• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于APSO-SVR的山岳風(fēng)景區(qū)短期客流量預(yù)測

    2013-11-16 03:24:22梁昌勇馬銀超
    旅游科學(xué) 2013年3期
    關(guān)鍵詞:山岳客流量風(fēng)景區(qū)

    陳 榮 梁昌勇 梁 焱 馬銀超

    (合肥工業(yè)大學(xué)管理學(xué)院,安徽合肥 230009)

    山岳風(fēng)景區(qū)是以山地為主要風(fēng)景資源和構(gòu)景要素的具有美感的地域綜合體(周維權(quán),2006)。一些山岳風(fēng)景區(qū)由于其獨特的地形地貌、植被景觀、人文景觀成為熱點旅游目的地,客流量經(jīng)常處于超飽和狀態(tài),尤其在旅游旺季。這對景區(qū)接待容納能力提出了嚴(yán)峻考驗。準(zhǔn)確地預(yù)測短期客流量,可以使景區(qū)管理部門提前規(guī)劃、科學(xué)決策。然而,由于受到各種因素如歷史客流量、天氣等影響,短期客流量往往呈現(xiàn)復(fù)雜的非線性特征,同時由于國內(nèi)大部分景區(qū)信息化起步較晚,有記錄的客流量數(shù)據(jù)較少(小樣本),造成客流量預(yù)測值和真實值之間存在較大偏差,這給景區(qū)的資源調(diào)度等工作帶來一定的難度。因此建立一個科學(xué)準(zhǔn)確的、能反映與歷史客流量、天氣等要素有定量關(guān)系的短期客流量預(yù)測模型,對山岳風(fēng)景區(qū)乃至整個旅游行業(yè)意義重大。

    早期的旅游客流量預(yù)測方法起源于上世紀(jì)30年代,以傳統(tǒng)時間序列預(yù)測方法為主,如指數(shù)平滑模型(Exponential Smoothing,ES)(Christiaanse,1971)、自回歸滑動平均模型(Autoregressive Moving Average,ARMA)、自回歸求和滑動平均模型(Autoregressive Integrated Moving Average,ARIMA) 等 (Box,Piercd,1970;Box,Jenkins,1976)。傳統(tǒng)時間序列預(yù)測方法重在時間趨勢的外推,對具有線性特征的旅游客流量有很好的預(yù)測效果,但往往難以實現(xiàn)復(fù)雜的非線性旅游客流量預(yù)測。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)作為一種新的智能算法,具有良好的非線性數(shù)據(jù)的處理能力(Rob,2000),為非線性旅游客流量預(yù)測提供了一種選擇,但由于受“收斂速度慢、難以確定網(wǎng)絡(luò)結(jié)構(gòu)、局部最優(yōu)”等缺點的制約(牛東曉,邢棉,1999),也難以達(dá)到所需預(yù)測效果。上世紀(jì)90年代中期,Vapnik等(2009)提出了支持向量回歸(Support Vector Regression,SVR)(Vapnik,2009)。該方法在解決小樣本、非線性旅游客流量預(yù)測方面表現(xiàn)出許多特有的優(yōu)勢,逐漸成為學(xué)者們預(yù)測旅游客流量的一種重要工具。Hong(2006)使用SVR預(yù)測巴巴多斯島(Barbados)的旅游客流量,對比方法為ARIMA、ANN;Chen和Wang(2007)使用SVR預(yù)測2000年~2001年中國入境游客流量,并與ARIMA、反向傳播神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Networks,BPNN)進(jìn)行對比;Cai等(2009)將SVR與BPNN對比預(yù)測陜西省客流量;Chen(2011)在預(yù)測臺灣的出游人數(shù)時,將SVR與ES、ARIMA和BPNN進(jìn)行比較。上述文獻(xiàn)最終預(yù)測結(jié)果均顯示:SVR預(yù)測效果優(yōu)于ES、ARIMA等傳統(tǒng)時間序列預(yù)測方法和BPNN等ANN算法,原因在于它克服了傳統(tǒng)時間序列預(yù)測方法和ANN的上述缺點。

    SVR良好的預(yù)測效果依賴于自由參數(shù)的正確選擇。因此,根據(jù)實際的數(shù)據(jù)模型選擇恰當(dāng)?shù)淖杂蓞?shù)成為關(guān)鍵問題。自適應(yīng)粒子群算法(Adaptive Particle Swarm Optimization,APSO)(Kennedy,Eberhart,1995)是在粒子群算法的基礎(chǔ)發(fā)展起來的一種進(jìn)化算法,它通過慣性權(quán)重的自動更新,克服了PSO的早熟、振蕩現(xiàn)象。目前APSO已經(jīng)被廣泛應(yīng)用于非線性及復(fù)雜優(yōu)化問題的參數(shù)尋優(yōu)等領(lǐng)域。

    基于上述分析,本文提出APSO-SVR短期客流量預(yù)測模型,并將這種模型與山岳風(fēng)景區(qū)短期客流量的特點相結(jié)合,得到一種短期客流量的智能預(yù)測方法。最后以黃山風(fēng)景區(qū)為例,通過對其每日客流量影響因素的分析,建立了一個與歷史客流量、電子商務(wù)網(wǎng)上訂票客流量、人體舒適度等影響因素有定量關(guān)系的APSO-SVR短期客流量預(yù)測模型。該模型相對于目前國內(nèi)大部分旅游景區(qū)以感性管理經(jīng)驗為主的預(yù)測方式,及目前文獻(xiàn)以月數(shù)據(jù)(Kulendran,Shan,2002)、季數(shù)據(jù)(Lim,McAleer,2002)和年數(shù)據(jù)(Papatheodorou,Song,2005)為主體中長期客流量預(yù)測來說,是一個突破。

    1 APSO-SVR方法

    1.1 SVR 原理

    SVR通過非線性變換將輸入向量變換到一個高維的特征空間,然后在這個特征空間中求取最優(yōu)線性分類面,使分類邊界即分類平面與最近點(支持向量)之間的距離最大;并且這種非線性變換是通過定義合適的核函數(shù)來實現(xiàn),然后將SVR問題轉(zhuǎn)化為一個二次規(guī)劃問題,從而求解(劉涵,等,2005)。

