Youth游乐园客流疏导专项方案.doc

游乐园客流疏导方案
摘 要
本文关键研究了游乐园客流疏导方案问题，经过建立模型、分区域疏导
游客模型，立即为用户提供游园线路引导；再经过时间序列分析，在多原因影响情况下对皇冠假日酒店房间预订量进行估计。

针对问题1，首先经过游客抵达游乐场时间间隔，建立服从泊松分布人
流抵达模型，将游乐场游客量情况分为高峰期、中低峰期两种状态。然后分别建立模型和模型，并将这两个模型作为游乐园游客疏导模型。
该模型中我们关键考虑是游客排队等候时间和游玩项目标数量。
针对问题2，本文经过对数据挖掘处理及对影响房间预订量原因分类，
建立时间数列估计模型。并利用二次指数平滑法对下一时期房间预订量进行估计。最终利用差分公式，做出差分分析误差条状图，验证出时间序列估计模型估计结果较为符合实际情况。

最终，对模型进行了评价分析和优化，并提出改善方向。
关键字：最优路径 区域分块 时间序列估计 模型
一、问题重述
1.1问题背景
游乐园立即盛大开园，作为本市建有最多过山车游乐园，受到了青少年热捧。估计到时园区将迎来天天1万大客流。怎样依据客流情况，立即分流人群，为用户提供游园线路引导，保障游客游园体验显得尤为关键。
1.2问题提出
（1）附件1为乐园计划图，共设共10个项目点，游客可沿着图中标出线路往返下个游乐项目。在保障每位游客体验游乐设施前提下，建立对每个游乐项目标等候游客进行游览提醒和疏导模型，以达成游园体验最优。
（2）皇冠假日酒店是游乐园内酒店，现在已开业，为有需要游客提供住宿便利。请依据该酒店历史预订数据信息,综合考虑影响房间预定量关键原因(比如季节,工作日/周末,法定假日,暑期等)建立数学模型。并依据酒店整年预定数据(附件2),估计1月至3月天天预定房间数.
二、模型假设
1、假设游客抵达游乐场时间间隔服从泊松分布；
2、假设每个游客在园内，愿意接收提议并配合相关疏导工作；
3、假设每个游客对每个游乐项目至多体验一次，且在体验完全部项目后一定会选择离开游乐园；
4、假设不考虑游乐园内意外情况，以下大雨、设备故障等。
5、假设皇冠假日酒店是1月才开业，前三个月房间预订量相对很低是因为酒店著名度问题。
三、问题一
3.1问题分析
本问要求，在保障每位游客尽可能多体验游乐设施前提下，建立对每个游乐项目标等候游客进行游览提醒和疏导模型，以达成游园体验最优。关键从时间方面考虑，经过建立相关模型，得出相对用时最短路径，从而达成游客游园体验最优目标。
依据到游客达游乐场时间间隔服从泊松分布，分成两种情况：
第一个情况，中、低峰期（即10个游乐项目标游客数量全部没有超出或刚好等于每场容纳游客数）。在中、低峰期不管游客去哪儿全部不用因为排队浪费时间。这种情况下游客只需要走一条最短路径，就能够达成游客游园体验最优（在不浪费时间情况下体验完全部项目）目标。所以，将此情况下游园体验最优问题转化为经典旅行商问题，再经过建立模型能够求得这条最优路径。
第二种情况，高峰期（10个游乐项目标游客数量全部超出每场容纳游客数且有一定数量游客排队等候），此时在每一个游乐项目排队等候游客全部有两个选择：①继续排队等候；②去别游乐项目。经过建立游客疏导模型，来给游客提供提议，从而确保游客游园体验最优目标。

