基于神經(jīng)網(wǎng)絡(luò)的游客流預(yù)測(cè)

曹 爽，張青鳳，張 雷，孫 濤

（運(yùn)城學(xué)院數(shù)學(xué)與信息技術(shù)學(xué)院，山西運(yùn)城044000）

0 引言

隨著經(jīng)濟(jì)的不斷發(fā)展，我國(guó)的旅游消費(fèi)需求開始不斷增長(zhǎng).旅游業(yè)成為了經(jīng)濟(jì)發(fā)展中的支柱型產(chǎn)業(yè)，它能夠帶動(dòng)經(jīng)濟(jì)消費(fèi)、解決就業(yè)問題等.對(duì)景區(qū)游客數(shù)量的精確預(yù)測(cè)［1-2］，可以幫助旅游相關(guān)部門制定合理的旅游規(guī)劃，優(yōu)化配置并避免因決策失誤造成的經(jīng)濟(jì)和環(huán)境損失.傳統(tǒng)的景區(qū)游客數(shù)量預(yù)測(cè)方法［3］，在面對(duì)突發(fā)狀況的預(yù)測(cè)結(jié)果和實(shí)際狀況之間的誤差很大［4］，而BP神經(jīng)網(wǎng)絡(luò)有處理該問題的能力［5］.本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)景區(qū)游客數(shù)量進(jìn)行預(yù)測(cè)［6］，預(yù)測(cè)結(jié)果更準(zhǔn)確，更適用于游客數(shù)量現(xiàn)實(shí)狀況的預(yù)測(cè).

1 BP神經(jīng)網(wǎng)絡(luò)原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)［7-8］也稱前饋神經(jīng)網(wǎng)絡(luò)［9］，是一種按照誤差逆向傳播［10］算法訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)［11］.它的參數(shù)權(quán)重值［12］是由反向傳播學(xué)習(xí)算法［13］進(jìn)行調(diào)整的，拓?fù)浣Y(jié)構(gòu)［14］包括輸入層（input）、隱藏層（hide layer）和輸出層（output）.利用激活函數(shù)實(shí)現(xiàn)從輸入到輸出的任意非線性映射，從而模擬各層神經(jīng)元之間的交互［15］，常用的激活函數(shù)為sigmoid函數(shù).

2 BP算法步驟

Wij表示隱含層第i個(gè)節(jié)點(diǎn)到輸入層第j個(gè)節(jié)點(diǎn)之間的權(quán)值；

Xi表示第i個(gè)輸入變量；

θi表示隱含層第i個(gè)節(jié)點(diǎn)的閾值；

Φ（x）表示隱含層的激勵(lì)函數(shù)；

ak表示輸出層第k個(gè)節(jié)點(diǎn)的閾值k=1，…，L；

Ψ（x）表示輸出層的激勵(lì)函數(shù)；

輸出層第k個(gè)節(jié)點(diǎn)的輸入Nk，k=1：

輸出層第k個(gè)節(jié)點(diǎn)的輸出Ok，k=1：

主要操作步驟如下：

1）將樣本數(shù)據(jù)分成測(cè)試集和訓(xùn)練集，并對(duì)其進(jìn)行歸一化處理.

max為樣本數(shù)據(jù)最大值，min為樣本數(shù)據(jù)最小值.

2）參數(shù)初始化.設(shè)置最大迭代次數(shù)、學(xué)習(xí)率、訓(xùn)練目標(biāo).

3）訓(xùn)練網(wǎng)絡(luò).并把歸一化數(shù)據(jù)放入網(wǎng)絡(luò)輸出數(shù)據(jù)，將得到的數(shù)據(jù)反歸一化得到預(yù)測(cè)結(jié)果.

3 數(shù)據(jù)仿真實(shí)驗(yàn)

使用軟件MATLAB R2016b編寫實(shí)驗(yàn)仿真代碼.

3.1 BP 網(wǎng)絡(luò)預(yù)測(cè)模型

3.1.1 BP預(yù)測(cè)模型輸入輸出變量

實(shí)驗(yàn)數(shù)據(jù)為山西省永濟(jì)市鸛雀樓2015-2019年5月份的每日游客數(shù)量及其他相關(guān)數(shù)據(jù)，由運(yùn)城市旅游局和氣象局提供.選出與游客當(dāng)天實(shí)際數(shù)量y關(guān)聯(lián)度最大的三個(gè)因素：運(yùn)城市的國(guó)內(nèi)生產(chǎn)總值o1（景區(qū)5月每天的收入），景區(qū)周圍酒店每日入住游客數(shù)量o2，景區(qū)網(wǎng)站每天的訂票數(shù)量o3作為BP網(wǎng)絡(luò)預(yù)測(cè)模型的三個(gè)輸入變量.

分析數(shù)據(jù)顯示，對(duì)景區(qū)鸛雀樓5月份游客數(shù)量波動(dòng)影響較大的兩大因素，分別是節(jié)假日和天氣，在節(jié)假日期間可發(fā)現(xiàn)游客數(shù)量明顯增加，雨天顯著減少.由于天氣和節(jié)假日均是非數(shù)值型變量，而神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值類型的輸入變量，所以對(duì)兩大因素采取如下變換：

t0=-1（節(jié)假日），t0=1（非節(jié)假日），t1=-1（雨天），t1=1（非雨天）；

其中，t0為節(jié)假日因素.t1為天氣因素.