    設(shè)給定的訓(xùn)練數(shù)據(jù)(xi,yi),i=1,2,…,n,xi=Rn,yi∈R,這里 xi為輸入向量,即客流量的影響因素,yi為xi相對應(yīng)的輸出值,即客流量的預(yù)測值,n為訓(xùn)練數(shù)據(jù)的數(shù)目,SVR通過下式來估計函數(shù):

    其中w為高維空間的元素,φ(x)為非線性映射,b為給定的閾值。這樣在高維特征空間的線性回歸便對應(yīng)于低維輸入空間的非線性回歸,免去了在高維空間w和φ(x)的點積計算(陳荔,馬榮國,2010)。根據(jù)結(jié)構(gòu)風(fēng)險最小化原則,上述函數(shù)回歸問題就是尋求使風(fēng)險最小的f,即

    求解上述問題,引入Lagrange函數(shù),利用KKT(Karush-Kuhn-Tucker)條件(Vapnik,2009),最后得到回歸函數(shù)f(x)的表達(dá)式:

    其中,a,a*Lagrange乘子,k(xi,x)=Φ(xi)Φ(x)為一個滿足 Mercer條件的核函數(shù)。該函數(shù)可在不知非線性變換的具體形式下實現(xiàn)算法的非線性化。根據(jù)旅游客流量非線性的特點,本文選取Gaussian徑向基函數(shù)為核函數(shù),即

    這里xi、x分別為訓(xùn)練集和測試集輸入向量,即旅游客流量影響因素;σ是徑向基函數(shù)自帶參數(shù),隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布。

    1.2 APSO算法參數(shù)尋優(yōu)原理

    在APSO算法中,每個優(yōu)化問題的潛在解稱之為“粒子”,對應(yīng)于SVR模型自由參數(shù)(C,ε,σ)的可能解,將第i個粒子在n維空間的位置、飛行速度和最優(yōu)值分別設(shè)為(Hong,2009):

    所有粒子x(k)=(x(k)1,x(k)2,…,x(k)N)的全局最優(yōu)解為:

    粒子在找到個體最優(yōu)值和全局最優(yōu)解后,根據(jù)下面公式更新自己的速度、位置與慣性權(quán)重:

    上式中r1、r2為分布在[0,1]區(qū)間的隨機數(shù);c1和 c2為非負(fù)常數(shù),稱為加速因子;w是慣性權(quán)重函數(shù),wmin、wmax分別是預(yù)先設(shè)定的最小權(quán)重和最大權(quán)重,f、fmin、favg分別為粒子當(dāng)前適應(yīng)值、最小適應(yīng)值、平均適應(yīng)值。由(13)可知,適應(yīng)值大于粒子群平均適應(yīng)值的粒子取較小w,能保護(hù)該粒子;小于平均適應(yīng)值的粒子取較大w,能使粒子更快速地趨向較好的搜索空間。APSO算法中w隨適應(yīng)值函數(shù)自動改變的特點,保障了粒子的多樣性及算法的收斂性,對平衡算法全局和局部的搜索能力,準(zhǔn)確發(fā)現(xiàn)最優(yōu)解意義重大(Han,Ling,2008),克服了傳統(tǒng)算法如PSO、GA等早熟和振蕩問題。

    1.3 APSO-SVR 模型

    綜上所述,APSO-SVR模型具體步驟如下。

    步驟1 將所研究的訓(xùn)練數(shù)據(jù)分成訓(xùn)練集和測試集,分別輸入模型,并通過(xt-xmin)/(xmax-xmin)將訓(xùn)練數(shù)據(jù)歸一化到[0,1]。這里xmin、xmax分別表示訓(xùn)練數(shù)據(jù)里每類數(shù)據(jù)的最小值和最大值。

    步驟2 定義SVR的自由參數(shù)(Ci,εi,σi)為初始化種群的粒子,其初始位置和速度分別為(xci,xεi,xσi),(vci,vεi,vσi);

    步驟3 初始化粒子,確定種群規(guī)模、迭代次數(shù)、學(xué)習(xí)因子c1,c2和wmax,wmin的值,用 SVR模型訓(xùn)練集對其進(jìn)行訓(xùn)練,測試集進(jìn)行驗證,交叉驗證(Cross Validation,CV)作為參數(shù)優(yōu)化準(zhǔn)則,均方誤差(Mean Square Error,MSE)為適應(yīng)值函數(shù)(杜京義,侯媛彬,2006):

    其中yi分別為客流量預(yù)測的實際值、預(yù)測值,n是測試樣本的數(shù)目。根據(jù)(14)式,計算所有粒子的適應(yīng)值。根據(jù)適應(yīng)值,將每個粒子最優(yōu)位置(pci,pεi,pσi)和最優(yōu)適應(yīng)值fbesti設(shè)置為個體初始位置和適應(yīng)值;將群體最優(yōu)位置(pcg,pεg,pσg)和最優(yōu)適應(yīng)值fglobalbesti設(shè)置為群體初始位置和適應(yīng)值。

    步驟4 根據(jù)式(11)~式(13)更新每個粒子的速度、位置及慣性權(quán)重w,將每一個粒子的當(dāng)前適應(yīng)值與 fbesti比較,若當(dāng)前適應(yīng)值優(yōu),則位置(pci,pεi,pσi)和其適應(yīng)值更新為當(dāng)前位置和適應(yīng)值。

    步驟5 根據(jù)最優(yōu)適應(yīng)值,決定整個種群的最優(yōu)粒子對。如果其適應(yīng)值小于fglobalbesti,則位置(pcg,pεg,pσg)和其適應(yīng)值更新為當(dāng)前最優(yōu)位置和適應(yīng)值。

