峰流智测 · 景区客流智能预测平台

项目简介：以九寨沟景区真实官方数据为样板，构建从「数据采集 → 特征工程 → 机器学习预测 → 可视化看板 → 运营决策 → BI 分析」的全链路景区客流智能平台，让每一次客流高峰都「可预测、可预警、可决策」。

数据与工具：1,869 天真实进沟人数（2019-09 ~ 2025-03），40 维特征（时间 / 节假日 / 滞后 / 滚动统计）；XGBoost 时序交叉验证 + SHAP 可解释性；Streamlit 多页看板、Flask RESTful API、Power BI 星型模型决策看板。

成果：测试集 R²=0.9665、MAPE≈5.1%，未来 7 日滚动预测 + 90% 置信区间，承载量（41,000 人次）红/黄/绿三色预警与自动运营建议。

打开在线演示 源码仓库

📅 2025-02-08 ｜ 分类：机器学习 ｜ 标签：XGBoost / Streamlit / Plotly / SHAP / Flask / Power BI

一、项目背景

景区客流预测是文旅行业精细化运营的核心难题：旺季拥堵、淡季闲置、突发高峰难以应对。本项目以九寨沟景区官方公开数据为样板，用机器学习建模客流规律，把「事后复盘」升级为「事前预测」，覆盖从数据采集到运营决策的全链路。

二、数据与特征工程

• 数据采集：Python 增量爬虫抓取九寨沟官网每日进沟人数，存档为 Excel/CSV。
• 样本规模：2019-09 ~ 2025-03，共 1,869 天。
• 特征维度：40 维 —— 时间特征（年月日、周内、季度）、节假日特征（真实法定节假日）、滞后特征、滚动统计特征。
• 数据质量：分布直方图 + KDE、Q-Q 正态检验，评估特征维度与数据质量。

from sklearn.model_selection import TimeSeriesSplit
from xgboost import XGBRegressor

tscv = TimeSeriesSplit(n_splits=5)
xgb = XGBRegressor(n_estimators=1000, learning_rate=0.05)
# GridSearchCV + TimeSeriesSplit 时序交叉验证调优

三、模型与可解释性

• 多模型对比：Linear / RandomForest / XGBoost，时序交叉验证选优。
• 最优模型：XGBoost，测试集 **R²=0.9665、MAPE≈5.1%**（MAE=997、RMSE=1,769 人次）。
• SHAP 可解释性：输出特征重要性 Top N，定位客流核心驱动因子。
• 预测输出：未来 7 日滚动预测 + 90% 置信区间。

四、可视化看板与运营决策

模块	说明
📊 运营总览	今日/均值/历史极值 KPI、客流趋势与 7 日预测叠加、承载上限参考线
📈 客流分析	年度/月度/周内/节假日客流规律、峰谷识别、同比环比
🎉 节假日分析	真实节假日 × 客流交叉分析、节前节后效应
🤖 智能预测	7 日预测、90% 置信区间、R²/MAE/RMSE/MAPE、特征重要性
🚨 运营决策	7 日预警日历、风险分布、自动生成人员/物资/票务建议
🔌 RESTful API	Flask 提供预测、历史、特征重要性、决策建议接口

三色预警机制（承载上限 41,000 人次/日）：

• 🟢 正常：客流 ≤ 70% 承载量
• 🟡 预警：70% ~ 90%，建议提前疏导
• 🔴 高负荷：> 90%，建议启动限流预案

五、成果与价值

• 模型精度领先：R²=0.9665、MAPE=5.1%，具备实用价值。
• 端到端闭环：数据 → 特征 → 模型 → 看板 → 决策 → API，全链路可复用。
• 可扩展：未来可泛化到多景区，接入实时客流监测与自动预警推送。

六、相关链接

• 在线演示：https://scenicflowforecast-bfyery7asaxwksfrcshvyw.streamlit.app/
• 源码仓库：https://github.com/yohoten/scenicflow_forecast