3.2建立模型
模型是游客从单一起点出发，游玩全部游乐项目以后，再回到原点，求解经过最短路径。中、低峰期（在10个游乐项目标游客数量全部没有超出或刚好等于每场容纳游客数时），游客能够根据模型求得这条路径抵达每一个游乐项目，已达成游园体验最优（以最短时间，最少旅程）。
游客抵达过山车这一类项目，即使不用排队，假如抵达时间适宜也需要等到下一场。结合附件1和题目给出表1. 每个游乐项目标时间安排分析可知，游客碰到过山车一类项目标等候时间均比在路上（最短距离为250米，根据4000米/每小时计算，最少需要3.85分钟）所用时间短，所以不考虑因为等候而改变路径问题。假设项目假如未达成最多容纳人数，随时去全部能够玩。
设游乐项目数量为（），两项目之间距离为，（1表示有玩过项目到路，0表示没有选择走这条路）。
则当满足：每个项目选择目前最短一条路出去，即

每个项目选择目前最短一条路进去，即：

注：除起点和中点外，各项目点不组成圈，即：

且：

则有最短路径：

模型求解
利用lingo（对应程序见附录1）对以下各式进行求解：

模型结果分析
以项目为起点，得到最短旅程为 4350，路径为：

因为出入口距离和A相距300，所以最终最短路为4950，路径为：

假如忽略因为到过山车一类项目因等候浪费时间，从进入游乐园到出游乐园，所需要最短时间为：

（其中，为每个项目每场所连续时间）。
故为用户提供游园线路为
，以保障游客达成游园体验最优。
3.3建立分区域疏导游客模型
因为高峰期时，游客数量众多，排队时间过长会引发游客不耐烦现象，对游乐园经营相当不利。
对此本题经过参考快速通道模型从分散客流、缩减排队时间、提升游客满意度三个方面考虑，和模型结合，提出了一个分区域疏导游客且有多项目可供游客游玩混合制模型。
在高峰期，将游乐园工作人员分别安排在五个点，当游客抵达该点时，游客能够依据工作人员提供信息进行区域选择游玩，从而达成疏导游客目标，这么能够预防大量游客在某一项目大量聚集，能够减轻疏导工作量，增加疏导效率，让游客在游乐园内分布相对均匀。然后，将每个区域每个项目标相关数据带入模型进行计算，得到游客在对应项目标等候时间数据，依据得到数据判定游客在该项目是排队等候，还是离开该项目去其它项目。
3.3.1区域分块
游乐园是一个大整体，为了提升疏散效率目标，将游乐园分成联络紧密多个较小板块。观察附件1能够将游乐园分成紧密联络4个部分，具体分布图图1
四 区
三 区
二 区