    步驟6 如果達(dá)到停止準(zhǔn)則,則最優(yōu)位置(pcg,pεg,pσg)和 fglobalbesti已決定,否則返回步驟4。

    步驟7 通過最優(yōu)位置對應(yīng)得到最優(yōu)參數(shù)(Cbesti,εbesti,σbesti),將其帶入SVR模型進(jìn)行預(yù)測,得到預(yù)測輸出值。

    2 應(yīng)用實例分析

    2.1 數(shù)據(jù)來源及內(nèi)容① 如無特別說明,本文有關(guān)黃山風(fēng)景區(qū)的統(tǒng)計數(shù)據(jù)均來自黃山風(fēng)景區(qū)管理委員會信息中心。

    作為我國著名的5A級山岳風(fēng)景區(qū),黃山以“奇松、怪石、云海、溫泉”著稱于世。每年的暑期(7月、8月)為黃山景區(qū)的旅游旺季。2008年~2011年,黃山風(fēng)景區(qū)暑期客流總量占全年客流總量的百分比分別為24.62%、25.29%、24.76%和25.70%??土髁慷喽校掷m(xù)時間長,給景區(qū)的資源和調(diào)度等工作造成很大的壓力,因此本文選取黃山風(fēng)景區(qū)2008年~2011年暑期每日數(shù)據(jù)作為APSO-SVR模型的研究對象,具有一定的代表性。數(shù)據(jù)包括:每日客流量、昨日客流量、每日上午8點前客流量、每日通過電子商務(wù)(網(wǎng)上)訂票的客流量和每日人體舒適度指數(shù),其中每日黃山風(fēng)景區(qū)暑期每日數(shù)據(jù)包括:每日客流量、昨日客流量、每日上午8點前客流量、每日通過電子商務(wù)(網(wǎng)上)訂票的客流量和每日人體舒適度指數(shù),其中每日人體舒適度指數(shù)通過每日溫度、濕度、風(fēng)向和風(fēng)速等的值轉(zhuǎn)化而來(秦海超,等,2006)。具體如圖1、圖2所示(昨日客流量因與每日客流量只差1天,故圖1未列出)。

    圖1 2008年~2011年暑期每日客流量

    圖2 2008年~2011年暑期每日人體舒適度值① 人體舒適度指數(shù)(ssd)=(1.818t+18.18)(0.88+0.002f)+(t-32)/(45 - t) -3.2v+18.2。其中t為平均氣溫,f為相對濕度,v為風(fēng)速。

    2.2 暑期短期客流量影響因素的確定

    暑期短期客流量影響因素作為SVR模型的輸入,其正確選擇對預(yù)測的準(zhǔn)確性起著至關(guān)重要的作用。圖1、圖2顯示:每日上午8點前客流量、每日通過電子商務(wù)訂票客流量、昨日客流量、每日人體舒適度指數(shù)和每日客流量的變化幾乎同周期,說明它們對每日客流量產(chǎn)生一定影響。為了進(jìn)一步確定這4個因素對每日客流量的影響程度,分別將它們與每日客流量進(jìn)行兩兩相關(guān)性分析(孫滿英,等,2008;周巍,等,2004)。具體結(jié)果見表1。

    表1 每日客流量影響因素相關(guān)性分析

    表1顯示,上午8點前客流量、電子商務(wù)訂票客流量與每日客流量高度相關(guān),昨日客流量、人體舒適度指數(shù)與每日客流量中度相關(guān),說明這4個因素對每日客流量產(chǎn)生決定性的影響,因此可將它們作為每日客流量的影響因素即SVR模型的輸入。

    2.3 暑期每日客流量APSO-SVR模型預(yù)測

    根據(jù)模型需要,將影響因素分為訓(xùn)練集和測試集兩部分,作為SVR輸入,其中2008年~2010年暑期數(shù)據(jù)為訓(xùn)練集,2011年暑期數(shù)據(jù)為測試集,每日客流量預(yù)測值為SVR模型輸出。通過Matlab7.0試驗平臺,按照APSO-SVR模型步驟,輸入數(shù)據(jù)、歸一化,定義SVR自由參數(shù)初始化種群的粒子,然后對種群規(guī)模、進(jìn)化代數(shù)、學(xué)習(xí)因子、自適應(yīng)權(quán)重進(jìn)行反復(fù)取值測試,最終將APSO各參數(shù)設(shè)置為:粒子種群規(guī)模為20,進(jìn)化終止次數(shù)設(shè)為100(每代MSE誤差隨進(jìn)化次數(shù)變化趨勢如圖3所示),c1=1.5,c2=1.7,wmax=0.9,wmin=0.1,CV 采用 10 折(與 5 折對比)。通過APSO參數(shù)尋優(yōu),最終獲得SVR模型的最優(yōu)參數(shù)值分別為:C=10.3673,σ=4,ε=0.0312,支持向量個數(shù)為77。用獲得的最優(yōu)參數(shù)值帶入SVR模型,得到2011年暑期每日客流量預(yù)測值,此時的預(yù)測值誤差最小、精度最高。

    圖3 MSE隨進(jìn)化次數(shù)變化趨勢

    2.4 預(yù)測結(jié)果比較

    為了進(jìn)一步驗證APSO-SVR模型的準(zhǔn)確性和有效性,將其與PSO-SVR、遺傳算法(Genetic Algorithm,GA)-SVR和BPNN方法對比。預(yù)測結(jié)果比較分析如下:

    (1)擬合能力與預(yù)測能力。訓(xùn)練集和測試集的預(yù)測值分別反映模型的擬合能力和預(yù)測能力,擬合和預(yù)測能力越強,模型預(yù)測的準(zhǔn)確性就越高。圖4(a)~(c)反映了各模型對2008年~2010年數(shù)據(jù)的擬合能力,結(jié)果顯示APSO-SVR的擬合能力強于其他3個模型。圖5和表2反映了各模型2011年暑期預(yù)測值與實際值的比較結(jié)果:APSO-SVR較其他3個模型的預(yù)測效果更優(yōu)(圖5);2011年暑期62天中,APSO-SVR預(yù)測值最接近實際值的天數(shù)為41天,而PSO-SVR、GA-SVR和BPNN分別為14天、5天和2天(表2)。上述結(jié)果進(jìn)一步說明APSO-SVR預(yù)測準(zhǔn)確性更高,其次是PSO-SVR和GA-SVR,BPNN預(yù)測效果較差。

