• <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
    精品无人区乱码1区二区| 亚洲av熟女| 日本a在线网址| 黄色视频,在线免费观看| 淫秽高清视频在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲欧美日韩卡通动漫| 嫁个100分男人电影在线观看| 18禁黄网站禁片午夜丰满| 我要搜黄色片| 久久性视频一级片| 亚洲一区高清亚洲精品| 又爽又黄a免费视频| 中出人妻视频一区二区| 成人欧美大片| 国产白丝娇喘喷水9色精品| 国产亚洲精品久久久久久毛片| 天天一区二区日本电影三级| 精品一区二区三区视频在线观看免费| 国产野战对白在线观看| 五月玫瑰六月丁香| 嫩草影院新地址| 欧美成人a在线观看| 日韩欧美精品免费久久 | 韩国av一区二区三区四区| 成人av一区二区三区在线看| 免费看光身美女| 亚洲三级黄色毛片| 久久人妻av系列| 国产综合懂色| 亚洲欧美精品综合久久99| 欧美极品一区二区三区四区| 成人鲁丝片一二三区免费| 丰满人妻熟妇乱又伦精品不卡| 亚洲黑人精品在线| 欧美乱妇无乱码| 成年免费大片在线观看| 国产精品久久视频播放| 国产视频内射| 直男gayav资源| 99热这里只有是精品50| 少妇熟女aⅴ在线视频| 日本黄大片高清| 成人精品一区二区免费| 国产精品99久久久久久久久| 又粗又爽又猛毛片免费看| 无遮挡黄片免费观看| 香蕉av资源在线| 欧美黄色片欧美黄色片| 一级毛片久久久久久久久女| 亚洲人成电影免费在线| 国产av一区在线观看免费| 国内精品久久久久精免费| 亚洲成av人片在线播放无| 99国产精品一区二区三区| 久久国产精品影院| 亚洲国产精品999在线| 日韩欧美一区二区三区在线观看| 国内毛片毛片毛片毛片毛片| 99在线视频只有这里精品首页| 99久国产av精品| 最近在线观看免费完整版| 色播亚洲综合网| 国产三级黄色录像| 女生性感内裤真人,穿戴方法视频| 我的女老师完整版在线观看| 亚洲最大成人av| 一边摸一边抽搐一进一小说| 国产日本99.免费观看| 别揉我奶头 嗯啊视频| 日日摸夜夜添夜夜添小说| 国产毛片a区久久久久| 国产精品国产高清国产av| 国产极品精品免费视频能看的| 久久国产精品人妻蜜桃| 久久久久九九精品影院| 亚洲熟妇中文字幕五十中出| 亚洲 国产 在线| 国产伦一二天堂av在线观看| 男人狂女人下面高潮的视频| 一区二区三区免费毛片| 一a级毛片在线观看| 身体一侧抽搐| 国产毛片a区久久久久| 精品99又大又爽又粗少妇毛片 | 国产探花极品一区二区| 永久网站在线| 久久中文看片网| 国产一区二区激情短视频| 亚洲av免费在线观看| 国产极品精品免费视频能看的| 国产黄a三级三级三级人| 搡老熟女国产l中国老女人| 午夜激情欧美在线| 男人和女人高潮做爰伦理| 九九热线精品视视频播放| 亚洲第一区二区三区不卡| 女人被狂操c到高潮| 国产亚洲欧美98| 嫁个100分男人电影在线观看| 国产一区二区三区在线臀色熟女| 男人舔女人下体高潮全视频| 亚洲va日本ⅴa欧美va伊人久久| 特大巨黑吊av在线直播| 最近视频中文字幕2019在线8| 亚洲av成人av| 欧美bdsm另类| 成人三级黄色视频| 日韩免费av在线播放| 波多野结衣巨乳人妻| 午夜精品在线福利| 噜噜噜噜噜久久久久久91| 搡女人真爽免费视频火全软件 | a级一级毛片免费在线观看| 精品人妻熟女av久视频| 国产aⅴ精品一区二区三区波| 首页视频小说图片口味搜索| 18禁在线播放成人免费| 