一 区

图1：游乐园区域分块图
3.3.2建立模型
模型是指用户相继抵达时间在较短一段时间内服从泊松分布。

其中，：用户相继抵达时间服从参数负指数分布；：项目个数；：每个服务台服务时间相互独立服从参数负指数分布；:系统空间。
于是

其中

该区域中平均滞留总人数

因为游乐园空间是有限，对于多个区域，用户有效抵达率

利用公式，得到

经过对每个区域进行合理分析，得到表1中参数：
表1：各区域参数表
参数 区域
总容纳游客数
连续时间

一
570
41.5
4
500
10.375
二
580
41.75
4
500
10.4375
三
260
14.5
5
200
2.9
四
180
10
4
200
2.5
模型求解
利用软件（程序见附件2）对模型求解进行求解得到结果如表2
表2：模型求解结果
一区
二区
三区
四区
P0
0.0
P0
0.0
P0
0.0
P0
0.0
P_LOST
0.9
P_LOST
0.9
P_LOST
1.0
P_LOST
1.0
LAMDA_E
41.8
LAMDA_E
14.5
LAMDA-E
10.0
LAMDA_E
10.0
L_S
579.9
L_S
259.9
L_S
179.9
L_S
179.9
L_Q
575.9
L_Q
254.9
L_Q
175.9
L_Q
175.9
W_S
13.9
W_S
17.9
W_S
18.0
W_S
18.0
W_Q
13.8
W_Q
17.6
W_Q
17.6
W_Q
17.6
结果分析
对求得结果深入分析总结到表3
表3：结果参数分析总结表
参数 区域
(游客能排队游玩该区项目标概率)
（该区域中平均排队人数）
(在该区域中游客平均滞留总时间)
一
0.917
565.90
13.73
二
0.9165
575.90
13.89
三
0.9257
254.90
17.92
四
0.95
175.90
17.90
在高峰期时：
一区，游客能排队游玩该区项目标概率为0.92，平均排队人数566，游客平均滞留（排队时间加上玩项目标时间）总时间为13.73；
二区，游客能排队游玩该区项目标概率为0.92，平均排队人数576，游客平均滞留（排队时间加上玩项目标时间）总时间为13.89；
三区，游客能排队游玩该区项目标概率为0.93，平均排队人数255，游客平均滞留（排队时间加上玩项目标时间）总时间为17.92；
四区，游客能排队游玩该区项目标概率为0.95，平均排队人数176，游客平均滞留（排队时间加上玩项目标时间）总时间为17.90。
游客在每个区域可排队游玩评价概率全部在0.9以上，游客在每个区域滞留时间相对较短。所以在分区域疏导以后，游客能够按次序游玩每个区域项目，就能够降低排队时间和因部分项目人员过多而多夸项目在路上浪费时间。
在高峰期，该模型能够依据客流情况，立即分流人群，为用户提供游园线路引导，保障游客游园体验。
因为游客在每个区域中能够顺利进行，所以游客在每个区域内玩项目标时候，游乐园相关工作人员能够提升游客在抵达一个新项目是进行排队等候。
所以该模型能够对每个游乐项目标等候游客进行游览提醒和疏导。
四、问题二
4.1问题分析
本问要求依据皇冠假日酒店历史预订数据信息,综合考虑影响房间预定量关键原因(比如季节,工作日/周末,法定假日,暑期等)建立数学模型。并依据酒店整年预定数据(附件2),估计1月至3月天天预定房间数。
首先作出了整年散点图，然后能够很清楚观察到1月至3月天天预定房间数几乎趋于一个稳定改变趋势，所以拟采取在一次指数平滑基础上加以改善二次指数平滑时间序列来进行估计，而且因为原始数据有90个而且真实可靠，故平滑法采取初始值以第一天数据。然后将一次指数平滑值、二次指数平滑值、估计值结果作在一张工作表格中进行对比，利用差分公式，做出差分分析误差条状图，进而来判定估计效果。
4.3模型准备
step1：对附件2 中数据，我们依据游客入住酒店时间，根据月份为分类标准进行处理，得到以下结果（图3）： （单位：间）
年月份房间预订量
年1 月14
年2 月30
年3 月502
年4 月4528
年5 月4660
年6 月5074
年7 月4598
年8 月4720
年9 月4757
年10 月4822
年11 月4868
年12 月4325
年1 月320
图3
step2：时间数列影响原因分析时间数列影响原因关键有长久趋势、季节变动、循环变动和不规则变动。
长久趋势是指受事物发展根本原因制约而形成事物在一段较长时期内基础趋势，可利用二次指数平滑法求解。[3]
季节变动是受自然条件（气候）、社会条件（节假日、风俗）影响。在影响房间预订量原因中，季节、工作日/周末、法定假日、暑假全部属于季节变动原因。
循环变动含有周期长、规律性弱且不稳定特点，所以在建立模型时，我们对循环变动原因不予考虑。
不规则变动受偶然原因和意外条件影响，我们在进行假设时不考虑其对房间预订量影响。
所以，在进行时间数列估计分析时，我们仅考虑长久趋势和季节变动原因。
Step3：利用（程序见附件3）画出整年天天预定房间数趋势图，图2