    (2)預(yù)測性能指標(biāo)評價。平均絕對誤差(Mean Absolute Error,MAE)、平均絕對百分誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)和相關(guān)系數(shù)R等指標(biāo)常被人們用來評價模型預(yù)測優(yōu)劣:MAE、MAPE和RMSE反映了實際值和預(yù)測值之間的偏差,它們的值越低,表明實際值和預(yù)測值越接近;R反映了實際值和預(yù)測值之間的相關(guān)程度,R值越接近于1,實際值和預(yù)測值相關(guān)程度越高,預(yù)測的準(zhǔn)確性越高。表3的指標(biāo)值表明,APSO-SVR的所有指標(biāo)均好于其他三個模型,其次為PSO-SVR和GA-SVR,BPNN預(yù)測效果較差。再次證明APSO-SVR模型效果最優(yōu)。

    (3)原因分析。出現(xiàn)上述情況可能有兩方面的原因:第一,目前所獲取的短期客流量數(shù)據(jù)小樣本、非線性的特征,符合了SVR對小樣本、非線性數(shù)據(jù)預(yù)測有效的特點;BPNN是大樣本分析方法,對小樣本數(shù)據(jù)泛化能力較差,而且當(dāng)輸入變量,即客流量影響因素較多時會使得神經(jīng)網(wǎng)絡(luò)模型面臨“維數(shù)災(zāi)難”問題,往往達(dá)不到所需的預(yù)測精度,因此以SVR為基礎(chǔ)的模型整體預(yù)測效果優(yōu)于BPNN模型。第二,在和PSO、GA算法的比較中,APSO可根據(jù)適應(yīng)值與粒子群平均適應(yīng)值的變化自動調(diào)整權(quán)重。這種特點使得該算法具有更優(yōu)的全局搜索能力,有效地避免了PSO、GA的早熟收斂、振蕩等問題,因此APSO參數(shù)選優(yōu)效果好于PSO和GA。

    基于以上原因,APSO-SVR模型預(yù)測準(zhǔn)確性更高,誤差更小,是進(jìn)行山岳風(fēng)景區(qū)短期客流量預(yù)測的一種有效的工具。

    表2 2011年暑期每日客流量實際值與預(yù)測值對比(歸一化后)

    表3 預(yù)測模型評價指標(biāo)比較

    3 結(jié)論

    準(zhǔn)確預(yù)測山岳風(fēng)景區(qū)短期客流量可以為其資源統(tǒng)一管理和合理調(diào)度提供直接信息,為管理者科學(xué)決策提供直接依據(jù),對山岳風(fēng)景區(qū)乃至整個旅游行業(yè)具有重要的指導(dǎo)價值和實踐意義。

    山岳風(fēng)景區(qū)短期客流量具有小樣本、非線性等特點,使用傳統(tǒng)時間序列預(yù)測方法及ANN等對其進(jìn)行預(yù)測,難以得到有效的結(jié)果。本文提出的APSO-SVR預(yù)測模型,融合SVR小樣本、非線性預(yù)測的能力及APSO算法收斂速度快、自適應(yīng)全局搜索能力強的優(yōu)勢,將模型應(yīng)用于黃山風(fēng)景區(qū)2011年暑期每日客流量預(yù)測,并將預(yù)測結(jié)果與PSO-SVR、GA-SVR和BPNN進(jìn)行對比,結(jié)果表明:相對于其他模型,APSO-SVR模型更有效地實現(xiàn)了每日客流量的預(yù)測,準(zhǔn)確性更高,誤差更小,是進(jìn)行山岳風(fēng)景區(qū)短期客流量預(yù)測的一種有效工具。模型真實反映出每日客流量預(yù)測值與歷史客流量、電子商務(wù)訂票客流量、人體舒適度等要素之間的定量關(guān)系,易于執(zhí)行,其預(yù)測結(jié)果簡單可視,除了應(yīng)用于景區(qū)游客預(yù)測,還可以推廣到交通、酒店等相似領(lǐng)域的客流量預(yù)測。

    致謝:感謝黃山風(fēng)景區(qū)管理委員會信息中心為本文提供了研究數(shù)據(jù)。

    [1]Box G E P,Jenkins G M,Reinsel G C.Time Series Analysis:Forecasting and Control(4th edition)[M].A John Wile & Sons,Inc,1976.

    [2]Box G E P,Piercd D A.Distribution of residual autocorrelations in autoregressive integrated moving average time series models[J].Journal of the American Statistical Association,1970,65(332):1509-1526.

    [3]Cai Z J,Lu S,Zhang X B.Tourism demand forecasting by support vector regression and genetic algorithm[C].2nd IEEE International Conference on Computer Science and Information Technology,Chongqing,2009:144-146.

    [4]Chen K Y.Combining linear and nonlinear model in forecasting tourism demand[J].Expert Systems with Applications,2011,38(8):10368-10376.

    [5]Chen K Y,Wang C H.Support vector regression with genetic algorithms in forecasting tourism demand[J].Tourism Management,2007(28):215-226.

    [6]Christiaanse W R.Short-term load forecasting using general exponential smoothing[J].IEEE Transactions on Power Apparatus and Systems,1971,90(2):900-911.

    [7]Han F,Ling Q H.A new approach for function approximation incorporating adaptive particle swarm optimization and a priori information[J].Applied Mathematics and Computation,2008,205(2):792-798.

    [8]Hong W C.The application of support vector machines to forecast tourist arrivals in Barbados:an empirical study[J].International Journal of Management,2006,23(2):375-385.

    [9]Hong W C.Chaotic particle swarm optimization algorithm in a support vector regression electric load forecasting model[J].Energy Conversion and Management,2009,50(1):105-117.