九色成人免费人妻av| 欧美不卡视频在线免费观看| 一本精品99久久精品77| 亚洲七黄色美女视频| 精品久久国产蜜桃| 欧美一区二区国产精品久久精品| 美女黄网站色视频| 麻豆国产97在线/欧美| 久久久久久久久久成人| 久久精品国产亚洲av涩爱 | 欧美午夜高清在线| 亚洲精品成人久久久久久| avwww免费| 韩国av一区二区三区四区| 97热精品久久久久久| 我的老师免费观看完整版| 又粗又爽又猛毛片免费看| 日韩精品青青久久久久久| 国产精品一区二区免费欧美| 亚洲在线观看片| 国产在视频线在精品| 色尼玛亚洲综合影院| 极品教师在线视频| 简卡轻食公司| 狂野欧美白嫩少妇大欣赏| 国产成人影院久久av| 久久久久久久午夜电影| 欧美午夜高清在线| 久久天躁狠狠躁夜夜2o2o| 亚洲男人的天堂狠狠| 91狼人影院| 日韩欧美国产一区二区入口| 国产伦精品一区二区三区视频9| 少妇人妻一区二区三区视频| 亚洲人成伊人成综合网2020| 91午夜精品亚洲一区二区三区 | 婷婷亚洲欧美| 一a级毛片在线观看| 最新中文字幕久久久久| 亚洲电影在线观看av| 国产精品久久久久久精品电影| 亚洲自偷自拍三级| 国产精品美女特级片免费视频播放器| 成人美女网站在线观看视频| 变态另类成人亚洲欧美熟女| 宅男免费午夜| 成人无遮挡网站| 久久久久精品国产欧美久久久| www.熟女人妻精品国产| 少妇高潮的动态图| 丁香欧美五月| 精品免费久久久久久久清纯| 亚洲人成网站在线播| 日本黄色视频三级网站网址| 久久精品影院6| 最新在线观看一区二区三区| 成年版毛片免费区| 国产高清激情床上av| 久久亚洲真实| 国产成人啪精品午夜网站| 欧美不卡视频在线免费观看| 色吧在线观看| 日韩有码中文字幕| 在线观看舔阴道视频| av中文乱码字幕在线| 欧美性猛交黑人性爽| 狂野欧美白嫩少妇大欣赏| 免费一级毛片在线播放高清视频| 成年女人看的毛片在线观看| 久久精品综合一区二区三区| 在线看三级毛片| 亚洲午夜理论影院| 成人国产综合亚洲| 99久久精品一区二区三区| 99热这里只有是精品50| 色哟哟哟哟哟哟| 国产一区二区在线av高清观看| 亚洲欧美日韩高清专用| 亚洲人成网站高清观看| 精品一区二区三区视频在线观看免费| 天堂√8在线中文| 午夜精品久久久久久毛片777| 国产精品电影一区二区三区| 97碰自拍视频| 国产免费一级a男人的天堂| 国产精品一区二区三区四区免费观看 | 3wmmmm亚洲av在线观看| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产欧美人成| 亚洲人成伊人成综合网2020| 国语自产精品视频在线第100页| 日韩欧美一区二区三区在线观看| 欧美+亚洲+日韩+国产| 精品久久久久久久久av| 91在线精品国自产拍蜜月| 99热6这里只有精品| a级一级毛片免费在线观看| 久久久久久九九精品二区国产| 国产主播在线观看一区二区| 精品人妻视频免费看| 麻豆久久精品国产亚洲av| 五月玫瑰六月丁香| 午夜老司机福利剧场| 日韩欧美国产在线观看| 国产一级毛片七仙女欲春2| 美女高潮喷水抽搐中文字幕| 天美传媒精品一区二区| 免费在线观看成人毛片| 亚洲成av人片在线播放无| 午夜影院日韩av| 十八禁网站免费在线| 国产亚洲精品久久久com| 亚洲在线自拍视频| 不卡一级毛片| 中文字幕熟女人妻在线| 国产日本99.