图2：预定房间走势图
能够清楚观察到1月至3月天天预定房间数几乎趋于一个稳定改变趋势。所以能够直接用时间序列估计模型结合前三个月数据，对前三个月天天预订房间数量进行估计。
4.3建立时间序列估计模型
时间序列估计是以时间数列所能反应社会经济现象发展过程和规律性，进行引伸外推，估计其发展趋势方法。
从预定房间走势图来看1月至3月天天预定房间数几乎趋于一个稳定改变趋势，所以拟采取在一次指数平滑基础上加以改善二次指数平滑时间序列来进行估计，而且因为原始数据有90个而且真实可靠，故平滑法采取初始值以第一天数据。
4.4模型求解和结果分析
利用（程序见附录4）进行运算求得前三个月估计值趋势图见图3

图3：前三个月估计值趋势图
估计部分具体数据见表4，完整数据见附录5
表4：一月到三月理论上天天预定房间数量估计表
日期
房间数
日期
房间数
日期
房间数
日期
房间数
1-1
0.0000
1-24
1.3473
2-16
-0.0253
3-9
3.6682
1-2
2.0000
1-25
1.0706
2-17
-0.0535
3-10
6.0454
1-3
1.7000
1-26
0.8358
2-18
-0.0758
3-11
7.4604
1-4
1.6400
1-27
0.6372
2-19
-0.0931
3-12
6.4520
1-5
2.3850
1-28
0.4700
2-20
-0.1062
3-13
6.1806
1-6
2.0146
1-29
0.3298
2-21
-0.1158
3-14
5.1390
1-7
1.6944
1-30
0.2130
2-22
-0.1224
3-15
4.4439
1-8
1.8181
1-31
0.1162
2-23
-0.1265
3-16
7.0465
1-9
2.1202
2-1
0.0367
2-24
-0.1285
3-17
8.0541
1-10
1.7736
2-2
0.1719
2-25
0.2711
3-18
8.0997
1-11
1.8752
2-3
0.0897
2-26
0.8121
3-19
9.3256
1-12
1.5587
2-4
0.2222
2-27
0.8721
3-20
8.5554
1-13
1.2867
2-5
0.1373
2-28
0.7221
3-21
9.2859
1-14
1.8536
2-6
0.2672
2-29
1.1933
3-22
9.8948
1-15
1.5342
2-7
0.1797
3-1
2.1931
3-23
11.9991
1-16
1.6602
2-8
0.1071
3-2
2.8409
3-24
17.3735
1-17
4.1656
2-9
0.4472
3-3
2.7873
3-25
20.3231
1-18
3.4933
2-10
0.3382
3-4
2.7360
3-26
21.7990
1-19
2.9139
2-11
0.2465
3-5
3.2871
3-27
23.0165
因为预定房间数量为整数，不过在估计中出现了小数，所以需要对数据进行处理。标准上只有有0.001个房间也要写为一个房间，不过对于房间数量估计出数值，首先反应了预定房间数量；其次反应了预定一个概率。假如预定房间概率小于0.5则说明预定房间可能性不大，所以对于该数据处理能够采取四舍五入法。一月到三月实际上天天预定房间数量估计如表5。
表5：一月到三月实际天天预定房间数量估计表
日期
房间
日期
房间
日期
房间
日期
房间
1-2
0
1-25
1
2-17
0
3-10
4
1-3
2
1-26
1
2-18
0
3-11
6
1-4
2
1-27
1
2-19
0
3-12
7
1-5
2
1-28
1
2-20
0
3-13
6
1-6
2
1-29
0
2-21
0
3-14
6
1-7
2
1-30
0
2-22
0
3-15
5
1-8
2
1-31
0
2-23
0
3-16
4
1-9
2
2-1
0
2-24
0
3-17
7
1-10
2
2-2
0
2-25
0
3-18
8
1-11
2
2-3
0
2-26
0
3-19
8
1-12
2
2-4
0
2-27
1
3-20
9
1-13
2
2-5
0
2-28
1
3-21
9
1-14
1
2-6
0
2-29
1
3-22
9
1-15
2
2-7
0
3-1
1
3-23
10
1-16
2
2-8
0
3-2
2
3-24
12
1-17
2
2-9
0
3-3
3
3-25
17
1-18
4
2-10
0
3-4
3
3-26
20
1-19
3
2-11
0
3-5
3
3-27
22
1-20
3
2-12
0
3-6
3
3-28
23
1-21
3
2-13
0
3-7
5
3-29
22
1-22
2
2-14
0
3-8
4
3-30
21
1-23
2
2-15
0
3-9
4
3-31
20
1-24
2
2-16
0