    [10]Kennedy J,Eberhart R C.Particle swarm optimization[C].Proceedings of IEEE international conference neural networks,1995:1942-1948.

    [11]Kulendran N,Shan J.Forecasting China’s monthly in bound travel demand[J].Journal of Travel& Tourism Marketing,2002,13(1 -2):5-19.

    [12]Lim C,McAleer M.Time-series forecasts of international travel demand for Australia[J].Tourism Management,2002,23(4):389-396.

    [13]Pai P F,Hong W C,Chang P T,et al.The application of support vector machines to forecast tourist arrivals in Barbados:an empirical study[J].International Journal of Management,2006,123(2):375-385.

    [14]Papatheodorou A,Song H Y.International tourism forecasts:time-series analysis of world regional data[J].Tourism Economics,2005,11(1):11-23.

    [15]Rob L.Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting[J].Tourism Management,2000,21(4):331-340.

    [16]Vapnik V N.The Nature of Statistical Learning Theory[M].許建華,張學(xué)工,譯.北京:電子工業(yè)出版社,2009.

    [17]陳荔,馬榮國.基于支持向量機的都市圈客運量預(yù)測模型[J].交通運輸工程學(xué)報,2010(6):75-81.

    [18]杜京義,侯媛彬.基于遺傳算法的支持向量回歸機參數(shù)選?。跩].系統(tǒng)工程與電子技術(shù),2006(9):1430-1433.

    [19]劉涵,劉丁,李琦.基于支持向量機的混沌時間序列非線性預(yù)測[J].系統(tǒng)工程理論與實踐,2005(9):94-99.

    [20]牛東曉,邢棉.時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的研究[J].系統(tǒng)工程理論與實踐,1999(5):89-92.

    [21]秦海超,王瑋,周暉,等.人體舒適度指數(shù)在短期電力負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報,2006(2):63-66.

    [22]周巍,陳秋紅,肖晶,盧毅.人體舒適度指數(shù)對用電負(fù)荷的影響[J].電力需求側(cè)管理,2004(3):54-56.

    [23]周維權(quán).園林.風(fēng)景.建筑[M].天津:百花文藝出版社,2006.

    [24]孫滿英,周秉根,程曉麗.九華山旅游氣候適宜性及其對客流量影響[J].池州學(xué)院學(xué)報,2008(5):104-107.