免费观看| 亚洲男人的天堂狠狠| 黄色一级大片看看| 亚洲精品一区av在线观看| 久久久精品欧美日韩精品| 国产精品伦人一区二区| 日日摸夜夜添夜夜添av毛片 | 青草久久国产| 国产av麻豆久久久久久久| 久久久久亚洲av毛片大全| 国产不卡一卡二| 99国产精品一区二区蜜桃av| 国产精品永久免费网站| 18+在线观看网站| 少妇人妻一区二区三区视频| 最近最新免费中文字幕在线| 69人妻影院| 在线观看美女被高潮喷水网站 | 99国产精品一区二区蜜桃av| 欧美高清性xxxxhd video| 午夜两性在线视频| 国产三级在线视频| 国产精品自产拍在线观看55亚洲| 1024手机看黄色片| 久久午夜福利片| 国内精品久久久久久久电影| 午夜日韩欧美国产| 网址你懂的国产日韩在线| 日韩精品中文字幕看吧| 午夜福利在线在线| 日本免费a在线| 欧美午夜高清在线| 观看美女的网站| 夜夜爽天天搞| 国产成人aa在线观看| 国产私拍福利视频在线观看| 欧美不卡视频在线免费观看| 国产一级毛片七仙女欲春2| 久久中文看片网| 日韩精品青青久久久久久| 亚洲自拍偷在线| 长腿黑丝高跟| 国产蜜桃级精品一区二区三区| 亚洲最大成人av| 欧美成人性av电影在线观看| 51国产日韩欧美| www.熟女人妻精品国产| 亚洲av不卡在线观看| 怎么达到女性高潮| 成人高潮视频无遮挡免费网站| netflix在线观看网站| 啦啦啦观看免费观看视频高清| 成人国产综合亚洲| 内地一区二区视频在线| 男插女下体视频免费在线播放| 精品熟女少妇八av免费久了| 午夜福利在线观看吧| 三级毛片av免费| 无人区码免费观看不卡| xxxwww97欧美| 成人鲁丝片一二三区免费| 99久久精品国产亚洲精品| 亚洲一区高清亚洲精品| 女同久久另类99精品国产91| 淫秽高清视频在线观看| 精品久久久久久成人av| 亚洲成人免费电影在线观看| 国产精品综合久久久久久久免费| 国产真实伦视频高清在线观看 | 很黄的视频免费| 国产午夜精品论理片| 日韩大尺度精品在线看网址| 亚洲真实伦在线观看| 亚洲欧美日韩无卡精品| 亚洲成人久久性| 在线免费观看的www视频| 国产高清有码在线观看视频| 成人av在线播放网站| 久久国产精品人妻蜜桃| 少妇熟女aⅴ在线视频| 搡老岳熟女国产| 小说图片视频综合网站| www.999成人在线观看| 日韩 亚洲 欧美在线| 赤兔流量卡办理| 亚洲中文字幕一区二区三区有码在线看| 精品人妻视频免费看| 乱人视频在线观看| 精品欧美国产一区二区三| av黄色大香蕉| 国产av一区在线观看免费| 一本综合久久免费| 亚洲美女视频黄频| av在线天堂中文字幕| 久久久国产成人免费| 亚洲成av人片免费观看| 国产精品亚洲美女久久久| 日本五十路高清| 国产成人影院久久av| 国产精品99久久久久久久久| 精品久久国产蜜桃| 国内久久婷婷六月综合欲色啪| 一级a爱片免费观看的视频| 好男人在线观看高清免费视频| 亚洲欧美日韩东京热| 长腿黑丝高跟| 又爽又黄a免费视频| 久久这里只有精品中国| 亚洲成a人片在线一区二区| 在线天堂最新版资源| 免费av毛片视频| 99热这里只有精品一区| 女同久久另类99精品国产91| 美女xxoo啪啪120秒动态图 | 国产精品一区二区三区四区久久| 国产视频内射| 2021天堂中文幕一二区在线观| 18美女黄网站色大片免费观看| 国产精品人妻久久久久久| 久久国产乱子伦精品免费另类| 男插女下体视频免费在线播放| 一个人看视频在线观看www免费| 丰满人妻一区二区三区视频av| 欧洲精品卡2卡3卡4卡5卡区| 在线观看av片永久免费下载| 一区二区三区免费毛片| 日日夜夜操网爽| 久久精品久久久久久噜噜老黄 | 国产精品亚洲一级av第二区| 69人妻影院| 亚洲av成人精品一区久久| 