粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型

段立峰

摘 要：旅游熱門(mén)景點(diǎn)預(yù)測(cè)是當(dāng)前旅游管理研究領(lǐng)域中的熱點(diǎn)，針對(duì)傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型無(wú)法準(zhǔn)確描述旅游熱門(mén)景點(diǎn)的變化特點(diǎn)缺陷，為了提高旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度，提出基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型。首先分析當(dāng)前國(guó)內(nèi)外對(duì)旅游熱門(mén)景點(diǎn)預(yù)測(cè)問(wèn)題研究方法，得到旅游熱門(mén)景點(diǎn)具有較大非線性變化特點(diǎn)，這也是導(dǎo)致當(dāng)前旅游熱門(mén)景點(diǎn)預(yù)測(cè)錯(cuò)誤大原因，然后引入非線性建模能力強(qiáng)的RBF神經(jīng)網(wǎng)絡(luò)描述旅游熱門(mén)景點(diǎn)的非線性變化特點(diǎn)，并對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，建立最優(yōu)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，最后與傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型進(jìn)行了對(duì)比測(cè)試，結(jié)果表明，粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)可以更好的跟蹤旅游熱門(mén)景點(diǎn)變化規(guī)律，旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度要明顯優(yōu)于傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，而且旅游熱門(mén)景點(diǎn)預(yù)測(cè)效率也更高，能夠滿足旅游熱門(mén)景點(diǎn)在線預(yù)測(cè)要求。

關(guān)鍵詞：旅游管理系統(tǒng); 熱門(mén)景點(diǎn); 神經(jīng)網(wǎng)絡(luò); 非線性變化特點(diǎn); 預(yù)測(cè)模型

中圖分類號(hào)： TM301

文獻(xiàn)標(biāo)志碼： A

Abstract：Prediction of popular tourist attractions is a hot spot in the field of tourism management. Aiming at the defect that the traditional prediction model of popular tourist attractions can not accurately describe the changing characteristics of popular tourist attractions， a prediction model of popular tourist attractions based on neural network optimized by particle swarm optimization is proposed in order to improve the prediction accuracy of popular tourist attractions. Firstly， this paper analyzes the current domestic and foreign research methods on the prediction of popular tourist attractions， and obtains that popular tourist attractions have large non-linear change characteristics， which is also the major reason for the current prediction errors of popular tourist attractions. Then， an RBF neural network with strong non-linear modeling ability is introduced to describe the non-linear change characteristics of popular tourist attractions. At last， the RBF neural network parameters are optimized， and the optimal prediction model of tourist hot spots is established. Finally， the comparison test with the traditional prediction model of tourist hot spots is carried out. The results show that the neural network can better track the changing law of tourist hot spots， and the prediction accuracy of tourist hot spots is obviously better than the traditional prediction model. The prediction model of tourist attractions is more efficient and can meet the online prediction requirements of tourist attractions.

Key words：Tourism management system; Popular scenic spots; Neural network; Nonlinear change characteristics; Prediction model

0 引言

隨著我國(guó)人們生活水平的不斷提前，外出旅游成為人們生活的一部分。同時(shí)旅游業(yè)成為拉動(dòng)一個(gè)地區(qū)經(jīng)濟(jì)的重要部分，然而由于人們的時(shí)間有限，選擇最優(yōu)的旅游景點(diǎn)作為游玩目的地十分重要。當(dāng)前旅游景點(diǎn)很多，因此如何對(duì)旅游熱門(mén)景點(diǎn)進(jìn)行預(yù)測(cè)成為當(dāng)前旅游管理研究中的一個(gè)熱點(diǎn)方向[1]。

最初旅游熱門(mén)景點(diǎn)預(yù)測(cè)是通過(guò)一些旅游公司的一些專業(yè)人員通過(guò)自己的經(jīng)驗(yàn)進(jìn)行估計(jì)，推測(cè)那些旅游景點(diǎn)可能會(huì)成為熱門(mén)，該類方法的工作過(guò)程十分繁瑣，得到的旅游熱門(mén)景點(diǎn)預(yù)測(cè)結(jié)果具有一定的盲目性，因此每一個(gè)專業(yè)人員的喜愛(ài)不一樣，使得旅游熱門(mén)景點(diǎn)預(yù)測(cè)結(jié)果可信度比較低[2，3]。隨著信息處理技術(shù)、自動(dòng)化技術(shù)的不斷發(fā)展和融合，出現(xiàn)采用許多旅游熱門(mén)景點(diǎn)自動(dòng)預(yù)測(cè)模型。當(dāng)前旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型可以劃分為兩類，一類是基于時(shí)間序列法的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，其根據(jù)某個(gè)旅游景點(diǎn)的旅客歷史流量，對(duì)該旅游景點(diǎn)是不是熱門(mén)景點(diǎn)進(jìn)行估計(jì)，主要有滑動(dòng)平均模型，指數(shù)平滑模型等[4-6];另一類為基于聚類分析算法的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，它們通過(guò)對(duì)旅游景點(diǎn)相關(guān)數(shù)據(jù)進(jìn)行聚類，將旅游景點(diǎn)劃分為多種類型，從而判斷其是否屬于旅游熱門(mén)景點(diǎn)，它們有各自的優(yōu)勢(shì)，自己有的適用范圍[7，8]，但是它們均屬于一種線性建模方法，認(rèn)為旅游熱門(mén)景點(diǎn)只具有線性變化特點(diǎn)，而實(shí)際上旅游熱門(mén)景點(diǎn)與當(dāng)前經(jīng)濟(jì)、旅客喜愛(ài)、景點(diǎn)自身特點(diǎn)均相關(guān)，具有一定的非線性、隨機(jī)性變化特點(diǎn)，因此它們對(duì)旅游熱門(mén)景點(diǎn)預(yù)測(cè)結(jié)果有待改善[9-11]。