    猜你喜歡
    山岳客流量風(fēng)景區(qū)
    When Dose a Hill Become a Mountain什么時候一座山丘成為一座山岳?
    動物派對
    山岳的瓦倫丁 Marco Pantani
    中國自行車(2018年4期)2018-05-26 09:01:39
    基于嵌入式系統(tǒng)的商場客流量統(tǒng)計算法
    明月湖水利風(fēng)景區(qū)的水文化挖掘與詮釋
    GIS在風(fēng)景區(qū)用地適宜性評價的應(yīng)用——以威海市圣水觀風(fēng)景區(qū)為例
    用“尚方寶劍”保護(hù)沙澧河風(fēng)景區(qū)
    基于AFC數(shù)據(jù)的城軌站間客流量分布預(yù)測
    從客流量推算公交出行PA矩陣的方法
    新建旅游項目客流量分析方法初探
    美女黄网站色视频| 欧美激情在线99| 国产精品久久视频播放| 少妇熟女欧美另类| 日本一本二区三区精品| 黄色配什么色好看| 国产极品天堂在线| 丰满人妻一区二区三区视频av| 卡戴珊不雅视频在线播放| 国产中年淑女户外野战色| 国产成人a区在线观看| 国产男女超爽视频在线观看| 日本wwww免费看| 搡老妇女老女人老熟妇| 亚洲av电影不卡..在线观看| 欧美人与善性xxx| 亚洲av中文av极速乱| 日韩三级伦理在线观看| 春色校园在线视频观看| 中文字幕久久专区| 国产永久视频网站| 国产精品日韩av在线免费观看| 午夜精品在线福利| 一级毛片aaaaaa免费看小| 高清午夜精品一区二区三区| 国产一区亚洲一区在线观看| 久久久久精品性色| kizo精华| 亚洲真实伦在线观看| 激情五月婷婷亚洲| 欧美丝袜亚洲另类| 中国美白少妇内射xxxbb| 亚洲精品亚洲一区二区| 成人漫画全彩无遮挡| 国产中年淑女户外野战色| 亚洲av中文字字幕乱码综合| 亚洲精品乱码久久久久久按摩| 亚洲av成人av| 国产美女午夜福利| 在线播放无遮挡| 男人舔奶头视频| 夫妻午夜视频| 成年人午夜在线观看视频 | 日本-黄色视频高清免费观看| 亚洲国产精品专区欧美| 日本一二三区视频观看| 久久久a久久爽久久v久久| 全区人妻精品视频| 午夜激情久久久久久久| 男人爽女人下面视频在线观看| 又黄又爽又刺激的免费视频.| 亚洲成人av在线免费| 亚洲欧美成人综合另类久久久| 亚洲精品久久午夜乱码| 如何舔出高潮| 亚洲成人av在线免费| 日韩制服骚丝袜av| 久久久色成人| 赤兔流量卡办理| 亚洲精品视频女| 激情五月婷婷亚洲| 国产v大片淫在线免费观看| 国产亚洲精品av在线| 蜜臀久久99精品久久宅男| a级毛片免费高清观看在线播放| 最近2019中文字幕mv第一页| 国产午夜精品论理片| av在线观看视频网站免费| 亚洲最大成人av| a级毛色黄片| 国产伦一二天堂av在线观看| 国内揄拍国产精品人妻在线| 丰满少妇做爰视频| 久久精品熟女亚洲av麻豆精品 | 一个人观看的视频www高清免费观看| 午夜精品国产一区二区电影 | 亚洲国产日韩欧美精品在线观看| 成人午夜精彩视频在线观看| 内射极品少妇av片p| 最近中文字幕2019免费版| 国产av在哪里看| 久久久久精品久久久久真实原创| 国产精品人妻久久久影院| 一级毛片电影观看| 91久久精品国产一区二区成人| 久久久色成人| 国产v大片淫在线免费观看| videos熟女内射| 欧美日本视频| 网址你懂的国产日韩在线| 2022亚洲国产成人精品| 国产一区二区在线观看日韩| 中文字幕制服av| 午夜爱爱视频在线播放| 丝袜美腿在线中文| 日日摸夜夜添夜夜爱| 午夜爱爱视频在线播放| 亚洲人成网站在线播| 日日啪夜夜爽| 一级爰片在线观看| 看黄色毛片网站| 亚洲欧美精品自产自拍| 日本免费在线观看一区| 精品人妻视频免费看| 免费观看无遮挡的男女| 国产免费又黄又爽又色| 国产精品福利在线免费观看| 免费观看无遮挡的男女| 男女那种视频在线观看| 亚洲真实伦在线观看| 嫩草影院新地址| 欧美高清性xxxxhd video| 三级男女做爰猛烈吃奶摸视频| 高清日韩中文字幕在线| 97精品久久久久久久久久精品| 中国美白少妇内射xxxbb| 五月伊人婷婷丁香| 老司机影院成人| 99久久精品一区二区三区| 亚洲精品,欧美精品| 一二三四中文在线观看免费高清| 久久久久久久亚洲中文字幕| 亚洲精品,欧美精品| 日日干狠狠操夜夜爽| 午夜精品国产一区二区电影 | 国内精品一区二区在线观看| xxx大片免费视频| 免费黄色在线免费观看| 网址你懂的国产日韩在线| 爱豆传媒免费全集在线观看| 色视频www国产| 亚洲欧美日韩东京热| 在线观看一区二区三区| 亚洲高清免费不卡视频| 国产综合懂色| 蜜臀久久99精品久久宅男| 啦啦啦中文免费视频观看日本| 九九爱精品视频在线观看| 99视频精品全部免费 在线| 五月玫瑰六月丁香| 欧美3d第一页| 亚洲国产高清在线一区二区三| 国产精品国产三级国产av玫瑰| 国产成人aa在线观看| 日日摸夜夜添夜夜添av毛片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产在视频线精品| 中国美白少妇内射xxxbb| 日韩不卡一区二区三区视频在线| 在线 av 中文字幕| 国内精品一区二区在线观看| 国产精品日韩av在线免费观看| 免费看日本二区| 国产高清不卡午夜福利| 男女国产视频网站| 又爽又黄a免费视频| 永久免费av网站大全| 我要看日韩黄色一级片| 乱码一卡2卡4卡精品| av网站免费在线观看视频 | 国产在线男女| 亚洲av男天堂| 天堂俺去俺来也www色官网 | 69av精品久久久久久| 真实男女啪啪啪动态图| 久久国产乱子免费精品| av卡一久久| 午夜精品一区二区三区免费看| ponron亚洲| 国产男人的电影天堂91| 街头女战士在线观看网站| 国产伦一二天堂av在线观看| 在线播放无遮挡| 少妇熟女aⅴ在线视频| av在线蜜桃| 欧美日韩精品成人综合77777| 一级毛片电影观看| 一区二区三区乱码不卡18| 欧美日韩亚洲高清精品| av专区在线播放| 久久久久久久久久人人人人人人| 