中文字幕人成人乱码亚洲影| 麻豆国产av国片精品| 在线观看舔阴道视频| 天堂√8在线中文| 久久伊人香网站| 日韩欧美国产一区二区入口| 亚洲av第一区精品v没综合| 日日摸夜夜添夜夜添小说| 不卡一级毛片| 久久久久久大精品| 欧美另类亚洲清纯唯美| 亚洲成人免费电影在线观看| 国产亚洲精品久久久com| 中文字幕av在线有码专区| 一进一出抽搐gif免费好疼| 黄片小视频在线播放| 国产在视频线在精品| 丁香欧美五月| 桃色一区二区三区在线观看| 夜夜躁狠狠躁天天躁| 欧美日本视频| 在线天堂最新版资源| 日韩欧美国产一区二区入口| 久久中文看片网| 色综合站精品国产| 真人一进一出gif抽搐免费| 日本撒尿小便嘘嘘汇集6| 亚洲午夜理论影院| 久久国产乱子伦精品免费另类| 18美女黄网站色大片免费观看| 国内久久婷婷六月综合欲色啪| 免费一级毛片在线播放高清视频| 91久久精品电影网| 五月伊人婷婷丁香| 亚洲av第一区精品v没综合| 色av中文字幕| 成人永久免费在线观看视频| 国产免费一级a男人的天堂| 国产成人福利小说| 成年女人毛片免费观看观看9| 伦理电影大哥的女人| 亚洲av一区综合| 久久久久久久亚洲中文字幕 | 嫩草影院入口| 变态另类成人亚洲欧美熟女| 日本免费a在线| 日韩大尺度精品在线看网址| 婷婷色综合大香蕉| 91麻豆av在线| 欧美日本亚洲视频在线播放| 国产精品久久久久久久久免 | 丰满人妻一区二区三区视频av| 国产淫片久久久久久久久 | 日韩国内少妇激情av| 在线观看美女被高潮喷水网站 | 变态另类成人亚洲欧美熟女| 午夜福利视频1000在线观看| 国产老妇女一区| 狠狠狠狠99中文字幕| 精品国内亚洲2022精品成人| 少妇的逼好多水| 欧美国产日韩亚洲一区| 久久精品夜夜夜夜夜久久蜜豆| 校园春色视频在线观看| 久久久久亚洲av毛片大全| 在线免费观看不下载黄p国产 | 国内少妇人妻偷人精品xxx网站| 亚洲七黄色美女视频| 韩国av一区二区三区四区| 国产精品自产拍在线观看55亚洲| 午夜视频国产福利| 黄片小视频在线播放| 亚洲欧美日韩高清专用| 动漫黄色视频在线观看| 中亚洲国语对白在线视频| 又黄又爽又免费观看的视频| 国产黄a三级三级三级人| 怎么达到女性高潮| 天堂√8在线中文| 精品久久久久久久久亚洲 | 亚洲七黄色美女视频| 91在线观看av| 长腿黑丝高跟| 老女人水多毛片| 深夜a级毛片| 亚洲欧美激情综合另类| 国产精品乱码一区二三区的特点| 最好的美女福利视频网| 天天躁日日操中文字幕| 丁香六月欧美| 亚洲av.av天堂| 久久伊人香网站| eeuss影院久久| 国产麻豆成人av免费视频| 国产真实伦视频高清在线观看 | 国产单亲对白刺激| 亚洲精品在线观看二区| 非洲黑人性xxxx精品又粗又长| h日本视频在线播放| 欧美激情在线99| 757午夜福利合集在线观看| 久久久久久国产a免费观看| 国产免费男女视频| 日本a在线网址| 美女被艹到高潮喷水动态| 丰满乱子伦码专区| 国产激情偷乱视频一区二区| 亚洲18禁久久av| 看黄色毛片网站| 亚洲精品粉嫩美女一区| 成人一区二区视频在线观看| 男女做爰动态图高潮gif福利片| 别揉我奶头 嗯啊视频| 最新中文字幕久久久久| 真人一进一出gif抽搐免费| 永久网站在线| 中文字幕精品亚洲无线码一区| 好男人电影高清在线观看| 一进一出抽搐动态| 一级a爱片免费观看的视频| 午夜福利成人在线免费观看| 欧美bdsm另类| 国产 一区 欧美 日韩| 香蕉av资源在线| 乱码一卡2卡4卡精品| 亚洲无线在线观看| 看片在线看免费视频| 