五、模型检验
问题二，时间序列估计模型检验：
对问题二估计结果进行差分分析（程序见附件4）具体分析图见图4

图4：差分分析图
由差分分析误差条状图能够知道，估计值和去年实际值展现一阶差分趋势，表明时间序列估计模型估计结果是符合理想。
六、模型评价和推广
6.1模型优点
问题一，1、考虑了人流抵达不规律性，将人流抵达假设为服从泊松分布，进而考虑了低峰期和高峰期两种情况下疏导模型，低峰期为游客计划了一条最短路径；2、高峰期将游乐场所理划分为四个区域，进行提议式疏导，这么既确保了为游客提供了最优游览方案，又让游客拥有自主选择权，互惠互利。
问题二，1、简单易行，便于掌握，能够充足利用原时间序列各项数据；2、计算速度快，对模型参数有动态确定能力，精度很好。
6.2模型缺点
问题一，没有考虑部分游客喜爱根据自己方案游玩特殊情况，让该疏导模型出现拥堵情况增加了一定不确定性。
问题二，不能反应事物内在联络，不能分析两个原因相关关系，在处理问题时可能存在一定误差。
6.3模型改善
问题一方法相当于在为游客提供提议方案，让游客自由选择游玩路径，并不一定能达成我们预期想要结果。所以需要寻求更优算法对模型进行求解，比如：利用计算机仿真模拟等方法对模型进行改善。
问题二采取时间序列二次指数平滑法来进行估计，只是这种估计趋势展现一个平稳、线性形式，可能会对结果产生较大误差。需要寻求更正确方法进行估计。而在估计类方法中有时间序列估计、灰色估计、神经元网络、差分方程等，经过深层次分析，利用时间序列估计模型和灰色估计中模型分别进行估计，最终使两种估计进行加权平均法得出一个组合估计模型模型来进行估计，使得出结果更正确。
6.4模型推广
模型利用广泛，能够用于最短路径类问题求解；分区域疏导游客模型能够处理多服务地点高峰期疏导类问题；时间数列估计模型，能够用于估计企业收入等问题。
参考文件
[1] 司守奎,孙兆亮.数学建模算法和应用.北京.国防工业出版社.4月.58-61.
[2] 陈治佳,王曦,何苗.大型游乐场快速通道优化模型和仿真模拟[J].哈尔滨工业大学学报.哈尔滨.第39卷第7期.09月.101-103.
[3] 丛国超,朱翼隽.批量抵达多服务台排队模型求解[J].成全部信息工程学院学报.成全部.第22卷第1期.01月.98-100.
[4] 司守奎,孙兆亮.数学建模算法和应用.北京.国防工业出版社.4月.170-173.