在线观看一区二区三区| 一级毛片久久久久久久久女| 亚洲精品第二区| 夜夜爽夜夜爽视频| 成人亚洲欧美一区二区av| 久久热精品热| 一级片'在线观看视频| 亚洲一区高清亚洲精品| 日韩欧美 国产精品| 天美传媒精品一区二区| 日韩欧美一区视频在线观看 | 国产精品一二三区在线看| 三级经典国产精品| 97在线视频观看| 狠狠精品人妻久久久久久综合| 高清午夜精品一区二区三区| 日韩制服骚丝袜av| or卡值多少钱| 肉色欧美久久久久久久蜜桃 | 亚洲av日韩在线播放| 国产三级在线视频| 97在线视频观看| 午夜爱爱视频在线播放| av在线老鸭窝| 99re6热这里在线精品视频| 免费看a级黄色片| 日韩欧美三级三区| 午夜福利视频精品| 如何舔出高潮| 精品久久久久久久人妻蜜臀av| 久久热精品热| 久久精品综合一区二区三区| 亚洲婷婷狠狠爱综合网| 身体一侧抽搐| 亚洲精品自拍成人| 日本与韩国留学比较| 国产精品久久久久久精品电影| 欧美三级亚洲精品| 国产精品一及| 日韩av在线大香蕉| 国产精品国产三级国产专区5o| 天堂av国产一区二区熟女人妻| 纵有疾风起免费观看全集完整版 | 超碰av人人做人人爽久久| 精品人妻一区二区三区麻豆| av国产免费在线观看| 日韩亚洲欧美综合| av天堂中文字幕网| 欧美zozozo另类| 极品少妇高潮喷水抽搐| 不卡视频在线观看欧美| 国内精品宾馆在线| 国产片特级美女逼逼视频| 老女人水多毛片| 午夜福利在线观看免费完整高清在| 国产成人精品婷婷| 亚洲成人久久爱视频| 久久久欧美国产精品| 免费高清在线观看视频在线观看| 搡老乐熟女国产| 国产中年淑女户外野战色| 内射极品少妇av片p| 又大又黄又爽视频免费| 午夜福利在线观看吧| 最近最新中文字幕大全电影3| 日本-黄色视频高清免费观看| 亚洲欧洲日产国产| 久久精品久久久久久久性| 少妇熟女aⅴ在线视频| 久久久成人免费电影| 亚洲aⅴ乱码一区二区在线播放| 日日啪夜夜爽| 熟女电影av网| 777米奇影视久久| 非洲黑人性xxxx精品又粗又长| 日日摸夜夜添夜夜添av毛片| 少妇人妻一区二区三区视频| 久久6这里有精品| 亚洲精品一区蜜桃| av天堂中文字幕网| 亚洲国产精品专区欧美| 2021少妇久久久久久久久久久| 国产亚洲av片在线观看秒播厂 | 国产中年淑女户外野战色| 国产一级毛片在线| 亚洲欧美日韩东京热| 日韩av不卡免费在线播放| 噜噜噜噜噜久久久久久91| 国产视频内射| 国产成人午夜福利电影在线观看| 国产 一区精品| 国产精品女同一区二区软件| 久久精品久久久久久久性| 国产亚洲精品av在线| av国产免费在线观看| 午夜福利视频精品| 91精品国产九色| 最近中文字幕2019免费版| www.色视频.com| 大香蕉97超碰在线| 国产av码专区亚洲av| 国精品久久久久久国模美| 久久这里有精品视频免费| 我的女老师完整版在线观看| av线在线观看网站| 久久这里只有精品中国| 狠狠精品人妻久久久久久综合| 国产亚洲5aaaaa淫片| 国产片特级美女逼逼视频| 亚洲成人av在线免费| 女人十人毛片免费观看3o分钟| 97超碰精品成人国产| 少妇的逼好多水| 在线观看人妻少妇| 我的女老师完整版在线观看| 国产在视频线在精品| 婷婷色综合大香蕉| 久热久热在线精品观看| 国产精品福利在线免费观看| 日韩 亚洲 欧美在线| 天堂中文最新版在线下载 | 国产精品久久久久久精品电影小说 | 亚洲成人久久爱视频| .国产精品久久| 亚洲精品自拍成人| 一区二区三区四区激情视频| 国产色爽女视频免费观看| 亚洲精品,欧美精品| 插阴视频在线观看视频| a级一级毛片免费在线观看| 精品人妻视频免费看| 最后的刺客免费高清国语| 尾随美女入室| 18禁在线播放成人免费| 亚洲国产日韩欧美精品在线观看| 久久久久久国产a免费观看| 国产高清三级在线| 色吧在线观看| 丝袜喷水一区| 亚洲精品乱久久久久久| 真实男女啪啪啪动态图| 国产成人91sexporn| 女的被弄到高潮叫床怎么办| 久久精品国产自在天天线| 成人鲁丝片一二三区免费| 国产黄色免费在线视频| 麻豆精品久久久久久蜜桃| 日韩av不卡免费在线播放| 亚洲av免费高清在线观看| 精品国产一区二区三区久久久樱花 | 麻豆精品久久久久久蜜桃| 一级毛片aaaaaa免费看小| 国产午夜福利久久久久久| 九色成人免费人妻av| 国产单亲对白刺激| 黄色一级大片看看| 日韩三级伦理在线观看| 水蜜桃什么品种好| 九草在线视频观看| www.色视频.com| 非洲黑人性xxxx精品又粗又长| 看免费成人av毛片| 久久99热这里只有精品18| 国内精品宾馆在线| 十八禁网站网址无遮挡 | 女人十人毛片免费观看3o分钟| 亚洲人成网站高清观看| 少妇人妻一区二区三区视频| 午夜精品在线福利| 内射极品少妇av片p| 色吧在线观看| 欧美3d第一页| 波野结衣二区三区在线| 欧美区成人在线视频| 国产黄a三级三级三级人| 啦啦啦啦在线视频资源| 日本-黄色视频高清免费观看| 舔av片在线| 国产在线一区二区三区精| 夜夜看夜夜爽夜夜摸| 国产一区亚洲一区在线观看| 国产亚洲一区二区精品| 国产探花极品一区二区| 亚洲精品乱久久久久久| 最近的中文字幕免费完整| 亚洲经典国产精华液单| 国产精品国产三级国产av玫瑰| 天堂俺去俺来也www色官网 | 2021天堂中文幕一二区在线观| 国产免费视频播放在线视频 | 日韩欧美三级三区| 99热6这里只有精品| 看十八女毛片水多多多| 国产黄a三级三级三级人| 久久久久久久久久久丰满| 国产三级在线视频| 国产69精品久久久久777片| 国产精品福利在线免费观看| 欧美日韩亚洲高清精品| 黄片wwwwww| 婷婷色av中文字幕| 日韩伦理黄色片| 男人爽女人下面视频在线观看| 日韩欧美一区视频在线观看 | 如何舔出高潮| 免费观看av网站的网址| 久久久久久久午夜电影| 久久久久久久久久久丰满| 日韩人妻高清精品专区| 美女内射精品一级片tv| 成人午夜精彩视频在线观看| 国产精品一及| 日韩 亚洲 欧美在线| 婷婷色av中文字幕| .