型和灰色預(yù)測中的模型分別進行預(yù)測，最后使兩種預(yù)測進行加權(quán)平均法得出一個組合預(yù)測模型模型來進行預(yù)測，使得出的結(jié)果更精確。6.4模型推廣

25、模型運用廣泛，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)地點高峰期的疏導(dǎo)類問題；時間數(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.58-61.2 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.哈爾濱.第39卷第7期.2005年09月.101-103. 3 叢國超,朱翼雋.批量到達的多服務(wù)臺排隊模型求解J.成都信息工程學(xué)院學(xué)報.成都.第22卷第1期.2007年01月.98-100.4 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.17

26、0-173.附 錄附錄1 運行環(huán)境：MODEL: SETS:Entertainment / 1. 10/: U;! U( I) = sequence no. of Entertaiment; LINK( Entertainment , Entertainment ): DIST, ! DIST matrix, it need not be symmetric; X; ! X( I, J) = 1 if we use link I, J;ENDSETS DATA: DIST =0 300 600 1050 350 1550 900 1050 600 250 300 0 300 750 650 1

27、250 1200 1350 900 550 600 300 0 450 500 950 1050 1400 950 850 1050 750 450 0 950 500 1150 1550 1400 1300 350 650 500 950 0 1200 550 900 450 600 1550 1250 950 500 1200 0 650 1050 1500 1800 900 1200 1050 1150 550 650 0 400 850 1150 1050 1350 1400 1550 900 1050 400 0 450 800 600 900 950 1400 450 1500 8

28、50 450 0 350 250 550 850 1300 600 1800 1150 800 350 0 ;ENDDATA N = SIZE( Entertainment ); MIN = SUM( LINK: DIST * X); FOR( Entertainment ( K): SUM( Entertainment ( I)| I #NE# K: X( I, K) = 1; SUM( Entertainment ( J)| J #NE# K: X( K, J) = 1;! Weak form of the subtour breaking constraints;! These are

29、not very powerful for large problems;FOR( Entertainment ( J)| J #GT# 1 #AND# J #NE# K: U( J) >= U( K) + X ( K, J) - ( N - 2) * ( 1 - X( K, J) + ( N - 3) * X( J, K) );! Make the X's 0/1; FOR( LINK: BIN( X);! For the first and last stop we know.; FOR( Entertainment ( K)| K #GT# 1: U( K) <= N

30、 - 1 - ( N - 2) * X( 1, K); U( K) >= 1 + ( N - 2) * X( K, 1);END附錄2 運行環(huán)境：model:sets:state/1.570/:p;endsetslamda=500;mu=10.375;rho=lamda/mu;s=4;k=570;lamda*p0=mu*p(1);(lamda+mu)*p(1)=lamda*p0+2*mu*p(2);for(state(i)|i #gt#1 #and# i #lt# s:(lamda+i*mu)*p(i)=lamda*p(i-1)+(i+1)*mu*p(i+1);for(state(i)|

31、i #ge# s #and# i #lt# k:(lamda+s*mu)*p(i)=lamda*p(i-1)+s*mu*p(i+1);lamda*p(k-1)=s*mu*p(k);p0+sum(state:p)=1;P_lost=p(k);lamda_e=lamda*(1-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-1/mu;endmode2:sets:state/1.580/:p;endsetslamda=500;mu=10.4375;rho=lamda/mu;s=4;k=580;lam

32、da*p0=mu*p(1);(lamda+mu)*p(1)=lamda*p0+2*mu*p(2);for(state(i)|i #gt#1 #and# i #lt# s:(lamda+i*mu)*p(i)=lamda*p(i-1)+(i+1)*mu*p(i+1);for(state(i)|i #ge# s #and# i #lt# k:(lamda+s*mu)*p(i)=lamda*p(i-1)+s*mu*p(i+1);lamda*p(k-1)=s*mu*p(k);p0+sum(state:p)=1;P_lost=p(k);lamda_e=lamda*(1-P_lost);L_s=sum(st

33、ate(i):i*p(i);L_q=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-1/mu;end mode3:sets:state/1.260/:p;endsetslamda=200;mu=2.9;rho=lamda/mu;s=5;k=260;lamda*p0=mu*p(1);(lamda+mu)*p(1)=lamda*p0+2*mu*p(2);for(state(i)|i #gt#1 #and# i #lt# s:(lamda+i*mu)*p(i)=lamda*p(i-1)+(i+1)*mu*p(i+1);for(state(i)|i #ge# s #and

34、# i #lt# k:(lamda+s*mu)*p(i)=lamda*p(i-1)+s*mu*p(i+1);lamda*p(k-1)=s*mu*p(k);p0+sum(state:p)=1;P_lost=p(k);lamda_e=lamda*(1-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-1/mu;EndMode4:sets:state/1.180/:p;endsetslamda=200;mu=2.5;rho=lamda/mu;s=4;k=180;lamda*p0=mu*p(1);(la

35、mda+mu)*p(1)=lamda*p0+2*mu*p(2);for(state(i)|i #gt#1 #and# i #lt# s:(lamda+i*mu)*p(i)=lamda*p(i-1)+(i+1)*mu*p(i+1);for(state(i)|i #ge# s #and# i #lt# k:(lamda+s*mu)*p(i)=lamda*p(i-1)+s*mu*p(i+1);lamda*p(k-1)=s*mu*p(k);p0+sum(state:p)=1;P_lost=p(k);lamda_e=lamda*(1-P_lost);L_s=sum(state(i):i*p(i);L_q

36、=L_s-lamda_e/mu;W_s=L_s/lamda_e;W_q=W_s-1/mu;End附錄3 運行環(huán)境：a=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(:,1);y=a(:,2);plot(x,y,'k');grid on;xlabel('距1月1日的天數(shù)');ylabel('預(yù)訂房間數(shù)');title('2015年時間-預(yù)訂房間數(shù)');附錄4 運行環(huán)境：時間序列預(yù)測程序：matlab R200

37、7aclcclearyt=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);for i=2:n st1(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','

38、;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),'Shee

39、t1',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');grid on;hold on;plot(t,y2,'b-');grid on;hold on;plot(t,y3,'r-');grid on;hold on;plot(t,y4,'k*');grid on;l