研究背景
近年来，我国的会展旅游发展迅猛，尤其在一些会展业发达的地区，会展业对经济的带动作用达到1:9的水平。据不完全统计，九十年代以来我国会展旅游业每年增长达20%左右，远远超过我国其他领域经济总量的增长。会展业已经成为我国经济的新亮点。并开始逐步走向国际化、规模化、专业化和品牌化。会展旅游不仅能提高一个国家和城市的知名度，对一个国家或地区的经济社会发展也具有很强的推动作用，中国会展业具有光明的发展前景。
会展经济的发展已经越来越多的引起政府和相关部门的高度重视，相关政策和措施陆续出台。《国家“十二五”规划》再次对我国会展业的发展做出战略性的规划，“十二五”时期，中国会展业进入了发展的快车道。2015年，中国会展业产值规模已达到3000亿元。 面临的问题
在会展业发展如火如荼的时候，我国会展业的管理仍然处在初级阶段，会展举办期间，在举办地短时间内聚集了大量的人流，人群密度大，人群聚集可能导致会展拥堵踩踏事件发生，群体性恐慌 拥挤、踩踏
会展活动风险事故管理面临严峻考验
以下表1-1是我国2001年至2013年间统计的因为会展活动引发的人员伤亡事故。
人员伤亡事故多达144起，死亡人数多至93人。
可见，在会展期间维持正常的参观秩序，保证人员安全就显得尤为重要。这就要求有关政府部分尽快完善会展相关的管理方式，让会展行业有序的发展，尽快实现会展业的智能化管理。 研究意义
如何更为有效保障会展高峰时期参观者的安全，维持正常的参观秩序，并实现大量人流的管理与疏导，是会展管理部门重点关注的问题，其中，会展入口人流量控制和疏导是重要方面。如果能及时准确预知未来时刻会展入口的人流量，就能让管理者提前做好防范措施，比如：人流量少时，开放部分入口闸门，节省人力、物力；人流量多时，增加入口闸门开放数或者减少/停止售票等等。这样有利于合理利用会展资源，同时实现会展入口人流量的控制与疏导，减少拥堵与踩踏事件发生，提高了旅游者的参观质量，对实现会展旅游的智能化管理具有十分重要的意义。
会展入口短时人流量的特性分析 第二章，首先分析了会展入口短时人流量的特性，通过分析发现具有：不确定性、时变性、随机性、周期性、混沌性等特性 预测模型建立的原则
接着对会展入口短时人流量预测模型的原则进行了分析，模型应该具有：实时性原则、准确性原则、抗噪声能力、可移植性原则、历史数据少等特点 预测模型的选择
接着整理总结了目前所有预测模型的优缺点，发现单一模型总是存在这样那样的不足，而融合模型取长补短，在短时流量预测中既可以提高预测精度又可以保证预测误差的稳定性。
基于对会展入口短时人流特征的分析以及己有预测模型的综合比较，发现融入模型中的小波神经网络模型既具有小波良好的时—频局部特性和变焦能力，又有神经网络极强的非线性、自学习能力和相对较高的预测精度，对非线性变化的数据序列不用建立精确模型就能进行预测，这一特征恰好符合入口短时人流数据的随机性和难以建立精确模型这一特性。 实验预处理
第三章主要讲数据预处理（1月26至2月1，每天14:00-22:00的入口人流量数据，每15分钟取1个数据，7天共231个数据），在确定了会展入口短时人流量预测模型的基础上，对实验数据进行了预处理，因为在人流量数据的采集、传输过程中，由于设备故障、传输错误、噪声干扰等原因会使采集到的数据无法按照一定时间间隔上传或者上传错误，最终导致数据采集错误现象的发生，而采集的数据质量直接影响到预测的精度，所以必须对数据进行处理，一般分为修复和去噪两步。这是修复后与修复前数据对比图。接着对修复后数据进行小波去噪。这是数据小波分解，随机噪声主要集中在d1层，加大d1层的阈值，这是降噪后与原始信号对比图。
数据归一化处理
接着对数据进行归一化处理，主要是为了加快网络的训练速度，将实验数据归一化在[-1,1]之间。这是归一化代码。表3-5是部分自贡灯会入口人流量数据归一化结果。