国产精品久久| 国产精品精品国产色婷婷| av黄色大香蕉| 国产一区二区在线观看日韩| 99热6这里只有精品| 三级男女做爰猛烈吃奶摸视频| 97在线视频观看| 伊人久久国产一区二区| 国产精品国产三级专区第一集| 美女cb高潮喷水在线观看| 日本熟妇午夜| 久久精品综合一区二区三区| 亚洲精品国产av蜜桃| 免费黄频网站在线观看国产| 亚洲精品中文字幕在线视频 | 国产日韩欧美在线精品| 看十八女毛片水多多多| 亚洲国产av新网站| 男插女下体视频免费在线播放| 99热这里只有是精品50| 午夜福利网站1000一区二区三区| 亚洲欧洲日产国产| 亚洲国产精品成人久久小说| 亚洲人成网站在线观看播放| av播播在线观看一区| 啦啦啦中文免费视频观看日本| 丝瓜视频免费看黄片| 在线天堂最新版资源| 精品久久国产蜜桃| 免费在线观看成人毛片| 久久精品国产亚洲av涩爱| 国产伦精品一区二区三区视频9| 最近手机中文字幕大全| 精品一区二区三卡| 日韩av在线免费看完整版不卡| 国产精品精品国产色婷婷| 91精品国产九色| 夫妻性生交免费视频一级片| 黑人高潮一二区| 成人性生交大片免费视频hd| 97超碰精品成人国产| 亚洲美女搞黄在线观看| av天堂中文字幕网| 2018国产大陆天天弄谢| 人妻系列 视频| 波野结衣二区三区在线| 有码 亚洲区| 国产一级毛片在线| 精品不卡国产一区二区三区| 精品午夜福利在线看| 午夜爱爱视频在线播放| 人妻一区二区av| 国内揄拍国产精品人妻在线| 婷婷色综合www| 亚洲性久久影院| 少妇被粗大猛烈的视频| 丰满少妇做爰视频| 欧美高清成人免费视频www| 国产真实伦视频高清在线观看| 一二三四中文在线观看免费高清| 色尼玛亚洲综合影院| 纵有疾风起免费观看全集完整版 | 国产成人a∨麻豆精品| 成人美女网站在线观看视频| 国产午夜精品久久久久久一区二区三区| 最近中文字幕高清免费大全6| 中文字幕制服av| 国产免费一级a男人的天堂| 淫秽高清视频在线观看| 久久草成人影院| 肉色欧美久久久久久久蜜桃 | 国产真实伦视频高清在线观看| 国产成人a∨麻豆精品| 久久久精品免费免费高清| 亚洲熟女精品中文字幕| 大片免费播放器 马上看| 一级爰片在线观看| av在线观看视频网站免费| av国产久精品久网站免费入址| 日韩电影二区| 亚洲熟女精品中文字幕| 亚洲综合精品二区| 午夜视频国产福利| 国产不卡一卡二| 久久久色成人| 熟妇人妻久久中文字幕3abv| 国产一区亚洲一区在线观看| 国产单亲对白刺激| 麻豆久久精品国产亚洲av| 男女视频在线观看网站免费| 国产伦精品一区二区三区四那| 少妇丰满av| 国产亚洲精品久久久com| 久久精品国产亚洲av涩爱| 99久久精品热视频| 午夜激情福利司机影院| 一个人看的www免费观看视频| 亚洲av成人av| 国产v大片淫在线免费观看| 熟女电影av网| 一级二级三级毛片免费看| 十八禁国产超污无遮挡网站| 国产极品天堂在线| 亚洲va在线va天堂va国产| 亚洲欧美成人精品一区二区| 亚洲国产av新网站| 久久精品国产亚洲网站| 午夜福利在线观看免费完整高清在| 亚洲av一区综合| 又黄又爽又刺激的免费视频.| av在线观看视频网站免费| 精品久久久久久久末码| 成人一区二区视频在线观看| 欧美日韩精品成人综合77777| 久久国内精品自在自线图片| 日韩国内少妇激情av| 日韩av免费高清视频| 国产91av在线免费观看| 纵有疾风起免费观看全集完整版 | 2018国产大陆天天弄谢| 亚洲欧美中文字幕日韩二区| a级一级毛片免费在线观看| 精品国产三级普通话版| 午夜激情福利司机影院| 欧美日韩综合久久久久久| 青青草视频在线视频观看| 精品久久久噜噜| 又大又黄又爽视频免费| 亚洲精品456在线播放app| 亚洲精品乱码久久久久久按摩| 久久久色成人| 成人亚洲欧美一区二区av| 日韩av在线大香蕉| 色5月婷婷丁香| 国产成人精品婷婷| 亚洲图色成人| 亚洲熟女精品中文字幕| 三级国产精品片| 在线观看av片永久免费下载| 国产亚洲精品久久久com| 精品酒店卫生间| 亚洲av一区综合| 国产亚洲精品av在线| 九色成人免费人妻av| 国产亚洲av片在线观看秒播厂 | 一级毛片电影观看| 久久久久久久亚洲中文字幕| 亚洲欧洲国产日韩| 亚洲美女搞黄在线观看| 精品人妻视频免费看| 麻豆乱淫一区二区| 1000部很黄的大片| 18禁裸乳无遮挡免费网站照片| 少妇高潮的动态图| 日日干狠狠操夜夜爽| 99re6热这里在线精品视频| 色综合站精品国产| 国产色婷婷99| 免费不卡的大黄色大毛片视频在线观看 | 亚洲久久久久久中文字幕| 亚洲欧美日韩无卡精品| 少妇熟女欧美另类| 久久热精品热| 久久久久网色| av.在线天堂| 亚洲精品国产av成人精品| 国产熟女欧美一区二区| 欧美成人一区二区免费高清观看| .国产精品久久| 亚洲高清免费不卡视频| 免费大片黄手机在线观看| 亚洲精品久久午夜乱码| 伦精品一区二区三区| 99九九线精品视频在线观看视频| 亚洲精华国产精华液的使用体验| 九色成人免费人妻av| 久久这里有精品视频免费| 少妇的逼好多水| 青春草视频在线免费观看| 最近最新中文字幕免费大全7| 国产综合懂色| 国产一区亚洲一区在线观看| 国产 一区 欧美 日韩| 毛片女人毛片| 肉色欧美久久久久久久蜜桃 | 久久6这里有精品| 欧美激情久久久久久爽电影| 免费观看性生交大片5| 高清视频免费观看一区二区 | 日韩视频在线欧美| 久久久国产一区二区| 免费观看精品视频网站| 欧美精品国产亚洲| 成年女人在线观看亚洲视频 | 亚洲自偷自拍三级| 成人综合一区亚洲| 九色成人免费人妻av| av专区在线播放| 有码 亚洲区| 午夜免费观看性视频| 男女边吃奶边做爰视频| 啦啦啦韩国在线观看视频| 少妇的逼好多水| 国产激情偷乱视频一区二区| 丰满乱子伦码专区| kizo精华| 18禁在线播放成人免费| 欧美激情国产日韩精品一区| 美女xxoo啪啪120秒动态图| 亚洲国产日韩欧美精品在线观看| 18禁在线播放成人免费| 亚洲,欧美,日韩| 国产av国产精品国产| 国产成人精品福利久久| 国产成人a∨麻豆精品| 国产精品一区二区在线观看99 | 午夜福利成人在线免费观看| 亚洲美女视频黄频| 老女人水多毛片| 国产av不卡久久|