針對(duì)傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型存在精度低、誤差大等缺陷，提出基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，并采用具體實(shí)例與傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型進(jìn)行了對(duì)比測(cè)試，結(jié)果表明，粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度要明顯優(yōu)于傳統(tǒng)旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，旅游熱門(mén)景點(diǎn)預(yù)測(cè)效率得到明顯改善。

1 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型

2.2 旅游熱門(mén)景點(diǎn)預(yù)測(cè)結(jié)果與分析

為了測(cè)試粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)結(jié)果的越性，選擇BP神經(jīng)網(wǎng)絡(luò)（BPNN）的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型、聚類分析算法的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，統(tǒng)計(jì)它們對(duì)表1各種旅游熱門(mén)景點(diǎn)的預(yù)測(cè)精度，結(jié)果具體如圖4所示。從圖4可以看出，本文模型的旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度為94.04%，BPNN的旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度為91.53%，聚類分析算法的旅游熱門(mén)景點(diǎn)精度為88.02%，相對(duì)于BPNN、聚類分析算法，本文方法的旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度分別提高3.51%和6.52%，有效減少了旅游熱門(mén)景點(diǎn)預(yù)測(cè)誤差，可以更好描述旅游熱門(mén)景點(diǎn)變化特點(diǎn)，獲得更優(yōu)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)效果。

統(tǒng)計(jì)了3種旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間，結(jié)果圖5所示。從圖5可以看出，相對(duì)于BPNN、聚類分析算法，本文旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間均有所降低，加快了旅游熱門(mén)景點(diǎn)預(yù)測(cè)的建模效率，可以進(jìn)行旅游熱門(mén)景點(diǎn)在線預(yù)測(cè)。

3 總結(jié)

為了提高旅游熱門(mén)景點(diǎn)預(yù)測(cè)精度，提出基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的旅游熱門(mén)景點(diǎn)預(yù)測(cè)模型，采用RBF神經(jīng)網(wǎng)絡(luò)描述旅游熱門(mén)景點(diǎn)進(jìn)行建模與分析，并對(duì)粒子群算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，通過(guò)仿真對(duì)比實(shí)驗(yàn)了測(cè)試本文方法的優(yōu)越性。

參考文獻(xiàn)

[1] 陸國(guó)鋒，黃曉燕，呂紹和，等.基于互聯(lián)網(wǎng)信息的多約束多目標(biāo)旅游路線推薦[J].計(jì)算機(jī)工程與科學(xué)，2016，38（1）：163-170.

[2] 姬鵬飛，李遠(yuǎn)剛，盧盛祺，等.基于語(yǔ)義Web的旅游路線個(gè)性化定制系統(tǒng)[J].計(jì)算機(jī)工程，2016，42（10）：308-317.

[3] 劉海鷗，孫晶晶，蘇妍嫄，等.基于用戶畫(huà)像的旅游情境化推薦服務(wù)研究[J].情報(bào)理論與實(shí)踐，2018，41（10）：87-92.

[4] 沈記全，王磊，侯占偉，等.基于情景上下文與信任關(guān)系的旅游景點(diǎn)推薦算法[J].計(jì)算機(jī)應(yīng)用研究，2018，35（12）：3640-3643.

[5] 李雅美，王昌棟.基于標(biāo)簽的個(gè)性化旅游推薦[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2017，47（7）：547-555.

[6] 李倩，許偉，蔣洪迅.考慮用戶口碑的旅游計(jì)劃個(gè)性化推薦方法研究[J].管理評(píng)論， 2016，28（6）：113-118.

[7] 劉艷，潘善亮.基于LBSN好友關(guān)系的個(gè)性化景點(diǎn)推薦方法[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（8）：117-122.

[8] 林甲祥，高敏節(jié)，陳崇成，等. 個(gè)性化旅游景點(diǎn)推薦中考慮約束的關(guān)聯(lián)規(guī)則挖掘算法[J].福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（3）：320-326.

[9] 張舜堯，常亮，古天龍，等.基于軌跡挖掘模型的旅游景點(diǎn)推薦[J].模式識(shí)別與人工智能，2019，32（5）：463-471.

[10] 李廣麗，朱濤，袁天，等. 混合分層抽樣與協(xié)同過(guò)濾的旅游景點(diǎn)推薦模型研究[J].數(shù)據(jù)采集與處理，2019，34（3）：566-576.

[11] 方偉欣，王新. 一種改進(jìn)的基于Geo-tagged照片的熱門(mén)旅游景點(diǎn)挖掘方法[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，27（6）：512-516.

[12] 邵光成，章坤，王志宇，等.基于IABC-RBF神經(jīng)網(wǎng)絡(luò)的地下水埋深預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2019，53（7）：1323-1330.

（收稿日期： 2019.10.28）