小波神经网络各层节点的选择
在第四章简要介绍了小波神经网络的原理及学习算法推导过程，重点分析了小波神经网络各层节点及参数的选择，小波神经网络往往选取三层结构，输入层和输出层可以根据实际应用要求确定，本次实验选取输入个数为4 ，输出个数为1，而隐含层的神经元个数选取则是一个难点，一般根据经验公式选择，根据输入4，输出1，根据公式可算出隐含层个数在4~12之间 实验对比验证
这是在输入层为4，输出层为1，模型其他参数都一致，而输入层不同的情况下，进行50此仿真取平均值，表示预测模型优劣评价指标结果，由表可以看出，在隐含层节点数为10时，各评价指标最优。所以确定预测模型结构为4-10-1 4-10-1 模型下不同学习率
在确定模型结构后，有对模型参数学习率进行实验验证对比，同样是仿真50次取平均值，由表看出在学习率为0.01和0.001情况下预测误差最小。 小波神经网络模型（4-10-1，0.01，0.001） 这是在小波神经网络确定了结构和学习率情况下，以自贡灯会入口人流量为实验对象的仿真图，发现预测效果较理想，高峰期（1400人）最大误差为350人左右，大多数都在100人以内浮动 评价指标
这是小波神经网络模型预测自贡灯会入口短时人流量的各评价指标值，由表可以看出，平均绝对误差是64人左右，均方误差为11.79，均方百分比误差约为4.5%左右，当EC0.85时，说明预测效果较好，越接近1说明预测结果的可靠性越高，本文预测精确度达92%，训练加预测时间为5.4秒左右，体现出了实时性。根据评价指标可以看出训练还是比较理想的。 误差分析
针对小波神经网络预测结果的误差，从四个方面进行了误差分析：实验数据的采集、实验数据预处理、实验影响因素、小波神经网络。
如：本文实验对象自贡灯会在数据采集时在高峰期时，很多都没扫描票，见到票就直接进场，还有在数据修复时，不能完全恢复原始信息，只是一个预估计值，另外小波去噪会损失原有数据中本有的高频细节。还有其他外在因素的影响，如票价、天气、节假日等都会对实验结果造成一定误差，但通过分析发现除了实验数据造成的误差外，小波神经网络自身的不足是造成误差的重要原因， 小波神经网络模型的不足
如图是网络迭代次数与误差百分比之间的关系，当迭代到350次时陷入局部极小值，这会使预测结果产生较大的误差，而且小波神经网络的收敛速度也较慢，学习效率低，对参数选择较为敏感，针对这些不足，提出用遗传算法进行优化。 遗传算法优化
这是优化后的预测自贡灯会入口短时人流量的效果图，发现模型的拟合程度更高，预测效果更好，最大误差为240人左右，相对小波神经网络有了明显的改善。
预测平均误差提高了8%，预测精度提高了4%，效果理想 迭代曲线对比图
这是小波神经网络与优化后网络在相同条件下的迭代曲线图，可以发现算法优化后模型在迭代100次时，基本收敛于目标条件，曲线趋于平稳状态；而传统小波神经网络模型要迭代400次左右才能收敛于目标条件。可以体现出优化后网络在收敛速度上得到了较明显的提高。
仿真实验表明：采用遗传算法优化小波神经网络模型，达到了提高训练精度和收敛速度的目的，这说明WGANN算法具有更高的鲁棒性和更高的预测精度，遗传算法优化了小波算法收敛慢和容易陷入局部极小值的不足。
方案
第六章主要是综合分析全文，针对类似于自贡灯会入口短时人流量预测的会展情况，总结出预测流程的方案
应用—2016年自贡灯会实验验证
最后将方案应用于2016年自贡灯会入口短时人流量的预测上，这是应用界面图，这是2016年2月24日灯会入口短时人流量预测结果的误差图，在高峰期时预测误差最大为200人左右，大多数在50人以内浮动，可见实际应用效果还是比较理想的。 总结及展望
本章对前六章的工作内容作了简要总结与分析，指出论文中存在的不足并简要阐述了今后研究工作的展望。