日韩欧美三级三区| 赤兔流量卡办理| 淫秽高清视频在线观看| 人人妻人人看人人澡| 色播亚洲综合网| 婷婷精品国产亚洲av| 免费大片18禁| 亚洲va日本ⅴa欧美va伊人久久| 91在线精品国自产拍蜜月| 久久精品国产亚洲av涩爱 | 亚洲欧美清纯卡通| 中文字幕av在线有码专区| а√天堂www在线а√下载| 免费看光身美女| 一进一出好大好爽视频| 美女被艹到高潮喷水动态| 国产一区二区激情短视频| 欧美最黄视频在线播放免费| 欧美成人性av电影在线观看| 日韩精品中文字幕看吧| 女生性感内裤真人,穿戴方法视频| 日日摸夜夜添夜夜添小说| 亚洲av电影在线进入| 亚洲色图av天堂| 久久久久国内视频| 国产伦一二天堂av在线观看| 男插女下体视频免费在线播放| 亚洲中文字幕一区二区三区有码在线看| 久久久久九九精品影院| 日日夜夜操网爽| 99久久久亚洲精品蜜臀av| av福利片在线观看| 亚洲av成人av| 亚洲精品乱码久久久v下载方式| 每晚都被弄得嗷嗷叫到高潮| 最近中文字幕高清免费大全6 | 少妇被粗大猛烈的视频| 亚洲欧美日韩高清专用| 国产白丝娇喘喷水9色精品| 99国产综合亚洲精品| 亚洲三级黄色毛片| 久久99热这里只有精品18| 最新在线观看一区二区三区| 久久人人精品亚洲av| 麻豆国产av国片精品| 亚洲精品一卡2卡三卡4卡5卡| 俄罗斯特黄特色一大片| 日本一本二区三区精品| av在线观看视频网站免费| 日韩亚洲欧美综合| 日韩成人在线观看一区二区三区| 91麻豆av在线| 一区福利在线观看| 精品一区二区三区av网在线观看| 在线免费观看的www视频| 美女 人体艺术 gogo| 亚洲美女视频黄频| 男女那种视频在线观看| 天堂动漫精品| 午夜精品一区二区三区免费看| 亚洲国产欧美人成| 伦理电影大哥的女人| 午夜福利视频1000在线观看| 亚洲av二区三区四区| 1024手机看黄色片| 99久久久亚洲精品蜜臀av| 国产精华一区二区三区| 午夜影院日韩av| 亚洲人成网站在线播| 亚洲国产精品sss在线观看| 国产精品一区二区免费欧美| 国产一区二区激情短视频| 一本精品99久久精品77| 国产精品精品国产色婷婷| 老司机深夜福利视频在线观看| 久久久久久久精品吃奶| 成人毛片a级毛片在线播放| 午夜激情福利司机影院| 免费电影在线观看免费观看| 亚洲欧美日韩高清在线视频| 免费高清视频大片| 国产伦一二天堂av在线观看| 一区二区三区免费毛片| 免费av不卡在线播放| 真人一进一出gif抽搐免费| 人人妻人人澡欧美一区二区| 精品午夜福利视频在线观看一区| 少妇丰满av| 天堂网av新在线| 欧美性猛交╳xxx乱大交人| 可以在线观看毛片的网站| 琪琪午夜伦伦电影理论片6080| 国产精品久久电影中文字幕| 一区福利在线观看| 色综合欧美亚洲国产小说| 99热只有精品国产| 欧美高清成人免费视频www| 少妇丰满av| 久久人妻av系列| 中文字幕熟女人妻在线| 婷婷亚洲欧美| 在线看三级毛片| 精品国产三级普通话版| 国产日本99.免费观看| 亚洲国产欧洲综合997久久,| 午夜视频国产福利| 亚洲七黄色美女视频| ponron亚洲| 老司机福利观看| 国产精品久久久久久精品电影| 欧美激情国产日韩精品一区| 18美女黄网站色大片免费观看| 深夜a级毛片| 久久伊人香网站| 亚洲av一区综合| 小说图片视频综合网站| 1024手机看黄色片| 国产免费av片在线观看野外av| 亚洲av成人精品一区久久| 中文字幕熟女人妻在线| 久久久久久久久中文| 毛片一级片免费看久久久久 | 国产欧美日韩精品一区二区| 男女视频在线观看网站免费|