綜上，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型共5個(gè)輸入變量，1個(gè)輸出變量.

3.1.2建立BP預(yù)測(cè)模型

BP網(wǎng)絡(luò)模型隱層節(jié)點(diǎn)數(shù)11，輸出節(jié)點(diǎn)數(shù)1，輸入節(jié)點(diǎn)數(shù)5，可得到5-11-1結(jié)構(gòu)的預(yù)測(cè)模型.共有11+1=12個(gè)閾值，11×1+11×5=66個(gè)權(quán)值，則向量空間維數(shù)D=78，模型的輸入向量為Vi=（o1，o2，o3，t1，t2），輸出向量為Y，則BP網(wǎng)絡(luò)模型的函數(shù)可表示為：Y=F（o1，o2，o3，t0，t1）.

3.2 評(píng)價(jià)準(zhǔn)則

實(shí)驗(yàn)從r2（擬合系數(shù)），RE（相對(duì)誤差絕對(duì)值），MAPE（平均絕對(duì)百分誤差）這三個(gè)角度對(duì)算法進(jìn)行評(píng)估，假設(shè)測(cè)試集有Np給測(cè)試點(diǎn)，預(yù)測(cè)點(diǎn)的平均值為yt，真實(shí)'值為yi，預(yù)測(cè)值為y，則

式（6）中，擬合系數(shù)r2用來評(píng)估模型的擬合能力，r2［0，1］，r2越接近1，則模型的擬合能力越強(qiáng).式（7），RE為預(yù)測(cè)點(diǎn)的預(yù)測(cè)誤差.式（8），實(shí)際值與預(yù)測(cè)值的整體相對(duì)偏差，用來評(píng)估算法的準(zhǔn)確性.

3.3 實(shí)驗(yàn)分析

山西省運(yùn)城永濟(jì)市鸛雀樓景區(qū)2019年5月份的31組數(shù)據(jù)用作測(cè)試數(shù)據(jù)集，2015-2018年5月份124組數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)集，并用來對(duì)BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試.

3.3.1 BP算法參數(shù)初始化

確定初始參數(shù)：設(shè)置最大迭代次數(shù)為K=200，學(xué)習(xí)率為0.01，訓(xùn)練目標(biāo)為0.00001.

3.3.2實(shí)驗(yàn)預(yù)測(cè)

因網(wǎng)絡(luò)初始化的權(quán)值、閾值是隨機(jī)的，所以每次運(yùn)算結(jié)果都不一樣，為找到理想結(jié)果，這里以3次預(yù)測(cè)為準(zhǔn).下圖為3次預(yù)測(cè)結(jié)果.

圖1為運(yùn)城2019年鸛雀樓游客數(shù)量預(yù)測(cè)，圖2為真實(shí)值和預(yù)測(cè)值之間得到相對(duì)誤差變化.

從圖1中可看出真實(shí)值曲線大致上位于預(yù)測(cè)值曲線下方.從圖2中可看出真實(shí)值和預(yù)測(cè)值間的相對(duì)誤差在0到0.5之間，部分變化幅度較大.在五一勞動(dòng)節(jié)前3天、后20天這2個(gè)時(shí)段相對(duì)誤差預(yù)測(cè)準(zhǔn)確度相對(duì)較高，整體預(yù)測(cè)效果較好.

從表1中可看出，3次預(yù)測(cè)的擬合系數(shù)r2值在90%以上，擬合能力良好.平均絕對(duì)百分誤差值MAPE在10%左右，算法準(zhǔn)確度較高.BP網(wǎng)絡(luò)預(yù)測(cè)模型實(shí)驗(yàn)結(jié)果理想.

表1 三次預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)值.

實(shí)驗(yàn)結(jié)果表明BP模型能有效解決非線性回歸問題，在景區(qū)游客數(shù)量預(yù)測(cè)方面表現(xiàn)良好.但值得說明的是在5月5、22、23日這三天相對(duì)誤差不穩(wěn)定，BP模型對(duì)景區(qū)游客數(shù)量波動(dòng)性方面的適應(yīng)力有待提高.

4 結(jié)束語

對(duì)于游客數(shù)量的預(yù)測(cè)可以為旅游規(guī)劃部門和旅游管理部門提供指導(dǎo)和幫助，具有至關(guān)重要的意義和作用，本文通過分析景區(qū)游客數(shù)量的強(qiáng)非線性和動(dòng)態(tài)性，提出基于BP神經(jīng)網(wǎng)絡(luò)的游客數(shù)量預(yù)測(cè)算法.相比傳統(tǒng)算法解決了因突發(fā)情況而帶來的誤差，提高了預(yù)測(cè)的效果和精確性，使研究成果更具科學(xué)性和應(yīng)用價(jià)值.對(duì)鸛雀樓游客數(shù)量預(yù)測(cè)的實(shí)際預(yù)測(cè)顯示，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型有較高的預(yù)測(cè)準(zhǔn)確率，用于景區(qū)游客數(shù)量預(yù)測(cè)是有效的.以后的研究重點(diǎn)是如何進(jìn)一步提高BP算法對(duì)景區(qū)游客數(shù)量的預(yù)測(cè)精度.