附 录
附录1 运行环境：
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 1250 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 850 450 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 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 - 1 - ( N - 2) * X( 1, K);
U( K) >= 1 + ( N - 2) * X( K, 1));
END

附录2 运行环境：
model:
sets:
state/1..570/:p;
endsets
lamda=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)|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;
end
mode2:
sets:
state/1..580/:p;
endsets
lamda=500;mu=10.4375;rho=lamda/mu;s=4;k=580;
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# 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;
end

mode3:
sets:
state/1..260/:p;
endsets
lamda=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# 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;
End
Mode4:
sets:
state/1..180/:p;
endsets
lamda=200;mu=2.5;rho=lamda/mu;s=4;k=180;
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# 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;
End

附录3 运行环境：
a=xlsread('酒店预定历史数据.xls');
%将“附件2“更名为“酒店预定历史数据.xls”，并保留在matlab子文件夹下
x=a(:,1);y=a(:,2);
plot(x,y,'k');grid on;
xlabel('距1月1日天数');ylabel('预订房间数');
title('时间-预订房间数');

附录4 运行环境：
时间序列估计程序：matlab Ra
clc
clear
yt=load('酒店预定历史数据.txt');
%将预订房间数数据以列形式保留在“酒店预定历史数据.txt”中，并保留在matlab子文件夹下
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);
end
xlswrite('酒店预定历史数据.xls ',[st1',st2'],'Sheet1','C2:D366')
%将预订房间数一次指数平滑值、二次指数平滑值写在在“酒店预定历史数据.xls”中C、D列
at=2*st1-st2;
bt=alpha/(1-alpha)*(st1-st2);
yhat=at+bt;
xlswrite('酒店预定历史数据.xls',yhat','Sheet1','E2')
str=['E',int2str(n+2)];
xlswrite('酒店预定历史数据.xls',at(n)+2*bt(n),'Sheet1',str)
%将预订房间数估计值写在在“酒店预定历史数据.xls”中E列
xt=xlsread('酒店预定历史数据.xls',1,'A2:E91');
%将“酒店预定历史数据.xls”中[A2:E91]数据读取入xt矩阵中
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;
legend('原始数据','一次指数平滑值','二次指数平滑值','估计值',0);
xlabel('距1月1日天数');ylabel('预订房间数');
title('时间-预订房间数');% 并将作出图形进行灰度处理
plot(t,y5,'o');grid on;hold on;
xlabel('当日估计值-当日实际值');ylabel('误差房间数量');
title('差分分析');%并将作出图形进行灰度处理和线性改为条状

附录5
日期
房间数
日期
房间数
日期
房间数
日期
房间数
1-1
0.0000
1-24
1.3473
2-16
-0.0253
3-9
3.6682
1-2
2.0000
1-25
1.0706
2-17
-0.0535
3-10
6.0454
1-3
1.7000
1-26
0.8358
2-18
-0.0758
3-11
7.4604
1-4
1.6400
1-27
0.6372
2-19
-0.0931
3-12
6.4520
1-5
2.3850
1-28
0.4700
2-20
-0.1062
3-13
6.1806
1-6
2.0146
1-29
0.3298
2-21
-0.1158
3-14
5.1390
1-7
1.6944
1-30
0.2130
2-22
-0.1224
3-15
4.4439
1-8
1.8181
1-31
0.1162
2-23
-0.1265
3-16
7.0465
1-9
2.1202
2-1
0.0367
2-24
-0.1285
3-17
8.0541
1-10
1.7736
2-2
0.1719
2-25
0.2711
3-18
8.0997
1-11
1.8752
2-3
0.0897
2-26
0.8121
3-19
9.3256
1-12
1.5587
2-4
0.2222
2-27
0.8721
3-20
8.5554
1-13
1.2867
2-5
0.1373
2-28
0.7221
3-21
9.2859
1-14
1.8536
2-6
0.2672
2-29
1.1933
3-22
9.8948
1-15
1.5342
2-7
0.1797
3-1
2.1931
3-23
11.9991
1-16
1.6602
2-8
0.1071
3-2
2.8409
3-24
17.3735
1-17
4.1656
2-9
0.4472
3-3
2.7873
3-25
20.3231
1-18
3.4933
2-10
0.3382
3-4
2.7360
3-26
21.7990
1-19
2.9139
2-11
0.2465
3-5
3.2871
3-27
23.0165
1-20
3.0154
2-12
0.1698
3-6
4.5506
3-28
22.2125